CHAPITRE 1

LA PROGRAMMATION MATHEMATIQUE
MULTI-OBJECTIF

Ce chapitre introductif contient un exposé du cadre général de notre travail. Nous

rappelons les notions fondamentales en décision multi-objectif, les terminologies usuelles, les
principaux résultats ainsi que les approches de base de la programmation mathématique multi-
objectif.
Cet exposé est principalement basée sur les livres de B. Roy, R. Steuer, et Ph. Vincke ainsi
que sur certains articles de D. Vanderpooten, D. Vanderpooten – Ph. Vincke et les travaux de
Recherche de Ulungu E.L. & J. Teghem.

1.1 NOTIONS FONDAMENTALES

1.1.1 PROBLEME DE PROGRAMMATION MATHEMATIQUE MULTICRITERE

On définit un problème multi-objectif comme un problème de décision qui consiste à

optimiser (maximiser ou minimiser) simultanément r fonctions réelles notées f k , k  1,, r ,
appelées objectifs, dits aussi critères, souvent contradictoires, sur un ensemble d’actions X.
Ce problème peut être formulé mathématiquement comme :
Chapitre 1 La Programmation Mathématique Multicritère

" opt" f1 ( x),, f r ( x)

 (OM.1)
x  

Le symbole " " signifie qu’il n’est généralement pas possible de trouver dans X une action qui
optimise simultanément les r objectifs. Il est remarquable que de cette façon un problème multi-
objectif est correctement formulé par rapport à la réalité concernée par le problème de décision.
Il faut donc déterminer une action x *   telle que, en regard des actions de X, le vecteur
 
f ( x * )  f1 ( x * ),, f r ( x * ) est bon, acceptable selon les préférences du décideur ( DM :
Décision Maker), voir optimal, à condition de se doter d’un cadre décisionnel donnant une
signification à cette notion. L’action x * est appelée souvent solution de meilleur compromis.

Remarques :
 Dans la suite de ce chapitre, toute optimisation se rapporte à une maximisation.
 Si dans le problème (OM.1) :
- toute action est caractérisée par un vecteur x  R n de variables de décisions.
- L’ensemble d’actions S est un sous-ensemble de R n décrit implicitement par des
inéquations et/ou des équations, appelées contraintes,
Il s’agit d’un problème de programmation mathématique multi-objectif .
 Si les r fonctions objectifs et les contraintes sont linéaires par rapport au vecteur x , on obtient
un problème de programmation linéaire multi-objectif :

max Z ( x)  c x, k  1,, r  (OM.2)

 x k k


 
où   x  R n : Ax  b, x  0 avec les matrices A(m  n), ck (1 n), x(n  1), b(m  1)

 Si les r fonctions objectifs sont fractionnaires linéaires et les contraintes sont linéaires par
rapport au vecteur x , on obtient un problème de programmation fractionnaire linéaire
multi-objectif :

 pi x   i 
 x i
max Z ( x )  , i  1,  , r  (OM.2’ )
 qi x   i 

 
où   x  R n : Ax  b, x  0 avec les matrices A(m  n), p i (1 n), q i (1 n), x(n  1), b(m  1)
et  i ,  i  R

Optimisation Multicritère Fractionnaire Linéaire en Nombres Entiers 8

Chapitre 1 La Programmation Mathématique Multicritère

1.1.2 CONCEPTS DE BASE

Définition 1.1.2.1 L’espace R n dans lequel se situe l’ensemble des actions X (   R n ) est
appelé espace des décisions .
Définition 1.1.2.2 Par espace des critères on entend l’espace R r dans lequel se situeY :
- Dans le cas linéaire, Y est l’image de X dans R r par l’application linéaire
associée à la matrice C  c1 , c2 ,, cr  :
Y = C (  ) : x  ( x1 ,, xn )    Cx  (Z1 ,, Z r )  Y
- Dans le cas fractionnaire linéaire, Y est l’image de X dans R r par l’application
fractionnaire linéaire associée aux matrices 
P  p1 , p 2 ,, p r , 
 
Q  q1 , q 2 ,, q r et  i ,  i sont des scalaires
 p1 x   1 pr x   r 
Y  F (  ) : x  ( x1 ,, xn )     1 , , r   ( Z1 ,, Z r )  Y.
q x q xr
1

Exemple 1.1.2.3
Considérant un problème multicritère linéaire représenté par la figure 1.1.2 (a) avec c1  (1,1)
et c2  (1,2) .

x2

x3

x2
c2


x4

x1
1
x
a
c1
Fig. 1.1.2 (a) de l’exemple 1.1.2.3

Les vecteurs critères associés aux points extrêmes de X sont comme suit :

Optimisation Multicritère Fractionnaire Linéaire en Nombres Entiers 9

Chapitre 1 La Programmation Mathématique Multicritère

x1  (0,0)  Z1  (0,0)
x2  (1,2)  Z 2  (1,3)
x3  (3,3)  Z 3  (0,3)
x4  (4,1)  Z 4  (3,2) .

