AIDE MULTICRITÈRE À LA DÉCISION

DR. WASSILA DRICI

UNIVERSITÉ M’HAMED BOUGARA

Copyright © 2024 Dr. Wassila DRICI

Copying prohibited

All rights reserved. No part of this publication may be reproduced or transmitted in any form
or by any means, electronic or mechanical, including photocopying and recording, or by any
information storage or retrieval system, without the prior written permission of the publisher.

Art. No 003
ISBN xxx–xx–xxxx–xx–x
Edition 0.0

Cover design by Cover Designer

Published by Université M’hamed Bougara

Printed in Boumerdes
 คำนำ

3
 Contents

1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1 Introduction 5

2 Concepts généraux de l’AMD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 7

2.1 Définitions et rappels mathématiques 7

2.2 Notions de base de l’aide multicritère à la décision (AMD) 9

2.2.1 La relation de dominance . . . . . . . . . . . . . . . . . . . . . . . . . . 11

2.3 Analyse 14

3 Les méthodes d’aide à la décision . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16

3.1 Introduction 16

3.2 Les méthodes d’agrégation pondérée pour le classement des alternatives 18

3.2.1 La méthode SAW . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18
3.2.2 La méthode TOPSIS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3.2.3 Méthode AHP (Analytic Hierarchy Process) . . . . . . . . . . . . . . . . 21

3.3 Les méthodes de surclassement pour la comparaison des alternatives 25

3.3.1 La méthode ELECTRE I . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

3.4 Les méthodes de compromis pour le classement des alternatives 29

3.4.1 La méthode VIKOR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

Literature . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

4
1. Introduction

1.1 Introduction 5

1.1 Introduction

L’aide multicritère est un outil d’aide à la décision développé pour résoudre des problèmes
multicritères complexes qui incluent plusieurs aspects qualitatifs et quantitatifs dans le pro-
cessus décisionnel. L’aide multicritere à la décision vise à fournir à un décideur des outils lui
permettant de progresser dans la résolution d’un problème de décision où plusieurs points
de vue, souvent contradictoires, doivent être pris en compte. La premiêre constatation qui
doit être faite, lorsqu’on aborde un tel problême, est qu’il n’existe pas, en genéral, une déci-
sion (solution, action...) qui soit la meilleure simultanément pour tous les points de vue. Le
mot ”optimisation” n’a donc plus de sens dans un tel contexte; contrairement aux techniques
classiques de la Recherche Operationnelle, les méthodes multicritères ne fournissent pas de
solutions ”objectivement les meilleures” (ces solutions n’existent pas), c’est pourquoi le mot
”aide” nous paraı̂t important.
Les méthodes de l’optimisation multi-objectif étaient basées sur la relation de dominance.
Cette relation (que l’on peut définir de plusieurs manières : la dominance de Pareto, la dom-
inance lexicographique par exemple) permet de filtrer les éléments d’un ensemble, et de ne
retenir que les éléments incomparables entre eux. Cependant, il existe une autre approche
pour obtenir un ensemble de solutions (les approches d’aide multicritère à la décision ), qui
repose sur l’établissement d’une relation d’ordre entre les différents éléments. Ainsi, on peut,
en fonction de la relation d’ordre définie, obtenir un ensemble de solutions (relation d’ordre
partiel) ou une et une seule solution (ordre complet).
L’autre différence majeure, par rapport aux méthodes d’optimisation multiobjectif “clas-
siques”, vient du fait que les méthodes d’aide à la décision ne travaillent que sur des en-
sembles discrets de points (les méthodes d’optimisation multiobjectif “classiques” peuvent
travailler, elles, sur des ensembles continus). De plus, les méthodes d’aide à la décision

5
6 1.1. Introduction

permettent de répondre à plusieurs problématiques, réunies dans le tableau suivant :

Problématique Résultat Procédure

Choix d’un sous-ensemble des actions les “meilleures” ou,
Choix Sélection
a défaut, les plus “satisfaisantes”
Tri par affectation des actions à des catégories prédéfinies. Tri Affectation
Rangement de classes d’équivalence composées
d’actions, ces classes étant ordonnées de façon complète Rangement Classement
ou partielle.

Table 1.1: Les différentes problématiques.

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

• action,

• classement,

• ordre complet ou partiel.

Une action désigne un objet, une décision, un candidat ou autre chose encore. C’est sur
cette entité que va s’opérer la sélection (ou le tri, ou le classement).
Une méthode d’aide à la décision va donc permettre de choisir la meilleure action, ou de
classer des actions en fonction d’un ou plusieurs critères.
En fonction du type de classement que l’on désirera effectuer, on pourra utiliser différents
types de règles de classement ou de choix. Ces règles vont définir un ordre complet (si toutes
les actions sont classées) ou partiel (après le classement, il subsiste des actions incompara-
bles, donc non classées).
2. Concepts généraux de l’AMD

2.1 Définitions et rappels mathématiques 7

2.2 Notions de base de l’aide multicritère à la décision

(AMD) 9
2.2.1 La relation de dominance

2.3 Analyse 14

2.1 Définitions et rappels mathématiques

Relation binaire

Une relation binaire sur deux ensembles X et Y est un ensemble de couples ordonnés (x, y)
composé des éléments x dans X et y dans Y .
C’est-a-dire qu’il s’agit d’un sous-ensemble du produit cartésien P = X × Y . Ce sous-
ensemble codifie l’information de relation, i.e., un élément x est lié a un élément y, si et
seulement si le couple (x, y) appartient a l’ensemble P . On note : xRy.

Les relations d’ordre et d’équivalence

On rappelle, pour commencer, les définitions des relations d’ordre, ainsi que des relations
d’équivalence, qui permettront de classer les actions suivant certains critères.

