Aide multicritère au pilotage d’un processus basée sur le

raisonnement à partir de cas

Diala Dhouib

To cite this version:

Diala Dhouib. Aide multicritère au pilotage d’un processus basée sur le raisonnement à partir de cas.
Sciences de l’ingénieur [physics]. Université Paris VIII Vincennes-Saint Denis, 2011. Français. �NNT :
�. �tel-00638186�

HAL Id: tel-00638186

[Link]
Submitted on 4 Nov 2011

HAL is a multi-disciplinary open access L’archive ouverte pluridisciplinaire HAL, est

archive for the deposit and dissemination of sci- destinée au dépôt et à la diffusion de documents
entific research documents, whether they are pub- scientifiques de niveau recherche, publiés ou non,
lished or not. The documents may come from émanant des établissements d’enseignement et de
teaching and research institutions in France or recherche français ou étrangers, des laboratoires
abroad, or from public or private research centers. publics ou privés.
Année : 2009

ECOLE DOCTORALE COGNITION, LANGAGE, INTERACTION

Université de Paris 8 – Vincennes-Saint-Denis

UNIVERSITE DE SFAX
Faculté des Sciences Economiques et de Gestion

THÈSE
présentée par

Diala DHOUIB épouse KARRAY

pour l’obtention du

Grade de Docteur de l’université

de Paris 8 Vincennes – Saint-Denis

en Méthodes Quantitatives, Productique et Génie Industriel

Aide multicritère au pilotage d’un

processus basée sur le raisonnement à
partir de cas

Soutenue le 30 juin 2009 devant la commission d’examen :

Rapporteurs :
T. LOUKIL, Professeur à l'université de Sfax
Y. DUCQ, Professeur à l'université de Bordeaux

Co-directeurs de thèse :
H. CHABCHOUB, Professeur à l'université de Sfax
A. EL MHAMEDI, Professeur à l'université Paris 8
S.-A. ADDOUCHE, Maître de conférences à l’université Paris 8
 Remerciements

Ce travail a été réalisé au sein de l’unité de recherche LOGIQ (Logistique, Gestion

Industrielle et Qualité) dirigée par Madame Taiçir Loukil, professeur à la Faculté des
Sciences Economiques et de Gestion de Sfax (FSEGS). Je la remercie de m’avoir
accueillie et de m’avoir offert d’excellentes conditions pour effectuer ce travail de
recherche sans oublier sa cordialité et son support inconditionnel des thésards, en
particulier lorsque le moral menace de chanceler.

J’exprime toute ma reconnaissance à Monsieur Habib Chabchoub, professeur à la

FSEGS, d’avoir dirigé ce travail et en a assuré la rigueur tout au long de son
avancement, ainsi que pour ses directives, ses conseils et la confiance qu’il m’a
accordé durant ces années.

J’exprime également toute ma gratitude à Monsieur Abderrahman El-Mhamedi,

professeur à l’Université de Paris 8, de m’avoir accueilli au sein de l’équipe MGSI
(Modélisation et Génie des Systèmes Industriels), ainsi que pour son encadrement, sa
compétence et sa disponibilité. Je le remercie non seulement de m’avoir orienté et
conseillé dans le travail, mais aussi pour ses qualités humaines.

Je tiens à remercier vivement Monsieur Sid-Ali Addouche, maître de conférences à

l’Université de Paris 8, qui m’a apporté toute l’expertise de l’équipe MGSI et qui a
participé à cet encadrement avec détermination et constance.

J’adresse mes sincères remerciements à Monsieur Taoufik Djemal, professeur à la

Faculté des Sciences Economiques et de Gestion de Tunis (FSEGT) et Monsieur Yves
Ducq, professeur à l’Université de Bordeaux, d’avoir accepté de participer au jury,
ainsi que pour l’intérêt qu’ils ont porté à ce travail.

Je tiens à manifester toute ma reconnaissance à Mademoiselle Motia Neifar,

Directrice Administrative et Financière de l’entreprise TECMMP qui m’a ouvert toutes
les portes de l’entreprise et m’a fait ainsi bénéficier de son expertise dans un esprit
d’ouverture et de franchise, permettant des échanges fructueux et réciproques.

Je remercie chaleureusement les membres des deux unités de recherche : LOGIQ et

MGSI pour leurs encouragements et pour l’excellente ambiance qu’ils ont créé. Je tiens
à remercier tout particulièrement Monsieur Mahdi Khemakhem, assistant à la Faculté
des Sciences de Gabès pour son aide et sa collaboration.

Une pensée très tendre et reconnaissante pour Sonda qui constitue une véritable
source d’amitié, sans laquelle je n’aurais sans doute jamais pu présenter ce travail.

2
 Dédicaces

A m a f am ill e;

A m es am is ;

A m es ens eignant s…

3
 Résumé

Aide multicritère au pilotage d’un processus basée sur le raisonnement

à partir de cas

Résumé
Cette thèse propose des outils d’aide multicritère à la décision pour le pilotage d’un
processus basés sur la capitalisation des connaissances à travers la technique du
raisonnement à partir de cas (RàPC). Deux modèles ont été développés. Le premier
modèle, se basant sur des cas analogues passés, aide le pilote d’un processus à résoudre
un nouveau problème. Ceci étant en tenant compte aussi bien des relations de causalités
qui existent entre les indicateurs et les inducteurs de performance que des relations de
dépendance qui surgissent entre les différents critères. Le deuxième modèle est basé sur
une hybridation entre le RàPC et le clustering. Il cherche à améliorer les phases :
représentation des cas, recherche de cas similaires et maintenance de la base de cas du
cycle du RàPC. L’application d’une méthode de clustering représente une manière
d’arranger la base de cas afin de faciliter l’aide au pilotage.

Ces deux modèles peuvent fonctionner en relation de complémentarité. En effet, le

deuxième modèle basé sur le clustering permet, d’abord, de former des groupes
homogènes y compris le nouveau cas qu’on veut chercher sa solution. Ensuite, après
avoir obtenu le cluster contenant le nouveau cas avec ses cas similaires, le premier
modèle sera déclenché pour trouver le cas le plus proche. Toutefois, les critères utilisés
par ces deux modèles sont quantitatifs. Pour cela, une approche linguistique a été
utilisée pour gérer des données non homogènes, c'est-à-dire numériques et linguistiques.

Ces deux modèles ont été appliqués dans un cas industriel réel de fabrication
d’emballages en carton. Ils ont été aussi implémentés dans un prototype informatique
sous forme d’un Système Interactif d’Aide au Pilotage d’un Processus (SIAPP) à
travers des interfaces pour mieux valider leurs applications.

Mots clés

Pilotage de processus, Aide multicritère à la décision, Raisonnement à partir de cas,

Clustering, Intégrale de Choquet, Approche linguistique, SIAD.

4
 Abstract

Multicriteria aid for process piloting using case-based reasoning

Abstract

This thesis proposes tools of multicriteria decision aid for process piloting based on
the knowledge capitalization via the Case-Based Reasoning (CBR) technique. Two
models have been developed. The first model, using past similar cases, helps the pilot of
a process to resolve a new problem. This is done by taking into account causalities
relations which exist between performance inductors and indicators as well as
dependence relations between criteria. The second model is based on hybridization
between the CBR and the clustering. It tries to improve the phases: cases representation,
similar cases retrieval and case base maintenance of the CBR cycle. The application of a
clustering method represents a way of arranging the case base to facilitate the piloting
aid.

These two models can be executed in a complementarity relation. Indeed, the second
model based on clustering allows, at first, to form homogeneous groups including the
new case to look for its solution. Then, after obtaining the cluster containing the new
case with its similar cases, the first model will be activated to find the closest. However,
criteria used by these two models are quantitative. For that purpose, a linguistic
approach was used to apply non homogeneous data which can be numeric or linguistic.

These two models were applied in a real industrial case of cardboard packagings
manufacturing. They were also implemented in a computer prototype in the form of an
Interactive System of Process Piloting Aid (ISPPA) via interfaces to better validate their
applications.

Key words

Process piloting, Multicriteria decision aid, Case-Based Reasoning, Clustering,

Choquet Integral, Linguistic Approch, IDAS.

5
 Unité de recherche LOgistique, Gestion Industrielle et Qualité (LOGIQ)

ISGIS, Route Mharza Km1,5. BP 954. 3018, Sfax. Tunisie.

Equipe de recherche Modélisation et Génie des Systèmes Industriels (MGSI).IUT de

Montreuil, univ. PARIS8, 140, rue de la nouvelle France. 93100, Montreuil. France.

6
 Table des Matières

Table des Matières

Liste des Figures .................................................................................................................................. 10

Liste des Tableaux ............................................................................................................................... 11

Introduction Générale ......................................................................................................................... 12

Chapitre 1 : Pilotage de processus .................................................................................................... 16

1.1. Introduction ............................................................................................................................ 17

1.2. Pilotage industriel ................................................................................................................... 18
1.2.1 Fondements du pilotage ............................................................................................... 18
1.2.2 Pilotage et indicateurs de performance ........................................................................ 22
1.2.3 Pilotage et inducteurs de performance ........................................................................ 25
1.2.4 Méthodes de pilotage ................................................................................................... 26
1.3. Concept de processus .............................................................................................................. 29
1.3.1 Définition d’un processus .............................................................................................. 30
1.3.2 Types de processus ....................................................................................................... 30
1.3.3 Méthodes de représentation des processus ................................................................. 31
1.4. L’aide à la décision et le Raisonnement à partir de cas .......................................................... 34
1.4.1 Capitalisation des connaissances .................................................................................. 35
1.4.2 Principes fondamentaux du RàPC ................................................................................. 38
1.5. Cycles du Raisonnement à Partir de Cas ................................................................................. 46
1.5.1 Représentation de cas ................................................................................................... 48
1.5.2 Recherche de cas similaires........................................................................................... 52
1.5.3 Adaptation..................................................................................................................... 55
1.5.4 Révision ......................................................................................................................... 56
1.5.5 Apprentissage................................................................................................................ 57
1.6. Domaines d’application du RàPC ............................................................................................ 58
1.7. Synthèse de l’analyse bibliographique .................................................................................... 59
1.8. Conclusion ............................................................................................................................... 61
Chapitre 2 : Aide Multicritère à la décision ...................................................................................... 62

2.1. Introduction ............................................................................................................................ 63

2.2. Concepts de base .................................................................................................................... 64
2.2.1 Phase de désagrégation ................................................................................................ 65
2.2.2 Phase d’agrégation ........................................................................................................ 70
2.3. Méthodes d’Aide Multicritère à la décision: une revue bibliographique ................................ 79
2.3.1 Approche du critère unique de synthèse ...................................................................... 80
2.3.2 Approche du surclassement de synthèse ...................................................................... 85
2.3.3 Approche interactive ..................................................................................................... 90

7
 Table des Matières

2.4. Synthèse de l’analyse bibliographique .................................................................................... 96

2.5. Conclusion ............................................................................................................................... 97
Chapitre 3 : Un modèle d’aide au pilotage d’un processus basé sur le RàPC .................................... 98

3.1. Introduction ............................................................................................................................ 99

3.2. Problématique ...................................................................................................................... 100
3.3. Un modèle d’aide au pilotage d’un processus ...................................................................... 102
3.3.1 Hypothèses du modèle ............................................................................................... 102
3.3.2 Etapes du modèle ........................................................................................................ 103
3.4. L’existant et les applications du RàPC dans les modèles de pilotage de processus .............. 117
3.5. Clustering : concepts de base ................................................................................................ 118
3.5.1 Définition ..................................................................................................................... 119
3.5.2 Algorithmes de clustering ........................................................................................... 120
3.5.3 Mesures de distance ................................................................................................... 123
3.5.4 Critères d’évaluation du clustering ............................................................................. 124
3.5.5 Pratiques de clustering ................................................................................................ 125
3.6. Un modèle d’aide au pilotage d’un processus basé sur le RàPC et le clustering ................... 126
3.6.1 Préliminaires à l’algorithme développé ...................................................................... 127
3.6.2 Etapes de l’algorithme ................................................................................................ 130
3.6.3 Illustration de l’algorithme .......................................................................................... 130
3.7. Conclusion ............................................................................................................................. 133
Chapitre 4 : Aide au pilotage d’un processus : extension aux critères linguistiques........................ 135

4.1. Introduction .......................................................................................................................... 136

4.2. Théorie des sous - ensembles flous ....................................................................................... 136
4.2.1 Notion d’un sous-ensemble flou ................................................................................. 138
4.2.2 Notion d’un nombre flou ............................................................................................ 141
4.3. Approche linguistique appliquée à l’analyse de la décision .................................................. 143
4.3.1 Choix de l'ensemble de termes linguistiques et sa sémantique ................................. 144
4.3.2 Choix de l'opérateur d'agrégation de l'information linguistique ................................ 146
4.3.3 Choix de la meilleure action ........................................................................................ 150
4.4. Modèle de représentation linguistique floue 2-tuples .......................................................... 150
4.4.1 Définitions ................................................................................................................... 151
4.4.2 Opérateurs de comparaison et de négation ............................................................... 152
4.4.3 Opérateurs d’agrégation de 2-tuples : proposition de l’intégrale de Choquet 2-additive
153
4.4.4 Démarche d’application du modèle 2-tuples avec des informations non homogènes155
4.4.5 Exemple d’illustration du modèle linguistique 2-tuples.............................................. 161
4.5. Conclusion ............................................................................................................................. 164
Chapitre 5 : Application réelle et Implémentation ......................................................................... 165

5.1. Introduction .......................................................................................................................... 166

5.2. Systèmes Interactifs d’Aide à la Décision (SIAD) ................................................................... 166
5.2.1 Définition d’un SIAD .................................................................................................... 166
5.2.2 Rôle d’un SIAD ............................................................................................................. 167
5.2.3 Architectures d’un SIAD .............................................................................................. 167
5.3. Contexte d’application .......................................................................................................... 168
5.3.1 Présentation de l’entreprise ....................................................................................... 169
5.3.2 Proposition d’un Système Interactif d’Aide au Pilotage d’un Processus (SIAPP) ........ 169

8
 Table des Matières

er
5.4. Mise en œuvre du 1 modèle d’aide au pilotage d’un processus ......................................... 171
5.4.1 Description du processus ............................................................................................ 172
5.4.2 Construction de la base de cas .................................................................................... 173
5.4.3 Nouvelle base de cas ................................................................................................... 174
5.4.4 Nouveau cas ................................................................................................................ 176
5.4.5 Calcul des capacités µ ................................................................................................. 179
5.4.6 Cas le plus similaire ..................................................................................................... 180
5.4.7 Maintenance de la base de cas ................................................................................... 182
ème
5.5. Mise en œuvre du 2 modèle d’aide au pilotage d’un processus ....................................... 184
5.5.1 Description du processus ............................................................................................ 184
5.5.2 Construction de la base de cas .................................................................................... 185
5.5.3 Nouvelle base de cas ................................................................................................... 185
5.5.4 Application de l’algorithme ......................................................................................... 187
5.6. Conclusion ............................................................................................................................. 189
Conclusion Générale .......................................................................................................................... 190

Références Bibliographiques ............................................................................................................. 193

9
 Liste des Figures

Liste des Figures

Figure 1. Plan de la thèse ..................................................................................................................... 15
Figure 2. Exemple d’une structure de pilotage..................................................................................... 20
Figure 3. Cycle de capitalisation des connaissances (Grundstein, 2000) ............................................... 36
Figure 4. Exemple de structuration d’un cas en RàPC structurel (Lamontagne et Lapalme, 2002) ........ 41
Figure 5. Exemple de cas pour le modèle conversationnel (Lamontagne et Lapalme, 2002) ................ 42
Figure 6. Conteneurs de connaissance (Richter, 1995) ........................................................................ 46
Figure 7. Principales étapes dans le processus d’un système de raisonnement à partir de cas ............ 47
Figure 8. Modèle hiérarchique de prototypes ...................................................................................... 50
Figure 9. Modèle dynamique ............................................................................................................... 51
Figure 10. Modèle à base de catégories ............................................................................................... 52
Figure 11. Types d’adaptation dans les systèmes de RàPC ................................................................... 56
Figure 12. Diagramme du modèle proposé ........................................................................................ 104
Figure 13. Diagramme analytique ...................................................................................................... 116
Figure 14. Matrice 1 ........................................................................................................................... 127
Figure 15. Matrice 2 ........................................................................................................................... 128
Figure 16. Matrice 3 ........................................................................................................................... 128
Figure 17. Algorithme du modèle proposé......................................................................................... 130
Figure 18. Matrice 1 ........................................................................................................................... 131
Figure 19. Matrice 2 ........................................................................................................................... 132
Figure 20. Matrice ............................................................................................................................. 132
Figure 21. Matrice 2 ........................................................................................................................... 133
Figure 22. Matrice 3 ........................................................................................................................... 133
Figure 23 . Support, hauteur et noyau d’un sous-ensemble flou ........................................................ 139
Figure 24 . Exemple de calcul de la translation symbolique ............................................................... 152
Figure 25. Transformation d’une valeur numérique en un ensemble flou dans ST ............................. 157
Figure 26 . Transformation de l2 dans S en un ensemble flou dans ST ................................................ 158
Figure 27 . Fonction d’appartenance de I = [ i , i ] ............................................................................... 159
Figure 28 . Transformation de l’intervalle [0.1, 0.3] en un ensemble flou dans ST .............................. 160
Figure 29. Processus de désassemblage d’un véhicule hors d’usage .................................................. 161
Figure 30. Architecture conceptuelle du SIAPP .................................................................................. 170
er
Figure 31 . Description du 1 modèle d’aide au pilotage d’un processus ........................................... 171
Figure 32. Processus opérationnel de l’entreprise TECMMP .............................................................. 172
Figure 33 . Construction de la base de cas ......................................................................................... 173
Figure 34. Nouvelle base de cas ......................................................................................................... 176
Figure 35. Ajout du nouveau cas et calcul de son score global désiré ................................................ 178
Figure 36. Calcul des capacités µ des coalitions des facteurs ............................................................. 180
Figure 37. Construction de la solution du nouveau cas ...................................................................... 182
Figure 38. Actualisation de la base de cas .......................................................................................... 183
ème
Figure 39. Description du 2 modèle d’aide au pilotage d’un processus ......................................... 184
Figure 40. Construction de la base de cas .......................................................................................... 185
Figure 41. Nouvelle base de cas ......................................................................................................... 186
Figure 42. Classification de la base de cas selon la mesure de distance d k , k ............................. 188
Figure 43. Classification de la base de cas selon la mesure de distance euclidienne .......................... 188

10
 Table des Tableaux

Liste des Tableaux

Tableau 1. Exemples d’un système d’indicateurs de performance ....................................................... 24

Tableau 2. Projets à base de raisonnement à partir de cas .................................................................. 58
Tableau 3. Définitions de l’indifférence, de l’incomparabilité et des préférences faible et stricte ...... 68
Tableau 4 : Tableau récapitulatif des méthodes de détermination des poids des critères ................... 76
Tableau 5. Echelle proposée par Saaty (1977) ..................................................................................... 83
Tableau 6 : Tableau récapitulatif des méthodes d’AMCD .................................................................... 95
Tableau 7. Base de cas formée par 4 produits en fin de vie ............................................................... 106
Tableau 8. Caractéristiques du nouveau produit en fin de vie (ordinateur) ....................................... 109
Tableau 9. Probabilités des critères et de l’indicateur de performance pour les différents produits . 109
Tableau 10. Informations mutuelles entre chaque critère et l’indicateur de performance ................ 109
Tableau 11. Calcul de similarités........................................................................................................ 115
Tableau 12. Une base de cas formée par des produits en fin de vie (y compris le nouveau produit).. 131
Tableau 13. Base de cas du processus de désassemblage .................................................................. 162
Tableau 14. Ensembles flous obtenus à travers le BLTS : ST ............................................................... 163
Tableau 15. Valeurs linguistiques 2-tuples......................................................................................... 163
Tableau 16. Nouvelle base de cas ...................................................................................................... 174
Tableau 17. Informations mutuelles entre chaque critère Cj et les indicateurs de performance P1 et P2.
................................................................................................................................................. 177
Tableau 18. Valeurs des facteurs les plus influents sur les objectifs du cas 31 ................................... 178
Tableau 19. Analyse des similarités …................................................................................................ 181
Tableau 20. Nouvelle base de cas obtenue après l’application de l’ACP ............................................ 186
Tableau 21. Répartition de la base de cas selon la mesure de distance : d k , k ........................... 187
Tableau 22. Répartition de la base de cas selon la mesure euclidienne ............................................. 187

11
 Introduction Générale

Introduction Générale

Depuis le début de l’ère industrielle, toute entreprise se fixe des objectifs, puis
évalue sa performance en mesurant le degré d’atteinte de ces objectifs afin de mener les
actions de correction ou d’amélioration. Ceci se fait grâce à des indicateurs tout d’abord
financiers, concernent aujourd’hui également la qualité, le délai, la flexibilité,
l’innovation, etc. En conséquence, le pilotage n’est plus réduit au contrôle de gestion
car il intègre l’aspect multicritère de la performance tout en tenant compte de son
amélioration permanente.

Mes travaux de thèse s’inscrivent dans le cadre du pilotage de processus vu que la

performance industrielle dépend de la performance des processus. Elle propose des
outils concrets d’aide à la décision pour le pilotage d’un processus tout en retenant
qu’un système de pilotage de processus est à la fois un système d’aide multicritère à la
décision et un système d’information qui cherche à capitaliser l’information nécessaire à
l’aide au pilotage. Elle est composée de deux parties : une première pour l’état de l’art
et une deuxième pour la modélisation et l’application (voir figure 1).

Le chapitre 1 décrit et délimite notre champ de réflexion qui est le pilotage de

processus. Il a conclut sur la nécessité de concevoir le pilotage d’un processus en tant
qu’un système d’aide multicritère à la décision (AMCD) et un système d’information.
En effet, Le rôle du pilotage est de fournir des plans d’action à mettre en œuvre sur les
processus pour une amélioration permanente de la performance. Ceci nécessite de
prendre des décisions selon un certain nombre de critères. Afin de faciliter la prise de
décisions et d’éviter toute sorte de perte des expériences passées, il faut aussi capitaliser
la connaissance experte pour améliorer l’efficacité des interventions du pilote d’un
processus. D’où, le besoin d’un modèle d’aide au pilotage d’un processus qui combine
l’aide multicritère à la décision et la capitalisation des connaissances. La deuxième
partie du chapitre aborde le raisonnement à partir de cas qui a été choisi comme
méthode de manipulation de connaissances. Il s’appuie sur la mémoire d’entreprise qui
permet de préserver le savoir et le savoir-faire des acteurs humains. La démarche de
capitalisation des connaissances employée s’articule autour d’un cycle formé par cinq
étapes : représentation des cas, recherche des cas similaires, adaptation, révision et

12
 Introduction Générale

apprentissage. L’application du RàPC nécessite une base de cas où chaque cas est décrit
par des attributs ou des critères qui le caractérisent et par la solution qui en résulte. Il
faut aussi se baser sur des mesures de similarités pour sélectionner les cas les plus
proches au nouveau cas se présentant à la base afin de le résoudre. Cependant, toutes les
méthodes dédiées au RàPC considèrent des attributs ayant la même importance ou bien
accordent des poids à ces attributs d’une façon totalement subjective. Ainsi, cette
technique du RàPC a elle-même besoin de se rapprocher à l’AMCD pour déterminer les
poids des différents critères. Ces poids serviront à la recherche de cas similaires au
nouveau cas afin de déterminer sa solution.

Le chapitre 2 présente les concepts de base de l’AMCD ainsi qu’un parcours

bibliographique concernant les différentes méthodes qui s’y rattachent. Ces méthodes
peuvent sans doute amener des éléments de réponse aux exigences d’un système de
pilotage de processus. Cependant, toutes les méthodes développées ne sont pas basées
sur une modélisation des connaissances expertes qui permettra de formaliser et de
préserver les connaissances et les expériences des employés d’entreprise. En effet, la
fluctuation du personnel et le départ des experts engendrent une perte de savoir et savoir
faire, que les entreprises cherchent à pallier par une démarche de gestion de
connaissances. L’expertise capitalisée sera donc à la base de la conception de notre outil
d’aide à la décision. Sa conception passe par la modélisation des connaissances qui se
décline par un modèle de représentation associé à un modèle de résolution de
problèmes. Ce système utilise la méthodologie du raisonnement à partir de cas (RàPC).

La première partie du chapitre 3 développe un modèle d’aide au pilotage d’un

processus qui tente de fournir au pilote un outil d’aide à la décision afin d’estimer les
indicateurs de sortie du processus et de le guider à prendre les meilleures décisions. Cet
outil se base sur des cas analogues passés à partir des quels le pilote résout un nouveau
problème tout en tenant compte :

- des relations de causalités qui existent entre les indicateurs et les inducteurs de
performance. Pour ce faire, nous nous sommes inspirés des travaux de Addouche et
al. (2005) qui ont exploité la théorie de l’information pour fournir une méthode
entropique d’analyse causale entre inducteurs et indicateurs de performance.

- des relations de dépendance qui surgissent entre les différents critères. Pour cela,
l’intégrale de Choquet 2-additive a été utilisée pour déterminer les poids des critères

13
 Introduction Générale

en tenant compte des différentes interactions mutuelles entre eux. Un programme

quadratique a été construit pour déterminer les paramètres de l’intégrale de Choquet
nécessaires pour le calcul des poids. Ces derniers vont servir à la recherche de cas
similaires, étape cruciale dans le RàPC.

La deuxième partie du chapitre 3 propose un autre modèle d’aide au pilotage d’un

processus basé sur une hybridation entre le RàPC et le clustering. Ce modèle vise
l’amélioration de la recherche de cas similaires par une représentation des cas sous
forme de groupes homogènes. Autrement dit, l’application d’une méthode de clustering
représente une façon d’arranger notre base de cas afin de faciliter l’aide au pilotage. Il
opte pour le clustering comme une tâche de classification et aussi d’apprentissage dans
le cycle du RàPC dans le but de bien maintenir la base de cas après l’ajout du nouveau
cas. Nous avons appliqué l’algorithme de construction ascendante hiérarchique et plus
particulièrement la méthode d’agrégation du lien simple. Cette dernière fusionne deux
groupes en se basant sur la plus petite des distances intergroupes. La distance limite
utilisée dans cet algorithme n’a pas été fixée aléatoirement. Elle correspond plutôt à la
plus petite distance entre le nouveau cas et chacun des cas de la base. Ce choix
maximise la chance d’affecter le nouveau cas à un cluster contenant au moins un cas.

Le chapitre 4 relâche l’hypothèse d’utiliser que des données quantitatives par nos
deux modèles d’aide au pilotage d’un processus développés précédemment. En fait,
dans le monde réel, les pilotes de processus peuvent parfois fournir des données sous
une forme qualitative. C’est pour cette raison que ce chapitre s’est attaché à présenter
l’approche linguistique et plus précisément le modèle de représentation linguistique flou
avec les 2-tuples afin de transformer les données qualitatives en des valeurs numériques.

Lors de l’application de ce modèle, la technique de calcul pour fonctionner avec les

2-tuples fait appel à des opérateurs d’agrégation. Ces derniers se sont empruntés de la
théorie classique et sont adaptés au modèle linguistique 2-tuples. Les auteurs qui ont
développé ce modèle se sont limités à l’utilisation de trois opérateurs d’agrégation à
savoir : la moyenne arithmétique simple, la moyenne pondérée et l’opérateur
d’agrégation pondéré ordonné (OWA). Nous avons proposé d’introduire l’opérateur
d’agrégation intégrale de Choquet 2-additive dans le cadre de la représentation
linguistique 2-tuple pour deux raisons. La première raison est que l’intégrale de
Choquet 2-additive est une intégrale floue ce qui est cohérent avec notre contexte
d’application flou. La deuxième raison est d’exploiter la contribution de cet opérateur

14
 Introduction Générale

du fait qu’il tient compte des interactions mutuelles qui peuvent surgir entre les
différents critères.

Le chapitre 5 s’intéresse à la mise en œuvre des deux modèles d’aide au pilotage

d’un processus développés précédemment. Ces deux modèles sont appliqués dans un
cas réel au sein d’une entreprise tuniso - européenne. Ils sont aussi validés par un
prototype informatique. Ce dernier est un Système Interactif d’Aide au Pilotage d’un
Processus (SIAPP) qui s’avère d’une grande utilité pour le décideur. En effet, il favorise
une répartition évolutive des compétences entre l’utilisateur et la machine et offre une
bonne intégration de l’homme et de la machine dans le processus de décision. C’est un
outil flexible et facile d’utilisation grâce à son interface homme-machine conviviale. Il
ne constitue qu’un support à la prise de décision, la décision finale restant du ressort du
pilote du processus.

Chapitre 1 :
Pilotage de processus

Etat de l’art

Chapitre 2 :
Aide multicritère à la décision

Chapitre 3 :
Un modèle d’aide au pilotage d’un
processus basé sur le RàPC

Chapitre 4 :
Modélisation Aide au pilotage d’un processus :
et application extension aux critères linguistiques

Chapitre 5 :
Application réelle et implémentation

Figure 1. Plan de la thèse

15
 Pilotage de processus

Chapitre 1 :

Pilotage de processus

1.1. Introduction ............................................................................................................................. 17

1.2. Pilotage industriel.................................................................................................................... 18
1.2.1. Fondements du pilotage ..................................................................................................... 18
1.2.2. Pilotage et indicateurs de performance ............................................................................. 22
1.2.3. Pilotage et inducteurs de performance .............................................................................. 25
1.2.4. Méthodes de pilotage ........................................................................................................ 26
1.3. Concept de processus .............................................................................................................. 29
1.3.1. Définition d’un processus ................................................................................................... 30
1.3.2. Types de processus ............................................................................................................. 30
1.3.3. Méthodes de représentation des processus ...................................................................... 31
1.4 L’aide à la décision et le Raisonnement à partir de cas................................................................ 34
1.4.1 Capitalisation des connaissances........................................................................................ 35
1.4.2 Principes fondamentaux du RàPC....................................................................................... 38
1.5 Cycles du Raisonnement à Partir de Cas ...................................................................................... 47
1.5.1 Représentation de cas ........................................................................................................ 48
1.5.2 Recherche de cas similaires ................................................................................................ 52
1.5.3 Adaptation .......................................................................................................................... 55
1.5.4 Révision .............................................................................................................................. 56
1.5.5 Apprentissage ..................................................................................................................... 57
1.6 Domaines d’application du RàPC ................................................................................................. 58
1.7 Synthèse de l’analyse bibliographique ......................................................................................... 59
1.8 Conclusion .................................................................................................................................... 61

16
 Pilotage de processus

1.1. Introduction

Pendant les trente glorieuses de 1945 à 1975, l’entreprise était pilotée selon les
principes du contrôle de gestion (Bouquin, 2001). Le but étant de « décrire la
performance et proposer les moyens de son amélioration » (Savall et Zardet, 1992).
Dans ce contexte, la performance globale était considérée comme étant la somme des
performances locales.

Quand à la période qui s’étend de 1975 à la fin des années 80 pendant laquelle
l’offre équilibre puis dépasse la demande, l’entreprise était pilotée en tant qu’un
système. Ceci est justifié par la multitude d’interactions qui existent entre les entités de
l’entreprise (fonctions, activités, ressources humaines et matérielles). Ainsi, il est
devenu indispensable de l’appréhender dans sa globalité afin d’améliorer sa
performance. Dans ce cadre, il n’est plus question de réduire les coûts seulement mais
aussi d’augmenter la valeur. Cela a rendu les indicateurs de performance incomplets et
a conduit à la mise en place d’indicateurs techniques (disponibilité, délai, qualité, etc.).
Dans ce cadre, plusieurs travaux ont été menés pour tenir compte des différents types
d’indicateurs dans l’évaluation de la performance d’une entreprise (Dhouib et
Chabchoub, 2006).

Depuis les années 90 à aujourd’hui, le pilotage se distingue réellement du contrôle

de gestion vu qu’il intervient à tous les niveaux de l’entreprise afin d’améliorer la
réactivité, l’efficacité, la compétitivité, etc. Il tient compte de l’aspect multicritère de la
performance, cherche l’amélioration permanente de la performance et considère aussi
bien l’entreprise que les relations avec ses fournisseurs et distributeurs. Le pilotage de
l’entreprise s’assimile désormais au pilotage des projets et des processus pour
augmenter la valeur et diminuer les coûts (Ravignon et al. 2003).

Mes travaux de thèse s’inscrivent dans le cadre de pilotage de processus qui fera
l’objet de ce chapitre. Ce dernier présente, en premier lieu, le pilotage industriel en
exposant ses fondements, précisant les relations pilotage/indicateurs et
pilotage/inducteurs et en présentant un état de l’art sur les méthodes de pilotage de
processus. Il aborde, en second lieu, le concept de processus en le définissant, montrant
ses différents types ainsi que les différentes méthodes de représentation des processus.
En troisième lieu, le raisonnement à partir de cas est abordé pour apporter les éléments

17
 Pilotage de processus

de compréhension du modèle d’aide à la décision présenté dans la 2ème partie de ce

travail de thèse. Il apporte, en dernier lieu, une synthèse de l’analyse bibliographique.

1.2. Pilotage industriel

La notion de pilotage trouve ses fondements dans des domaines tels que la
cybernétique, l’automatique et le contrôle de gestion (Clivillé, 2004). Pour l’entreprise,
le système de production piloté comprend toutes les activités responsables de la
transformation des produits et services. Ainsi, il renferme l’ensemble des moyens et
flux qui établissent les plans d’action. Ces derniers représentent les actions à mener et
les moyens nécessaires pour atteindre les objectifs quantitatifs et qualitatifs d’une unité
de travail.

1.2.1 Fondements du pilotage

Le pilotage est très nuancé en littérature et se décline sous différents types.

[Link] Définitions du pilotage

Selon Mélèse (1991) qui est considéré parmi les premiers à proposer ce point de
vue, le pilotage regroupe des opérations sur deux niveaux :

 « La régulation : c’est une opération qui consiste à réduire les écarts entre valeurs
visées et réalisées des variables essentielles en jouant sur certaines variables d’action
à divers niveaux ».
 « Le contrôle : c’est une opération qui consiste à fixer la valeur visée de chaque
variable essentielle et simultanément les valeurs des variables d’action
correspondantes ».

Mévellec (1996) conclut que l’entreprise n’est pas pilotée par les produits qu’elles
offrent mais par les méthodes pour les produire. D’un point de vue économique, le
pilotage est à caractère stratégique. Il autorise la remise en cause des processus (AFGI,
1992) tout en exploitant les moyens disponibles pour l’amélioration de la performance.

18
 Pilotage de processus

Cette amélioration consiste, d’une part, à mieux atteindre un objectif existant et d’autre
part, à atteindre un nouvel objectif.

Le pilotage technique est le pilotage des moyens de production, il est détaillé sur
cinq niveaux qui partent du long terme et arrivent au temps réel : planification,
programmation, ordonnancement, conduite et commande (Trenteseaux, 1996). Il
intervient au niveau des processus et permet leur maîtrise (gestion des aléas) et leur
amélioration (suppression des gaspillages, optimisation). Le système physique en
question regroupe les ateliers, les lignes de production, les processus opérationnels, etc.
Les objectifs à atteindre concernent surtout la quantité, le délai et la qualité. Grabot et
al. (1996) assimile le rôle du pilotage d’atelier à celui de la régulation. En effet, il
rassemble l’ensemble des activités permettant la production à court terme dans l’atelier
tout en respectant les objectifs établis par la gestion de production, tout en adaptant
cette production aux aléas pouvant survenir au niveau de l’atelier ou de son
environnement.

Dans une vision plus large, l’AFGI (1992) considère le pilotage comme étant « un
mécanisme multi-niveau, hiérarchisé (chaque niveau cadrant le suivant) et bouclé
(répercussion et correction des écarts). Ces niveaux, qui ne sont pas à confondre avec
les niveaux hiérarchiques de l’organigramme de l’entreprise, sont chacun caractérisés
par leur horizon (visibilité), leur période (réactualisation) et leur maille (résolution).
Niveau par niveau, le processus consiste -par cadrages successifs- à préparer
formellement, progressivement, en cohérence et avec une exécutabilité croissante les
conditions de la réalisation pour se terminer par l’émission d’ordres exécutoires vers le
processus physique. Il est fait de comparaisons, d’itérations, de simulation,…Pour
atteindre les objectifs fixés, la pilotage nécessite entre autres des moyens de mesure et
d’évaluation (indicateurs ou cadrans) et des moyens d’action (variables de décision ou
leviers) ».

Dans le même ordre d’idées, Lorino (2001) affirme que « piloter c’est définir et
mettre en œuvre des méthodes qui permettent d’apprendre ensemble à agir de manière
performante et de plus en plus performante ». Ceci renvoie à deux fonctions
complémentaires :

 déployer la stratégie en règles d’action opérationnelles (déploiement),

 capitaliser les résultats et les enseignements de l’action pour enrichir la
réflexion sur les objets (retour d’expérience).

19
 Pilotage de processus

Clivillé (2004) résume le pilotage, conformément à la roue de Deming, comme étant

la réalisation de ces actions :

 Générer un plan d’action dans un environnement donné (Plan).

 Mettre en œuvre ce plan d’action (Do).

 Contrôler le système piloté pendant la mise en œuvre et au terme du plan d’action

(Check).

 Réagir suite à ce contrôle (Act).

Bitton (1990) considère un système de pilotage comme étant « un ensemble

d’activités d’une fonction donnée, à un niveau temporel donné », qui pilote localement
chaque entité sur la base d’un objectif déduit de l’objectif global. Les centres de
décision sont interdépendants afin d’assurer la cohérence des ordres exécutoires avec
les objectifs. Ainsi, une structure de pilotage est formée par l’ensemble de ces centres et
de leurs liens de dépendance (voir figure 2). Ces liens peuvent être (Clivillé, 2004) :

 des liens de subordination quand les centres de décision appartiennent à des

niveaux décisionnels différents. Il s’agit donc de décision de retour
d’information. Ces liens assurent la cohérence « verticale » du pilotage.
L’atteinte des objectifs locaux mène à celle de l’objectif global.
 des liens de coordination quand la prise de décision est commune. Il s’agit donc
d’échanges d’information concernant les objectifs, actions enclenchées,
expressions de performance. Ces liens assurent la cohérence « horizontale » du
pilotage. Les objectifs d’un même niveau ne sont pas contradictoires entre eux.

Décision
Information
Centre de décision
Système physique
Coordination

Figure 2. Exemple d’une structure de pilotage

20
 Pilotage de processus

Nous retenons que le pilotage induit trois postures complémentaires :

Piloter, c’est prévoir : la vision de l’entreprise se décline en un ensemble d’objectifs.

Piloter, c’est agir : l’entreprise doit disposer de moyens de pilotage permettant de

prendre les actions nécessaires pour atteindre ses objectifs et améliorer sa performance.

Piloter, c’est réagir : l’entreprise doit pouvoir capitaliser ses résultats afin d’actualiser
ses prévisions.

[Link] Types de pilotage

Clivillé (2004) considère deux types de pilotage, suivant qu’il consiste à :

 « mettre en œuvre des processus existants pour atteindre un objectif de production. Il

s’agit du pilotage de processus structurés, aux niveaux tactique et opérationnel. Ce
pilotage correspond au pilotage technique défini par l’AFGI (1992). L’objectif à
atteindre est un objectif maîtrisé. Par exemple, un responsable d’atelier a pour
objectif de produire 140 façades de meubles pour la semaine 30. Il lance cette
commande, puis vérifie sa réalisation. En cas d’écart (130 façades réalisées), il prend
la décision de relancer 10 façades ».

 « remettre en cause ces processus pour atteindre un objectif d’amélioration de la

production. Il s’agit d’un pilotage concernant des processus semi-structurés ou non-
structurés (El-Mhamedi, 1997) aux niveaux stratégique et tactique. Ce pilotage
correspond au pilotage économique défini par l’AFGI. L’objectif à atteindre est un
objectif de progrès. Par exemple, le responsable Qualité d’une entreprise met en
œuvre un plan d’action spécifique pour atteindre un taux de service de 97,5%, quand
la mesure actuelle est de 93% ».

L’objectif peut être aussi un objectif maîtrisé et progressiste. Il est question de

déployer des moyens pour atteindre des objectifs du niveau opérationnel au niveau
stratégique et qui suit une dynamique d’amélioration continue. Par exemple, le même
chef d’atelier peut exiger une surproduction de 1% tous les semestres.

21
 Pilotage de processus

1.2.2 Pilotage et indicateurs de performance

Etant donné que le pilotage englobe tous les moyens et flux nécessaires pour la mise
en œuvre des plans d’actions en fonction des objectifs et des performances du système
piloté, il est fondamental de concevoir un système d’indicateurs de performance. En
effet, les indicateurs permettent de fournir des informations sur l’état du système piloté.
Leur rôle réside donc à aider à la transformation d’un plan d’action selon un objectif
global. Dans ce paragraphe, après avoir défini le système d’indicateurs de performance,
nous passons à cerner son rôle dans le pilotage.

[Link] Indicateur de performance

« Un indicateur de performance est une donnée quantifiée, qui mesure l’efficacité

et/ou l’efficience de tout ou partie d’un processus ou système (réel ou simulé) par
rapport à une norme, un plan ou un objectif déterminé et accepté dans le cadre d’une
stratégie d’entreprise » (AFGI, 1992).

Lorino (2001) définit un indicateur de performance comme « une information

devant aider un acteur, individuel ou plus généralement collectif, à conduire le cours
d’une action vers l’atteinte d’un objectif ou devant lui permettre d’en évaluer le
résultat ». Un indicateur peut donc être un chiffre, un jugement qualitatif, un signe
binaire oui/non, un graphique, etc.

A partir de ces définitions susmentionnées, découlent deux situations correspondant

à deux fonctions différentes de l’indicateur de performance (Lorino, 1997) :

Une fonction prospective : soit il s’agit de mener une action en cours ; on parle alors
d’indicateur de processus ou de pilotage, généralement exploité par l’acteur lui-même
pour ses propres décisions.

Une fonction rétrospective : soit il s’agit d’évaluer le résultat de l’action achevée ; on

parle alors d’indicateur de résultat qui évalue le degré d’atteinte d’un objectif global à
son horizon. Ce type d’indicateur est souvent utilisé pour informer des agents extérieurs
à l’action mesurée, par exemple, les supérieurs hiérarchiques ; l’indicateur de résultat
constitue alors un indicateur de reporting.

22
 Pilotage de processus

Conformément au modèle de Clivillé (2004), inspiré des travaux de Berrah (1997),

un indicateur de performance IPi est défini par le triplet (variable v, objectif o, mesure
m) dont les éléments sont définis dans un univers de discours noté Ui :

v est la variable essentielle par rapport à laquelle l’objectif est défini.

o identifie l’état espéré de tout ou partie de l’entreprise.

m est la valeur réalisée d’un indicateur dans un cas qui traduit l’état atteint par tout
ou partie du processus.

Exemple 1. Le responsable des approvisionnements assure les approvisionnements en

matière première et produits intermédiaires de l’entreprise au meilleur coût. Il se définit
un objectif o rattaché au Taux de pénurie avec:

v est le Taux de pénurie. C’est une variable numérique dont l’unité est en % et
l’intervalle dans lequel elle se trouve est [0, 20].

o est égal à 2 %.

m est égale à 4 %.

Face à des indicateurs multiples, joints par différents types de liens et évitant toute
sorte de contradiction entre les différentes actions menées, il est évident de les
concevoir en tant qu’un système. La finalité de ce système est sans doute l’aide au
pilotage.

[Link] Conception du système d’indicateurs

D’après Clivillé (2004), la conception d’un système d’indicateurs consiste à :

1) décomposer l’objectif global O.

2) définir les triplets des indicateurs associés aux objectifs décomposés tout en
traduisant les différentes interactions entre eux.
3) élaborer les performances par comparaison de l’objectif et de la mesure.
4) agréger les performances d’un même niveau.

23
 Pilotage de processus

Exemple 2. Inspirés des exemples fournis par Clivillé (2004), soit l’objectif global,

O :: Disponibilité Equipement = 80 % défini sur l’univers de discours :

U :: Disponibilité Equipement, numérique, %, [30, 95].

L’objectif global est décomposé en 3 objectifs. Les 3 triplets définissant le système

d’indicateurs de performance sont résumés dans le tableau 1.

Tableau 1. Exemples d’un système d’indicateurs de performance

Variables vi
Objectif oi Mesures mi
vi Type Unité Domaine

Changement de série numérique centiheures [50, 400] 200 2.5

Maîtrise des procédés numérique % [0, 100] 100 87.5

Niveau d’encours numérique heures [0, 8] 4 2

Une expression de performance p est obtenue par une comparaison entre la mesure
m et l’objectif o. Elle se traduit généralement par une relation analytique simple
(différence, ratio, etc.). Par exemple, les trois indicateurs précédents élaborent les
expressions de performance suivantes :
4 m1 4 2 .5
p1 :: Changement de série = 0 . 75
o1 2

p2 :: Maîtrise des procédés = m2 = 87.5 %

m3 o3 2 4
p3 :: Niveau d’encours = 0 .5
o3 4

Deux indicateurs sont en interaction si l’expression de performance élaborée par l’un

d’entre eux modifie l’expression de performance élaborée par l’autre indicateur. Par
exemple, une action pour améliorer p1 (Changement de série) entraîne une amélioration
de p2 (Maîtrise des procédés) et réciproquement.

24
 Pilotage de processus

[Link] Rôle du système d’indicateurs dans le

pilotage

Pour assurer la réussite du système de pilotage, il ne suffit pas de mettre en œuvre

des indicateurs pertinents, il faut plutôt qu’ils soient lisibles, compréhensibles,
interprétables de manière rapide et utile par les acteurs. Ils doivent en plus constituer un
moyen de capitalisation des résultats et des expériences.

Ainsi, afin d’aider au pilotage, le système d’indicateurs doit, dans la mesure du

possible :

 Fournir les informations nécessaires au système piloté.

 Déterminer si les performances voulues sont atteintes.
 Anticiper sur les résultats futurs des actions.
 Donner aux acteurs une capacité de réaction rapide.

Le système d’indicateurs constitue donc un outil d’aide au pilotage grâce à la

comparaison, le diagnostic des points forts et des points faibles et le contrôle des
réalisations par rapport aux objectifs fixés.

1.2.3 Pilotage et inducteurs de performance

Nécessaire au pilotage, le système d’indicateurs de performance doit être tangible

face aux objectifs globaux interdépendants de l’entreprise. Cette tangibilité sous-entend
la connaissance des relations de cause à effet entre inducteurs et indicateurs de
performance ou encore couple de performance quel que soit leur niveau hiérarchique
(Addouche et al, 2005).

Les inducteurs de performance représentent les éléments ayant une influence sur la
performance d’une activité ou de tout un processus. Dans une démarche d’aide à la
décision, ceux sont les variables d’action sur lesquelles on peut agir et décider afin de
faire évoluer le processus et mieux atteindre l’objectif.

Parmi l’ensemble des facteurs sur lesquels on peut agir pour entreprendre les actions
nécessaires, il faut ensuite choisir ceux qui sont les plus influents par rapport à l’atteinte
des objectifs et qui seront aussi les plus faciles et les moins coûteux à mettre en œuvre.

25
 Pilotage de processus

Ce seront les facteurs clés de progrès pour ce processus à un moment donné et sur un
horizon donné. Il est préférable que le nombre soit réduit à trois ou quatre pour éviter la
dispersion des efforts.

Exemple 3. Inspiré des travaux d’Addouche et al. (2005), prenons l’exemple d’un
processus de désassemblage d’un véhicule hors d’usage (VHU) où un des indicateurs de
performance est le taux de valorisation IP1 (la masse valorisée sur la masse d’un
véhicule). A chaque constituant d’un VHU, correspond un taux de valorisation en
fonction de sa destination fin de vie. Le but est d’atteindre un seuil global de
valorisation (de tout le VHU) préétabli par les normes environnementales européennes.
Dans ce cas, IP1 = ip 12 qui est la proposition « taux atteint ». Dans le cas contraire, IP1 =
1
ip 1 qui est la proposition inverse.

Soient ID1 et ID2 deux inducteurs de performance correspondant, respectivement, aux

deux actions : mise en décharge prématurée (MDP) et réaffectation des tâches. La
première écarte systématiquement, lors du démantèlement, tous les constituants qui ne
sont pas dans un état excellent. Elle a deux valeurs possibles :
1 2
id 1 :: " MDP désactivée " ; id 1 :: " MDP activée "

La deuxième variable de décision enclenche une réaffectation de tâches permettant

d’équilibrer les charges et éventuellement réussir à extraire plus de constituants. Elle a
deux valeurs possibles :
1 2
id 2 :: " ré affectatio n désactivée " ; id 2 :: " ré affectatio n activée "

Addouche et al. (2005) ont montré que les inducteurs id 1 :: " MDP désactivée " et
2
id 2 :: " ré affectatio n activée "
influent sur l’atteinte de la performance
2
ip 1 :: " taux atte int" .

1.2.4 Méthodes de pilotage

Dans cette section, nous distinguons trois types de méthodes de pilotage. Ces
méthodes sont classées selon que l’entreprise soit pilotée par un seul indicateur qui est
le plus souvent le coût, par des indicateurs multiples ou par des indicateurs et des
inducteurs en relations de causalités.

