Igoulalene 02u4sl01em2 TH

UNIVERSITÉ D’AIX-MARSEILLE
ECOLE DOCTORALE ED 184

FACULTÉ DES SCIENCES ET TECHNIQUE
LSIS UMR CNRS 7296 / CODEP
THESE DE DOCTORAT
Spécialité : Automatique
Idris IGOULALENE
Développement d’une approche floue multicritère d’aide à la coordination

des décideurs pour la résolution des problèmes de sélection dans les
chaines logistiques
Soutenue le 02 décembre 2014
Composition du jury :
Prof. François PERES Ecole Nationale d’Ingénieurs de Tarbes Rapporteur

Prof. Farouk YALAOUI Université de Technologie de Troyes Rapporteur
Prof. Valerie BOTTA-GENOULAZ Institut National des Sciences Appliquées de Lyon Examinateur
Prof. Jean-Claude HENNET Aix-Marseille Université Examinateur
Prof. Marie-Anne LEDAIN Institut national polytechnique de Grenoble Examinateur
Prof. Lyes BENYOUCEF Aix-Marseille Université Directeur de thèse
Remerciements
Mes remerciements vont d’abord à mon directeur de thèse, Professeur Lyes BENYOU-
CEF pour m’avoir offert la possibilité de travailler sur cette thèse, pour la confiance qu’il
m’a accordé, et pour toutes ces années durant lesquelles j’ai appris énormément de
choses grâce à ses conseils avisés.
Je tiens aussi à remercier le Professeur Farouk YALAOUI et le Professeur François
PERES de m’avoir fait l’honneur d’accepter l’évaluation de mon travail de recherche.
Je les remercie pour leurs remarques constructives et détaillées qui ont contribué à
améliorer considérablement le manuscrit.
Je remercie aussi le Professeur Valérie BOTTA-GENOULAZ, le Professeur Marie-Anne
LEDAIN et le Professeur Jean-Claude HENNET, pour avoir accepté d’examiner mes tra-
vaux de recherche.
Bien évidemment, je remercie l’ensemble des doctorants, chercheurs, enseignants,
personnels que j’ai eu l’occasion de côtoyer au sein du laboratoire des sciences de l’in-
formation et des systèmes d’Aix-Marseille université.
Enfin, toute ma reconnaissance va vers ma famille et mes proches qui n’ont cessé de
me soutenir et de m’encourager à tout moment.
i
Table des matières
Table des matières iii
Introduction générale 1
Contexte, problématique et état de l’art 5
I Contexte et motivations 7
I.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
I.2 Les chaînes logistiques . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
I.3 Gestion de la chaîne logistique . . . . . . . . . . . . . . . . . . . . . . . 10
I.3.1 Décisions stratégiques . . . . . . . . . . . . . . . . . . . . . . . . 11
I.3.2 Décisions tactiques . . . . . . . . . . . . . . . . . . . . . . . . . . 11
I.3.3 Décisions opérationnelles . . . . . . . . . . . . . . . . . . . . . . 11
I.4 La coordination dans les chaines logistiques (SCC) . . . . . . . . . . . . 12
I.5 Motivations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
I.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
II État de l’art et position du problème 15

II.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
II.2 Problème de sélection stratégique . . . . . . . . . . . . . . . . . . . . . . 17
II.3 Problème de décision de groupe (consensus) . . . . . . . . . . . . . . . . 19
II.4 Méthodes d’Aide à la Décision Multicritère . . . . . . . . . . . . . . . . . 21
II.4.1 Applications de la méthode TOPSIS floue . . . . . . . . . . . . . 21
II.4.2 Applications du modèle de goal programming (GP) . . . . . . . . 23
II.5 Position du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
iii
Table des matières
II.6 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
Contributions 25
III Quelques concepts théoriques 27

III.1 Paradigmes mono et multicritère . . . . . . . . . . . . . . . . . . . . . . 29
III.2 Les nombres et les ensembles flous . . . . . . . . . . . . . . . . . . . . . 30
III.2.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
III.2.2 Opérations et propriétés . . . . . . . . . . . . . . . . . . . . . . . 32
III.2.3 Relations floues . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
III.2.4 Nombres flous . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
III.2.5 Les valeurs linguistiques . . . . . . . . . . . . . . . . . . . . . . . 37
III.2.6 Défuzzification . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
III.3 Consensus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
III.3.1 Consensus flou basé sur l’opérateur neat OWA . . . . . . . . . . . 39
III.3.2 Consensus flou basé sur la mesure de possibilité . . . . . . . . . . 41
III.4 Modèle de CCSD . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
III.5 Méthode TOPSIS floue . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
III.6 Modèle de goal programming et le concept des fonctions de satisfaction 48
III.6.1 Modèle de goal programming . . . . . . . . . . . . . . . . . . . . 48
III.6.2 Fonctions de satisfaction . . . . . . . . . . . . . . . . . . . . . . . 49
III.6.3 Consensus flou basé sur le modèle GP . . . . . . . . . . . . . . . 50
III.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
IV Approche 1 : Approche floue hybride combinant le consensus basé sur la

mesure de possibilité et la méthode TOPSIS 55
IV.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
IV.2 Approche de résolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
IV.3 Problème de sélection des fournisseurs . . . . . . . . . . . . . . . . . . . 57
IV.4 Experiences numériques . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
IV.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
V Approche 2 : Approche floue hybride combinant le consensus basé sur l’opé-

rateur neat OWA et le modèle du GPSF 63
V.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
V.2 Approche de résolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
V.3 Experiences numériques . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
V.4 Solution individuelle vs solution collective . . . . . . . . . . . . . . . . . 71
V.4.1 Comparaison . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
iv
Table des matières
V.4.2 Discussions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
V.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
VI Approche 3 : Approche floue hybride combinant le consensus basé sur le

modèle GP et la méthode TOPSIS 77
VI.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
VI.2 Approche de résolution . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
VI.3 Description du problème . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
VI.4 Application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
VI.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
Conclusion et perspectives 85
Liste des publications 89
Références bibliographiques 99
Index des illustrations 101
Index des tableaux 103
v
Table des matières
vi
Introduction générale
Sous la pression de la globalisation, d’une concurrence croissante, de la réduction