Définition 2.1 (La relation d’équivalence) Une relation binaire R définie sur un ensem-
ble A est une relation d’équivalence si cette relation est :

• réflexive : ∀x ∈ A, xRx

• symétrique : ∀(x, y) ∈ A × A, xRy ⇒ yRx

• transitive : ∀(x, y, z) ∈ A × A × A, xRy et yRz ⇒ xRz

L’exemple le plus simple de relation d’équivalence est la relation = sur l’ensemble N des
entiers naturels.
Rappelons maintenant la définition d’une relation d’ordre.

7
8 2.1. Définitions et rappels mathématiques

Définition 2.2 (la relation d’ordre) Une relation binaire R définie sur un ensemble A est
une relation d’ordre si cette relation est :

• réflexive,

• antisymétrique : ∀(x, y) ∈ A × A, xRy et yRx ⇒ x = y,

• transitive.

L’exemple le plus simple de relation d’ordre est la relation ≤ sur l’ensemble N des entiers
naturels.
Ces différentes définitions vont nous permettre de construire des relations de comparaison
(on les appellera aussi des relations de préférence). Ces relations nous permettront, ensuite,
d’ordonner les éléments de l’ensemble sur lequel on effectue ces comparaisons.
Il existe plusieurs types d’ordres. Voici leurs définitions :

Définition 2.3 (préordre) Un préordre est une relation réflexive et transitive.

Définition 2.4 (ordre) Un ordre est un préordre antisymétrique (c’est donc une relation
d’ordre).

Dans un préordre, les ex-aequo sont possibles alors que dans un ordre, il n’y a pas
d’exaequo possibles.
Voici quelques définitions complémentaires sur le préordre.

Définition 2.5 (préordre total) Un préordre total est une relation de préordre pour laque-
lle tous les éléments d’un ensemble peuvent être mis en relation : l’incomparabilité entre
deux éléments n’est pas permise.

Un exemple de préordre total est la relation ≤ dans l’ensemble R.

En effet, soit deux éléments A et B de R, on a soit A ≤ B, soit B ≤ A.
Définition 2.6 (préordre partiel) Un préordre partiel est une relation de préordre
pour laquelle certains éléments d’un ensemble ne peuvent pas être mis en relation
: l’incomparabilité entre deux éléments est autorisée.

Par exemple, la relation de dominance est une relation de préordre partiel. En effet, si
l’on note A > B la relation A domine B, il existe des actions pour lesquelles on a ni A > B ni
B > A. Ces actions appartiennent à la surface de compromis.
Ces différentes définitions vont nous permettre de “construire” des relations de compara-
ison entre actions. En fonction de la problématique qui sera posée, on pourra construire soit
une relation d’ordre (pour effectuer un classement des actions ou définir un ordre sur cet
ensemble de solutions) soit une relation d’équivalence (pour rechercher la meilleure action
parmi un ensemble d’actions ou définir un préordre sur cet ensemble de solutions).
Chapter 2. Concepts généraux de l’AMD 9

2.2 Notions de base de l’aide multicritère à la décision (AMD)

Actions et alternatives

Définition 2.7 (Action) une action est un objet, une décision ou un candidat qui, dans un
problème de décision, apporte un choix possible, et ce, le plus souvent en concurrence
avec d’autres actions.

Définition 2.8 (Alternative) Une alternative ou action potentielle est une action réalis-
able.

Définition d’un critère

Définition 2.9 (un critère) Un critère est une fonction g, définie sur l’ensemble des ac-
tions A, qui prend ses valeurs dans un ensemble totalement ordonné, et qui représente
les préférences de l’utilisateur selon un point de vue.

Par exemple, la moyenne d’un élève est un critère pouvant servir à déterminer la valeur
de l’élève.
On note g(Ai ) la performance de l’action Ai , i ∈ {1, ..., n}, sur le critère g, elle représente
en général un nombre réel qui prend ses valeurs dans Xg , l’ensemble des valeurs possibles
de g, défini explicitement.

La matrice de décision

Un problème de l’AMD peut être facilement exprimé sous forme matricielle. Une matrice
de décision A est une matrice (n × m) dans laquelle l’élément aij indique la performance
d’alternative Ai quand elle est évaluée en termes de critère de décision gj (pour i = 1, 2, .., n, et
j = 1, 2, .., m). On suppose également que le décideur a déterminé les poids de la performance
relative aux critères de décision (notés wj , pour j = 1, 2, .., m).

Alternative g1 g2 ... ... gm

A1 a11 = g1 (A1 ) a12 = g2 (A1 ) ... ... a1m = gm (A1 ))
A2 a21 = g1 (A2 ) a22 = g2 (A2 ) ... ... a2m = gm (A2 )
. . . . . .
. . . . . .
An an1 = g1 (An ) an2 = g2 (An ) ... ... anm = gm (An )
Poids w1 w2 ... ... wm

Table 2.1: Matrice de décision

10 2.2. Notions de base de l’aide multicritère à la décision (AMD)

Comme son nom l’indique, dans le domaine de l’Aide Multicritère à la Décision (AMD), il
s’agit de résoudre des problèmes de décision avec des critères multiples qui sont mutuelle-
ment conflictuels.

Les relations de préférence

Les différentes définitions présentées ci-dessus vont nous permettre de définir des relations
de préférence, d’indifférence et d’incomparabilité entre deux actions a et b :

• La relation de préférence entre deux actions, cette relation, que l’on notera P , signifie
une préférence pour une des deux actions. On a aP b si a est préférée à b.

• La relation d’indifférence entre deux actions, cette relation, que l’on notera I, signifie
une indifférence entre les deux actions. On a aIb si il y a indifférence entre a et b. Cette
situation existe à partir du moment ou les critères et le jugement de valeur du décideur
justifient une équivalence entre les deux actions.

• La relation d’incomparabilité entre deux actions, cette relation, que l’on notera R,
signifie que deux actions sont incomparables. On a aRb si il y a incomparabilité entre a
et b (ce qui signifie que l’on n’a ni aP b, ni aIb, ni bP a).