26
 Pilotage de processus

[Link] Pilotage par le coût

L’entreprise était pilotée grâce aux outils utilisés par le contrôle de gestion tels que
la comptabilité générale, la comptabilité analytique, les tableaux de bord, etc. Ensuite,
la méthode ABC (Activity Based Costing) est apparue comme une réponse à
l’inadaptation du calcul des coûts (Cooper et Kaplan, 1988). En effet, les coûts des
activités « indirectes » sont imputés en fonction de la consommation de ressources. Ceci
permet de mieux cerner les actions à entreprendre vu la connaissance du coût réel des
activités. Aussi, certains auteurs ont proposé d’intégrer la performance technique dans
des tableaux de bord financiers afin de calculer une performance globale. Boucly
(1988) a développé une méthode de « coûts de non efficacité des équipements » qui
donne les conséquences - en termes de coûts - financières directes et indirectes pour
l’entreprise de toute heure de production gaspillée. Alors que Savall et Zardet (1989) a
proposé la méthode des « coûts et performances cachés » qui chiffre les coûts indirects
dus à tous les dysfonctionnements de l’entreprise (accident, absentéisme, turn-over,
baisse de productivité, non qualité).

[Link] Pilotage par des indicateurs multiples

Suite à l’évolution du contexte industriel, le pilotage devient désormais réactif : on

sait que la performance n’est pas bonne et surtout on sait pourquoi (Berrah, 2002).
Ainsi, à chaque variable d’état est associée des variables d’action ayant une influence
sur ses valeurs et où chacune est suivie par un indicateur. Le pilotage revient donc à
agir sur les variables d’action de chaque activité tout en mettant en place des indicateurs
suivant des critères multiples.

Clivillé (2004) a évoqué les problèmes de la dépendance entre indicateurs, de leur

cohérence au même niveau et à des niveaux différents et de l’évolution de cet ensemble
d’indicateurs. Pour cela, il a développé un modèle dont l’entité de base est l’indicateur
de performance. D’abord, les indicateurs en interaction sont regroupés en système,
conformément aux besoins des pilotes. Ensuite, le système d’indicateurs élabore des
expressions de performance relatives à un objectif global. Enfin, ces expressions de
performance étant définies suivant de multiples objectifs et de multiples niveaux, le
système d’indicateurs doit alors effectuer un traitement de l’information. Ceci permet

27
 Pilotage de processus

d’assurer une cohérence entre l’élaboration et l’agrégation des expressions de

performance. La problématique abordée consiste alors à fournir au système de pilotage,
à partir des expressions de performance délivrées par les indicateurs, des informations
synthétiques qui aident au choix d’un plan d’action parmi les plans générés.

[Link] Pilotage par des indicateurs et des

inducteurs

Addouche et al. (2005) ont proposé une démarche de pilotage qui combine les
indicateurs et les inducteurs de performance en modélisant les relations de causalités
entre eux. Cette démarche distingue trois phases qui permettent d’effectuer des
statistiques sur les différentes décisions et performances d’un processus d’entreprise.
Cela sert à l’analyse des causalités entre inducteurs et indicateurs et permet la mise à
jour de la base de règles d’un système interactif d’aide à la décision pour l’élaboration
de plans d’action. L’auteur a développé un formalisme mathématique pour la mesure du
degré de confiance eu le lien entre les indicateurs et les inducteurs. Il a montré comment
ce formalisme peut représenter un outil d’analyse et d’identification des « causalités
émergentes » qui ne peuvent pas être discernées en raison de la complexité et du
nombre de niveaux hiérarchiques des indicateurs.

Au vu de ce parcours bibliographique, différents éléments doivent être pris en

compte lors du pilotage sachant que, dans cette thèse, nous nous intéressons qu’au
pilotage d’un processus (la notion de processus sera introduite dans la prochaine
section) :

Les objectifs qu’on souhaite atteindre. Ces objectifs doivent être définis en
cohérence avec les inducteurs et les indicateurs de performance afin de bien
décrire les actions à mener et les moyens nécessaires pour les atteindre. En effet,
le pilotage identifie les inducteurs adéquats, suivis par certains indicateurs, pour
agir conformément à un objectif défini. Par exemple, pour garantir un délai
court, les inducteurs sont l’ordonnancement et le niveau de stocks, la fiabilité
des équipements, la flexibilité en capacité…chacun d’entre eux étant suivi par
un indicateur (Ternisien, 2001).
Les relations de causalités entre les inducteurs et les indicateurs de performance.
Les relations de dépendance entre les indicateurs.

28
 Pilotage de processus

1.3. Concept de processus

L’organisation de l’entreprise par « processus » a émergé depuis le début des années

90. Sa pertinence réside dans sa capacité à piloter l’entreprise. L’approche processus est
une méthode d’analyse ou de modélisation de l’entreprise fondée sur l’identification des
processus de l’organisme, leur description, leur mesure et leur amélioration. Elle vise à
la satisfaction et la fidélisation du client, mais aussi l’amélioration des performances par
les collaborateurs, les actionnaires, les partenaires et l’environnement de l’organisme.

Lorsque l’on veut évaluer la performance, nous dit Lebas (1995), « il faut prendre
en compte tous les maillons de la chaîne événementielle et toutes les étapes de cette
chaîne…Ce qui est important, c’est la manière d’organiser les processus
organisationnels et leur impact sur la prise de décision et sur la motivation convergente
de personnels de tous niveaux ». L’évaluation de la performance des processus s’avère
primordiale pour garantir l’amélioration continue de la performance (Dhouib et al.,
2007 b).

L’approche processus s’appuie sur une identification méthodique des processus qui
met en relief :

Leur périmètre (champ couvert de chaque processus en termes d’activités, de

production et d’acteurs).

Leur nature (management, réalisation, support).

Les interactions et articulation entre chacun d’eux, entre processus mais aussi à
l’intérieur d’un processus.

Leur management en termes de définition d’objectifs, pilotage, analyse et

amélioration.

Selon Lorino (1991), l’organisation de l’entreprise en processus permet de :

Diagnostiquer et comprendre l’origine de la performance à partir des conditions de

réalisation des activités de l’entreprise.

Piloter en orientant les activités selon les objectifs globaux définis par la stratégie de
l’entreprise.

Gérer les compétences et les savoir-faire des salariés.

29
 Pilotage de processus

Par ailleurs, selon Zarifian (1995), « ( ) la gestion par processus permet de

s’approcher, de manière pratique, de la notion de valeur. Qu’est-ce en effet que la
valeur sinon la manière dont l’ensemble des processus d’une entreprise offreuse
convergent pour construire et développer le rapport à une catégorie déterminée de
client ? C’est chaque processus isolément, mais aussi la manière d’organiser la
convergence de ces processus sur ce rapport, qui sont déterminants ».

Nos contributions dans cette thèse visent un processus donné pour offrir à son pilote
des outils concrets d’aide au pilotage. Mais, ce que nous proposons comme modèles à
appliquer au sein d’un processus peuvent être généralisés pour l’ensemble des
processus tout en tenant compte des différentes interactions qui peuvent surgir entre
eux.

1.3.1 Définition d’un processus

Un processus, de façon générique, désigne une suite d’états ou de phases de

l’organisation d’une opération ou d’une transformation. Le mot vient du latin pro (pour,
dans les sens de) et cessus (aller, marcher) ce qui signifie donc aller vers l’avant,
avancer. Lorino (1997) considère un processus comme un « ensemble d’activités reliées
entre elles par des flux d’information ou de matière significatifs, et qui se combinent
pour fournir un produit matériel ou immatériel important et bien défini ».

Nous retenons qu’un processus est un ensemble d’activités qui interagissent entre
eux pour atteindre un ou plusieurs objectifs définis à priori. Pour ce faire, un ensemble
d’inducteurs et d’indicateurs de performance est mis en œuvre pour le faire promouvoir
vers l’amélioration continue.

1.3.2 Types de processus

Trois familles peuvent caractériser les processus :

Processus de réalisation : produit, conception, fabrication, vente, prestation.

Processus de support ou de soutien : ressources, formation, informatique,
comptabilité, maintenance.
Processus de management ou de pilotage : politique, stratégie, technologie et
innovation, plan, budget, décision, mesure.

30
 Pilotage de processus

1.3.3 Méthodes de représentation des processus

La modélisation de l’entreprise dans sa globalité s’avère une étape indispensable à

la résolution de certains problèmes industriels au vu du nombre de processus en
interaction. Dans ce cadre, plusieurs méthodes d’aide à la représentation et à l’analyse
des processus ont été développées. Ces méthodes cherchent à augmenter la productivité
des équipes de travail, d’explorer et d’évaluer facilement divers scénarii. Selon
Davenport (1993), les méthodes à privilégier pour analyser et réviser des processus
doivent être en mesure de:

Décrire graphiquement les étapes du processus.

Représenter le flux de matériaux et d’informations à travers chaque étape.
Saisir et illustrer le taux de circulation dans le processus, les ressources, le
temps de réalisation des opérations et les événements déclencheurs des
opérations.
Décomposer le processus en niveaux hiérarchiques pour permettre une analyse
selon le degré de détail voulu.
Présenter une interface interactive et conviviale.
Réaliser des simulations en temps réel.
Identifier les goulots d’étranglement et les contraintes du processus.

Les méthodes proposées dans la littérature reprennent les principes posés par Le
Moigne (1977) qui a distingué le système Opérant, le système d’Information et le
système de Décision. Ainsi, trouve-t-on par exemple :

SADT (Structured Analysis and Design Technique) : cette méthode introduit le

principe de décomposition fonctionnelle et formalise le concept d'activité. Elle se
présente comme un langage graphique et un ensemble limité de primitives, de «boîtes»
et de «flèches», pour la représentation des composants des systèmes et des interfaces.

SA-RT (Strutured Analysis-Real Time) : cette méthode est complémentaire à DT en

tenant compte de l'aspect dynamique du système à analyser. L’approche SA-RT élabore
un modèle du système analysé, un modèle de processus statique qui lui est attaché et un
modèle de contrôle dynamique qui en permettra l'utilisation.

31
 Pilotage de processus

IDEFx : la famille de méthode IDEF (Intergation Définition) a été développée par

l'ICAM (Integrated Computer Aided Manufacturing) afin d'analyser et de représenter
les différents aspects d'un système.

IDEF0: IDEF0 est issue de la méthode SADT. Elle est utilisée pour décrire les aspects
fonctionnels d’un système. C'est une méthode conçue dans le but de modéliser les
décisions, les actions et les activités d'un système.

IDEF2: cette méthode permet de modéliser le comportement du système en analysant

les aspects dynamiques. Elle constitue donc un complément à IDEF0.

IDEF3: c’est une méthode spécialement conçue pour la modélisation des séquences
d'activités ou de processus.

MERISE: c’est une méthode de conception et de réalisation des systèmes

d’information d’une entreprise. Elle se base sur trois niveaux constituants le cycle
d’abstraction : le niveau conceptuel, le niveau organisationnel et le niveau physique.

CIMOSA (Computer Integrated Manufacturing Open System Architecture)

(AMICE, 1993): c’est une architecture pour construire des systèmes intégrés de
production. Elle offre des langages de modélisation intégrés pour les aspects
fonctionnels, informationnels, ressources et organisationnels.

GRAI (Graphe de Résultats et Activités Inter reliés) : c’est une méthodologie de

modélisation et d'analyse des systèmes de décision des entreprises de production de
biens ou de services. Elle s'appuie sur deux outils: la grille GRAI et les réseaux GRAI.
La méthode GRAI a été largement utilisée depuis 1981 pour l'analyse et la conception
de systèmes de gestion d'entreprises manufacturières, principalement en gestion de
production.

GIM (GRAI Integrated Method): le cadre de la modélisation GIM a été développé

par le laboratoire GRAI. GIM étend le champ de modélisation à tout le système de
production et non plus seulement au système de décision. Cette méthode introduit
quatre différents domaines de modélisation: processus, information, décision et
physique.

PERA (Purdue Enterprise Reference Architecture): c’est une méthodologie

complète d'ingénierie des environnements industriels développée par le professeur
Williams, Purdue University, USA. Elle est générique vu qu’elle peut être généralisée

32
 Pilotage de processus

au développement de tout système d'entreprise (système industriel, atelier, usine ou

département de toute nature). La méthodologie définit toutes les phases du cycle de vie
d'une entité industrielle depuis sa conceptualisation jusqu'à sa mise en opération.
L'avantage majeur de PERA réside dans l’intégration des aspects humains dans la
méthodologie et de leur positionnement clair dans l'architecture.

GERAM (Generalized Enterprise Reference Architecture and Methodology): c’est

une architecture de référence développée par un groupe de réflexion sur les
architectures pour l'intégration des entreprises (IFAC/IFIP Task Force on Architectures
for Enterprise Integration). GERAM représente une généralisation de CIMOSA, de
GRAI-GIM, de PERA et de quelques autres architectures (ARIS, ENV 40003 et IEM2)

UEML (Unified Entreprise Modelling Language): c’est un projet financé par l’union
européenne afin de créer un groupe de travail UEML visant à :
- faciliter l’interopérabilité entre outils de modélisation d’entreprise en créant un
langage unifié de modélisation d’entreprise en terme d’un ensemble de concepts de
bases,
- construire un démonstrateur,
- préparer le lancement d’un projet pour définir, implémenter, étendre un UEML
complet.

ARIS (Architecture for integrated Information Systems): la structure entière de

cette architecture est similaire à celle de CIMOSA. Toutefois, au lieu de s’appuyer sur
les systèmes CIM, elle traite les entreprises avec des méthodes orientées métiers
(planning de production, inventaires de contrôles, etc.). Elle s’oriente surtout vers
l’ingénierie des logiciels et les aspects organisationnels de la conception des systèmes
intégrés dans l’entreprise.

SCOR (Supply Chain Operation Reference): c’est une technique d’analyse, de

diagnostic, de conception et de mise en oeuvre du Supply Chain Management. Sa
finalité est d’avoir une vision sur l’ensemble de la Supply Chain Management en
facilitant la représentation des flux physiques (matières et flux financiers). Le modèle
SCOR repose sur l’identification de cinq processus de gestion désignées sous les
termes: Plan, Source, Make, Deliver et Return.

EPRE (Entreprise Process Revue Engineering) : cette méthode s’attache à la

description de la « situation avant » et la « situation après » en donnant que peu

33
 Pilotage de processus

d’informations sur le processus de reconfiguration lui-même. Des formulaires sont

développés pour fournir des informations riches sur les tâches, les conditions de
réalisation et les workflow concernant les comportements organisationnels.

UML (Unified Modeling Language): c’est un langage de modélisation orienté objet,

pseudo formel, à base de notations graphiques normalisées. La méthode UML permet
de représenter plusieurs vues complémentaires d’un système, avec plusieurs niveaux
d’abstraction.

FIDO (Fonction Information Dynamique Organisation): L’objectif de cette

méthodologie est de supporter la compréhension, l’analyse, la conception et
l’implémentation de processus, associées au système d’information, aussi bien pour
l’intégration d’une entreprise unique ou d’une partie de celle-ci que pour l’intégration
entre plusieurs entreprises. La méthodologie FIDO comprend un cadre de modélisation
intégré et un ensemble de techniques de modélisation pour la modélisation de
l’entreprise.

Certes, le choix de telle méthode dépend de la finalité identifiée qui peut être:
1. Représentation graphique des processus avec des outils simples à des fins de
documentation ou de communication.
2. Optimisation, simulation et gestion de l’évolution des processus.
3. Implémentation, exécution, intégration et synchronisation des processus.

Dans notre cadre d’étude, l’aide au pilotage d’un processus débute par l’utilisation
de l’une des méthodes de modélisation afin de le décrire, représenter sa structure et son
fonctionnement, en vue d’une meilleure compréhension du système. A cet effet, les
méthodes les plus appropriées sont : ARIS, SCOR, EPRE et la famille IDEF qui
proposent de représenter les modèles de l’entreprise centrés autour des processus mis en
œuvre par cette dernière.

1.4. L’aide à la décision et le Raisonnement à partir de cas

Nous avons montré, précédemment, le besoin de piloter un processus en tant qu’un

système d’aide multicritère à la décision ainsi que la multitude de solutions pouvant
répondre à ce besoin. Cependant, toutes les méthodes développées ne sont pas basées
sur une modélisation des connaissances expertes qui permettra de formaliser, de
préserver et d’exploiter les connaissances et les expériences des employés d’entreprise.

34
 Pilotage de processus

En effet, la fluctuation et le départ des experts engendrent une perte de savoir et savoir
faire, que les entreprises cherchent à pallier par une démarche de gestion de
connaissances. L’expertise capitalisée sera donc à la base de la conception de notre outil
d’aide à la décision. Sa conception passe par la modélisation des connaissances qui se
décline par un modèle de représentation associé à un modèle de résolution de
problèmes. Ce système utilise la méthodologie du raisonnement à partir de cas.

Le raisonnement à partir de cas a été choisi comme méthode de manipulation de

connaissances. En effet, suite à la dynamique des processus et l’apparition de nouveaux
modes organisationnels des entreprises autrefois figées et stables, les informations à
manipuler doivent être fiabilisées. De cette manière, ces informations deviennent des
connaissances et serviront comme la base des systèmes d’aide à la décision ou de
déploiement de compétences stratégiques pour les métiers dans les entreprises.

Ainsi, le raisonnement à partir de cas sera conçu comme un outil d’aide à la

décision utilisant l’expertise capitalisée au sujet du pilotage de processus. La démarche
de capitalisation des connaissances employée s’articule autour d’un cycle formé par
cinq étapes : représentation des cas, recherche des cas similaires, adaptation, révision et
apprentissage.

Dans ce qui suit, il sera introduit la capitalisation des connaissances dans une
première partie en fournissant un cycle de capitalisation des connaissances et en
définissant la notion de mémoire d’entreprise. La deuxième partie sera consacrée à
développer le raisonnement à partir de cas en présentant, ses principes fondamentaux,
détaillant son cycle de déroulement et exposant les principaux projets qui s’y fondent.

1.4.1 Capitalisation des connaissances

Capitaliser les connaissances est définie dans (Grundstein, 2000) comme

« considérer certaines connaissances utilisées et produites par l’entreprise comme un
ensemble de richesses et en tirer des intérêts contribuant à augmenter la valeur de ce
capital ». Matta et al. (2001) considèrent la capitalisation des connaissances comme
« une formalisation d’expérience gagnée dans un domaine spécifique ». Le but est de
« localiser et rendre visibles les connaissances de l’entreprise, être capable de les
conserver, y accéder et les actualiser, savoir comment les diffuser et mieux les utiliser,
les mettre en synergie et les valoriser » (Grundstein, 2000).

35
 Pilotage de processus

[Link] Cycle de capitalisation des

connaissances

Nous optons pour le cycle proposé par Grundstein (2000) vu son adéquation avec
nos objectifs (voir figure 3). Ce cycle est composé de quatre phases :

Manager Repérer

Elaborer une vision Identifier

Promouvoir/Informer/Former Localiser
Organiser/Coordonner Caractériser
Faciliter/Encourager/Motiver Cartographier
Mesurer/Suivre Estimer
Hiérarchiser

Acquérir Evaluer
Modéliser Connaissances Mettre à jour
Préserver Actualiser
Formaliser cruciales Standardiser
Conserver Enrichir

Accéder
Diffuser
Partager
Exploiter
Combiner
Créer

Valoriser

Figure 3. Cycle de capitalisation des connaissances (Grundstein, 2000)

 Repérage : cette phase consiste à repérer les connaissances cruciales en les

identifiant, localisant, caractérisant et hiérarchisant.

 Préservation : ces connaissances doivent être préservées, donc modélisées,

formalisées et conservées.
 Valorisation : il faut rendre ces connaissances accessibles, les diffuser, les faire
partager, les exploiter, les combiner et créer des nouvelles connaissances.
 Actualisation : les connaissances doivent être actualisées, c’est-à-dire évaluées,
mises à jour, et enrichies au fur et à mesure de retours d’expérience.

36
 Pilotage de processus

[Link] Mémoire d’entreprise

Chaque opération de capitalisation des connaissances nécessite l’identification des

connaissances stratégiques à capitaliser. Ces connaissances forment une mémoire
d’entreprise qui devrait être capable de fournir la bonne connaissance à la bonne
personne au bon moment et au bon niveau pour que cette personne puisse prendre la
bonne décision. Van Heijst et al. (1996) définissent la mémoire d’entreprise comme
« représentation explicite et persistante des connaissances et des informations dans une
organisation, afin de faciliter leur accès et leur réutilisation par les membres adéquats de
l’organisation pour leur tâche ». Ces connaissances peuvent porter par exemple sur les
produits, les procédés de production, les clients, les stratégies de vente, les résultats
financiers, les plans et buts stratégiques, etc.

La construction d’une mémoire d’entreprise repose sur la volonté de « préserver,

afin de les réutiliser plus tard ou plus rapidement possible, les raisonnements, les
comportements, les connaissances, même en leurs contradictions et dans toute leur
variété » (Pomian (1996). Différentes méthodes ont été développées afin de faciliter la
construction d’une mémoire d’entreprise comme REX, MEREX, CYGMA, atelier FX et
Componential Framework (pour plus de détails, voir Rasovska, 2006). Généralement, la
mémoire d’entreprise implique :

 Une mémoire technique (métier) composée de référentiel, documents, outils et

méthodes utilisés dans la profession donnée. Parfois, elle est appelée mémoire
professionnelle dans les cas où le savoir faire des employés de l’entreprise y est
compris.
 Une mémoire organisationnelle (de société) appelée aussi mémoire de la société,
elle est composée de l’organisation de l’entreprise, ses activités, ressources
humaines, management, etc.
 Une mémoire individuelle composée de statut, compétences et activités des
employés d’entreprise, occasionnellement de leur savoir faire s’il ne s’agit pas
de la mémoire technique.
 Une mémoire de projet composée de la définition du projet, activités, histoire,
résultats et les expériences capitalisées de ce projet.

37
 Pilotage de processus

1.4.2 Principes fondamentaux du RàPC

Le RàPC est l’objet d’un intérêt grandissant, tant de la part des chercheurs que des
praticiens. Il a pris un essor important au cours de la dernière décennie grâce à de
nombreuses applications commerciales qui se sont avérées fructueuses (voir tableau 3).
C’est un paradigme de raisonnement qui consiste à résoudre des problèmes à partir des
expériences passées en réutilisant les solutions des problèmes passés (Leake, 1996).
Ceci se fait en retrouvant des cas analogues dans sa base de connaissances et en les
adaptant au cas considéré. Le RàPC appartient à deux types de communautés : les
sciences cognitives qui tendent à modéliser les connaissances, les expériences et le
raisonnement d’un être humain et les systèmes d’intelligence artificielle qui adoptent le
raisonnement humain pour l’apprendre aux machines automatiques artificielles.

Parce qu’elle repose sur l’expérience, nous faisons généralement recours à cette
méthode lorsque le domaine étudié est peu formalisable ou les problèmes ne sont pas
bien compris. La méthode est aussi intéressante lorsque différents points de vue sont en
compétition, et où les experts eux-mêmes utilisent des cas concrets dans leur
argumentation, dans l’enseignement, dans l’explication et dans la planification. Notre
étude commence, tout d’abord, par un historique. Elle présente, ensuite, les différentes
terminologies liées au RàPC. Puis, elle expose des modèles de RàPC. Enfin, elle aborde
certaines typologies.

[Link] Historique

Les travaux initiaux sur le RàPC remontent aux expériences de Schank (1982). Ce
dernier considère le processus de compréhension comme un processus d’explication qui
s’applique d’une manière itérative (Mille, 1999). Il a développé la théorie de la
mémoire dynamique selon laquelle les processus cognitifs de compréhension, de
mémorisation et d’apprentissage utilisent une même structure de mémoire connue
comme « Memory Organisation Packets » (MOP). Selon lui, la mémoire dynamique est
un réseau dense d’expérience au degré de généralité varié représenté à l’aide de
schémas de représentation de connaissances tels que des graphes conceptuels et des
scripts. R. Schank est considéré comme l’auteur du terme « Case-Based Reasoning ».

38
 Pilotage de processus

Anderson (1983) a prouvé que les individus utilisent les cas passés comme des
modèles lorsqu’il s’agit d’apprendre à résoudre des problèmes, en particulier au début
de l’apprentissage. Kolodner (1983) indique qu’il y a des résultats montrant que
l’utilisation de cas passés est une méthode prédominante de résolution de cas chez les
experts. Souvent, le RàPC et le raisonnement par analogie sont utilisés comme des
synonymes. Le raisonnement par analogie consiste à appliquer, moyennant adaptation,
les connaissances d’un domaine connu, pour un domaine où les connaissances sont
insuffisantes. Le RàPC peut être considéré comme un raisonnement par analogie intra-
domaine. Il est basé sur l’hypothèse que des problèmes similaires d’un même domaine
ont des solutions similaires.

Les recherches dans le domaine du RàPC ont vu le jour aux Etats-Unis, notamment
avec les conférences « DARPA » qui ont débuté en 1988 (Kolodner, 1988). Elles se sont
répandues en Europe à partir de 1993 à Kaiserslautern (Richter et al., 1993). C’est grâce
au livre de Janet Kolodner (Kolodner, 1993) que cette méthode s’est imposée à un large
publique. Elle a développé le premier système nommé CYRUS qui a implémenté le
modèle de la mémoire dynamique de R. Schank.

[Link] Terminologies liées au RàPC

Actuellement, le RàPC est un parmi un ensemble de termes utilisés pour se référer

aux systèmes de ce type. Avant de définir certains termes liés au RàPC, nous allons
juste nous attarder sur le terme « résolution d’un problème ». En fait, la résolution d’un
problème n’est pas nécessairement l’obtention d’une solution concrète à un problème
d’application, il peut être n’importe lequel mis en avant par l’utilisateur. Par exemple, il
peut s’agir d’une justification ou critique d’une solution proposée par l’utilisateur,
d’une interprétation, d’une situation d’un problème, d’une génération d’un ensemble de
solutions possibles ou d’une prévision de données observables (Aamodt et Plaza, 1994).

Raisonnement à base d’exemplaires

La résolution d’un problème est une tâche de classification qui correspond à la

recherche de la bonne classe pour l’exemplaire non classé. L’ensemble des solutions

39
 Pilotage de processus

contenues dans cette classe devient la solution du nouveau problème. La modification

d’une solution trouvée est en dehors de la compétence de cette méthode.

Raisonnement à base d’instances

C’est un cas particulier du raisonnement à base d’exemplaires dans une approche

RàPC fortement syntaxique. Pour compenser le manque de guide de la part de la
connaissance générale, un nombre relativement important d’instances est nécessaire
afin de se rapprocher de la définition du concept. La représentation des instances est
souvent simple (exemple : vecteur de caractéristiques).

Raisonnement à base de mémoire

Cette approche souligne une collection de cas en tant qu’une mémoire large et
raisonne comme un processus d’accès et de recherche dans cette mémoire.
L’organisation de mémoire est au centre des méthodes à base de cas. La parallèlisation
entre méthodes de recherche et méthodes d’accès est une caractéristique de ces
méthodes et distingue cette approche des autres. Les méthodes d’accès et de stockage
peuvent se fonder sur des critères purement syntaxiques comme elles peuvent tenter
d’utiliser la connaissance générale du domaine.

Raisonnement à base de cas

Bien que le RàPC soit employé comme terme générique, les méthodes de RàPC
typiques ont certaines caractéristiques qui les distinguent des autres approches
énumérées ici. En effet, un cas typique est toujours assumé d’avoir un certain degré de
richesse et une certaine complexité en ce qui concerne son organisation interne. Ainsi,
un vecteur de facteurs ayant quelques valeurs et une classe de correspondance n’est pas
ce que nous pouvons appeler une description typique de cas. En plus, avec ces
méthodes à base de cas typiques, une solution recherchée peut être modifiée ou adaptée
une fois qu’ elle est appliquée dans un contexte différent de résolution de problèmes.

40
 Pilotage de processus

Raisonnement à base d’analogie

Ce terme est souvent utilisé pour caractériser les méthodes qui résolvent de
nouveaux problèmes basés sur des cas passés de domaines différents. Il est donc
concerné par des mécanismes pour l’identification et l’utilisation des analogies inter-
domaines. L’intérêt de la méthode est de trouver une manière de transférer la solution
d’un analogue identifié appelé source ou base au problème actuel appelé cible.
Pour la suite de notre thèse, nous retenons le terme RàPC comme terme générique qui
couvre les différents termes définis ci-dessus.

[Link] Modèles du RàPC

Les modèles pour le RàPC peuvent être regroupés en trois familles : structurelle,
conversationnelle et textuelle (Lamontagne et Lapalme, 2002).

Modèle structurel

Dans ce modèle, le concepteur du système détermine à l’avance les caractéristiques

nécessaires pour décrire un cas. Ceci nécessite bien évidemment un modèle de données
du domaine applicatif élaboré par le concepteur. Ce modèle présente des cas bien
structurés décrits par des paires <attribut, valeur> (voir figure 4). En fait, un attribut est
une caractéristique déterminante du domaine d’application, structurée souvent sous
forme d’entier, réel, booléen et symbole. La représentation des cas peut être sur un seul
niveau (plate) ou sur plusieurs niveaux (hiérarchiques). La similarité entre deux cas est
mesurée en fonction de la distance entre les valeurs des mêmes attributs. La similarité
globale est souvent évaluée par une somme pondérée de la similarité de chacun des
attributs accordés chacun par un poids selon son importance. Quand à l’adaptation, tous
les travaux correspondant sont menés sur le modèle structurel. Elle peut varier d’un
remplacement de la valeur d’un attribut jusqu’à la transformation radicale d’une
solution.

Figure 4. Exemple de structuration d’un cas en RàPC structurel (Lamontagne et Lapalme, 2002)

41
 Pilotage de processus

Modèle conversationnel

Il est actuellement le modèle le plus populaire dans les applications commerciales

du RàPC. Le modèle RàPC conversationnel se base sur l’interaction entre l’usager et le
système, d’où la notion de « conversation ». En effet, pour certains domaines comme le
service de la clientèle, il est difficile de bien caractériser une situation à l’aide de
valeurs numériques ou symboliques comme dans le modèle structurel. Ainsi, la
conversation permet de définir progressivement le problème à résoudre et de
sélectionner ensuite les solutions les plus adéquates. Un cas conversationnel s’articule
autour de trois parties (voir figure 5) :

Un problème : il est présenté par une brève description textuelle de quelques lignes.

Une série de questions et de réponses : le problème est aussi décrit par des index,
exprimés sous forme de questions. A chaque question est accordé un poids reflétant son
importance par rapport au cas.

Une action : elle représente une description textuelle de la solution à mener pour ce
problème. Cette description est ouverte, elle n’est pas structurée (« free text »).

Figure 5. Exemple de cas pour le modèle conversationnel (Lamontagne et Lapalme, 2002)

Nous constatons que cette représentation de cas est une extension du modèle
structurel. Les attributs prennent trois types précis : description, questions, actions où la
notion d’index est étendue à la notion de questions, ce qui permettra d’interroger
l’usager. En revanche, le modèle ne présente pas de phase d’adaptation étant donné que
la solution de cas n’est pas structurée.

Modèle textuel

Ce type de modèles est relativement récent. Aucune représentation standard ne s’est

établie pour le modèle textuel. Dans un modèle textuel, il s’agit de résoudre un
problème à partir d’expériences dont la description se trouve dans des documents
textuels. Les cas textuels peuvent être non-structurés ou semi-structurés. Ils sont non-
structurés lorsque leur description est complètement en texte libre (« free-text »). Ainsi,
un cas non-structuré est un cas dont l’unique attribut est textuel. Les cas sont semi-

42
 Pilotage de processus

structurés si le texte est représenté par plusieurs portions étiquetées par des descripteurs
tels que « problème », « solution », etc. Ainsi, un cas textuel semi-structuré est un cas
dont un sous-ensemble de ses attributs est textuel. La représentation textuelle des cas
peut être une finalité en soi, par exemple, obtenir le texte d’un jugement légal qui
servira de jurisprudence à une nouvelle cause. Elle permet aussi de décrire une situation
et une solution difficilement codifiées par un schéma de représentation de
connaissances.

[Link] Typologies d’application du RàPC

La médecine, le commerce, les services de consultation, le domaine juridique, la

maintenance, le contrôle et l’analyse financière sont autant de domaines dont émerge
l’application des systèmes de RàPC. Au début de la dernière décennie, le RàPC se
révèle comme une précieuse technique pour la mise en œuvre d’application
commerciale pour différentes tâches telles que la classification, le diagnostic, la
planification, le design, l’interprétation, la justification, l’aide à la décision, la recherche
des documents, la configuration, la gestion des connaissances.

Les modèles et méthodes des systèmes de RàPC doivent être adéquats au domaine
ou application auxquels ils s’appliquent. Bichindaritz (1994) distingue deux classes
d’application pour les systèmes de RàPC :

RàPC de résolution : il tente de rechercher la solution d’un problème précis. Sa mission

est de trouver un chemin grâce à un ensemble d’actions ou d’inférences parmi les
données d’un problème et une ou plusieurs solutions. Les systèmes de résolution
incluent les tâches de planification, diagnostic et design.

RàPC d’interprétation : il interprète une nouvelle solution en se basant sur un ensemble

de situations mémorisées. Sa mission est d’évaluer des situations ou des solutions. Elle
consiste donc à comparer et contraster des cas pour interpréter une situation. Les
systèmes interprétatifs incluent les tâches de classification, évaluation, justification,
interprétation.

Selon Althoff et al. (1995), la décomposition doit dépendre du type de la tâche

réalisée. A cet égard, il présente les systèmes qui se rattachent à la tâche de

43
 Pilotage de processus

classification : prédiction, évaluation, help desk, diagnostic et les systèmes qui se

rattachent aux tâches de planification/synthèse : planification, configuration, design.

Quant à Richter (2006), il s’oriente vers une classification conventionnelle selon

laquelle il distingue les systèmes de résolution de problèmes qui comprennent les tâches
analytiques comme diagnostic, classification, aide à la décision, prévision et les
systèmes de prise de décision qui comprennent les tâches synthétiques comme design,
planification, configuration.

La distinction présentée par Althoff (2001) porte sur les applications de type
classification, diagnostic, aide à la décision et gestion des connaissances :

Classification : il s’agit de sélectionner une ou plusieurs classes afin de trouver la

solution du problème qui représente le résultat de classification. Le processus de
classement nécessite des informations devant être disponibles. L’évaluation du risque,
l’analyse des données et l’estimation des coûts représentent des exemples pour ce type
d’application (Althoff, 2001).

Diagnostic : les informations nécessaires ou encore symptômes ne sont pas

obligatoirement connues. C’est à l’aide d’un processus de diagnostic que ces
informations peuvent être recherchées. Ainsi, la connaissance générale du domaine
s’avère nécessaire afin de guider ce processus. Les exemples pour ce type d’application
sont les systèmes de diagnostic technique ou médical.

Aide à la décision : ce système distingue entre les symptômes et les solutions de

problème ce qui n’est pas souvent évident. C’est lors du processus de résolution de
problèmes que l’objectif sera défini. La recherche d’une bonne stratégie, d’une maison
à acheter, d’un voyage de dernière minute, etc. peuvent servir d’exemples.

Gestion des connaissances : La complexité de ce type d’application rend nécessaire

l’intégration de différentes méthodes de raisonnement (Althoff, 2001).

A la lumière de ces quatre niveaux hiérarchiques, nous précisons que le RàPC sera
utilisé dans notre thèse comme un système d’aide à la décision afin de parvenir aux
meilleures actions à entreprendre au sein d’un processus. Certes, certaines
connaissances particulières s’avèrent utiles pour la mise en œuvre d’un outil d’aide à la
décision basé sur le RàPC. Les différentes connaissances (« Knowledge
containers ») utilisées par un système de RàPC sont regroupées en quatre catégories
(Richter, 1995) illustrées dans la figure 6.

44
 Pilotage de processus

Vocabulaire d’indexation : il est constitué par l’ensemble d’attributs qui décrivent de la

manière la plus pertinente un cas. Ils servent donc à caractériser la description de
problèmes et de solutions du domaine. La sélection de ces attributs est une tâche
délicate vu son rôle dans la phase de recherche.

Base de cas : l’ensemble des expériences forme une base de cas. Les cas seront
exploités dans les étapes futures du RàPC.

Mesures de similarité : c’est l’ensemble de fonctions utilisées afin de mesurer la

similarité entre deux ou plusieurs cas. Ces mesures sont représentées par des index pour
faciliter la recherche dans la base de cas. Les connaissances relatives aux mesures de
similarité comptent surtout sur l’expertise souvent difficile à modéliser.

Connaissances d’adaptation : c’est l’ensemble des heuristiques du domaine

généralement structurées sous forme de règles. Elles permettent de modifier les
solutions et de tester leur adéquation à de nouvelles situations.

Nous pouvons regrouper les modèles de décision utilisés en deux principales

catégories :

Les modèles quantitatifs qui essaient de déterminer les poids des critères des différents
cas de la base.

Les modèles qualitatifs qui tirent leur profit des connaissances des experts et des
méthodes de raisonnement fondées sur des règles de production.

L’approche RàPC peut être considérée comme une voie intermédiaire entre les
méthodes qualitatives et les méthodes quantitatives (Colloc et Bouzidi, 2001). En effet,
les méthodes quantitatives permettent au RàPC de sélectionner automatiquement les
meilleures caractéristiques pour indexer correctement les cas passés résolus. Et les
méthodes qualitatives permettent de représenter l’expérience acquise suite à la
résolution de cas antérieurs.

45
 Pilotage de processus

Ces modèles de décision peuvent aussi être traités d’un autre point de vue, celui des
méthodes d’apprentissage employées et regroupées aussi en deux catégories. La
première correspond à l’apprentissage supervisé où la bonne solution est fournie par un
ou plusieurs experts. La deuxième correspond à l’apprentissage non-supervisé où le
système détermine lui-même les caractéristiques pertinentes pour représenter la
situation en question.

Sources de connaissances

Mesures Connaissances Base

Vocabulaire de similarité d’adaptation de cas

Connaissances
d’interprétation
Connaissances
de résolution

Figure 6. Conteneurs de connaissance (Richter, 1995)

1.5. Cycles du Raisonnement à Partir de Cas

Le RàPC permet d’appréhender la résolution de problèmes courants pour lesquels

les connaissances ne sont pas suffisamment formalisées à partir d’expériences. Le cadre
pour décrire le cycle de RàPC a deux parts principales (Aamodt et Plaza, 1994) :

Un modèle de processus du cycle de RàPC.

Une structure de méthodes - tâches.

46
 Pilotage de processus

Les deux modèles sont complémentaires et représentent deux voies du RàPC. Le

premier est un modèle dynamique qui identifie les principaux sous-processus d’un cycle
de RàPC ainsi que leur interdépendances. Le second décrit une décomposition de
tâches. Dans notre thèse, nous nous intéressons à la première voie étant donné sa grande
popularité et sa diversité d’application dans divers domaines.

Problème

Recherche

Anciens cas

Apprentissage Base de cas Adaptation

Connaissance
du domaine
Nouveau
cas

Solution Révision
validée
Solution
adaptée
Solution
Figure 7. Principales étapes dans le processus d’un système de raisonnement à partir de cas

Dans la littérature, le cycle de RàPC est décomposé en trois, quatre ou cinq phases.
Fuchs et al. (2006) distingue les étapes de recherche de cas similaires, adaptation et
apprentissage. Aamodt et Plaza (1994) ajoute la phase de révision entre les phases
adaptation et apprentissage. Mille (1999) à son tour, complète le processus en ajoutant
l’étape de représentation de cas dans une base de cas (voir figure 7).

Nous décrivons ci-dessous les cinq phases du RàPC tout en présentant certaines
méthodes utilisées dans chaque phase.

47
 Pilotage de processus

1.5.1 Représentation de cas

La représentation de cas constitue une étape fondamentale dans un système de

RàPC. En effet, ce dernier dépend fortement de la structure et du contenu de la
collection de cas souvent désigné sous le nom de mémoire de cas. Puisqu’un nouveau
problème est résolu en rappelant une expérience passée appropriée, la recherche de cas
similaires doit donc être à la fois efficace et rapide. Il s’avère donc primordial de choisir
les informations à stocker dans chaque cas et la forme correspondante afin de décider
comment la mémoire de cas devrait être organisée et classée pour une récupération et
une réutilisation de cas efficace.

Structure d’un cas : Un cas représente une expérience décrite par un ensemble de
conjonctions de descripteurs qui peuvent être de différents types d’informations :

La description du problème.
La solution et les étapes qui y ont mené.
Le résultat de l’évaluation.
L’explication des échecs.

Bien évidemment, chaque cas doit au moins contenir : la description du problème et

la solution menée afin de remédier à ce problème. Les caractéristiques les plus
discriminantes seront utilisées en tant qu’index pendant la recherche et l’ajout de cas.

Mille (1995) définit un cas comme une succession de trois étapes :

La synthèse : trouver une structure sous certaines exigences.
L’analyse : trouver le comportement découlant d’une structure particulière.
L’évaluation : vérifier que le comportement est conforme à ce qui est attendu.

Selon Fuchs et al. (2006), un cas est la description informatique d’un épisode de
résolution de problème. Généralement, il prend la forme d’une liste de couples attribut-
valeur. Chaque couple désigne une caractéristique. Certains types peuvent marquer les
attributs à savoir :

Type classique : texte, entier, réel, booléen, date.

Type symbole : il explicite une liste de symboles stockés dans un arbre. La
racine de l’arbre représente le symbole le plus général et les feuilles les
symboles les plus spécifiques.
Type cas : il référence des cas qui sont des sous parties du cas considéré.

48
 Pilotage de processus

Type formule : la valeur de cet attribut se déduit à l’aide d’une formule.

Type liste : ce type correspond à une liste d’objets utilisant les types précédents.

Organisation de la mémoire : un autre problème qui se pose est celui d’organisation de

la mémoire afin de rallier les cas. Il s’agit donc de construire un modèle qui assure
l’accessibilité aux anciens cas. Un système de RàPC devient de plus en plus important
au fur et à mesure que la base de cas se remplit. Par conséquent, il faut envisager une
solution permettant de sélectionner rapidement les cas similaires. Pour cela, nous
faisons généralement recours à l’indexation. L’ordonnancement de cas se fait de
plusieurs manières dont les plus importantes sont : le modèle à mémoire dynamique et
le modèle à base de catégories. Avant de présenter ces deux modèles, nous
commençons par le modèle simple.

Modèle simple : ce modèle correspond à une organisation linéaire où la mémoire prend

la forme d’un arbre de décision. Chaque nœud représente une question sur l’un des
index et les fils correspondent aux différentes réponses. L’arbre doit être construit
d’une façon dynamique tout en posant les questions dans le bon ordre et étant le moins
profond possible. La mémoire peut aussi être construite sous la forme d’une hiérarchie
de prototypes où chacun décrit des conditions sur des caractéristiques des cas. Ainsi, un
prototype rallie tous les cas vérifiant ces conditions. L’organisation de prototypes est
une hiérarchie d’héritage. Cette dernière combinée aux arbres de décision donne lieu à
une structure plus intéressante illustrée dans la figure 8.

49
 Pilotage de processus

Racine

Hiérarchie
Prototype Prototype Prototype
de
prototypes

Prototype Prototype

Arbre de
décision

Cas

Figure 8. Modèle hiérarchique de prototypes

Modèle dynamique : ce modèle a été fondé par Robert Schank et Janet Kolodner. Dans
ce modèle, la mémoire de cas a une structure hiérarchique appelée épisode généralisé et
désignée aussi sous le nom « Memory Organisation Packets » (MOP). L’idée consiste à
regrouper les cas spécifiques qui partagent des propriétés semblables dans une structure
plus générale (un épisode généralisé). Ils contiennent trois types d’objets (voir figure 9).
Le premier est représenté par les normes qui sont les caractéristiques communes à
chacun des cas indexés sous l’épisode généralisé. Le second correspond aux index qui
sont les éléments discriminant les cas contenus dans l’épisode généralisé. Un index
possède deux champs : son nom et sa valeur. Il peut guider à un autre épisode ou
simplement à un cas. Le troisième représente la connaissance du système. C’est par
l’intermédiaire d’index que nous pouvons accéder aux différents cas.

50
 Pilotage de processus

Episode généralisé 1

Normes des cas

Index 1 Index 2 Index 3 Index 4

Valeur 1 Valeur 2 Valeur 3 Valeur 4

Episode généralisé 2
Cas1 Cas 2
Norme de 1 3 4 5

Index 5 Index 6 Index 3

Valeur 5 Valeur 6 Valeur 3 Valeur 7

Cas 3 Cas 4 Cas 1 Cas 5

Figure 9. Modèle dynamique

Les épisodes généralisés sont principalement des structures d’indexation. Les normes
représentent une connaissance générale des cas sous-jacents. Les couples index-valeur
définissent les spécificités. Le schéma d’indexation est redondant vu qu’il y a de
multiples chemins à un épisode généralisé. La recherche des cas similaires commence à
partir du nœud racine. Nous cherchons d’abord l’épisode généralisé qui a le plus de
caractéristiques en commun avec le problème courant.
Nous parcourons ensuite les index pour sélectionner le couple index - valeur le plus
similaire avec le problème. Avec ce couple, ou bien nous atteignons un autre épisode
généralisé et donc le processus sera déclenché de nouveau, ou bien nous obtenons un
cas similaire au problème posé. Le nouveau cas décrit à son tour par un couple index -
valeur sera ajouté à l’épisode généralisé. S’il existe déjà un cas possédant le même
couple, un nouvel épisode généralisé, contenant ces deux cas, sera crée. A cet effet, ce
processus d’indexation peut mener à une croissance exponentielle du nombre d’index

51
 Pilotage de processus

par rapport au nombre de cas. Il sera donc nécessaire d’imposer certaines limites dans le
choix des index.

Modèle à base de catégories : dans ce modèle, la base de cas est un réseau de

catégories et de cas. Les index sont des liens qui peuvent être de trois sortes : de rappel
reliant une caractéristique à une catégorie ou un cas, d’exemple reliant une catégorie
aux cas auxquels elle est associée, de différence reliant deux cas ne différant que d’un
nombre restreint de caractéristiques. La figure 10 montre les différents types de liens
disponibles. La recherche de cas similaires consiste à retrouver la catégorie qui a les
caractéristiques les plus proches du nouveau problème. A partir de cette catégorie, les
cas les plus prototypiques seront similaires.

Caractéristique 1 Caractéristique 2 Caractéristique 3 Caractéristique 4

Catégorie 1

Exemple fortement Exemple faiblement

prototypé prototypé

Différence Caractéristique 1
Exemple 1 Exemple 2
Différence Caractéristique 2
Caractéristique 3
Figure 10. Modèle à base de catégories

Nous constatons que l’organisation de la mémoire est une étape très importante vu
qu’elle conditionne les autres étapes du RàPC. Mille et al., (1996) affirment qu’il faut
avoir un équilibre entre les méthodes de stockage de cas et les méthodes d’accès aux
cas appropriés.

1.5.2 Recherche de cas similaires

La recherche de cas similaires dépend de la représentation de cas, de leur indexation

et de leur organisation dans la base de cas. Cette étape se décompose en deux phases : le
filtrage et la sélection. Le filtrage est une étape facultative. Elle consiste à réduire le

52
 Pilotage de processus

nombre de cas utilisés dans la recherche. Il existe différents algorithmes mais ceux-ci
dépendent du type de représentation des cas abordé. La sélection se fait à partir de
l’ensemble de cas obtenus dans l’étape de filtrage. Elle s’appuie sur des mesures de
similarité qui permettent de mesurer la similarité entre le problème posé et les cas
candidats. L’objectif de ces mesures de similarité est de chercher dans la base de cas le
cas le plus proche du problème actuel, d’où, la notion de degré de similarité
correspondant à la fonction d’utilité/adaptabilité de la solution

Les mesures de similarité peuvent être locales ou globales. Elles sont locales lorsque
les mesures sont relatives aux caractéristiques de cas. Elles s’inspirent généralement de
la notion de distance et dépendent du type de descripteur qu’il soit numérique,
symbolique ou taxonomique :
a b
Numérique : sim (a, b) = 1- où range est la valeur absolue de la
range

différence entre la borne supérieure et la borne inférieure de l’ensemble des

valeurs.

1 si a b
Symbolique : sim (a, b) = 0 si a b

h ( commonnode ( a , b ))
Taxonomique : sim (a, b) = où h est le nombre de
min ( h ( a ), h ( b ))

niveaux dans l’arbre taxonomique (dans l’hiérarchie) (Yang et al., 2005).

Le Bozec et al. (2000) distingue entre la similarité de surface qui ne tient compte
que des attributs des cas et la similarité structurelle qui tient compte des relations entre
les attributs correspondants. Les mesures globales sont les mesures relatives aux cas. Il
s’agit d’agréger les similarités locales afin de trouver une similarité globale. Plusieurs
mesures peuvent être utilisées dans différents domaines, telles que :
n

- Weighted block-city: sim (a, b) = w i sim i ( a i , b i )

i 1

1
n 2
1 2
- Mesure euclidienne: sim (a, b) = sim i ( a i , b i )
n i 1

1
n r
1 r
- Mesure de Minkowski : sim (a, b) = sim i ( a i , b i )
n i 1

53
 Pilotage de processus

où n est le nombre d’attributs.

wi est le poids de l’attribut i évalué selon son importance.
simi est la similarité locale calculée pour l’attribut i.

