Le manuel traite des méthodes de prise de décisions managériales dans diverses situations problématiques qui surviennent dans les systèmes économiques. Les concepts de base, la classification des problèmes et les méthodes adéquates pour leur résolution, les méthodes de leur structuration et de leur description sont donnés. Une attention considérable est portée au support automatisé des procédures de prise de décision et des tâches en conditions floues. Une caractéristique de la publication est la méthode de résolution tâches typiques avec justification des méthodes de choix d'une solution rationnelle.
Le manuel a été préparé conformément au programme du cours "Décisions de gestion", qui fait partie de la spécialité "Gestion des organisations et des affaires publiques". municipalités". Conçu pour les étudiants des spécialités économiques de toutes les formes d'enseignement, il peut être utile à tous ceux qui s'intéressent aux problèmes de prise de décision efficace dans la gestion, les affaires et la production. Recommandé par le Conseil de l'Association pédagogique et méthodologique des universités russes pour l'éducation dans le domaine de la gestion comme manuel dans la spécialité "Gestion de l'organisation".

Problèmes communs prendre des décisions managériales.
Fondements scientifiques de la théorie de la prise de décision en tant que section de la théorie générale des systèmes et l'analyse du système ont été créés pendant la Seconde Guerre mondiale. Ses fondateurs sont J. von Neumann et O. Morgenstern, qui ont publié en 1944 des documents sur une nouvelle direction - la théorie des jeux. Plus tard, les experts étrangers R. Ackoff, F. Emery, St. Optner, R. Lewis, X. Rife, St. Beer, J. Forrester et d'autres, ainsi que des nationaux - A. G. Vendelin, D. M. Gvishiani, O. I. Larichev, I. M. Syroezhin et d'autres ont apporté une contribution significative au développement et à l'enrichissement de cette théorie.

Toute activité de gestion, y compris dans le domaine de l'économie, de la gestion et du marketing, est étroitement liée à l'adoption de décisions appropriées sur diverses situations de gestion.

Ainsi, dans le cas général, une décision s'entend comme un ensemble d'influences managériales (actions de la part du décideur (DM)) sur l'objet (système, complexe, etc.) de gestion, qui permet d'apporter cet objet à l'état souhaité ou atteindre l'objectif qui lui est fixé.

Le processus décisionnel (DP) est une des étapes activités de gestion, sur lequel la solution la plus préférée est sélectionnée parmi l'ensemble de solutions réalisables, ou l'ensemble de solutions est ordonné par leur importance.

Table des matières
introduction
Section 1. Problèmes généraux de prise de décisions managériales
Chapitre 1. Problèmes de prise de décision dans la gestion des systèmes économiques
1.1. Problèmes généraux de prise de décision managériale
1.2. Modélisation des processus de gestion
1.3. Modèle de représentation de l'information dans la gestion des systèmes économiques
1.4. Modèle d'information dans le processus décisionnel
1.5. Efficacité de la gestion dans les conditions modernes
1.6. Prise de décision dans des situations problématiques uniques
Chapitre 2. Concepts et catégories de base de la théorie de la décision
2.1. Définitions de base et énoncé du problème de prise de décision
2.2. Classification des problèmes de prise de décision
2.3. Classification des décisions de gestion
Chapitre 3 Technologie de décision
3.1. Formation et évaluation des décisions
3.2. Se préparer à choisir une solution
3.3. Processus technologique la prise de décision
3.4. Modélisation des procédures décisionnelles
Chapitre 4. Description et analyse de la situation problématique
4.1. Méthodes de description d'une situation problématique
4.2. Procédures d'analyse de la situation problématique
4.3. La tâche de mesurer les caractéristiques d'une situation problématique
4.4. Méthodes de mesures subjectives des caractéristiques
4.5. Critères de sélection : méthodes de formation d'un critère intégral
Section 2. Méthodes de prise de décision dans des situations problématiques structurées
Chapitre 5 Prise de décision dans des situations structurées
5.1. Méthodes pour résoudre des problèmes comme /. Recherche de la solution optimale
5.2. Solution analytique du problème d'optimisation linéaire (méthode simplex)
5.3. Solution automatisée du problème d'optimisation linéaire (Excel)
5.4. Méthodes de résolution de problèmes de type JA. Principe de résultat garanti
5.5. Principe d'Optimisme (Maximax)
5.6. Principe de Hurwitz
5.7. Principe de Savage (minimax regret)
Chapitre 6
6.1. Prise de décision dans les problèmes de type G
6.2. Procédure de sélection dans les problèmes structurés de type GA
Chapitre 7
7.1. Exemple 1
7.2. Exemple 2
7.3. Solution informatique du problème de sélection
Section 3. Méthodes de résolution de situations problématiques complexes
Chapitre 8
8.1. Énoncé et types de tâches multicritères
8.2. Méthodes de résolution de problèmes multicritères avec des critères non structurés
8.3. Méthodes de construction analytique des métriques de distance
Chapitre 9
9.1. Justification du mode de choix d'une décision d'investissement
9.2. Sélection du meilleur projet par la méthode lexicographique
9.3. Sélection de projet basée sur la méthode de l'idéal décalé
9.4. Tâche de sélection d'équipement
Chapitre 10
10.1. Méthode de l'arbre cible (méthode d'analyse hiérarchique)
10.2. Résolution de problèmes à l'aide de la méthode d'analyse hiérarchique
Chapitre 11
11.1. Application des méthodes d'optimisme, pessimisme, Hurwitz, Savage
11.2. Application de la méthode de « l'idéal décalé »
11.3. Application de la méthode d'analyse hiérarchique
Chapitre 12
12.1. Exemple 1 Solutions
12.2. Exemple 2 solution
Section 4. Méthodes de prise de décision dans des situations non structurées
Chapitre 13
13.1. Problèmes de choix sous risque et incertitude
13.2. Classification des incertitudes dans les problèmes de contrôle
13.3. Prise de décision dans des conditions de certitude probabiliste (risque)
13.4. Méthodes d'analyse des conséquences des événements et arbres de décision
13.5. Méthodes de sélection sous incertitude totale ou partielle
Section 5. Méthodes de choix d'experts (de groupe) dans les problèmes complexes de prise de décision
Chapitre 14
14.1. Énoncé et formalisation des problèmes de prise de décision en groupe (problèmes de type G)
14.2. Classification des problèmes de choix de groupe
14.3. Méthodologie de conduite de la procédure de sélection du groupe
Chapitre 15
15.1. Modalités de prise de décision par un groupe d'experts
15.2. Types d'approbation collective des décisions d'experts
Chapitre 16
16.1. Méthodes de coordination de groupe lors de la prise de décision
16.2. Modèle d'estimation de groupe des objets de choix
16.3. Modèles d'appariement des expertises
Chapitre 17
17.1. Évaluation du degré de compétence de l'expert
17.2. Un exemple de résolution d'un problème de type GA
Section 6. Automatisation des procédures décisionnelles
Chapitre 18
18.1. Exigences et objectif des systèmes d'aide à la décision
18.2. Fonctions des systèmes d'aide à la décision
18.3. Technologie d'application des systèmes d'aide à la décision
Chapitre 19
19.1. Fonctionnalités, caractéristiques et implémentation des systèmes experts
19.2. Travailler avec des situations types de gestion (module de situations types d'ES)
19.3. La structure logique du fonds d'information et l'algorithme de fonctionnement du module WSN
19.4. La structure du système de support du modèle.

Page 1

ANALYSE DES SYSTÈMES D'INFORMATION MÉDICALE POUR LES INSTITUTIONS MÉDICALES ET PRÉVENTIVES DE TYPE SANATORIUM.

L'informatisation des activités des établissements de santé est depuis longtemps un besoin urgent. Le traitement de panoplies d'informations financières, médicales et statistiques, en constante augmentation, n'est devenu possible qu'avec l'utilisation des technologies modernes de l'information et de l'informatique. Non seulement le volume d'informations a augmenté, mais les exigences relatives à la rapidité de son traitement ont également augmenté. Chaque année, les organisations de niveau supérieur augmentent les exigences de transfert de ce que l'on appelle les « rapports électroniques » (c'est-à-dire les rapports en au format électronique). Le rôle de l'échange électronique de données entre les sujets de santé utilisant le courrier électronique et Internet ne cesse de croître.

À l'heure actuelle, chaque établissement médical (HCI) est couvert par l'informatisation dans une certaine mesure. Il s'agit pour la plupart de systèmes d'automatisation locaux, non interconnectés, pour différents domaines d'activité des établissements de santé. En pratique, l'informatisation des soins de santé régionaux ne couvre que les services financiers et économiques des établissements de santé : comptabilité, service de la planification et de l'économie, médecine d'assurance. Améliorer la qualité et la disponibilité soins médicaux dans les établissements de santé, il est nécessaire de procéder à une automatisation complexe de tous les types d'activités dans l'établissement.

Aujourd'hui, le marché des systèmes d'information médicale (MIS) offre suffisamment différentes solutions dans une large gamme de prix et avec diverses fonctionnalités. Au cours de l'étude, nous avons examiné 30 systèmes d'information médicale. Parmi ceux-ci, 12 sont des produits d'un fabricant ukrainien, 18 sont russes. La plupart des systèmes, à savoir 13, sont spécialisés pour les sanatoriums.

Le but de notre étude était de comparer les systèmes d'information médicale pour les institutions médicales et préventives de type sanatorium selon des critères généralement acceptés et de déterminer celui qui est optimal, en utilisant la théorie de la résolution de tâches multicritères.

Le choix du système optimal a été effectué du point de vue de l'acheteur en fonction des données disponibles dans le réseau ouvert. Ce problème a été résolu par la méthode de "l'idéal décalé". Cette méthode, décrite dans , est conçue pour résoudre des tâches de choix de l'objet optimal, dans le cas un grand nombre objets et critères de comparaison.

Au cours de l'étude, une comparaison a été faite de 19 systèmes d'information médicale, qui ont été trouvés dans sources ouvertes les informations les plus détaillées. La comparaison des systèmes a été effectuée selon des critères de comparaison généralement acceptés. À savoir:

l'exhaustivité de la fonctionnalité du système ;

Le coût du programme (pour un lieu de travail);

· la nécessité d'investir dans l'acquisition d'un système de gestion de base de données (SGBD) ;

le coût d'un SGBD ;

· adaptation à la législation de l'Ukraine.