Ces trois relations {P , I, R} définissent ce que l’on appelle une “structure de préférence”.
Les trois relations P , I, et R constituent une structure de préférence sur l’ensemble des
actions A si elles ont les propriétés indiquées ci-dessus et si, étant donné deux éléments
quelconques a et b de A, une et une seule des situations suivantes est vérifiée : aP b, bP a,
aIb et aRb.
Une structure de préférence peut être complètement caractérisée par la définition d’une
relation de préférence au sens large:
une relation de préférence au sens large entre deux actions notée S, aSb si aP b ou si aIb.
La relation de préférence au sens large est donc la réunion d’une relation de “préférence
au sens strict” (la relation P) et d’une relation d’indifférence (la relation I).
La relation de préférence au sens large est aussi appelée relation de surclassement.
Mathématiquement un problème à n critères devant être maximisé peut donc être ramené
a une relation de dominance sur l’ensemble des actions A :
∀a, b ∈ A




gj (a) ≥ gj (b) ∀j = 1.m
1. a P b ⇔ 


∃k ∈ {1, ..., m} tel que gk (a) > gk (b) .

2. a I b ⇔ gj (a) = gj (b)∀i = 1.m.





∃k ∈ {1, ..., m} tel que gk (a) > gk (b)
3. a R b ⇔ 


∃h ∈ {1, ..., m} tel que gh (a) < gh (b).
Chapter 2. Concepts généraux de l’AMD 11

Définition de l’espace des critères

Définition 2.10 (Espace des critères) L’image de A (ensemble des actions) dans
l’espace des critères est l’ensemble ZA des points de Rm obtenus en y représentant
chaque action a par le point z(a) = (g1 (a), ..., gm (a)).

2.2.1 La relation de dominance

Définition 2.11 (Dominance) Étant donné deux vecteurs x et y de Rm , x domine y, si

et seulement si, xj ≥ yj , j = 1, 2, .., n, avec au moins une des inégalités est stricte, on
note x ≥ y.

Définition 2.12 (Dominance stricte) Étant donné deux vecteurs x et y de Rm , x domine

y, si et seulement si, xj > yj , j = 1, 2, .., n, on note x > y.

Action efficace

Définition 2.13 (Efficacité) Une action a est dite efficace si et seulement s’il n’existe
aucune action b ∈ A, tel que : z(b) domine z(a).

L’ensemble des actions efficaces est généralement considéré comme l’ensemble des
seules actions intéressantes, même s’il existe parfois des arguments pour ne pas rejeter
définitivement les actions non efficaces.
C’est la raison pour laquelle de nombreux auteurs ont cherché des caractérisations et des
méthodes de détermination de ces actions.
Remarquons encore que la définition d’action efficace a donné lieu à des variantes
conduisant aux concepts d’actions faiblement efficace, fortement efficace, proprement ef-
ficace...1

Le point Idéal

Définition 2.14 le point idéal est un point dans Rm de coordonnées z1⋆ , z2⋆ , ..., zm
⋆ , où





zj = maxA gj (a), ∀j ∈ {1, ..., m} si le critère j est à maximiser
⋆



zj⋆ = minA gj (a), ∀j ∈ {1, ..., m} si le critère j est à minimiser

1 Philippe Vincke. L’aide multicritere à la décision. Editions de l’ULB et Editions Ellipses, 1989.
12 2.2. Notions de base de l’aide multicritère à la décision (AMD)

j
On note a⋆ la meilleure action pour le critère j :

j
gj (a⋆ ) = zj⋆ .

La matrice des gains

Définition 2.15 (Matrice des gains) La matrice des gains est la matrice G(m × m) dont
l’élément général
l
Gkl = gk (a⋆ ) aveck = 1, ..., m, l = 1, ..., m

l
C’est donc la matrice qui reprend, pour chaque action a⋆ ses évaluations suivant tous les
critères; en particulier :
Gll = zl⋆

Les composantes du point idéal sont sur la diagonale de la matrice des gains.

Le point Nadir

Définition 2.16 (Point nadir) Le point nadir est un point qui reprend la pire solution
efficace, il est estimé par le point de coordonnées (z1 , ..., zm ) où :




minl Gj , ∀j ∈ {1, ..., m}
l
si le critère j est à maximiser
zj = 


maxl Gjl , ∀j ∈ {1, ..., m} si le critère j est à minimiser

Il est évidemment dépendant de la matrice des gains choisie et de l’ensemble A.

Le point anti-idéal

Définition 2.17 le point anti-idéal est un point dans Rm de coordonnées z̄1 , z̄2 , ..., z̄m , où




z̄j = minA gj (a), ∀j ∈ {1, ..., m} si le critère j est à maximiser



z̄j = maxA gj (a), ∀j ∈ {1, ..., m} si le critère j est à minimiser

Exemple 2.1 Un père de famille désire d’acheter un téléviseur, après une première
sélection, retient huit modèles, qu’il évalue en tenant compte du prix, de la qualité
de l’image, de la qualité du son et du service après-vente (T.B=très bien, B=bien,
M=moyen, P.B=pas bien).
Les critères (attributs) :

• Prix
Chapter 2. Concepts généraux de l’AMD 13

• Qualité d’image

• Qualité du son

• Service après-vente

L’ensemble des actions (alternatives) A = {T 1, T 2, T 3, T 4, T 5, T 6, T 7, T 8}.

La matrice de décision est donnée comme suit :

Modèle Prix Qualité d’image Qualité de son Service après vente

T1 52000 T.B T.B M
T2 47000 T.B T.B B
T3 46500 T.B B B
T4 43000 B B PB
T5 40000 B B M
T6 40000 M B PB
T7 37000 B M PB
T8 37000 M M M

On peut remplacer arbitrairement : P.B par 0 , M par 1 , B par 2 et T.B par 3.

Modèle Prix Qualité d’image Qualité de son Service après vente

T1 52000 3 3 1
T2 47000 3 3 2
T3 46500 3 2 2
T4 43000 2 2 0
T5 40000 2 2 1
T6 40000 1 2 0
T7 37000 2 1 0
T8 37000 1 1 1
14 2.3. Analyse

Figure 2.1: Représentation des relations de dominance.