La recherche de cas similaires peut être effectuée par plusieurs algorithmes dont les
plus importants sont :

Algorithme du K plus proches voisins (KPPV) : c’est la méthode la plus répandue

dans la recherche de cas similaires. Elle permet de mesurer la similarité entre le
problème posé (cas cible) et k cas candidats (cas sources) considérés comme étant les
plus proches.

Approches inductives : elles tentent à discriminer les cas par la sélection de

caractéristiques pertinentes. Ceci mène à une structure arborescente de décision qui
sert à organiser les cas dans la mémoire. L’approche KD-arbres constitue une
combinaison du RàPC avec l’induction. Elle s’appuie sur les arbres de décision et
cible essentiellement les tâches de diagnostic et d’aide à la décision.

Induction basée sur la connaissance : cette approche exploite la connaissance dans le

processus d’induction et représente manuellement les caractéristiques des cas.

Recherche basée sur la structure (template retrieval) : elle s’inspire des requêtes SQL
où l’algorithme recherche des cas correspond à certains paramètres.

Pour que la sélection de cas soit la plus optimale, il n’est pas nécessaire de
découvrir les cas les plus similaires au problème mais plutôt ceux qui sont les plus
utiles à sa résolution. Ainsi, tous ces algorithmes de recherche des cas similaires
doivent sélectionner :

Les cas qui résolvent une partie des buts du problème.

Les cas qui partagent le plus de caractéristiques importantes.
Les cas les plus spécifiques.
Les cas les plus utiles.
Les cas les plus récents.
Les cas les plus faciles à adapter.

54
 Pilotage de processus

1.5.3 Adaptation

Après avoir sélectionné les cas les plus proches du problème actuel, le système
RàPC doit aider le décideur à modifier et réutiliser les solutions de ces cas. Trois types
d’adaptation peuvent être envisagés : l’adaptation par copie, l’adaptation manuelle et
l’adaptation automatique. Cette dernière se fait par l’intermédiaire d’algorithmes, de
formules, de règles, etc. et présente différents types résumés dans la figure 11 (Wilke et
Bergmann, 1998) :

- Adaptation simple : dans ce cas, la solution du cas similaire sera directement utilisée
comme solution du problème courant. Ainsi, nous considérons que les similarités sont
suffisantes et que les différences entre le cas trouvé et le problème peuvent être
négligeables.

- Adaptation transformationnelle : ce type d’adaptation ne prend pas en compte la

manière avec laquelle les solutions des cas similaires ont été générées. Il utilise un
ensemble de règles d’adaptation pour transformer les solutions des cas candidats. Ces
lois dépendent du domaine d’application du système RàPC. L’adaptation peut être par
substitution dont les modifications se font au niveau des valeurs d’attributs comme elle
peut être structurelle dont les changements se font au niveau de la structure de la
solution.

- Adaptation dérivative : ce type d’adaptation peut être utilisé lorsque l’on dispose, pour
chaque cas de la base, du chemin qui mène à la solution. L’adaptation dérivative adopte
les chemins menant aux solutions des cas sélectionnés pour le nouveau problème afin
d’en construire sa nouvelle solution.

- Adaptation compositionnelle : elle s’inspire de l’ensemble des cas similaires pour

l’adaptation.
- Adaptation hiérarchique où les cas sont classés dans une hiérarchie. Cette approche
permet à des cas d’être réutilisés avec un niveau d’abstraction le plus élevé possible.
Ceci les rend facilement adoptés pour une nouvelle solution. Pour adapter les sous
parties d’une solution, le système revient au contexte de la solution générale.

55
 Pilotage de processus

Cité par Rasovska (2006), il existe d’autres types d’adaptation possibles parmi
lesquels la remémoration guidée par l’adaptation (Smyth et Keane, 1996), l’adaptation
mémoire (Leake et al., 1996), l’adaptation plan (Koehler, 1996), l’analogie par
dérivation (Carbonell, 1986) et l’analogie par transformation (Veloso, 1994).

Adaptation

Par copie Manuelle Automatique

Simple
Par substitution

Transformationnelle
Structurelle
Dérivative

Compositionnelle

Hiérarchique

Autres types

Figure 11. Types d’adaptation dans les systèmes de RàPC

1.5.4 Révision

Cette étape est généralement externe au RàPC. D’ailleurs, il n’existe pas encore de
méthodes standardisées dédiées à la révision. Lors de cette étape, la solution du
problème générée après la phase d’adaptation est testée. Ce test peut s’effectuer de
plusieurs manières (Mille, 1999). En effet, la solution peut être essayée dans le monde
réel ou bien selon le domaine, nous pouvons faire appel à un logiciel de simulation ou à
un expert.

La phase de révision consiste à déterminer les raisons de l’échec tout en expliquant

pourquoi certains buts n’ont pas été atteints. De cette manière, le système ne répétera
pas ses erreurs pendant les prochaines générations de solutions. Ainsi, le système sera

56
 Pilotage de processus

capable de réparer la solution puisqu’il a déjà détecté les raisons de l’échec. Cette étape
de réparation peut être considérée comme une autre forme d’adaptation. La seule
différence est que dans la réparation, nous partons d’une solution incorrecte mais
adaptée au problème au lieu de solutions correctes inadaptées. D’où, la révision s’avère
déterminante pour l’apprentissage du système et son évolution.

1.5.5 Apprentissage

C’est la dernière phase du cycle du RàPC. Pendant cette phase, le nouveau cas ainsi
que sa solution vont être ajoutés à la base de cas afin de l’optimiser. Il s’avère donc
nécessaire de sélectionner les informations pertinentes qui méritent d’être sauvegardées
et de la forme et la manière selon lesquelles le nouveau cas va s’introduire dans la base.

Certes, la mémorisation d’un nouveau cas résolu permet d’enrichir la base de

connaissances (Mille, 1999). Si un cas a été résolu sans recours aux anciens cas, par
exemple, grâce aux connaissances d’un expert, il sera automatiquement ajouté à la base.
Par contre, si un cas a été résolu à l’aide de cas préexistants, il ne sera pas
obligatoirement rajouté à la base de cas. Par exemple, le cas antérieur, origine de la
nouvelle solution, peut être généralisé. Autrement dit, ce nouveau cas peut être introduit
à une catégorie ou à un épisode généralisé.

D’abord, il est nécessaire de stocker les caractéristiques et la solution du problème.

Evidemment, les caractéristiques facilement déductibles ou sans intérêt peuvent être
négligées. Il est aussi utile de garder les explications du raisonnement qui a aboutit à la
solution, ce qui permettra d’utiliser l’adaptation dérivative. Les échecs ou les
raisonnements incorrects peuvent également être sauvegardés.

Ensuite, il faut décider du type d’index qui sera utilisé par le système afin de
retrouver ce cas à partir de la base. La majorité des méthodes exploitent toutes les
caractéristiques. D’autres méthodes cherchent dans la base les caractéristiques les plus
discriminantes avec le cas à ajouter.

Enfin, il s’agit d’introduire le nouveau cas dans la base. Lors de cette étape,
l’indexation des cas existants va être modifiée pour que le système détecte plus
facilement les similitudes dans la recherche des cas similaires. A cet égard, certaines
caractéristiques vont être privilégiées au détriment d’autres. En effet, le poids d’un

57
 Pilotage de processus

index menant à un cas utile dans la construction de la solution sera augmenté. Par
contre, le poids d’un index menant à un cas qui conduit à un échec sera diminué.

Toutes ces étapes de la phase d’apprentissage peuvent faire l’objet d’une seule étape
générale soit la maintenance de la base de cas. La maintenance de la base de cas
constitue le processus d’affinement de la base de cas d’un système de RàPC. Elle trace
le chemin nécessaire pour réviser le contenu de la base de cas afin de faciliter le
raisonnement futur (Leake et Wilson, 1998). Cette maintenance de la base de cas peut
être évaluée par deux critères à savoir : la performance du système mesurée par le
temps nécessaire pour proposer une solution et la compétence mesurée par le nombre de
problèmes différents résolus correctement par le système (Rasovska, 2006).

La plupart des travaux menés pour la maintenance de la base de cas ont développé
des méthodes pour réduire la taille de la base de cas tout en maintenant sa compétence
(Smyth et McKenna, 1999). Smyth et Keane (1995) ont choisi de contrôler la
croissance de la base de cas par des suppressions de cas. Alors que Yang et Zhu (2001)
ont généré une nouvelle base de cas réduite par l’ajout de cas. Yang et Wu (2000) ont
partitionné la base de cas en groupes de petites bases pour que la recherche de cas soit
moins coûteuse.

1.6. Domaines d’application du RàPC

Dressons un tableau (voir tableau 2) présentant quelques applications industrielles
existantes, afin de montrer l’abondance des projets qui mettent en œuvre le RàPC ainsi
que la diversité des domaines concernés.
Tableau 2. Projets à base de raisonnement à partir de cas
Domaines Types d’application Exemples de systèmes
Médecine Diagnostic Protos (Bareiss et al., 1993)
Aide à la décision Kasimir (D’Aquin et al., 2004)
Discipline juridique Aide à la décision Hypo (Ashley, 1990)
Aviation aérospatiale Design Drama (Wilson et Bradshaw, 2000)
Diagnostic des pannes CaseLine (Watson et Marir, 1994)
Recettes de cuisine Planification Chef (Hammond, 1986)
Systèmes industriels Diagnostic des pannes Checkmate (Grant et al., 1996) Creek
Aide à la décision (Aamodt, 2004)
Conception Patdex (Richter et al., 1993)
Pad’im (Mille, 1995)
Déjà Vu (Smyth et Keane, 1996)
Chimie Design et maintenance Maic (Pieri et al., 2001)
Planification Resyn / RàPC (Lieber, 1997)
Finance Estimation de coûts COCOMO’81 (Gulezian, 1991)

58
 Pilotage de processus

1.7. Synthèse de l’analyse bibliographique

D’après ce qui précède, nous constatons que le pilotage conduit à suivre un ou

plusieurs plans d’action dans le but d’atteindre les objectifs. Il faut donc prendre des
décisions qui consistent à choisir, trier ou classer parmi un ensemble de solutions. Elles
peuvent aussi consister à mettre en œuvre des nouvelles solutions. Dans tous les cas, ces
décisions s’effectuent généralement à partir d’un ensemble d’indicateurs à l’origine de
critères multiples. Le système de pilotage doit donc être conçu comme un système
d’aide multicritère à la décision.

Nous concluons aussi qu’un système de pilotage doit contenir les inducteurs qui
sont les facteurs influents sur la performance, les objectifs qu’on tend à les atteindre et
les indicateurs qui suivent la réalisation de ces objectifs. Ces éléments ne doivent pas
être conçus d’une manière indépendante, mais une certaine cohérence doit exister entre
eux. Ainsi, une analyse des relations de causalité entre les inducteurs et les indicateurs
doit être établie afin de garantir une amélioration continue des performances des
processus de l’entreprise.

En plus, étant donné qu’il faut fournir une information la plus pertinente possible
pour une aide au pilotage, il n’y a plus de frontière entre les systèmes d’information et
de décision. Ainsi, un système de pilotage n’est pas un simple développement
informatique mais plutôt un système d’apprentissage fondé sur la capitalisation des
connaissances pour donner un sens aux acteurs concernés. La méthode de capitalisation
des connaissances adoptée est le RàPC.

Dans notre cas de pilotage, le modèle de RàPC utilisé est à la fois un modèle
structurel et un modèle conversationnel. Il est structurel au niveau de la représentation
des cas qui sont bien structurés et décrits par des paires <attribut, valeur>. Cette
représentation sera menée sur un seul niveau (plat) plutôt que sur plusieurs niveaux
(hiérarchiques). Il est conversationnel au niveau de la solution qui n’est pas toujours
structurée. Elle peut correspondre à des actions identifiées progressivement suite à des
interactions entre l’usager et le système.

Quand à l’organisation de la mémoire du processus, le modèle adopté est un modèle

linéaire. En effet, la structuration, la modélisation et la représentation d’un cas dans la
base sont souvent effectuées manuellement par le concepteur du processus à partir des

59
 Pilotage de processus

documents, bases de données et autres ressources d’information sur le domaine

d’application. Ainsi, la base de cas, dans le contexte de pilotage, est simplement une
matrice de cas représentés par des vecteurs (listes) des couples attribut-valeur plats.
Afin d’améliorer cette organisation de la mémoire, le clustering (voir chapitre 3) a été
adopté pour arranger la base de cas sous forme de groupes homogènes.

Concernant la phase de recherche de cas similaires, les mesures de similarité

utilisées dépendent du type de descripteur qu’il soit numérique, symbolique ou
taxonomique. Etant donné que notre modèle n’est pas hiérarchique, les mesures
appropriées pour l’aide au pilotage sont donc de type numérique ou symbolique. Hors,
nous avons choisi d’étendre nos recherches aux approches linguistiques afin de
transformer les données linguistiques en des données numériques. Ainsi, les mesures
qui seront adoptées sont plutôt de type numérique.

Le type d’adaptation opté dans le cadre de pilotage de processus est l’adaptation

compositionnelle qui s’inspire de l’ensemble des cas similaires. Cette étape ainsi que
celle de la révision se basent sur le jugement du décideur.

La phase d’apprentissage ajoute dans la base le nouveau cas accompagné par les
nouvelles connaissances. Ces dernières représentent, dans le cas de pilotage, les actions
entreprises pour améliorer la performance du processus. Suite à l’ajout d’un nouveau
cas, la base de cas doit être mise à jour, en ajoutant des critères ou en modifiant la
solution d’un autre cas de la base. Il s’agit aussi d’affiner la base de cas en mettant en
œuvre d’autres actions pour réviser le contenu de la base afin de faciliter un
raisonnement futur.

Cependant, toutes les méthodes dédiées au RàPC considèrent des attributs ayant la
même importance ou bien accordent des poids à ces attributs d’une façon totalement
subjective. Ainsi, cette technique du RàPC a besoin de se rapprocher à l’AMCD pour
déterminer les poids des différents critères. Ces poids serviront à la recherche de cas
similaires au nouveau cas afin de déterminer sa solution.

En résumé, dans ce qui suit, nous nous intéressons au pilotage d’un processus vu
que la performance industrielle dépend de la performance des processus. Notre thèse
propose des outils d’aide à la décision pour le pilotage d’un processus tout en retenant
qu’un système de pilotage de processus :

60
 Pilotage de processus

1) est un système d’aide multicritère à la décision. Le chapitre suivant en fera l’objet.

2) est un système d’information qui cherche à capitaliser l’information nécessaire à

l’aide au pilotage. La deuxième partie de ce chapitre a traité la capitalisation des
connaissances en se focalisant sur la technique du raisonnement à partir de cas.

1.8. Conclusion

Dans ce chapitre, nous avons montré le besoin des outils d’aide à la décision pour le
pilotage d’un processus. L’intérêt accordé aux processus émane de l’importance de la
modélisation des processus dans toute démarche visant une amélioration. Le choix des
outils adéquats dépend de plusieurs considérations dans la nouvelle vision du pilotage.
En effet, un système de pilotage doit être conçu à la fois comme un système d’aide
multicritère à la décision (objet du chapitre suivant) et un système d’information dont le
moyen d’exploitation adopté dans ce travail est le raisonnement à partir de cas. Il a été
choisi comme outil de résolution de problèmes dans notre modèle d’aide à la décision
tout en préservant et capitalisant les connaissances. Nous avons introduit des principes
fondamentaux d’un système de raisonnement à partir de cas et un état de l’art des
méthodes utilisées dans le cycle de RàPC ainsi qu’un aperçu sur les projets à base de
RàPC. L’aide à la décision est un type d’applications où de nombreux systèmes de
RàPC ont été expérimentés mais l’idée de l’appliquer dans le domaine de pilotage de
processus est nouvelle.

61
 Chapitre 2 :

Aide Multicritère à la décision

2.1. Introduction ............................................................................................................................. 63

2.2. Concepts de base ..................................................................................................................... 64
2.2.1 Phase de désagrégation ........................................................................................................... 65
2.2.2 Phase d’agrégation .................................................................................................................. 70
2.3. Méthodes d’Aide Multicritère à la décision: une revue bibliographique ................................. 79
2.3.1 Approche du critère unique de synthèse .................................................................................. 80
2.3.2 Approche du surclassement de synthèse ................................................................................. 85
2.3.3 Approche interactive ................................................................................................................ 90
2.4. Synthèse de l’analyse bibliographique .................................................................................... 96
2.5. Conclusion ............................................................................................................................... 97

62
 Aide multicritère à la décision

2.1. Introduction

L’aide multicritère à la décision regroupe un ensemble de méthodes et d’outils de

résolution de problèmes de décision en présence de plusieurs critères de jugement. La
formulation d’un problème de décision multicritère n’est pas objectivement réaliste. Sa
forme n’est pas, n’en plus, adaptée à plusieurs contextes de résolution, ni acceptée par
tout public. La difficulté majeure de tels problèmes est qu’ils soient mathématiquement
mal posés. En d’autres termes, la formulation de ce problème peut induire une solution
avec peu ou aucun sens sur le terrain et ainsi inexploitable si tenté que l’on puisse la
trouver.

En décision multicritère, Bernard Roy envisage la liste des quatre problématiques

suivantes qu’il considère comme exhaustive :
1. Problématique de choix : le problème est de fournir au décideur la ou les meilleures
actions. La procédure d’investigation est une procédure de sélection.
2. Problématique de tri : le problème est d’affecter les actions potentielles à des
catégories préalablement définies. La procédure d’investigation est une procédure de
segmentation.
3. Problématique de rangement : le problème est de ranger les actions de la meilleure à
la moins bonne, des ex aequo étant possibles. La procédure d’investigation est une
procédure de classement.
4. Problématique de description : le problème est simplement de décrire dans un
langage approprié toutes les actions potentielles et leurs conséquences. La procédure
d’investigation est une procédure cognitive.

Notre domaine de pilotage de processus traite la quatrième problématique, soit la

problématique de description. Le RàPC est bien en cohérence avec la procédure
d’investigation de notre problème de décision qui est une procédure cognitive. En fait,
le RàPC est lui même une technique qui appartient à la communauté de la science
cognitive.

D’abord, ce chapitre présente les concepts de base de l’aide multicritère à la

décision. Ensuite, expose les différentes méthodes qui s’y rattachent. Enfin, se conclut
par une analyse bibliographique.

63
 Aide multicritère à la décision

2.2. Concepts de base

L’aide multicritère à la décision renvoie à un problème mathématique « mal posé »

vu que généralement il n’existe pas de solution assurant l’optimum en tenant compte de
tous les critères simultanément. La résolution d’un tel problème revient à établir une
correspondance entre les préférences du décideur et toutes les actions sur les quelles
porte la décision.

Dans cette logique, Ben Mena (2000) a proposé de chercher la solution la plus
adéquate à la lumière d’un certain nombre de critères afin de résoudre un problème
multicritère. Vansnick (1990) a formulé un problème multicritère sous la forme du
modèle « A, A/F, E » où A est l’ensemble des actions potentielles (envisageables,
admissibles,…) qui peut être défini explicitement (ensemble fini) ou implicitement
(ensemble infini). A/F est l’ensemble fini des attributs ou critères, généralement
conflictuels, à partir desquels les actions seront évaluées et E est l’ensemble des
évaluations des performances des actions selon chacun des attributs ou critères, c'est-à-
dire l’ensemble des vecteurs de performances, un vecteur par action.

Ainsi, lorsque l’on fait de l’aide multicritère à la décision, il faut apporter une
importance toute particulière à :

La représentation –même partielle- mais objective du problème de décision.

La précision et l’intelligence que l’on met dans le travail de modélisation.

Selon Labreuche (2006), l’aide multicritère à la décision se déroule en deux phases :

 La phase de désagrégation : elle représente la construction du modèle. Elle tente

d’aider le décideur afin de bien poser le problème, de déterminer des points de
vue pertinents et d’assurer une certaine cohérence entre les informations
préférentielles fournies par le décideur, eu égard au modèle choisi.

 La phase d’agrégation : elle représente l’application du modèle. Elle cherche à

appliquer automatiquement le modèle sur un grand nombre d’actions, à
capitaliser de l’expertise sous forme d’un modèle et à offrir des outils de
visualisation des résultats des analyses multicritères.

A la lumière de cette classification présentée ci-dessus, cette section est partagée en

deux parties : la phase de désagrégation et la phase d’agrégation. La première

64
 Aide multicritère à la décision

introduira les notions d’actions potentielles, de critères à prendre en compte et de

performances à évaluer. La deuxième est consacrée aux opérateurs d’agrégation.

2.2.1 Phase de désagrégation

Cette phase s’opère en trois étapes présentées ci-dessous :

[Link] Dresser la liste des actions potentielles

Les actions potentielles sont les éléments qui vont faire l’objet de la comparaison.
D’après Roy (1985), « une action a est la représentation d’une éventuelle contribution à
la décision globale, susceptible, eu égard à l’état d’avancement du processus de
décision, d’être envisagée de façon autonome et de servir de point d’application à l’aide
à la décision (ce point pouvant servir à caractériser a) ».

Le caractère « autonome » renvoie à une action qui peut être considérée

indépendamment de toutes les autres sans pour autant perdre sa portée décisionnelle ou
sa valeur de point d’application d’aide à la décision. Autrement dit, le terme action
désigne ce qui constitue l’objet de la décision ou ce sur quoi porte l’aide à la décision
(Roy, 2000). Dans certains cas, ce processus d’aide à la décision est guidé par les
relations qui peuvent exister entre les actions.

L’adjectif « potentielle » explique qu’ « une action potentielle est une action réelle
ou fictive provisoirement jugée réaliste par un acteur au moins ou présumée comme
telle par l’homme d’étude en vue de l’aide à la décision (Roy, 1985). Ainsi, « une
action est qualifiée de potentielle lorsqu’elle est regardée comme pouvant être mise à
exécution ou simplement digne d’intérêt en vue d’aide à la décision » (Roy, 2000).

L’ensemble des actions potentielles sur lequel porte l’aide à la décision pendant une
phase d’étude est noté A (Roy, 1985). Cet ensemble doit être aussi complet que
possible, ce qui n’est pas toujours abordable dans le cas réel.

65
 Aide multicritère à la décision

[Link] Dresser la liste des critères à prendre en

considération

L’aide à la décision prescrit un certain nombre d’axes d’évaluation sur la base

desquels le décideur effectue son choix parmi l’ensemble des actions. Ces axes
constituent, en fait, les attributs des actions. Lorsqu’on ajoute à ces attributs un
minimum d’informations relatives aux préférences du décideur, les attributs deviennent
des critères. Ainsi, un critère représente un signe auquel on reconnaît ou on apprécie
quelque chose afin d’établir les préférences du décideur. Roy (1985) définit un critère
comme étant « tout effet ou attribut de l’action susceptible d’interférer avec les objectifs
ou avec le système de valeurs d’un acteur du processus de décision, en tant qu’élément
primaire à partir duquel il élabore, justifie ou transforme ses préférences ». Un critère
est défini par :

 Un nom : il sert à identifier le critère.

 Une définition : elle sert à la bonne compréhension par tous de la signification

du critère, notamment lorsque le nom de celui-ci, lapidaire pour des raisons
pratiques, est peu informatif.

 Une unité et une échelle : l’unité et l’échelle dépendent de l’information

disponible sur le critère considéré, selon qu’elle soit :

- cardinale : l’information est reliée à une unité « naturelle » et peut être

manipulée d’une manière correcte au moyen des quatre opérations de base
(addition, soustraction, multiplication et division).

- ordinale : l’information est fournie sous forme d’une note, en général

obtenue à partir d’une expression verbale, par exemple l’avis d’un expert.
L’échelle est bornée aux deux extrémités –par un minimum et un
maximum– et son étendue est fixée arbitrairement.

 Un sens de la préférence : il convient de préciser si le critère doit être à

minimiser (une bonne performance correspond à une valeur basse) ou à
maximiser (une bonne performance correspond à une valeur élevée).

Exemple 1. Selon Roy (1985), un critère est défini alors comme suit :

Critère i :: <Nom, Définition, Unité, Echelle, Préférence>

66
 Aide multicritère à la décision

Prenons l’exemple de 6 entreprises d’installation hydro-électriques qu’il faut ranger de

la meilleure à la moins bonne selon ces quatre critères :

Critère 1 ::<personnel, effectif du personnel nécessaire au fonctionnement de

l’installation, personne, cardinale, min>

Critère 2 ::<puissance, puissance électrique, MW, cardinale, max>

Critère 3 ::<coût, coût de construction, milliards de DT, cardinale, min>

Critère 4 ::<villages, nombre de villages à évacuer pour permettre la retenue d’eau,

villages, cardinales, min>

Un critère peut être quantitatif exprimé sur une échelle numérique (rentabilité,
croissance, temps de retour, etc.). Il peut être aussi qualitatif. Dans ce cas, il faut faire
appel à une échelle afin de le traduire en une valeur numérique. Cette échelle doit
respecter l’ordre d’importance des critères. Le choix d’une telle échelle est souvent
difficile et peut affecter le choix final.

Il existe différents types de critères où chacun correspond à un certain nombre

d’hypothèses concernant la capacité du décideur à comparer deux actions. Autrement
dit, sa finesse de jugement est caractérisée par ces hypothèses. Les définitions de ces
types de critères font appel aux notions résumées dans le tableau 3. Dans ces
définitions, on trouve les expressions qg [g(a)] et pg [g(a)] qui désignent respectivement
le seuil d’indifférence et le seuil de préférence. Les principaux critères utilisés sont :

- Pseudo critère : c’est une fonction critère g à laquelle se trouvent associées deux
fonctions seuils qg [g (a)] et pg [g (a)] telles que :
a ' I g a si g a ' g a qg g a
g (a’) g (a) a ' Q g a si q g g a g a' g a pg g a
a ' Pg a si p g g a g a' g a

- Vrai critère : c’est un pseudo critère où qg [g (a)] = pg [g (a)] = 0

- Quasi critère : c’est un pseudo critère où qg [g (a)] = pg [g (a)], a A
- Pré critère : c’est un pseudo critère où qg [g (a)] = 0

Exemple 2. Notons par q et p respectivement les seuils d’indifférence et de préférence.

Supposons que le critère 1 ::<personnel> défini dans l’exemple 1 est un pseudo critère.
Si l’écart entre g(a) et g(a’) n’excède pas q, a et a’ restent indifférents. Entre q et p, la
préférence est faible et devient stricte au-delà.

67
 Aide multicritère à la décision

On retrouve le vrai critère si p = q = 0, c’est-à-dire, il y a indifférence entre a et a’

seulement si g(a’) = g(a). Dès que ces valeurs sont différentes, il y a une préférence
stricte pour une des actions. Il n’ y a pas de paramètres à fixer.

Si p = q = m alors il s’agit d’un quasi-critère. Dans ce cas, il y a indifférence entre a et

a’ aussi longtemps que l’écart entre g(a) et g(a’) n’excède pas m ; au-delà la préférence
devient stricte. Un seul paramètre m doit être fixé. On retrouve le vrai critère si m = 0.

Dans le cas où q = 0, on retrouve un pré critère dont la préférence est faible entre 0 et p
et devient stricte au-delà. Un seul paramètre q doit être fixé.

L’ensemble de tous les critères élaborés est nommé famille F. Cette dernière doit
être cohérente dans le sens où elle doit respecter des exigences d’exhaustivité, de
cohésion et de non-redondance (Roy, 1985). En outre, il faut essayer de ne retenir que
des critères indépendants (Roy et Bouyssou, 1993). D’après Bouyssou (1990), cette
famille doit être, d’une part, lisible, c'est-à-dire composée d’un nombre suffisamment
restreint de critères. Ceci permettra de raisonner sur cette base et de modéliser les
informations inter et intra critères utiles pour la mise en œuvre d’une procédure
d’agrégation. D’autre part, elle doit être opérationnelle, c'est-à-dire acceptée comme
base de travail pour la suite de l’étude.

Tableau 3. Définitions de l’indifférence, de l’incomparabilité et des préférences faible et stricte

Situation Définition Relation binaire

(propriétés)

Indifférence Elle correspond à l’existence de raisons I : relation

claires et positives qui justifient une symétrique et
équivalence entre les deux actions. réflexive.
Préférence Elle correspond à l’existence de raisons P : relation
stricte claires et positives qui justifient une asymétrique
préférence significative en faveur de l’une
(identifiée) des deux actions.

68
 Aide multicritère à la décision

Préférence faible Elle correspond à l’existence de raisons Q (comme

claires et positives qui infirment une « quasi ») : relation
préférence stricte en faveur de l’une asymétrique
(identifiée) des deux actions mais ces (irréflexive).
raisons sont insuffisantes pour en déduire
soit une préférence stricte en faveur de
l’autre soit une indifférence entre ces deux
actions (ces raisons ne permettent donc pas
d’isoler l’une des deux situations
précédentes comme étant la seule
appropriée).
Incomparabilité Elle correspond à l’absence de raisons R (comme « refus de
claires et positives justifiant l’une des trois se prononcer ») :
situations précédentes. relation symétrique
irréflexive.

Comme nous remarquons, la construction de l’ensemble des attributs ou critères

s’avère une partie délicate dans le processus de formulation multicritère d’un problème
de décision (Vincke, 1992). Deux approches ont été proposées pour créer une famille de
critères à partir d’un ensemble d’attributs. La première est l’approche du « haut vers le
bas » qui consiste à construire une structure hiérarchique ayant à son premier niveau
l’objectif global qui est éclaté en sous objectifs qui sont à leur tour éclatés en sous
objectifs jusqu’à ce que l’on atteigne un niveau mesurable que l’on qualifie d’attributs
(Keeney et Raiffa, 1976). La deuxième est l’approche du « bas vers le haut » qui
consiste à identifier tous les conséquences pouvant résulter de la mise en œuvre des
actions, que l’on structure en dimensions puis en axes de signification autour desquels
sont construits les critères (Roy, 1985).

[Link] Etablir le tableau des performances

Il s’agit, dans cette étape, de définir la performance de chaque action sur chaque
critère. Selon Roy (2000), « la performance d’une action selon un critère est l’échelon
de l’échelle associée au critère sur lequel l’action est positionnée ». Lors de l’évaluation
de la performance, deux opérations sont usuelles :

69
 Aide multicritère à la décision

- La normalisation des critères cardinaux : cette opération consiste à passer de

l’échelle naturelle à une échelle normalisée. Il existe de nombreuses manières de
réaliser la normalisation.
- La cardinalisation des critères ordinaux : cette opération mathématique
complexe consiste à transformer en une valeur cardinale une information
essentiellement ordinale, par exemple l’avis d’un expert. L’approche
MACBETH proposée par Bana e Costa et Vansnick (1997) est reconnue comme
une méthode mathématiquement valide pour traiter cette opération.

Le tableau de performance est constitué, en lignes, par des actions de A et en

colonnes, par des critères de F. Chaque ligne exprime les performances d’une action
relativement à tous les attributs considérés. Chaque colonne exprime les évaluations de
toutes les actions, faites par le décideur, relativement à un attribut donné. Les valeurs
qui remplissent ce tableau ne sont rien d’autres que les gj (ai). Ces nombres peuvent être
des rangs, des notes, des prix ou des appréciations comme « bon », « mauvais »,
« excellent », etc. d’où, l’appellation de performance. Pour bien faire, chaque colonne
contiendra aussi, comme information complémentaire, les fonctions seuils qg [g (a)] et
pg [g (a)] et les éventuels « poids ».

2.2.2 Phase d’agrégation

L’agrégation multicritère consiste à synthétiser des informations traduisant des

aspects ou des points de vues différents et parfois conflictuels au sujet d’un même
ensemble d’objets. Autrement dit, connaissant les performances de deux alternatives sur
chacun des critères et donc leurs points forts et leurs points faibles, leur ressemblance et
leurs différences, il faut agréger ces informations pour déterminer si l’une est
globalement préférable à l’autre (Grabisch et Perny, 2002, p.1). Pour ce faire, il est
indispensable de définir un système de poids associés aux différents critères afin de
permettre un classement logique des différentes actions. Cela suppose que la
détermination des valeurs de ces poids ou encore pondérations conditionne tout le
processus d’aide à la décision. Ce paragraphe présente, en premier lieu, les méthodes de
détermination des poids des critères et développe, en second lieu, les opérateurs
d’agrégation les plus répandus dans la littérature.

70
 Aide multicritère à la décision

[Link] Méthodes de détermination des poids

des critères

Ces méthodes sont classées en deux catégories : dans la première, le décideur

intervient totalement dans le processus de décision, alors que, dans la deuxième, il n’est
intégré que partiellement.

Méthodes intégrant totalement le décideur : le décideur fournit, directement ou d’une

manière interactive, des valeurs aux différents critères. Ces deniers seront ensuite
normalisés pour obtenir les différents poids.

Kendall (1970) a développé la méthode du classement simple qui consiste à un

ordonnancement pur et simple des critères. Ainsi, la seule information demandée de la
part du décideur est d’ordonner les critères selon ses préférences. Cette méthode s’avère
simple et comportant peu de calculs. Toutefois, elle empêche les poids de prendre
toutes les valeurs possibles entre 0 et 1.

Dans le même ordre d’idées, la méthode de l’évaluation cardinale simple a été proposée
(Von Winterfeldt et Edwards (1986)). Le décideur évalue chaque critère selon une
échelle de mesure quelconque prédéfinie (par exemple de 0 à 5 ou de 0 à 20, etc.). Les
valeurs affectées seront ensuite normalisées en divisant par la somme des valeurs ce qui
aboutit aux poids des critères. Cette méthode demande plus d’informations de la part du
décideur que le classement vu qu’elle se base sur la cardinalité. En outre, les conditions
psychologiques du décideur risquent d’induire le processus de décision en erreur.

Quand à la méthode d’évaluation directe par les ratios, elle demande au décideur
d’ordonner les critères en fonction de leur importance, puis d’évaluer l’importance
relative des critères par rapport au moins important d’entre eux. Les poids cardinaux
sont obtenus après avoir normaliser ces coefficients de proportionnalité. L’inconvénient
majeur de cette méthode réside dans l’intégration directe du décideur dans l’attribution
des poids aux critères (Edwards (1977) et Von Winterfeldt et Edwards (1986)).

Churchman et Ackoff (1954) ont proposé la méthode des comparaisons successives qui
a comme principes :

1- Classement des critères.

2- Evaluation des critères selon une échelle cardinale.

71
 Aide multicritère à la décision

3- Comparaison systématique des critères vis-à-vis d’une réunion de ceux qui

suivent, en commençant par le premier. Le décideur doit comparer le premier
avec le second, avec le second plus le troisième, etc., jusqu’à ce qu’on arrive à
une modification de préférences. Ensuite, on répète la même chose avec le
second puis avec le troisième, etc.
4- Vérification de la cohérence entre les valeurs cardinales précédemment données
avec toutes les comparaisons faites par le décideur.
5- Modification des valeurs qui ne sont pas cohérentes avec les comparaisons.
6- Normalisation finale des valeurs obtenues.

La première étape ainsi que la troisième sont les seules qui demandent l’intervention du
décideur. Les autres sont effectuées systématiquement par l’ordinateur.

Pour la méthode de compensation, elle est basée sur la notion du taux de substitution
appelé aussi « indifférence trade-off ». D’abord, il s’agit de présenter au décideur des
actions dont les évaluations diffèrent seulement selon deux critères, soient i et j.

Ensuite, le décideur précise s’il préfère l’action a (ai, aj, x) ou l’action b (bi, bj, x). On
suppose qu’il préfère a à b et que l’on a : ai > bi. Enfin, la performance aj sera diminuée
jusqu’à ce que le décideur devienne indifférent entre les actions a et b. Ainsi, lors de
cette méthode, le décideur intervient indirectement tout en présentant ses préférences
d’une manière itérative (Von Winterfeld et Edwards (1986)).

Une autre méthode a été développée dans ce cadre, c’est la méthode d’évaluation par
les prix (Von Winterfeld et Edwards (1986)). Elle demande au décideur combien il est
prêt à payer pour passer de la moins bonne à la meilleure valeur sur un critère donné.
Les valeurs des prix obtenues sont ensuite normalisées pour obtenir les poids
correspondants. Ainsi, l’intégration du décideur réside dans la présentation des prix.

Von Winterfeld et Edwards (1986) ont élaboré la méthode de basculement qui

considère que les actions sont évaluées pour chaque critère à leur moins bon niveau, à
l’exception d’un seul critère. Ce dernier est « basculé » à son meilleur niveau. Puis,
parmi toutes les actions, le décideur doit choisir celle qu’il préfère le plus. Le critère
basculé correspondant aura le plus grand poids. On procède ensuite de la même
manière, en demandant au décideur de choisir l’action qu’il préfère en second lieu, ce
qui aboutit au deuxième poids et ainsi de suite jusqu’à avoir tous les poids ordinaux.
Pour obtenir des poids cardinaux, le décideur est amené à évaluer l’importance de

72
 Aide multicritère à la décision

chaque critère basculé en utilisant le plus grand poids comme unité. Lors de cette
méthode, le décideur intervient directement aussi bien au niveau du classement des
actions que dans l’évaluation des critères.

Simos (1990) a fondé la méthode de Simos où le nom de chaque critère est inscrit sur
une carte sans que les cartes soient numérotées. Ces cartes seront ensuite présentées au
décideur dans un ordre quelconque dans le but de minimiser toute influence externe. Le
décideur dispose aussi de cartes blanches qu’il les intercale pour exprimer l’importance
entre deux critères successifs. Il range les cartes dans l’ordre d’importance qu’il juge
convenable permettant à des critères d’être dans le même ordre. Au critère le moins
important, est accordée la valeur 1. Pour les autres valeurs, elles sont évaluées en
fonction de la valeur unitaire 1 (la méthode du classement simple). Cette même
procédure sera appliquée pour d’autres décideurs. La somme totale des rangs obtenus
selon chaque décideur n’est pas la même ce qui nécessite sa normalisation. Le poids de
chaque critère est obtenu par rapport à cette somme totale. Les chiffres fournis sont
enfin rapportés à un total de 100, ce qui aboutit aux différents poids des critères. La
méthode de Simos est donc une méthode compensatoire vu l’existence de plusieurs
décideurs : un critère important pour une action, compense un autre.

Hokkanen et Salminen (1994) ont développé la méthode de Hokkanen et Salminen pour

l’appliquer dans ELECTRE III (voir § [Link]). C’est une méthode simple où le décideur
exprime ses préférences en donnant directement des poids à chaque critère. Pour ce
faire, les auteurs ont consulté 45 décideurs pour accorder des valeurs de 1 à 7 à chaque
critère, tout en affectant 7 au plus important. Parallèlement, ils se servent d’une
deuxième procédure où chaque décideur donne la valeur 1 au critère le moins
important. Les autres valeurs d’importance sont basées sur l’idée combien de fois
apparaissent les autres critères aussi importants par rapport au moins important. Selon
les auteurs, lorsque les deux ensembles de poids sont normalisés, la différence entre les
deux procédures sera mineure. Dans cette méthode, les moyennes des valeurs obtenues
des décideurs pour chaque critère ne sont pas utilisées comme dépendantes de la
distribution des poids des 45 individus. Ceci renvoie à des poids qui ne sont pas
toujours illustratifs des estimations des décideurs. Dans ce cas, le poids final est obtenu
par la majorité. Exemple : la valeur finale du poids d’un critère donné est la valeur qui y
est affectée par le plus grand nombre des 45 décideurs.

73
 Aide multicritère à la décision

Méthodes intégrant partiellement le décideur : dans ce type de méthodes, le décideur

n’intervient que pour identifier les actions, préciser les critères et évaluer la
performance de chaque action selon chaque critère. Il peut aussi classer les alternatives
ou les comparer. Ensuite, c’est à l’homme d’étude de déterminer les poids à partir du
tableau de performance ou des rangements fournis.

Zeleny (1982) a développé la méthode d’entropie qui considère que l’importance

relative d’un critère est fonction de la quantité d’information apportée par le critère par
rapport à l’ensemble des actions. Ainsi, les critères les plus importants sont ceux qui ont
le plus fort pouvoir de discrimination entre les actions. L’avantage de cette méthode est
que le calcul mécanique exclut toute intervention subjective du décideur au niveau de la
détermination des poids des critères. Toutefois, il est nécessaire d’avoir un échantillon
statistique impérativement représentatif de toutes les situations possibles. En d’autres
termes, la pertinence des poids calculés repose sur celle de l’historique utilisé qui peut
être partiel et cacherait des critères plus importants.

Les méthodes de valeurs propres évaluent les poids des critères par le calcul du vecteur
propre d’une matrice de comparaisons binaires entre les critères. La méthode la plus
répandue est la méthode AHP (voir § [Link]).

Avec la méthode des régressions multiples, les poids tendent à se concentrer sur
certains critères. Il est même possible que pour certains critères, la valeur de quelques
poids devienne négative. Ceci montre que ce n’est pas du tout évident pour les
décideurs de prendre en compte simultanément et efficacement tous les critères.
Certains auteurs voient que cette technique est inappropriée avec un nombre de critères
supérieur à cinq.

Pour la méthode de l’analyse tenant compte du risque, elle cherche à trouver à quelle
probabilité p le décideur est indifférent entre, d’une part, un site où le critère c1 a sa
meilleure valeur et tous les autres critères à leur valeur la moins bonne, et d’une part,
une loterie où il y a p chances pour que tous les critères aient leur meilleure valeur, et
(1-p) chances pour que tous les critères aient leur mauvaise valeur. Si toutes les
fonctions de valeurs ont une échelle de [0, 1], alors le poids de c1 est exactement p. Si la
somme des poids donne 1, alors le décideur est neutre par rapport au risque. Une
somme supérieure indique une aversion par rapport au risque, tandis qu’une somme
inférieure implique un comportement favorable au risque.

74
 Aide multicritère à la décision

Mousseau (1989) a développé une méthode qui constitue, selon Maystre et al. (1994),
une réelle aide à la pondération des critères. Cette méthode commence par déterminer
une variété de valeurs admissibles pour les coefficients d’importance k1, k2,…, kn (n
étant le nombre de critères), à partir d’un ensemble d’inéquations linéaires sur ces
coefficients. Ces inéquations sont formulées grâce aux réponses des décideurs sous
forme de comparaisons binaires d’un ensemble d’actions. Ils différent ainsi les unes des
autres sur au plus trois critères. La résolution de ces inéquations donne lieu à une
variété pour chaque pondération de critères au lieu d’une valeur unique.

Toutes ces méthodes de détermination des poids des critères présentent des
caractéristiques liées à certains facteurs : forme d’intervention du décideur, type
d’intégration, interactivité et nombre de calculs. Ces facteurs, ainsi que les avantages et
les inconvénients de chaque méthode seront récapitulés dans le tableau 4.

75
 Tableau 4 : Tableau récapitulatif des méthodes de détermination des poids des critères
Formes d’intervention du décideur Interactivité
Intégration Nombre
Méthodes Classement Evaluation Comparaison Elaboration Classement avec le Avantages Inconvénients
du décideur de calculs
des critères des critères des critères d’une MD1 des actions décideur
Les poids ne peuvent pas
Classement Simple et comporte peu de
simple         calcul
prendre des valeurs entre 0
et 1.
Evaluation Méthode subjective
Simple et comporte peu de
cardinale         calcul
dépendant des conditions
simple psychologiques du décideur
Méthode subjective
Simple et comporte peu de
Ratios         calcul
dépendant des conditions
psychologiques du décideur
La plupart des étapes sont
Comparaisons Le décideur intervient
successives         informatisées et simples à
beaucoup
effectuer
Intégration excessive du
Compensation         décideur
Evaluation Intervention directe du
par les prix         Méthode simple
décideur
Intégration du décideur dans
Basculement         Méthode simple
le processus de pondération
Intégration totale du
Méthode compensatoire à
décideur, ce qui rend la
Simos         cause de l’existence de
méthode subjective et les
plusieurs décideurs
résultats peu fiables
Minimiser la subjectivité
Hokkanen et Intégration totale du
Saminen         par l’intégration de
décideur
plusieurs décideurs
Le calcul mécanique Trop de calculs, dépendance
Entropie         exclut la subjectivité de l’historique
Vecteurs Le calcul mécanique
propres         exclut la subjectivité
Trop de calculs
Cette méthode ne peut pas
Régressions Le décideur n’intervient
multiples         pas directement
être appliquée pour un
nombre de critères > 5
Le décideur intervient Cette méthode ne peut être
Analyse du
risque         partiellement dans la appliquée qu’en un avenir
pondération incertain
Méthode perfectionnée en Complexité de l’achèvement
Mousseau         termes de méthodologie à la main
1
MD : Matrice de Décision ;  : peu ;  : assez peu ;  : beaucoup ;  : partielle ; : Totale ; : Oui ; : Non ;

76
 Aide multicritère à la décision

[Link] Opérateurs d’agrégation

Si les opérateurs d’agrégation sont si nombreux, c’est parce qu’il est dans la nature
des choses qu’aucune méthode ne respecte la totalité des exigences qu’un utilisateur
pourrait trouver « normale » dans l’idée du multicritère (Schärlig, 1985). Nous nous
limitons à présenter des opérateurs les plus usuels, sans prétendre à l’exhaustivité en les
découpant en trois grandes classes :

Opérateurs conjonctifs : ils effectuent une agrégation des performances comme le

ferait un « et » logique (conjonction). Ainsi, le résultat de l’agrégation est élevé c'est-à-
dire proche de 1 si et seulement si toutes les performances à agréger sont élevées.

Opérateurs disjonctifs : ils effectuent une agrégation des performances comme le

ferait un « ou » logique (disjonction). Ainsi, le résultat de l’agrégation est élevé dès que
l’une des quantités à agréger est élevée.

Opérateurs de compromis : ils se situent entre les opérateurs disjonctifs et conjonctifs.

Les principaux sont :

- La somme pondérée et les opérateurs de moyenne : la somme pondérée ou moyenne

arithmétique pondérée est définie par f (a1,…, an) =
n
wi ai , où les wi [0, 1] sont des
i 1

1. Ils existent d’autres types de moyennes telles que les

n
poids, tels que i 1
wi

moyennes géométriques, harmoniques, etc.

- Le minimum et maximum pondérés : ils ont été introduits par Dubois et Prade (1986)
dans le cadre de la théorie des possibilités. Soit w = (w1,…, wn) un vecteur de poids,
wi [0, 1], tel que max n
i 1
wi 1. Ils sont définis par :
wminw (a1,…, an) = min
n
i 1
1 wi ai

wmaxw (a1,…, an) = max

n
i 1
wi ai

- La somme pondérée ordonnée (OWA) : Yager (1988) a fondé l’opérateur OWA

(Ordered Weighted Average). Il est défini par :
n

OWAw (a1,…, an) = wi a i

i 1

77
 Aide multicritère à la décision

Avec w = (w1,…, wn) un vecteur de poids, wi

n
[0, 1] tel que i 1
wi 1, et où la notation

(.) indique une permutation des indices telle que a (1) … a (n). Ainsi, le poids porte
plutôt sur le rang des performances. Des cas particuliers sont représentés ci-dessous :
w1 = 1(et donc wi = 0, i > 1) : opérateur minimum
wn = 1 : opérateur maximum
wi = 1 pour un i donné : statistique d’ordre i ;
Si n est impair alors wn 1
1 (médiane).
2

1
Si n est pair, la médiane est définie par wn =w n
2 2
1 2

- Les intégrales floues : le concept de l’intégrale floue a été proposé par Sugeno (1974)
comme extension de celui de l’intégrale de Lebesgue. En fait, le concept de l’intégrale
par rapport à une mesure a été étendu aux mesures non additives (Denneberg, 2000).
Généralement, les intégrales calculent la valeur moyenne d’une fonction, et dans le cas
discret, peuvent donc être considérées comme un opérateur d’agrégation du type
moyenne.

Les méthodes d’agrégation classiques additives reposent sur l’hypothèse

d’indépendance préférentielle qui est une propriété mutuelle de la structure de
préférence globale des critères. Dans le cas où les critères sont en interaction, les
mesures utilisées sont non additives. Elles représentent des mesures floues appelées
encore capacités.

Dans Grabisch et Perny (2002, p.11), une mesure floue est définie sur N comme
étant une fonction μ : P (N) [0, 1], vérifiant les axiomes suivants :
(i) μ (Ø) = 0, μ (N) = 1
(ii) A B implique μ (A) μ (B), pour A, B P (N)

μ(A) représente l’importance ou le pouvoir de la coalition A des critères. Pour les

opérateurs précédents, le poids d’importance n’était défini que pour les critères seuls ce
qui nécessite de calculer que n – 1 coefficients indépendants. Par contre, la mesure
floue nécessite 2n – 2 coefficients pour être définie tout en respectant les contraintes de
monotonie. Deux cas particuliers sont importants :

78
 Aide multicritère à la décision

 une mesure floue est additive si μ(A) = i A

i pour tout A dans P (N).

 une mesure floue est cardinale ou symétrique si elle ne dépend que de la

cardinalité des ensembles, i.e. μ (A) = μ (B) chaque fois que A = B .