des temps de cycles des technologies et des produits, de la complexité des différents
systèmes (manufacturiers, informatiques, financiers, etc.), et afin de conserver un avan-
tage sur ses concurrents, plusieurs entreprises ont adopté le concept chaîne logistique
(supply chain). Les entreprises, qui par le passé se sont senties protégées de la concur-
rence étrangère à bas prix, constatent de plus en plus qu’elles doivent non seulement
créer de la valeur pour leurs clients, mais garantir des prix inférieurs à ceux proposés
par la concurrence. Fournir le produit et/ou le service désiré par le client, plus rapide-
ment, à moindre coût et de manière plus performante que les autres est de nos jours le
souci majeur de chaque entreprise à l’échelle locale et/ou internationale.
Derrière son efficacité, la gestion d’une chaîne logistique (supply chain manage-
ment) est un processus très complexe (natures stochastiques et dynamiques des infor-
mations, multicritère, risque, etc.) qui a montré ses limites. La gestion d’une chaîne
logistique exige, non seulement des outils performants, mais aussi des compétences et
des expériences humaines afin de déterminer : (i) le nombre, la localisation, la capacité,
les types d’usines, d’entrepôts, de centres de distribution à utiliser ; (ii) l’ensemble des
fournisseurs potentiels à sélectionner ; (iii) les différents modes de transport à choisir ;
(iv) les quantités de matières premières et produits finis à acheter, produire, stocker et
transporter des fournisseurs aux clients finaux passant par les différentes usines, entre-
pôts et centres de distribution en utilisant les différents modes de transport, etc. Ce ne
sont pas des décisions faciles, surtout à l’échelle internationale, et exigent une étude
délicate. Différents problèmes, liés à la gestion des chaînes logistiques (conception, pi-
lotage, coordination. . . ), ont été étudiés et les techniques utilisées rapportées dans la
littérature. Néanmoins, du fait de la complexité de la modélisation et la résolution,
certaines problématiques n’ont pas reçu l’attention nécessaire.
1
La coordination dans les chaînes logistiques (SCC : Supply Chain Coordination) est
considérée comme l’un des sujets de recherche les plus actifs. La littérature est très riche
de travaux consacrés à la SCC comme la coordination de la production et la distribution
(Kim et al., 2005), la coordination de l’approvisionnement et la production (Munson
et Rosenblatt, 2001), la coordination de la production et l’inventaire (Grubbström et
Wang, 2003) et la coordination de la distribution et l’inventaire Yokoyama (2002). De
même, différentes définitions ont été données à la notion de "coordination". Selon Ma-
lone et Crowston (1994), "la coordination est la démarche de gérer les dépendances entre
les entités et les efforts conjoints des entités en travaillant ensemble vers des objectifs mu-
tuellement définis".
Plusieurs auteurs, (Piplani et Fu, 2005; Cárdenas-Barrón, 2007; Arshinder et al.,
2008; Singh et Benyoucef, 2013), insistent sur l’importance de développer de nouvelles
approches pour aborder les problèmes de coordination dans les chaînes logistiques.
Certaines approches proposent de coordonner en partageant l’information sur les coûts
et les prix (Yao et Chiou, 2004) et d’autres suggèrent la mise en œuvre des réseaux
de système d’information de gestion des stocks afin de coordonner efficacement les
différentes activités de la chaîne logistique (Verwijmeren et al., 1996).
De plus en plus, les membres/partenaires de la chaîne logistique prennent collecti-
vement un certain nombre de décisions de natures tactiques et stratégiques afin d’at-
teindre des objectifs mutuellement définis. Parmi ces décisions, nous citons la sélection
des partenaires, des sites, des machines, des technologies, des systèmes de transport,
des plannings, etc. Toute sélection efficace nécessite la prise en compte d’un certain
nombre de critères d’évaluation. Par conséquent, le problème de la coordination dans
les chaînes logistiques est considéré comme un problème multidécideurs multicritères
d’aide à la décision (GDM : Group Decision Making).
Dans le cadre de cette thèse, notre objectif est de développer des approches multicri-
tère d’aide à la coordination des décideurs pour la résolution des problèmes de sélection
dans les chaines logistiques. En effet, nous considérons le cas où nous avons un en-
semble de décideurs qui cherchent à classer un ensemble d’alternatives/choix possibles
évalués en utilisant des critères conflictuels de natures qualitatives et quantitatives. De
plus, afin de prendre en compte les préférences des décideurs qui sont entachées par
l’ambigüité, l’ensemble des données manipulées est considéré flou. Chaque décideur est
amené à exprimer ses préférences pour chaque alternative par rapport à chaque critère
à travers une matrice dite matrice de préférence floue. Le manuscrit est structuré en six
chapitres comme suit :
Le premier chapitre est dédié principalement à la présentation du contexte et les
motivations de notre travail de recherche. En premier, un ensemble de définitions et de
concepts de base liés à la gestion de la chaîne logistique ainsi que les différents niveaux
2
décisionnels respectivement stratégique, tactique et opérationnel sont présentés. Nous
introduisons par la suite le concept de la coordination, sa définition et son importance
dans la gestion efficace des chaines logistiques. Nous terminons le chapitre par la pré-
sentation des motivations de notre travail de recherche en précisant le type de décisions
que nous aborderons, l’aspect du groupe de décideurs, l’ensemble des critères (quan-
titatifs et qualitatifs) de nature conflictuelle et l’environnement flou dans lequel nous
travaillons.
Le deuxième chapitre présente une revue de la littérature dédiée aux quatre princi-
paux éléments de recherches abordés dans cette thèse. Le premier aborde le problème
de sélection stratégique. Le second traite du problème de décision de groupe (consen-
sus). Le troisième rapporte sur les applications de la méthode TOPSIS. Le quatrième
élément recense les différents applications du modèle de goal programming (GP). Le
chapitre termine par la description de notre problématique de recherche.
Le troisième chapitre décrit quelques concepts théoriques liés à l’aide à la décision
multicritère utilisés dans le cadre de cette thèse. Tout d’abord, nous commençons par la
notion du paradigme monocritère afin de justifier notre recours au paradigme multicri-
tère et expliquer les différentes relations qui existent entre le décideur, le contexte et le
modèle décisionnel. Nous rappelons aussi la théorie des ensembles flous utilisée pour
traiter les informations imprécises et vagues. Par la suite, deux mécanismes de consen-
sus sont présentés, le premier est basé sur l’opérateur neat OWA (ordered weighted
averaging) et le second sur la mesure de possibilité. De plus, nous décrivons les diffé-
rents principes et caractéristiques du modèle non linaire CCSD (Correlation Coefficient
and Standard Deviation), de la méthode floue d’aide à la décision multicritère multi-
attributs TOPSIS (Technique for Order of Preference by Similarity to Ideal Solution) et
du modèle multi-objectifs du goal programming (GP) avec le concept des fonctions de
satisfaction. Nous terminons par la présentation d’un modèle de consensus basé sur le
modèle du goal programming.
Le quatrième chapitre expose notre première approche de résolution proposée pour
la résolution des problèmes de la sélection stratégiques. En effet, notre approche hybride
combine le consensus basé sur la mesure de possibilité et la méthode TOPSIS dans
un environnement flou. Pour illustrer l’applicabilité de notre approche, un exemple de
sélection des fournisseurs est présenté et les différentes étapes de l’approche détaillées.
Le cinquième chapitre est consacré à l’approche floue hybride combinant le consen-
sus basé sur l’opérateur neat OWA et le modèle du GP avec les fonctions de satisfaction.
Cette approche est appliquée ensuite sur le même problème du chapitre précédent. L’ob-
jectif est double, d’une part, pour montrer son applicabilité et d’autre part, pour réaliser
une comparaison avec l’approche du chapitre IV à l’aide de la distance de Levenshtein
entre la solution individuelle et la solution collective.
3
Le sixième chapitre aborde la présentation de notre dernière approche floue hybride
combinant le consensus basé sur le modèle GP et la méthode TOPSIS. Pour illustrer la
pertinence de l’approche proposée, un exemple du problème de sélection des robots est
présenté et les expériences numériques analysées.
Enfin une conclusion termine le manuscrit où nous dressons un bilan sur nos contri-
butions et des limites de nos approches développées pour la résolution des problèmes
de sélection. Aussi, nous présentons quelques perspectives et directions de recherche
prometteuses pour l’amélioration des approches développées garantissant une meilleure
coordination entre les décideurs avec un niveau de satisfaction acceptable. Sans oublier,
l’importance de la confrontation de nos approches avec les pratiques actuelles dans le
monde industriel.
4
Première partie
Contexte, problématique et état de l’art
5
Chapitre I
Contexte et motivations
Résumé
Ce chapitre est dédié principalement à la présentation du contexte et
les motivations de notre travail de recherche. En premier, un ensemble
de définitions et de concepts de base liés à la gestion de la chaîne logis-
tique ainsi que les différents niveaux décisionnels respectivement stra-
tégique, tactique et opérationnel sont présentés. Nous introduisons en-
suite le concept de la coordination, sa définition et son importance dans
la gestion efficace des chaines logistiques. Nous terminons le chapitre
par la présentation des motivations de notre travail de recherche en
précisant le type de décisions que nous aborderons, l’aspect du groupe
de décideurs, l’ensemble des critères (quantitatifs et qualitatifs) de na-
ture conflictuelle ainsi que l’environnement flou dans lequel nous tra-
vaillons.
Sommaire
I.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
I.2 Les chaînes logistiques . . . . . . . . . . . . . . . . . . . . . . . 9
I.3 Gestion de la chaîne logistique . . . . . . . . . . . . . . . . . . 10
I.3.1 Décisions stratégiques . . . . . . . . . . . . . . . . . . . . . . . 11
I.3.2 Décisions tactiques . . . . . . . . . . . . . . . . . . . . . . . . . 11
I.3.3 Décisions opérationnelles . . . . . . . . . . . . . . . . . . . . . 11
I.4 La coordination dans les chaines logistiques (SCC) . . . . . . 12
I.5 Motivations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
I.6 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
7
Chapitre I. Contexte et motivations
I.1 Introduction
Confrontées à des marchés instables, de plus en plus concurrentiels et globalisés,