Les actions efficaces sont : T2 , T3 , T5 , T7 et T8 .

L’image de A dans l’espace de critères est l’ensemble :
{(52000, 3, 3, 1), (47000, 3, 3, 2), (46500, 3, 2, 2), (43000, 2, 2, 0), (40000, 2, 2, 1), (40000, 1, 2, 0),
(37000, 2, 1, 0), (37000, 1, 1, 1)}.
Le point idéal est : (37000,3,3,2).
Le point anti-idéal est : (52000,1,1,0).
La matrice des gains : vu le grand nombre d’ex-æquo, beaucoup de matrices de gains
peuvent être considérées. En voici une à titre d’exemple :

Prix Qualité d’image Qualité de son Service après vente

â1 37000 1 1 1
â2 47000 3 3 2
â3 47000 3 3 2
â4 46500 3 2 2

Le point nadir est : (47000,1,1,0).

2.3 Analyse

Normalement, à la fin de l’application d’une méthode d’aide à la décision, on procède à une

phase d’analyse de sensibilité et d’analyse de robustesse.
Ces deux analyses permettent de vérifier la “fiabilité” du résultat fourni par la méthode ou
la sensibilité du résultat vis-à-vis des paramètres choisis par l’utilisateur.

Définition 2.18 (analyse de sensibilité) C’est une analyse consistant à répéter

l’utilisation de la méthode d’aide à la décision originale en faisant varier les valeurs
attribuées à l’origine aux différents paramètres de la méthode, valeurs qui sont souvent
empreintes d’un certain arbitraire.
Chapter 2. Concepts généraux de l’AMD 15

Elle vise à définir les paramètres qui conditionnent le plus étroitement la solution
choisie, c’est-à-dire où il suffit d’une faible modification pour changer la solution pro-
posée.

Définition 2.19 (analyse de robustesse) C’est une analyse cherchant à déterminer le

domaine de variation de certains paramètres dans lequel un classement ou un choix
reste stable.
Elle sert à fournir à l’utilisateur une solution robuste, qui l’informe quant à la capacité de
la solution à résister à des variations entre la réalité et le modèle censé la représenter.
3. Les méthodes d’aide à la décision

3.1 Introduction 16

3.2 Les méthodes d’agrégation pondérée pour le

classement des alternatives 18
3.2.1 La méthode SAW
3.2.2 La méthode TOPSIS
3.2.3 Méthode AHP (Analytic Hierarchy Process)

3.3 Les méthodes de surclassement pour la compara-

ison des alternatives 25
3.3.1 La méthode ELECTRE I

3.4
Les méthodes de compromis pour le classement
des alternatives
Nous allons présenter différentes méthodes d’aide à la décision. Chacune de ces méthodes 29
traite une problématique bien précise. Les éléments 3.4.1
importants qui différencient
La méthode VIKOR ces méth-
odes sont la définition de la relation de classement des actions (chaque méthode exploite
une relation de préférence différente) et la méthode d’exploitation des résultats.

3.1 Introduction

Avant de commencer la présentation de ces méthodes, nous allons préciser quelques nota-
tions, ainsi qu’une méthode de représentation des résultats.

Notations

Les méthodes d’aide à la décision permettent de choisir ou de classer des actions en fonction
d’un ensemble de critères.
Nous noterons les actions : ai , i = 1, , k et les critères : gj , j = 1, , n.
L’évaluation de l’action ai suivant le critère gj sera notée gj (ai ).
Par exemple, si le critère g1 est une moyenne de notes de la matière 1, l’expression g1 (a)
est la moyenne de l’élève a dans la matière 1. Ce critère prend comme variable un élève et
procure la moyenne de l’élève considéré.
Là aussi, chaque méthode d’aide à la décision va fournir sa propre définition de la valeur
d’un critère.

La représentation

Les méthodes d’aide à la décision utilisent un graphe orienté (ensemble de sommets et d’arcs
reliant ces sommets, les arcs étant orientés par des flèches) pour représenter les relations

16
Chapter 3. Les méthodes d’aide à la décision 17

a1 a2 a3 a4 a5 a6 a7
a1
a2 S
a3 S
a4 S S S
a5 S S S S
a6
a7

Table 3.1: Exemples de relations entre actions.

entre les différentes actions.

Dans ce graphe, on commence par introduire les sommets, qui sont les actions consid-
érées, puis on introduit les arcs entre les différents sommets.
On trace un arc du sommet ai vers le sommet aj si l’action ai “surclasse” l’action aj . S’il
n’y a aucune relation entre ces deux actions, on ne trace pas d’arc entre elles.
Nous allons traiter un exemple simple.
Dans le tableau 3.1 figurent sept actions ainsi que les relations qui les lient. On lit ce
tableau dans le sens ligne vers colonne (par exemple, de la ligne a2 vers la colonne a1 , on
a a2 Sa1 ). Quand on représente ces différentes relations sur un graphe, on obtient le graphe
de la figure 3.1.

Figure 3.1: Graphe des relations entre actions.

De ce graphe, nous allons extraire des informations importantes. Par exemple, nous
allons isoler le noyau N du graphe. Une fois ce noyau isolé, on note A/N les actions restantes
(qui n’appartiennent pas au noyau).

Définition 3.1 Le noyau du graphe est composé d’un ensemble de sommets tels que :

• tous les sommets qui n’appartiennent pas au noyau sont surclassés par un som-
met du noyau au moins;
18 3.2. Les méthodes d’agrégation pondérée pour le classement des alternatives

• les sommets du noyau ne se surclassent pas entre eux.

Si l’on applique la définition à l’exemple, on obtient les graphes de la figure 3.2.

Figure 3.2: Les graphes des ensembles A/N et N .