Les deux intégrales non additives les plus connues sont l’intégrale de Choquet et
l’intégrale de Sugeno :

 L’intégrale de Sugeno de a1,…, an [0, 1] par rapport à μ qui est définie par :
Sμ (a1,…, an) = max n
i 1
(a (i) μ ({(i),…, (n)})), avec a (1) … a (n).

 L’intégrale de Choquet de a1,…, an par rapport à μ qui est définie par :

n

Cμ (a1,…, an) = (a i
a i 1
) i ,..., n et a (0) = 0.
i 1

Les intégrales de Sugeno et de Choquet sont :

- Idempotentes : une action ayant la même évaluation suivant tous les critères devrait
avoir comme évaluation globale ce score.

- Continues : en modifiant à peine la valeur d’un critère, on ne doit pas changer

beaucoup l’évaluation globale.

- Monotones : améliorer un critère sans toucher au reste ne peut qu’améliorer

globalement la satisfaction globale.

L’intégrale de Choquet est de plus stable pour les changements d’échelle linéaire. Dans
ce sens, l’intégrale de Choquet sera plus adéquate pour une agrégation cardinale où les
nombres ont un vrai sens. Alors que l’intégrale de Sugeno semble plus adéquate pour
une agrégation ordinale où uniquement l’ordre a un sens.

2.3. Méthodes d’Aide Multicritère à la décision: une revue

bibliographique

Le rôle d’une méthode d’AMCD est d’aider le décideur à comprendre et identifier

les critères fondamentaux dans le problème de décision afin d’éviter des décisions
inappropriées. A travers les années, plusieurs méthodes ont été développées dans la
littérature. Ces méthodes sont répandues dans plusieurs domaines. Certaines ont été
fondées particulièrement pour des problèmes spécifiques. D’autres sont plus

79
 Aide multicritère à la décision

universelles et plusieurs d’entre elles sont très populaires dans différents domaines.
L’idée majeure de toutes ces méthodes est de créer un processus d’aide à la décision
plus formalisé et mieux informatif.

Pour choisir une méthode d’AMCD, plusieurs critères sont à considérer (LØken,
2007). Il faut tout d’abord chercher une méthode valide, c'est-à-dire celle qui reflète le
mieux les « valeurs justes » du décideur. Ensuite, la méthode choisie doit fournir au
décideur toutes les informations dont il a besoin tout en étant appropriée dans le sens
d’être compatible avec les données accessibles. Enfin, elle doit être facile à utiliser et à
comprendre. En fait, si le décideur n’arrive pas à comprendre ce qui se passe dans la
méthodologie, il la percevra comme une boîte noire.

Garcia-Cascales et Lamata (2007) ont classé les méthodes d’AMCD selon deux
écoles : l’école européenne et l’école américaine. Alors que Belton et Stewart (2002)
ont partagé dans leur ouvrage ces méthodes en trois groupes : les modèles de mesure de
la valeur, les modèles de but, aspiration et niveau de référence et les modèles de sur-
classement.

Dans notre thèse, nous optons pour la classification de Roy (1985) en trois
approches opérationnelles :

 approche du critère unique de synthèse, évacuant toute incomparabilité.

 approche du sur-classement de synthèse, acceptant l’incomparabilité.
 approche du jugement local interactif avec itérations essai-erreur.

2.3.1 Approche du critère unique de synthèse

Cette approche est d’inspiration américaine où les préférences locales (c'est-à-dire

au niveau de chaque attribut) sont agrégées en une fonction de valeur ou d’utilité unique
qu’il s’agit ensuite d’optimiser. Les travaux relatifs aux méthodes multicritères
appartenant à cette approche s’intéressent aux conditions d’agrégation, aux formes
particulières de la fonction agrégeante et aux méthodes de construction de ces fonctions
aussi bien au niveau local que global. Les principales méthodes présentées ci-dessous
sont : MAUT, SMART, UTA, TOPSIS, AHP, MACBETH et GP.

80
 Aide multicritère à la décision

[Link] Multiple Attribute Utility Theory (MAUT)

Cette théorie (Keeny, Raiffa, 1976 ; Fishburn, 1982) repose sur l’axiome
fondamental suivant : tout décideur essaye inconsciemment (ou implicitement) de
maximiser une fonction U = U (g1, g2,…, gn), qui agrège tous les points de vue à
prendre en compte. Ainsi, les préférences du décideur prennent la forme d’une certaine
fonction U inconnue. Le scientifique cherche à estimer cette fonction à l’aide de
questions judicieuses posées au décideur (Vincke, 1989).

Cette théorie concerne surtout le cas incertain et utilise donc des probabilités pour
tenir compte aussi bien des phénomènes d’imprécision que d’incertitude. Elle concerne
également des fonctions gi qui sont des vrais-critères. La généralisation aux autres types
de critères a fait l’objet de plusieurs recherches.

Toutefois, dans le cadre de cette théorie, deux problèmes majeurs peuvent être
soulevés. D’une part, les préférences du décideur doivent avoir quelles propriétés pour
être modélisées sous forme d’une fonction U ayant une forme analytique donnée
(additive, multiplicative, mixte,…). La forme analytique la plus simple et aussi la plus
n

répandue est la forme additive : U (a) = U j

g j
a où les fonctions Uj sont
j 1

strictement croissantes et à valeurs réelles. D’autre part, sous quelle forme construire les
fonctions et comment estimer les paramètres utilisés dans la forme analytique choisie ?

[Link] UTilité Additive (UTA)

Cette méthode, développée par Jacquet-Lagrèze et Siskos (1982), consiste à estimer

la fonction d’utilité U en se basant sur des jugements globaux fournis par le décideur
n

sur l’ensemble des actions avec U (a)= U j

g j
a a où σ(a) désigne l’erreur
j 1

associée à U (a). Cette méthode commence par résoudre un programme linéaire dont la
fonction objectif consiste à minimiser la somme des erreurs σ(a) et les contraintes
traduisent un pré-ordre total des actions formé selon les préférences du décideur. Ce
programme fournit donc une fonction U qui est relativement arbitraire vu qu’elle
dépend du choix du critère que l’on a minimisé, soit la somme des erreurs σ(a).

81
 Aide multicritère à la décision

[Link] Simple Multi Attribute Rating Technique

(SMART)

C’est une méthode crée par Edwards et Barron (1994). Elle juge la performance
d’une alternative en choisissant une valeur appropriée entre la limite inférieure
prédéterminée de la plus mauvaise alternative (réelle ou imaginaire) et la limite
supérieure prédéterminée de la meilleure alternative (réelle ou idéale).

Pour ce faire, elle utilise la technique du « Ranking & Rating » pour estimer les
coefficients kj ainsi que les fonctions de valeur locale vj (xj) :
n
*
V a kj vj g j
a avec kj 1, v j x j * 0 et v j x j 100
j 1

Chaque action a possède un rang selon le critère j égal à gj (a). D’abord, un score égal à
vj (gj (a)) est accordé à chaque rang. Ensuite, tous les scores seront pondérés par le
décideur selon l’importance de chaque critère. Enfin, ils seront agrégés pour obtenir
v(a).

[Link] Technique for Order Preference by

Similarity to Ideal Solution (TOPSIS)

C’est une méthode proposée par Chen et Hwang (1992) pour l’arrangement des
préférences afin de trouver la solution idéale par la similarité. L’alternative choisie doit
avoir la distance la plus courte par rapport à l’action idéale et la distance la plus
lointaine par rapport à l’action anti-idéale. Elle se déroule en six étapes :
g j (ai )
1) Normaliser les évaluations : x ij
m
2
g j
ai
i 1

2) Pondérer ces évaluations normalisées : v ij j

x ij , i 1, 2 ,..., n

3) Déterminer les actions idéales et anti-idéales :

a max v ij ou min v ij , selon le sens du critère i v 1 , v 2 , ..., v n

a min v ij ou max v ij , selon le sens du critère i v 1 , v 2 , ..., v n

4) Calculer la distance (Euclidienne) à ces actions :

n
2
Di ( v ij vj ) , i 1, 2 ,..., m
j 1

82
 Aide multicritère à la décision

n
2
Di ( v ij vj ) , i 1, 2 ,..., m
j 1

5) Calculer un coefficient de proximité à l’action idéale :

Di
Ci , 0 Ci 1, i 1, 2 ,..., m
Di Di

6) Ranger les actions en fonction des valeurs décroissantes des C i .

[Link] Analytic Hierarchy Process (AHP)

C’est une méthode d’aide multicritère à la décision développée par Thomas Saaty
vers la fin des années 70. Elle a été utilisée avec succès dans les domaines de
planification tels que : planification stratégique, choix de projets, choix
d’investissement, etc. Les étapes de résolution d’un problème multicritère en utilisant la
méthode AHP sont :

Etape 1 : Décomposition hiérarchique : La hiérarchie est une abstraction de la

structure du problème utilisé pour étudier l’interaction entre les composantes du
problème et leur effet sur la solution finale.

Etape 2 : Quantification du problème : La méthode AHP propose d’évaluer un

vecteur de poids W = (w1, w2,…, wn) associé aux critères du problème à l’aide de
comparaisons binaires selon une échelle proposée par Saaty (1977) en 9 niveaux
représentés dans le tableau 5 :

Tableau 5. Echelle proposée par Saaty (1977)

aij égal à Lorsque le critère i comparé à j est
1 Egalement important
3 Légèrement plus important
5 Notablement plus important
7 Beaucoup plus important
9 Indiscutablement beaucoup plus important
2, 4, 6, 8 Valeurs intermédiaires entre deux jugements, utilisées
en cas de besoin pour affiner le jugement

83
 Aide multicritère à la décision

Etape 3 : Calcul des priorités : A partir des jugements fournis par les décideurs, la
troisième étape consiste à calculer l’importance relative à chacun des éléments de la
hiérarchie. Le décideur doit remplir une matrice de comparaison binaire pour chaque
critère. Chaque matrice compare les choix deux à deux selon le critère adopté. Il s’agit
ensuite de calculer le vecteur de priorité V = (V1,…, Vn). Le calcul du produit V.W
permet d’obtenir un vecteur qui contient les poids finals de chaque choix.

Etape 4 : Cohérence des jugements : Il s’agit, à cette étape de calculer un taux

d’incohérence TI au sujet des jugements fournis par les décideurs.

[Link] Measuring Attractiveness by a

Categorical Based Evaluation Technique
(MACBETH)

La conception de cette méthode remonte au début des années 1990 et est issue de la
collaboration des professeurs C.A. Bana e Costa (centre d’étude en management de
l’Université Technique de Lisbonne) et J.-Cl. Vansnick (Faculté Warocqué de
l’Université de Mons Hainaut). Cette première équipe s’est enrichie par l’arrivée de J.-
M. De Corte (Faculté Warocqué, U.M.H). Ceci a aboutit au développement d’un
premier logiciel qui permet de tester la méthodologie proposée dans des applications
pratiques réelles. Un logiciel plus ambitieux s’est développé à la suite des réactions
favorables des décideurs, c’est le logiciel M-MACBETH (Bana e Costa et al., 2006).

La méthode MACBETH a pour but d’élaborer des expressions de performance en

cohérence avec leur agrégation. L’opérateur d’agrégation utilisé est la moyenne
pondérée. Elle adopte une procédure de questionnement itérative initiale pour comparer
deux éléments en n’utilisant que des préférences qualitatives. Elle débute par une
comparaison entre l’option la plus attractive et l’option la moins attractive. L’option la
plus attractive sera ensuite comparée avec chacune des autres options. Puis, il s’agit de
comparer la seconde option plus attractive avec la troisième, ainsi de suite.

84
 Aide multicritère à la décision

[Link] Goal Programming (GP)

Le goal programming ou encore la programmation par but a été initialement

développé par Charnes et Cooper (1961). Il est fondé sur une philosophie de satisfaction
et peut être vu comme une technique d’expression du comportement humain, dit
intelligent, souvent entaché d’ambiguïté (Zeleny, 1982).

C’est une extension spéciale de la programmation mathématique multiobjectif et un

cas particulier du modèle de la fonction de distance (Romero, 1985). Le GP traite des
problèmes de prise de décision ayant un seul objectif ainsi que des problèmes ayant un
ensemble fini d’objectifs. Ainsi, la fonction objectif dans un modèle du GP tient compte
de plusieurs objectifs dans des dimensions multiples, à l’inverse de la programmation
mathématique conventionnelle où la fonction objectif est unidimensionnelle.

Le modèle du GP exploite les outils informatiques qui se développent

continuellement au profit de la programmation linéaire. Par exemple, des logiciels tels
MPSX ayant une grande capacité de traitement permettent de résoudre rapidement des
problèmes de grande taille. Ceci explique, sans doute, la très grande popularité du GP.

2.3.2 Approche du surclassement de synthèse

Comme nous remarquons dans le paragraphe précédent, l’approche du critère

unique de synthèse suppose l’existence d’un seul décideur ayant sa propre fonction
d’utilité. Cette dernière permet de ranger toutes les actions de la meilleure à la moins
bonne sans tenir compte de l’incomparabilité. Or, le fait de savoir qu’une action a est
meilleur que b et c nous dispense d’une analyse des préférences entre b et c qui peuvent
rester incomparables sans que cela mette en cause l’efficacité de l’aide à la décision.
Par conséquent, il s’avère nécessaire de tenir compte de l’incomparabilité dans un
processus de décision. En outre, cette approche autorise la complète transitivité. Dans
ce sens, Schärlig (1985) réclame que : « ces méthodes établissent une fonction-critère
unique, qui est certes le fruit de jugement posé critère par critère, mais qui n’en revient
pas moins à une agrégation finale monocritère. En voulant tout agréger, ces méthodes
risquent fort de n’être que des moulinettes écrasant les nuances ».

85
 Aide multicritère à la décision

Face à toutes ces considérations, B. Roy a fondé l’approche de surclassement qui

accepte l’incomparabilité et l’intransitivité à la faveur de la clarté des résultats. Cette
approche, d’inspiration française, cherche, en premier lieu à construire des relations
binaires, appelées relations de surclassement. Roy (1974) définit une relation de
surclassement comme étant « une relation binaire S définie dans A telle que aSb si,
étant donné ce que l’on sait des préférences du décideur et étant donné la qualité des
évaluations des actions et la nature du problème, il y a suffisamment d’arguments pour
admettre que a est au moins aussi bonne que b, sans qu’il y ait de raison importante de
refuser cette affirmation ». Ainsi, les relations de surclassement visent à représenter les
préférences du décideur selon l’information disponible. Certaines des méthodes
multicritères de cette approche, font appel, avant la construction de ces relations, à des
seuils de discrimination (indifférence, préférence) et même de veto, au niveau de
chacun des critères, afin de modéliser localement les préférences du décideur. En
second lieu, ces relations sont exploitées dans le but d’aider à formuler une
recommandation qui peut apporter une réponse au problème de décision.

Cette approche renferme plusieurs méthodes dont les principales sont : ELECTRE I,
II, III et IV et PROMETHEE I et II (pour plus de détails, voir Vincke (1989)).

[Link] Elimination Et Choix Traduisant la

REalité I (ELECTRE I)

Cette méthode, développée par Roy (1968), est destinée aux problèmes de choix
multicritère. Dans ce cadre, elle cherche à avoir un sous - ensemble N d’actions telles
que toute action qui n’est pas dans N est surclassée par au moins une action de N. Ce
sous-ensemble, rendu aussi petit que possible, ne constitue donc pas l’ensemble des
bonnes actions mais c’est l’ensemble dans lequel se trouve certainement le meilleur
compromis cherché. En théorie des graphes, un tel ensemble porte le nom de noyau de
graphe et des algorithmes existent pour le déterminer.

Pour construire une relation de surclassement, on est amené à calculer pour chaque
couple d’actions (a, b) deux types d’indices. Le premier est l’indice de concordance qui
varie entre 0 et 1. Il mesure en quelque sorte les arguments en faveur de l’affirmation
« a surclasse b ». Le deuxième est l’indice de discordance qui est aussi compris entre 0
et 1. Il est d’autant plus grand que la préférence de b sur a est forte sur au moins un

86
 Aide multicritère à la décision

critère. On conclut au surclassement de b par a si un test de concordance et un test de

non discordance sont satisfaits. Si l’un ou l’autre ou les deux ne sont pas satisfaits, on se
trouve en situation d’incomparabilité.

Pour trouver le meilleur compromis, il reste à analyser de façon plus fine les actions
du noyau. En pratique, il sera mieux de faire varier les paramètres de la méthode (poids
des critères, indices de concordance et de discordance) et d’étudier la robustesse du
résultat par rapport à ces variations.

[Link] ELECTRE II

La méthode ELECTRE II est plutôt destinée au problème de rangement. Elle vise à

classer les actions de la meilleure à la moins bonne. Tels qu’ils sont définis dans
ELECTRE I, deux seuils de concordance c1 et c2 sont fixés avec c1 > c2. Ensuite, il
s’agit de construire une relation de surclassement fort SF et une relation de
surclassement faible Sf.

La classe des meilleures actions qui constitue la première classe du rangement est
obtenue après réduction des circuits de SF. D’abord, on détermine l’ensemble B des
actions qui ne sont surclassées fortement par aucune autre action. Ensuite, à l’intérieur
de cet ensemble, on réduit les circuits de Sf et on détermine l’ensemble A1 des actions
qui ne sont surclassées faiblement par aucune autre action de B. L’ensemble A1
constitue la première classe du rangement et la procédure recommence dans l’ensemble
qui reste, donnant lieu ainsi à un pré-ordre complet.

Un deuxième pré-ordre complet est construit de manière analogue mais en

commençant par la classe des moins bonnes actions (celles qui n’en surclassent aucune
autre) et en « remontant » vers les meilleures. Généralement, les deux pré-ordres
obtenus ne sont pas les mêmes. S’ils sont proches, c’est au décideur de proposer un
« pré-ordre médian ». Sinon, une étude plus approfondie s’avère primordiale vu que les
données risquent d’être trop divergentes pour construire un pré-ordre complet
acceptable. Dans les deux cas, une analyse de robustesse est évidemment nécessaire.

87
 Aide multicritère à la décision

[Link] ELECTRE III

Les méthodes ELECTRE I et II concernent des problèmes utilisant des vrais-

critères. Suite à l’évolution de la modélisation des préférences, la méthode ELECTRE
III est apparue comme une procédure qui prend explicitement en compte des seuils
d’indifférence et de préférence. En plus, elle a la particularité de se baser sur une
relation de surclassement valuée qui, par rapport à une relation ordinaire, est moins
sensible aux variations des données et des paramètres introduits. En outre, cette
méthode, tel est le cas de ELECTRE II, concerne la problématique de rangement.

La relation de surclassement valuée de la méthode ELECTRE III est caractérisée par

la définition d’un degré de surclassement S(a, b) associé à chaque couple (a, b)
d’actions, qui représente la plus ou moins grande crédibilité de surclassement de a sur
b. Ce degré, compris entre 0 et 1 est d’autant plus grand que la « solidité » du
surclassement de a sur b est importante. Sa détermination fait intervenir un indice de
concordance et un indice de discordance tels qu’ils sont définis dans les méthodes
ELECTRE I et II ainsi que des poids associés aux pseudo- critères.

Cette méthode s’avère plus sophistiquée que les autres méthodes vu qu’elle intègre
des aspects qui sont souvent négligeables dans les autres. En plus, elle fournit des
résultats relativement stables. Toutefois, elle fait intervenir un grand nombre de
paramètres techniques devant être fixés par l’homme d’étude et dont leur interprétation
physique est inexistante ce qui rend cette méthode trop compliquée et même difficile à
interpréter.

[Link] ELECTRE IV

Comme la précédente, cette méthode considère une famille de pseudo- critères. Elle
opte aussi pour une problématique de rangement mais sans avoir pondérer les critères. Il
s’agit de construire deux relations de surclassement (une forte SF et une faible Sf):

 a SF b s’il n’existe aucun critère pour lequel b est strictement préférée à a et si le

nombre de critères pour lesquels b est faiblement préférée à a est au plus égal au
nombre de critères pour lesquels a est préférée (faiblement ou strictement) à b.

88
 Aide multicritère à la décision

 a Sf b s’il n’existe aucun critère pour lequel b est strictement préférée à a mais
que la deuxième condition pour avoir le surclassement fort ne soit pas vérifiée.
 Ou s’il existe un seul critère pour lequel b est strictement préférée à a, à
condition que l’écart en faveur de b ne dépasse pas le seuil de veto et que a soit
strictement préférée à b pour au moins la moitié des critères.

La méthode ELECTRE IV évite le problème de détermination des poids en faisant

l’hypothèse qu’il n’existe aucune relation de plus ou moins grande importance relative
des critères. Cela ne signifie pas que tous les critères ont la même importance mais
plutôt cela implique qu’aucun critère n’est négligeable par rapport à un autre.

[Link] Preference Ranking Organization

METHod for Enrichment Evaluations
(PROMETHEE)

Cette méthode est considérée comme une des plus récentes des méthodes de
surclassement. Elle se base sur une extension de la notion de critère. Cette dernière
nécessite la fixation, par le décideur, d’un certain nombre de paramètres qui ne posent
pas de difficultés. A l’aide de cette méthode, un graphe valué de surclassement est
obtenu sur la base duquel deux exploitations particulières sont proposées. La première
permet d’obtenir une relation partielle et tolère l’incomparabilité ; c’est la méthode
PROMETHEE I. La seconde permet de ranger les actions potentielles de la meilleure à
la moins bonne selon un pré-ordre total ; c’est la méthode PROMETHEE II.

PROMETHEE compare les actions deux à deux en associant à chaque critère j une
fonction de préférence Sj. Cette fonction modélise les préférences du décideur selon ce
même critère j. Elle possède les propriétés suivantes :

1- Chaque fonction de préférence prendra ses valeurs entre 0 et 1. Plus la valeur est
proche de 0, plus l’indifférence du décideur pour les deux actions augmente. Plus elle
tend vers 1, plus sa préférence pour une action grandit. En cas de préférence stricte, la
fonction devient égale à 1.
Brans et al. (1984) proposent six fonctions de préférence selon le type du critère : vrai-
critère, quasi-critère, critère à préférence linéaire, critère à paliers, critère à préférence
linéaire avec zone d’indifférence et critère gaussien. En effet, la démarche de la
méthode PROMETHEE suppose que le décideur évolue dans son comportement d’une

89
 Aide multicritère à la décision

phase d’indifférence (0) vers une autre préférence faible pour atteindre finalement la
phase de préférence stricte (1). Evidemment, ces six types ne sont pas exclusifs et le
décideur n’est pas restreint à utiliser l’un ou l’autre de ces critères.

2- Il s’agit de définir deux seuils afin d’identifier la fonction de préférence de

certains critères. Le premier est le seuil d’indifférence qui correspond à la valeur
minimale de la différence entre les valeurs des deux actions a et b selon un même
critère, au-dessous de laquelle, le décideur serait indifférent entre les deux actions a et
b. Le deuxième est le seuil de préférence qui correspond à la valeur minimale de la
différence entre les valeurs des deux actions a et b selon un même critère, au-dessus de
laquelle, l’action a est préférée à b.

3- Le passage d’une préférence à un surclassement lors du processus de décision

exige, pour chaque action a, d’utiliser des indices de préférence qui représentent les
degrés de surclassement, des flux sortants qui représentent la dominance de a par
rapport aux autres actions, des flux entrants qui représentent la faiblesse de a par
rapport aux autres actions et des flux nets qui représentent les bilans des flux entrants et
sortants.

2.3.3 Approche interactive

Dans les méthodes précédentes, le décideur n’intervient que dans la définition du

problème en donnant son ensemble de choix, ses préférences selon chaque attribut et sa
problématique. Dans l’approche interactive, le décideur contribue directement à la
construction de la solution en intervenant dans la méthode. Ainsi, le décideur peut
apporter de l’information au fur et à mesure que le processus d’analyse multicritère se
déroule. Une méthode interactive consiste donc en une alternance d’étapes de calculs et
d’étapes de dialogue avec le décideur. Une première solution est obtenue avec la
première étape de calculs. Face à cette solution, le décideur réagit en enrichissant ses
préférences lors de l’étape de dialogue. Les informations supplémentaires sont injectées
dans le modèle utilisé et permet d’obtenir une nouvelle solution.

La littérature fait ressortir une panoplie de méthodes interactives parmi lesquelles

nous présentons les plus importantes à savoir : STEM, méthode de Geoffrion, Dyer et
Feinberg (1972), méthode du point de mire, méthode de Zionts et Wallenius (1983),

90
 Aide multicritère à la décision

méthode de Vincke (1976), méthode du point de référence, méthode de Steuer et Choo

(1983), méthode de Korhonen et Laakso (1986), méthode de Jacquet-Lagreze, Meziani
et Slowinski (1987) et Méthode de Vanderpooten (1988). Le lecteur intéressé trouvera
les détails dans Vincke (1989). En suivant la notation de Vincke (1989), l’ensemble ZA
représente l’image de A dans l’espace des critères et un élément z de ZA proposé au
décideur représente une solution de compromis.

[Link] STEM

Cette méthode a été développée par Benayoun et al. (1971). Sa démarche consiste à
réduire progressivement l’ensemble ZA en ajoutant, à chaque itération des contraintes
(matrice des gains) sur les valeurs des critères. A l’itération h, une solution de
compromis zh est obtenue en minimisant « une distance pondérée augmentée de
Tchebycheff » (voir la définition dans Vincke (1989) sur Z Ah , ensemble réduit à cette
itération).

Cette méthode a le mérite d’avoir été la première méthode interactive proposée dans
la littérature et d’avoir ainsi ouvert un important domaine de recherche. Son
inconvénient majeur réside dans le caractère irrévocable de certaines étapes. Par
exemple, si une concession a été réalisée sur un critère, elle est définitivement
enregistrée dans le modèle. Si le décideur désire changer d’avis, il doit reprendre la
procédure depuis le début.

[Link] Méthode de Geoffrion, Dyer et Feinberg

(1972)

Cette méthode a été proposée pour résoudre des programmes mathématiques à

objectifs multiples où A est un sous-ensemble convexe et compact de RP. En plus, cette
méthode suppose que le décideur désire maximiser une fonction d’utilité qui n’est pas
connue explicitement mais qui est supposée différentiable et concave. La méthode
constitue une adaptation au cas multiobjectif de l’algorithme de Franke-Wolfe qui a été
choisi vu sa robustesse et sa convergence rapide. De manière analogue, d’autres
algorithmes de programmation mathématique pourraient être rendus interactifs.

91
 Aide multicritère à la décision

Contrairement à la plupart des méthodes se basant sur des hypothèses particulières à

propos d’une fonction d’utilité implicite, cette méthode n’exclut aucune solution au
cours des étapes successives. D’où, elle peut être utilisée comme processus exploratoire
dans une approche de type « essai-erreur » si on élimine les hypothèses de départ et les
propriétés de convergence.

[Link] Méthode du point de mire

Cette méthode, fondée par Roy (1976), détermine itérativement une région
intéressante et une direction de recherche (matérialisée par un vecteur de poids) qui
permettent de générer une solution de compromis en minimisant « une distance
pondérée augmentée de Tchebycheff ». Ce processus se poursuit suivant une approche
« essai-erreur ». Cette procédure est applicable dans tous les cas, y compris lorsque A
est défini par une liste d’actions.

La méthode du point mire ne suppose pas l’existence d’une fonction d’utilité stable
ce qui n’exige aucune cohérence particulière de la part du décideur. Ce dernier est alors
libre de changer d’avis. L’objectif principal de cette méthode réside dans
l’apprentissage des préférences par une approche « essai-erreur ».

[Link] Méthode de Zionts et Wallenius (1983)

Cette méthode a été proposée dans le contexte de la programmation linéaire à

objectifs multiples. Elle génère une suite de sommets sur la base d’approximations
linéaires d’une fonction d’utilité implicite supposée pseudo-concave.

La méthode est donc basée sur l’hypothèse très forte qu’il existe une fonction
d’utilité pseudo-concave et que les réponses du décideur sont cohérentes avec cette
fonction. En plus, le décideur est amené à répondre à de très nombreuses questions,
aussi, beaucoup de calculs doivent être réalisés.

92
 Aide multicritère à la décision

[Link] Méthode de Vincke (1976)

Cette méthode n’est applicable qu’aux programmes linéaires à objectifs multiples.

Elle utilise les propriétés classiques du Simplexe. Elle permet toujours de revenir en
arrière car aucune étape n’est irrévocable. Il est aussi possible de modifier l’ensemble
des actions et le décideur peut changer les contraintes durant la procédure. La méthode
exige un dialogue constant avec le décideur, mais les informations fournies sont
essentiellement de nature qualitative.

[Link] Méthode du point de référence

Wierzbicki (1982) a développé une approche plutôt générale que spécifique. Le

décideur est amené à fixer des niveaux d’aspiration (points de référence), puis, l’homme
d’étude essaie de les rapprocher au mieux sur la base d’une « fonction scalarisante » s.
Ainsi, cette méthode diffère des méthodes basées sur les fonctions d’utilité vu qu’elle
utilise des niveaux d’aspiration. Intuitivement, s’il n’est pas possible d’atteindre ces
niveaux d’aspiration, on obtient une des solutions efficaces les plus proches (au sens de
s) de ces niveaux. S’il est possible de dépasser les niveaux d’aspiration, on obtient une
des solutions efficaces parmi les meilleures (au sens de s). Cette approche se place dans
une perspective de processus d’apprentissage.

[Link] Méthode de Steuer et Choo (1983)

Cette méthode présente des échantillons prélevés dans des ensembles de plus en
plus petits de solutions efficaces. Ils sont constitués de solutions représentatives,
calculées à l’aide d’une distance de Tchebycheff pondérée augmentée et parmi
lesquelles le décideur doit désigner celle qu’il préfère.

Cette procédure peut être appliquée dans tous les cas, y compris lorsque A est défini
par une liste d’actions. Elle ne fait intervenir aucune hypothèse au terme d’une
éventuelle fonction d’utilité implicite. Le décideur peut changer d’avis mais d’une
façon limitée car l’ensemble des vecteurs de poids est réduit à chaque itération. Il doit
fournir une information qualitative qui peut devenir difficile à avoir si le nombre de
critères croît. L’inconvénient majeur de cette méthode réside dans l’introduction de

93
 Aide multicritère à la décision

paramètres techniques qui doivent être fixés à l’avance et qui n’ont aucune signification
intuitive. En plus, de nombreux calculs doivent être effectués à chaque itération et la
procédure d’arrêt est artificielle.

[Link] Méthode de Korhonen et Laakso (1986)

Dans cette méthode, le décideur doit fournir, à chaque itération, des niveaux
d’aspiration à partir desquels une « courbe » de solutions efficaces est déterminée. Cette
courbe est présentée sous forme d’un graphique au décideur qui doit désigner sa
solution préférée. Bien que cette méthode s’inscrive surtout dans une perspective
d’apprentissage, elle tend aussi à renforcer la confiance du décideur pour la solution de
compromis finale, par la vérification de conditions d’optimalité. Elle peut être
appliquée à tous les cas, y compris celui où A est défini par une liste d’actions.

[Link] Méthode de Jacquet-Lagreze, Meziani et

Slowinski (1987)

Dans cette méthode, une fonction d’utilité est construite interactivement sur la base
d’un sous-ensemble de solutions et est ensuite appliquée à l’ensemble complet. Cette
fonction d’utilité est supposée valable dans tout l’ensemble A : c’est une hypothèse
d’autant plus forte que le décideur n’a pas la possibilité de réagir face à la solution de
compromis finale.

[Link] Méthode de Vanderpooten (1988)

Cette méthode propose de comparer la meilleure solution trouvée précédemment à

une autre susceptible de représenter une amélioration. La réponse du décideur est
analysée de manière à construire une nouvelle proposition. Le décideur peut, à tout
moment, introduire des niveaux minimaux sur les critères, en dessous desquels il refuse
de descendre en particulier lorsqu’il a une meilleure connaissance du problème et que
ses préférences commencent à se structurer. L’information demandée au décideur est
qualitative et les réponses suivent au maximum les réponses du décideur.

94
 Aide multicritère à la décision

Tableau 6 : Tableau récapitulatif des méthodes d’AMCD

Approches Critère unique de Surclassement de interactive
synthèse synthèse
Famille de MAUT, SMART, UTA, ELECTRE I, II, III et IV et STEM, méthode de Geoffrion, Dyer et
méthodes TOPSIS, AHP, GP, PROMETHEE I et II. Feinberg (1972), méthode du point de mire,
MACBETH. méthode de Zionts et Wallenius (1983),
méthode de Vincke (1976), méthode du
point de référence, méthode de Steuer et
Choo (1983), méthode de Korhonen et
Laakso (1986), méthode de Jacquet-
Lagreze, Meziani et Slowinski (1987).
Articulation à priori à priori progressive
des
préférences
Structure des - Préférence ou - Préférence forte ou faible Interaction entre l’homme d’étude et le
préférences indifférence. ou indifférence. décideur.
- Pas - Incomparabilité.
d’incomparabilité.
Avantages - Simple, claire. - Acceptation de - Possibilité d’avoir un nombre très grand
- Résultat riche. l’incomparabililé et d’actions.
l’intransitivité. - Interaction avec le décideur jusqu’à ce
- Richesse des relations qu’il se montre satisfait.
possibles entre deux
actions.
- Pas de contraintes de
rationalité mathématique
imposées au décideur.
- Traitement simultané de
critères quantitatifs et
qualitatifs.
Inconvénients - Hypothèses rigides. - Résultat parfois non - Il faut que le décideur soit très disponible.
- Nombreuses clair, simple et définitif. - Il faut que le décideur accorde sa
informations - Nombre réduit d’actions confiance totale à l’homme d’étude.
supplémentaires comparées deux à deux. - le décideur doit accepter une méthode qui
demandées au fournit une solution, sans avoir forcément
décideur. exploré l’ensemble des actions.
- Commensurabilité - Risque que le décideur n’ose pas arrêter
des jugements. les itérations.
- Complète transitivité - Dans le cas de plusieurs décideurs, il y a
des jugements. un risque de conflit et de méfiance.
- Compensation entre
les critères.

D’après l’étude des méthodes d’AMCD présentée ci-dessus, nous constatons que ces
méthodes se différencient par la façon et la structure de modélisation des préférences du
décideur. Le tableau 6 récapitule ces méthodes d’AMCD en ajoutant les avantages et les
inconvénients de chacune d’entre elles. Certes, il n’existe pas de méthode idéale. Le
choix d’une méthode d’AMCD peut dépendre de la nature du problème, du contexte
culturel et de la personnalité du ou des décideurs.

Concernant le domaine d’aide au pilotage, il s’inscrit plutôt dans une démarche

interactive avec le décideur. En effet, il ne s’agit, ni d’agréger les préférences au niveau
de chaque attribut en une utilité unique, ni de construire des relations de surclassement.

95
 Aide multicritère à la décision

L’intégrale de Choquet sera utilisée, tout d’abord, non pas comme opérateur
d’agrégation mais plutôt comme modèle analytique apte à prendre en compte les
interactions entre les critères.

2.4. Synthèse de l’analyse bibliographique

Au vu de ce parcours bibliographique, nous constatons l’absence de liens entre la

détermination des poids des critères et leur agrégation. En fait, toutes les méthodes de
détermination des poids des critères peuvent être appliquées à toutes les procédures
d’agrégation multicritère sans être liées à une procédure bien précise. Mousseau (1993)
affirme que « dans un problème de décision multiobjectif, différentes techniques
produisent différents résultats. Ces différences ne doivent pas être considérées comme
des incohérences. Il devrait plutôt en être conclu que ces différences font ressortir la
nécessité de savoir comment les poids, les échelles et d’autres facteurs sont utilisés
avant d’appliquer une technique ». Ainsi, il est nécessaire d’accorder des poids aux
critères en cohérence avec leur agrégation.

Nous remarquons aussi que ces poids qui sont ou bien fournis directement par le
décideur, ou bien déterminés à l’aide d’une méthode, demeurent statiques durant une
période de temps donnée et ne varient pas parfois même avec le changement de
l’ensemble des actions. La décision doit être prise dans un processus dynamique vu la
mobilité de l’environnement. Dans ce sens, Cowie et Burstein (2007) ont proposé un
modèle de qualité des données afin de pouvoir gérer les échanges éventuels qui peuvent
survenir pendant le processus de prise de décision.

En outre, la famille des critères est souvent déterminée de façon à éviter toute sorte
de dépendance entre eux, ce qui n’est pas toujours abordable dans le cas réel. Ainsi, il
ne faut pas négliger les interactions qui peuvent exister entre les différents critères.
Dans ce sens, Clivillé (2004) a proposé de remplacer l’opérateur moyenne pondérée
dans la méthode MACBETH par l’intégrale de Choquet.

Comme nous déduisons de la bibliographie, le décideur doit au moins fournir son

ensemble de choix, ses préférences pour chaque attribut et sa problématique. Or, il
arrive rarement que les actions et les critères d’un problème de décision soient des
réalités objectives faciles à appréhender et à modéliser. Certains auteurs ont essayé de

96
 Aide multicritère à la décision

surmonter cette insuffisance de l’AMCD en la combinant avec l’ajout de nombres flous

pour gérer des informations qui sont parfois incomplètes ou imprécises. Ainsi les
évaluations des alternatives seront représentées par des nombres flous (Socorro Garcia-
Cascales et Teresa Lamata, 2007).

2.5. Conclusion

Nous avons montré, dans le premier chapitre, le besoin de concevoir le pilotage

d’un processus en tant qu’un système d’aide multicritère à la décision. Ceci nous a
conduit à se rapprocher à d’autres types de systèmes en l’occurrence les systèmes de
RàPC. Cette méthode permet la capitalisation des connaissances du domaine, point
essentiel de notre système d’aide à la décision. En fait, le RàPC se présente comme
proche du fonctionnement cognitif humain vu qu’il utilise des cas analogues pour
prendre une décision. Les systèmes du RàPC sont bien adaptés à la coopération avec
des utilisateurs humains. Ils sont donc censés fournir un support pour la résolution de
problèmes et avoir une présentation conviviale et agréable à adopter. Les méthodes
d’AMCD, exposées précédemment, pourront apporter le caractère apprenant au système
de pilotage par l’exploitation et la mise à jour des bases de connaissances par le RàPC.

97
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

Chapitre 3 :

Un modèle d’aide au pilotage d’un

processus basé sur le RàPC

3.1 Introduction .................................................................................................................................... 99

3.2 Problématique ............................................................................................................................... 100
3.3 Un modèle d’aide au pilotage d’un processus ............................................................................... 102
3.3.1 Hypothèses du modèle .......................................................................................................... 102
3.3.2 Etapes du modèle .................................................................................................................. 103
3.4 L’existant et les applications du RàPC dans les modèles de pilotage de processus ....................... 117
3.5 Clustering : concepts de base ......................................................................................................... 118
3.5.1 Définition ............................................................................................................................... 119
3.5.2 Algorithmes de clustering ..................................................................................................... 120
3.5.3 Mesures de distance .............................................................................................................. 123
3.5.4 Critères d’évaluation du clustering ........................................................................................ 124
3.5.5 Pratiques de clustering .......................................................................................................... 125
3.6 Un modèle d’aide au pilotage d’un processus basé sur le RàPC et le clustering............................ 126
3.6.1 Préliminaires à l’algorithme développé ................................................................................. 127
3.6.2 Etapes de l’algorithme ........................................................................................................... 130
3.6.3 Illustration de l’algorithme .................................................................................................... 130
3.7 Conclusion ...................................................................................................................................... 133

98
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

3.1. Introduction

Le rôle du pilotage est de fournir des plans d’action à mettre en œuvre sur les
processus pour une amélioration permanente de la performance. Ceci nécessite de
prendre des décisions selon un certain nombre de critères. Afin de faciliter la prise de
décisions et d’éviter toute sorte de perte des expériences passées, il faut aussi capitaliser
la connaissance experte pour améliorer l’efficacité des interventions du pilote d’un
processus. D’où, le besoin d’un modèle d’aide au pilotage d’un processus qui combine
l’aide multicritère à la décision et la capitalisation des connaissances.

Après avoir posé la problématique, ce chapitre propose un modèle d’aide au

pilotage d’un processus qui sera illustré par un exemple de processus opérationnel de
recyclage d’un véhicule hors d’usage. Etant donné que notre objectif consiste à trouver
la solution d’un nouveau cas en se basant sur des cas passés, une bonne recherche de
cas similaires s’avère primordiale pour garantir la pertinence du modèle. Hors, la
recherche de cas similaire est elle-même conditionnée par la représentation des cas.
Ainsi, une représentation des cas adéquate facilite la recherche de cas similaire et
améliore par la suite tout le cycle du RàPC.

Dans ce sens, il propose aussi un autre modèle d’aide au pilotage d’un processus
basé sur une hybridation entre le RàPC et le clustering (Dhouib et al., 2009 b). Ce
modèle vise l’amélioration de la recherche de cas similaires par une représentation des
cas sous forme de groupes homogènes. Autrement dit, l’application d’une méthode de
clustering représente une façon d’arranger notre base de cas afin de faciliter l’aide au
pilotage.

Ces deux modèles ne sont pas concurrents mais plutôt s’enrichissent mutuellement;
ils sont en relation de complémentarité. En effet, l’objectif du deuxième modèle hybride
qui s’est fondé sur le RàPC et le clustering est d’ordonner la base de cas sous forme de
groupes homogènes. Ensuite, le premier modèle, au lieu qu’il soit appliqué dans toute
la base de cas, il sera juste appliqué au sein du cluster contenant le nouveau cas dont on
cherche sa solution.

99
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

3.2. Problématique

A travers les chapitres précédents, nous avons montré la nécessaire conception d’un
système de pilotage en tant qu’un système d’aide multicritère à la décision qui s’inscrit
dans une démarche interactive avec le décideur. En effet, le pilotage consiste à mener
des actions adéquates afin d’atteindre les objectifs. Il s’agit donc de prendre des
décisions qui peuvent être un choix, un classement ou un tri, ou encore la mise en
œuvre de nouvelles solutions. Ainsi, ces décisions sont à l’origine d’un ensemble de
facteurs et d’indicateurs dont il faut analyser et quantifier les relations de causalités qui
surviennent entre eux afin de garantir une amélioration continue des performances des
processus de l’entreprise. Pour ce faire, nous nous sommes inspirés des travaux
d’Addouche et al. (2005) qui ont exploité la théorie de l’information pour fournir une
méthode entropique d’analyse causale entre inducteurs et indicateurs de performance.

En plus, il ne faut pas négliger les relations de dépendance qui peuvent exister entre
les différents critères de notre système d’aide multicritère à la décision. Pour cela, nous
avons utilisé l’intégrale de Choquet comme modèle analytique permettant de construire
une fonction apte à prendre certaines formes de dépendances souvent appelées
interactions entre critères. Certes, il existe d’autres modèles d’utilité le permettant
également (Gonzales et Perny, 2005). Notre intérêt est tout particulièrement accordé à
l’intégrale de Choquet vu sa grande popularité et l’abondance de publications qui en
font état pour l’aide à la décision.

En effet, l’intégrale de Choquet a fait l’objet de plusieurs travaux en théorie de la

décision. En décision dans l’incertain ou le risque, elle a fournit des modèles de l’utilité
espérée au sens de Choquet, de l’utilité dépendante du rang, etc. (Chateauneuf et
Cohen, 2000). En décision multicritère, elle a été utilisée comme une fonction générale
d’agrégation des scores qui tient compte de l’interaction entre les critères (Grabisch et
al., 2003). Les poids sur les groupes de critères définissent une capacité µ ou mesure
floue.

Vu la complexité des calculs, nous nous limitons à l’intégrale de Choquet 2-

additive. La capacité 2-additive représente l’interaction entre deux critères uniquement,
ce qui est suffisant en pratique (Grabisch, 2006). D’ailleurs Grabisch et al. (2002) ont
prouvé expérimentalement que la différence de précision entre un modèle 2-additif et

100
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

un modèle complet est faible. Ainsi, une capacité 2-additive est un bon compromis
n(n 1)
entre richesse et complexité. Elle nécessite uniquement 1.
2

Pour faciliter l’aide au pilotage d’un processus, il faut se disposer d’une

information fiable et utile. De cette manière, il n’y a plus de frontière entre les systèmes
d’information et de décision. Ainsi, un système de pilotage ne se limite pas à un simple
développement informatique mais il s’étend à un système d’apprentissage fondé sur la
capitalisation des connaissances pour aider à temps le décideur. En effet, le caractère
évolutif et dynamique du contexte industriel suggère que l’on accentue l’intérêt porté
aux connaissances de l’entreprise et de leur évolution dans le temps. Cela suppose que
l’on dispose non seulement d’un moyen de mémoire des connaissances que l’on a de
l’entreprise mais aussi d’un moyen de les exploiter et d’inférer sur de nouvelles
situations et contextes.

Le RàPC a été choisi comme méthode d’apprentissage et de résolution de problèmes

basée sur les expériences passées. Aujourd’hui, cette méthode s’apparente de plus en
plus à une méthode de gestion des connaissances. Lors de la modélisation de la
connaissance du domaine, les experts interviewés, loin de maîtriser leur domaine, ne
s’expriment qu’en citant des exemples issus de leurs expériences. Ces dernières seront
représentées par des cas.

Notre objectif consiste donc à piloter un processus après avoir le caractériser, le

préparer et organiser des revues de processus (l'ordre du jour, les décisions à prendre),
définir et gérer des indicateurs de performance afin de promouvoir une logique
d’amélioration continue. Nous tentons donc de fournir au pilote un outil d’aide à la
décision afin d’estimer les indicateurs de sortie du processus et de le guider à prendre
les meilleures décisions. Cet outil se base sur des cas analogues passés à partir des quels
le pilote résout un nouveau problème.

Les modèles proposés favorisent une analyse permanente des processus de

l’entreprise tout en suivant les événements qui se procurent, en détenant une base de
données riche de facteurs et d’indicateurs de performance, en étant simple de
consultation et revêtant un caractère synthétique. En cela, les modèles proposés aident à
adopter des actions convenables issues de la logique du RàPC. Ces modèles s’inscrivent
dans une démarche d’amélioration continue de la performance. Ils peuvent fournir des
éléments de décisions complexes et multicritères tout en capitalisant les expériences et

101
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

les connaissances que l’on accumule sur les processus. Ils deviennent ainsi de véritables
outils de prévision. D’où, le besoin de modèles d’aide au pilotage d’un processus qui
combinent l’aide multicritère à la décision et la capitalisation des connaissances. Ils
intègrent ainsi l’ordre préférentiel et l’ordre statistique.

3.3. Un modèle d’aide au pilotage d’un processus

Dans cette section, d’abord, les hypothèses du modèle seront avancées pour aborder
ensuite ses différentes étapes.

3.3.1 Hypothèses du modèle

Notre choix a ciblé le pilotage technique qui intervient au niveau des processus. Le
système physique traité peut être les ateliers, les lignes de production et les processus
opérationnels qui feront l’objet de notre étude. Notre intérêt sera donc accordé à l’aide
au pilotage d’un processus opérationnel.

Au vu d’un ensemble de paramètres relatifs à un processus donné, nous tentons

d’estimer des indicateurs de performance afin de mener les actions nécessaires. Ceci se
fait grâce aux expériences passées au sein du processus en question. Nos travaux
s’inscrivent donc dans le cadre d’aide à la décision à la lumière des paramètres du
processus qui représentent les critères du modèle. Ces critères interdépendants influent
l’atteinte des objectifs. Le rôle du RàPC est d’estimer les indicateurs d’un nouveau cas
pour aider le décideur à prendre les actions adéquates à ce cas tout en exploitant les cas
passés. Ceci se fait en tenant compte d’un certain nombre d’éléments :

 La dépendance des critères qui sera traitée par l’intégrale de Choquet 2-additive.
 Les relations de causalités entre les paramètres du processus et les indicateurs de
performance. Ces relations seront analysées grâce à la théorie de l’information.
 Le raffinement de la base de cas qui sera fait à l’aide de l’Analyse en
Composantes Principales (ACP).

Pour tenir compte de ces éléments, certaines hypothèses seront prises sur lesquelles
se base le modèle proposé :

102
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

Une hypothèse relative à l’application du RàPC qui considère que des problèmes
similaires d’un même domaine ont des solutions similaires. Cette hypothèse doit être
adoptée avec prudence. En fait, à un état ou encore à un ensemble de paramètres
correspond, certes, une performance. Toutefois, à une performance peut correspondre
plusieurs états, par exemple : un produit en retard cause panne ou cause grève ou cause
mauvaise planification, ce qui n’entraînera pas les mêmes actions. Autrement dit, en
aucune manière, il y a une bijection entre un état du système et sa performance.

Pour une finalité de simplicité, les critères utilisés dans le modèle sont des critères
quantitatifs. Cependant, il est évident que des critères qualitatifs peuvent décrire un
processus. Ceci sera traité dans le chapitre IV à l’aide d’une approche linguistique.

Une hypothèse de monotonie des critères relative à l’application de l’intégrale de

Choquet. Cette hypothèse exprime le fait que l’importance d’un groupe de critères ne
peut décroître si on ajoute un critère au groupe.