La méthode "de l'idéal décalé" opère avec les caractéristiques des objets, qui sont exprimées en nombres, de sorte que les critères qualitatifs de comparaison des systèmes ont été convertis en nombres (tableau 1).

Tableau 1. Conversion des critères de comparaison sous forme numérique.

Le procédé est conçu pour sélectionner un ou un sous-ensemble des objets les plus préférés. Les caractéristiques de la méthode sont :

la présence d'une procédure de formation d'un objet "idéal" ( DANS + ), qui sert en quelque sorte d'objectif à atteindre. Un tel «idéal», en règle générale, n'est pas réalisable et n'existe pas vraiment, mais il est utile de l'avoir pour que le décideur comprenne ses objectifs;

à chaque itération, les objets qui ne prétendent pas être les plus préférés sont exclus, c'est-à-dire les "meilleurs" objets ne sont pas distingués, mais les "pires" sont exclus.

En général, l'algorithme de la méthode est le suivant ( riz 2.2 ): Les objets dominés sont exclus en premier, car parmi eux, il ne peut y avoir le plus préféré.

Un objet « idéal » est formé DANS +(1) à partir des valeurs de critères les plus préférées et "anti-idéal" à partir des valeurs les moins préférées. Les distances entre les objets de l'ensemble d'origine et «l'anti-idéal» sont déterminées, sur la base desquelles les «pires» objets sont sélectionnés. Parmi ces objets, en règle générale, il y a des objets qui ont une valeur préférée (objets DANS 1 Et DANS 6 sur le riz 2.2 ).

Après avoir exclu les «pires» objets, nous passons à nouveau à l'étape de la formation «idéale», et cela change (sur la figure, ce DANS +(2) ) s'approchant d'objets réels.

La procédure se termine lorsqu'il reste un petit nombre d'objets, qui sont considérés comme les plus préférables.

Il convient de noter que lors de la comparaison d'objets réels avec «l'idéal», le décideur devient insatisfait, causé par l'inaccessibilité de «l'idéal» formé. Cette insatisfaction s'appelle conflit avant décision.

Après avoir choisi l'objet le plus préféré, le décideur devient insatisfait, causé par le fait que cet objet particulier a été choisi, et pas un autre. Cette insatisfaction s'appelle conflit après résolution.

Aux premières itérations de la méthode, le conflit l'emporte sur la solution. Aux itérations suivantes, « l'idéal » se rapproche des objets réels, et le conflit avant la décision diminue. Cependant, le conflit après la décision peut augmenter. Cela indique une connaissance insuffisante du décideur du problème à résoudre.

Considérons en détail l'algorithme de la méthode, dont le schéma fonctionnel est présenté dans fig.2.3.

Laissez l'ensemble d'objets d'origine inclure P objets. Tous les critères k j (j=l,…, m) mesurée sur une échelle d'intervalles ou de rapports.

Au premier stade, un objet "idéal" est formé
, où – la valeur de préférence maximale du critère parmi tous les objets, c'est-à-dire
si la préférence de l'objet augmente avec l'augmentation k j , ou
si la préférence de l'objet augmente lorsque le critère diminue. Si «l'idéal» appartient à un ensemble d'objets, alors ce sera le plus préférable. Mais comme le MCZ est généralement résolu sur l'ensemble des objets efficaces, l'objet « idéal » n'appartiendra pas à l'ensemble d'origine.

Au même stade, le "pire" objet est formé
des valeurs les moins préférées.

Lors de la deuxième étape, le passage des unités physiques de mesure des critères aux unités relatives s'effectue selon l'expression :

En unités relatives, tous les critères changeront dans l'intervalle , tandis que le moins , les sujets objet plus proche selon le critère k j à "l'anti-idéal".

Les deux premières étapes sont effectuées automatiquement sans la participation du décideur. À la troisième étape, le décideur, sur la base de ses jugements sur l'importance des critères, fixe les poids des critères O j (j = 1,...,m).

En cas de difficulté, le décideur peut utiliser approche informationnelle pour déterminer l'importance des critères.À la quatrième étape suivante, les distances des objets à «l'anti-idéal» sont calculées. L'expression suivante est utilisée comme métrique :

(2.2)

Utilisation dans ( 2.2 )différent R, vous pouvez obtenir différentes métriques. Oui, à p= 1, on obtient un opérateur additif, et quand
(2.2 ) va dans
.Plus la valeur est grande , plus l'objet est éloigné de « l'anti-idéal » et proche de « l'idéal ».

À PARTIR DE Il convient de noter que d'autres métriques peuvent être utilisées comme métrique pour comparer un objet avec un objet "idéal". opérateurs d'agrégation.

À la cinquième étape suivante, définir des valeurs différentes R, le décideur définit différentes métriques de comparaison avec la métrique « idéale ». À chaque R, c'est à dire. pour chaque métrique, tous les objets sont classés par ordre de proximité avec la valeur "idéale" . décideur en dialogue, changeant p, explore l'influence de diverses métriques sur l'ordre des objets.

De plus, à la sixième étape, le décideur prend la décision d'exclure les objets qui ne prétendent pas être les plus préférables. Évidemment, ce sont les objets qui, avec des métriques différentes (différentes R) sont à la fin des lignes ordonnées. En effet, si, quelle que soit la métrique choisie, l'objet est loin de « l'idéal », alors il y a tout lieu de l'exclure.

Après l'exclusion des objets, la prochaine itération commence par la formation d'un objet "idéal" déjà sur le sous-ensemble d'objets restant.

La procédure se termine lorsque, après la prochaine exception, il reste un petit nombre d'objets, ce qui sera le plus préférable.

A noter qu'à chaque itération il convient d'analyser l'étalement des critères. Le fait est que parmi les objets exclus, en règle générale, il y a des objets qui incluent les valeurs maximales et minimales des critères. Ainsi, à chaque itération, la zone de changement des critères diminue et, par conséquent, leur dispersion change de manière significative. Puis en utilisant approche informationnelle, nous pouvons isoler les critères non informatifs et, pour simplifier la tâche, exclure de tels critères.

En conclusion, nous notons que cette méthode est la plus efficace pour les grandes dimensions du problème.

- 275.50 Ko

Ministère de l'éducation et des sciences de la Fédération de Russie

FGOU HPE "Université d'État de Mordovie nommée d'après N.P. Ogaryov"

Faculté de Mathématiques

Département de mathématiques appliquées

RAPPORT

Étudiants de 4e année de la Faculté de Mathématiques

(spécialité "Mathématiques et Informatique Appliquées")

Korovina A.V.

sur le passage de la pratique industrielle au cours de la période

du 01/09/11 au 15/05/12

Méthodes de décision d'experts

Le rapport a été compilé par Korovina A.V.

Groupe 404, j/o

Le rapport a été accepté par le Dr Safonkin V.I.

Saransk

2012

1.	Introduction………………………………………………………………………......				3
2.	Solution de tâches multicritères…………………………………….......				4
	2.1.		Énoncé des tâches multicritères ……………………………..........		4
	2.2.		Méthodes de résolution de problèmes multicritères ……………………………		5
3.	Méthodes expertes d'aide à la décision…………………………………………......				14
	3.1.		Les étapes d'une expertise d'une situation problématique …………..
	3.2.		Énoncé du problème pour les décideurs de groupe ………………………………. .....
	3.3.		Types d'approbation de groupe ……………………………………………
		3.3.1.		principe du dictateur………………………………………………………
		3.3.2.		principe de vote………………………………………………… …...
		3.3.3.		principes de sélection hors système………………………………………...
	3.4.		Formation des décisions en groupe ………………………………… …......
	3.5.		Traitement des résultats des expertises ………………………………
		3.5.1.		méthodes de traitement statistique des expertises…………….
4.		Conclusion…………………………………………………… ………………...
5.		Liste de la littérature utilisée……………………………………………......

1. Introduction

Dans la pratique de la gestion des systèmes économiques, il existe souvent de telles situations problématiques pour lesquelles des informations sont partiellement ou totalement inconnues ou difficiles d'accès pour décrire la situation problématique ou qui ne peuvent être formalisées avec suffisamment de précision. Dans ce cas, ces problèmes sont généralement résolus avec l'aide d'un groupe d'experts impliqués qui analysent et évaluent la situation problématique existante et génèrent un certain ensemble d'alternatives pour le résoudre. L'essence de la méthode de prise de décision avec la participation d'experts est d'obtenir des expertises individuelles pour chaque expert et de formuler une opinion généralisée sur le meilleur objet (solution) pour l'ensemble du groupe dans son ensemble.

La technologie de résolution des problèmes de prise de décision par un groupe d'experts s'apparente à la technologie du choix individuel et contient les mêmes procédures et opérations généralisées : prise de conscience et identification du problème, son analyse ; information préparation des décisions; recherche et prise de décision; mise en œuvre des décisions, etc.

Considérons des procédures séparées de choix de groupe, qui caractérisent les particularités des méthodes expertes.

2. Résolution de problèmes multicritères

2.1. Énoncé des tâches multicritères

Les tâches décisionnelles sont dites multicritères, le nombre de critères pour atteindre l'objectif pour lequel est supérieur à deux:

K Ì (K 1 , K 2 , ..., K m ),

et les tâches elles-mêmes sont caractérisées par plusieurs alternatives :

Y = (A l , A 2 , ..., A n )

Tableau 1.1.

Matrice de description d'une tâche multicritère

Objets (alternatives) Critères K1 K2 … kilomètres Un 1 … Un 2 … … … … … … Une …

Ces tâches sont généralement décrites par la matrice donnée dans le tableau. 1.1.

L'interprétation mathématique du problème multiobjectif est que les objets sont représentés par un point dans l'espace critère (K 1 ,K 2 ,...,K m ). Les problèmes pour lesquels les valeurs des critères changent de manière discrète sont appelés problèmes de prise de décision discrète. Un exemple d'affichage d'un problème discret pour trois objets dans un espace à deux dimensions de critères (k 1 , k 2 ) est représenté sur la fig. 1.1.