Cette représentation va permettre, ensuite, de calculer l’indice de concordance et l’indice

de discordance, qui permettront de classer ou choisir des actions suivant certains critères.
À partir de ces différentes définitions, nous allons maintenant pouvoir présenter les méth-
odes d’aide à la décision.
On suppose dans ce qui suit le problème suivant :

• On a N actions ai , i = 1, , N .

• On a K critères gj , j = 1, , K.

3.2 Les méthodes d’agrégation pondérée pour le classement des al-

ternatives

Dans le cadre de l’aide multicritère à la décision, plusieurs approches ont été développées
pour classer ou sélectionner des alternatives en fonction de plusieurs critères souvent con-
tradictoires. Parmi ces approches, certaines reposent sur la pondération et l’agrégation des
performances des alternatives, tandis que d’autres s’appuient sur des relations de surclasse-
ment. Les méthodes SAW (Simple Additive Weighting) et TOPSIS (Technique for Order Pref-
erence by Similarity to Ideal Solution) appartiennent à la première catégorie : ce sont des
méthodes d’agrégation pondérée, utilisées principalement pour le classement des alterna-
tives selon leur performance globale.

3.2.1 La méthode SAW

La méthode pondération additive simple (Simple Additive Weighting (SAW)), qui est aussi
connue comme combinaison linéaire chargée d’un poids, est une des méthodes multicritères
Chapter 3. Les méthodes d’aide à la décision 19

d’évaluation largement utilisée en pratique en raison de sa simplicité.

Algorithme de la méthode SAW

Entrées:

• La matrice de décision (xij ).

• Les poids des critères (Wj ).

Sortie: Classement des alternatives.

1. Calculer la matrice de décision normalisée (rij )

 xij



 si le critère j est à maximiser

 maxi∈{1,...,N } (xij )
rij = 
 mini∈{1,...,N } (xij )



 si le critère j est à minimiser
x ij

PK
2. Calculer Ai = j=1 Wj rij . i = 1, ..., N

3. Classer les alternatives selon l’ordre décroissant des Ai .

3.2.2 La méthode TOPSIS

La methode TOPSIS (technique for order preference by similarity to an ideal solution), est
l’une des méthodes les plus utilisées pour soutenir l’aide multicritère à la décision. La méth-
ode TOPSIS se base sur la relation de dominance qui est représentée par les distances entre
les poids et la solution idéale. Son principe de base est que l’alternative choisie doit avoir la
distance la plus courte de la solution idéale et la plus éloignée de la solution anti-idéal.
20 3.2. Les méthodes d’agrégation pondérée pour le classement des alternatives

Algorithme de la méthode TOPSIS

Entrées:

• La matrice de décision (xij ).

• Les poids des critères (Wj ).

Sortie: Classement des alternatives.

1. Calculer la matrice de décision normalisée (rij )

xij
rij = qP
N 2
i=1 xij

2. Calculer la matrice de décision normalisée chargée d’un poids

Vij = Wj rij

3. Déterminer les ensembles J des critères à maximiser et J ′ des critères à minimiser.

4. Déterminer la solution idéale A⋆ et la solution anti-idéale A− . par la relation :

′
A⋆ = {V1⋆ , V2⋆ , ...VK ⋆ } = {(max Vij |j ∈ J), (min Vij |j ∈ J )}
i i

′
A− = {V1− , V2− , ...VK− } = {(min Vij |j ∈ J), (max Vij |j ∈ J )}
i i

5. Calculer la distance de chaque solution par rapport à la solution idéale (on note cette
distance Si⋆ ) et par rapport à la solution anti-idéale (on note cette distance Si− ) définie
par la relation : v
u
u
tXK
Si⋆ = (Vij − Vj⋆ )2 .
j=1
v
u
u
tXK
Si− = (Vij − Vj− )2 .
j=1

6. Calculer le rapprochement relatif a la solution idéale :

Si−
Ci⋆ = , 0 ≤ Ci⋆ ≤ 1, i = 1, ..., K.
Si− + Si⋆

7. Classer les alternatives selon l’ordre décroissant des Ci⋆ .

Chapter 3. Les méthodes d’aide à la décision 21

Exemple 3.1 Classer les altérnatives selon la méthode SAW puis TOPSIS. Les don-
nées de l’exemple sont :
La matrice de décision :
 
 cr1 cr2 cr3 
 
 
a1 78 94 10000
 
 

D = a2 82 86 15000

 
 
a3 80 75 22000
 
 
a4 88 90 2500
Vecteur des coefficients d’importance des critères :

h i
W = 0.45 0.35 0.20

Type de critères :
(max, max, min)

3.2.3 Méthode AHP (Analytic Hierarchy Process)

La méthode AHP (Analytic Hierarchy Process) a été développée par THOMAS L. SAATY dans
les années 1980. Elle fait partie des méthodes d’aide multicritère à la décision fondées sur
l’agrégation pondérée hiérarchique. L’idée principale est de décomposer un problème
complexe de décision en plusieurs niveaux hiérarchiques : l’objectif global, les critères, les
sous-critères éventuels et les alternatives.
AHP repose sur la réalisation de comparaisons par paires entre les éléments d’un même
niveau afin de déterminer leurs poids relatifs (ou priorités). Ces jugements sont exprimés à
l’aide d’une échelle d’intensité proposée par Saaty (allant généralement de 1 à 9). Une fois
les poids calculés et normalisés, les alternatives sont évaluées à l’aide d’un modèle additif
permettant d’obtenir un classement global.
La méthode AHP est donc une approche compensatoire : une mauvaise performance
sur un critère peut être compensée par une meilleure sur un autre, en fonction des poids
attribués.

Les étapes de la méthode AHP

1. Définition de la hiérarchie du problème

Le problème de décision est structuré en plusieurs niveaux :

• Niveau 1 : l’objectif global de la décision ;

22 3.2. Les méthodes d’agrégation pondérée pour le classement des alternatives

• Niveau 2 : les critères (et éventuellement sous-critères) ;

• Niveau 3 : les alternatives.