Les relations de dépendance au sens des préférences entre deux critères i et j

peuvent être de trois types (Grabisch, 2002) :

Relation de synergie positive ou de complémentarité : l’importance de i et j pris

ensemble est plus grande que la somme des importances individuelles de i et j.
Relation de synergie négative ou de redondance : l’importance de i et j pris ensemble
est plus petite que la somme des importances individuelles de i et j.
Relation d’indépendance : l’importance de i et j pris ensemble est égale à la somme des
importances individuelles de i et j.

3.3.2 Etapes du modèle

Le modèle proposé comprend 7 phases réunies dans le diagramme de la figure 12.

Un diagramme analytique détaillant ces phases est représenté par la figure 13.

103
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

1. Description du processus

2. Construction de la base de cas

3. Raffinement de la base de cas

4. Ajout du nouveau cas

5. Construction des poids des

critères

6. Calcul des similarités

7. Construction de la solution du
nouveau cas

Figure 12. Diagramme du modèle proposé

[Link] Description du processus

Le modèle commence tout d’abord par décrire le processus opérationnel à piloter.

Exemple 1. Prenons l’exemple d’un processus de recyclage d’un produit en fin de vie.
Le recyclage est un processus de traitement des déchets industriels et des déchets
ménagers qui permet de réintroduire, dans le cycle de production d'un produit, des
matériaux qui le composent. L'un des exemples qui illustre ce procédé est celui de la
fabrication de bouteilles neuves avec le verre de bouteilles jetées puis récupérées.
Le recyclage s'inscrit dans la stratégie de traitement des déchets dite des trois R :
Réduire, qui regroupe tout ce qui concerne la réduction de la production de déchets.
Réutiliser, qui regroupe les procédés permettant de donner à un produit usagé un nouvel
usage.
Recycler, qui désigne le procédé de traitement des déchets par recyclage.

104
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

Pour lutter contre l'augmentation des déchets, le recyclage est donc nécessaire mais il
doit être inclus dans une démarche plus large. La chaîne du recyclage est composée de
trois étapes :
Étape 1 : Collecte de déchets
Les opérations de recyclage des déchets commencent par la collecte des déchets.
Les déchets non recyclables sont incinérés ou enfouis en centres d'enfouissement
technique. Les déchets collectés pour le recyclage sont destinés à la transformation. La
collecte s'organise en conséquence. La collecte sélective, dite aussi séparative est la
forme la plus répandue pour les déchets à recycler. Le principe de la collecte sélective
est le suivant : celui qui crée le déchet le trie lui-même. À la suite de la collecte, les
déchets, triés ou non, sont envoyés dans un centre de tri où différentes opérations
permettent de les trier de manière à optimiser les opérations de transformation. Le tri
manuel est une de ces opérations.
Étape 2 : Transformation
Une fois triés, les déchets sont pris en charge par les usines de transformation. Ils sont
intégrés dans la chaîne de transformation qui leur est spécifique. Ils entrent dans la
chaîne sous forme de déchets et en sortent sous forme de matière prête à l'emploi.
Étape 3 : Commercialisation et consommation
Une fois transformés, les produits finis issues du recyclage sont utilisés pour la
fabrication de produits neufs qui seront à leur tour proposés aux consommateurs et
consommés.

[Link] Construction de la base de cas

Dans cette étape, il s’agit de former une base de cas comprenant un ensemble de
cas. La représentation de cette base dépend fortement de la structure et du contenu de
ces cas. Chaque cas représente une expérience décrite par certains critères qui peuvent
être de différents types d’informations. Les critères les plus discriminants seront utilisés
en tant qu’index pendant la recherche et l’ajout de cas. Un cas doit être aussi décrit par
la solution qui peut être des valeurs à estimer, des actions à adopter, des règles à suivre,
etc.

Etant donné qu’un nouveau problème est résolu en cherchant une expérience passée
appropriée, la recherche de cas similaires doit donc être à la fois efficace et rapide. Il

105
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

faut donc bien sélectionner les informations à stocker dans chaque cas. Il faut aussi
trouver sous quelle forme pour pouvoir décider comment la mémoire de cas devrait être
organisée et classée pour une récupération et une réutilisation de cas efficace.

Dans notre cadre d’aide au pilotage d’un processus, un cas est décrit par :

Les paramètres du processus opérationnel étudié qui sont les facteurs de performance
de ce processus. Il s’agit donc des critères de ce cas.
Les indicateurs de performance à estimer ainsi que les actions à adopter qui
représentent ensemble la solution de chaque cas.

Exemple 2. En se référant à l’exemple 2, prenons un exemple d’une base de cas inspiré

des travaux de Shih et al. (2006). Cette base est formée par 4 produits en fin de vie (voir
tableau 7) : phone cellulaire, réfrigérateur commercial, moniteur LCD, téléphone.
Chaque produit est décrit par des critères ainsi que par la solution:

Critères : les critères qui caractérisent chacun de ces 4 produits en fin de vie sont :
 le volume du produit en fin de vie (cm3) : C1
 le poids du produit en fin de vie (kg) : C2
 le nombre de tous les parts qui constitue le produit en fin de vie: C3

Solution: elle est représentée par :

 le coût de recyclage (dollars) : P1
 les stratégies menées pour un produit en fin de vie qui incluent :
(1) Réutilisation
(2) Service
(3) Réparation
(4) Recyclage avec désassemblage
(5) Recyclage sans désassemblage
(6) Mise au rebut
Tableau 7. Base de cas formée par 4 produits en fin de vie
Critères Solution
Produits
C1 C2 C3 P1 Stratégie
phone 120 0.09 32 2.8464 Réparation
cellulaire
réfrigérateur 562500 75 82 80.8781 Recyclage avec
commercial désassemblage
moniteur LCD 9555 2.4 56 5.1080 Recyclage sans
désassemblage
téléphone 1890 0.65 22 3.7653 Réutilisation

106
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

[Link] Raffinement de la base de cas

Si le nombre des critères est très élevé, il faut le réduire afin de faciliter la
modélisation des préférences du décideur. Pour ce faire, une analyse en composante
principale (ACP) sera appliquée à l’ensemble des critères. L’ACP est une méthode
particulièrement puissante pour analyser les données en tenant compte de leur caractère
multidimensionnel. En effet, dans de nombreuses applications, on observe non pas une
variable par individu, mais un nombre p souvent élevé. L’étude séparée de chacune de
ces variables est une phase indispensable dans le processus de dépouillement des
données mais insuffisante car elle laisse de côté les liaisons qui peuvent exister entre
elles et qui sont souvent l’aspect le plus important.

Dans notre contexte, les variables représentent les critères de chacun des cas et les
individus représentent les cas. L’ACP permet donc de réduire le nombre de critères
souvent élevé tout en tenant compte des différentes corrélations qui peuvent exister
entre eux. A l’issu de cette méthode, nous obtenons une base de données formée par des
cas où chacun est décrit par un nombre réduit de critères. Plusieurs logiciels ont été
développés pour l’analyse des données. Nous optons pour le choix du logiciel SPSS
considéré comme étant le plus populaire.

[Link] Ajout du nouveau cas

Notre objectif consiste à chercher la solution d’un nouveau cas se présentant à la

base de cas tout en exploitant les cas passés. Ce cas est décrit par les mêmes attributs
que ceux des cas de la base.

Comme il a été mentionné dans les chapitres précédents, l’aide au pilotage

nécessite :

La fixation des objectifs que le décideur cherche à atteindre.

L’analyse des relations de causalités entre les facteurs et les indicateurs de
performance. Dans notre cadre d’étude, les facteurs sont les critères qui
décrivent un cas alors que les indicateurs représentent la solution qu’on cherche
à estimer.

107
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

Ainsi, dans une démarche d’aide à la décision, après avoir fixé les objectifs
souhaités, il faut déterminer les variables d’actions sur lesquelles on peut agir afin de
mieux évoluer le processus en question (Dhouib et al., 2007 a). Pour ce faire, la
contribution de chaque variable dans l’atteinte d’un objectif fixé sera quantifiée en se
recourant à la théorie de l’information. Chaque fois que nous voulons amener un
indicateur de performance à la valeur voulue c’est-à-dire à l’objectif fixé, il faut
identifier les variables ou encore les facteurs les plus influents. Ceci sera fait à l’aide de
l’information mutuelle.

L’information mutuelle moyenne I (Cj ; Pi) quantifie la relation entre la variable de

décision Cj et un indicateur de performance Pi. C’est ce que l’on peut apprendre quand
à la contribution de la décision Cj = cjk’ dans la réalisation de la performance Pi = pik.
L’information mutuelle se calcule à partir des statistiques dont on dispose sur chacune
des variables de décision Cj et des indicateurs de performance Pi grâce à la formule [1].
k' k
k' k
p (C j c j ; Pi pi )
I ij I ( C j ; Pi ) p (C j c j ; Pi p i ) log k' k
[1]
k k'
p (C j c j ). p ( Pi pi )

En analysant l’information mutuelle de chaque couple de facteurs et d’indicateurs

de performance (noté I ( C j
k'
c j ; Pi
k k' k
p i ) ou I ( c j ; p i ) ), nous pouvons déterminer la

nature de l’influence mutuelle (pour plus de détails, voir Addouche et al. (2005)) :

Si I ( c kj ' ; p ik ) o alors prendre la décision cjk’ au sujet de Cj augmenterait la

probabilité d’atteindre la performance pik en termes de Pi.

Si I ( c kj ' ; p ik ) o alors prendre la décision cjk’ au sujet de Cj diminuerait la

probabilité d’atteindre la performance pik en termes de Pi.

Si I ( c kj ' ; p ik ) o alors prendre la décision cjk’ au sujet de Cj n’influerait pas sur

la probabilité d’atteindre la performance pik en termes de Pi.

Par conséquent, les variables de décision retenues sont celles qui ont une
information mutuelle positive avec l’indicateur en question. Autrement dit, ce sont les
variables qui mènent à l’atteinte de l’objectif fixé par le décideur. Tout en ayant les
variables nécessaires, nous pouvons donc déterminer un score global estimé (noté
NOUV) du nouveau cas qu’on tente à chercher ses indicateurs de performance et par la
suite les actions à entreprendre.

108
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

Exemple 3. Reprenons l’exemple du processus de recyclage. Supposons qu’un nouveau

cas s’ajoute à la base de cas de l’exemple 2. Le but étant de chercher sa solution
constituée par le coût de recyclage et par la solution qui peut être : réutilisation, service,
réparation, recyclage avec désassemblage, recyclage sans désassemblage, mise au rebut.
Ce nouveau cas est un ordinateur en fin de vie dont les critères ainsi que l’objectif
associé à l’indicateur de performance : coût de recyclage sont représentés dans le
tableau 8. Nous cherchons à estimer son coût de recyclage et à déterminer sa stratégie.
Tableau 8. Caractéristiques du nouveau produit en fin de vie (ordinateur)

Nouveau produit Critères Objectif

C1 C2 C3

Ordinateur 46875 6.25 62 10.7353

Le tableau 9 résume les probabilités pour les différents produits y compris le nouveau
cas aussi bien des critères Cj (j = 1, 2, 3) que de l’indicateur de performance P1.

Tableau 9. Probabilités des critères et de l’indicateur de performance pour les différents produits

Probabilités P(P1 = p1) P(Cj = cj) 1

log
p Cj c j . p Pi pi

C1 C2 C3 C1 C2 C3
phone cellulaire 0.0275 0.0002 0.001 0.1259 5.2596 4.5606 2.4606
réfrigérateur 0.7827 0.9059 0.8887 0.3228 0.1493 0.1576 0.5974
commercial
moniteur LCD 0.0494 0.0154 0.0284 0.2205 3.1187 2.8529 1.9628
téléphone 0.0364 0.0030 0.008 0.0866 3.9617 3.5358 3.5358
Ordinateur 0.1039 0.0755 0.074 0.2441 2.1054 2.1141 1.5958

Grâce à la formule [1], nous calculons les informations mutuelles entre chaque critère
Cj et l’indicateur de performance P1 représentées dans le tableau 10.

Tableau 10. Informations mutuelles entre chaque critère et l’indicateur de performance

Iij C1 C2 C3

P1 10.633 13.221 10.1524

109
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

Nous constatons, d’après le tableau 11, que toutes les informations mutuelles sont
positives. Ainsi, tous les critères sont retenus pour le calcul du score global du nouveau
produit vu qu’ils contribuent à l’atteinte de son objectif. Par suite :
NOUV = (0.0755 46875) + (0.074 6.25) + (0.2441 62) = 3554.6592

[Link] Construction des poids des critères

Ces poids sont déterminés à l’aide de l’intégrale de Choquet 2-additive. Nous

adoptons ces définitions trouvées dans Grabisch (2006) :

Définition1 : Soit N = {1, . . . , n} un ensemble de critères. Une capacité sur N est une
fonction µ : 2N [0, 1] vérifiant µ(Ø) = 0, µ(N) = 1, et µ(A) µ(B) si A B
(monotonie). Cette condition de monotonie provient du fait que l'importance d'un
groupe de critères ne peut décroître si on ajoute un critère au groupe. Elle est retenue
comme une hypothèse de notre modèle.

Définition 2 : Soit µ une capacité sur N, et f : N R une fonction représentant les

scores d'un objet sur les n critères. L'intégrale de Choquet de f par rapport à µ (score
global de l'objet) est donné par :
n n

C (f) f i f i 1 Ai Ai Ai 1
f i [2]
i 1 i 1

avec Ai = {σ(i), . . . , σ (n)},

f(σ(0)) = 0,
σ est une permutation sur N telle que f (σ(1)) f(σ(2)) … f(σ(n)).

Exemple 4. Considérons un problème d’AMCD avec 3 critères c1, c2, c3 et 2 objets a, b

dont les scores sont:
Objet a: a1 = 20, a2 = 5, a3 = 12
Objet b: b1 = 5, b2 = 20, b3 = 12

Les valeurs de µ représentant les poids des critères ou des groupes des critères sont:
A c1 c2 c3
µ (A) 0 0.2 0.2
A c1, c2 c1, c3 c2, c3
µ (A) 0.8 0.8 0.4

110
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

Objet a: a2 a3 a1
Cµ (a) = c1 , c 2 , c 3 c1 , c 3 a2 c1 , c 3 c1 a3 c1 a1

Avec c1 , c 2 , c 3 =1 et =0, le score global de l’objet a trouvé est : Cµ (a) = 10.6

Object b: b1 b3 b2
Cµ (b) = c1 , c 2 , c 3 c2 , c3 b1 c2 , c3 c2 b3 c2 b2

Le score global de l’objet b est: Cµ (b) = 9.4

Comme il a été déjà mentionné précédemment, nous nous limiterons à l’intégrale de

Choquet 2-additive. D’après la formule [2], il faut déterminer les capacités µ des
différents groupes de critères qui représentent les paramètres de l’intégrale de Choquet
afin de calculer le score global de chaque cas de la base. Grabisch (2006) propose
d’utiliser des méthodes d’optimisation se distinguant selon deux types de critères :

 Les critères du type minimisation d’une erreur ou d’une distance, entre la sortie
du modèle c’est à dire le score global calculé et la sortie désirée.
 Les critères cherchant à respecter les préférences exprimées sur les actions.

Les deux approches ont leurs propres avantages et inconvénients, et peuvent être
complémentaires. L’avantage de la première est qu’on trouve toujours une solution,
mais rien ne garantit que celle-ci représente la relation de préférence induite par les
scores globaux. Afin de remédier à ceci, on peut intégrer les contraintes dues aux
préférences dans le problème d’optimisation ce qui fait l’objet de la seconde approche.
Toutefois, cette dernière ne garantit pas l’existence d’une solution, et dans ce cas, il
n’est pas simple de savoir quelle(s) préférence(s) inverser.

Nous avons essayé de tirer profit de ces deux approches en construisant un

programme quadratique. D’après la logique de notre modèle basé sur le RàPC,
l’objectif de ce dernier est de résoudre un nouveau problème en utilisant les données
passées préservées dans une base de cas. Ainsi, afin de sélectionner les cas les plus
similaires, nous tentons de minimiser la distance entre le nouveau cas et tous les cas de
la base tout en respectant les préférences du décideur. Dans ce but, ce programme
quadratique a été construit, il s’écrit sous la forme suivante :
2
Minimiser C x NOUV
x

Sous contraintes
µ (C) µ (D) C, D et C D [3]

111
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

µ (i, j) ou µ (i) + µ (j) i, j [4]

C x -C x x, x B [5]

Avec B : ensemble des cas de la base

n

C ( x) Ai Ai 1
x i
i 1

Ai = {σ(i), . . . , σ (n)}
x (σ(0)) = 0
σ est une permutation sur N telle que x (σ(1)) x(σ(2)) … x(σ(n))
NOUV : score global estimé du nouveau cas
C, D : groupes de critères inclus dans N
i, j : critères inclus dans N
: seuil d’indifférence fixé
x, x’ : cas de la base

La fonction objectif de ce programme consiste à minimiser la distance entre le score

global estimé du nouveau cas (NOUV) et tous les scores globaux calculés des différents
cas de la base. Quand aux contraintes, elles sont de trois types :

 Les contraintes de monotonie [3] de toutes les coalitions de critères. La

condition de monotonie provient du fait que l'importance d'un groupe de critères
ne peut décroître si on ajoute un critère au groupe.
 Les contraintes [4] qui expriment les préférences du décideur entre les différents
critères.
 Les contraintes [5] qui expriment des relations de préférences entre les
différents cas existants.

Les sorties de ce programme sont donc les capacités ou encore les poids des
coalitions des critères. A l’aide de ces capacités, les similarités entre le nouveau cas et
les différents cas de la base seront calculées.

D’après Grabisch (2006), d’un point de vue expérimental, la méthode quadratique,

bien qu’optimale, présente des inconvénients :

 Si le nombre de données est faible, l’ensemble des solutions possibles peut être
grand, et la solution donnée par les logiciels de programmation quadratique est
souvent « extrême », au sens où elle contient beaucoup de valeurs à 0 et à 1.

112
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

 La taille des matrices du programme quadratique croît exponentiellement avec

n. Le temps de calcul, la taille mémoire, ainsi que les problèmes de matrices mal
conditionnées croissent de même.

Exemple 5. Reprenons les données du processus de recyclage. Un programme

quadratique est construit afin de déterminer les poids des coalitions des critères ({C1},
{C2}, {C3}, {C1, C2}, {C1, C3}, {C2, C3}) tout en tenant compte des interactions
mutuelles entre les critères.
Soient Cµ(1), Cµ(2), Cµ(3), Cµ(4) les scores globaux respectifs de : phone cellulaire,
réfrigérateur commercial, moniteur LCD et téléphone.
4
2
Min C k NOUV
k 1

Sous contraintes
µ (C1) < µ (C1, C2)
µ (C2) < µ (C1, C2)
µ (C1, C2) <1
µ (C2, C3) <1
µ (C1, C3) <1
µ (C1, C2) < µ (C1) + µ (C2)
µ (C2, C3) > µ (C2) + µ (C3)
µ (C1, C3) > µ (C1) + µ (C3)
Cµ (2) > 4 Cµ (1)
Cµ (3) > Cµ (2)
Cµ (3) > Cµ (4)

Le logiciel de résolution CPLEX nous a fournit les résultats suivants :

µ (C1) = 0.3403250; µ (C2) = 0.2432612; µ (C3) = 0.2731325;
µ (C1, C2) = 0.7047064; µ (C2, C3) = 0.6376058; µ (C1, C3) = 0.7464501

[Link] Calcul des similarités

La recherche de cas similaires dépend de la représentation de cas, de leur indexation

et de leur organisation dans la base de cas. Elle s’appuie sur des mesures de similarité
qui permettent de mesurer la similarité entre le problème posé et les cas candidats.
L’objectif de ces mesures de similarité est de chercher dans la base de cas le cas le plus

113
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

proche du problème actuel. D’où, le degré de similarité correspond à la fonction

d’utilité/adaptabilité de la solution.

Les mesures de similarité peuvent être locales ou globales. Elles sont locales lorsque
les mesures sont relatives aux caractéristiques de cas. Elles s’inspirent généralement de
la notion de distance et dépendent du type de descripteur qu’il soit numérique,
symbolique ou taxonomique. Dans notre modèle, nous optons pour celles liées aux
descripteurs numériques telles que la suivante :

vk v nouv
Simj (k, nouv) = 1 - [6]
range

où j : un critère dans N avec j = 1,…, m

vk : la valeur du cas k selon le critère j avec k = 1,…, n
vnouv : la valeur du nouveau cas selon le critère j
range : la valeur absolue de la différence entre la borne supérieure et la borne
inférieure de l’ensemble des valeurs.

Ensuite, une similarité globale sera calculée en agrégeant les similarités locales
grâce à la formule de l’intégrale de Choquet 2-additive [2] :
m

sim g
k , nouv sim j
k , nouv sim j 1
k , nouv Aj
j 1

avec Aj j ,..., m
sim o
k , nouv 0 [7]
est une permutatio n sur N telle que sim 1
sim 2
 sim m

Evidemment, nous choisissons le cas ayant la plus grande similarité avec le

nouveau cas se présentant à la base de cas.

Exemple 6. En se référant à l’exemple du processus de recyclage, nous calculons toutes

les similarités locales entre le nouveau produit (ordinateur) et chaque produit de la base
grâce à la formule [6]. Puis, à l’aide de la formule [7], nous calculons les similarités
globales (tableau 11).

114
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

Tableau 11. Calcul de similarités

Simj(k,nouv) C1 C2 C3 Similarités globales
(range = 562380) (range = 74.91) (range = 60)
Phone 0.9168 0.9177 0.5 0.79394
cellulaire
Réfrigérateur 0.0831 0.0822 0.66 0.24044
commercial
Moniteur 0.933 0.948 0.9 0.92690
LCD
Téléphone 0.92 0.925 0.333 0.74787

Nous constatons, au vu du tableau 11, que le produit le plus similaire à l’ordinateur

est le moniteur LCD.

[Link] Construction de la solution du nouveau

cas
Le décideur doit juger si le cas sélectionné est vraiment le plus proche ou non. Si
oui, la solution de ce cas sera adaptée au nouveau cas. Sinon, dans le cas où la base de
cas ne contient plus des cas, c’est au décideur de proposer une solution au nouveau cas
qui sera mémorisée dans la base de cas. Dans le cas où la base de cas contient encore
des cas, le décideur passe au deuxième cas plus similaire, au troisième, etc.

Le nouveau cas et sa solution s’ils sont validés, ils seront ajoutés à la base de cas
pour élargir la base de connaissances. Si l’introduction de ce nouveau cas va influencer
la base de cas soit en terme de critères soit en terme de solution, elle doit être mise à
jour (Dhouib et al., 2008 b). En effet, le nouveau cas peut comporter des informations
supplémentaires qui nécessitent l’ajout d’un ou de plusieurs critères. Il peut être aussi
accompagné par des actions qui enrichissent les solutions des autres cas.

Exemple 7. Concernant l’exemple de recyclage, le coût de recyclage estimé pour

l’ordinateur est 5.1080 dollars et la stratégie à adopter est le recyclage sans
désassemblage. La décision finale revient, évidemment, au pilote du processus. Le
nouveau cas c’est-à-dire l’ordinateur sera ajouté à la base de cas. Toutes les
modifications ou les actions entreprises doivent être aussi capitalisées dans la base qui
doit être actualisée si nécessaire.

115
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

Entrées Sorties
1. Description du Paramètres du processus: Enchaînements Indicateurs de performance
processus Facteurs de performance d’activités (P1, P2,………, Ph)
(C1, C2,…, Cm) Actions menées
Critères (connus) Solution (connue) Scores globaux (inconnus)
Cas 1 C1, C 2,………, C m P1, P2,………, Ph Cµ (x1)
2. Construction de la Cas 2 C1, C 2,………, C m P1, P2,………, Ph Cµ (x2)
base de cas . . . .
. . . .
Cas n C1, C 2,………, C m P1, P2,………, Ph Cµ (xn)
Application de l’ACP à l’ensemble des critères :
Obtention de nouveaux critères (V1, V2,…, Vm’) avec m’<m
3. Raffinement de la Cas 1 V1, V2,………, Vm’
base de cas
Cas 2 V1, V2,………, Vm’
.
.
Cas n
V1, V2,………, Vm’
Critères (connus) Solution Score global (inconnu)
(inconnue)
Nouveau C1, C 2,………, C m P1, P2,………, Ph
Comment estimer le score
cas global du nouveau cas ?
4. Ajout du nouveau cas 1. Fixer les objectifs (P1*, P2*,………, Ph*).
dans la base 2. Calculer les informations mutuelles entre chaque facteur Cj et un
indicateur de performance Pi* en appliquant la formule :
k' k
k' k
p (C j c j ; Pi pi )
I ij I ( C j ; Pi ) p (C j c j ; Pi p i ) log k' k
k k'
p (C j c j ). p ( Pi pi )
3. Retenir les informations mutuelles positives.
4. Estimer le score global du nouveau cas noté NOUV.
Entrées Programme quadratique Sorties
Minimiser une Minimiser C x NOUV
2 Paramètres de
distance x
l’intégrale de
5. Construction des Monotonie µ (C) µ (D) C , D et C D
Choquet :
poids des critères capacités µ
Préférences entre µ (i, j) ou µ (i) + µ (j) i, j (poids des
critères coalitions des
C x -C x x, x B
Préférences entre cas critères).
vk v nouv
Similarités locales : Simj (k, nouv) = 1 -
range
où j : un critère dans N avec j = 1,…, m
vk : la valeur du cas k selon le critère j avec k = 1,…, n
6. Calcul des similarités vnouv : la valeur du nouveau cas selon le critère j
range : la valeur absolue de la différence entre la borne supérieure et la
borne inférieure de l’ensemble des valeurs.
Similarités globales :
m

sim g ( k , nouv ) sim j

k , nouv sim j 1
k , nouv Aj
j 1

avec Aj j ,..., m
sim o
k , nouv 0
est une permutatio n sur N telle que sim 1
sim 2
 sim m

Choisir le cas ayant la plus grande similarité.

7. Construction de la
solution du nouveau cas Procédure d’interaction avec le décideur
Figure 13. Diagramme analytique

116
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

3.4. L’existant et les applications du RàPC dans les modèles

de pilotage de processus

La section précédente de ce chapitre a été consacrée à la problématique, d’un point

de vue opérationnel, de la modélisation et la formalisation du pilotage d’un processus
en tant qu’un système d’aide à la décision. Nous avons proposé un modèle d’aide au
pilotage d’un processus. Ce modèle a réunie deux disciplines : l’AMCD à travers
l’intégrale de Choquet 2-additive et la capitalisation des connaissances à travers le
RàPC. Il est flexible car il peut s’appliquer dans n’importe quel processus. En plus, ce
modèle est dynamique car les poids des critères changent avec chaque nouvelle
situation ou encore avec chaque nouveau cas se présentant à la base de cas. Son
dynamisme provient aussi du fait que face à une même expérience, on ne se comporte
pas de la même manière. Outre ces caractéristiques, il est très simple à utiliser vu que
son application ne demande pas des hypothèses rigides.

La section suivante du chapitre propose un autre modèle d’aide au pilotage d’un

processus basé sur une hybridation entre le RàPC et le clustering (Dhouib et al., 2009
b). Ce modèle vise l’amélioration de la recherche de cas similaires par une
représentation des cas sous forme de groupes homogènes. Autrement dit, l’application
d’une méthode de clustering représente une façon d’arranger notre base de cas afin de
faciliter l’aide au pilotage.

Dans ce même ordre d’idées, Kuo et al. (2005) ont développé un système hybride
combinant le RàPC, la théorie des ensembles flous et l’algorithme de clustering
colonies de fourmis afin de réduire les cas nécessaires pour la recherche et de réduire
également le temps. Aussi, les techniques de data mining y compris le clustering ont été
combinées avec le RàPC pour une recherche de cas et une maintenance de la base de
cas efficientes (Yang et Wu, 2000), pour une génération de cas automatique (Clerkin et
al., 2002) et pour une classification améliorée de la base de cas (Arshadi et Jurisica,
2005). Perner (2006) a plutôt appliqué le clustering dans un système de RàPC pour
distinguer entre les cas similaires et les cas non similaires au nouveau cas en amont de
la phase de recherche. Kim et Han (2001) ont proposé une nouvelle méthode
d’indexation des cas du système RàPC. Cette méthode utilise l’information clusters des
données financières pour améliorer la pertinence de la classification. Elle exploite non

117
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

seulement des connaissances spécifiques des cas passés, mais aussi une connaissance
additionnelle dérivée des clusters des cas. Des réseaux de neurones artificiels ont été
utilisés pour générer des valeurs centroïdes de clusters car ces techniques produisent des
clusters mieux adaptés que les algorithmes de clustering statistiques. Kim et Ahn (2008)
ont utilisé une hybridation entre l’algorithme de clustering K-means et l’algorithme
génétique comme un préprocesseur au cycle du RàPC dans le domaine de segmentation
de marchés.

Nous optons pour le clustering comme une tâche de classification et aussi

d’apprentissage dans le cycle du RàPC dans le but de bien maintenir la base de cas
après l’ajout du nouveau cas dans le domaine de pilotage de processus. Ceci, améliore
évidemment la représentation des cas et par conséquent facilite la recherche de cas
similaires.

3.5. Clustering : concepts de base

Le clustering est une technique de classification des données qui fait partie de
l’analyse des données mais aussi du data mining. Le concept de base du clustering est
de diviser l’ensemble des données de façon à ce que deux cas d’un même cluster sont
les plus similaires possibles et deux cas de différents clusters sont les plus dissimilaires
possibles (Kuo et al., 2005). Il ne faut pas confondre entre classification et classement.
Le classement fait l’objet de l’analyse discriminante où il s’agit d’affecter les objets à
des groupes préétablis. Alors que la classification consiste à chercher des classes
« naturelles » dans le domaine étudié, c’est en quelque sorte le travail préliminaire au
classement.

Dans ce qui suit, le clustering sera défini, pour ensuite donner un aperçu
bibliographique sur les différents algorithmes de clustering. Puis, des mesures de
distance seront avancées vu leur rôle important dans un algorithme de clustering.
Ensuite, certaines pratiques de clustering seront fournies pour faciliter le choix d’un
algorithme de clustering. Enfin, quelques outils d’évaluation seront présentés
permettant de juger de la qualité d’un algorithme de clustering.

118
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

3.5.1 Définition

Le clustering, appelé aussi partitionnement de séries, est défini comme étant un

problème de classification d’objets dans un ensemble de groupes naturels qu’on ne
connais pas à priori (Tseng et Yang, 2001). En général, il consiste en la découverte des
groupes normaux d’éléments semblables dans une série de données.

Le savant suédois Linné a été l’un des plus grands classificateurs. En 18 ème siècle, il
a établi une classification du monde vivant en général et du règne végétal en particulier,
classification qui demeure jusqu’aujourd’hui chez les spécialistes des sciences
naturelles. Certaines tentatives de rationalisation du processus mental de Linné ont été
amenées pendant la première moitié du 20ème siècle. Puis, grâce à la propagation de
l’informatique au sein des universités à partir des années 60, un nombre important
d’algorithmes qui automatisent la classification est apparu (Williams et Lambert, 1959 ;
Sokal et Sneath, 1963). Toutefois, le développement mathématique de ces algorithmes
reste jusqu’aux nos jours élémentaire (Roux, 2006).

Le clustering tente de répartir un échantillon en groupes homogènes où chacun sera

bien différencié des autres. Il peut se trouver dans toutes les sciences et les techniques
faisant appel à la statistique multidimensionnelle. En effet, il sert à l’interprétation des
graphiques d’analyse factorielle, ou bien à déterminer des groupes d’objets homogènes,
préalablement à une régression linéaire multiple. Il opère dans des domaines divers tels
que :
Les sciences biologiques : botanique, zoologie, écologie, etc.
Les sciences de la terre et des eaux : géologie, pédologie, géographie, étude des
pollutions, etc.
Les sciences de l’homme : psychologie, sociologie, linguistique, archéologie,
histoire, etc.
Les enquêtes d’opinion, le marketing, la médecine, l’économie, la recherche
opérationnelle, l’agronomie, l’ingénierie, etc.

119
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

3.5.2 Algorithmes de clustering

Il existe plusieurs catégories d’algorithmes de clustering dont les deux plus utilisés
sont les méthodes de classification hiérarchiques et les méthodes de partitionnement
présentées ci-dessous.

[Link] Algorithmes hiérarchiques

Un algorithme hiérarchique construit une hiérarchie de clusters, autrement dit un

arbre de clusters. Les méthodes de clustering hiérarchique sont de trois types : la
construction ascendante hiérarchique, la construction ascendante hiérarchique du
moment d’ordre deux, la construction descendante hiérarchique.

Construction ascendante hiérarchique : le principe de cette méthode consiste à

procéder par étapes successives après avoir construire une matrice de distances entre
tous les objets deux à deux. Chaque étape réunit les deux objets les plus proches. A la
fin de chaque étape, les distances entre le nouveau groupe créé et le reste des objets sont
calculées. Ce processus de calculs successifs de distances se termine lorsque tous les
objets seront réunis dans un seul groupe. Ensuite, un arbre hiérarchique est construit
dont les nœuds représentent les fusions successives et la hauteur de ces nœuds
représente la valeur de la distance entre les deux objets, ou groupes fusionnés. Il s’agit
donc d’une hiérarchie indicée vu que le niveau des nœuds possède une signification
concrète.

Concernant les méthodes de calcul des distances utilisées pour la fusion des groupes,
elles se basent essentiellement sur l’expérience plutôt que sur des considérations
mathématiques solides. En fait, ce type d’algorithme est peu exigeant sur les propriétés
de la distance initiale et n’impose pas la satisfaction des axiomes usuels des distances.
Trois méthodes sont considérées les plus courantes des méthodes usuelles de calcul des
distances dans cette construction hiérarchique :

Méthode d’agrégation par « le saut minimum » ou « du lien simple » (en anglais :

« single link ») : la fusion de deux groupes est basée sur la plus petite des distances
intergroupes.

120
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

Méthode d’hiérarchie du « diamètre » ou « du lien complet » (en anglais : « complete

link ») : la fusion de deux groupes est basée sur la plus grande distance interne au
groupe résultant.

Méthode d’hiérarchie de « la distance moyenne » (en anglais : « average link ») : selon

cette méthode, la nouvelle distance vaudra la moyenne des distances antérieures.

Quelque soit la méthode utilisée, les distances recalculées représentent les valeurs
possibles pour le niveau des nœuds suivants de la hiérarchie. Mais, cette dernière ne
peut être construite que lorsque ces niveaux ultérieurs soient supérieurs à celui que l’on
vient de créer. Autrement dit, il faut s’assurer que les distances recalculées soient
supérieures au niveau du nœud nouvellement formé.

Construction ascendante hiérarchique du moment d’ordre deux : c’est une

méthode agrégative connue dans le monde anglo-saxon sous le nom de méthode de
Ward (Ward, 1963). Cette méthode décide de la fusion de deux classes selon un critère
basé sur l’augmentation de la dispersion intra-classe. L’avantage de cette méthode est
qu’elle permet de traiter des ensembles d’objets beaucoup plus importants que
l’algorithme élémentaire.

Construction descendante hiérarchique : cette méthode part de l’ensemble entier de

tous les objets ; celui-ci est divisé en deux parties qui sont à leur tour divisées en deux,
etc. jusqu’à ce que tous les sous ensembles obtenus soient réduits à un objet unique.
Toutefois, cet algorithme reste moins utilisé que les autres algorithmes vu les
inconvénients majeurs qu’il présente. En effet, afin d’améliorer les résultats obtenus, il
s’agit d’examiner à chaque étape toutes les dichotomies possibles pour n’en retenir
qu’une seule, celle qui optimise un critère fixé à l’avance. Mais, la division en deux
d’un groupe à n objets demande l’examen de 2n-1 – 1 bipartitions, ce qui requiert des
calculs énormes. Afin d’éviter l’examen exhaustif de toutes ces dichotomies, les auteurs
de tels algorithmes ont essayé de trouver des simplifications regroupées en trois grandes
catégories :

Méthodes basées sur le choix ou la construction d’une variable particulière.

Méthodes basées sur un ou plusieurs individus formant les embryons des sous
ensembles.
Méthodes basées sur la théorie des graphes.

121
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

[Link] Algorithmes des centres mobiles

L’algorithme des centres mobiles appelé en anglais l’algorithme k-means a été

proposé par MacQueen en 1967 et repose sur la méthode de Forgy. Il a pour but de
construire une seule partition de l’ensemble étudié.

Le principe de l’algorithme consiste tout d’abord à se fixer un nombre k de classes

et choisir une partition initiale. Le choix de cette première partition peut dépendre d’une
connaissance à priori des objets à classer, ou bien il peut dépendre d’une répartition au
hasard des objets en k catégories. Ensuite, il s’agit de déterminer pour chaque classe q
le centre de gravité gq. Puis, chaque objet i sera réaffecté à la classe C (i) dont le centre
de gravité est le plus proche. Enfin, le centre de gravité de la classe nouvellement créée
est recalculé tant que surviennent des modifications dans la composition des classes.

L’algorithme des centres mobiles, contrairement à d’autres méthodes de clustering,

a l’avantage d’optimiser un critère simple de dispersion, soit le moment d’ordre deux
d’une partition. Il est considéré comme étant le plus populaire vu qu’il est très facile à
comprendre et à mettre en œuvre. Le degré d’appartenance d’un individu à une classe
étant binaire et la pondération de chaque individu étant constante, ce qui facilite son
application dans des domaines de recherche divers.

Toutefois, la partition finale de l’algorithme des centres mobiles dépend de la

partition initiale. En effet, le calcul des centres de gravité après chaque affectation d’un
individu, influence le résultat de la partition finale. Ce résultat dépend donc de l’ordre
d’affectation des individus. Ainsi, une autre partition initiale peut donner une partition
finale pour laquelle le critère du moment d’ordre deux soit encore meilleur. C’est donc
plutôt un optimum local qui est obtenu et non un optimum absolu. Pour pallier cet
inconvénient, l’un des moyens généralement préconisés pour obtenir des résultats
valables est d’exécuter plusieurs fois l’algorithme complet, avec des partitions initiales
différentes. La partition finale retenue peut être celle associée au moment intra-classe le
plus petit.

Un autre inconvénient de cette méthode est que le nombre de classes est un

paramètre de l’algorithme. En fait, le choix aléatoire des centres initiaux donne
généralement des résultats mitigés (Charles, 2004). Il est évident que si l’on dispose des
informations sur les regroupements possibles, il vaut mieux en tenir compte pour
démarrer avec une bonne partition. L’algorithme X-means a été développé comme une

122
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

extension de K-means afin de calculer le nombre initial des centres de gravité (Charles,
2004).

3.5.3 Mesures de distance

La plupart des algorithmes de clustering commencent par choisir une mesure des
distances ou de dissemblances entre les objets, qu’ils appliquent pour la classification.
Vu le nombre très élevé de ce type de mesure, l’utilisateur doit être prudent dans son
choix. En effet, la formule retenue aura une influence décisive sur les résultats.

Certaines mesures de distance ou de similarité ont été utilisées dans les systèmes
RàPC. Aussi, quelques comparaisons ont été menées entre ces mesures (Wilson et
Martinez, 1997 ; Liao et Zhang, 1998). Les résultats obtenus montrent que les
différentes mesures ont une performance fortement liée aux types d’attributs qui
représentent un cas et à l’importance de chaque attribut. Ainsi, ces mesures varient
selon qu’il s’agit de données qualitatives ou quantitatives, discrètes ou continues
(Núnez et al., 2004).

Nous citons ci-dessous quelques mesures de distance entre deux observations i et i’

selon le critère j. Ces formules utilisent l’expression D j x i, j x i,j qui

représente la valeur absolue de la différence des valeurs de la variable j pour les deux
observations i et i’.

Ecart moyen (Czekanovski, 1932)

d i, i D j /p
j

p étant le nombre des variables.

Ecart maximum
d i, i Max j
D j

Distance euclidienne usuelle

2 2
d i, i D j
j

Cette distance est particulièrement sensible à l’échelle choisie pour chacune des
variables. C’est pour cette raison qu’il vaut mieux introduire dans la formule des
coefficients de pondération w.

123
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

Distance euclidienne pondérée

2 2
d i, i w j D j
j

w (j) est la pondération affectée à la variable j. L’usage est de prendre pour pondération
l’inverse de la variance de j.

Distance de Manhattan
d i, i D j
j

Coefficient de Lance et Williams (1966)

d i, i D j / x i, j x i, j
j j

Coefficient de divergence (Clark, 1952)

2
d
2
i, i 1 D
2
j / x i, j x i, j
p j

Ce coefficient varie entre 0 (observations identiques) et 1.

Distance de Khi-2 (Variables qualitatives ou effectifs)

Ici, on change la définition de D (j) :

D j x i, j / x i, . x i, j /x i,.

x i, . somme des termes de la ligne i

x ., j somme des termes de la ligne i

w j 1 / x ., j
2 2
d i, i w j D j
j

3.5.4 Critères d’évaluation du clustering

Après avoir obtenue une classification des objets par l’une des méthodes de
clustering, il sera curieux de juger la qualité du modèle du clustering appliqué, pour des
finalités de validation. Pour cela, des critères aussi bien qualitatifs que quantitatifs
peuvent être utilisés (Zhuang et al., 2007).

L’indice de Davies-Boulin est utilisé pour évaluer quantitativement la qualité de la

séparation des clusters (Bolshakova et Azuaje, 2003). Il cherche à identifier les

124
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

ensembles des clusters qui sont compacts et bien séparés. Cet indice est défini comme
c
1 Xi X j
suit : DB U max avec
c i 1
i j
X i, X j

Xk représente les distances intra-clusters (diamètre) d’un cluster X k .

X i, X j définit la distance inter-clusters entre les clusters X i et X j .

c est le nombre de clusters d’une partition U.

Naturellement, de petites valeurs de l’indice correspondent à de bons clusters, c’est à

dire des clusters qui sont suffisamment éloignés les uns des autres.

Outre les méthodes quantitatives, certains critères qualitatifs sont utilisés pour
sélectionner le modèle représentatif (Siew et al., 2002) :

Représentation : les variables de chaque cluster doivent être distinctes et

apportent de propres informations. Lorsque chaque cluster est analysé, son
profile doit être unique et significatif.
Explication: si deux groupes peuvent indépendamment se former avec des
variables différentes, ils sont considérés différents l’un à l’autre.
Niveau de sophistication : la taille totale de chaque cluster doit être
complètement contrôlé. Si un cluster est très large, il est possible que certains
groupes puissent se cacher dans ce cluster. S’il est tout petit alors il y a une forte
probabilité qu’il soit artificiel.

3.5.5 Pratiques de clustering

Le choix d’un algorithme de clustering dépend de certaines variantes (Roux, 2006)

expliquées ci-dessous :

[Link] Dimensions des données

Certains algorithmes occupent une taille de mémoire centrale plus importante que
d’autres. Par conséquent, il faut tenir compte de l’ampleur des données surtout lorsqu’il
s’agit de travailler sur un micro-ordinateur. Deux catégories d’algorithmes peuvent se

125
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

distinguer : ceux qui gèrent des distances et ceux qui manipulent directement les
données brutes.

[Link] Nature des données

Tous les programmes peuvent être utilisés lorsque les données sont quantitatives.
Mais, il faut procéder à une normalisation préalable des variables si c’est nécessaire.
Toutefois, dans le cas des variables qualitatives, il faut choisir une formule de distances
adaptée.

[Link] Qualité des résultats

Dans le cas où ils sont tous applicables, les algorithmes de clustering déjà
développés ne fournissent pas certainement des résultats d’égale qualité. L’expérience
de l’utilisateur peut intervenir pour le choix de l’algorithme le plus adéquat.

[Link] Temps de calcul

Le temps de calcul permet sans doute de conditionner le choix d’un tel algorithme
de clustering. Il peut être réduit si on procède par exemple à des traitements
préliminaires avant l’application de l’algorithme ou par l’utilisation d’autres
algorithmes pour construire des hiérarchies élémentaires.

3.6. Un modèle d’aide au pilotage d’un processus basé sur le

RàPC et le clustering

Rappelons que dans la première partie de ce chapitre, un modèle d’aide multicritère

au pilotage d’un processus a été développé. Ce modèle s’est basé, d’une part, sur l’aide
multicritère à la décision par l’utilisation de l’intégrale de Choquet 2-additive afin de
déterminer les poids des critères tout en tenant compte des interactions mutuelles entre
eux. D’autre part, il s’est penché sur une technique de capitalisation des connaissances,
soit le RàPC pour préserver et exploiter les données passées au sein d’un processus.

126
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

Cette section développe un autre modèle d’aide au pilotage d’un processus qui
combine le RàPC et le clustering. Ce dernier sera utilisé comme une manière de
représentation de la base de cas. Ceci facilitera les autres étapes du cycle du RàPC
notamment la recherche de cas similaires et la maintenance de la base de cas. D’abord,
des préliminaires à l’algorithme de ce modèle sont présentés. Ensuite, les étapes de
l’algorithme sont parcourues. Enfin, une illustration est montrée au sein du processus
de recyclage.

3.6.1 Préliminaires à l’algorithme développé

Les algorithmes de construction ascendante hiérarchique sont les plus couramment

utilisés. Notre choix a ciblé aussi ce type d’algorithme et plus particulièrement la
méthode d’agrégation du lien simple. La méthode d’agrégation du lien simple fusionne
deux groupes en se basant sur la plus petite des distances intergroupes.

Exemple 8 : soient quatre points séparés par les distances suivantes:

d(x, y) = 1; d(x, z) = 2.1; d(x, t) = 4.3; d(y, z) = 1.1; d(y, t) = 3.3; d(z, t) = 2.2. Ces
distances sont rassemblées dans la matrice de distance suivante (figure 14) :

x y z t

x 0 1 2.1 4.3

y 0 1.1 3.3

z 0 2.2

t 0

Figure 14. Matrice 1

Prenons comme exemple une distance limite égale à 2. La distance minimale dans cette
matrice est 1, d’où, x et y sont regroupés dans un même cluster. Une deuxième matrice
(figure 15) est formée entre ces nouveaux clusters :

127
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

(x, y) z t

(x, y) 0 1.1 3.3

z 0 2.2

t 0

Figure 15. Matrice 2

La distance minimale étant 1.1, d’où, x, y et z sont regroupés dans un même cluster.
Une troisième matrice (figure 16) comprenant les distances entre les clusters (x, y, z) et
t a comme distance minimale 2.2 qui est supérieure à la distance limite 2. Par
conséquent, l’algorithme s’arrête. Les clusters formés sont donc (x, y, z) et t.

(x, y, z) t

(x, y, z) 0 2.2

t 0

Figure 16. Matrice 3

Concernant les mesures de distance, nous optons d’abord pour la même mesure
v ij vi j
utilisée dans le premier modèle comme mesure de distance d i , i ' .
j
range

Ensuite, nous appliquons aussi la mesure de distance usuelle qui est la distance
euclidienne. Cette dernière est la plus utilisée vu sa clarté et sa facilité d’utilisation. Elle
2
est définie par cette formule : d 2 i , i j
x ij xi j

Toutefois, la différence entre deux valeurs très petites selon une variable peut être
la même que celle entre deux valeurs très grandes selon cette même variable. Autrement
dit, la même contribution est obtenue avec deux variables où l’une a des valeurs très
petites entre les deux cas et l’autre a des valeurs très grandes. Afin de rééquilibrer les
rôles des variables, l’usage est de diviser les valeurs par l’écart type de la variable
considérée.

128
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

Un autre problème surgit lors de l’utilisation de la distance euclidienne, c’est le

problème de l’ « effet de taille ». En fait, parfois, il y a une ressemblance entre deux cas
en termes de proportions entre les différentes variables. Cependant, étant donné que la
distance euclidienne s’appuie sur les écarts absolus, ces deux cas seront
vraisemblablement éloignés et donc appartiennent à des catégories distinctes.

Une solution intéressante pour remédier aux problèmes liés à l’utilisation de la

mesure euclidienne est celle d’un prétraitement par l’analyse factorielle. Cette opération
consiste à procéder soit à une Analyse en Composantes Principales (ACP), soit à une
Analyse Factorielle des correspondances (AFC) selon le type de données. Ainsi, la
nouvelle base de données sera formée par des cas où chacun est décrit par les premiers
axes factoriels obtenus, c'est-à-dire ceux qui apportent plus d’information. Ce détour
présente de nombreux avantages (Roux, 2006) à savoir :

1. L’analyse factorielle permet d’avoir de nouvelles variables non corrélées entre

elles.
2. Il est inutile de choisir une distance initiale car c’est la distance euclidienne
usuelle qui s’impose. L’ACP, par exemple redonne approximativement la
distance euclidienne usuelle que l’on aurait pu calculer sur les données brutes.
3. L’AFC permet de pallier à l’effet de taille en traitant des données très
hétérogènes, grâce à une séparation en classes de valeurs des variables
quantitatives.
4. Vu que le nombre de variables sera réduit à un certain nombre de facteurs qui ne
dépasse pas généralement dix, le tableau des données sera d’une taille
raisonnable. Par conséquent, un gain de temps sur le plan informatique est
réalisé, ce qui engendre une plus grande facilité de programmation.
5. Les facteurs obtenus par l’analyse factorielle sont très stables dans le sens où de
petites erreurs de mesures, ou bien l’élimination d’observations douteuses ne
modifient quasiment pas les coordonnées sur les axes, ni par conséquent les
classifications réalisées selon ces coordonnées.
6. L’analyse factorielle admet une autre approche de données et facilite
l’interprétation des classifications obtenues.

