Les méthodes d’aide multicritère à la décision

Les méthodes d’aide multicritère à la décision

Classement des méthodes multicritères

Plusieurs méthodes d’analyse multicritère coexistent, et la différence entre ces méthodes se trouve soit dans la façon de réaliser cette dernière étape, soit dans la façon d’évaluer chacune des solutions en fonction des critères retenus. Les spécialistes de l’aide à la décision multicritère s’accordent sur trois grandes familles :  – Les méthodes basées sur la théorie de l’utilité multi -attributs : approche du critère unique de synthèse : Elles consistent à agréger les différents points de vue en une fonction unique qu’il s’agit ensuite d’optimiser.

Les travaux relatifs à cette famille étudient les conditions mathématiques d’agrégation, les formes particulières de la fonction agrégeante et les méthodes de construction de ces fonctions. Les principales méthodes appartenant à cette famille sont : MAUT, SMART, UTA, TOPSIS, AHP et G.P. Bien que rigoureuses, ces méthodes se révèlent souvent d’un degré de complexité élevé ou encore écarte certaines solutions pourtant optimales sur la base du principe de compensation. – Les méthodes de surclassement : approche de surclassement de synthèse : Ces méthodes visent en première étape, à construire une relation appelée relation de surclassement, qui représente les préférences solidement établies du décideur, compte tenu de l’information dont il dispose.

Les méthodes multicritères appartenant à cette famille introduisent des seuils d’indifférence et de préférence au niveau de chacun des critères avant de construire la relation de surclassement. Cette relation n’est donc en général ni complète ni transitive. La seconde étape consiste à exploiter la relation de surclassement en vue d’aider le décideur à résoudre son problème. Ces méthodes multicritères sont caractérisées par un bon degré de pragmatisme compte tenu des contextes décisionnels fréquemment rencontrés. Elles sont assez riches en concepts nouveaux, comme ceux des problématiques décisionnelles. Les méthodes les plus connues de cette famille sont : ELECTRE (Elimination ET Choix Traduisant la Réalité) et PROMETHÉE.

– Les méthodes interactives : approche de jugement local interactif : Bien qu’elles se confondent actuellement avec la deuxième famille, car toutes ces méthodes ont été programmées de nombreuses fois plus ou moins bien, et selon les besoins, dans différents laboratoires de recherche. Elles alternent les étapes de calcul et les étapes de dialogue. Elles sont le plus souvent développées dans un contexte de programmation mathématique à objectif multiple

Méthodes de l’approche du critère unique de synthèse 

Cette fonction agrège les différents points de vue en une fonction unique qu’il s’agit ensuite d’optimiser. Il s’agit d’une approche très exigeante sur le plan de l’information, ce qui rend parfois le décideur moins enthousiaste à l’utiliser. En outre, cette approche évacue toute incompatibilité entre les actions. Parmi cette catégorie de méthodes, nous trouvons : les méthodes SMART, MAVT, MAUT, TOPSIS, la méthode AHP (Analytic Hierarchy Process) de Saaty 1980 et la méthode EVAMIX.

Méthode SMART 

Simple Multi-Attribute Rating technique (Edwards 1971) Edwards pense que si la modélisation des préférences est assez complexe, entre autres raisons à cause des erreurs de mesure, il serait intéressant de simplifier cette modélisation en mettant de l’avant une procédure simple pour obtenir les préférences réelles du décideur qui sont nécessairement subjectives. C’est ainsi qu’il a été conduit à développer la procédure SMART. Il constate que plusieurs expériences et simulations avec le décideur confirment qu’on obtient d’aussi bonnes approximations avec la fonction additive qu’avec d’autres formes non-linéaires qui sont beaucoup plus complexes.

La procédure se présente comme suit :

Étape 1 : Mettre les attributs en ordre décroissant d’importance. C’est une étape qui devrait déclencher une discussion entre le décideur et tous ses partenaires dans le processus de décision. Étape 2 : Déterminer le poids pour chaque attribut. Les intervenants du processus de décision peuvent avoir des opinions différentes sur les valeurs des poids des attributs. De façon interactive, ces évaluations sont faites par des experts sur l’échelle variant de 0 à 100. Étape 3 : Faire la somme des coefficients d’importance et diviser chaque poids par cette somme. Cette étape permet de normaliser les coefficients d’importance relative entre 0 et 1. Étape 4 : Mesurer la localisation de chaque action sur chaque attribut