Chapitre 12 • Intro duc tion à l’aide multi cri tère à la déci sion
430
donc à des modèles de pré fé rence plus fins dans la mesure où ils n’imposent pas de
com pa rer des actions qui seraient trop dis sem blables. En revanche, ces modèles sont
plus dif fi ciles à exploi ter pour déga ger une recom man da tion.
Fig. 12.5 4 situa tions de com pa rai son
Les méthodes de sur clas se ment peuvent géné ra le ment se décom po ser en deux
phases :
1. construc tion de la rela tion de sur clas se ment,
2. exploi ta tion de la rela tion de sur clas se ment pour déter mi ner une recom man da tion.
12.4.2 Construc tion de la rela tion de sur clas se ment
Afin d’éta blir la probance de l’asser tion aSb, on s’appuiera sur les deux prin cipes
fon da men taux sui vants :
Prin cipe de concor dance : Une majo rité de cri tères, compte­ tenu de leur impor ­
tance, doit sup por ter l’asser tion aSb (prin cipe majo ri taire),
Prin cipe de non dis cor dance : Parmi les cri tères qui ne sup portent pas l’asser ­
tion aSb, aucun ne doit expri mer un désac cord trop fort (prin cipe de respect des
mino ri tés).
Concor dance
Pour chaque cri tère g j , on exa mine sa contri bu tion à l’asser tion aSb en bâtis sant un
indice de concor dance par tielle c j (a,b) P 30,1 4 (j 5 1, c, p) tel que :
– c j (a,b) 5 1 lorsque le cri tère g j sup porte tota le ment l’asser tion aSb
– c j (a,b) 5 0 lorsque le cri tère g j ne sup porte pas du tout l’asser tion aSb
– 0 , c j (a,b) , 1 dans les cas inter mé diaires
Plus pré ci sé ment, on a (cf. figure 12.6) :
c j (a,b) 5 c
1
3
g j (b) # g j (a) 1 q j
0
3
g j (b) $ g j (a) 1 p j
p j 2 (g j (b) 2 g j (a) )
p j 2 q j
3
g j (a) 1 q j # g j (b) # g j (a) 1 p j
1
0
p j 2 (g j (b) 2 g j (a))
p j 2 q j