129
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

3.6.2 Etapes de l’algorithme

L’algorithme que nous avons développé consiste en 3 étapes (voir figure 17):

1ère étape : cette étape consiste à construire une matrice de distances entre les cas selon
une fonction de distance choisie.

2ème étape : une distance limite est fixée. Cette distance correspond à la plus petite
distance entre le nouveau cas et chacun des cas de la base : dlimit Min d k , nouv . Ce
k 1 ... n

choix a été opté pour garantir que le nouveau cas sera affecté à un cluster contenant au
moins un cas.

3ème étape : chaque fois que la distance qui sépare deux clusters k et k’ est inférieure à
la distance limite déjà fixée dans l’étape précédente (dlimit), ces deux seront réunis dans
un même cluster. Puis, pour ne pas tomber de nouveau sur ces deux clusters, on accorde
la valeur 1 à la distance qui les sépare. De cette manière, on ne revient plus à la distance
entre k et k’ vu que toutes les distances de la matrice sont toutes inférieures à 1. Il est à
noter que chaque cas non affecté constitue seul un cluster.

Etape1. Construire la matrice des distances entre chaque deux cas

de la base.

Etape2. Fixer la distance limite dlimit Min d k , nouv .

k 1 ... n

dmin= 1.
Etape3.
Tant que dmin<dlimit
dmin= Min d k , k ' , regrouper k et k’ dans un même cluster.
k , k ' 1 ... n 1

d k , k ' =1.

Fin Tant que.

Figure 17. Algorithme du modèle proposé

3.6.3 Illustration de l’algorithme

Reprenons l’exemple du processus de recyclage du chapitre précédent. Rappelons

que nous avons une base de cas formée par 4 produits (phone cellulaire, réfrigérateur
commercial, moniteur LCD et téléphone) dont chacun est décrit par trois critères Cj

130
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

(volume, poids et nombre de parts) ainsi que par la solution qui représente le coût de
recyclage (P1) et l’une des 6 stratégies : Réutilisation, Service, Réparation, Recyclage
avec désassemblage, Recyclage sans désassemblage, Mise au rebut.

Un nouveau produit s’ajoute à la base de cas (ordinateur) qu’on tente à estimer son
coût de recyclage et déterminer sa stratégie. Nous appliquons donc notre algorithme de
clustering développé précédemment à l’ensemble des 5 produits pour voir dans quel
cluster se trouve le nouveau produit (voir tableau 12).

Tableau 12. Une base de cas formée par des produits en fin de vie (y compris le nouveau produit)

C1 C2 C3
Phone cellulaire (x) 120 0.09 32
Réfrigérateur commercial (y) 562500 75 82
Moniteur LCD (z) 9555 2.4 56
Téléphone (t) 1890 0.65 22
Ordinateur (u) 46875 6.25 62

Deux types de distances sont choisies pour appliquer l’algorithme : la distance utilisée
dans le premier modèle développé précédemment et la distance euclidienne. Désignons
par x, y, z, t et u respectivement les cinq produits : phone cellulaire, réfrigérateur
commercial, moniteur LCD, téléphone et ordinateur.
vk vk '
Distance :
j
range

La première matrice de distance est représentée par la figure 18.

x y z t u
x 0 0.834 0.4477 0.1806 0.6653
y 0 2.3856 2.9893 2.1678
z 0 0.6035 0.2177
t 0 0.8214
u 0

Figure 18. Matrice 1

131
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

La distance limite correspond à la plus petite distance entre le nouveau cas (u) et
chacun des cas de la base, soit donc : 0.2177. La distance minimale dans cette matrice
est égale à : 0.1806, d’où, x (phone cellulaire) et t (téléphone) sont regroupés dans un
même cluster. La deuxième matrice, représentée par la figure 19, a comme distance
minimale : 0.2177 qui est égale à la distance limite. Par conséquent, z (moniteur LCD)
et u (ordinateur) sont réunis dans un même cluster et l’algorithme s’arrête.

(x, t) y z u
(x, t) 0 0.834 0.4477 0.6653
y 0 2.3856 2.1678
z 0 0.2177
u 0

Figure 19. Matrice 2

L’algorithme aboutit donc à trois clusters : (phone cellulaire, téléphone), (moniteur

LCD, ordinateur) et (réfrigérateur commercial). Nous constatons que le produit le plus
similaire au nouveau produit (ordinateur) est le moniteur LCD. Ce résultat est le même
que celui trouvé avec le premier modèle d’aide au pilotage d’un processus développé
précédemment.
2
Distance euclidienne : d 2 k , k ' x kj xk ' j
j

La première matrice (figure 20) comprend les distances entre les différents produits. La
distance limite, correspondant à la plus petite distance entre le nouveau cas (u) et
chacun des cas de la base, étant 37320. La distance minimale dans cette matrice est
égale à : 1770, d’où, x (phone cellulaire) et t (téléphone) sont regroupés dans un même
cluster.
x y z t u
x 0 562380 9435 1770 46755
y 0 552945 560610 515625
z 0 7665 37320
t 0 44985
u 0

Figure 20. Matrice

132
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

La deuxième matrice, représentée par la figure 21, a comme distance minimale :

7665. Par conséquent, x (phone cellulaire), t (téléphone) et z (moniteur LCD) forment
un cluster.

(x, t) y z u
(x, t) 0 560610 7665 44985
y 0 552945 515625
z 0 37320
u 0

Figure 21. Matrice 2

La troisième matrice, représentée par la figure 22, a comme distance limite 37320 qui
est égale à la distance limite. D’où, x (phone cellulaire), t (téléphone), z (moniteur
LCD) et u (ordinateur) appartiennent au même cluster et l’algorithme s’achève. Ce
dernier donne lieu à deux clusters : (phone cellulaire, téléphone, moniteur LCD,
ordinateur) et (réfrigérateur commercial). Ainsi, les produits similaires au nouveau
produit (ordinateur) sont : phone cellulaire, téléphone, moniteur LCD.

(x, t, z) y u
(x, t, z) 0 552945 37320
y 0 515625
u 0
Figure 22. Matrice 3

3.7. Conclusion

Dans ce chapitre, nous avons développé deux modèles d’aide au pilotage d’un
processus basés sur le RàPC. Ces deux modèles peuvent être en relation de
complémentarité. En effet, l’algorithme développé permet de former des groupes
homogènes y compris le nouveau cas dont on cherche sa solution. Ensuite, après avoir
obtenu le cluster contenant le nouveau cas avec ses cas similaires, notre programme
quadratique peut être déclenché pour la recherche du cas le plus proche. Ainsi, le

133
 Un modèle d’aide au pilotage d’un processus basé sur le RàPC

programme quadratique sera appliqué au sein d’un cluster, au lieu qu’il soit appliqué
dans toute la base de cas. Toutefois, les deux modèles s’appuient sur des critères
quantitatifs. Hors, une des caractéristiques du raisonnement humain est qu’il est basé
aussi sur des informations qualitatives et linguistiques. En effet, plusieurs cas réels font
appel à des sources d’information quantitatives et qualitatives. L’aide au pilotage doit
alors tenir compte d’une part, des connaissances d’experts humains qui donnent une
information plutôt qualitative et linguistique, et d’autre part, des données directement
acquises sur le processus, donnant plutôt une information quantitative sous la forme de
mesures.

134
 Aide au pilotage d’un processus : extension aux critères linguistiques

Chapitre 4 :

Aide au pilotage d’un processus :

extension aux critères linguistiques

4.1 Introduction ............................................................................................................................... 136

4.2 Théorie des sous - ensembles flous ............................................................................................ 136
4.2.1 Notion d’un sous-ensemble flou ...................................................................................... 138
4.2.2 Notion d’un nombre flou.................................................................................................. 141
4.3 Approche linguistique appliquée à l’analyse de la décision ....................................................... 143
4.3.1 Choix de l'ensemble de termes linguistiques et sa sémantique ...................................... 144
4.3.2 Choix de l'opérateur d'agrégation de l'information linguistique ..................................... 146
4.3.3 Choix de la meilleure action ............................................................................................. 150
4.4 Modèle de représentation linguistique floue 2-tuples ............................................................... 150
4.4.1 Définitions ........................................................................................................................ 151
4.4.2 Opérateurs de comparaison et de négation .................................................................... 152
4.4.3 Opérateurs d’agrégation de 2-tuples : proposition de l’intégrale de Choquet 2-additive153
4.4.4 Démarche d’application du modèle 2-tuples avec des informations non homogènes .... 153
4.4.5 Exemple d’illustration du modèle linguistique 2-tuples ................................................... 161
4.5 Conclusion .................................................................................................................................. 164

135
 Aide au pilotage d’un processus : extension aux critères linguistiques

4.1. Introduction

Le rapprochement de deux types d’information : quantitative et qualitative aboutit à une

modélisation plus complète et plus cohérente. La théorie des sous-ensembles flous répond
bien à ce besoin notamment l’approche linguistique qui est bien adaptée aux problèmes de
décision où les parties prenantes ne sont pas capables de donner des valeurs numériques
exactes.

Ce chapitre, après avoir donné un aperçu sur la théorie des sous-ensembles flous en
général et l’approche linguistique en particulier, représente le modèle 2-tuple développé par
Herrera et Martinez (2000 a). Ce modèle est une manière de calcul linguistique utilisé pour
représenter l’information linguistique et numérique. Il sera ensuite étendu avec l’opérateur
d’agrégation flou : l’intégrale de Choquet pour répondre aux exigences de notre modèle
d’aide au pilotage d’un processus. Enfin, un exemple d’illustration sera détaillé pour mieux
montrer l’homogénéisation des données linguistiques et numériques.

4.2. Théorie des sous - ensembles flous

Les connaissances que l’on accumule sur un processus sont généralement entachées
d’imperfections dont leurs raisons sont de nature différente notamment : les incertitudes, les
imprécisions et les incomplétudes (Bouchon-Meunier, 1995).

- Les incertitudes : elles sont les conséquences d’un manque d’information. Elles
expriment un doute sur la validité d’une connaissance. En fait, une fiabilité relative de
l’intermédiaire de l’observation ainsi qu’une difficulté dans l’obtention ou la vérification de la
connaissance peuvent être à l’origine de ce doute. Ces différents cas sont présents lors de la
phase de collecte de paramètres relatifs à un processus, où une partie des informations est
fournies par les responsables du processus. Evidemment, l’efficacité de leurs évaluations
dépend fortement de leurs expériences. Ainsi, leurs appréciations possèdent un certain degré
d’incertitude.

- Les imprécisions : elles sont dues à une difficulté dans l’énoncé , soit à cause de
connaissances numériques mal connues, soit à cause de termes de langage naturel vagues. Le
premier cas résulte d’une insuffisance d’instrumentation, d’erreurs de mesure, ou encore de
connaissances flexibles. Le second est la conséquence d’une expression spontanée de

136
 Aide au pilotage d’un processus : extension aux critères linguistiques

connaissances (activité «longue», etc.) ou de l’utilisation de catégories à limites mal définies

(«expert», « débutant »). Ainsi, l’imprécision est indispensable au jugement humain. Une
affirmation donnée peut être à la fois incertaine et imprécise.

- Les incomplétudes : elles correspondent à des absences de connaissances ou des

connaissances partielles sur certaines caractéristiques du système. Elles sont à l’origine d’une
impossibilité d’obtenir certains renseignements, ou à un problème au moment de la collecte
de l’information. Elles peuvent aussi être liées à des connaissances générales associées à l’état
du système, généralement vraies, soumises à des exceptions difficiles à énumérer ou prévoir.

Ces trois types de connaissances sont interdépendants. En effet, les incomplétudes

aboutissent à des incertitudes. Les imprécisions peuvent être liées à des incomplétudes et elles
entraînent alors des incertitudes au cours de leur manipulation. Les incertitudes ont été traitées
depuis longtemps grâce à la notion de probabilité, introduite dès le XVIIème siècle par Pascal
et Fermat et formalisée par Bernouilli. La modélisation de l’incertitude en analyse de décision
est abordée généralement par la théorie des probabilités et présente la nature stochastique de
l’analyse de décision. L’idée de degré de croyance a aussi émergé à cette époque, tout en étant
confondue avec celle de chance. Toutefois, la notion de probabilité reste inadaptée à la
représentation des incertitudes de nature psychologique, telles que celles liées à la fiabilité
d’un informateur. Dempster (1967) et Shafer (1976) ont essayé de remédier ces insuffisances
grâce à la théorie de l’évidence. Cette dernière permet de gérer des degrés de « confiance »
accordés par un observateur à la validité de certains faits, sans imposer la condition
d’additivité inhérente à la théorie des probabilités.

La formalisation des imprécisions n’a pas attiré autant les scientifiques, à l’exception des
physiciens, qui utilisent la notion d’erreur. Une formalisation est apparue sous la forme d’une
théorie appelée des intervalles, restreinte aux imprécisions de caractère numérique (cité dans
Letouzey et al., 2001).

La logique floue, apparue en 1965 par Lotfi Zadeh, permet de traiter, d’une part, des
imprécisions et des incertitudes, qui autorisent également le traitement de certaines
incomplétudes, et d’autre part, des connaissances numériques et des connaissances exprimées
symboliquement par des qualifications du langage naturel (Bouchon-Meunier, 1995). La
forme la plus générale des imprécisions a trouvé un moyen de représentation et de traitement
dans l’introduction de la théorie des sous-ensembles flous (Zadeh, 1965). Cette théorie est une
extension de la théorie des ensembles classiques dans la mesure où elle tient compte
d’ensembles définis de façon imprécise. C’est une théorie formelle et mathématique qui part

137
 Aide au pilotage d’un processus : extension aux critères linguistiques

du concept de fonction d’appartenance pour modéliser la définition d’un sous-ensemble d’un

univers donné ce qui a permis d’élaborer un modèle complet de propriétés et de définitions
formelles. Cette théorie des sous-ensembles flous se réduit à la théorie des sous-ensembles
classiques dans le cas où les fonctions d’appartenance considérées prennent des valeurs
binaires ({0, 1}). Ainsi, les ensembles flous ont ainsi contribué à un certain renouvellement
des approches existantes de l’aide à la décision.

Notre intérêt est tout particulièrement accordé à la théorie des sous-ensembles flous vu le
grand avantage des ensembles flous de constituer une représentation mathématique
d’étiquettes linguistiques largement utilisées dans l’expression de connaissances expertes
souvent qualitatives. Ils apparaissent donc comme un moyen de réaliser l’interface entre
l’information numérique (quantitative) et l’information symbolique (linguistique). Certains
éléments liés à la théorie des sous-ensembles flous sont avancés ci-dessous.

4.2.1 Notion d’un sous-ensemble flou

La notion d’un sous-ensemble flou découle du fait que, très souvent, les classes d’objets
rencontrées dans le monde physique n’ont pas des critères d’appartenance bien déterminés. Ce
constat remédie la séparation entre les représentations mentales de la réalité et les modèles
mathématiques usuels. Ces derniers sont les ensembles classiques à base de variables
booléennes (vrai/faux) qui répondent mal à des termes vagues du langage naturel. Le terme
« flou » se réfère à la situation dans laquelle, il n’y a pas de bornes bien définies de
l’ensemble des observations pour lesquelles les descriptions s’appliquent.

[Link] Définition d’un sous-ensemble flou

Un sous ensemble flou A est un sous-ensemble d’un ensemble d’objets U (ou d’éléments
x) tels que, U = {(x), µa (x)}, x U, où µA (x) est le degré d’appartenance de x à A prenant
ses valeurs dans l’intervalle [0, 1]. Si µ (x) = 0, x n’est pas un élément de l’ensemble A, alors
que, si µ (x) = 1, x est sûrement un élément de A. Cependant, une valeur précise de µ n’existe
pas mais elle est plutôt affectée subjectivement par les individus de deux façons : nombres
flous et termes linguistiques.

138
 Aide au pilotage d’un processus : extension aux critères linguistiques

[Link] Caractéristiques d’un sous-ensemble flou

Les caractéristiques d’un sous ensemble flou sont détaillées ci-dessous (voir figure 23) :
µA Noyau

Hauteur

Support x

Univers de discours

Figure 23 . Support, hauteur et noyau d’un sous-ensemble flou

Support :

Le support d’un sous ensemble flou A noté supp (A) est la partie X sur laquelle la fonction
d’appartenance µA(x) n’est pas nulle :
supp(A) = {x X / µA(x) ≠ 0}

Hauteur :

La hauteur, notée h(A), d’un sous-ensemble flou A de X est la plus grande valeur prise par sa
fonction d’appartenance:
h(A) = supx X µA(x)

Noyau :

Le noyau de A noté noy(A) est l’ensemble des éléments de X pour lesquels la fonction
d’appartenance normalisée de A vaut 1 :
noy (A) = {x X / µA(x) = 1}

Cardinalité:

La cardinalité d’un sous-ensemble flou A de X est le degré global avec lequel des éléments de
X appartiennent à A. Elle est définie par :

A A
x
x X

139
 Aide au pilotage d’un processus : extension aux critères linguistiques

[Link] Opérations sur les sous-ensembles flous

Considérons l’ensemble de référence . Les éléments de peuvent être regroupés en

classes appelées sous-ensembles flous et chaque élément est caractérisé par son appartenance
à une ou plusieurs classes.

Les opérations sur les sous-ensembles flous généralisent celles de la théorie classique des
ensembles : les opérations d’égalité, d’inclusion, d’intersection, d’union et de
complémentarité.

Egalité :

Deux sous-ensembles flous A et B de sont égaux si leurs fonctions d’appartenance prennent

la même valeur pour tout élément de .
x , µA (x) = µB (x)

Inclusion :

Soit F( ) l’ensemble de tous les sous-ensembles flous de . Pour A et B appartenant à F ( ),

A est inclus dans B (A B), si leurs fonctions d’appartenance sont telles que :
x , µA (x) µB (x)

Intersection :

L’intersection de deux sous-ensembles flous A et B de est un sous-ensemble C de F( )

noté A B tel que :
x , µC (x) = min (µA (x), µB (x))

Union:

L’union de deux sous-ensembles flous A et B de est un sous-ensemble D de F( ) noté

A B tel que :
x , µD (x) = max (µA (x), µB (x))

Complémentarité:

Le complément Ac d’un élément A de F( ) est le sous-ensemble flou de tel que :

x , µAc (x) = 1 µA (x)

140
 Aide au pilotage d’un processus : extension aux critères linguistiques

Nous constatons que la théorie « classique » ou encore la théorie des ensembles

« ordinaires » et la théorie des sous-ensembles flous se confondent quand la valeur de µA (x)
ne peut prendre que les valeurs 0 ou 1. C’est donc le cas binaire où chaque élément appartient
strictement à une et une seule classe. Dans ce cas, les opérations sur les sous-ensembles flous
sont équivalentes aux opérations classiques de la théorie des ensembles ordinaires.

4.2.2 Notion d’un nombre flou

Les nombres flous correspondent à des intervalles flous ayant une valeur modale unique.
Un nombre flou est un nombre réel dont sa valeur précise n’est pas toujours connue. Pour la
déterminer, nous utilisons des fonctions d’appartenance obtenues grâce aux opérateurs de la
logique floue.

[Link] Définitions

Un nombre flou est un sous-ensemble flou de nombres réels. Ils existent des cas
particuliers de nombres flous qui incluent le nombre réel précis ainsi que les intervalles de
nombres réels. La littérature fait ressortir plusieurs formes des nombres flous. Toutefois, les
formes triangulaires et trapézoïdales demeurent les plus employées pour représenter des
nombres flous. Nous présentons, ci-dessous, les définitions des fonctions d’appartenance aussi
bien des nombres flous triangulaires que trapézoïdales ainsi que les opérations de base.

Définition 1 : Un nombre flou triangulaire peut être défini comme un triplet (a1, a2, a3), où
l’intervalle [a1, a3] représente le support et a2 est la valeur modale. Sa fonction
d’appartenance est définie ainsi (Ching-Hsue et Yin, 2002) :
0, x a1 ,
x a1 / a 2 a1 , a1 x a2 ,
~
A
x ,
a3 x / a3 a2 , a2 x a3 ,
0, x a3.

~ ~
Soient A et B deux nombres flous positifs paramétrés par le triplet (a1, a2, a3) et (b1, b2, b3)
respectivement, alors les opérations sur les nombres flous triangulaires sont exprimées par
Chen et Hwang (1992) :

141
 Aide au pilotage d’un processus : extension aux critères linguistiques

~ ~
A (+) B = (a1, a2, a3) (+) (b1, b2, b3) = (a1 + b1, a2 + b2, a3 + b3),
~ ~
A ( ) B = (a1, a2, a3) ( ) (b1, b2, b3) = (a1 b1, a2 b2, a3 b3),
~ ~
A ( ) B = (a1, a2, a3) ( ) (b1, b2, b3) = (a1b1, a2b2, a3b3),
~ ~
A ( ) B = (a1, a2, a3) ( ) (b1, b2, b3) = (a1 / b1, a2 / b2, a3 / b3),

~
Définition 2: La fonction d’appartenance d’un nombre flou trapézoïdal A = (a1, a2, a3, a4),
~
a1 a2 a3 a4, (dans le cas où a2 = a3, A est un nombre flou triangulaire) est définie par
Ching-Hsue et Yin, (2002) :
0, x a1
x a1 / a 2 a1 , a1 x a2 ,
~
A
x 1, a2 x a3 ,
x a4 / a3 a4 , a3 x a4 ,
0, x a4.

[Link] Fonctions d’appartenance

Deux manières différentes peuvent être suivies pour représenter les fonctions
d’appartenance. La première consiste à obtenir le degré d’appartenance d’une information à
un certain sous-ensemble flou. La deuxième cherche le passage d’une représentation
numérique à une représentation linguistique, en utilisant un ensemble de fonctions
d’appartenance. Un coefficient de confiance peut être accordé à l’affirmation « x appartient à
un ensemble A » et défini directement pour tout x. Cette propriété est exprimée à l’aide d’une
fonction d’appartenance µA (x) qui a des valeurs dans [0, 1]. La notation renvoie au
« coefficient d’appartenance de x à l’ensemble caractérisé par A » où l’argument x se rattache
à la variable linguistique et l’indice A désigne l’ensemble concerné.
Un événement certain a une fonction d’appartenance égale à 1 pour le point de
fonctionnement considéré, ainsi, x 0
x 1 pour x = x0 et x 0
x 0 pour x ≠ x0 ; il s’agit d’un

singleton. Alors qu’un événement incertain a une fonction d’appartenance inférieure ou égale
à 1.

142
 Aide au pilotage d’un processus : extension aux critères linguistiques

4.3. Approche linguistique appliquée à l’analyse de la décision

Habituellement, l’information dans les environnements flous classiques est exprimée à

l’aide de valeurs numériques comprises dans l’intervalle [0, 1]. Cependant, une connaissance
vague ou imprécise de l’information ne peut pas être estimée avec une valeur numérique
exacte. En effet, il y a certains problèmes de décision où l’information peut être non
quantifiable quand l'évaluation, selon la nature de certains critères, ne peut pas être assurée
par des valeurs numériques. Dans d'autres cas, des déclarations précises ne peuvent pas être
garanties parce que soit elles ne sont pas disponibles, soit le coût de leur calcul est assez élevé
et une « valeur approximative» peut être tolérée. Dans de tels cas, l'utilisation des estimations
linguistiques au lieu des valeurs numériques peut constituer une manière adéquate pour
exprimer les évaluations ou les préférences fournies par les décideurs. Ainsi, selon le domaine
du problème, un ensemble de termes linguistiques approprié est choisi et utilisé pour décrire
la connaissance floue et imprécise. Le nombre d'éléments dans l'ensemble de termes constitue
la granularité de l'incertitude qui reflète le niveau de distinction entre différents calculs
d'incertitude.

Il s’agit donc d’une approche linguistique plus appropriée pour beaucoup de problèmes
réels. Cette approche manipule des variables linguistiques qui ne sont pas des nombres mais
plutôt des mots ou des expressions dans un langage naturel ou artificiel. Etant donné que les
mots sont généralement moins précis que les nombres, le concept de la variable linguistique
permet de fournir une caractérisation approximative du phénomène pour être à la disposition
de leur description en termes quantitatifs conventionnels.

Zadeh (1975) définit une variable linguistique comme un quintuple (H, T(H), U, G, M)
avec H est le nom de la variable, T(H) (ou simplement T) dénote l'ensemble de termes de H,
c'est à dire, l'ensemble des noms des valeurs linguistiques de H, dont la valeur de chacune est
une variable floue dénotée génériquement par X et rangée à travers un univers de discours U
qui est associé avec la variable de base u, G est une règle syntaxique qui prend généralement
la forme d'une grammaire pour générer les noms des valeurs de H et M est une règle
sémantique pour associer ces significations avec chaque H et M(X) représente un sous-
ensemble de U.

L'analyse de la décision linguistique utilise donc l'approche linguistique pour résoudre des
problèmes de prise de décision avec des informations linguistiques. La littérature fait ressortir

143
 Aide au pilotage d’un processus : extension aux critères linguistiques

beaucoup d'applications d'analyse de la décision linguistique pour résoudre des activités

réelles, par exemple, la prise de décision de groupe (Bordogna et al. (1997), Herrera et al.
(1995)), la prise de décision multicritère (Buckley (1985), Chang et Chen (1994), Yager
(1993)), etc. Cette approche a donc contribué dans le développement de la théorie et des
méthodes d’analyse de la décision vu sa structure flexible de représenter l’information d’une
manière plus directe et adéquate quand il n’est pas possible de l’exprimer précisément.
L’analyse de la décision linguistique d'un problème d'AMCD, est composée des trois étapes
suivantes (Herrera et Herrera - Viedma, 2000) :

Le choix de l'ensemble de termes linguistiques et sa sémantique.

Le choix de l'opérateur d'agrégation de l'information linguistique.
Le choix de la meilleure action.

4.3.1 Choix de l'ensemble de termes linguistiques et sa sémantique

Il consiste à établir le domaine de l'expression linguistique utilisée pour fournir les valeurs
de la performance linguistique au sujet des actions selon les différents critères. Pour cela, il
faut choisir l'ensemble des termes linguistiques ainsi que sa sémantique.

[Link] Choix de l’ensemble des termes linguistiques

Les descripteurs linguistiques d'une variable linguistique fournissent à l'utilisateur

quelques mots à l’aide desquels il peut exprimer naturellement ses préférences. Pour ce faire,
il faut fixer un aspect important de l’analyse qui est la granularité de l'incertitude, c'est à dire
la cardinalité de l'ensemble de termes linguistiques employée pour exprimer l'information.
Cette granularité doit être assez petite pour ne pas imposer une précision inutile aux parties
prenantes. Elle doit être, aussi, assez riche afin de permettre une discrimination des
évaluations dans un nombre limité de degrés. Les valeurs typiques de la cardinalité utilisées
dans les modèles linguistiques sont les valeurs impaires, telles que 7 ou 9, avec une limite
supérieure de granularité de 11 ou pas plus que 13, où le mi-terme représente une évaluation
approximative de « 0.5 » et avec le reste des termes étant placés symétriquement autour de lui
(Bonissone et Decker, 1986). Ces valeurs classiques de cardinalité semblent être en
conformité avec l’observation de Miller (1956) qui stipule que les êtres humains peuvent

144
 Aide au pilotage d’un processus : extension aux critères linguistiques

raisonnablement parvenir à considérer sept articles ou environ (cité dans Herrera et Martinez,
2000 b). Après avoir défini la cardinalité de l’ensemble des termes linguistiques, un
mécanisme pour fournir des descripteurs linguistiques est alors établi.

[Link] Sémantique de l’ensemble des termes

linguistiques

La littérature présente principalement trois possibilités pour définir la sémantique de

l'ensemble de termes linguistiques: la sémantique basée sur les fonctions d'appartenance et la
règle de sémantique, la sémantique basée sur la structure ordonnée de l'ensemble de termes
linguistiques et la sémantique mixte.

Sémantique basée sur les sous-ensembles flous et la règle de sémantique

Selon cette approche, la signification de chaque terme linguistique est donnée par un sous-
ensemble flou défini dans l'intervalle [0,1], qui est habituellement décrit par les fonctions
d'appartenance (Bonissone et Decker, 1986). Une façon statistiquement efficace pour
caractériser un nombre flou est l’utilisation d'une représentation basée sur des paramètres de
sa fonction d'appartenance (Bonissone, 1982). Etant donné que les évaluations linguistiques
fournies par les décideurs sont approximatives, certains auteurs considèrent que les fonctions
d'appartenance trapézoïdales linéaires sont assez bonnes. En fait, ces dernières permettent de
capturer l'imprécision de ces évaluations linguistiques, vu qu’il peut être impossible et inutile
d'obtenir des valeurs plus précises (Bonissone et Decker, 1986). Cette représentation
paramétrique est réalisée par le 4-tuple (a1, a2, a3, a4). Les deux premiers paramètres
indiquent l'intervalle dans lequel la valeur d'appartenance est 1 alors que les troisième et
quatrième paramètres indiquent la largeur gauche et droite. D'autres auteurs utilisent une
représentation non trapézoïdale, par exemple, les fonctions gaussiennes (Bordogna et al.,
1997).

Sémantique basée sur la structure ordonnée de l'ensemble de termes linguistiques

Cette approche n’utilise pas les sous-ensembles flous mais elle présente la sémantique à
partir de la structure définie sur l’ensemble de termes linguistiques. Ceci se fait,
particulièrement, lorsque les décideurs fournissent leurs évaluations à l’aide d’un ensemble de
termes linguistiques ordonnés (Bordogna et al., 1997). Dans cette approche sémantique, selon
la distribution des termes linguistiques sur une échelle [0, 1], deux possibilités sont envisagées

145
 Aide au pilotage d’un processus : extension aux critères linguistiques

afin de définir la sémantique de l’ensemble de termes linguistiques qu’ils soient

symétriquement distribués ou non (Herrera et Martinez, 2000b).

Sémantique mixte

Cette approche sémantique considère tous les termes linguistiques comme principaux. Elle
suppose des éléments à partir des approches sémantiques mentionnées ci-dessus, c'est-à-dire
une structure ordonnée des ensembles de termes linguistiques principaux et des sous-
ensembles flous pour la sémantique de termes linguistiques. D'une part, comme dans le sous
paragraphe précédent, les ensembles de termes linguistiques ordonnées sont supposés être
distribués sur une échelle, avec un cardinal impair et un terme représentant une évaluation
approximative de « 0.5 », avec le reste des termes étant placés symétriquement autour de lui
et supposant que chaque terme linguistique pour la paire (si, sT-i) est également informatif.
D’autre part, la sémantique des termes linguistiques principaux est définie à l’aide des sous-
ensembles représentés par des fonctions d'appartenance trapézoïdales ou triangulaires
(Herrera et Herrera-Viedma, 2000). Ces fonctions d'appartenance peuvent être uniformément
distribuées (Herrera et Herrera- Viedma, 2000) ou non (Herrera et al., 1996 a).

4.3.2 Choix de l'opérateur d'agrégation de l'information linguistique

Cette étape consiste à choisir l'opérateur d'agrégation approprié avec l'information

linguistique pour agréger et combiner la valeur de la performance linguistique fournie. Dans
ce qui suit, nous présentons les opérateurs d’agrégation de l’information linguistique ainsi que
les méthodes qui établissent l'agrégation de l'information linguistique.

[Link] Opérateurs d’agrégation de l’information

linguistique

Dans la littérature, nous distinguons quatre types d’opérateurs d’agrégation de

l’information linguistique :

Opérateurs d’agrégation de l’information linguistique non pondérée

Ces opérateurs sont fournis pour des critères différents ayant la même importance. Parmi
ces opérateurs, nous citons l’opérateur : Linguistic Ordered Weighted Averaging (LOWA)
(Herrera et Verdegay, 1993). C’est un opérateur symbolique qui présente de bonnes propriétés

146
 Aide au pilotage d’un processus : extension aux critères linguistiques

(monotone croissante, commutativité et les opérateurs « ou - et ») et aussi il possède de

multiples applications (Herrera et al., 1996 b).

Opérateurs d’agrégation de l’information linguistique pondérée

Ces opérateurs sont fournis pour des critères différents ayant des importances différentes.
Parmi ces opérateurs, nous citons l’opérateur : Linguistic Weighted Averaging (LWA)
(Bordogna et al., 1997).

Opérateurs d’agrégation de l’information linguistique multi granulaire

L’information linguistique multi granulaire est une information linguistique exprimée par
des ensembles de termes linguistiques avec une granularité ou une sémantique différentes.
Ces situations se posent quand les valeurs de la performance linguistique ne sont pas fournies
en utilisant le même ensemble de termes linguistiques. Herrera et al., (2000) proposent une
manière de gérer ces situations.

Un opérateur d’agrégation d’information linguistique multi granulaire doit accomplir deux

tâches : rendre l’information linguistique multi granulaire uniforme et agréger les valeurs de
la performance linguistique à partir de l’information linguistique uniforme.

Opérateurs d’agrégation de l’information linguistique et numérique

Ces opérateurs agrégent aussi bien des informations linguistique que numérique. Ils sont
appliqués dans le cas où certaines valeurs de performance sont données dans un domaine
numérique et d’autres dans un domaine linguistique. Delgado et al., (1998) ont développé un
opérateur fusion qui opère dans trois étapes :

1. Il transforme tous les inputs en un domaine intermédiaire linguistique usuel au moyen

d’une fonction particulière de transformation numérique - linguistique.
2. L’information transformée est agrégée à l’aide d’un opérateur d’agrégation linguistique
concret.
3. L’information output est exprimée dans chaque domaine d’expression de l’utilisateur,
utilisant une fonction de transformation linguistique – numérique appropriée.

147
 Aide au pilotage d’un processus : extension aux critères linguistiques

[Link] Méthodes d’agrégation de l’information

linguistique

Il y a deux approches classiques principales pour effectuer l’agrégation de l’information

linguistique. La première, appelée approche d'approximation ou de calcul linguistique basé
sur le principe d'extension, utilise les fonctions d'appartenance liées au terme linguistique.
Alors que la seconde, appelée approche symbolique agit par le calcul direct sur les termes
linguistiques (Yager et Filev, 1994).

Modèle de calcul linguistique basé sur le principe d’extension

Le principe d’extension est un principe fondamental dans la théorie des sous-ensembles

flous (Dubois et Prade, 1980). Il a été introduit pour généraliser les concepts mathématiques
précis aux sous-ensembles flous. L’utilisation de l’arithmétique floue basée sur le principe
d'extension augmente l’imprécision des résultats. Cette augmentation de l’imprécision signifie
que les nombres flous obtenus ne coïncident pas toujours avec n'importe quel terme
linguistique dans l’ensemble des termes initial. D’où, le besoin d’un processus
d’approximation linguistique qui exprime le résultat du domaine d’expression original.

L'utilisation des opérateurs linguistiques basés sur les fonctions d'appartenances associées
présente deux problèmes principaux, à savoir (Bonissone, 1982) :

• Comment effectuer des opérations arithmétiques avec les sous-ensembles flous? En fait, la
théorie des sous-ensembles flous fournit des opérateurs logiques (ou, et, non) utilisés pour
établir le modèle linguistique ainsi que le principe de prolongation qui fournit l'outil
mathématique pour exécuter n'importe quelle arithmétique (Zadeh, 1975). Toutefois,
l'application du principe d'extension engendre des problèmes de calcul, par exemple, il permet
à n’importe quelle fonction non floue d’accepter les sous-ensembles flous comme des
arguments et la valeur résultante de la fonction est également un sous-ensemble flou avec une
fonction d’appartenance simple (Bonissone, 1982). La solution classique de ce problème
consiste d’abord à utiliser une représentation basée sur des paramètres pour le sous-ensemble
flou. Ensuite, elle consiste à définir les opérations arithmétiques sur la base de ces paramètres
sans utiliser le principe d’extension.

Comment associer un terme linguistique à un sous-ensemble flou non étiqueté sur la base de
la similitude sémantique (approximation linguistique)? Par ailleurs, il est bien connu que
l’utilisation des opérations arithmétiques prolongées pour traiter les sous-ensembles flous,
augmente l’imprécision des résultats étape par étape. La forme des fonctions d’appartenance

148
 Aide au pilotage d’un processus : extension aux critères linguistiques

ne se maintient pas quand les variables linguistiques sont interactives. Ainsi, les résultats
finaux de ces méthodes sont des sous-ensembles flous qui ne correspondent à aucune étiquette
dans l'ensemble de termes linguistiques original. Si nous désirons avoir une étiquette, une
approximation linguistique est nécessaire (Degani et Bortolan, 1988). Cette approximation
consiste à trouver une étiquette dont la signification est identique ou la plus proche de la
signification du sous-ensemble flou non étiqueté engendré par le modèle de calcul
linguistique. Il n' y a aucune méthode générale pour associer une étiquette à un sous-ensemble
flou, d’où, les problèmes spécifiques peuvent exiger des méthodes spécifiquement
développées pour ces problèmes.

Modèle symbolique de calcul linguistique

Une deuxième approche a été proposée pour accomplir l'information linguistique est celle
symbolique qui fait des calculs sur les indices des étiquettes linguistiques (Delgado et al.,
1993). Souvent, elle utilise une structure ordonnée des ensembles de termes linguistiques, S =
{so,…,sg} avec si < sj si est seulement si i < j, pour réaliser les calculs. Les résultats
intermédiaires sont des valeurs numériques, [0, g], qui doivent être approximées à chaque
étape du processus grâce à une fonction d'approximation. Cette dernière obtient une valeur
numérique de façon qu'elle indique l'indice du terme linguistique associé. Cette approche agit
par le calcul direct sur des étiquettes en tenant compte de la signification et des
caractéristiques des évaluations linguistiques. Cela fonctionne en supposant que l'ensemble de
termes linguistiques est une structure ordonnée uniformément distribuée sur une échelle.

Les deux méthodes citées ci-dessus semblent être bonnes quand l’approche linguistique
est adoptée, car les évaluations linguistiques sont justes des approximations qui sont données
et traitées lorsqu’il est impossible ou inutile d’obtenir des valeurs plus précises. Dans ce cas,
l’utilisation des fonctions d’appartenance associées aux termes linguistiques est inutile.

Toutefois, dans ces deux méthodes, souvent, les résultats ne coïncident pas exactement
avec n’importe quel terme linguistique initial. D’où, un processus d’approximation doit être
développé pour exprimer le résultat dans le domaine d’expression original. Ceci, mène à une
perte d’information et par conséquent à une réduction de précision qui est acceptable dans la
mesure où ces approches sont des outils de modélisation des situations non numériquement
précises. Cette perte d'information dans l'approximation linguistique affecte le résultat des
méthodes d'AMCD. Pour cela, un nouveau modèle de représentation linguistique basé sur les
2-tuples a été développé par Herrera et Martinez (2000 a) afin de remédier à ce problème en

149
 Aide au pilotage d’un processus : extension aux critères linguistiques

considérant l'erreur faite durant le processus d'approximation linguistique. Ce modèle sera

détaillé dans la prochaine section.

4.3.3 Choix de la meilleure action

Cette étape consiste à choisir les meilleures actions selon les valeurs de la performance
linguistique fournies. Elle se déroule en deux phases:

(a) La phase d'agrégation de l'information linguistique: elle consiste à obtenir la valeur de la

performance linguistique collective des actions par l'agrégation des valeurs de la performance
linguistique fournies selon tous les critères grâce à l'opérateur d'agrégation de l'information
linguistique choisi.

(b) La phase d'exploitation: elle consiste à l'établissement d'un rangement, d'un tri ou d'un
choix parmi les actions d'après la valeur de la performance linguistique collective selon la
problématique du problème de décision abordée.

L'objectif de cette étape, est de trouver les meilleures actions à partir des valeurs de
performances linguistiques. Cette tâche est réalisée à l’aide d'un processus de choix entre les
actions. Principalement, deux approches peuvent être envisagées afin d’exécuter un processus
de choix (Herrera et al., 1995): une approche directe dans laquelle une solution avec les
meilleures actions est dérivée sur la base des préférences individuelles et une approche
indirecte où une solution avec les meilleures actions est dérivée sur la base de la préférence
collective qui est une préférence globale pour l'ensemble de tous les critères.

4.4. Modèle de représentation linguistique floue 2-tuples

Ce modèle prend comme base le modèle symbolique. Il définit le concept de translation

symbolique et l'utilise pour représenter l'information linguistique au moyen d'une paire de
valeurs nommée 2-tuple linguistique (s, ), où s est un terme linguistique et est une valeur
numérique représentant la translation symbolique. Ce modèle, développé par Herrera et
Martinez (2000 a), est utilisé pour représenter l'information linguistique et numérique. Toute
information appropriée pour un problème de prise de décision peut être représentée par ce
modèle de 2-tuples. Il offre une représentation interne simple qui inclut toute l'information
originale, généralement, d'une nature multi granulaire, c'est-à-dire une variable linguistique

150
 Aide au pilotage d’un processus : extension aux critères linguistiques

avec différente granularité ou sémantique, est associée à chaque critère flou.

Dans ce qui suit, quelques définitions sont avancées ainsi que les opérateurs de
comparaison, de négation et d’agrégation utilisés par ce modèle de représentation linguistique
floue 2-tuples. Nous proposons d’introduire l’opérateur d’agrégation intégrale de Choquet 2-
additive. L’intérêt de cette nouvelle proposition est double. D’une part, elle permet de rester
toujours dans le cadre du flou vu que l’intégrale de Choquet est un opérateur de la famille
floue. D’autre part, elle permet de tenir compte des interactions mutuelles qui peuvent surgir
entre les différents critères. En plus, cette section expose la démarche d’application de ce
modèle avec des informations non homogènes. Elle développe aussi un exemple d’illustration
du modèle linguistique 2-tuples dans l’aide au pilotage d’un processus.

4.4.1 Définitions

Définition 1. Soit le résultat d'une agrégation des indices d'un ensemble d'étiquettes
évaluées dans un ensemble de termes linguistiques S = {s0,...,sg}, c'est-à-dire, le résultat
d'une opération d'agrégation symbolique. [0, g], g + 1 étant la cardinalité de S.
Soit i = round ( ) et = i deux valeurs, telles que, i [0, g] et [-0.5,0.5) alors est
nommée la Translation Symbolique (Herrera et al. (2005)).

La translation symbolique d’un terme linguistique, si, est une valeur numérique dans

[-0.5, 0.5) qui marque la « différence d’information » entre une quantité d’information [0,
g] obtenue après l’opération d’agrégation symbolique et la valeur la plus proche dans {0,...,g}
qui indique l’indice du terme linguistique le plus proche dans S.

A partir de ce concept, un modèle de représentation linguistique est développé afin de

représenter l’information linguistique à l’aide de 2-tuples (si, ), si S représente l’étiquette
linguistique de l’information, et [-0.5, 0.5) est une valeur numérique exprimant la valeur
de translation à partir du résultat original, , à l’indice le plus proche de l’étiquette, i, dans
l'ensemble de termes linguistiques (S).

Définition 2. Soit S = {so,...,sg} un ensemble de termes linguistiques et [0, g] une valeur

représentant le résultat de l'opération de l'agrégation symbolique, alors le 2-tuples qui
exprime l'information équivalente à est obtenu par la fonction suivante (Herrera et
Martinez, 2000 b) :

151
 Aide au pilotage d’un processus : extension aux critères linguistiques

: 0, g S 0 .5, 0 .5
si i round
si , , avec
i 0 .5, 0 .5

Où round (.) est l’opération round usuelle.

Exemple 1. Soit une opération d’agrégation symbolique sur des étiquettes évaluées selon

ST = {s0, s1, s2, s3, s4, s5, s6} avec = 3.2 étant son résultat. La représentation de cette quantité
d’information à l’aide d’un 2-tuples sera donc : (3.2) = (s3, 0.2) illustrée par la figure 24.

0.2

0 1 2 3 3.2 4 5 6

Figure 24 . Exemple de calcul de la translation symbolique

-1
Définition 3. Nous pouvons aussi définir une fonction , qui retrouve sa valeur numérique
équivalente [0, g] à partir de 2-tuples (si, ) de la manière suivante :
1
: S 0 .5 , 0 .5 0, g
1
si , i

Exemple 2. En se référant à l’exemple 1, nous avons trouvé le 2-tuples linguistique (s3, 0.2).
-1
A l’aide de la fonction , nous retrouvons la valeur numérique de ce couple, soit :
-1
(s3, 0.2) = 0.2 + 3 = 3.2 = .

Remarque: À partir des définitions 1 et 2, il est évident que la transformation du terme

linguistique en 2-tuples linguistique consiste à ajouter une valeur 0 comme translation
symbolique: s i S si , 0

4.4.2 Opérateurs de comparaison et de négation

[Link] Comparaison de 2-tuples

La comparaison de l'information linguistique représentée par les 2-tuples est effectuée

selon un ordre lexicographique ordinaire.

152
 Aide au pilotage d’un processus : extension aux critères linguistiques

Soient (sk, 1) et (sl, 2) deux 2-tuples, chacun représentant une quantité d'information:
- Si k<l alors, (sk, 1) est plus petit que (sl, 2),
- Si k=l, alors:

Si 1 = 2, alors (sk, 1) et (sl, 2) représentent la même information,

Si 1 < 2, alors (sk, 1) est plus petit que (sl, 2),
Si 1 > 2, alors (sk, 1) est plus grand que (sl, 2).

[Link] Opérateur de négation de 2-tuples

L’opérateur de négation de 2-tuples est défini comme suit :

-1
Neg ((si, )) = (g – ( (si, ))), avec g+1 est la cardinalité de S, S = {s0, …, sg}.

Exemple 3. En se référant à l’exemple 1, nous avons trouvé le 2-tuples linguistique (s3, 0.2).
L’application de l’opérateur de négation, nous donne comme résultat :
-1
Neg ((s3, 0.2)) = (6 – ( (s3, 0.2))) = (6 – 3.2) = (2.8) = (s3, -0.2).

4.4.3 Opérateurs d’agrégation de 2-tuples : proposition de l’intégrale

de Choquet 2-additive

La littérature présente plusieurs opérateurs d'agrégation (Yager, 1988) afin de combiner

l'information selon différents critères. Le modèle de représentation linguistique flou avec les
-1
2-tuples a défini les fonctions et qui transforment les valeurs numériques en 2-tuples et
vice-versa sans perte d'information. D’où, les opérateurs d'agrégation numérique classiques
peuvent facilement être étendu pour traiter les 2-tuples linguistiques. L'agrégation de
l'information consiste à l'obtention d'une valeur résumant un ensemble de valeurs, donc, le
résultat de l'agrégation d'un ensemble de 2-tuples doit être un 2-tuple.

Nous présentons dans ce qui suit, d’abord, trois types d'opérateurs d'agrégation les plus
connus (la moyenne arithmétique simple, la moyenne pondérée et l’opérateur d’agrégation
pondéré ordonné) tels qu’ils sont présentés dans Herrera et Martinez (2000 a). Ensuite, nous
proposons d’appliquer l’opérateur d’agrégation intégrale de Choquet 2-additive vu qu’il est
adéquat avec notre contexte flou. En plus, il permet de tenir compte des interactions mutuelles
entre les différents critères.

153
 Aide au pilotage d’un processus : extension aux critères linguistiques

[Link] Moyenne arithmétique simple

La moyenne arithmétique est un opérateur d'agrégation classique, son opérateur

équivalent pour les 2-tuples linguistique est défini comme suit:

Définition 4. Soit x = {(r1, 1),…, (rn, n)} un ensemble de 2-tuples, la moyenne arithmétique
e
2-tuples x est calculée comme suit :
n n
e
1
x ri , i i
i 1 i 1

La moyenne arithmétique pour les 2-tuples permet de calculer la moyenne d’un ensemble de
valeurs linguistiques sans aucune perte d’information.

[Link] Moyenne pondérée

La moyenne pondérée permet à différentes valeurs de xi d'avoir une importance différente

selon la nature de la variable x. Pour se faire, chaque valeur xi a un poids associé wi indiquant
l'importance selon la nature de la variable. L'opérateur équivalent pour les 2-tuples
linguistiques est défini comme suit :

Définition 5. Soit x = {(r1, 1),…, (rn, n)} un ensemble de 2-tuples et W ={w1,…, wn} leurs
e
poids associés. La moyenne arithmétique pondérée 2-tuples x est calculée ainsi :
n n
1
ri , i
wi i
wi
e
i 1 i 1
x n n

wi wi
i 1 i 1

[Link] Opérateur d'agrégation pondéré ordonné

(OWA)

Cet opérateur a été développé par Yager (1988). Il considère que les poids ne sont pas
associés avec une valeur prédéterminée mais plutôt ils sont associés à une position
déterminée. Dans le cadre des 2-tuples linguistiques, l'opérateur OWA, Fe, est défini
comme suit:

154
 Aide au pilotage d’un processus : extension aux critères linguistiques

Définition 6. Soient x = {(r1, 1),…, (rn, n)} un ensemble de 2-tuples et W ={w1,…, wn} leur
n

vecteur de poids associés qui satisfait : wi [0,1] et wi 1. D’où, l’opérateur OWA, Fe,
i 1

pour les 2-tuples est calculé de cette manière:

n
e *
F r1 , 1
,..., rn , n j
j 1

* ème
Avec j
est la j valeur la plus l arg e de j
.