beaucoup d’entreprises constatent les limites de l’optimisation de leurs seuls systèmes
de production et cherchent à explorer de nouvelles sources de compétitivité à travers
l’optimisation de leurs chaînes logistiques et de leurs relations avec leurs partenaires.
Fournir au client le produit et/ou le service désiré, avec des conditions de coût, qualité
et délais meilleures que celles offertes par les concurrents sur le marché est de nos jours
le souci majeur de chaque entreprise existant dans un marché local et/ou international.
Le monde d’hier était caractérisé par des produits standards, des productions de
masse et des demandes client généralement prévisibles. De nos jours, la situation se
situe quasiment à l’opposé. En effet, les clients de plus en plus exigeants imposent des
solutions sur mesure (variété élevée), des demandes incertaines (floues), en petites
quantités et avec un degré d’incertitude (aléatoire) toujours plus important. Un client
peut, à tout moment, changer ou annuler sa commande, même si les produits sont en
cours de livraison. Comme l’atteste Christopher (2005), la concurrence dans un futur
proche ne sera pas entre les entreprises individuelles mais entre chaînes logistiques ou ré-
seaux logistiques ‘Supply Chain’.
L’intérêt accordé à la notion de chaîne logistique résulte d’une vision globale de
l’entreprise. Les études montrent que les gains potentiels attendus par une entreprise
qui s’intéresse uniquement à sa gestion interne sont très limités si on les compare aux
gains potentiels sur toute la chaîne logistique. D’où l’intérêt de dépasser les frontières
de l’entreprise individuelle et de permettre une meilleure coordination de tous les par-
tenaires/décideurs (fournisseurs, centres de distribution, clients, etc.) dans la prise de
décision avec la qualité exigée en profitant de la synergie des partenaires à travers une
gestion globale de la chaîne.
De nos jours, les partenaires d’une chaine logistique (décideurs) utilisent des flux
d’information (systèmes d’information) mutualisés de plus en plus complexes et cherchent
à obtenir une coordination dans la prise de décision. Cette dépendance dans les situa-
tions décisionnelles implique plus de risque et d’incertitude dans la gestion des chaines
logistiques, où les objectifs sont souvent conflictuels et les désaccords sont assez fré-
quents. Par conséquent, il est nécessaire de mettre en place une démarche ou un modèle
d’aide à la coordination où les expériences et les jugements des décideurs sont pris en consi-
dération lors de l’élaboration des décisions.
Les sections I.2 et I.3 présentent un ensemble de définitions et de concepts de base
liés à la gestion de la chaîne logistique ainsi que les différents niveaux décisionnels res-
pectivement stratégique, tactique et opérationnel. La section I.4 introduit le concept de
la coordination, sa définition et son importance dans la gestion efficace des chaines lo-
8
I.2. Les chaînes logistiques
gistiques. La section I.5 recense l’ensemble des motivations de notre travail de recherche
et précise le type de décisions abordé, l’aspect du groupe de décideurs, l’ensemble des
critères (quantitatifs et qualitatifs) de nature conflictuelle ainsi que l’environnement
flou des informations manipulées.
I.2 Les chaînes logistiques
La littérature dédiée à l’étude des chaînes logistiques est très riche. Dans cette sec-
tion, nous rappelons quelques définitions de la notion de chaîne logistique. Bien que
la notion de chaine logistique touche différents secteurs d’activités (industrie du ser-
vice et industrie manufacturière), la complexité de la chaîne varie d’une industrie à une
autre et d’une entreprise à une autre. Dans la suite, les définitions présentées sont assez
générales et couvrent différents secteurs d’activités.
D’après Ganeshan et Harrison (1995), une chaîne logistique est un réseau d’entités
de production et de sites de distribution qui réalise les fonctions d’approvisionnement de
matières, de transformation de ces matières en produits intermédiaires et finis, et de distri-
bution de ces produits finis jusqu’aux clients.
Selon Blackstone et Cox (1998), une chaîne logistique est le processus depuis les
matières premières initiales jusqu’à la consommation finale du produit fini intégrant les
fournisseurs et utilisateurs – Les fonctions à l’intérieur et à l’extérieur de l’entreprise qui
permettent à la chaîne de valeur de fabriquer des produits et fournir des services au client.
Pour Fox (2002) la chaîne logistique est un réseau de fournisseurs, usines, entrepôts,
centres de distribution et détaillants à travers lequel les matières premières sont acquises,
transformé et livré au client.
Fénies et al. (2004) définissent une chaîne logistique comme un réseau global d’or-
ganisations qui coopèrent pour réduire les coûts et augmenter la vitesse des flux de matière
et d’informations entre les fournisseurs et les clients.
Généralement parlant, une chaîne logistique inclut la transformation et le transport
des produits, depuis les composants et matières premières, en passant par les diffé-
rentes phases de production, d’assemblage, de stockage et de distribution, jusqu‘à l’ob-
tention des produits finis. En plus des flux de matières, une chaîne logistique compte
deux autres flux d’informations et financiers respectivement. Chaque étape de transfor-
mation ou de distribution des produits peut impliquer des entrées venant de plusieurs
fournisseurs et des sorties allant vers plusieurs clients intermédiaires, avec également
différents flux d’informations. Une chaîne logistique est dite ‘globale’ si ses sites sont
localisés ou peuvent être localisés dans différents pays lors de sa conception. Dans ce
cas, des aspects relatifs à l’importation et l’exportation comme les taux de change, les
9
taxes douanières, les assurances, les législations doivent être prises en compte. La figure
I.1 illustre les trois flux.
Flux matière
Fournisseurs Manufacturiers Distributeurs Clients
Flux informations et flux financiers