Sur la figure 1.1.2 (b), on remarque que Y est convexe et que les points extrêmes de Y sont les
images des points extrêmes de X. Avoir des portions du graphe de Y en dehors de la partie
positive du plan est interprété par le fait que certaines fonctions objectifs ont des coefficients
négatifs.

Z2

Z2 Z3

Y
Z1
1
Z b

Z4

Fig. 1.1.2 (b) de l’exemple 1.1.2.3

Toute action, ou solution admissible ( x   ) , ne constitue pas évidemment un bon compromis à

considérer ; pour qu’elle le soit, on impose généralement une propriété, basée sur une relation
d’ordre partiel, notée par "  " et appelée dominance :

 Z , Z '  Y , Z  Z ' si et seulement si Z i  Z 'i ; i et Z  Z '

Optimisation Multicritère Fractionnaire Linéaire en Nombres Entiers 10

Chapitre 1 La Programmation Mathématique Multicritère

Dominance
Définition 1.1.2.4 Soient deux vecteurs critères Z , Z ' Y. On dit que Z domine Z ' si et

seulement si Z  Z ' et Z  Z ' ( i.e. Z i  Z 'i pour tout i  1,, r , et Z i  Z 'i pour au moins un
indice i ).

Si Z domine Z ' , alors Z est au moins aussi bon que Z ' sur tous les critères et meilleur que lui
sur au moins un critère.

Dominance forte
Définition 1.1.2.5 Soient deux vecteurs critères Z , Z ' Y. On dit que Z domine fortement Z ' si

et seulement si Z  Z ' ( i.e. Z i  Z 'i pour tout i  1,, r ).

Si Z domine fortement Z ' , alors Z est meilleur que Z ' sur tous les critères.

Efficacité
Définition 1.1.2.6 Une solution x *   est une solution efficace s’il n’existe pas de x   tel

que Z (x) domine Z ( x * ) .

Un point est efficace si son image par Z est un vecteur critère non dominé. Le terme efficacité
est aussi connu sous Pareto optimalité ou non infériorité1. Une définition équivalente de
l’efficacité est :

Définition 1.1.2.7 Une solution x *   est une solution efficace si et seulement s’il n’existe pas
de x   telle que

Z i ( x)  Z i ( x * ); i  1,, r (OM.3)
avec au moins une inégalité stricte.
A partir d’un point efficace, il est impossible d’augmenter la valeur d’un des critères sans
diminuer la valeur d’au moins un autre critère.

1
Pour les différentes définitions de l’efficacité, voir [40].

Optimisation Multicritère Fractionnaire Linéaire en Nombres Entiers 11

Chapitre 1 La Programmation Mathématique Multicritère

Efficacité faible
Définition 1.1.2.8 Une solution x *   est une solution faiblement efficace s’il n’existe pas de

x   tel que Z ( x)  Z ( x * ) .

Une solution est faiblement efficace si son vecteur critère n’est pas fortement dominé. Le terme
faiblement efficace est connu aussi sous le nom de Slater-optimal.

Efficacité forte
Définition 1.1.2.9 Une solution x *   est une solution fortement efficace s’il n’existe pas de

x   tel que x  x * et Z ( x)  Z ( x * ) .

Une solution x est fortement efficace s’il n’existe pas une autre solution telle que le vecteur
critère, qui lui est associé, soit aussi bon que celui de x . Remarquons que l’efficacité forte
implique l’efficacité qui implique à son tour l’efficacité faible2.
L’ensemble des solutions efficaces d’un problème (P) sera noté par Eff(P).

Le point idéal
Définition 1.1.2.10 Le vecteur défini par :

Z   max Z1 ( x),, max Z r ( x)   R r (OM.4)

 x x 

constitue le point idéal (cf. fig. 1.2) ; en général Z  Y.

Le point anti-idéal
Définition 1.1.2.11 Le vecteur défini par :

Z   min Z1 ( x),, min Z r ( x)   R r (OM.5)

 x x 

constitue le point anti-idéal (cf. fig. 1.2) ; en général Z  Y

2
Pour une étude détaillée des relations entre ces différentes notions, voir [19]

Optimisation Multicritère Fractionnaire Linéaire en Nombres Entiers 12

Chapitre 1 La Programmation Mathématique Multicritère

Le point Nadir
Le vecteur défini par :

N d   min Z 1 ( x),, min Z r ( x)   R r

 x E x E 
(OM.6)
N   min y1 ,, min y r   R r
d

 xYN xYN 

constitue le point nadir (cf. fig. 1.2) avec  E est l’ensemble des solutions efficientes et YN est

l’ensemble des solutions non dominées.