Riz. 1.1.

Interprétation graphique d'un problème multicritère

(3 objets, 2 critères)

Si les valeurs des critères changent continuellement, alors le problème appartient au problème de l'optimisation vectorielle. Dans ce cas, l'interprétation graphique d'un tel problème est présentée comme une certaine zone dans l'espace des critères.

Selon la solution requise, les problèmes multicritères peuvent être répartis dans les classes suivantes :

• tâches de sélection (sélection de l'objet le plus préféré);
• tâches d'évaluation (évaluation d'un objet selon un critère intégral);
• problèmes de détermination de solutions Pareto-optimales.

Pour résoudre des problèmes appartenant à différentes classes, des méthodes de résolution appropriées sont nécessaires. Considérons un certain nombre de méthodes pratiques pour résoudre des problèmes multicritères.

1.2. Méthodes de résolution de problèmes multicritères

Conformément aux approches de résolution de problèmes multicritères, il existe trois grands groupes de méthodes : lexicographique, interactif, axiomatique.

Méthodes de solution liées à premier groupe, reposent sur l'hypothèse de la dominance des critères. Le problème est résolu en plusieurs cycles, sur chacun desquels deux étapes sont réalisées : classement des critères ; sélection d'objets par vous-même critère important.

Co. deuxième groupe comprennent principalement des méthodes et des algorithmes pour choisir l'objet (solution) le plus préféré, qui sont principalement des procédures interactives qui dépendent des spécificités du problème à résoudre.

Méthodes troisième groupe dispositions d'utilisation (axiomatiques) développées dans la théorie de l'utilité. Ici, il est nécessaire de déterminer et de définir les propriétés de la fonction de préférence implicite, c'est-à-dire de définir la structure de préférence que le décideur utilise lors du choix et de l'évaluation d'un objet. Sur la base des propriétés identifiées, une fonction analytique (fonction d'utilité) est sélectionnée qui décrit la structure des préférences du décideur. Dans le même temps, le décideur doit bien connaître le contenu de la tâche. Cette méthode est la plus chronophage par rapport aux précédentes, mais elle permet d'obtenir des estimations plus raisonnables des objets.

Examinons de plus près certaines de ces méthodes.

Méthodes lexicographiques. Lors de la résolution de problèmes par cette méthode, les critères (k 1 , k 2 , ..., k m ) sont classés en fonction du degré d'importance de sorte que l'indice 1 (rang) est attribué au critère le plus important. De plus, la procédure de sélection des objets est effectuée selon ce critère. Les critères restants (k 2 , k 3 , ..., k m ) sont soumis aux contraintes de type connues de la structure du problème : a 2 ≤ k 2 ≤ b 2 ; une 3 ≤ k 3 ≤ b 3 ; …; une m ≤ k m ≤ b m

Si un critère ne respecte pas les restrictions spécifiées, il est exclu de l'examen. Par conséquent, un ensemble d'objets valides (alternatives) est formé, par exemple : lors du choix d'un réfrigérateur, vous pouvez définir les critères suivants comme critères :

k 1 - volume total (m 3);

k 2 - volume congélateur(m3);

k 3 - puissance (kW);

k 4 - prix (roubles), etc.

Si selon le critère k 1 , il n'est pas possible de sélectionner de manière unique un objet a iÎ Et, ensuite, un choix est fait en fonction du critère suivant le plus important - k 2, etc.

État dominance signifie de manière significative ce qui suit : si vous ordonnez les objets selon le critère k 1, alors cet ordre ne changera pas en tenant compte des critères k 2 , k 3 , etc., c'est-à-dire que k 1 est si important qu'il domine en importance parmi tous les autres.

Dans le groupe des méthodes interactives, les principes de choix les plus courants sont objet préféré(méthode de "l'idéal décalé"). Cette méthode comprend un grand nombre d'algorithmes qui implémentent la solution de tels problèmes. Les caractéristiques communes qui unissent cette méthode incluent la présence d'un "objet idéal" et la présence de procédures de dépistage.

Lors de la formation d'un « objet idéal », il est tout à fait possible que son image n'appartienne pas à l'ensemble réel des objets (A l , A 2 , ..., A n ) voire n'existe pas du tout. Dans ce cas, les objets de l'ensemble (Al ,A 2 ,...,A n ) sont comparés au modèle de l'objet idéal formé, et une procédure de criblage se produit. Lors de la construction d'un modèle d'un "objet idéal", il est important d'utiliser les connaissances et l'expérience d'un spécialiste de l'utilisateur (DM), car il comprend plus précisément les propriétés et les paramètres tirés des meilleurs objets réels et constituant le contenu d'un " objet idéal ».

La procédure de criblage est caractérisée par l'exclusion de l'ensemble initial d'objets (A1, A2, ..., An) des sous-ensembles qui ne contiennent pas l'objet le plus préféré souhaité.

En général, la procédure pour trouver l'objet le plus préféré se compose d'un certain nombre d'étapes.

1. Formation de « l'objet idéal ».
2. Analyse d'un ensemble d'objets pour établir une correspondance
   "objet idéal".
3. Exclusion interactive des objets de l'ensemble initial (A l ,A 2 ,...,A n ), qui sont reconnus comme n'étant manifestement pas les meilleurs dans l'analyse.
4. Passez à l'étape 1 pour un ensemble réduit d'objets.

Considérons un exemple de résolution d'un problème de prise de décision à l'aide de la méthode de l'idéal décalé.

Exemple 1

1. Description de la situation problématique S 0
1. Description du problème.

Déterminez la machine CNC la plus prometteuse à lancer dans une série.

1. Temps de PR : T = 1 semaine.
2. Ressources pour les relations publiques : informations sur les caractéristiques des machines.
3. Critères (K):

K 1 - temps de fonctionnement moyen (s);

K 2 - fiabilité du temps entre les pannes (milliers d'heures);

K 3 - le coût de la machine (milliers de roubles).

1. Beaucoup de restrictions (B).

Les limites supérieures et inférieures pour le changement des valeurs des critères sont connues.

1. Beaucoup d'options alternatives.

Tableau 1.2

Matrice de variantes

Description du travail

Dans la pratique de la gestion des systèmes économiques, il existe souvent de telles situations problématiques pour lesquelles des informations sont partiellement ou totalement inconnues ou difficiles d'accès pour décrire la situation problématique ou qui ne peuvent être formalisées avec suffisamment de précision. Dans ce cas, ces problèmes sont généralement résolus avec l'aide d'un groupe d'experts impliqués qui analysent et évaluent la situation problématique existante et génèrent un certain ensemble d'alternatives pour le résoudre. L'essence de la méthode de prise de décision avec la participation d'experts est d'obtenir des expertises individuelles pour chaque expert et de formuler une opinion généralisée sur le meilleur objet (solution) pour l'ensemble du groupe dans son ensemble.

2.1.
Énoncé des tâches multicritères……………………………..........
4

2.2.
Méthodes de résolution de problèmes multicritères……………………………
5
3.
Méthodes expertes la prise de décision…………………………………......
14

3.1.
Etapes d'expertise d'une situation problématique…………..

3.2.
Énoncé du problème pour les décideurs de groupe…………………………………….

3.3.
Types d'agrément de groupe……………………………………………

3.3.1.
principe du dictateur………………………………………………………………

3.3.3.
principes de choix hors système ………………………………………...

3.4.
Formation des décisions en groupes……………………………………………......

3.5.
Exploitation des résultats des expertises………………………………

3.5.1.
méthodes de traitement statistique des expertises…………….

4.
Conclusion……………………………………………………………………...

5.
Liste de la littérature utilisée……………………………………………......

Envoyer votre bon travail dans la base de connaissances est simple. Utilisez le formulaire ci-dessous

Bon travail au site">

Les étudiants, les étudiants diplômés, les jeunes scientifiques qui utilisent la base de connaissances dans leurs études et leur travail vous en seront très reconnaissants.

Hébergé sur http://www.allbest.ru/

Application des méthodes d'analyse multicritère des processus métiers

introduction

entreprise de décision multicritère

Au coeur théorie moderne l'optimisation des processus métier réside dans le choix meilleure alternative organiser les processus métiers en procédant à une analyse qualitative ou quantitative des alternatives. Une telle analyse est souvent multicritère, puisque plusieurs critères doivent être évalués simultanément, qui peuvent être contradictoires, tels que le coût, la qualité, les coûts, le risque, l'efficacité, etc. Dans la vie de tous les jours, un tel choix basé sur plusieurs critères se fait généralement de manière intuitive, et ses conséquences peuvent être tout à fait acceptables pour le décideur (DM). Cependant, lors de la définition des tâches commerciales, l'intuition ne peut pas être le seul outil de prise de décision, car ces tâches sont beaucoup plus importantes et, dans un environnement hautement concurrentiel, les organisations doivent obtenir l'évaluation la plus objective des alternatives. L'obtention d'une telle évaluation nécessite une étude approfondie de tous les critères de sélection, en déterminant les dépendances entre eux et en fixant des priorités.