Figure I.1 – Différents flux et entités dans une chaîne logistique
I.3 Gestion de la chaîne logistique
Il existe diverses définitions de la notion de gestion de la chaîne logistique. Selon

Simchi-Levi et al. (2003), la gestion d’une chaîne logistique est un ensemble d’approches
utilisées pour intégrer efficacement les fournisseurs, les producteurs et les centres de dis-
tribution, de manière à ce que la marchandise soit produite et distribuée avec une bonne
quantité, au bon endroit et au bon moment dans l’objectif de minimiser les coûts de pro-
duction et de garantir le niveau de service exigé par le client.
Fox (2002) définit la gestion de la chaine logistique comme étant la prise de décisions
aux niveaux stratégique, tactique et opérationnel qui optimisent les performances de la
chaîne logistique. Ainsi, c’est le contexte de la prise de décision de la chaîne logistique
qui est le plus important à comprendre.
Tan (2001) identifie deux grands courants qui ont adhéré au développement du concept
de gestion de la chaîne logistique. Le premier courant achat-approvisionnement insiste sur
l’intégration des différents partenaires de la chaîne pour une gestion optimale des activi-
tés d’approvisionnement. Le deuxième courant transport-logistique insiste sur l’intégra-
tion des partenaires de la chaîne pour une gestion optimale des activités de transport.
Pour situer les différents problèmes de gestion des chaînes logistiques, les décisions
correspondantes sont généralement regroupées en trois niveaux hiérarchiques respecti-
vement stratégique, tactique et opérationnel (Ballou, 1999).
10
I.3. Gestion de la chaîne logistique
I.3.1 Décisions stratégiques
Il s’agit de la politique à long terme de l’entreprise. Prisent sur un horizon de plus