Cette hiérarchisation permet de clarifier la structure du problème et les relations entre

ses composantes.

2. Comparaisons par paires

Pour chaque niveau, on compare les éléments deux à deux selon leur importance rel-
ative par rapport à l’élément du niveau supérieur.
Ces comparaisons sont exprimées à l’aide de l’échelle de Saaty :

Valeur Interprétation
1 Importance égale des deux éléments
3 un élément est un peu plus important que l’autre
5 un élément est plus important que l’autre
7 un élément est beaucoup plus important que l’autre
9 un élément est absolument plus important que l’autre
2,4,6,8 Valeurs intermédiaires entre deux appréciations voisines

Les jugements sont organisés dans une matrice de comparaison par paires A = [aij ]
1
où aij représente l’importance de l’élément i par rapport à j. On a toujours aji = aij et
aii = 1.

3. Détermination des poids des critères

Déterminer l’importance relative des éléments en calculant les vecteurs propres
correspondant aux valeurs propres maximales des matrices de comparaison, puis
normaliser ces matrices afin d’obtenir les poids des critères w1 , w2 , . . . , wn .

Le poids du k ème critère est obtenu en faisant la moyenne des valeurs de la k ème ligne
dans la matrice de comparaison. Cela peut être calculé à l’aide de l’équation suivante :

1 X akj
n
wk = Pn , k = 1, 2, . . . , n (3.1)
n i=1 aij
j=1

où :

• aij : représente le poids relatif dans une matrice de comparaison d’ordre n ;

• wk : est le poids du critère spécifique ck dans la matrice de comparaison par paires.

4. Vérification de la cohérence des jugements

Chapter 3. Les méthodes d’aide à la décision 23

Comme les comparaisons sont basées sur des jugements humains, une incohérence
peut apparaître. AHP permet de mesurer cette cohérence à l’aide de l’indice de co-
hérence (CI) et du ratio de cohérence (CR) :

λmax − n CI
CI = , CR =
n−1 RI

où

• RI est l’indice aléatoire moyen (donné par Saaty). Saaty [Saaty1980] a calculé
les indices de cohérence aléatoires (ICA) présentés dans le tableau ci-dessous :

Dimension de la matrice 1 2 3 4 5 6 7 8 9 10
RI 0.00 0.00 0.58 0.90 1.12 1.24 1.32 1.41 1.45 1.49

Table 3.2: Indice de cohérence aléatoire selon la dimension de la matrice

Pour des matrices de taille supérieure à 10, l’indice de cohérence aléatoire (RI) se stabilise
autour de 1.6. Cette valeur peut être utilisée comme approximation dans le calcul du
rapport de cohérence :
CI
RC =
RI

• λmax : la valeur propre maximale correspondant à la matrice des comparaisons

par paires ;
• n : le nombre d’éléments comparés.

Elle peut être approximativement calculée comme suit :

n  n
P 
1 X  j=1 aij wj 
λmax =   , i = 1, 2, . . . , n, j = 1, 2, . . . , n (3.2)
n wi
i=1

Une valeur du rapport de cohérence (RC) inférieure à 10% est généralement considérée
comme acceptable. Dans le cas contraire, les comparaisons par paires doivent être
révisées afin de réduire les incohérences dans les jugements du décideur.

5. Agrégation des priorités globales

Une fois les poids des critères wj et les notes des alternatives rij connus, la priorité
globale de chaque alternative Ai est obtenue par une somme pondérée :

X
m
Ui = wj rij
j=1
24 3.2. Les méthodes d’agrégation pondérée pour le classement des alternatives

L’alternative ayant la plus grande valeur Ui est considérée comme la meilleure.

6. Classement des alternatives

Les alternatives sont ensuite classées selon leurs valeurs globales Ui . Ce classe-
ment reflète les préférences du décideur en tenant compte de l’importance relative des
critères.

Avantages et limites de la méthode

Avantages :

• Méthode simple, structurée et adaptée aux problèmes complexes ;

• Permet de combiner des critères quantitatifs et qualitatifs ;

• Vérifie la cohérence des jugements du décideur.

Limites :

• Le nombre de comparaisons croît rapidement avec le nombre de critères ;

• Les résultats peuvent être sensibles à de légères incohérences dans les jugements ;

• Méthode compensatoire : une mauvaise performance peut être totalement compen-

sée par une autre (on préfère des méthodes non compensatoires, comme ÉLECTRE,
VIKOR ou PROMETHEE, qui tiennent compte des surclassements partiels plutôt que
d’une simple moyenne pondérée).

Exemple 3.2 Utiliser la méthode AHP pour le choix d’un téléphone portable, et dont la
matrice de décision est définie comme suit :

Prix ($) Espace de stockage Caméra (MP) Apparence

Mobile 1 250 16 GB 12 5
Mobile 2 200 16 GB 8 3
Mobile 3 300 32 GB 16 4
Mobile 4 275 32 GB 8 4
Mobile 5 225 16 GB 16 2

Table 3.3: Comparaison des caractéristiques de cinq téléphones mobiles

Chapter 3. Les méthodes d’aide à la décision 25

3.3 Les méthodes de surclassement pour la comparaison des alter-

natives

3.3.1 La méthode ELECTRE I

Elle vise a obtenir un sous-ensemble N d’actions tel que toute action qui n’est pas dans N
est surclassée par au moins une action de N .
N est appelé le noyau du graphe de surclassement : c’est le siège des actions non
surclassées. Ce sous-ensemble (qu’on rendra aussi petit que possible) n’est pas donc
l’ensemble des bonnes actions, mais c’est l’ensemble dans lequel se trouve certainement
le meilleur compromis cherché.

La méthode Electre I relève de la problématique de choix.

La relation de surclassement S dans la méthode ELECTRE I est construite en prenant

appui sur une notion de concordance et une notion de discordance.
Pour tout couple d’actions (a; b), l’hypothèse de surclassement ”a surclasse b” est vraie,
si un test de concordance et un test de non discordance sont satisfaits.