Pertinence Cette étude est due au fait que dans l'analyse des processus métiers, les problèmes prennent très souvent une forme multicritère. Par exemple, lors du choix d'un fournisseur, l'analyse du processus métier d'approvisionnement nécessite l'évaluation de paramètres tels que la qualité du produit, le coût, le service après-vente, la stabilité financière, etc. L'analyse du processus opérationnel de gestion des investissements comprend une évaluation du risque, du rendement attendu, du volume d'investissement et de l'attractivité de la région où les activités d'investissement sont menées. L'analyse du processus d'affaires de recrutement qui a lieu dans la plupart des organisations implique une évaluation de paramètres tels que l'expérience du candidat, sa formation, son âge, le salaire demandé, etc. Par ailleurs, tendances modernes développement de la théorie de la gestion consiste à considérer divers aspects de l'entreprise, à la fois financiers et non financiers. La définition et l'examen d'une gamme d'indicateurs à partir de multiples perspectives conduit souvent à des problèmes qui prennent une forme multicritère. Par exemple, un outil de gestion aussi populaire qu'un tableau de bord prospectif, développé par R. Kaplan et D. Norton, implique une prise en compte égale par les entreprises d'au moins quatre perspectives : les finances, les clients, les processus commerciaux internes, la formation et le développement. Dans chacune de ces perspectives, les auteurs recommandent d'identifier au moins cinq indicateurs clés de performance (KPI). Cette approche permet de former stratégie efficace Cependant, les entreprises, dans le cadre du suivi de la mise en œuvre de cette stratégie, comme le soulignent les auteurs eux-mêmes, peuvent souvent avoir du mal à évaluer de nombreux indicateurs. L'un des exemples pratiques donnés dans le livre montre comment analyser l'efficacité d'un projet dans une entreprise, 16 indicateurs clés de ce projet ont été identifiés, qui ont été évalués par les clients de l'entreprise. Cependant, obtenir une conclusion sur le succès du projet selon ces estimations est devenu une tâche multicritère pour la direction de l'entreprise, pour la solution de laquelle des méthodes basées sur le classement et la convolution linéaire des critères ont été appliquées. R. Kaplan et D. Norton ont également donné l'exemple d'une tâche à laquelle la direction de l'entreprise ne pouvait pas faire face en raison de son multicritère. La tâche consistait à optimiser le processus commercial de livraison et, afin d'augmenter la valeur de l'indicateur «livraison à temps», l'entreprise a considérablement augmenté l'intervalle de temps de livraison, à la suite de quoi le client n'était pas satisfait et le processus commercial a subi "fausse optimisation". Cette erreur aurait pu être évitée en appliquant des méthodes d'optimisation multiobjectifs.

Aujourd'hui, la théorie de la prise de décision contient de nombreuses approches et méthodes pour prendre des décisions dans un environnement multicritères qu'un décideur peut utiliser pour résoudre divers problèmes multicritères. Dans le même temps, cependant, le problème du choix de la méthode la plus appropriée pour résoudre un problème particulier reste extrêmement pertinent. Du fait que les méthodes d'optimisation multicritères présentent un certain nombre de différences tant dans les résultats obtenus (le nombre de solutions trouvées, la présentation des solutions, etc.) que dans leur application (la quantité d'informations nécessaires sur les préférences des décideur, méthodes de collecte d'informations, etc.), toutes les méthodes ne peuvent pas être appliquées pour résoudre un problème spécifique. En général, les tâches peuvent être regroupées en groupes selon leur appartenance à un domaine spécifique. En raison du choix incorrect de la méthode de résolution, quatre problèmes graves peuvent survenir : premièrement, les résultats de l'application d'une méthode inappropriée seront insatisfaisants pour le décideur, voire incorrects. Deuxièmement, en raison des mauvais résultats obtenus, des méthodes utiles peuvent être injustement condamnées, comme par exemple la méthode ELECTRE chez Cohon et Marks (1977). Troisièmement, l'utilisation d'une méthode inappropriée entraîne une perte de temps, d'efforts et d'argent lors du processus de prise de décision. Enfin, à la suite d'erreurs d'application, les utilisateurs potentiels peuvent refuser d'appliquer tout MMRM à des problèmes pratiques.

objectif de cette étude est l'élaboration d'une classification des méthodes d'aide à la décision multicritère sur l'objet d'application dans le cadre de l'analyse des processus métiers.

Pour atteindre cet objectif, il est nécessaire de résoudre les problèmes suivants Tâches:

1. Mener une analyse des sources reflétant différentes approches de la prise de décision dans un environnement multicritère afin d'étudier les méthodes d'analyse multicritères existantes.

2. Procéder à une analyse de logiciels visant à résoudre des problèmes multicritères.

3. Procéder à une analyse des sources qui reflètent des exemples d'application pratique de méthodes d'analyse multicritère des processus d'affaires.

4. Identifier les méthodes d'analyse multicritères applicables au domaine des processus métiers.

5. Développer une classification des méthodes selon l'objet d'application dans le domaine des processus d'affaires.

7. Résolvez un problème pratique multicritères qui se pose dans le processus métier "Détermination de la stratégie de vente" de la société "VARS Expo" LLC.

objet de cette étude sont les processus métiers qui nécessitent une prise de décision dans un environnement multicritère.

Sujet la recherche est l'application de méthodes d'analyse multicritères pour optimiser les processus d'affaires qui nécessitent une prise de décision dans un environnement multicritères.

Base méthodologique de ce travail étaient des publications scientifiques d'éminents scientifiques nationaux et étrangers, ainsi que des articles reflétant normes actuelles dans le domaine de l'application des méthodes multicritères d'analyse des processus métiers. Pour résoudre les tâches posées, les méthodes de la théorie de la prise de décision en condition multicritère ont été utilisées.

Signification théorique La recherche consiste à développer une classification des méthodes d'analyse multicritère des processus métiers par objet d'application.

Importance pratique la recherche consiste en la possibilité d'utiliser la classification développée dans l'analyse des processus métiers afin de sélectionner la méthode la plus appropriée pour résoudre un problème spécifique d'optimisation multicritère.

Structuretravailler comprend les sections suivantes : introduction, revue de la littérature et analyse du logiciel, partie principale, conclusion, bibliographie. La partie principale de l'étude se compose de trois chapitres, dont deux reflètent la partie théorique de l'étude, et un - pratique. Le premier chapitre est consacré au choix des méthodes d'analyse multicritères à considérer et à leur description. Le deuxième chapitre compare les méthodes d'analyse multicritère avec les caractéristiques du problème, le décideur et la solution obtenue. Sur la base de la comparaison obtenue, une classification des méthodes par objet d'application a été élaborée dans le cadre de l'analyse des processus métiers basée sur un modèle de référence à 13 processus et des recommandations ont été données pour l'application des méthodes. Le troisième chapitre reflète un exemple d'application pratique de méthodes pour résoudre un problème multicritère qui se pose dans le processus métier "Détermination de la stratégie de vente" de la société VARS Expo LLC. En conclusion, les résultats obtenus au cours de l'étude sont résumés.

1. Analyse logicielle

La complexité de la résolution de tâches multicritères est déterminée, entre autres, par une grande quantité d'informations qui doivent être prises en compte et traitées lors de la prise de décision. Une personne n'est souvent pas en mesure de faire face à cette tâche sans recourir à l'aide de la technologie informatique moderne. A cet égard, pour aider à la prise de décision dans un environnement multicritères, de nombreux produits logiciels ou systèmes d'aide à la décision (DSS) ont été créés, dont le fonctionnement repose sur des méthodes MCDA (Multiple-Criteria Decision Analysis). Les principales fonctions assurées par ces produits logiciels sont le classement des décisions par préférence et sélection meilleure solution. Cependant, en plus de trouver une solution et de traiter une grande quantité d'informations (ce qui est nécessaire pour une utilisation réussie des méthodes d'analyse multicritères dans la pratique), ces logiciels offrent également généralement à l'utilisateur la possibilité d'analyser les résultats obtenus. Une valeur particulière est l'interface utilisateur graphique, qui offre la possibilité de visualiser à la fois le processus et les résultats, pour rendre le processus de prise de décision le plus évident et le plus transparent.

À cause du fait que ce travail vise à étudier et classer des méthodes d'analyse multicritères bien applicables en pratique, l'analyse et la comparaison des logiciels existants développés pour l'aide à la décision semblent nécessaires et importantes. Il est raisonnable de commencer l'analyse par la définition de critères de comparaison et d'évaluation.

Différents produits logiciels peuvent offrir à l'utilisateur différentes options à la fois pendant le processus de prise de décision lui-même et pendant l'analyse des résultats. Bien sûr, l'organisation du processus décisionnel se caractérise tout d'abord par méthodes d'analyse multicritères pris en charge par le produit. C'est des méthodes prises en charge que dépend la procédure de recherche de solutions, et donc l'applicabilité du produit à diverses situations. De plus, comme ce travail vise à appliquer directement les méthodes multicritères aux processus métiers, il est extrêmement important niveau professionnelcompétences(connaissances et compétences particulières) nécessaires à l'utilisation réussie du produit. De nombreux programmes sont conçus pour être utilisés par des professionnels dans le domaine de l'analyse multicritères, et sans expérience et connaissances dans ce domaine, l'utilisateur ne pourra pas utiliser efficacement ces produits. Cependant, l'un des principaux objectifs de la classification des méthodes développée dans cet article est d'aider les non-spécialistes dans le domaine de l'analyse multicritères (par exemple, les décideurs) dans le choix des méthodes appropriées. Par conséquent, des comparaisons de produits seront également effectuées sur la base des connaissances et compétences spécialisées requises. Le troisième critère de comparaison est aide à la décision de groupe. Habituellement, le décideur dans l'analyse multicritères est compris comme un individu, mais dans les affaires, les décisions dépendent rarement d'une seule personne. Le plus souvent, un certain groupe est responsable des décisions (conseil d'administration, société par actions, commission des problèmes, etc.), dont les préférences de chaque membre doivent être prises en compte lors de la prise de décision. Le critère suivant reflétant l'aspect pratique de l'utilisation du produit est accessibilité par Internet. Et enfin, un facteur important pour un utilisateur qui n'a pas d'expérience sérieuse avec de tels programmes est la possibilité d'importer et / ouexportation données ou résultats dans Excel. Séparément, il convient de considérer le processus d'analyse des résultats obtenus, à savoir méthodes textuelles et graphiques de visualisation de l'information produits pris en charge.

Il existe aujourd'hui une grande variété de programmes et de systèmes logiciels pour l'analyse multicritères. L'objectif de la revue de logiciels dans ce travail est d'identifier les similitudes et les différences entre les produits disponibles afin d'élaborer des recommandations pour leur utilisation. Dès lors, il semble raisonnable de prêter attention à des produits logiciels qui ont des finalités différentes et supportent des méthodes différentes, tout en étant activement utilisés ou connus tant des experts en analyse multicritères que des spécialistes d'autres domaines chargés de prendre des décisions (ce qui, bien sûr, est un indicateur de la performance pratique du produit). Douze de ces produits ont été sélectionnés pour analyse en comparant des revues de logiciels et des articles comparatifs dans des publications scientifiques internationales (French et Xu, 2005 ; McGinley. P, 2014 ; Vassilev et al., 2005 ; Weistroffer et al., 2005), et en prenant également en compte compte les notes et avis publiés sur les pages web dédiées aux logiciels d'analyse multicritères (Capterra, EWG-MCDA, Wikipédia). La sélection était également basée sur la disponibilité d'une version d'essai ou de démonstration du produit. Les résultats de l'analyse comparative sont reflétés dans des tableaux contenant des paramètres regroupés selon deux fonctions principales du logiciel : l'organisation du processus décisionnel lui-même (voir tableau 1) et l'analyse des résultats (voir tableau 2).