de deux ans, ces décisions ont des impacts sur les performances et la durabilité de l’en-
treprise. La configuration de la chaîne, en particulier la localisation des différents sites
(fournisseurs, usines, centres de stockage et de distribution) et le choix des différents
modes de transport, sont des décisions stratégiques que les entreprises cherchent à op-
timiser en premier.
I.3.2 Décisions tactiques
Les décisions du niveau tactique permettent de produire au moindre coût pour satis-
faire les demandes prévisibles en s’inscrivant dans le cadre fixé par le plan stratégique
de l’entreprise (donc à ressources matérielles et humaines connues). Elles sont prisent
sur un horizon de moins de 18 mois comme par exemple la détermination des quantités
à approvisionnées, la définition d’un plan de distribution, etc.
I.3.3 Décisions opérationnelles
Le niveau opérationnel traite avec les décisions de la chaîne logistique au jour le jour
à court terme afin d’assurer le fonctionnement au quotidien de la chaîne. Des exemples
de ces décisions sont la planification, la gestion des stocks, le routage et le chargement
des camions. Également, les questions de contrôle physique des opérations de fabrica-
tion quotidiennes telles que l’usinage, l’expédition, le transfert, l’entretien, la manuten-
tion sont traitées au niveau opérationnel (Umeda et Jones, 1998; Ding, 2004; Thierry
et al., 2008).
Ces trois niveaux de décisions de gestion de la chaîne logistique se différencient par
au moins trois éléments :
— Par l’horizon de temps considéré. Les décisions opérationnelles sont prises au jour
le jour. Les décisions tactiques concernent la planification à moyen terme. Les
décisions stratégiques concernent la planification à long terme.
— Par le niveau d’agrégation. Les décisions opérationnelles sont prises au niveau de
l’atelier, les décisions tactiques au niveau de l’usine et les décisions stratégiques
au niveau de l’ensemble de l’entreprise.
— Par le niveau de responsabilité. Les décisions opérationnelles sont prises par les
agents de maîtrise, les décisions tactiques par les cadres et les décisions straté-
giques par la direction générale de l’entreprise.
11
I.4 La coordination dans les chaines logistiques (SCC)
La coordination dans les chaînes logistiques (SCC : Supply Chain Coordination) est
considérée comme l’un des sujets de recherche les plus actifs. La littérature est très riche
de travaux consacrés à la SCC comme la coordination de la production et la distribution
(Kim et al., 2005), la coordination de l’approvisionnement et la production (Munson
et Rosenblatt, 2001), la coordination de la production et l’inventaire (Grubbström et
Wang, 2003) et la coordination de la distribution et l’inventaire Yokoyama (2002). De
même, différentes définitions ont été données à la notion de "coordination". D’après
Arshinder et al. (2011), quand une décision est prise individuellement par chaque par-
tenaire sans coordination, cela peut conduire à une mauvaise gestion de la chaîne logis-
tique. Une prise de décision cohérente et coordonnée aide à éviter les conflits entre les
partenaires et conduit vers une meilleure gestion de la chaine.
La définition la plus communément admise dans la littérature est que la coordina-
tion est l’acte de gérer les dépendances entre les entités et les efforts conjoints des entités
travaillant ensemble vers des objectifs mutuellement définis (Malone et Crowston, 1994).
Toutefois, il est important de rappeler quelques définitions que nous jugeons impor-
tantes de la coordination offrant différents points de vues.
Selon Skjoett-Larsen (2000), la SCC représente le travail collaboratif pour la planifi-
cation conjointe des activités, le développement conjoint de produits, l’échange mutuel d’in-
formations en utilisant des systèmes d’information intégrés, la coordination intersectorielle
sur plusieurs niveaux de l’entreprise, la coopération à long terme et le partage équitable des
risques et des avantages.
Pour Simatupang et Sridharan (2002), la SCC signifie simplement que deux ou plu-
sieurs partenaires indépendants travaillent conjointement pour planifier à exécuter des opé-
rations avec plus de succès que lorsqu’ils agissent individuellement.
Kleindorfer et Saad (2005) affirment que la coopération et la coordination entre les
partenaires d’une même chaîne logistique sont indispensables pour éviter les risques, opti-
miser et partager équitablement les avantages.
Xu et Beamon (2006) définissent la SCC comme une réponse stratégique aux pro-
blèmes qui résultent des dépendances fortes des partenaires de la chaîne logistique.
Selon Arshinder (2008), la coordination de la chaîne logistique peut être définie
comme l’identification des activités interdépendantes entre les partenaires de la chaine
logistique et la concerption de mécanismes pour une meilleure gestion de ces interdépen-
dances.
L’analyse réalisée par Benn Lawson et al. (2006) montre qu’il y a un manque impor-
tant d’approches efficaces dédiées à une meilleure coordination des partenaires dans
12
I.5. Motivations
les chaines logistiques. De plus, avec des chaines logistiques complexes, pour faire face
aux problèmes de gestion des décisions inter-partenaires un besoin réel de coordina-
tion inévitable. Plusieurs auteurs, (Singh et Benyoucef, 2013; Arshinder et al., 2008;
Cárdenas-Barrón, 2007) ont réalisé la nécessité de développer de nouvelles approches
pour aborder les problèmes de coordination dans les chaînes logistiques de plus en
plus complexes. Bien qu’il existe des efforts réels de la part de la communauté scien-
tifique concernant la définition de la notion de coordination et la conception de méca-
nismes (outils, approches, etc) pour une meilleure coordination des différents parte-
naires, l’étude de la coordination des chaînes logistiques est encore à ses débuts.
I.5 Motivations
Nous recensons ci-dessous quelques points importants qui ont motivés le développe-
ment des nouvelles approches proposées dans le cadre de cette thèse.
1. Les partenaires d’une chaîne logistique (décideurs) exercent différentes fonctions

