Date
2010
Alternative titles
Tri multicritère fondé sur un ensemble de fonctions de valeurs additives
Dewey
Recherche opérationnelle
Sujet
Fonction de valeur; Procédure d’agrégation désagrégation; Additive value function; Disaggregation-aggregation procedure; Multiple criteria sorting; Tri multicritère
Journal issue
European Journal of Operational Research
Volume
207
Number
3
Publication date
2010
Article pages
1455-1470
Publisher
Elsevier
Author
Slowinski, Roman
Mousseau, Vincent
Greco, Salvatore
Type
Article accepté pour publication ou publié
Abstract (FR)
Nous présentons une nouvelle méthode de tri multicritère visant à affecter des actions
évaluées sur différents critères à p classes pré-définies et ordonnées. L’information préférentielle
fournie par le décideur (DM) est un ensemble d’exemples d’affectation correspondant à
un sous-ensemble d’actions (appelées actions de référence) relativement bien connues du
DM. Chaque exemple d’affectation spécifie l’affectation souhaitée (une classe ou un intervalle de classes) pour l’action de référence. Les exemples d’affectations sont utilisés
pour bâtir un modèle de préférence du DM. Dans notre cas, le modèle de préférence
sous-jacent est l’ensemble de fonctions de valeur additives compatible avec les exemples
d’affectation. pour chaque fonction de valeur compatible, il est possible d’associer p − 1
seuils séparant les classes consécutives sur l’échelle de cette fonction de valeur. Pour
chaque action a, la méthode calcule une affectation possible et une affectation nécessaire.
L’affectation nécessaire spécifie l’intervalle de classes auxquelles l’action peut être affectée pour toute fonction de valeur compatible tandis que l’affectation possible spécifie
l’intervalle de classes auxquelles l’action peut être affectée pour au moins une fonction de
valeur compatible. Le calcul de ces affections est effectué par résolution de programmes
linéaires.
Cette méthode est conçue pour être utilisée interactivement, c’est-à-dire que le décideur
peut fournir progressivement des exemples d’affectation. La méthode permet également
d’aider le DM lorsqu’il fournit un ensemble d’exemples d’affectation qu’il n’est pas possible de représenter par une fonction de valeur additive. De plus, le DM peut spécifier
des niveaux de confiance qualitatifs (“certain”, “sûr”, “assez sûr”) pour les exemples
d’affectation. Dans ce cas, les affectations possibles et nécessaires s’expriment comme des
intervalles de classes correspondant aux niveaux de confiance.
Abstract (EN)
We present a new multiple criteria sorting method that aims at assigning actions evaluated on multiple criteria to p pre-defined and ordered classes. The preference information supplied by the decision maker (DM) is a set of assignment examples on a subset of actions relatively well known to the DM. These actions are called reference actions. Each assignment example specifies a desired assignment of a corresponding reference action to one or several contiguous classes. The set of assignment examples is used to build a preference model of the DM represented by a set of general additive value functions compatible with the assignment examples. For each action a, the method computes two kinds of assignments to classes, concordant with the DM’s preference model: the necessary assignment and the possible assignment. The necessary assignment specifies the range of classes to which the action can be assigned considering all compatible value functions simultaneously. The possible assignment specifies, in turn, the range of classes to which the action can be assigned considering any compatible value function individually. The compatible value functions and the necessary and possible assignments are computed through the resolution of linear programs.