Tableau 1. Comparaison des logiciels selon les caractéristiques du processus décisionnel

Nom du logiciel	Méthodes MCDA prises en charge	Obligatoire compétence professionnelle	Accompagnement des décisions collectives	Accessibilité via Internet	Possibilité d'importer/exporter vers Excel
	PAPRIKA, AHP, MAUT
	AHP, approximation de la frontière de Pareto
Critère Décision Plus	AHP, SMART, MAUT, balançoire
	PROMÉTHÉE, UTILITAIRE
	MAUT, Arbre de décision, AHP, Méthode séquentielle. concessions
	arbre de décision
Décisions logiques	AHP, MAUT, balançoire

Comme on peut le voir dans les tableaux, presque tous les produits considérés offrent d'excellentes opportunités d'analyse des résultats, mais présentent des différences significatives dans l'organisation du processus décisionnel. Les programmes prennent en charge un ensemble différent de méthodes, mais plus de la moitié d'entre eux ont AHP ou AHP (processus de hiérarchie analytique / méthode d'analyse de hiérarchie) parmi les méthodes prises en charge, ce qui est tout à fait attendu, car la méthode est bien applicable en pratique dans diverses industries et, de plus, ne nécessite pas de formation particulière. Elle se compare favorablement à d'autres méthodes en ce qu'elle combine l'approche mathématique et les aspects psychologiques, et permet également de comparer des paramètres dissemblables, ce qui est un avantage extrêmement important lorsque application pratique. Dans les produits qui prennent en charge cette méthode, il existe deux approches pour la comparaison par paires des alternatives. Dans le cadre de la première approche, une matrice d'appréciations de certains critères par rapport à d'autres est établie, et dans le cadre de la seconde, toutes les combinaisons possibles de critères sont listées, et pour chacun d'eux, le décideur doit évaluer dans quelle mesure un critère est supérieur en importance à l'autre. Suite aux estimations obtenues, les critères sont classés par importance.

De plus, vous pouvez voir que la plupart des programmes prenant en charge AHP prennent également en charge MAUT (Multi Attribute Utility Theory / Multicriteria Utility Theory). Dans le même temps, dans les études méthodologiques, ces méthodes sont généralement clairement séparées. Ce fait suggère que, malgré le fait qu'un tel logiciel est basé sur la théorie de la prise de décision dans un environnement multicritère, le produit peut aller à l'encontre de la théorie, combinant une grande variété de méthodes de différentes écoles pour une application réussie dans la pratique. Cela peut également être confirmé par le support simultané des méthodes MAUT et Swing par quatre produits.

La méthode des concessions successives est légèrement moins populaire, ce qui implique l'utilisation de certains intervalles reflétant l'écart autorisé des valeurs des paramètres par rapport aux valeurs prioritaires. Cela est probablement dû à la difficulté de déterminer objectivement de tels intervalles dans la pratique. Aussi, certains des programmes considérés sont basés sur un arbre de décision, qui se caractérise par un algorithme de construction spécifique facile à comprendre, mais qui n'assure pas toujours l'optimalité de l'arbre entier. Enfin, la méthode d'approximation de la frontière de Pareto se retrouve également dans les programmes discutés et est très efficace pour fournir une visualisation, par exemple, sur un graphique à bulles, comme incarné dans le Clafer Multi-Objective Optimizer.

Lors de l'analyse des paramètres de comparaison restants, il convient de noter que la plupart des produits logiciels sont destinés à être utilisés par des spécialistes dans le domaine de l'analyse multicritère, car le niveau de compétence professionnelle nécessaire pour travailler avec eux est très élevé. Cependant, des produits tels que 1000Minds, Clafer MOO, D-Sight, Decision Lens et MakeItRational peuvent être utilisés pour la prise de décision même en l'absence de connaissances particulières. Il convient de garder à l'esprit que les décisions de groupe ne sont prises en charge que dans trois des produits considérés. - 1000Minds, D-Sight et MakeItRational. Le premier fournit uniquement le vote en ligne, le second attribue un poids à l'opinion de chaque membre du groupe, et le dernier calcule la valeur moyenne du groupe en prenant en compte toutes les opinions individuelles. La plupart des produits sont basés sur le Web (à l'exception de Criterium DecisionPlus, Hiview3, Logical Decisions et M-MACBETH) et un peu moins de la moitié offrent la possibilité d'importer et d'exporter des données et des résultats vers Excel.

Tableau 2. Comparaison des logiciels selon les caractéristiques d'analyse des résultats

Nom du logiciel	Graphiques visuels	Valeurs totales	Analyse de sensibilité	Cartes 2D	Rapport écrit
Clafer Multi-Objet. Optimiseur
Critère Décision Plus
Décisions logiques

Le tableau 5 reflète le fait que tous les produits logiciels considérés offrent la possibilité d'une visualisation graphique des résultats. Les approches présentes dans au moins quelques produits incluent la visualisation d'alternatives par le biais de spider-cys, tornado, thermomètre, camembert et graphiques à bulles. Dans les produits logiciels basés sur la méthode de concession, les résultats sont présentés sous forme de plages de valeurs acceptables et peuvent contenir des relations de dominance et une représentation graphique de la zone des solutions optimales. La plupart des programmes prennent en charge la méthode traditionnelle d'analyse de sensibilité, certains d'entre eux utilisent également des approches statistiques pour l'analyse, qui consistent à apporter diverses modifications au modèle paramétrique et à observer l'évolution ultérieure des résultats. Cela vous permet d'obtenir un ordre probabiliste des alternatives ou le pourcentage de cas où une alternative domine une autre. Dans la méthode des concessions, l'utilisation d'intervalles en elle-même peut déjà être considérée comme un type d'analyse de sensibilité. Une sorte de cartes bidimensionnelles est présente dans la plupart des produits logiciels. Les critères correspondent aux axes, les alternatives correspondent aux points avec les coordonnées correspondantes sur le graphique. Certains programmes offrent la possibilité de générer un rapport écrit reflétant les principaux résultats et les expliquant à l'utilisateur.

2 . Méthodes d'aide à la décision multicritères

2.1 Choix des méthodes à considérer

La discipline scientifique de la prise de décision en conditions multicritères est relativement jeune : les premiers travaux au sein de cette discipline sont apparus dans les années 1970, et des références à l'application des MMRM à la résolution de problèmes pratiques ont été faites dans les années 1980 (Wallenius et al., ) . Malgré cela, sur ce moment plus de soixante-dix méthodes différentes ont déjà été développées pour résoudre des problèmes multicritères (Aregai Tecle, ). Un examen détaillé de toutes les méthodes existantes ne semble pas nécessaire et possible dans le cadre de ce travail, de sorte que l'ensemble des méthodes envisagées est limité. Les critères utilisés pour sélectionner les méthodes comprennent :

1. La popularité de la méthode(mesuré en fonction de la fréquence à laquelle la méthode a été mentionnée dans la littérature scientifique entre 1970 et 2016)

2. Applicabilité de la méthode à des problèmes pratiques(mesuré sur la base de l'analyse de la littérature sur l'application de MMRM à des tâches dans divers domaines d'activité)

3. Originalité de la méthode(les méthodes basées sur des techniques trouvées dans d'autres méthodes plus populaires ne sont pas prises en compte)

1. Méthode d'analyse hiérarchique (AHP)

2. Programmation non linéaire (PNL)

3. Programmation de compromis (CP)

4. Théorie des jeux coopératifs (CGT)

5. Méthode idéale déplacée (DISID)

6. Méthode ELECTRE (ELEC)

7. Méthode d'évaluation et d'analyse de la sensibilité (ESAP)

8. Programmation cible (CPU/GP)

9. Théorie de l'utilité multicritère (MAUT)

10. Analyse Q multicritère (MCQA)

11. Méthode probabiliste de développement de compromis (PROTR)

12. Méthode Zayonz-Wallenius (Z-W)

13. Méthode STEM

14. Méthode SWT

15. Méthode PROMETHEE (PRM)

La popularité et l'applicabilité de ces méthodes à divers problèmes dans un large éventail de domaines sont clairement présentées dans le tableau (voir annexe 1), où chaque méthode est comparée à des publications scientifiques qui décrivent son application, et tâches spécifiques, qui ont été fixés dans ces œuvres.

2.2 Brève description des méthodes

Méthode d'analyse hiérarchique (AHP)

La méthode d'analyse hiérarchique est un outil mathématique d'aide à la décision qui prend en compte les aspects psychologiques. La méthode a été développée par T. Saati. Il vous permet de rationaliser les alternatives disponibles qui doivent être évaluées selon une variété de critères quantitatifs et qualitatifs. La commande est basée sur des informations sur les préférences du décideur, qui sont exprimées numériquement et vous permettent d'obtenir les valeurs de la valeur totale des alternatives pour tous les paramètres. L'alternative avec la valeur totale la plus élevée est la meilleure. La méthode est largement utilisée dans la pratique. Pour l'utiliser, suivez ces étapes :

1) Décomposer le problème en compilant son modèle hiérarchique, qui devrait inclure les alternatives elles-mêmes, les paramètres de leur évaluation et le but ultime de trouver une solution

2) Comparez par paires tous les éléments de la hiérarchie, en déterminant leur priorité en fonction des préférences du décideur

3) Synthétiser la valeur des alternatives en utilisant la convolution linéaire

4) Évaluer la cohérence des jugements

5) Prendre une décision basée sur les résultats

Avantages MAI :

Simplicité des comparaisons par paires, familiarité de la procédure pour les décideurs

Absence d'évaluation directe des alternatives

Prise en charge des paramètres quantitatifs et qualitatifs

Vérification de la cohérence des jugements

Large applicabilité dans la pratique

Inconvénients de l'AMI :

Un nombre limité d'alternatives et de paramètres pour leur évaluation (travail avec grand nombre m difficile pour le décideur)

La possibilité de distorsion des préférences due au même type de représentation numérique

Choix déraisonnable de la convolution des critères additifs ou multiplicatifs

2.3 Programmation non linéaire (PNL)

La programmation non linéaire est un cas particulier de la programmation mathématique et implique une forme non linéaire de la fonction ou de la contrainte objectif. Le problème résolu par cette méthode peut être formulé comme un problème de recherche de la valeur optimale d'une certaine fonction objective dans les conditions, où sont des paramètres, sont des contraintes, n est le nombre de paramètres, s est le nombre de contraintes.