ou activités à différents niveaux comme l’achat, la gestion des stocks, la plani-
fication de la production, les prévisions, etc. Le plus souvent, dans une chaîne
logistique traditionnelle, les décideurs exercent leurs fonctions en prenant des dé-
cisions individuelles. Cette manière de prise de décisions est inefficace lorsqu’il
s’agit d’une chaine logistique plus complexe avec des partenaires géographique-
ment délocalisés. En effet, chaque décideur représente un ou plusieurs services de la
chaine logistique, chacun a son propre point de vue et objectifs à atteindre, d’où la
nécessité de concevoir une démarche d’aide à la coordination multidécideurs. L’état
de l’art compte peu d’approches pour coordonner entre les différents décideurs
afin d’aboutir à une solution dite de groupe (Arshinder et al., 2011).
2. De plus en plus, les préférences de chaque décideur sont floues, incomplètement
formulées, différentes d’un décideur à l’autre et susceptibles d’évoluer tout au long
de la démarche d’aide à la coordination. En effet, l’expression humaine et l’aspect
cognitif sont souvent entachés d’ambiguïtés (Zeleny, 1981; Min et Storbeck, 1991).
3. Les décideurs cherchent à atteindre des objectifs (qualitatifs et quantitatifs) mu-
tuellement définis. Ces objectifs sont de nature conflictuelle avec un caractère
d’incommensurabilité des unités de mesure. Par conséquent, la notion d’optimalité
du paradigme monocritère est complètement abandonnée vers le multicritère avec
la nation du meilleur compromis ou solution la plus satisfaisante aux yeux des déci-
deurs. Ainsi, le processus d’aide à la coordination doit permettre l’articulation des
préférences des décideurs afin de proposer des solutions appréciées par le groupe
de décideurs.
13
4. Les décideurs sont souvent issus de divers domaines de compétences et pas spécia-
lement du domaine décisionnel. Par conséquent, il est indispensable de s’assurer
que la démarche ou l’approche proposée soit en mesure d’être assimiler et adopter
facilement par le décideur car il est responsable de la décision. Autrement, s’il ne
s’implique pas par inquiétude ou par sentiment de ne pas être en contrôle de la
méthode, le processus décisionnel échoue.
I.6 Conclusion
Dans ce chapitre, nous avons présenté le contexte et les motivations de notre travail
de recherche. Dans un premier temps, quelques définitions des différents concepts liés à
la gestion et à la coordination dans la chaîne logistique ainsi que les différents niveaux
décisionnels (stratégique, tactique et opérationnel) sont abordés. Dans une deuxième
partie, nous avons présenté en détails les motivations de notre travail de recherche en
insistant sur la coordination, les préférences ambigües, la nature des objectifs conflic-
tuels (qualitatifs et quantitatifs) et l’adoption de l’approche par les membres de la chaine
logistique (décideurs).
Le chapitre qui suit donne un état de l’art présentant une revue de la littérature
concernant les quatre principaux axes de recherches de notre travail, à savoir, le pro-
blème de sélection stratégique, le problème de décision de groupe, les applications de la
méthode TOPSIS floue et du modèle de goal programming (GP). Enfin, nous terminons
le chapitre par une description détaillée du problème traité dans le cadre de ce travail
de recherche.
14
Chapitre II
État de l’art et position du problème
Résumé
Ce chapitre présente une revue de la littérature dédiée aux quatre prin-
cipaux éléments de recherches abordés dans cette thèse. Le premier
aborde le problème de sélection stratégique. Le second traite du pro-
blème de décision de groupe (consensus). Le troisième rapporte sur les
applications de la méthode TOPSIS. Le quatrième élément recense les
différents applications du modèle de goal programming (GP). Le cha-
pitre termine par la description de notre problématique de recherche.
Sommaire
II.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
II.2 Problème de sélection stratégique . . . . . . . . . . . . . . . . 17
II.3 Problème de décision de groupe (consensus) . . . . . . . . . . 19
II.4 Méthodes d’Aide à la Décision Multicritère . . . . . . . . . . 21
II.4.1 Applications de la méthode TOPSIS floue . . . . . . . . . . . . 21
II.4.2 Applications du modèle de goal programming (GP) . . . . . . . 23
II.5 Position du problème . . . . . . . . . . . . . . . . . . . . . . . . 24
II.6 Conclusions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
15
Chapitre II. État de l’art et position du problème
II.1 Introduction
Les entreprises, qui par le passé se sont senties protégées de la concurrence étrangère
à bas prix, constatent de plus en plus qu’elles doivent non seulement créer de la valeur
pour leurs clients, mais garantir des prix inférieurs à ceux proposés par la concurrence.
Fournir le produit et/ou le service désiré par le client, plus rapidement, à moindre coût
et de manière plus performante que les autres est de nos jours le souci majeur de chaque
entreprise à l’échelle locale et/ou internationale.
La coordination entre partenaires/décideurs dans les chaînes logistiques (SCC : Sup-
ply Chain Coordination) est considérée comme l’un des sujets de recherche les plus ac-
tifs. La littérature est très riche de travaux consacrés à la SCC comme la coordination de
la production et la distribution (Kim et al., 2005), la coordination de l’approvisionne-
ment et la production (Munson et Rosenblatt, 2001), la coordination de la production et
l’inventaire (Grubbström et Wang, 2003) et la coordination de la distribution et l’inven-
taire Yokoyama (2002). De même, différentes définitions ont été données à la notion
de "coordination". Selon Malone et Crowston (1994), "la coordination est la démarche
de gérer les dépendances entre les entités et les efforts conjoints des entités en travaillant
ensemble vers des objectifs mutuellement définis".
Tous ces problèmes impliquent des prises de décision dans un contexte de mondiali-
sation, de compétitivité et de mise en réseau, souvent complexes. Ces décisions peuvent
être prises au niveau individuel ou au niveau du groupe. Elles nécessitent l’implication
d’avantage des décideurs avec leurs propres systèmes de valeur et préférences. Ce pro-
cessus de décision est un processus cognitif qui conduit en général à la sélection d’une
alternative, faite à partir de plusieurs alternatives impliquant leurs évaluations.
Plusieurs auteurs, (Piplani et Fu, 2005; Cárdenas-Barrón, 2007; Arshinder et al.,
2008; Singh et Benyoucef, 2013) réalisent la nécessité de développer de nouvelles ap-
proches pour aborder les problèmes de coordination dans les chaînes logistiques. Cer-
taines approches proposent de coordonner en partageant l’information sur les coûts et
les prix (Yao et Chiou, 2004) et d’autres suggèrent la mise en œuvre des réseaux de sys-
tème d’information de gestion des stocks afin de coordonner efficacement les différentes
activités de la chaîne logistique (Verwijmeren et al., 1996).
Le reste du chapitre est dédié à la présentation de notre revue de la littérature et la
position de notre problème de recherche. La section II.2 traite le problème de sélection
stratégique. La section II.3 présente le problème de décision de groupe (consensus).
La section II.4.1 recense quelques applications de la méthode de sélection multicritère
TOPSIS floue. La section II.4.2 survole les différentes applications du modèle multi-
objectifs de goal programming (GP). Enfin, la section II.5 décrit notre problématique de
recherche.
16
II.2. Problème de sélection stratégique
II.2 Problème de sélection stratégique
De plus en plus, les membres/partenaires de la chaîne logistique prennent collecti-