Condition de concordance

Indice de concordance
Définition 3.2 (indice de concordance) Il est dit du critère j qu’il concorde avec
l’hypothèse l’action a surclasse l’action b si l’action a est au moins aussi bonne que
l’action b en ce qui concerne le critère j; ce qui ce traduit par : gj (a) ≥ gj (b).

Pour chaque couple d’actions (a; b), l’indice de concordance C(a, b) est calculé comme
suit : P
Wj
∀j, gj (a)≥gj (b) X
K
C(a, b) = ,W= Wj
W
j=1

Cet indice exprime combien l’hypothèse de départ a surclasse b concorde avec la réalité
représentée par les évaluations des actions. Il est clair que cet indice varie entre 0 et 1.

Test de concordance La question qui se pose est de savoir à partir de quelle valeur des
indices C(a, b), la concordance avec l’hypothèse de surclassement paraît suffisamment forte,
pour admettre raisonnablement cette hypothèse comme vraie. Le paramètre introduit pour
répondre à cette question est le seuil de concordance noté ĉ. Ce seuil exprime le minimum
de concordance requise pour que la proposition a surclasse b ne soit pas rejetée. Le test de
26 3.3. Les méthodes de surclassement pour la comparaison des alternatives

concordance sera donc satisfait si :

C(a, b) ≥ ĉ

La satisfaction de ce test signifie que l’importance des critères pour lesquels l’action a est
préférée à l’action b est suffisamment forte. La relation C(a, b) < ĉ implique le rejet immédiat
de l’hypothèse de surclassement.

Condition de non-discordance

Indice de discordance
Définition 3.3 (non-discordance) La condition de non-discordance permet de refuser
le surclassement d’une action sur une autre, obtenu après application de la condition
de concordance, lorsqu’il existe une opposition trop forte sur un critère au moins.

Le test de non-discordance est subordonné au test de concordance. Pour chaque couple

d’actions (a; b), l’ensemble J − (a; b) des critères discordants est recherché, tel que :
J − (a, b) représente l’ensemble des critères pour lesquels l’action b est préférée à l’action a.

j ∈ J − (a, b) si gj (a) < gj (b), ∀j = {1, 2, ..., K}

.
Ensuite, la différence entre l’évaluation de l’action b et celle de l’action a est trouvée pour
chaque critère discordant. Le maximum de ces différences sera divisé par un facteur de
normalisation
σ = max[gj (c) − gj (d)]
j,c,d

Ce quotient est appelé indice de discordance noté D(a, b) :



 si J − (a, b) = ∅;

0
D(a, b) = 
 1

 maxj [gj (b) − gj (a)] si j ∈ J − (a, b).
σ

Cet indice donne la mesure de l’opposition manifestée par le(s) critère(s) discordant(s) à
l’acceptation de l’hypothèse de surclassement ; il varie évidemment entre 0 et 1.

Test de non discordance Jusqu’à quel point l’opposition des critères discordants reste elle
tolérable vis-à-vis de l’acceptation de l’hypothèse de surclassement ? Le paramètre introduit
ˆ
pour répondre à cette question est le seuil de discordance noté d.
Ce seuil exprime le maximum de discordance tolérée pour que l’hypothèse a surclasse b
ne soit pas rejetée.
Chapter 3. Les méthodes d’aide à la décision 27

Le test de non-discordance sera donc satisfait si

D(a, b) ≤ dˆ

La satisfaction de ce test signifie que l’opposition des critères discordants par rapport à
l’hypothèse a surclasse b n’est pas suffisamment forte pour entraı̂ner le rejet de cette hy-
pothèse, si toutefois le test de concordance a été préalablement satisfait.

À propos du noyau : La théorie de graphes enseigne que le noyau existe et est unique si le graphe
qui représente la relation de surclassement est sans circuit.
Un circuit est caractérisé par des relations de surclassement du type ” a surclasse b”, ”b surclasse c”
et ” c surclasse a”.
28 3.3. Les méthodes de surclassement pour la comparaison des alternatives

Algorithme de la méthode ELECTRE I

1. On attribue a chaque critère j, un poids Wj d’autant plus grands que le critère est im-
portant.

2. Normalisation de la matrice de décision (voir étape 1 de la méthode SAW).

3. Calculer les indices de concordance à chaque couple d’action (a,b).

On associe l’indice de concordance suivant :
P
Wj
∀j, gj (a)≥gj (b) X
K
C(a, b) = ,W= Wj
W
j=1

4. Calculer les indices de discordance à chaque couple d’action (a,b).

On associe l’indice de discordance suivant :


 si J − (a, b) = ∅;

0
D(a, b) = 
 1

 maxj [gj (b) − gj (a)] si j ∈ J − (a, b).
σ

avec σ = maxj,c,d [gj (c) − gj (d)].

5. construire les relations de surclassement :

La relation de surclassement pour Electre I est construite par la comparaison des in-
dices de concordances et de discordance à des seuils limites de concordance ĉ et
ˆ
discordance d.
Ainsi, a surclasse b si :

a S b ⇐⇒ C(a, b) ≥ ĉ et D(a, b) ≤ dˆ

Exploiter les relations de surclassement : cette étape consiste à déterminer le sous-

ensemble d’action N appelé noyau tel que toute action qui n’est pas dans N est sur-
classée par au moins une action de N et les actions de N sont incomparables entre
elles.