La fonction objectif peut être concave ou convexe. Dans le premier cas, le décideur sera confronté au problème de la maximisation, dans le second - au problème de la minimisation. Si la contrainte est donnée par une fonction convexe, alors le problème est considéré comme convexe et, le plus souvent, est résolu en utilisant des méthodes générales d'optimisation convexe. Si le problème n'est pas convexe, des formulations spéciales de problèmes de programmation linéaire ou des méthodes de branchement et de liaison sont utilisées, ce qui permet de résoudre le problème par des approximations linéaires ou convexes. De telles approximations forment une limite inférieure sur la valeur totale dans une section. Au cours des sections suivantes, un jour une solution réelle sera trouvée dont la valeur est similaire à la meilleure borne inférieure trouvée pour l'une des solutions approchées. Une telle solution sera optimale, mais pas nécessairement la seule. Il est possible d'arrêter un tel algorithme à tout moment avec la certitude que la solution optimale se situe dans l'écart acceptable par rapport à la meilleure solution trouvée ; de telles solutions sont appelées e-optimales.

En programmation non linéaire, on peut distinguer des sections indépendantes, telles que la programmation convexe, quadratique, entière, stochastique, dynamique, etc.

2.4 Programmation de compromis (CP)

L'idée de la méthode de programmation par compromis est similaire à celle de la méthode de programmation par objectif. La technique de la méthode est basée sur la détermination de la distance par rapport au point "idéal". Pour trouver la meilleure solution, il faut minimiser la « distance » à la solution idéale. Le point (solution) le plus proche du point idéal à tous égards est une solution de compromis. Un ensemble de solutions peut aussi être un compromis.

La procédure de recherche de la meilleure solution comprend les étapes suivantes :

1) Déterminer les paramètres d'évaluation des alternatives et les poids de ces paramètres.

2) Compiler une matrice d'évaluation des alternatives en enregistrant des informations sur les alternatives pour chacun des paramètres d'évaluation.

3) Déterminer le sens d'optimisation pour chacun des critères (maximiser ou minimiser les valeurs est préférable).

4) Normaliser la matrice de manière à ce qu'elle prenne la forme d'une matrice de gain (ou matrice de gain).

5) Trouvez la meilleure et la pire valeur des alternatives pour chacun des critères.

6) Trouver la valeur généralisée de chaque alternative pour tous les paramètres d'évaluation, en utilisant les poids des critères et la différence entre la valeur de l'alternative pour chaque critère et la meilleure valeur pour ce critère.

7) L'alternative dont la valeur est la plus proche de l'idéal est la meilleure solution.

Avantages de la méthode de programmation par compromis :

Utilité dans la résolution de problèmes sur l'espace des solutions dans lequel le décideur a tendance à se fier à son intuition et à son expérience

2.5 Théorie des jeux coopératifs (CGT)

Un jeu coopératif est un jeu qui implique les efforts combinés des joueurs. La théorie des jeux coopératifs explore les conflits qui surviennent entre les joueurs lors de la prise d'une décision commune. Puisqu'il existe généralement plusieurs critères pour prendre une telle décision et qu'ils sont souvent contradictoires, la théorie est utilisée comme l'une des méthodes de prise de décision dans un environnement multicritère. La théorie étudie quels résultats de l'association des joueurs peuvent être obtenus et dans quelles conditions.

Les principales tâches découlant de l'étude des jeux coopératifs:

1) Définition d'une fonction qui caractérise les préférences des joueurs

2) Trouver la solution optimale concernant la répartition du gain total des parties

3) Vérification de la stabilité dynamique de la solution

La solution trouvée peut être unique si la division du gain total ne peut se faire que d'une seule manière, caractérisée par une utilité maximale pour les deux parties. S'il existe plusieurs méthodes de séparation de ce type, la solution optimale peut être multivaluée. Le cas d'une solution optimale unique est typique pour le N-noyau et le vecteur de Shapley, une solution à plusieurs valeurs - pour le C-noyau et le K-noyau.

2.6 Méthode idéale décalée (DISID)

Cette méthode a été développée pour déterminer les meilleures solutions dans l'ensemble des solutions réalisables et se caractérise par les caractéristiques suivantes :

La procédure de formation d'une solution "idéale" qui définit la direction de l'optimisation. Habituellement, une telle solution est inaccessible, mais elle reflète bien les objectifs du décideur.

Éliminez les solutions les moins préférées à chaque itération. Ainsi, la meilleure solution est trouvée en éliminant progressivement les pires solutions à chaque étape de la procédure.

Lors de l'application de la méthode, les étapes suivantes peuvent être distinguées :

1) Exclusion des solutions dominées.

2) Formation de la solution "idéale" et détermination de la "pire" solution.

3) Déterminer la distance entre les points de solutions possibles et le point de la "pire" solution

4) Répéter le cycle de 1 à 3 étapes jusqu'à ce qu'il reste le petit nombre admissible de solutions optimales.

Dans le même temps, la comparaison des alternatives avec la solution «idéale» formée provoque souvent une insatisfaction chez le décideur vis-à-vis des alternatives existantes, ce que l'on appelle un conflit avant une décision. Un conflit post-décisionnel est une insatisfaction qui survient après l'exclusion de certaines alternatives de la considération. Aux itérations initiales, il y a un fort conflit avant la solution, qui diminue progressivement du fait du rapprochement des solutions existantes à la solution "idéale", le conflit après la solution, au contraire, augmente, ce qui indique que le décideur n'a pas suffisamment étudié le problème.

2.7 Méthode ÉLECTRE

La procédure de sélection dans la méthode Electre comprend 6 étapes :

1) Détermination des valeurs minimales et maximales des alternatives pour chacun des critères

2) Détermination des poids des critères

3) Construction d'un graphe pour chacun des critères, dans lequel les sommets sont des objets de l'ensemble de solutions, et les arcs reflètent le degré de dominance d'un objet sur un autre

4) Compilation d'une matrice de valeurs des soi-disant indices d'accord et de désaccord en fonction de l'importance des critères et de la préférence pour les décisions

5) Établir une valeur de supériorité pour chaque paire d'objets si la valeur de l'indice d'accord de l'une des solutions dépasse une certaine valeur seuil, et la valeur de l'indice de désaccord n'atteint pas cette valeur

6) Construction d'un graphe général de supériorité, en tenant compte des restrictions établies

2.8 Méthode d'évaluation et d'analyse de la sensibilité (ESAP)

La méthode d'évaluation et d'analyse de la sensibilité a été développée à l'origine comme une technique de planification dans le domaine de environnement pour évaluer les alternatives de gestion ressources en eau. L'ESAP est basé sur la détermination de pondérations de critères pour obtenir une évaluation correcte des alternatives. Une évaluation de la disponibilité et de l'attractivité d'une alternative est déterminée en combinant des informations sur l'impact sur les ressources naturelles et culturelles et des informations sur l'importance (déterminée par des critères de pondération) et les valeurs préférées de ces ressources. Les informations doivent être recueillies en interrogeant plusieurs individus ou un groupe d'individus pour déterminer la sensibilité de leurs estimations aux différences de jugements sur l'importance et les valeurs préférées des ressources, ainsi qu'à l'incertitude sur les conséquences du choix de l'une ou l'autre alternative. Aujourd'hui, cette méthode est utilisée non seulement dans la planification environnementale, mais également dans d'autres domaines.

2.9 Programmation cible (CPU/GP)

La méthode de programmation cible est utilisée pour résoudre les problèmes de MCO et repose sur la hiérarchisation des critères selon leur importance pour les décideurs. La tâche principale de recherche de solutions comprend plusieurs sous-tâches successives d'optimisation de chacun des critères. Dans le même temps, une telle optimisation est effectuée selon la fonction objectif, et l'amélioration de la valeur par un critère ne peut être obtenue au détriment de la détérioration de la valeur par un critère plus important. Ainsi, le résultat final sera la découverte de la meilleure solution au problème. Habituellement, la méthode de programmation cible est appliquée à la résolution de problèmes linéaires. En même temps, sa différence avec la méthode de programmation linéaire réside dans la formalisation de nombreux buts non pas comme des fonctions objectifs, mais comme des contraintes. Par conséquent, lors de l'utilisation de la méthode, les valeurs souhaitées des fonctions objectives et les écarts variables par rapport à ces valeurs qui reflètent le degré de réalisation de l'objectif principal de la recherche d'une solution doivent être déterminés.

2.10 Théorie de l'utilité multicritère (MAUT)

La théorie de l'utilité multicritère est l'une des méthodes les plus populaires justifiées axiomatiquement. Cette théorie a été développée par R. Keaney, G. Rife, P. Fishburne. La théorie est basée sur des axiomes qui décrivent les préférences des décideurs et sont présentés graphiquement comme une fonction d'utilité. L'axiomatique d'utilité la plus largement applicable dans un environnement multiobjectif comprend les axiomes :

Comparabilité complète

transitivité

Solubilité

Indépendance de préférence

Indépendance par utilité

Archimède

Malgré la pénibilité évidente de la méthode, il est important de noter qu'elle peut être justifiée par la justification mathématique des solutions trouvées. De plus, la méthode est applicable lors de l'évaluation d'un nombre quelconque d'alternatives, et les procédures de dialogue avec les décideurs dans la théorie de l'utilité multicritère sont très bien développées.