vement un certain nombre de décisions de natures tactiques et stratégiques afin d’at-
teindre des objectifs mutuellement définis. Parmi ces décisions, nous citons la sélection
des partenaires, des sites, des machines, des technologies, des systèmes de transport,
des plannings, etc. Toute sélection efficace nécessite la prise en compte d’un certain
nombre de critères d’évaluation. En effet, une décision de sélection stratégique est sou-
vent considérée comme un problème d’aide à la décision multicritère multidécideurs,
généralement complexe et non structuré. Dans le cadre de cette thèse, la coordination
entre les décideurs pour le problème de sélection dans les chaînes logistiques est considéré
comme un problème multidécideurs multicritères d’aide à la décision (GDM : Group Deci-
sion Making).
Au cours des dernières années, le problème de sélection stratégique a reçu une at-
tention particulière de la part de la communauté scientifique. De nombreux chercheurs
ont proposé plusieurs approches pour faire face à ce problème de sélection. La plu-
part des travaux publiés utilisent des techniques et des méthodes comme AHP (Analytic
Hierarchy Process), TOPSIS (Technique for Order of Preference by Similarity to Ideal
Solution), P-SVM (Potential Support Vector Machine), programmation des préférences
(PP), programmation mathématique (MP), . . . ,etc.
Singh et Benyoucef (2013) présentent une formulation multidécideurs multicritères
d’aide à la décision au problème de sélection stratégique. Les auteurs proposent une ap-
proche hybride floue combinant le l’opérateur neat OWA avec la méthode TOPSIS. Pour
illustrer l’applicabilité de la ’approche, un exemple est fourni et les résultats numériques
analysés.
Zouggari et Benyoucef (2012) développent une approche hybride floue couplant
AHP, capitalisation des connaissances, TOPSIS et simulation pour résoudre un problème
traitant de la sélection des fournisseurs dans une chaîne logistique avec affectation des
ordres d’achat dans un environnement dynamique et aléatoire.
Guneri et al. (2009) développent une approche de programmation linéaire floue
pour la résolution du problème de sélection des fournisseurs. Initialement, les variables
linguistiques exprimées en nombres flous trapézoïdaux sont appliquées pour évaluer
les poids des critères de sélection. Ensuite, un modèle basé sur les ensembles flous est
exprimé et les points de références idéales et anti-idéales flous sont utilisés pour trouver
le coefficient de proximité de chaque fournisseur. Ensuite, sur la base de ces coefficients
et en intégrant la qualité des fournisseurs, les contraintes de capacité et de budget dans
un modèle de programmation linéaire, les auteurs identifient les fournisseurs les plus
satisfaisants ainsi que les quantités de commande nécessaires.
17
van der Rhee et al. (2009) proposent une approche pour trouver un compromis entre
les décideurs afin d’agréger les différentes critères lors de la sélection. Initialement,
pour évaluer ce compromis en termes de coûts, de délais de livraison, de flexibilité
et de valeur ajoutée du service dans le processus de sélection, une étude empirique est
présentée. Cette étude est fondée sur l’utilité de marché connue sous le nom de l’analyse
des choix discrets (DCA : Discrete Choice Analysis).
Une approche à deux phases utilisant le processus du réseau analytique (ANP : Ana-
lytic Network Process) et de la programmation mixte en nombres entiers (MIP) pour
le problème de sélection de fournisseur est proposé par Wu et al. (2009). Onut et al.
(2009) proposent une approche hybride floue combinant le processus du réseau analy-
tique (FANP) et la méthode TOPSIS floue afin d’évaluer et sélectionner les fournisseurs
les plus appropriés pour une société de télécommunication dans le secteur GSM..
Sevkli et al. (2008) proposent une méthode dénommée DEAHP (Data Envelopment
Analytic Hierarchy) un couplage de la méthode DEA avec la méthode AHP pour trai-
ter le problème de choix de fournisseurs chez BOEING. La méthode DEAHP comprend
principalement trois étapes, respectivement : (i) définition des critères de décision pour
l’implémentation de la structure hiérarchique ; (ii) calcul des poids des critères et (iii)
calcul du poids global de chaque fournisseur. Les auteurs comparent les résultats ob-
tenus par DEAHP et AHP en utilisant un cas d’étude de BOEING. Ils concluent que les
résultats obtenus par DEAHP sont meilleurs que ceux obtenus par la méthode AHP.
Chan et al. (2008) abordent un problème de sélection à l’échelle internationale. Les
auteurs utilisent la méthode AHP floue pour résoudre le problème. Ils justifient le choix
de la méthode AHP par sa nature pratique et systématique pour ce type de problème.
De plus, la logique floue est utilisée en raison de sa capacité de représenter les informa-
tions incertaines. Un exemple numérique est présenté permettant de valider la méthode.
Pour conclure, les auteurs constatent que la complexité du problème croit en fonction
du nombre des critères et sous-critères utilisés dans une dimension internationale du
problème.
Kannan et Haq (2007) analysent l’interaction des critères et des sous-critères utilisés
dans le problème de sélection des fournisseurs dans une chaine logistique. Ils présentent
une approche utilisant la méthode de la modélisation structurelle d’interprétation (ISM :
Interpretive Structural Modeling) pour identifier, classer et trouver l’interaction entre les
critères et sous-critères.
Jain et al. (2007) présentent un état de l’art dédié aux méthodes utilisées pour
la résolution du problème de sélection des fournisseurs. Ils recensent l’ensemble des
méthodes utilisées et listent les avantages et les inconvénients de chacune. Les au-
teurs proposent une méthode floue basée sur les algorithmes de réglés d’exploration
des données (Association Rules Mining Algorithms) pour avoir plus de flexibilité dans
18
II.3. Problème de décision de groupe (consensus)
l’évaluation des fournisseurs et les prises de décisions. Les auteurs justifient le choix de
l’utilisation de la théorie des ensembles flous par la nature des informations utilisées qui
ont une forme qualitative et non quantitative. Après la définition des différents critères,
les auteurs utilisent une base de données qui contient certaines informations propres à
chaque fournisseur par rapport aux critères de sélection. Sur un exemple numérique,
les auteurs montrent l’efficacité de la méthode développée et insistent sur le fait que les
règles peuvent être exploitées via une base de données pour fournir aux décideurs une
évaluation plus souple des fournisseurs potentiels.
II.3 Problème de décision de groupe (consensus)
Pour la plupart des problèmes de prise de décision collective ou décision de groupe