[Link] Intégrale de Choquet 2-additive

L’intégrale de Choquet est une notion apparue en 1953 comme modèle analytique
permettant de construire une fonction apte à prendre certaines formes de dépendances souvent
appelées interactions entre critères. Nous nous limitons à l’intégrale de Choquet 2-additive vu
la capacité 2-additive à représenter l’interaction entre deux critères uniquement, ce qui est
suffisant en pratique (Grabisch, 2006). Nous proposons d’introduire cet opérateur
d’agrégation flou dans le cadre des 2-tuples linguistiques de la manière suivante :

Définition 7. Soient x = {(r1, 1),…, (rn, n)} un ensemble de 2-tuples et µ une capacité sur N
(voir définition p. 110). L’opérateur intégrale de Choquet 2-additive, Cµe, pour les 2-tuples
est calculé de cette manière:
n
e * *
C r1 , 1
,..., rn , n j j 1
. Aj
i 1

avec A j j ,..., n
*
0
0
* ème
j
est la j valeur la plus l arg e de .

4.4.4 Démarche d’application du modèle 2-tuples avec des

informations non homogènes

Herrera et al. (2005) ont proposé un processus d'agrégation d'un problème de prise de
décision participative dont les informations sont non homogènes, composées par des valeurs
numériques, des intervalles valués et des valeurs linguistiques. Ce processus est composé des
3 étapes suivantes:

155
 Aide au pilotage d’un processus : extension aux critères linguistiques

[Link] Unification de l'information

L’information hétérogène doit être unifiée, c'est-à-dire, l’information linguistique multi

granulaire fournie par toutes les sources doit être transformée (sous une fonction de
transformation) en un ensemble de termes linguistiques unifiés, nommé BLTS (Basic
Linguistic Term Set), ST = {s0,...,sg}. Ainsi, chaque valeur numérique, intervalle valué ou
préférence linguistique doit être exprimée par un sous-ensemble flou dans le BLTS, F (ST). Ce
processus est réalisé en deux étapes:

Choix du BLTS :

Avant de définir la fonction de transformation à ce BLTS, ST, il faut décider comment

choisir ST. Selon Herrera et al., (2000), ST doit être un ensemble de termes linguistiques qui
permet de maintenir les degrés d’incertitude associés à chaque but ainsi que la capacité de
discrimination pour exprimer les valeurs de performance. Avec cet objectif, nous cherchons
un BLTS avec le maximum de granularité. Deux possibilités sont envisagées :

- lorsqu’il y a un seul ensemble de termes avec un maximum de granularité, alors il est choisi
comme étant ST.
- lorsqu’il y a deux ou plus ensembles de termes linguistiques avec un maximum de
granularité, alors ST est choisi selon les sémantiques de ces ensembles, en rencontrant deux
situations possibles pour établir ST :

1. Si tous les ensembles de termes linguistiques ont les mêmes sémantiques, alors ST est
n’importe lequel parmi eux.
2. Il y a certains ensembles de termes linguistiques avec différentes sémantiques. Dans ce cas,
ST est un ensemble de termes linguistiques basique avec un nombre de termes plus large
qu’une personne est capable de discriminer (normalement 11 ou 13, (Miller, 1956)). Un
BLTS avec 15 termes est alors défini ayant comme sémantique :
s0 (0,0,0.07) s1 (0,0.07,0.15)
s2 (0.07,0.15,0.22) s3 (0.15,0.22,0.29)
s4 (0.22,0.29,0.36) s5 (0.29,0.36,0.43)
s6 (0.36,0.43,0.5) s7 (0.43,0.5,0.58)
s8 (0.5,0.58,0.65) s9 (0.58,0.65,0.72)
s10 (0.65,0.72,0.79) s11 (0.72,0.79,0.86)
s12 (0.79,0.86,0.93) s13 (0.86,0.93,1)
s14 (0.93,1,1)

156
 Aide au pilotage d’un processus : extension aux critères linguistiques

Transformation de l’information input en F (ST)

Nous considérons des fonctions d’appartenance triangulaires, s i

(.), pour des étiquettes

linguistiques, si ST, représentées par la fonction paramétrique (ai, bi, ci). La fonction de
transformation choisie est la fonction de possibilité S (A, B) = maxx min (µA(x), µB(x)), avec
µA et µB sont les fonctions d’appartenance des ensembles flous A et B, respectivement.

1. Transformation des valeurs numériques dans [0,1] en F (ST)

Soit F(ST) l’ensemble des ensembles flous dans ST = {s0,…, sg}. La valeur numérique 0 ,1

sera transformée en un ensemble flou dans F(ST) en calculant la valeur d’appartenance de

dans le nombre flou associé aux termes linguistiques de ST.

Définition 8 : La fonction NS T
transforme la valeur numérique en un ensemble flou dans ST :

NS
: 0 ,1 F ST ,

NS
s0 , 0
,. . ., s g , g
, si S T and i
0 ,1 ,

0 si support S i
x ,
ai
i S
si a i bi ,
i

bi a i
ci
si b i ci .
c i bi

Exemple 4 : Soit = 0.2 une valeur numérique à transformer en un ensemble flou dans

S = {s0, s1, s2, s3, s4, s5, s6}. La sémantique de cet ensemble de termes est :
s0 = (0, 0, 0.17), s1 = (0, 0.17, 0.33), s2 = (0.17, 0.33, 0.5), s3 = (0.33, 0.5, 0.67),
s4 = (0.5, 0.67, 0.83), s5 = (0.67, 0.83, 1), s6 = (0.83, 1, 1).
D’où, l’ensemble flou obtenu est: (voir figure 25).

NS T
0 .2 s 0 , 0 , s1 , 0 . 81 , s 2 , 0 . 19 , s 3 , 0 , s 4 , 0 , s 5 , 0 , s 6 , 0

s0 s1 s2 s3 s4 s5 s6

0,81

0,19

0,2
Figure 25. Transformation d’une valeur numérique en un ensemble flou dans S T

157
 Aide au pilotage d’un processus : extension aux critères linguistiques

2. Transformation des termes linguistiques dans S en F (ST)

Définition 9 : Soient S = {l0,…., lp} et ST = {s0,…., sg} deux ensembles de termes

linguistiques, tels que, g p. La fonction de transformation linguistique est définie ainsi :

SS T
:S F ST ,
i
SS T
li sk , k
/k 0 ,..., g li S,
i
k
max min l
y , s
y
y i k

Avec F (ST) est l’ensemble des ensembles flous définis dans ST, et l i
. et s k
. sont les

fonctions d’appartenance des ensembles flous associées aux termes li et sk respectivement. Le

résultat de SS T
pour n’importe quelle valeur linguistique de S est l’ensemble flou défini dans le

BLTS, ST.

Exemple 5 : Soient S = {l0,…., l4} et ST = {s0,…., s6} deux ensembles de termes, avec 5 et 7
étiquettes, respectivement, et avec les sémantiques associées suivantes :
l0 (0,0,0.25) s0 (0,0,0.16)
l1 (0,0.25,0.5) s1 (0,0.16,0.34)
l2 (0.25,0.5,0.75) s2 (0.16,0.34,0.5)
l3 (0.5,0.75,1) s3 (0.34,0.5,0.66)
l4 (0.75,1,1) s4 (0.5,0.66,0.84)
s5 (0.66,0.84,1)
s6 (0.84,1,1)

L’ensemble flou obtenu pour l2 après l’application de SS T

est : (voir figure 26).

NS T
l2 s 0 , 0 , s1 , 0 . 19 , s 2 , 0 . 6 , s 3 , 0 , s 4 , 0 . 6 , s 5 , 0 . 19 , s 6 , 0

l0 l2 l4
s0 s1 l1 s2 s3 s4 l3 s5 s6

0,6

0,19

Figure 26 . Transformation de l2 dans S en un ensemble flou dans ST

158
 Aide au pilotage d’un processus : extension aux critères linguistiques

3. Transformation des intervalles valués en F (ST)

Soit I = [ i , i ] un intervalle valué dans [0, 1]. Pour mener cette transformation, nous supposons
que l’intervalle valué a une représentation (voir figure 27) inspirée de la fonction
d’appartenance des ensembles flous, comme suit :
0 si i,

I
1 si i i,

0 si i ,

Avec est une valeur dans [0, 1].

0
i i 1
1

Figure 27 . Fonction d’appartenance de I = [ i , i ]

Définition 10 : Soit ST = {s0,…., sg} un BLTS. La fonction IS T

transforme l’intervalle valué

dans [0, 1] en un ensemble flou dans ST.

IS T
:I F ST ,
i
IS T
I sk , k
/k 0 ,..., g ,
i
k
max min I
y , s
y ,
y k

avec F (ST) est l’ensemble des ensembles flous définis dans ST, et I
. et s k
. sont les

fonctions d’appartenance des ensembles flous associées à l’intervalle valué I et les termes sk
respectivement.

Exemple 6 : soit I = [0.1, 0.3] un intervalle valué à transformer en un ensemble flou dans ST
avec sept termes symétriquement distribués. L’ensemble flou obtenu après l’application de la
fonction IS T
est (voir figure 28) :

IS T
0 . 1, 0 . 3 s 0 , 0 . 41 , s 1 , 1 , s 2 , 0 . 58 , s 3 , 0 , s 4 , 0 , s 5 , 0 , s 6 , 0 .

159
 Aide au pilotage d’un processus : extension aux critères linguistiques

s0 s1 s2 s3 s4 s5 s6

0,58

0,41

0,1 0,3
Figure 28 . Transformation de l’intervalle [0.1, 0.3] en un ensemble flou dans S T

[Link] Agrégation des préférences individuelles

Pour chaque paire d’actions, une valeur de préférence collective est obtenue en agrégeant
les sous-ensembles flous à travers le BLTS. Ces ensembles flous représentent les valeurs de
préférence individuelle accordées par chaque expert selon ses propres préférences. Ainsi,
chaque valeur de préférence collective est un sous-ensemble flou dans le domaine linguistique
spécifique, le BLTS.

[Link] Transformation en 2-tuples

Dans cette phase, Les valeurs de préférences collectives sont transformées en 2-tuples
linguistiques à travers le BLTS afin de faciliter le rangement dans la phase d’exploitation du
processus de décision. Dans Herrera et Martinez (2000 b), une fonction est introduite afin
de transformer un ensemble flou en une valeur numérique dans l’intervalle de granularité ST,
[0, g] :
:F ST 0, g ,
g
j j
j 0
F ST sj, j
,j 0 , , g g

j
j 0

Avec l’ensemble flou, F (ST) peut être obtenu à partir de NS T

, SS T
ou IS T
.

160
 Aide au pilotage d’un processus : extension aux critères linguistiques

4.4.5 Exemple d’illustration du modèle linguistique 2-tuples

Pour mieux illustrer le modèle de représentation linguistique 2-tuples, prenons l’exemple

du processus de désassemblage d’un véhicule hors d’usage (voir figure 29). Le désassemblage
est un processus de récupération planifié des éléments constitutifs d’un produit manufacturé
pour lequel les caractéristiques mécaniques, fonctionnelles et de fin de vie doivent être
préalablement identifiés (Addouche, 2003).

Affectation des ressources

Qualité des constituants

DESASSEMBLAGE

Temps total moyen de

désassemblage
Taux de valorisation
Taux de rebut des
constituants

Figure 29. Processus de désassemblage d’un véhicule hors d’usage

Comme le montre la figure 29, ce processus de désassemblage comporte deux paramètres

d’entrée qui sont de nature qualitative et trois paramètres de sortie qui sont de nature plutôt
quantitative. Tous ces paramètres interagissent entre eux. Ils représentent des informations
hétérogènes composées par des valeurs numériques, des intervalles et des valeurs
linguistiques :

- Affectation des ressources : c’est une variable linguistique décrite par l’ensemble de termes
linguistiques ST = {l0 = médiocre, l1 = mauvaise, l2 = moyenne, l3 = bonne, l4 = optimale}.
Nous accordons des sémantiques à l’ensemble de ces cinq termes à travers des nombres
flous triangulaires :
l0 = médiocre = (0, 0, 0.25), l1 = mauvaise = (0, 0.25, 0.5), l2 = moyenne = (0.25, 0.5, 0.75),
l3 = bonne = (0.5, 0.75, 1), l4 = optimale = (0.75, 1, 1).

- Qualité des constituants : c’est une variable linguistique décrite par l’ensemble de termes
linguistiques :

161
 Aide au pilotage d’un processus : extension aux critères linguistiques

S = {s0 = non, s1 = très peu, s2 = peu, s3 = moyen, s4 = élevé, s5 = très élevé, s6 = parfait}.
Nous accordons des sémantiques à l’ensemble de ces sept termes à travers des nombres
flous triangulaires :
s0 = non = (0, 0, 0.17), s1 = très peu = (0, 0.17, 0.33), s2 = peu = (0.17, 0.33, 0.5),
s3 = moyen = (0.33, 0.5, 0.67), s4 = élevé = (0.5, 0.67, 0.83), s5 = très élevé = (0.67, 0.83, 1),
s6 = parfait = (0.83, 1, 1).

- Temps total moyen de désassemblage : c’est une variable numérique dont ses valeurs
appartiennent à l’intervalle [0, 1].

- Taux de valorisation : c’est une variable représentée sous forme d’intervalles valorisés dans
[0, 1].

- Taux de rebut des constituants : c’est une variable numérique dont ses valeurs appartiennent
à l’intervalle [0, 1].

Considérons une base de cas (voir tableau 13) constituée par six cas où chacun est décrit par
les cinq paramètres décrits précédemment.

Tableau 13. Base de cas du processus de désassemblage

Cas i Affectation des Qualité des Temps total Taux de Taux de rebut
ressources constituants moyen de valorisation
désassemblage
1 Médiocre Peu 0.2 [0.1, 0.3] 0.25
2 Moyenne Moyen 0.4 [0.6, 0.7] 0.35
3 Bonne Elevé 0.8 [0.65, 0.7] 0.75
4 Optimale Très élevé 0.5 [0.8, 0.9] 0.5
5 Mauvaise Très peu 0.2 [0.3, 0.35] 0.25
6 optimale parfait 0.9 [0.8, 0.85] 0.85

Avant d’appliquer l’un des deux modèles de pilotage de processus proposés dans les chapitres
précédents, il faut homogénéiser les données. Dans notre contexte, l’utilisation du modèle de
représentation linguistique 2-tuples avec des informations non homogènes suit deux étapes :
Unification de l’information
Transformation en valeurs linguistiques 2-tuples

162
 Aide au pilotage d’un processus : extension aux critères linguistiques

[Link] Unification de l’information

Il faut tout d’abord choisir le BLTS, soit S = {s0 = non, s1 = très peu, s2 = peu, s3 = moyen,
s4 = élevé, s5 = très élevé, s6 = parfait} vu qu’il possède le plus de granularité. Ensuite, il
s’agit de transformer l’information input en F (ST) qu’elle soit numérique, intervalle ou
linguistique. Nous obtenons donc les données figurées dans le tableau 14.

Tableau 14. Ensembles flous obtenus à travers le BLTS : ST

Cas Affectation des ressources Qualité des Temps total moyen Taux de Taux de rebut
i constituants de désassemblage valorisation
1 (1,0.6,0.19,0,0,0,0) (0,0,0,1,0,0,0) (0,0.81,0.19,0,0,0,0) (0.41,1,0.81,0,0,0,0) (0,0.5,0.5,0,0,0,0)
2 (0.39,0.85,0.85,0.39,0,0,0) (0,0,0,1,0,0,0) (0,0,0.59,0.41,0,0,0) (0,0,0,0.41,1,0.18,0) (0,0,0.88,0.12,0,0,0)
3 (0,0,0,0.39,0.85,0.85,0.39) (0,0,0,0,1,0,0) (0,0,0,0,0.18,0.81,0) (0,0,0,0.12,1,0.18,0) (0,0,0,0,0.5,0.5,0)
4 (0,0,0,0,0.19,0.6,1) (0,0,0,0,0,1,0) (0,0,0,1,0,0,0) (0,0,0,0,0.18,1,0.41) (0,0,0,1,0,0,0)
5 (0.39,0.85,0.85,0.39,0,0,0) (0,1,0,0,0,0,0) (0,0.81,0.19,0,0,0,0) (0,0.18,1,0.11,0,0,0) (0,0.5,0.5,0,0,0,0)
6 (0,0,0,0,0.19,0.6,1) (0,0,0,0,0,0,1) (0,0,0,0,0,0.59,0.41) (0,0,0,0,0.18,1,0.11) (0,0,0,0,0,0.88,0.12)

[Link] Transformation en valeurs linguistiques 2-

tuples

Les ensembles flous du tableau 14 seront ensuite transformés en valeurs linguistiques

2-tuples à l’aide des fonctions et . Les résultats de cette transformation figurent dans le
tableau 15.
Tableau 15. Valeurs linguistiques 2-tuples
Cas i Affectation des Qualité des Temps total Taux de Taux de rebut
ressources constituants moyen de valorisation
désassemblage

1 0.55 -0.45 2 0 1.19 0.19 1.18 0.18 1.5 -0.5

2 1.5 -0.5 3 0 2.41 0.41 3.85 -0.15 2.12 0.12
3 4.5 -0.5 4 0 4.82 -0.18 4.05 0.05 4.5 -0.5
4 5.45 0.45 5 0 3 0 5.14 0.14 3 0
5 1.5 -0.5 1 0 1.19 0.19 1.94 -0.06 1.5 -0.5
6 5.45 0.45 6 0 5.41 0.41 4.94 -0.06 5.12 0.12

163
 Aide au pilotage d’un processus : extension aux critères linguistiques

Par conséquent, les données sont devenues homogènes grâce à la transformation en

valeurs linguistiques 2-tuples. Nous pouvons alors appliquer l’un des modèles proposés d’aide
au pilotage d’un processus.

4.5. Conclusion

Dans ce chapitre, nous avons relâché l’hypothèse d’utiliser que des données quantitatives
par nos deux modèles d’aide au pilotage d’un processus développés précédemment. En fait,
dans le monde réel, les pilotes de processus peuvent parfois fournir des données sous une
forme qualitative. C’est pour cette raison que ce chapitre s’est attaché à présenter l’approche
linguistique et plus précisément le modèle de représentation linguistique flou avec les 2-tuples
afin de transformer les données qualitatives en des valeurs numériques.

Lors de l’application de ce modèle, la technique de calcul pour fonctionner avec les 2-

tuples fait appel à des opérateurs d’agrégation. Ces derniers sont empruntés de la théorie
classique et adaptés au modèle linguistique 2-tuples. Les auteurs qui ont développé ce modèle
se sont limités à l’utilisation de trois opérateurs d’agrégation à savoir : la moyenne
arithmétique simple, la moyenne pondérée et l’opérateur d’agrégation pondéré ordonné
(OWA). Nous avons proposé d’introduire l’opérateur d’agrégation intégrale de Choquet 2-
additive dans le cadre de la représentation linguistique 2-tuple pour deux raisons. La première
raison est que l’intégrale de Choquet 2-additive est une intégrale floue ce qui est cohérent
avec notre contexte d’application flou. La deuxième raison est d’exploiter la contribution de
cet opérateur du fait qu’il tient compte des interactions mutuelles qui peuvent surgir entre les
différents critères.

164
 Chapitre 5 :

Application réelle et Implémentation

5.1 Introduction ............................................................................................................................... 166

5.2 Systèmes Interactifs d’Aide à la Décision (SIAD) ........................................................................ 166
5.2.1 Définition d’un SIAD ......................................................................................................... 166
5.2.2 Rôle d’un SIAD .................................................................................................................. 167
5.2.3 Architectures d’un SIAD ................................................................................................... 167
5.3 Contexte d’application ............................................................................................................... 168
5.3.1 Présentation de l’entreprise............................................................................................. 169
5.3.2 Proposition d’un Système Interactif d’Aide au Pilotage d’un Processus (SIAPP)
…………………………………………………………………………………………...169
er
5.4 Mise en œuvre du 1 modèle d’aide au pilotage d’un processus .............................................. 171
5.4.1 Description du processus ................................................................................................. 172
5.4.2 Construction de la base de cas ......................................................................................... 173
5.4.3 Nouvelle base de cas ........................................................................................................ 174
5.4.4 Nouveau cas ..................................................................................................................... 176
5.4.5 Calcul des capacités µ....................................................................................................... 179
5.4.6 Cas le plus similaire .......................................................................................................... 180
5.4.7 Maintenance de la base de cas ........................................................................................ 182
ème
5.5 Mise en œuvre du 2 modèle d’aide au pilotage d’un processus ............................................ 184
5.5.1 Description du processus ................................................................................................. 184
5.5.2 Construction de la base de cas ......................................................................................... 185
5.5.3 Nouvelle base de cas ........................................................................................................ 185
5.5.4 Application de l’algorithme .............................................................................................. 187
5.6 Conclusion .................................................................................................................................. 189

165
 Application réelle et Implémentation

5.1. Introduction

Ce chapitre s’intéresse à la mise en œuvre des deux modèles d’aide au pilotage d’un
processus développés précédemment. Rappelons que ces deux modèles, issus de la
logique du RàPC, cherchent à estimer les indicateurs de performance d’un nouveau cas
et à déterminer les actions adéquates à entreprendre. Ces deux modèles tentent alors
d’apporter une aide pertinente au pilote d’un processus en s’appuyant sur une démarche
méthodologique.

Ces deux modèles sont appliqués dans un cas réel au sein d’une entreprise tuniso-
européenne (Dhouib et al., 2009 a). Ils sont aussi validés par un prototype informatique.
Ce dernier est un Système Interactif d’Aide au Pilotage d’un Processus (SIAPP) qui
s’avère d’une grande utilité pour le décideur. En effet, il favorise une répartition
évolutive des compétences entre l’utilisateur et la machine et offre une bonne
intégration de l’homme et de la machine dans le processus de décision. C’est un outil
flexible et facile d’utilisation grâce à son interface homme - machine conviviale. Il ne
constitue qu’un support à la prise de décision, la décision finale restant du ressort du
pilote du processus.

Ce chapitre donne, d’abord, un aperçu général sur le concept de Systèmes Interactifs

d’Aide à la Décision (SIAD). Ensuite, il décrit le contexte d’application des deux modèles
d’aide au pilotage d’un processus proposés précédemment. Enfin, il s’oriente vers une
mise en œuvre de ces modèles dans un cas réel accompagnés par leurs supports
informatiques.

5.2. Systèmes Interactifs d’Aide à la Décision (SIAD)

Cette section présente une définition d’un SIAD ainsi que son rôle et ses différentes
architectures.

5.2.1 Définition d’un SIAD

Le concept de Systèmes Interactifs d’Aide à la Décision (SIAD) a été introduit par l’école
anglosaxone et il a été traduit du concept de Decision Support Systems (DSSs). Un SIAD est

166
 Application réelle et Implémentation

« un système d’information interactif, flexible et adaptable, développé spécialement pour

aider à la solution de problèmes de management peu ou non structurés. Il utilise des données,
fournit une interface simple et autorise le manipulateur à exprimer ses propres opinions »
(Gachet et Haettenschwiler, 2003).

5.2.2 Rôle d’un SIAD

Un SIAD est dit interactif car tout ou partie du contrôle de la recherche est laissé à
l’utilisateur. La notion d’interactivité sous-tend le rôle primordial de l’homme dans le
déroulement du SIAD, rôle actif qui renvoie au terme « aide à la décision ». Il s’agit donc d’un
système interactif qui aide le décideur à exploiter les données et les modèles afin de trouver
une solution à un problème non structuré et analyser l'impact d'éventuels changements de
l'environnement qui peuvent surgir sur l’entreprise. Ainsi, le but de ce système est d'aider à la
décision et non de remplacer le décideur. Cette aide fait appel à l’intuition et au savoir-faire
du décideur qui devient l’élément fondamental du couple Homme/Machine. Le SIAD fait
intervenir l’ordinateur pour :

1. Assister les décideurs dans leur processus de décision dans des tâches semi structurées.
2. Aider plutôt que remplacer le jugement des décideurs.
3. Améliorer la qualité de la prise de décision plutôt que l’efficacité.

Le concept d’aide à la décision interactive est donc basé sur l’équilibre entre le jugement
humain et le traitement des informations par l’ordinateur.

5.2.3 Architectures d’un SIAD

Selon Marakas (2003), les composants d’un SIAD peuvent être généralement classifiés en
cinq parties distinctes :

• Un système gestionnaire de base de données ainsi que la base de données associée : son rôle
consiste à stocker, organiser, trier et remonter les données pertinentes pour un contexte
particulier de décision.

• Un système gestionnaire de base de modèles ainsi que la base de modèles associée : il

possède un rôle similaire au système gestionnaire de base de données excepté qu’il organise,
trie, stocke les modèles quantitatifs de l’organisation.

167
 Application réelle et Implémentation

• Le moteur de connaissances : il remplit les tâches relatives à la reconnaissance de problèmes

et à la génération de solutions finales ou intermédiaires aussi bien que des fonctions relatives
à la gestion du processus de résolution de problème.
• Une interface utilisateur : c’est un élément clé des fonctionnalités du système global.
• Un utilisateur : il fait partie intégrante du processus de résolution de problème.

Forgionne et al. (2002) proposent une architecture de SIAD intelligents (IDMSS) capables
de supporter toutes les phases du processus de décision d’une manière continue, intégrée et
complète. Son rôle majeur est de mettre l’accent sur le processus décision vu que les auteurs
proposent différentes sortes d’aide selon les différentes étapes du processus.

5.3. Contexte d’application

Le monde industriel évolue constamment. La pression concurrentielle accrue, le

développement du commerce électronique, l'augmentation des échanges de données
entre donneurs d'ordres et sous-traitants ou l'accroissement de la flexibilité du travail,
sont autant de facteurs qui poussent les entreprises à continuellement améliorer leurs
méthodes de production. Le but étant le pilotage des systèmes de production vers la
performance globale. Dans ce cadre, il faut bien cerner les actions à suivre au sein d’un
processus pour garantir le bon déroulement des différentes fonctions d’un système de
production. Ceci peut se faire à la lumière d’indicateurs de performance pertinents qui
indiquent l’état du système. Notre problématique consiste alors à fournir au système de
pilotage, à partir d’un ensemble de paramètres, des informations synthétiques qui
aident au choix des meilleures actions.

La Tunisie connaît des mutations très importantes et des évolutions très considérables au
niveau de ses systèmes de production, notamment en matière de qualité des produits.
Toutefois, les actions adoptées au niveau d’un processus sont parfois prises d’une manière
intuitive selon les compétences du responsable en se basant sur les tableaux de bord qui
demeurent le seul moyen d’évaluation. La culture de l’utilisation des outils d’aide à la
décision est quasiment absente dans les entreprises tunisiennes. De ce fait, si on souhaite
introduire une méthode d’AMCD, elle doit être facile pour la communiquer au sein de
l’entreprise. Elle doit être aussi simple à utiliser, se basant sur des notions non compliquées
pour que les informations collectées soient les plus pertinentes possibles. Puisqu’il est

168
 Application réelle et Implémentation

quasiment naturel pour un décideur de se rappeler des cas passés lorsqu’il rencontre un
nouveau cas, nous avons combiné le RàPC avec l’AMCD. Ce qui nous permet d’éviter
toute sorte de fuite des expériences de l’entreprise.

5.3.1 Présentation de l’entreprise

Nous avons choisi d’appliquer notre modèle dans l’entreprise TEC (Techniques
d’Emballages en Carton). C’est une entreprise industrielle créée en Tunisie en 1985. Elle
s’est inscrite dans une démarche qualité concrétisée par la certification ISO 9001 version
2000. Elle est un parmi les leaders en Afrique du Nord du carton d’emballage. En 2007, TEC
a créé une joint-venture avec le numéro un européen du carton d’emballage Mayr-Melnhof
Packaging. Le nom de cette nouvelle entreprise est TECMMP.

Le pilotage de TECMMP répondait à une logique de cloisonnement et de centralisation.

Les actions adoptées étaient associées à des objectifs indépendants et les indicateurs étaient
utilisés pour des besoins locaux. Mais suite aux évolutions de l’entreprise et surtout après la
joint-venture, l'entreprise souhaite aujourd’hui construire et utiliser ses indicateurs de
performance comme un modèle d’aide à la décision qui atteint conjointement un certain
nombre d’objectifs. Ceci se traduit par des plans d’action adéquats aux différentes situations.

L'objectif de l'entreprise est de minimiser le temps de calage ou encore le temps mis pour
la fabrication d'un produit afin de maximiser le nombre de tirages et de réduire le taux de
rebut. Ainsi, notre étude cible le processus de réalisation de TECMMP pour amener des
éléments de réponse aux questions suivantes:

 Comment estimer le temps de calage et le taux de rebut d'un nouveau produit sur la
base de plusieurs critères hétérogènes, conflictuels et non commensurables?
 Comment mener des actions adéquates face à un nouveau produit ?
 Comment préserver et exploiter des expériences passées pour résoudre un nouveau
problème ?

5.3.2 Proposition d’un Système Interactif d’Aide au Pilotage d’un

Processus (SIAPP)

169
 Application réelle et Implémentation

En s’inspirant de l’architecture proposée par Forgionne et al., (2002), nous implémentons

les deux modèles d’aide au pilotage d’un processus proposés dans le chapitre précédent (voir
figure 30). Chacune des deux prochaines sections montre l’application de chaque modèle au

Base de connaissances
Données relatives au Prévision et
processus à piloter indicateurs de
performance
Développement de
deux approches d’aide
au pilotage d’un
Base de données processus :
Données relatives à Actions
la représentation des - Modélisation recommandées
cas - Application
- Implémentation

Base de modèles Explications et avis de

Modèles de la sortie
décision et méthodes
utilisées

ENTREES TRAITEMENT SORTIES

sein de l’entreprise TECMMP tout en l’illustrant par des interfaces programmées sur JAVA.

Figure 30. Architecture conceptuelle du SIAPP

170
 Application réelle et Implémentation

5.4. Mise en œuvre du 1er modèle d’aide au pilotage d’un

processus

BC

Description du processus Processus à

piloter

Construction de la base de
cas

Description des cas

<critères, solution>
BD

Raffinement de la BC
Cas stockés

ACP Nouvelle BC

Ajout du nouveau cas Interface

Informations relatives au nouveau cas

Critères

Information mutuelle Score global désiré

Intégrale de Choquet Construction des poids

Programmation des critères
quadratique
Recherche de cas similaires

Mesures de similarités Similarités locales

Intégrale de Choquet Similarité globale

Construction de la Validation
solution du nouveau cas

Figure 31 . Description du 1er modèle d’aide au pilotage d’un processus

171
 Application réelle et Implémentation

Dans le chapitre 3, nous avons développé un modèle d’aide au pilotage d’un processus
dont sa représentation conceptuelle est représentée par la figure 31 accompagnée par les outils
utilisés. Ce modèle est conçu comme un système d’aide multicritère à la décision et un
système d’information qui cherche à capitaliser l’information nécessaire à l’aide au pilotage.
Il englobe les facteurs de performance tout en tenant compte des relations de causalité entre
inducteurs et indicateurs de performance, les objectifs qu’on tend à les atteindre et les
indicateurs tout en tenant compte de l’aspect interactif entre les critères.

Nous cherchons, par l’implémentation de ce modèle, non pas un simple support

informatique mais plutôt un système d’apprentissage fondé sur la capitalisation des
connaissances pour donner un sens aux pilotes du processus. Chaque étape du modèle sera
accompagnée par son interface correspondante pour une meilleure illustration et validation.

5.4.1 Description du processus

Le processus de fabrication de TECMMP est formé par quatre activités interdépendantes:

le découpage, l'impression, le finissage et le pliage. Chacune de ces activités possède des
paramètres d'entrée et des paramètres de sortie qui interagissent tous avec ceux des trois
autres activités. L’implémentation de cette étape est illustrée par l’interface de la figure 32.

Figure 32. Processus opérationnel de l’entreprise TECMMP

172
 Application réelle et Implémentation

5.4.2 Construction de la base de cas

Nous avons collecté une base de cas formée par 30 produits. Un produit peut être
l'emballage en carton d'un détergent, de tabac, de dattes, de fromage, etc. Chaque produit est
décrit par 36 critères qui représentent tous les paramètres du processus opérationnel de la
figure 34. Il est aussi décrit par la solution qui représente:

 le temps de calage: c'est le temps mis par le processus pour la fabrication d'un produit. Il
inclut le temps de préparation des machines, le temps mis par les activités, le temps de
panne de machines, etc.

 le taux de rebut: c'est le rapport de produits finis écartés sur le nombre total fabriqué.

 Les actions menées au sein du processus suite à la fabrication d'un produit.

L’interface, ci-dessous (figure 33) décrit bien cette étape. D’abord, le décideur donne le
nombre de cas, le nombre de critères et le nombre d’indicateurs. Ensuite, il saisit la base de
cas, où chaque cas est décrit par les critères, les indicateurs et par les actions entreprises.
Enfin, il valide cette étape en faisant appel au logiciel SPSS qui traite l’ACP pour avoir une
nouvelle base de cas à la prochaine étape.

Figure 33 . Construction de la base de cas

173
 Application réelle et Implémentation

5.4.3 Nouvelle base de cas

Il n’est pas du tout évident de modéliser les préférences du décideur en tenant compte de
36 critères. L’application de l’APC a permis de les réduire en trois nouveaux facteurs : coût,
temps et couleur grâce à la matrice des composants qui fournit les corrélations entre les 36
critères appelés par l’ACP variables et les nouveaux critères appelés par l’ACP facteurs ou
composantes principales. Ainsi, à partir de ces corrélations, nous interprétons les axes qui
représentent le mieux les anciennes variables. D’où, l’obtention d’une nouvelle base de cas
formée par 30 produits où chacun est décrit par :

Les critères qui représentent les trois nouveaux facteurs : coût (V1), temps (V2) et
couleur (V3).
La solution qui représente les deux indicateurs de performance (temps de calage : P1 et
taux de rebut : P2) et les décisions déjà prises (voir tableau 16).

Tableau 16. Nouvelle base de cas

Cas i V1 V2 V3 P1 P2 Actions

1 -0.98628 -0.55591 -0.62583 1.5 0.23 Climatisation de la salle d’impression.

Ajout de blanchet.
2 -0.20082 0.23445 -0.98812 1.75 0.44 Installation de la machine CTP.
Réduction de la quantité de vernis.
3 -0.49991 0.02345 -1.03425 0.5 0.13 Diagnostic des machines par un technicien
du CTP représentant de Heidelberg
(Allemagne) en Tunisie.
Augmentation de l’alimentation en air de
la machine de découpage.
4 0.27839 0.75517 0.15106 1 0.61 Perfectionnement des conducteurs par
l’assistance d’un technicien.
Réduction du temps de transfert entre la
machine de découpage et la machine
d’impression.
5 0.14376 1.48516 0.27436 1 0.862 Réparation du système de lavage
automatique de la machine CD5 avec le
technicien CTP.
6 0.25261 -0.57094 0.97159 2.25 0.015 Réparation du système de lavage
automatique de la machine CD4 avec le
technicien CTP.
7 2.07812 -1.76072 -1.59901 2 0.507 Suivi de la situation des machines.
Réduction de la quantité de noir utilisée.
8 1.42793 -1.13236 0.92415 1.25 0.118 Continuation avec le programme
d’entretien préventif.
Réduction des taux de cyan, de magenta et
de jaune utilisés.
9 1.96214 0.12991 -0.46364 1.5 0.29 Remplacement des pièces nécessaires.
Réduction du taux de cromalin.
10 0.93324 1.40668 1.98287 1.5 0.571 Essai de la nouvelle qualité de blanchets
(DAY) qui accepte plus les chocs avec un
suivi sur la CD4.

174
 Application réelle et Implémentation

11 0.47193 -0.23798 -0.60474 0.25 0.434 Mise à l’état des machines CD4 et CD5 :
nettoyage cryogénique.
12 0.48315 -0.75554 0.90843 0.5 0.522 Exigence pour les articles en sélection
d’un cahier de couleurs qui sert comme
épreuve au niveau de l’impression, ce qui
va permettre de réduire considérablement
les temps d’arrêt pour ajustement des
couleurs.
13 1.21654 -0.23731 -0.18707 0.75 0.28 Formation de nouveaux conducteurs qui
peuvent prendre la relève en cas d’absence
du conducteur principal.
Réduction de la quantité de noir utilisée.
14 0.98385 0.8736 -0.07355 0.75 0.34 Diagnostic des machines.
Réduction du coût de pelliculage.
15 1.36497 0.75918 -0.27167 0.25 0.51 Suivi de la consommation de blanchets.
16 0.59593 1.0452 -0.72440 0.5 0.23 Nettoyage cryogénique (CO2 Cleaning
Blast) des machines.
17 -0.1729 2.31644 -0.27277 1 0.413 Suivi de la situation des machines.
18 0.43802 -0.48547 1.42203 1 0.01 Demande d’avoir fournisseur pour tout
blanchet endommagé.
Contrôle des coûts.
19 -1.66299 -0.58299 1.57142 2 0.027 Réparation du système de lavage
automatique de la machine CD5.
20 -1.5441 1.62812 0.50379 1.5 0.324 Changement de plaque.
21 -1.12842 0.9715 -0.26414 0.5 0.37 Réduction des temps perdus sur machine
pour centrage.
22 -0.94351 -1.21435 0.28252 1 0.04 Remplacement des pièces nécessaires.
23 -0.95281 -1.38458 -2.1911 2 0.018 Changement de plaque.
24 -0.86421 -1.6205 0.82128 1 0.35 Assistance d’un technicien.
25 -0.75268 0.55528 -1.62002 0.5 0.310 Changement de blanchet.
26 -0.70356 0.96693 -1.20906 1.75 0.241 Suivi de la consommation de blanchets.
27 -0.51168 -0.28168 -0.25226 0.5 0.013 Réduire le temps perdu pour ajustement
des couleurs.
28 -0.82026 0.5559 0.83544 1 0.345 Remplacement des pièces nécessaires.
29 -1.10266 -0.23784 -0.12079 2.15 0.22 Réparation du système de lavage
automatique de la machine CD4.
30 0.3637 -0.30073 1.15882 1 0.18 Diagnostic de la machine CD5.

L’interface relative à cette étape (figure 34) nous donne la nouvelle base de cas
accompagnée du nouveau nombre de facteurs appelés variables.

175
 Application réelle et Implémentation

Figure 34. Nouvelle base de cas

5.4.4 Nouveau cas

Le nouveau cas est lui même décrit par les 36 paramètres du processus de fabrication
d’emballages en carton. Nous tentons donc de chercher son temps de calage et son taux de
rebut sur la base desquels le pilote prend les actions nécessaires. Ceci se fait grâce aux
produits passés.

L’estimation du score global du nouveau cas s’est basée sur l’analyse des relations de
causalités entre les critères de performance (Cj) et chaque indicateur de performance (Pi). Ces
relations sont quantifiées grâce à la formule [1] de l’information mutuelle qu’on la rappelle ci-
dessous :
k' k
k' k
p (C j c j ; Pi pi )
I ij I ( C j ; Pi ) p (C j c j ; Pi p i ) log k' k
k k'
p (C j c j ). p ( Pi pi )

Les probabilités des critères (p(Cj = cjk’)) ainsi que des indicateurs de performance (p(Pi= pik))
sont calculés en se référant à la base de cas. Pour les indicateurs de performance du nouveau

176
 Application réelle et Implémentation

cas, il faut fixer les objectifs à atteindre. Le décideur nous a fourni comme objectifs
souhaités : 0.75h pour le temps de calage et 0.01 pour le taux de rebut. Concernant les
probabilités conjointes p (Cj = cjk’ ; Pi = pik), deux cas sont envisagés :

1er cas : si k = k’ alors p (Cj = cjk’ ; Pi = pik) = 1 car ce sont des données obtenues pour un
même cas ou encore lors de la même expérience.

2ème cas : si k ≠ k’ alors p (Cj = cjk’ ; Pi = pik) = 0 car ce sont des données obtenues pour deux
cas différents à des dates différentes.

Le tableau 17 résume les informations mutuelles calculées entre chaque critère (Cj) et
l’indicateur de performance : temps de calage (P1) ainsi qu’entre ces mêmes critères et
l’indicateur de performance : taux de rebut (P2).

Tableau 17. Informations mutuelles entre chaque critère Cj et les indicateurs de performance P1 et P2.

Iij C1 C2 C3 C4 C5 C6 C7 C8 C9 C 10 C 11 C 12

P1
-4.622 -1.133 -1.994 -1.793 -2.046 -2.090 2.704 -0.059 1.057 -0.003 -1.110 0.290

P2
-3.851 -4.136 -3.447 -4.040 -3.525 -3.507 1.035 -2.378 -0.886 -1.794 -2.470 -2.916

Iij
C 13 C 14 C 15 C16 C17 C18 C19 C20 C21 C22 C23 C24

P1
-1.703 -0.526 -0.227 -0.565 0.252 -6.293 0.316 0.372 -0.849 -1.136 -0.392 -0.039

P2
-3.120 -1.744 -1.233 -2.796 -1.082 -7.665 -1.806 -2.334 -1.818 -3.050 -2.742 -2.167

Iij
C25 C26 C27 C28 C29 C30 C31 C32 C33 C34 C35 C36

P1
-0.557 -0.192 -0.820 -0.173 0.147 -0.472 -0.941 0.021 0.951 -0.680 -1.285 -1.464

P2
-3.052 -2.279 -2.642 -2.485 -1.867 -2.972 -2.088 -2.208 -0.373 -2.273 -3.112 -3.370

Au vu du tableau 18, nous nous sommes intéressés que par les informations mutuelles
positives, c’est-à-dire, nous retenions que les facteurs qui ont contribué à l’atteinte des
objectifs, soient les facteurs : temps de transfert entre les activités de découpage et
d’impression, temps d’impression, taux de cyan, temps de transfert entre les activités de
finissage et de pliage, taux d’humidité, temps de découpage, densité, quantité de débord, taux
d’aplat.

177
 Application réelle et Implémentation

Ainsi, le score global du nouveau cas sera calculé en se basant sur les facteurs les plus
influents. Le calcul sera fait par une somme pondérée de ces facteurs (voir tableau 18). Le
score estimé du cas 31 est NOUV = 1.891.

Tableau 18. Valeurs des facteurs les plus influents sur les objectifs du cas 31

Facteurs F7 F9 F12 F17 F19 F20 F29 F32 F33

Valeurs du cas 31 0.98 0.83 0.53 0.97 0.76 0.4 2 44 0.38

Poids 0.05 0.07 0.04 0.06 0.05 0.02 0.01 0.03 0.05

Dans l’interface correspondante à cette étape (voir figure 35), le décideur doit saisir les
critères caractérisant le nouveau cas ainsi que les objectifs souhaités. La validation nous
donne le score global désiré du nouveau cas.

Figure 35. Ajout du nouveau cas et calcul de son score global désiré

178
 Application réelle et Implémentation

5.4.5 Calcul des capacités µ

L’opérateur intégrale de Choquet 2-additive a été utilisé pour tenir compte des interactions
mutuelles entre les trois critères : coût, temps et couleur. Ensuite, il faut déterminer les
paramètres de l’intégrale de Choquet qui sont les capacités µ ou encore les poids des
coalitions des critères ({V1}, {V2}, {V3}, {V1, V2}, {V1, V3}, {V2, V3}). Pour ce faire, nous
avons construit un programme quadratique qui minimise la distance entre la valeur désirée de
ce nouveau cas (NOUV) et les scores globaux de tous les cas de la base.

Selon le décideur, les critères : coût (V1) et temps (V2) sont dépendants. Souvent, les
situations bonnes en coût sont aussi bonnes en temps car plus on minimise le temps, plus le
coût diminue. Ce sont donc deux critères qui se renforcent. Par contre, le décideur favorise les
situations qui sont bonnes en coût (V1) et en couleur (V3) ainsi que celles qui sont bonnes en
temps (V2) et en couleur (V3). Il a donné les capacités suivantes selon ses préférences :
µ (V1, V2) < µ (V1) + µ (V2)
µ (V2, V3) > µ (V2) + µ (V3)
µ (V1, V3) > µ (V1) + µ (V3)

Voici notre programme quadratique:

30
2
Min C k NOUV
k 1

Sous les contraintes

µ (V1) < µ (V1, V2)
µ (V2) < µ (V1, V2)
µ (V1, V2) <1
µ (V2, V3) <1
µ (V1, V3) <1
µ (V1, V2) < µ (V1) + µ (V2)
µ (V2, V3) > µ (V2) + µ (V3)
µ (V1, V3) > µ (V1) + µ (V3)
Cµ (30) > 2 Cµ (2)
Cµ (7) > Cµ (19)
Cµ (6) > Cµ (13)

A l’aide du logiciel de résolution CPLEX, nous obtenons comme résultats :

µ (V1) = 0.4423352; µ (V2) = 0.3644733; µ (V3) = 0.3943446;
µ (V1, V2) = 0.8068085; µ (V2, V3) = 0.7588179; µ (V1, V3) = 0.8676601

179
 Application réelle et Implémentation

Dans l’interface de la figure 36, les contraintes de monotonie figurent par défaut selon le
nombre de facteurs. Par contre, concernant les autres types de contraintes, c’est au décideur de
les saisir. La validation de ces données fournit les capacités µ qui représentent les poids des
coalitions de critères.

Figure 36. Calcul des capacités µ des coalitions des facteurs

5.4.6 Cas le plus similaire

vk v nouv
Par la formule déjà mentionnée : simj (k, nouv) = 1 - , nous calculons toutes les
range

similarités locales entre le nouveau cas et chacun des cas de la base selon un critère. Puis, à
m

l’aide de la formule : sim g ( k , nouv ) sim j

k , nouv sim j 1
k , nouv Aj , nous
j 1

calculons toutes les similarités globales (voir tableau 19).

180
 Application réelle et Implémentation

Tableau 19. Analyse des similarités …

locales (simj (k, nouv)) entre le cas k (k = 1,…, 30) et le nouveau cas selon le critère j (j = 1, 2, 3) et celles globales entre le
nouveau cas et chacun des cas de la base

Simj(k,nouv) V1 V2 V3 Similarités globales

(range = 3.74111) (range = 4.07716) (range = 4.17437)
1 0.67162 0.89759 0.68366 0.75872
2 0.88158 0.70374 0.59687 0.76175
3 0.80163 0.75549 0.58582 0.74312
4 0.99032 0.57602 0.86977 0.93549
5 0.97368 0.39698 0.89931 0.86572
6 0.99721 0.90127 0.93365 0.95747
7 0.50925 0.80690 0.45053 0.60639
8 0.68305 0.96102 0.94502 0.88766
9 0.54025 0.72938 0.72252 0.68106
10 0.81528 0.41623 0.69140 0.70978
11 0.93859 0.81961 0.68871 0.73641
12 0.93559 0.46555 0.94878 0.87858
13 0.73955 0.81945 0.78877 0.78808
14 0.80175 0.54697 0.81596 0.77363
15 0.69988 0.57504 0.76850 0.71041
16 0.90544 0.50489 0.66005 0.74806
17 0.88904 0.19309 0.76824 0.74555
18 0.94765 0.88031 0.82575 0.89955
19 0.49074 0.90423 0.78996 0.75944
20 0.52252 0.36191 0.95427 0.67152
21 0.63363 0.52296 0.77031 0.67288
22 0.68305 0.94091 0.90126 0.86308
23 0.68057 0.89916 0.30869 0.68839
24 0.70425 0.84019 0.96966 0.85845
25 0.73406 0.62505 0.44550 0.63858
26 0.74719 0.52408 0.54395 0.63122
27 0.79848 0.83033 0.77315 0.80519
28 0.71600 0.62490 0.96627 0.80263
29 0.64051 0.81958 0.80465 0.77050
30 0.96752 0.83500 0.88880 0.91650

Nous remarquons que le cas le plus similaire au nouveau cas est le cas 6 vu que sa
similarité globale avec le nouveau cas est la plus importante. Ce cas apparaît dans la nouvelle
interface de la figure 37. Le nouveau cas figure aussi dans cette interface avec ses critères et
ses objectifs.

181
 Application réelle et Implémentation

Figure 37. Construction de la solution du nouveau cas

Le décideur a accepté le cas 6 comme étant le plus proche. Cependant, il a jugé que le
temps de calage est relativement important alors que le taux de rebut est acceptable. Ainsi,
outre les actions du cas 6, il a proposé d'introduire trois chariots équipés afin de réduire les
temps de transfert entre:

● l'activité de découpage et l'activité d'impression.

● l'activité de finissage et l'activité de pliage.
● l'activité de finissage et l'activité d'impression.

Ceci a réduit le temps de calage de 2.25h à 1h ce qui a permis de réaliser un gain global de
100 DT. Le décideur doit ajouter dans l’interface toutes les actions relatives au nouveau cas.