Commentaires généraux sur ELECTRE I

ELECTRE I est une méthode simple puisqu’elle est basée sur des concepts « naturels » (d’accord
– pas d’accord). Elle ne repose pas sur des a priori comme la plupart des méthodes utilisant une
Chapter 3. Les méthodes d’aide à la décision 29

fonction d’utilité ; le caractère très subjectif de certains paramètres importants de son algorithme est
compensé par une analyse de robustesse très approfondie.
La contrepartie de ces avantages est que le résultat fourni par ELECTRE I peut être beaucoup
moins net, ce qui d’ailleurs est normal, puisque la méthode respecte les nuances. Elle ne conduit pas,
en général, à la mise en évidence directe de la « meilleure » action potentielle. Son objectif est plus
modeste : proposer un cadre rationnel, fondé sur des hypothèses relativement simples, qui permet
de mettre en évidence un sous-ensemble de A qui, à coup sûr, ne renferme pas l’action potentielle
à retenir. L’utilisateur d’ELECTRE I doit toujours rester conscient du fait que le noyau ne renferme
pas les meilleures actions mais en fait les actions les plus difficiles à comparer entre elles et parmi
lesquelles se trouve la « meilleure ». Ce qui d’ailleurs pose le problème de la « seconde meilleure
action » : si la « meilleure action », pour une raison ou une autre, n’est plus disponible, alors il ne faut
en aucun cas choisir celle qui semblerait être la « seconde » dans le noyau ! Il faudrait recommencer
toute la procédure.
Sur le plan technique, il est possible d’affirmer que des seuils peu exigeants risquent de faire appa-
raître des surclassements discutables, voire même douteux. D’un autre côté, si des seuils exigeants
sont fixés, des relations de surclassement très solides seront établies et les circuits disparaîtront mais
le graphe de surclassement sera appauvri.

3.4 Les méthodes de compromis pour le classement des alternatives

3.4.1 La méthode VIKOR

La méthode VIKOR (VlseKriterijumska Optimizacija I Kompromisno Resenje), développée par

OPRICOVIC et TZENG (1998), est une méthode de classement et de sélection multicritère
fondée sur le principe du compromis.
Elle vise à proposer une solution de compromis proche de la solution idéale, en tenant
compte à la fois :

• de la distance de chaque alternative à la solution idéale,

• du degré de regret maximal associé à chaque critère.

L’idée essentielle de VIKOR est de rechercher une alternative qui équilibre au mieux :

• la satisfaction globale (moyenne pondérée sur tous les critères),

• et la performance sur le critère le plus défavorable.

Étapes de la méthode VIKOR

Étape 1 : Détermination des solutions idéales et anti-idéales Pour chaque critère j =

1, 2, . . . , n, on détermine :
30 3.4. Les méthodes de compromis pour le classement des alternatives





maxi gij , si le critère j est à maximiser,
Ij = 


mini gij , si le critère j est à minimiser.



mini gij , si le critère j est à maximiser,
¯Ij = 


max g ,
 i ij si le critère j est à minimiser.

où :

• Ij : meilleure valeur (idéale) du critère j,

• I¯j : pire valeur (anti-idéale) du critère j.

Étape 2 : Calcul des mesures de distance Si et Ri Pour chaque alternative i, on calcule

:

X
n
Ij − xij
Si = wj
Ij − I¯j
j=1
" #
Ij − xij
Ri = max wj
j Ij − I¯j

où :

• Si : distance globale à la solution idéale (moyenne pondérée),

• Ri : regret maximal, c’est-à-dire la plus grande distance sur un critère donné.

Étape 3 : Calcul de la mesure de compromis Qi

Si − S − Ri − R−
Qi = v + (1 − v)
S∗ − S− R∗ − R−

avec :
S ∗ = max Si , S − = min Si , R∗ = max Ri , R− = min Ri
i i i i

et le paramètre v ∈ [0, 1] traduit la stratégie du décideur :

• v = 0.5 : compromis équilibré,

• v → 1 : priorité à la satisfaction globale (majorité des critères),

• v → 0 : priorité à la minimisation du regret (critère le plus défavorable).

Chapter 3. Les méthodes d’aide à la décision 31

Étape 4 : Classement des alternatives Les alternatives sont classées selon l’ordre crois-
sant de leurs valeurs :
Si , Ri , Qi

L’alternative ayant la plus petite valeur de Qi est considérée comme la meilleure selon la
mesure de compromis.

Étape 5 : Détermination de la solution de compromis L’alternative A′ ayant la plus petite

valeur de Qi est proposée comme solution de compromis si les deux conditions suivantes
sont satisfaites :
Condition 1 : différence significative

1
Q(A′′ ) − Q(A′ ) ≥
n−1

où A′ et A′′ sont respectivement les alternatives classées 1re et 2e selon Q, et n est le nombre
total d’alternatives.
Condition 2 : cohérence de classement L’alternative A′ , meilleure selon Q, doit égale-
ment être première selon S ou R (ou les deux).

Étape 6 : Cas où les conditions ne sont pas satisfaites

• Si seule la condition 2 n’est pas satisfaite : on retient les alternatives A′ et A′′ comme
solutions de compromis.

• Si la condition 1 n’est pas satisfaite : on retient plusieurs alternatives A′ , A′′ , . . . , A(M)

telles que :
1
Q(A(M) ) − Q(A′ ) <
n−1
Ces alternatives sont alors considérées comme proches en termes de performance
globale.

Interprétation des résultats

• Une valeur faible de Si indique une alternative proche de la solution idéale globalement
;

• Une valeur faible de Ri indique une bonne performance sur le critère le plus critique ;

• Une valeur faible de Qi correspond à la meilleure solution de compromis entre ces deux
aspects.
32 3.4. Les méthodes de compromis pour le classement des alternatives

Avantages de la méthode VIKOR

• Permet de trouver un compromis équilibré entre plusieurs critères ;

• Combine deux approches : satisfaction moyenne et regret minimal ;

• Peut proposer plusieurs solutions de compromis si nécessaire.

Limites

• Le résultat dépend du paramètre v choisi ;

• Suppose une pondération fiable des critères ;

• Les distances sont sensibles à l’échelle de normalisation.

La méthode VIKOR appartient à la famille des méthodes de classement et de compromis en aide à

la décision multicritère. Elle vise à la fois à établir un classement complet des alternatives et à
proposer une ou plusieurs solutions de compromis, selon certaines conditions.
Chapter 3. Les méthodes d’aide à la décision 33