Les principales étapes de la méthode comprennent :

1) Élaboration d'une liste de critères

2) Construire une fonction d'utilité pour chacun des critères

3) Vérification des conditions qui déterminent la forme fonction commune utilitaire

4) Établir une relation entre les évaluations des options pour chacun des critères et l'attractivité globale de l'option pour les décideurs

5) Évaluation de toutes les options disponibles et sélection de la meilleure option

2.11 Multicritère Q- MAISanalyse (MCQA)

Cette méthode d'analyse multicritères est utilisée pour former une procédure de dialogue efficace entre les parties en conflit. MCQA-I, MCQA-II et MCQA-III permettent de classer les critères d'évaluation des alternatives en termes d'importance, et les alternatives elles-mêmes en termes d'attractivité pour les décideurs. L'analyse Q a été développée par Ronald Atkin (1974, 1977) comme une approche de l'étude des caractéristiques structurelles des systèmes sociaux dans lesquels deux ensembles d'indicateurs, de caractéristiques ou de caractéristiques sont liés l'un à l'autre. Par la suite, l'analyse Q a été appliquée dans divers domaines tels que la théorie des échecs (Atkin et Witten, 1975), les systèmes de fabrication flexibles (Robinson et Duckstein, 1986), les sports de compétition (Gould et Gatrell, 1980) et l'urbanisme (Beaumont, 1984). ). L'analyse Q est un outil reconnu utile dans les études écologiques, par exemple dans l'évaluation des écosystèmes fluviaux (Casti et al., 1979) et dans l'étude des relations prédateur-proie (Casti, 1979). L'analyse Q a également été utilisée en psychologie clinique (Macgill et Springer, 1984), en géologie (Griffiths, 1983), en recherche sur les systèmes de transport (Johnson, 1976), en distribution d'eau (Duckstein, 1983) et dans un certain nombre d'autres contextes (Casti, 1979). L'analyse Q s'est avérée particulièrement utile pour résoudre des problèmes associés à des systèmes complexes, par exemple la modélisation d'images médicales. Cette approche nécessite une définition rigoureuse des ensembles de données et de leurs relations, et appelle à l'exploration des implications de leur interconnexion au sein d'un système. Après avoir établi des ensembles de données approximativement exacts et examiné leurs relations, l'analyse Q implique des calculs assez simples qui n'ont pas besoin Informations Complémentaires sur le système. La méthode d'analyse Q fournit une infrastructure topographique algébrique pour la réduction des données, aidant à simplifier les concepts de conception de systèmes macroscopiques. À cette fin, il est possible de définir et d'interpréter des indicateurs tels que le degré de connectivité, de décentralisation et de complexité. L'approche d'analyse Q permet également de classer les informations. L'analyse Q peut également être associée à l'analyse de la dynamique comportementale générée à partir de la matrice structurelle (appelée toile de fond) ; ce type d'étude (dite de trafic) fait appel à la discipline communément appelée dynamique polyédrique (Casti et al., 1979 ; Johnson, 1981).

2.12 Méthode probabiliste de développement de compromis (PROTR)

Cette méthode d'optimisation multicritères est principalement utilisée pour résoudre des problèmes non linéaires en fonction des préférences du décideur. La méthode implique la construction de fonctions d'utilité individuelles pour trouver la meilleure solution au problème.

La procédure de recherche de solution se compose de 12 étapes consécutives :

1) Développement d'un vecteur de fonctions objectifs

2) Développement de vecteurs des meilleures et des pires valeurs de critères

3) Formulation de la fonction de substitution

4) Obtenir une solution de départ en maximisant cette fonction et en développant un vecteur d'objectif basé sur celle-ci

5) Définition d'une fonction d'utilité multicritères

6) Formulation d'une nouvelle fonction de substitution

7) Génération d'une solution alternative en maximisant une nouvelle fonction de substitution et développement d'un vecteur de but basé sur celle-ci

8) Développement d'un vecteur reliant les valeurs cibles des vecteurs à la probabilité de leur réalisation

9) Prendre une décision par le décideur pour savoir si toutes les valeurs des critères sont satisfaisantes. Si oui, alors le vecteur résultant est une solution au problème, sinon, alors l'étape 10 est effectuée

10) Sélection du vecteur dans lequel la relation de la valeur cible avec la probabilité de sa réalisation est la plus insatisfaisante, et la définition d'une nouvelle probabilité

11) Création d'un nouvel ensemble de valeurs valides

12) Formulation d'une nouvelle fonction de substitution et répétition du cycle de la 6ème à la 12ème étape quantité requise une fois que.

2.13 Méthode Zajonc-Wallenius (Z-W)

La méthode Zajonc-Wallenius est basée sur la procédure de réduction de l'ensemble des valeurs des vecteurs de poids.

Les étapes de cette procédure peuvent être décrites comme suit :

1) Développement de vecteurs de poids

2) Calcul de la valeur du critère global (en règle générale, la valeur correspond à l'un des sommets du polygone qui forme l'ensemble des valeurs valides)

3) Calcul des valeurs des poids des critères dans les sommets adjacents, sous lesquels ce sommet peut être la solution optimale

4) Calcul de la valeur du vecteur d'estimations en ces sommets pour chacun des critères

5) Comparaison par paires de vecteurs de critères décisionnels

6) Formation de restrictions sur les valeurs des poids des critères en fonction des jugements du décideur

7) Détermination du point central dans la plage des poids acceptables

8) Répétez les cycles 2-8

Lors de la comparaison, le décideur peut exprimer les jugements suivants :

Un vecteur de critères adjacent est davantage préféré ;

Le vecteur de critères initial est plus préférable ;

Il n'y a pas de préférence claire.

Ainsi, la recherche est systématique, ce qui rend les résultats les plus objectifs.

2.14 Méthode STEM

La méthode STEM est une procédure itérative de recherche de solution dans laquelle la meilleure solution est atteinte après plusieurs itérations. Chaque cycle comprend une étape de calcul et une étape de prise de décision, c'est-à-dire qu'il implique l'interaction entre l'analyste et le décideur.

La méthode est basée sur la minimisation de la distance de Chebyshev à partir d'un point idéal sur l'espace des solutions. Les paramètres qui définissent la formule de distance et l'espace mesurable peuvent être modifiés à l'aide de la méthode de normalisation des poids en fonction des préférences du décideur exprimées à l'étape précédente de la recherche de solutions. La procédure de recherche permet au décideur de sélectionner bonnes décisions et déterminer l'importance relative des critères. A chaque itération, le décideur peut améliorer les valeurs des alternatives selon certains critères, en cédant à d'autres. Parallèlement, le décideur doit indiquer le montant maximum acceptable de la concession pour chaque critère. Pour effectuer l'itération suivante, après avoir reçu une décision, le décideur doit exprimer ses préférences concernant les critères dont il souhaite améliorer la valeur, et ceux dont la valeur lui est déjà satisfaisante.

2.15 Méthode SWT

La méthode SWT est une méthode d'optimisation multicritères qui permet de trouver toutes les solutions Pareto-optimales nécessaires en fonction du vecteur d'optimisation du problème. Lors de l'utilisation de la méthode, il faut tenir compte du fait que dans la modélisation, la définition, l'évaluation, la comparaison de critères souvent contradictoires, le rôle d'un analyste système ne doit pas être confondu avec le rôle d'un décideur. Alors que l'analyste est chargé de générer des solutions Pareto-optimales et les valeurs correspondantes des alternatives, il n'est pas libre de déterminer les concessions acceptables et préférées selon divers critères contradictoires. Le décideur est chargé d'exprimer des jugements de préférence sur la base de l'analyse informatique effectuée par l'analyste. De plus, lorsqu'un ensemble quelconque de valeurs de critères a déjà été obtenu, il est beaucoup plus facile d'obtenir du décideur une estimation de la valeur relative de la concession (augmentation ou diminution de valeur) entre deux critères qu'une estimation de leur valeur absolue. valeurs moyennes.

2.16 Méthode PROMETHEE (PRM)

PROMETHEE est un système d'aide à la décision bien conçu qui vous permet d'évaluer et de sélectionner une alternative parmi un ensemble basé sur des critères qui reflètent les avantages et les inconvénients des alternatives, et vous permet également de classer ces alternatives en fonction de leur attrait pour les décideurs.

PROMETHEE n'exige pas de jugements stricts sur la structure réelle des préférences des décideurs. Lors de l'évaluation des alternatives, la tâche principale est d'obtenir des informations pour savoir si une alternative est au moins aussi attrayante qu'une autre. Sur la base des relations dites de préférence, qui sont déterminées dans la première étape, le classement des alternatives est effectué.

Considérez les principales étapes :

1) Définir une fonction de préférence

Le point de départ est la formation d'une matrice de notation qui reflète l'attractivité des alternatives pour chacun des critères. Sur la base des informations contenues dans la matrice de notation, les alternatives sont comparées deux à deux par rapport à chacun des critères. Les résultats sont exprimés par des fonctions de préférence qui sont calculées pour chaque paire d'options et peuvent aller de 0 à 1. Alors que 0 indique aucune différence entre les options, 1 signifie une grande différence.

2) Évaluation du degré de préférence pour les options

La matrice de valeur totale est compilée sur la base des valeurs obtenues en multipliant les valeurs des alternatives pour chaque critère par le poids du critère correspondant. Dans cette matrice, la somme de toutes les valeurs d'une ligne reflète le degré de dominance (attractivité) de l'alternative. La somme de toutes les valeurs d'une colonne indique dans quelle mesure l'alternative est supprimée par les autres. Un classement linéaire peut être obtenu en soustrayant la valeur sous-dominante de la dominante.

Le décideur doit définir les pondérations des critères et choisir une fonction de préférence. PROMETHEE n'implique pas une manière particulière de déterminer ces poids, mais suppose que le décideur est capable de fixer les poids correctement, du moins lorsque le nombre de critères n'est pas trop grand. La définition des facteurs de pondération est toujours subjective. Par conséquent, l'analyse de sensibilité, qui reflète à quel point les pondérations choisies affectent le résultat, devient une partie importante du processus de prise de décision.