5.4.7 Maintenance de la base de cas

L'ajout des chariots a modifié la base de cas. En fait, les données de la base sont obtenues
sans ces chariots. Il faut donc mettre à jour la base de cas en tenant compte de ce nouveau

182
 Application réelle et Implémentation

critère. Pour cela, un nouveau critère libellé CHARIOT sera ajouté à l'ensemble des critères.
Ce critère est une variable binaire qui est égale à 1 si les chariots sont utilisés et à 0 sinon.
Ainsi, tous les anciens cas de la base prennent la valeur 0 selon le critère CHARIOT alors que
le nouveau cas prend la valeur 1.

Par conséquent, une nouvelle base de cas sera actualisée : elle comprendra 31 cas au lieu
de 30 où chacun est décrit par 37 critères au lieu de 36. Les actions de ce nouveau cas seront
capitalisées accompagnées par toutes les informations qui s’y rattachent à savoir le gain
réalisé suite à la réduction du temps de calage grâce à l’ajout des chariots. L’interface de la
figure 38 montre cette nouvelle base de cas actualisée.

Figure 38. Actualisation de la base de cas

183
 Application réelle et Implémentation

5.5. Mise en œuvre du 2ème modèle d’aide au pilotage d’un

processus

Rappelons que notre objectif consiste à aider le pilote du processus de fabrication de

TECMMP à trouver la solution d’un nouveau cas, c’est-à-dire d’un nouveau produit. Les
étapes du modèle sont représentées par la figure 39. Leurs applications dans le cas réel sont
illustrées par des interfaces d’un support informatique.

BC

Description du processus Processus à

piloter

Représentation des cas

BM
Description des cas BD
<Critères, solution>

Cas stockés
- Analyse
factorielle Ajout du nouveau cas
- Construction
ascendante
hiérarchique
« du lien Interface
simple » Nouvelle BC
- Mesures de
distances

Développement d’un
algorithme de clustering

Construction de la
solution du nouveau cas
Validation

Figure 39. Description du 2ème modèle d’aide au pilotage d’un processus

5.5.1 Description du processus

Cette étape est la même que celle de l’autre modèle.

184
 Application réelle et Implémentation

5.5.2 Construction de la base de cas

Notre base de cas est formée par 31 cas y compris le nouveau cas. Chaque cas est décrit
par 36 critères. Cette étape est illustrée par l’interface de la figure 40. Sa validation fait appel
à l’application de l’ACP pour obtenir la prochaine interface.

Figure 40. Construction de la base de cas

5.5.3 Nouvelle base de cas

Nous appliquons l’ACP à l’ensemble des 31 cas. Les variables ont été réduits à 3 axes
factoriels ce qui nous a fournit une nouvelle base de cas composée de 31 cas où chacun est
décrit par trois facteurs (voir tableau 20). Cette nouvelle base de cas est représentée dans
l’interface de la figure 41.

185
 Application réelle et Implémentation

Figure 41. Nouvelle base de cas

Tableau 20. Nouvelle base de cas obtenue après l’application de l’ACP

Cas i 1 2 3 4 5 6 7 8
V1 -1.03719 -0.2645 -0.38769 0.22873 0.22821 0.18352 2.16093 1.24976
V2 -0.82862 -0.56352 -0.6537 -0.93933 -0.37792 -0.01404 0.86345 0.52045
V3 -0.67623 -0.98956 0.18069 -0.5856 1.08476 0.33319 0.99764 -0.44118
Cas i 9 10 11 12 13 14 15 16
V1 1.94203 0.88194 0.42043 0.51245 1.42112 0.92686 1.37023 0.65582
V2 -0.18295 -1.2643 -1.00459 -0.42556 -0.80196 -0.05761 -0.74915 1.15221
V3 -0.70443 1.85579 -0.63898 0.99619 1.18429 -0.41637 -0.34395 -0.70028
Cas i 17 18 19 20 21 22 23 24
V1 0.15943 0.47285 -1.74104 -1.48172 -1.01178 -0.95711 -0.85442 -0.83988
V2 1.3357 0.91776 0.37191 -0.12453 0.19911 -1.43092 -0.06507 -1.51037
V3 0.62694 1.38421 0.38421 1.20061 0.34081 -0.05287 -2.00663 1.26431
Cas i 25 26 27 28 29 30 31
V1 -0.81214 -0.74283 -0.43203 -0.81458 -1.08848 -0.18147 -0.16658
V2 -0.51668 -0.12266 0.07144 0.61308 1.75122 0.70925 3.12788
V3 -1.76812 -1.74562 0.66055 0.86792 -0.32279 -0.72028 0.74607

186
 Application réelle et Implémentation

5.5.4 Application de l’algorithme

L’implémentation de cet algorithme sur le langage C++ a fournit les résultats figurant
dans les tableaux 22 et 23. Le tableau 21 présente une répartition de la base de cas selon la
v kj v kj
mesure de distance : d k , k . Nous avons obtenu 12 clusters dont 3 sont vides et
j
range

2 contenant chacun un seul cas. Ainsi, les cas de la base sont répartis en 9 classes. Pour le
nouveau cas, il se trouve dans le même cluster avec les cas 4, 6, 12, 13, 16, 20, 28, 30. Nous
remarquons que le cas 6 qui est le plus similaire au nouveau cas se trouve bien dans ce cluster.
Cette classification est illustrée par l’interface de la figure 42.

Tableau 21. Répartition de la base de cas selon la mesure de distance : d k , k

Cluster k 1 2 3 4 5 6
4, 6, 12,
Cas 13,16, 20, 7, 11, 19, 21 2, 26 8, 9, 15 5, 14, 17, 18 -
28, 30, 31
Cluster k 7 8 9 10 11 12
3, 22, 24,
Cas - - 1 10 23
25, 27, 29

Le tableau 22 présente une répartition selon la distance euclidienne illustrée dans

l’interface de la figure 43. Nous avons obtenu 11 clusters. Le cas 31 se trouve aussi avec le
cas 6 dans le même cluster.

Tableau 22. Répartition de la base de cas selon la mesure euclidienne

Cluster k 1 2 3 4 5 6
6, 12, 18,
Cas 14, 15, 28 11, 21 2, 7, 26 8, 9, 27 5, 17, 24
30, 31
Cluster k 7 8 9 10 11
3, 4, 13, 16,
Cas 1, 29 10 23 19, 20
22, 25

187
 Application réelle et Implémentation

Figure 42. Classification de la base de cas selon la mesure de distance d k , k

Figure 43. Classification de la base de cas selon la mesure de distance euclidienne

Nous remarquons qu’il n’ y a pas une grande différence entre les classifications fournies
par les deux mesures de distance grâce au prétraitement par l’analyse factorielle. Pour
chercher la solution d’un nouveau cas, il suffit d’adapter les solutions des cas qui
appartiennent au même cluster. Nous pouvons aussi appliquer le premier modèle, développé
dans le troisième chapitre, juste à l’ensemble des cas qui se trouvent dans le même cluster
avec le nouveau cas.

188
 Application réelle et Implémentation

5.6. Conclusion

Ce chapitre a montré la mise en œuvre de deux modèles d’aide au pilotage d’un processus
dans un cas réel. Il a aussi proposé un prototype informatique qui valide l’application de ces
modèles. Très concrètement, les pilotes disposent désormais d’instruments leur permettant
d’adopter les bonnes actions et de préserver les informations que l’on accumule sur un
processus. Ces informations leur permettent de :

Eviter de prendre des décisions d’une manière intuitive.

Préserver aussi les aléas.

Plus généralement, ces modèles représentent une aide à la décision tout en capitalisant et
préservant aussi bien les informations qui se rattachent à un processus que les aléas qui
peuvent y survenir. La quantification de leur apport économique dépend évidemment du
processus en question. Dans notre cas pratique de TECMMP, par exemple, le gain se réalise
au niveau du coût suite à la réduction du temps de calage. Les retombés de la performance du
modèle sont garantis :

d’abord, par une application non coûteuse des modèles,

ensuite, par un rôle non alourdi du décideur, en faite, ce dernier n’a que fixé ses
objectifs, donné ses préférences entre les critères et jugé de la solution finale pour
donner les actions nécessaires,
enfin, par une manière de former une base de données riche, bien représentée,
maintenue et mise à jour pour l’aide à la décision.

189
 Conclusion générale

Conclusion Générale

Nous avons abordé dans cette étude, un ensemble de problématiques qui portent sur la
modélisation et la formalisation du pilotage dans un processus en tant qu’un système d’aide
multicritère à la décision. Nous avons montré, en se basant sur la littérature, l’intérêt majeur
accordé à l’aide multicritère à la décision (AMCD). Constatant l’absence de cadre global qui
tient en compte tous les aspects d’un modèle opérant dans un domaine peu formalisable, nous
avons proposé de combiner l’AMCD avec la technique de raisonnement à partir de cas
(RàPC) comme moyen de capitalisation des connaissances (Dhouib et al., 2008 a). Nous
avons présenté ses principes fondamentaux, détaillé son cycle de déroulement et exposé les
projets qui s’y fondent. Nous avons utilisé le RàPC en aide à la décision, ce qui nous paraît
bien adapté à notre domaine où le rôle de l’expérience est prédominant. Notre intérêt de
s’appuyer sur cette technique est double. D’une part, elle permet à l’utilisateur de « résoudre
son problème » ou encore l’aider à adopter le meilleur choix en se basant sur un ensemble de
critères. D’autre part, elle évite la perte de connaissances en préservant toutes les expériences
pertinentes nécessaires pour les prises de décision.

La problématique de l’AMCD traitée est une problématique de description dont le

problème est simplement de décrire dans un langage approprié toutes les actions potentielles
et leurs conséquences. La procédure d’investigation est une procédure cognitive. Dans ce
même cadre, nous avons penché notre modèle d’AMCD sur le RàPC qui lui-même étant une
méthode appartenant aux sciences cognitives. Ceci nous permettra de s’approcher plus de la
réalité. En fait, l’information apportée par un cas n’est synonyme de prise de décision que
lorsque le décideur est en mesure de réaliser son apprentissage suivant des mécanismes de
type « expérience réussite/échec ». Ceci lui permet aussi de pallier aux pertes engendrées
suite à une fluctuation du personnel ou à un départ des experts. Autrement dit, c’est la
démarche de capitalisation de données, censée accompagner le modèle, qui peut favoriser la
préservation et le partage des savoirs et des savoir-faire entre les différentes unités de
l’organisation.

190
 Conclusion générale

Nos contributions tiennent en 5 points principaux :

- d’un point de vue conceptuel, le pilotage d’un processus est à la fois un système d’aide
multicritère à la décision et un système d’information.

- un modèle d’aide au pilotage qui tient compte de relations de causalités entre inducteurs et
indicateurs de performance grâce à l’information mutuelle ainsi que des relations de
dépendance entre les critères grâce à l’intégrale de Choquet 2-additive. Ce modèle est flexible
car il peut s’appliquer dans n’importe quel processus. En plus, ce modèle est dynamique car
les poids des critères changent avec chaque nouvelle situation ou encore avec chaque nouveau
cas se présentant à la base de cas. Le dynamisme du modèle provient aussi du fait que face à
une même expérience, on ne se comporte pas de la même manière. Outre ces caractéristiques,
il est très simple à utiliser étant donné que son application ne demande pas des hypothèses
rigides.

- Un autre modèle d’aide au pilotage qui combine le RàPC et le clustering. C’est une
manière de représentation de la base de cas, ce qui facilitera les autres étapes du cycle du
RàPC notamment la recherche de cas similaires et la maintenance de la base de cas. En effet,
l’efficacité d’un système de RàPC dépend de la vitesse et de la qualité du processus de
récupération de la base de cas. Or, dans une application classique de RàPC, la base de cas
croît à très grande vitesse et son contenu peut être extrêmement varié. Cela rend nécessaire de
bien organiser la base de cas lors de l’apprentissage pour une recherche de cas pertinente.

- Intégration de l’intégrale de Choquet 2-additive comme opérateur d’agrégation flou dans

la méthode de représentation linguistique 2-tuples.

- D’un point de vue opérationnel, l’entreprise dispose désormais d’une méthodologie qui lui
permet de structurer son processus de fabrication d’emballage en carton. Le pilote peut alors
garantir que les actions mises en œuvre ne sont pas adoptées d’une manière intuitive et elles
sont bien cohérentes avec les facteurs de performance et ses objectifs. En fait, dans son
évolution, la société TECMMP a ressenti le besoin d’aller au-delà d’un pilotage cloisonné de
son processus opérationnel qui se base uniquement sur les compétences du chef de
production. La prise de décision est une étape cruciale qui conditionne l’amélioration
permanente d’un tel processus. Notre contribution lui a permis de calculer des indicateurs de
performance, non pas à l’aide de formules bien déterminées, mais en se basant sur des
expériences passées. Elle lui a permis aussi de générer des actions adéquates à entreprendre
face à une nouvelle situation.

191
 Conclusion générale

Les modèles proposés ont donné des résultats satisfaisants aux responsables vu qu’ils ont
été clairs, faciles à appliquer et qu’ils se sont basés sur des notions très proches de l’être
humain. Ils ont l'avantage majeur de préserver et capitaliser les données dans une base de cas
qui sera maintenue et mise à jour suite à l'ajout d'un nouveau cas. Toutefois, les
méthodologies proposées méritent d’être appliquées dans une base de cas plus importante
pour mieux affirmer leur intérêt.

Une de perspectives d’un tel travail concerne l’amélioration des phases d’adaptation et de
révision du cycle du RàPC. En fait, un soin tout particulier a été apporté uniquement à
l’élaboration, la maintenance et l’actualisation de la base de cas ainsi qu’à la recherche de cas
similaires.

Une autre réflexion peut concerner le modèle de similarité relative appliqué. En effet, ce
dernier nécessite la fixation d’un seuil à partir duquel les cas seront considérés comme
intéressants. Si l’on prend 0.7 comme exemple, un cas avec un calcul de similarité de 0.71
sera considéré comme intéressant et un cas de 0.69 comme ne l’étant pas. Ainsi, l’application
du modèle ne correspond plus à l’interprétation humaine de la similarité entre cas. Pour
combler ce problème, il sera possible d’introduire la logique floue dans le calcul de la
similarité entre deux cas en définissant des états comme « assez similaire », « peu similaire »
ou « très similaire ».

Une perspective plus opérationnelle est l’utilisation plus large des deux modèles dans
l’entreprise en l’étendant à d’autres processus. En effet, nous ne saurions avoir démontré
l’applicabilité de nos modèles de mise en œuvre sur une seule application industrielle. Il s’agit
pour nous désormais de poursuivre son implantation au sein de la société TEC MMP et au-
delà, dans d’autres entreprises manufacturières.

192
 Références bibliographiques

Références Bibliographiques

AFGI (1992). Association Française de Gestion Industrielle, Evaluer pour évoluer, les
indicateurs de performance au service du pilotage, ouvrage collectif AFGI.

AMICE, CIMOSA : Open Systems Architecture for CIM. Springer-Verlag, Berlin, 1993.

Aamodt, A. (2004). Knowledge-Intensive Case-Based Reasoning and Sustained Learning.

Proc. of the 9th European Conference on Artificial Intelligence, ECCBR’04, Lecture
Notes in Artificial Intelligence, 1-15, Springer, 2004.

Aamodt, A. & Plaza, E. (1994). Case-based reasoning: foundational issues, methodological

variations and system approaches. AI Communications, 7, 39-59.

Addouche, S. (2003). Contribution à une démarche de conception optimisée des processus de

désassemblage, Thèse de Franche-Comté, Automatique et Informatique.

Addouche, S., Dafaoui EM. & El Mhamedi., A., (2005). Identification des relations entre
inducteurs et indicateurs de performance des processus d’entreprise. CPI, Casablanca,
Morocco.

Althoff, K.D. (2001). Case-Based [Link] (Ed.). Handbook on Software

Engineering and Knowledge Management, 549-588.

Althoff, K., Auriol, E., Bergmann, R., Breen, S., Dittrich, S., Johnston, R., Manago, M.,
Traphöner & R., Wess, S. (1995). Case-based reasoning for decision support and
diagnostic problem solving: The INRECA Approach. Proceedings of the 3rd German
Workshop on CBR, University of Kaiserslautern.

Anderson, J.R. (1983). The architecture of cognition. Harvard University Press, Cambridge.

Arshadi, N., Jurisica, I. (2005). Data mining for case-based reasoning in high-dimensional
biological domains. IEEE Transactions on Knowledge and Data Engineering, 17, 1127-
1136.

Armengol, E. & Plaza, E. (1993). Case-based reasoning at the knowledge level: an analysis of
Chef. Proceedings of the 1st European Workshop on Case-Based Reasoning,
EWCBR’93. University of Kaiserslautern, Germany, 290-295.

Ashley, K. (1990). Modelling Legal Argument: Reasoning with Cases and Hypotheticals. Mit
Press, Cambridge, MA.

Association Française de Gestion Industrielle, Evaluer pour évoluer, les indicateurs de

performance au service du pilotage, ouvrage collectif AFGI.

Bana e Costa, C.A. (2006). Prioritization of bridges and tunnels in earthquake risk mitigation
using multicriteria decision analysis: application to Lisbon omega, doi: 10.1016 /
[Link].2006.05.008.

193
 Références bibliographiques

Bana e Costa, C.A. & Vansnick, J.C. (1997). Applications of the MACBETH approach in the
framework of an additive aggregation model. Journal of Multi-Criteria Decision
analysis, 6, 2, 107-114.

Bareiss, E., Porter, B. & Wier, C. (1993). PROTOS: un système apprenti utilisant des cas
typiques. Apprentissage symbolique : une approche de l’intelligence artificielle, 1, 105-
120.

Belton, V. & Stewart, TJ. (2002). Multiple criteria decision analysis: an integrated approach.
Boston: Kluwer Academic publications.

Benayoun, R., De Montgolfier, J., Tergny, J. & Larichev, O. (1971). Linear programming
with multiple objective functions : STEP Method (STEM). Mathematical Programming,
1, 366-375.

Ben Mena, S. (2000). Introduction aux méthodes multicritères d’aide à la décision.

Biotechnol. Agro. Environ, 4, 2.

Berchet, C., Habachi, G. & Courtois, A. (2000). Modélisation d’un système d’Aide au
Pilotage Industriel, le Groupement de Recherche pour la Productique (GRP), Annecy.

Berrah, L. (1997). Une approche d’évaluation de la performance industrielle Modèle

d’indicateurs et techniques floues pour un pilotage réactif, Thèse de doctorat en Génie
Industriel, Institut National Polytechnique de Grenoble, septembre, 1997.

Berrah, L., Vernadat, F. (2002). Perception et évaluation de la performance dans le pilotage.

Chapitre 6, pp.181-204, dans l’ouvrage « Fondements du pilotage des systèmes de
production » coordonnée par [Link], [Link], Hermès, 209.

Bichindaritz, (1994). Apprentissage de concepts dans une mémoire dynamique: RàPC

adaptable à la tâche cognitive. Thèse de doctorat, Université de Paris V.

Bitton, M. (1990). ECOGRAI: Méthode de conception et d’implantation de systèmes de

mesure de performances pour organisations industrielles. Thèse de doctorat, Université
de Bordeaux I.

Bolshakova, N. & Azuaje, F. (2003). Improving expression data mining through cluster
validation. International Proceedings of the Fourth Annual IEEE Conference on
Information Technology Applications in Biomedecine, 19-22.

Bonissone, P.P. (1982). A fuzzy set based linguistic approach: theory and applications, in:
[Link], [Link] (Eds.). Approximate Reasoning in Decision Analysis, North-
Holland, Amsterdam, 329-339.

Bonissone, P.P. & Decker, K.S. (1986). Selecting uncertainty calculi and granularity: an
experient in trading-off precision and complexity, in Kanal, L.H., Lemmer, J.F. (Eds.).
Uncertainty in Artificial Intelligence, North-Holland, Amsterdam, 217-247.

194
 Références bibliographiques

Bordogna, G., Fedriaai, M. & Passi, G. (1997). A linguistic modelling of consensus in group
decision making based on OWA operators. IEEE Transactions Systems Man Cybernet,
27, 126-132.

Bouchon-Meunier, B. (1995). La logique floue et ses applications. Addison Wesley France,

Paris, France.

Boucly, F. (1988). Maintenance : les coûts de non efficacité des équipements, éditions
AFNOR Gestion.

Bouquin, H. (2001). Le contrôle de gestion : contrôle de gestion, contrôle d’entreprise, PUF,

464, 5ème éd. Mise à jour édition.

Bouyssou, D. (1990). Building criteria: a prerequisite for MCDA, in Bana e Costa (ed.),
Readings in multiple criteria decision aid, Springer-Verlay, Berlin, 58-80.

Brans, J.P., Mareschal, B., and Vincke, Ph. (1984). PROMETHEE: a new family of
outranking methods in multicriteria analysis. Operational Research’84, North Holland,
408-421.

Briand, C. (1999). Vers une plus grande flexibilité du pilotage des systèmes de production,
2ème congrès sur la modélisation des systèmes réactifs (MSR’99).

Buckley, J.J. (1985). Fuzzy hierarchical analysis. Fuzzy Sets & Systems, 17, 3, 233-247.

Carbonell, J.G. (1986). Derivational Analogy: a theory of reconstructive problem solving and
expertise acquisition. Machine Learning, an Artificial Intelligence Approach, Morgan
Kaufmann, 2, 271-391.

Chang, P. & Chen, Y. (1994). A fuzzy muticriteria decision making method for technology
transfer strategy selection in biotechnology. Fuzzy Sets & Systems, 63, 131-139.

Charles, C. (2004). SearchXQ: une méthode d’aide à la navigation fondée sur Ω-means,
algorithme de classification non-supervisée. Application sur un corpus juridique
français. Thèse, Ecole des MINES de Paris.

Charnes, A. & Cooper, W.W. (1961). Management Models and Industrial Applications of
Linear Programming, Wiley, New York.

Chateauneuf, A. & Cohen, M. (2000). Choquet expected utility model: a new approach to
individual behaviour under uncertainty and to social welfare. In M. Grabisch, T.
Murofushi, and M. Sugeno, editors, Fuzzy Measures and Integrals- Theory and
Applications, 289-313. Physica Verlag.

Chen, S.J. & Hwang, C.L. (1992). Fuzzy Multiple Attribute Decision Making: Methods and
Applications. Springer-Verlang, Berlin.

Ching-Hsue, C. & Yin, L. (2002). Evaluating the best main battle tank using fuzzy decision
theory with linguistic criteria evaluation. European Journal of Operational Research,
142, 174-186.

195
 Références bibliographiques

Choquet, G. (1953). Theory of capacities. Annales de l’Institut Fourier, 5, 131-295.

Churchman, C.W. & Ackoff, R.L. (1954). An approximate measure of value. Journal of the
Operational Research Society of America, 2, 2, 172-187.

Clark, P.J. (1952). An extension of the coefficient of divergence for use with multiple
characters. Copeia, 2, 61-64.

Clerkin, P., Hayes, C., Cunningham, P. (2002). Automated case generation for recommender
systems using knowledge discovery techniques. Trinity College Dublin Computer
Science Department Technical Report, April.

Clivillé, V. (2004). Approche systémique et méthode multicritère pour la définition d’un

système d’indicateurs de performance. Thèse de doctorat, Ecole Supérieure d’Ingénieurs
d’Annecy, Université de Savoie.

Colloc, J. & Bouzidi, L. (2001). Utilisation du raisonnement par cas pour élaborer un système
d’aide à la décision en médecine. Is and the transformation of health care,
INFORMATIK. Revue des Organisations Suisse d’Informatique.

Cooper, R. & Kaplan, R.H. (1988). Measure costs right-make the right decision. Harvard
Business Review, 66, 5, 106-111.

Cowie, J., Burstein, F. (2007). Quality of data model for supporting mobile decision making.
Decision Support Systems, 43, 1675-1683.

Czekanowski, J. (1932). Coefficient of racial likeness und durchschnittliche differens.

D'Aquin, M., Lieber, J. & Napoli, A. (2004). Représentation de points de vue pour le RàPC.
In Langages et Modèles à Objets - LMO'04. (Lille, France). Revue des Sciences et
Technologies de l'Information, RSTI - série L'Objet, 10, 2-3, 245-258.

Davenport, T.H. (1993). Process Innovation – Reengineering Work through Information

Technology, Harvard Business School Press, Boston.

Degani, R. & Bortolan, G. (1988). The problem of linguistic approximation in clinical

decision making. International Journal Approx. Reason, 2, 143-162.

Delgado, M., Herrera, F., Herrera-Viedma, E. & Martinez, L. (1998). Combining linguistic
and numerical information in group decision making. Inform. Sci., 7, 177-194.

Delgado, M., Verdegay, J.L. & Vila, M.A. (1993). On aggregation operations of linguistic
labels. International Journal of Intelligent Systems, 8, 351-370.

Dempster, A.P. (1967). Upper and Lower Probabilities Induced by a Multivalued Mapping.
Annals of Mathematical Statistics, 38, 325-339.

196
 Références bibliographiques

Denneberg, D. (2000). Non additive measure and integral, basic concets and their role for
applications. In Grabisch, M., Murofushi, T. and Sugeno, M., editors, Fuzzy Measures
and Integrals-Theory and Applications-, 42-69. Physica Verlag.

Dhouib, D., Addouche, S., El Mhamedi, A. & Chabchoub, H. (2009 a). A dynamic multi
criteria aid for process piloting using case-based reasoning, submitted to Journal of
Decision Systems.

Dhouib, D., Addouche, S., El Mhamedi, A. & Chabchoub, H. (2008 a). A new multi criteria
aid model for process piloting using Case-based reasoning. 8th International Conference
on Intelligent Systems Design and Applications (ISDA’2008), 26-28 November, 2008,
Kaohsiung, Taiwan.

Dhouib, D., Addouche, S., El Mhamedi, A. & Chabchoub, H. (2008 b). Development of a
multi criteria aid model for process piloting. 10th International Conference on the
Modern Information Technology in the Innovation Processes of the Industrial
Enterprises (MITIP’2008), 12-14 November, 2008, Prague, Czech Republic.

Dhouib, D., Addouche, S., El Mhamedi, A. & H. Chabchoub, (2007 a). Performance
evaluation of manufacturing enterprises Processes. IEEE Conference on Service
Systems and Service Management (ICSSSM’2007), 09-11 Juin, 2007, Chengdu, P.R.
China.

Dhouib, D., Addouche, S., El Mhamedi, A. & H. Chabchoub, (2007 b). L’Evaluation de la
Performance des Processus d’Entreprises Manufacturières: Approche de Raisonnement
à Base de Cas. 7éme Congrès International de Génie Industriel (CIGI’2007), 05-08 juin
2007, Trois- Rivières Québec, Canada.

Dhouib, D. & Chabchoub, H. (2006). Un modèle d'évaluation hiérarchique de la performance

des entreprises manufacturières. Proceedings of Annual conference of the
Administrative Sciences Association of Canada, Management Science, 27, 2, 32-42.

Dhouib, D., Chabchoub, H., El Mhamedi, A. & Addouche, S., (2009 b). Modèle hybride
d’aide au pilotage d’un processus. 6ème Conférence Internationale de Conception et
production Intégrées (CPI’09), 19-21 Octobre 2009, Fès, Maroc.

Dubois, D. & Prade, H. (1980). Fuzzy sets and systems: Theory and applications, Academic
Press, New York.

Dubois, D. & Prade, H. (1986). Weighted minimum and maximum operations in fuzzy set
theory. Information Sciences, 39, 205-210.

Edwards, W., (1977). How to use multiattribute utility theory analysis for social decision
making. Organizational Behavior and Human Performance, 13, 171-192.

Edwards, W. & Barron, F.H. (1994). SMARTS and SMARTER: Improved simple methods
for multiattribute utility measurement. Organizational Behav. Human Decis. Process.
60, 1, 306-325.

197
 Références bibliographiques

Elmhamedi, A., Lerch, C., Marier, S., Sonntag, M., Vernadat, F. (1997). ACNOS: Intégration
des activités non structures dans la modélisation des systèmes de production. Rapport
final, ENSAIS, Strasbourg, 18 février.

Fishburn, P.C. (1982). The foundations of expected utility. D. Reidel Publishing Company.

Forgionne, G., Mora, M., Cervantes, F. & Gerlman, O. (2002): I-DMSS: A Conceptual
Architecture for the Next Generation of Decision Making Support Systems in the
Internet Age. Actes de la Conférence Internationale IFIP TC8/WG8.3, Cork, Irlande,
154-165.

Fuchs, B., Lieber, J., Mille, A. & Napoli, A. (2006). Réflexions sur la place du RàPC dans
trois domaines de recherche actuels. Actes du 14ème atelier du RàPC, Besançon, mars.

Gachet, A., Haettenschwiler, P. (2003). A Jini-based software framework for developing

distributed cooperative decision support systems. Soft. Pract. Exper., 33, 221–258.

Garcia-Cascales, M.S. & Lamata, M.T., (2007). Solving a decision problem with linguistic
information. Pattern Recognition Letters, 28, 2284-2294.

Geoffrion, A., Dyer, J. & Feinberg, A. (1972). An interactive approach for multi-criterion
optimisation, with an application to the operation of an academic department.
Management science, 19, 4, 357-368.

Gonzales, C. & Perny, P. (2005). GAI Networks for Decision Making under Certainty.
Proceedings of the 19th International Joint Conference on Artificial Intelligence – Work-
shop on Advances in Preference Handling, 100-105.

Grabisch, M. (2006). Evaluation subjective. In Bouyssou, D., Dubois, D., Pirlot, M. & Prade,
H. editors, Concepts et Méthodes pour l’aide à la décision, IC2, 175-232. Hermès.

Grabot, B., Blanc, J.C. & Binda, C. (1996). A decision support system for production activity
control. Decision Support Systems, 16, 87-101.

Grabisch, M., Labreuche, Ch. & Vansnick, J.C. (2003). On the extension of pseudo-boolean
functions fort he aggregation of interacting bipolar crteria. European Journal of
Operational Research, 148, 28-47.

Grabisch, M., Duchême, J., Lino, F. & Perny, P. (2002). Subjective evaluation of discomfort
in sitting position. Fuzzy Optimisation and decision making, 1, 3, 287-312.

Grabisch, M. & Perny, P. (2002). Agrégation multicritère. In B. Bouchon and C. Marsala,

editors, Utilisations de la logique floue. Hermès.

Grant, P.W., Harris, P.M. & Moseley, L.G. (1996). Fault Diagnosis for Industrial Printers
Using Case-Based Reasoning. Engineering Applications of Artificial Intelligence, 9, 2,
163-173.

Grundstein, M. (2000). Management des connaissances de l’entreprise: problématique, axe de

progrès, orientations.

198
 Références bibliographiques

Gulezian R. (1991). Reformulating and Calibrating COCOMO’. Journal System Software, 16,
pp.235-242.

Hammond, K.J. (1986). CHEF: a model of case-based planning. Proceedings of AAAI’86,

Morgan Kaufman, 267-271.

Herrera, F. & Herrera-Viedma, E. (2000). Linguistic decision analysis: steps for solving
decision problems under linguistic information. Journal of Fuzzy Sets and Systems, 115,
67-82.

Herrera, F., Herrera-Viedma, E. & Martinez, L. (2000). A fusion approach for managing
multi-granularity linguistic term sets in decision making. Fuzzy Sets and Systems, 114,
43-58.

Herrera, F., Herrera-Viedma, E. & Verdegay, J.L. (1995). A sequential selection process in
group decision making with linguistic assessment. Information Science, 85, 223-239.

Herrera, F., Herrera-Viedma, E. & Verdegay, J.L. (1996 a). A linguistic decision process in
group decision making with linguistic assessment. Fuzzy Set and Systems, 79, 73-87.

Herrera, F., Herrera-Viedma, E. & Verdegay, J.L. (1996 b). A model of consensus in group
decision making under linguistic assessments. Fuzzy Sets and Systems, 79,73-87.

Herrera, F. & Martinez, L. (2000 a). A 2-tuples fuzzy linguistic representation model for
computing with words. IEEE Transactions on Fuzzy Systems, 8, 746-752.

Herrera, F. & Martinez, L. (2000 b). An approach for combining linguistic and numerical
information based on 2-tuples fuzzy representation model in decision making.
International Journal of Uncertainty, Fuzziness and Knowledge-Based Systems, 8, 5,
539-562.

Herrera, F., Martinez, L. & Sanchèz, P.J. (2005). Managing non-homogeneous information in
group decision making. European Journal of Operational Research, 166, 115-132.

Herrera, F. & Verdegay, J.L. (1993). Linguistic assessments in group decision. Proceedings
Ist European Congress on Fuzzy and Intelligent Technologies, Aachen, 941-948.

Hokkanen & Salminen (1994). Choice of a solid waste management system by using the
ELECTRE III method. Kluwer Academic Publishers, Dordrecht, Holland.

Jacquet-Lagreze, E., Meziani, R. & Slowinski, R. (1987). MOLP with an interactive

assessment of a piecewise utility function. European Journal of Operational Research,
31, 3, 350-357.

Jacquet-Lagreze, E. & Siskos, J. (1982). Assessing a set of additive utility functions for
multicriteria decision making, the UTA method. European Journal of Operational
research, 10, 2, 151-164.

199
 Références bibliographiques

Keeney, R. L. & Raiffa, H. (1976). Decision with multiple objectives: preferences and value
trade-off. Wiley and Sons, New York.

Kendall, M. (1970). Decision with multiple objectives: preferences and value trade-off. Wiley
and Sons, New York.

Kim, K-J. & Ahn, H. (2008). A recommender system using GA K-means clustering in an
online shopping market. Expert Systems with Applications, 34, 1200-1209.

Kim, K-S. & Han, I. (2001). The cluster-indexing method for case-based reasoning using self-
organizing maps and learning vector quantization for bond rating cases. Expert Systems
with Applications, 21, 147-156.

Koehler, J. (1996). Planning from second principles. Artificial Intelligence, 87, 145-186.

Kolodner, J. (1983). Maintaining organization in a dynamic long-term memory. Cognitive

Science, 7, 243-280.

Kolodner, J. (1988). Retrieving events from case memory: A parallel implementation.

Proceedings from the Case-based reasoning Workshop, DARPA, Clearwater Beach,
233-249.

Kolodner, J. (1993). Case-Based Reasoning. Morgan Kaufmann.

Korhonen, P. & Laakso, J. (1986). A visual interactive support system for MCDM. Revue
Belge de Recherche Opérationnelle, de Statistique et d’Informatique, 27, 1, 3-15.

Kuo, R.J., Kuo, Y.P. & Chen Kai-Ying (2005). Developing a diagnostic system through
integration of fuzzy case-based reasoning and fuzzy ant colony system. Expert Systems
with Applications, 28, 783-797.

Labreuche, C. (2006). L’intégrale de Chquet bipolaire : motivations et considérations

pratiques. Thales Research and Technology, Palaiseau, France.

Lamontagne, L. & Lapalme, G. (2002). Raisonnement à base de cas textuel : état de l’art et
perspectives futures. Revue de l’intelligence artificielle, X-n°X, 1àX.

Lance, G.N. & Williams, W.T. (1966). Computer programs for hierarchical polythetic
classification.

Leake, D.B. (1996). Case-based reasoning: experiences, lessons and future directions. AAAI
Press/MIT Press, Menlo Park, CA.

Leake, D.B., Kinley, A. & Wilson, D. (1996). Linking Adaptation and Similarity Learning.
Proceeding of the 8th Annual Conference of the Cognitive Science Society.

Leake, D.B. & Wilson, D.C. (1998). Categorizing maintenance: Dimensions and directions.
Advances in Case-Based reasoning, Proceedings of EWCBR-98, 196-207.

200
 Références bibliographiques

Lebas, M. (1995). Oui, il faut définir la performance. Revue Française de Comptabilité, 269,
juillet-août.

Le Bozec, C., Jaulent, M.C. & Zapletal, E. (2000). IDEM : remémoration de cas pour l’aide
au diagnostic en anatomie pathologique. Ingénierie de connaissances, 370-386.

Le Moigne, J.L. (1977). La théorie du système general, Théorie de la Modélisation, P.U.F.

Letouzey, A., Geneste, L. & Garbot, B. (2001). Production planning forecasting under
uncertainty using possibility theory. 5th International Conference on Computing
Anticipatory Systems, Liège, Belgique, 13-18 Août, 2001.

Liao, T.W. & Zhang, Z. (1998). Similarity measures for retrieval in case-based reasoning
systems. Applied Artificial Intelligence, 12, 267-288.

Lieber, J. (1997). RàPC et classification hiérarchique. Application à la planification de

synthèse en chimie organique. Thèse d'université, Université Henri Poincaré Nancy 1,
Nancy.

LØken, E. (2007). Use of multicriteria analysis methods for energy planning problems.
Renewable & sustainable energy reviews, 11, 1584-1959.

Lorino, P. (2001). Les indicateurs de performance dans le pilotage de l’entreprise. Chapitre 3,

49-64, dans l’ouvrage Indicateurs de performance, coordonné par C. Bonnefous, A.
Courtois, Hermès, 285.

Lorino, P. (1997). Méthodes et pratiques de la performance. Le guide du Pilotage, édition

d’organisation.

Lorino, P. (1991). Le contrôle de gestion stratégique, la gestion par les activités, Paris, Dunod.

MacQueen, J.B. (1967). Some methods for classification and analysis of multivariate
observations, Proceedings of 5th Berkeley Symposium on Mathematical Statistics and
Probability, Berkeley, University of California Press, 1, 281-297.

Marakas, G. (2003). Decision Support Systems In the 21st Century. Second Edition, Prentice
Hall.

Matta, N., Corby, O. & Ribière, M. (1999). Méthodes de capitalisation de mémoire de projets.
Rapport de recherche INRIA n°3819, novembre, 1999.

Maystre, L.Y., Pictet, J. & Simos, J. (1994). Les méthodes multicritères ELECTRE:
Description, conseils pratiques et cas d’application à la gestion environnementale.
Presses Polytechniques et Universitaires Romandes, Lausanne, Suisse.

Mélèse, J. (1991). L’analyse modulaire des systèmes AMS, éditions d’Organisation.

Mévellec, P. (1996). La comptabilité à base d’activités. Revue fiduciaire comptable, avril

1996, n°212, pp 33-68.

201
 Références bibliographiques

Mille, A. (1999). Tutorial CBR: Etat de l’art de RàPC. Plate forme AFIA’99, Palaiseau.

Mille, A., Fuchs, B. & Herbeaux, O. (1996). A unifying framework for adaptation in case-
based reasoning. Workshop on Adaptation in Case-Based Reasoning, ECAI-96, 22-28,
Budapest, Hungary, August.

Miller, G.A. (1956). The magical number seven plus or minus two: some limits on our
capacity of processing information. Psychological Review, 63, 81-97.

Mille, A. (1995). Raisonnement basé sur l’expérience pour coopérer à la prise de décision, un
nouveau paradigme en supervision industrielle. Thèse de doctorat, Université de Saint
Etienne.

Mousseau, V. (1993). Problèmes liés à l’évaluation de l’importance relative des critères en

aide multicritère à la décision. Thèse présentée à l’Université Paris-Dauphine, France.

Mousseau, V. (1989). La notion de l’importance relative des critères. Ph.D dissertation,

Université de Paris Dauphine.

Núnez, H., Sànchez-Marrè, M., Cortés, U., Comas, J., Martínez, M., Rodríguez-Roda, Ignasi,
Poch, M. (2004). A comparative study on the use of similarity measures in case-based
reasoning to improve the classification of environmental system situations.
Environmental Modelling & Software, 19, 809-819.

Perner, P. (2006). Case-base maintenance by conceptual clustering of graphs. Engineering

Applications of Artificial Intelligence, 19, 381-393.

Pieri, G., Klein, M.R. & Milanese, M. (2001). MAIC: a data and knowledge-based system for
supporting the maintenance of chemical plant. Production Economics, 1-17.

Pomian, J. (1996). Mémoire d’entreprise, techniques et outils de la gestion du savoir. Ed.

Sapientia.

Rasovska, I. (2006). Contribution à une méthodologie de capitalisation des connaissances

basée sur le RàPC: application au diagnostic dans une plateforme d’e-maintenance.
Thèse de doctorat, Université de Franche-Comté.

Ravignon, L., Bescos, P., Joalland, M., Le Bourgeois, S. & Maléjac, A. (2003). Méthode
ABC/ABM, éditions d’Organisation, 324.

Richter, M.M., Wess, S., Althoff, K.D. & Maurer, F. (1993). First European Workshop on
Case-Based Reasoning. University of Kaiserslauterm, Germany. Lecture Notes in
Artficial Intelligence, 837, Springer Verlag.

Richter, M.M. (1995). The knowledge contained in similarity measures. Invited talk. First
International Conference on Case-Based Reasoning (ICCBR’95), Sesimbra, Portugal.

Richter, M.M. (2006). Disponible sur

[Link]

202
 Références bibliographiques

Romero, C. (1985). Multi-Objective and Goal Programming Approaches as a Distance

Function Model. Journal of the Operational research Society, 36, 249-251.

Roux, M. (2006). Algorithmes de classification. Masson, Paris, version électronique corrigée

et améliorée.

Roy, B. (2000). Aide multicritère à la décision. Bulletin du groupe de travail européen, série
3, n°1, Printemps 2000.

Roy, B. (1985). Méthodologie multicritère d’aide à la décision. Economica, Paris.

Roy, B. (1976). From optimisation to multicriteria decision aid: three main operational
attitudes, dans Multiple Criteria Decision Making, H. Thiriez et S. Zionts (éds), Springer
-Verlag, 130, 1-32.

Roy, B. (1974). Critères multiples et modélisation des préférences : l’apport des relations de
surclassement. Revue d’Economie Politique.

Roy, B. (1968). Classement et choix en présence de points de vue multiples (la méthode
ELECTRE). Revue Française d’Informatique et de Recherche Opérationnelle, 8, 57-75.

Roy, B. & Bouyssou, D. (1993). Aide multicritère à la décision : méthodes et cas. Economica,
Paris.

Saaty, T.L. (1977). A scaling method for priorities in hierarchical structures. Journal of
Mathematical Psychology, 15, 234-281.

Savall, H. & Zardet, V. (1992). Le nouveau contrôle de gestion-méthode des coûts et

performances cachés, Eyrolles, 399.

Savall, H. & Zardet, V. (1989). Maîtriser les coûts et les performances cachés, Eyrolles, 351.

Schank, R. (1982). Dynamic memory: a theory of reminding and learning in computers and
people. Cambridge University Press.

Schärlig, A. (1985). Décider sur plusieurs critères, panorama de l’aide à la décision

multicritère. Presses Polytechniques et Universitaires Romandes, Lausanne, Suisse.

Shafer, G. (1976). A Mathematical Theory of Evidence. Princeton University Press, Princeton

N.J.

Shih, Li-H, Chang, Y-S & Lin, Y-T (2006). Intelligent evaluation approach for electronic
product recycling via case-based reasoning. Advanced Engineering Informatics, 20,
137-145.

Siew, E.-G, Smith, K., Churilov, L. & Ibrahim, M. (2002). A neural clustering approach for
Iso-Resource grouping for acute healthcare in Australia. In: Proceedings of the 35
Annual Hawaii International Conference on Systems Science (HICS35). IEEE
Computer Society, Hawaii, USA.

203
 Références bibliographiques

Simos, J. (1990). Evaluer l’impact sur l’environnement. Presse Polytechniques et

Universitaires Romandes, Lausanne.

Smyth, B. & Keane, M.T. (1995). Remembering to forget: A competence preserving case
deletion policy for case-based reasoning system. Proceedings of the 14th International
Joint Conference on Artificial Intelligence, 377-382.

Smyth, B. & Keane, M.T. (1996). Using adaptation knowledge to retrieve and adapt cases.
Knowledge-based systems, 9, 2, 127-135.

Smyth, B. & Mckenna, E. (1999). Building compact competent case-bases. Proceedings of the
3rd International Conference on Case-Based reasoning, 329-342.

Socorro Garcia-Cascales, M. and Teresa Lamata, M. (2007). Solving a decision problem with
linguistic information. Pattern Recognition Letters, 28, 2284-2294.

Sokal, R.R. & Sneath, P.H.A. (1963). Principles of Numerical Taxonomy. Freeman and co.,
San Francisco, London, 359.

Steuer, R. & Choo, E. (1983). An interactiveweighted Tchebycheff procedure for ultipkle

objective programming. Mathematical Programming, 26, 326-344.

Sugeno, M. (1974). Theory of fuzzy integrals and its application. PhD thesis, Tokyo Institute
of technology.

Ternisien, M. & Diguet, A.F. (2001). Indicateurs et facteurs de compétitivité des services
rendus à l’industrie, les éditions de l’industrie, 156.

Trenteseaux, D. (1996). Conception d’un système de pilotage distribué, supervisé et

multicritère pour les systèmes automatisés de production. Thèse de doctorat en
Automatique / Productique, INP Grenoble.

Tseng, L.-Y & Yang, S.-B. (2001). A genetic approach to the automatic clustering problem.
Pattern Recognition, 34, 415-424.

Vanderpooten, D. (1988). A multicriteria interactive procedure supporting a directed learning

of preferences. Cahiers du Lamsade, présenté au Congrès EURO IX, Paris.

Van Heijst, G., Van der Spek, R. & Kruizinga, E. (1996). Organizing Corporate Memories.
Proc. of KAW’96, Banff, Canada, 42.1-17, 1996.
[Link] [Link]

Vansnick, J.C. (1990). Measurement theory and decision aid, in Bana e Costa (ed.), Reading
in multiple criteria decision aid, Springer-Verlag, Berlin, 81-100.

Veloso, M.M. (1994). Planning and Learning by Analogical Reasoning. Lecture Notes in
Computer Science, 886, Springer, Berlin.

Vincke, Ph. (1992). Multicriteria decision aid. Wiley and sons, New York.

204
 Références bibliographiques

Vincke, Ph. (1989). L’aide multicritère à la decision, SMA, L’université de Bruxelles.

Vincke, Ph. (1976). Une méthode interactive en programmation linéaire à plusieurs fonctions
économiques. Revue Française d’Informatique et de Recherche Opérationnelle, 2, 5-20.

Ward, J.H. (1963). Hierarchical grouping to optimize an objective function. J. Amer. Stat.
Assoc. 58 : 236-244.

Watson, I. & Marir, F. (1994). Case-Based Reasoning : A Review. The Knowledge

Engineering Review.

Wierzbicki, A. (1982). A mathematical basis for satisfying decision making. Mathematical

Modelling, 3, 391-405.

Wilke, W. & Bergmann, R. (1998). Techniques and Knowledge Used for Adaptation During
Case-Based problem Solving. Proceedings of IEA-98-AIE. Lecture Notes in Computer
Science, Springer-Verlag, Berlin.

Williams, W.T & Lambert, J.M. (1959). Multivariate methods in plant ecology. I. Association
analysis in plant communities. J. Ecology, 47, 83-101.

Wilson, D. C., Bradshaw, S. (2000). CBR Textuality. Expert Update, 3, 1, 28-37.

Wilson, D.R., Martínez, T.R. (1997). Improved heterogeneous distance functions. Journal of
Artificial Intelligence Research, 6, 1-34.

Von Winterfeldt D. & Edwards, W. (1986). Decision analysis and behavioural research.
Cambridge University Press.

Yager, R.R. (1988). On ordered weighted averaging aggregation operation in multicriteria

decision making. IEEE Trans. Systems, Man & Cybern., 18, 183-190.

Yager, R.R. (1993). Non-numeric multi-person decision making. Group Decision

Negociation, 2, 81-39.

Yager, R.R., Filev, D.P. (1994). Essentials of fuzzy modelling and control. Wiley & Sons.

Yang, L., Ball, M., Bhavsar, V.C. & Boley, H. (2005). Weighted Partonomy-Taxonomy Trees
with Local Similarity Measures for Semantic Buyer-Seller Match-Making. Journal of
Business and Technology Atlantic Academic Press, Fredericton, New Brunswick, 1 (1),
42-52.

Yang, Q. & Wu, J. (2000). Keep it simple: A case- based maintenance policy based on
clustering and information theory. Proceedings of the Canadian AI Conference,
Montreal, Canada, 102-114.

Yang, Q. & Zhu, J. (2001). A case addition policy for case-based maintenance. Computational
Intelligence Journal, a special Issue on Case-Base Maintenance, Blackwell Publishers,
boston MA UK, 17 (2), 250-262.

205
 Références bibliographiques

Yin, B. (1995). Contribution au pilotage réactif des systèmes flexibles d’assemblage: méthode
d’équilibrage dynamique, Thèse de l’Université de Franche Comté.

Zadeh, L.A. (1965). Fuzzy sets. Information and Control, 8, 338-353.

Zadeh, L.A. (1975). The concept of a linguistic variable an dits application to approximate
reasoning. Information Sciences, 9, 43-80.

Zarifian, P. (1995). La gestion par activités et par processus à la croisée des chemins, gérer et
comprendre. Annales des Mines, 38, 80-91.

Zeleny, M. (1982). Multiple criteria decision making. Mc Graw Hill, New York.

Zhuang, Zoe Y., Churilov, L., Burstein, F. & Sikaris, K. (2007). Combining data mining and
case-based reasoning for intelligent decision support for pathology ordering by general
practitioners. European Journal of Operational Research,
doi:10.1016/[Link].2007.11.003.

Zionts, S. & Wallenius, J. (1983). An interactive multiple objective linear programming

method for a class of underlying nonlinear utility functions. Management Science, 29, 5,
519-529.

206