Définition 1.1.2.12 La matrice carrée de dimension r suivante

 Z 1 Z 12  Z 1r 
 
 Z 21 Z 2  Z 2 r  (OM.7)
    
 
 Z r1 Z r 2  Z r 

où Z i  max Z i ( x)  Z i ( x j ) , i, j  1, , r

x

avec Z ij  Z i ( x j ) , i,j  1;, r

est appelée la matrice des gains ( pay-off table).

Définition 1.1.2.13 Le point de R r de coordonnées :

ni  min Z ij , i  1,, r est appelé point nadir estimé.
j 1,, r

Optimisation Multicritère Fractionnaire Linéaire en Nombres Entiers 13

Chapitre 1 La Programmation Mathématique Multicritère

Z2

Point idéal

Point non dominées

Nadir

faiblement
non dominées
Point anti-idéal
Z1

Figure 1.1.2 (c) : illustration des définitions

Remarque 1.1.2.14: La matrice des gains n’est pas toujours univoquement déterminée ; en effet,
si la solution optimale x k* n’est pas unique pour un critère k, la colonne correspondante de la
matrice des gains dépendra de la solution choisie.

1.1.3 DETECTION GRAPHIQUE DE L’EFFICACITE

En considérant que l’idée de dominance se réfère aux vecteurs de l’espace critère, l’idée de
l’efficience se réfère aux points de l’espace de décision.
Un point x   est efficace si son vecteur critère n’est pas dominé par un vecteur critère d’un
autre point de X. C'est-à-dire, d'un point efficace, il n'est pas possible de se déplacer d’une
façon réalisable afin d'augmenter un des objectifs sans diminuer au moins un des autres
objectifs.
Dans cet ordre d’idée, quelques concepts sont utilisés pour la détection graphique de
l’efficience. Pour tester l’efficience d’un point donné x   , le concept d’ensemble dominant
est introduit par le biais de quelques définitions.

Optimisation Multicritère Fractionnaire Linéaire en Nombres Entiers 14

Chapitre 1 La Programmation Mathématique Multicritère

Définition 6.5.1 (Cône) [32]

Soit v  V  R n , V   . Alors, V est un cône si et seulement si .v  V , pour tout   0 .

L’origine 0  R n est contenue dans n’importe quel cône. Tous les cônes sont des ensembles
connexes. Cependant, mis à part le singleton contenant l’origine, tous les cônes sont des

ensembles non bornés. Comme exemple, le demi-espace fermé x  R n Cx  0 est un cône 
 
convexe mais le demi-espace ouvert x  R n Cx  0 n’est pas un cône car il ne contient pas
l’origine.

Définition 6.5.2 (Cône polaire) [32]

Soit x   et C  le cône polaire semi-positif généré par les gradients des r fonctions objectifs où
  
C   y  R n Cy  0, Cy  0  0  R n . 

Définition 6.5.3 (Ensemble Dominant) [32]


L’ensemble dominant D x est donné par la somme directe des ensembles x et C  tel que
 
Dx  x  C   x  R n x  x  y, Cy  0, Cy  0 . 
L’ensemble dominant D x contient tous les points dont les vecteurs critères dominent le vecteur
critère relatif au point x   . Notons que la somme directe d’ensembles effectue une translation
du cône polaire semi-positif de l'origine au point en question. Le résultat suivant montre
l’importance de l’ensemble dominant D x dans la détection de l’efficience.

Théorème 6.5.4 (Test Efficience) [32]

Soit D x l’ensemble dominant au x   . Alors, x est efficace si seulement si Dx    x.

Preuve :
«  » Suppose Dx    x. Alors, il existe xˆ  Dx   , xˆ  x . Avec xˆ  Dx , écrivons
xˆ  x  y où y  C  . Puisque Cy  0, Cy  0 , nous avons Cxˆ  Cx , Cxˆ  Cx . Mais c’est une
contradiction car x est efficace. Donc, si x est efficace , Dx    x.
«  » Si D    x, cela implique que si le vecteur critère de ~
x
x domine le vecteur critère
de x , alors ~
x   . D’où, le vecteur critère de x est non dominé, et par conséquence, x est
efficace.

Optimisation Multicritère Fractionnaire Linéaire en Nombres Entiers 15

Chapitre 1 La Programmation Mathématique Multicritère

Donc ce théorème nous fournit un test de détection des points efficaces qui peuvent être
visualisés géométriquement. Si l’intersection de l’ensemble dominant avec l’ensemble des points
réalisables X contient seulement x , alors x est efficace.

Exemple
   
Sachant que x 4 et x 5 sont inefficaces car Dx 4  S  x 4 et Dx5  S  x 5 , x 6 est efficace car
 
Dx6  S  x . Dans la Figure 6.5.1, l’ensemble des points efficaces est l’union des deux arêtes
6

x x
1 2
 et x x .
2 3

x2
x1
Dx1
C1 x4
Dx4

C  X x2
Dx5
x5 x6 Dx6

x3 x1
C2

Figure : Graphe de l’exemple

Optimisation Multicritère Fractionnaire Linéaire en Nombres Entiers 16