Divers outils et modules ont été développés dans le cadre de la méthode PROMETHEE. Les 3 outils suivants peuvent être particulièrement utiles pour analyser un problème d'évaluation :

PROMETHEE I pour l'évaluation partielle des alternatives,

PROMETHEE II pour le classement complet,

GAIA pour visualiser les solutions.

3. Élaboration d'une classification des méthodes

Le problème du choix de la méthode multicritère la plus appropriée à appliquer à une situation particulière est lui-même un problème multicritère, puisqu'il existe plusieurs critères de sélection et qu'ils sont intrinsèquement contradictoires (AI-Shemmeri et al., ). Par conséquent, les méthodes énumérées doivent être évaluées selon les critères pertinents afin de pouvoir les comparer. Pour déterminer ces critères, il est nécessaire de considérer les aspects qui entraînent des différences dans l'application des méthodes. Il est d'usage de distinguer les aspects ou groupes de critères suivants (Mollaghasemi et Pet-Edwards, ):

1) Caractéristiques de la tâche

2) Caractéristiques du décideur

3) Caractéristiques de la solution résultante

La méthode la plus appropriée pour une application dans une situation particulière est celle dont la technique correspond le mieux aux caractéristiques du problème à résoudre et du décideur, et les résultats obtenus peuvent être correctement interprétés et utiles au décideur.

Ainsi, les quinze méthodes retenues pour examen doivent être évaluées selon certains critères décrivant les trois aspects retenus. Chaque aspect (groupe de critères) de cet ouvrage est consacré à la section correspondante, qui fournit une description des critères et un tableau de comparaison des méthodes selon ces critères. L'évaluation des méthodes est basée sur la comparaison de MMRM dans les travaux d'Aregai Tecle et Ozernoy V.M. , ainsi qu'un examen de l'application des méthodes de résolution de problèmes pratiques dans les travaux de Bardossy , Khalili , Brans et autres.

3.1 Appréciation de la conformité des méthodes aux caractéristiques du problème à résoudre

Tout d'abord, il est nécessaire de déterminer la correspondance de la méthode appliquée aux caractéristiques du problème considéré. Les tâches multicritères peuvent être décrites par plusieurs paires de caractéristiques mutuellement exclusives. Par exemple, si le problème est un problème de programmation mathématique, alors la solution peut être obtenue en recherchant systématiquement des alternatives possibles dans l'ensemble admissible de décisions, tandis que les problèmes d'analyse de décision supposent généralement l'existence d'un nombre fini et relativement petit d'alternatives, la dont l'évaluation conduit à une solution efficace. Une autre paire de caractéristiques mutuellement exclusives, reflétant la disponibilité des informations quantitatives et qualitatives nécessaires pour résoudre le problème MCO, peut également être d'une grande importance lors du choix du MMRM approprié. Si le problème comprend des critères qualitatifs, les techniques de programmation mathématique ne peuvent pas être utilisées pour le résoudre. La nature dynamique de la tâche limite également considérablement l'ensemble des méthodes applicables, car seuls quelques MMRM supportent ce type de tâche (Szidarovszky et Duckstein, , ). L'ampleur du problème, mesurée par le nombre de critères et d'alternatives, impose des restrictions conceptuelles et informatiques strictes sur l'ensemble des méthodes disponibles. Et enfin, les relations structurelles entre les paramètres du problème, décrivant sa linéarité ou sa non-linéarité, doivent également être prises en compte lors de la comparaison des méthodes, car de nombreux MMRM sont conçus exclusivement pour résoudre des problèmes de programmation linéaire.

Ainsi, l'évaluation de l'applicabilité du MMRM en fonction des caractéristiques du problème à résoudre doit être effectuée en répondant positivement ou négativement à six questions sur les possibilités suivantes du MMRM :

1) Résoudre des problèmes contenant des critères qualitatifs

2) Choix parmi un nombre fini d'alternatives

3) Résolution de problèmes non linéaires

4) Résoudre des problèmes à grande échelle (avec un grand nombre de critères et d'alternatives)

5) Résoudre des problèmes avec un nombre infini d'alternatives

6) Solution de problèmes dynamiques

Dans le tableau de comparaison des MMRM par applicabilité en fonction des caractéristiques du problème à résoudre (voir tableau 3), les réponses positives et négatives aux questions ci-dessus sont présentées sous forme binaire, c'est-à-dire par les nombres 1 et 0, respectivement . Pour plus de clarté, les cellules avec une réponse positive sont surlignées en couleur. L'évaluation était basée sur l'expérience d'application du MMRM par les auteurs de nombreux articles scientifiques et spécialistes dans le domaine de la MCO, tels que Aregai Tecle, Gershon et Duckstein, Brans, Brink et al. (1986), Khalili et al.

Tableau 3. Tableau de correspondance des méthodes aux caractéristiques du problème

	Traitement de l'information qualitative	Problème non linéaire	gros challenge	Tâche dynamique	Un nombre infini d'alternatives	Nombre fini d'alternatives

3.2 Appréciation de la conformité des méthodes aux caractéristiques des décideurs

Bien entendu, la conformité de la méthode appliquée avec les capacités du décideur doit également être prise en compte. Le degré d'implication du décideur dans le processus décisionnel interactif et le temps pendant lequel le décideur peut être disponible pour l'interaction sont des caractéristiques extrêmement importantes qui peuvent limiter considérablement l'ensemble des MMRM appropriés. De plus, il est important de prendre en compte la capacité du décideur à indiquer ses préférences avant d'entamer le processus de recherche de la meilleure solution. Si les préférences ne peuvent pas être exprimées, alors les méthodes postérieures, pour lesquelles les informations nécessaires sur les préférences doivent être obtenues avant de commencer à chercher des solutions, ne peuvent pas être considérées comme appropriées pour résoudre ce problème.

Le degré de compréhension du décideur des principes de fonctionnement des MMRM peut également limiter leur utilisation. Les méthodes qui nécessitent des connaissances particulières dans le domaine du MCO peuvent être moins attractives pour les décideurs que les méthodes intuitives, principalement en raison de la complexité d'interprétation des résultats obtenus. Par exemple, pour appliquer la méthode SWO, un sérieux formation professionnelle dans le domaine de la CIE, alors que la méthode ELECTRE, au contraire, ne nécessite pratiquement aucune connaissance particulière, mais ne s'utilise qu'avec des valeurs discrètes.

De plus, les caractéristiques directement liées à l'analyste (spécialiste dans le domaine du MCO) chargé de résoudre la tâche doivent également être prises en compte. Par exemple, il est nécessaire de déterminer si l'analyste possède des connaissances particulières dans l'utilisation des produits logiciels d'aide à la décision.

Les résultats de la comparaison des MMRM en termes d'applicabilité selon les caractéristiques du décideur sont présentés dans le tableau 4 (voir tableau 4). L'évaluation a été faite sur une échelle de 1 à 10. Pour plus de clarté, les cellules contenant les valeurs les plus élevées pour chacun des critères sont surlignées en couleur.

Tableau 4. Tableau de correspondance des méthodes aux caractéristiques du décideur

	Niveau de connaissance requis du décideur dans le domaine du MCO	Le degré d'interaction avec les décideurs	Temps DM disponible	La quantité requise d'informations sur les préférences des décideurs	Niveau de compétence nécessaire d'un spécialiste dans le domaine du MCO
	travail de maîtrise, ajouté le 26/04/2011 Classification des méthodes d'analyse par groupes. Collecte et stockage des informations nécessaires à la prise de décision. Préparation des résultats d'analyse opérationnelle et intellectuelle pour leur perception effective par les consommateurs et l'adoption de décisions adéquates sur sa base. travaux de contrôle, ajouté le 15/02/2010 Analyse de développements similaires dans le domaine de la construction de "systèmes d'aide à la sélection". L'essence de l'approche multicritère. Technologie de développement d'interface utilisateur. Planification du développement du programme à l'aide de diverses méthodes. Construire un graphe de réseau. thèse, ajoutée le 26/01/2013 Classification des systèmes d'information pour la gestion des activités d'une entreprise. Analyse du marché et caractéristiques des systèmes de classe Business Intelligence. Classification des méthodes de prise de décision utilisées dans le DSS. Choisir une plateforme de business intelligence, critères de comparaison. thèse, ajoutée le 27/09/2016 Caractéristiques des méthodes de résolution de systèmes d'équations algébriques linéaires, les principaux types de méthodes numériques et l'utilisation du produit logiciel Delphi 5.0 comme la plus efficace. L'essence des méthodes de Gauss, Gauss-Jordan et Jacobi, caractéristiques de la méthode Seidel. dissertation, ajouté le 25/06/2010 Principes de la stéganographie informatique. Classification des méthodes de masquage d'informations. La popularité de la méthode de remplacement des bits les moins significatifs. Essence des méthodes d'extension de palette et de masquage de blocs. Application de méthodes aux images GIF. Implémentation d'algorithmes. dissertation, ajouté le 17/02/2013 Brève description de l'objet de contrôle, examen et analyse des analogues existants qui mettent en œuvre ses fonctions. Développement de l'architecture du système logiciel, test et évaluation de l'efficacité de l'application. Déploiement et utilisation du produit logiciel. dissertation, ajouté le 05/02/2015 Des complexes homme-machine spécialement conçus pour la prise de décision. Le processus décisionnel et ses étapes. Méthodes pour trouver de nouvelles solutions : arbre de décision, tableaux morphologiques, conférences d'idées. Le principe de l'évaluation mathématique des tendances. dissertation, ajouté le 30/07/2009 Présentation de l'architecture du SGBD SQL Server. Décrire et analyser les domaines où les outils d'intelligence d'affaires sont utilisés, tels que l'analyse de données multidimensionnelles et l'exploration de données. Aperçu outils de langage, méthodes et application expérimentale des informations obtenues. thèse, ajoutée le 09/07/2014 La structure du système de gestion multicritère de la sécurité d'un objet technogénique. Prise en compte des interrelations des sous-systèmes de sécurité. Méthodes expertes d'aide à la décision basées sur des comparaisons d'alternatives multicritères. L'essence de l'approche hiérarchique analytique.