(GDM : Group Decision Making), il est souvent nécessaire de mettre au point un pro-
cessus de consensus dans le but d’obtenir une préférence collective. Généralement, le
consensus est défini comme l’accord global et unanime de tous les décideurs ou de
toutes les parties prenantes en ce qui concerne toutes les solutions possibles (alter-
natives). Cependant, les chances de parvenir à un tel accord global sont très faibles
(Herrera-Viedma et al., 2007a). Le consensus permet aux décideurs de faire la diffé-
rence entre deux états seulement, à savoir, l’existence ou l’absence d’accord. En outre,
un accord complet n’est pas nécessaire dans la vie réelle. Cela a conduit à l’utilisation
et à la définition d’un nouveau concept de degré de consensus, appelé degré souple de
consensus.
Le processus de consensus est défini comme un processus dynamique et itératif de
discussion entre les décideurs, coordonné par un modérateur (pas nécessairement), qui
aide les décideurs à apprendre à travers leurs propres préférences, expériences et juge-
ments. À chaque étape de ce processus, le modérateur connaît le niveau réel de consen-
sus entre les décideurs, au moyen de la mesure de consensus, qui établit la distance de
l’état idéal de consensus. D’autre part, les mesures de consensus souples sont généra-
lement calculées en utilisant uniquement les préférences exprimées par les décideurs
(Kacprzyk et Fedrizzi, 1988; Herrera et al., 1996; Zadrożny, 1997). Ainsi, une mesure
de consensus souple est définie par la mesure de la coïncidence ou la distance entre les
préférences des décideurs (par exemple, au moyen de la distance euclidienne). L’état
de l’art est riche de travaux dédiés aux développement de modèles, méthodes et mé-
canismes de consensus pour traiter les problèmes GDM. Dans la suite, nous rappelons
quelques modèles de consensus.
Bouzarour-Amokrane et al. (2015) proposent un modèle bipolaire flexible qui per-
met dans un premier temps d’évaluer au niveau individuel (pour chaque décideur) les
alternatives en distinguant leurs aspects positifs et négatifs vis-à-vis des objectifs à at-
19
teindre. Les auteurs utilisent la théorie des jeux satisfaisants dans le modèle bipolaire
pour l’obtention de deux mesures à savoir, une mesure de sélectabilité et une mesure
de rejetabilité afin d’arriver à une décision finale pour chaque décideur. L’analyse BOCR
(bénéfice (B), opportunité (O), coût (C) et risque (R)) est intégrée afin de prendre en
considération la notion d’incertitude à travers les facteurs d’opportunité et de risque.
Les auteurs décrivent deux manières afin d’atteindre un consensus entre les décideurs.
La première se fait en agrégeant les mesures obtenues précédemment dans des valeurs
de sélectabilité et de rejetabilité uniques ou globales (ce qui revient à un problème
mono-décideur). La deuxième est faite en utilisant les préférences locales.
García et al. (2012) présentent un modèle de consensus basé sur les mesures de
consensus et de proximité, et le concept de coïncidence entre les préférences. Par railleurs,
les auteurs conçoivent un mécanisme de rétroaction automatique pour guider le groupe
de décideurs dans leur processus de consensus.
Hatami-Marbini et Tavana (2011) proposent une méthode de surclassement floue
par extension de la méthode Electre I qui prend en compte les évaluations incertaines,
imprécises et linguistiques fournies par un groupe de décideurs. Ils définissent les rela-
tions de surclassement par comparaisons par paires et utilisent les graphes de décisions
pour déterminer quelle alternative est préférable, incomparable ou indifférente dans un
environnement flou.
Noor-E-Alam et al. (2011) développent un consensus utilisant les valeurs linguis-
tiques floues afin de modéliser le mieux les préférences des décideurs dans un pro-
blème GDM. Pour gérer le processus d’agrégation des conflits de manière efficace, deux
consensus appropriés sont proposés dans une méthode floue d’aide à la décision multi-
critère, respectivement, la mesure de possibilité et la moyenne d’agrégation des conflits.
Dans ces consensus, les préférences sont traitées dans un environnement flou. Les expé-
riences numériques montrent que le consensus utilisant la mesure de possibilité fournit
des résultats plus réalistes et fiables par rapport à la moyenne d’agrégation des conflits.
Mata et al. (2009) analysent les processus de consensus dans les problèmes GDM
à l’aide de valeurs linguistiques multi-granulaire. Ils proposent un modèle adaptatif
de consensus pour guider les décideurs dans leur démarche décisionnelle et réduire le
nombre d’itérations de consensus.
Herrera-Viedma et al. (2007a) présentent un modèle de consensus pour les pro-
blèmes GDM avec des relations incomplètes des préférences floues en utilisant les me-
sures de cohérence et de consensus. Le modèle utilise ces deux types de mesures visant
à guider le processus à atteindre un consensus entre les décideurs.
Herrera-Viedma et al. (2002) proposent un modèle de consensus pour les problèmes
GDM avec différentes structures et ordre de préférence, valeurs d’utilité et relations de
20
II.4. Méthodes d’Aide à la Décision Multicritère
préférence floue. Ce modèle de consensus permet de modéliser les actions du modéra-
teur afin de guider le processus de consensus automatiquement.
II.4 Méthodes d’Aide à la Décision Multicritère
Le processus de prise de décision exige généralement, à différents niveaux et stades,

l’implication du décideur. Les différentes méthodes et approches développées dans le
domaine de l’aide à la décision multicritère intègrent différemment les préférences du
décideur. Nous pouvons classer ces méthodes selon l’instant de la prise en compte des
informations concernant les préférences du décideur (Hwang et al., 1980; Evans, 1984;
Pongpeng et Liston, 2003; Aouni et al., 2009; Munro et Aouni, 2012). Ainsi, nous avons
4 catégories :
1. Méthodes sans articulation des préférences des décideurs : ces méthodes n’in-
tègrent pas explicitement la structure de préférence du décideur (ex : méthodes à
critère global, TOPSIS,. . . ).
2. Méthodes avec articulation a priori des préférences des décideurs : dans ces mé-
thodes, les préférences du décideur sont introduites au début du processus de
prise de décision par le biais des fonctions d’utilité ou fonctions de valeur (ex :
méthodes des sommes pondérées, avec fonction d’utilité, goal programming,. . . ).
3. Méthodes avec articulation progressive des préférences des décideurs : ces mé-
thodes sont basées sur une procédure interactive où la recherche de la solution
la plus satisfaisante constitue une séquence d’action-réaction entre le décideur et
l’analyste (ex : méthodes STEM, SIGMOP, de Steuer, . . . ).
4. Méthodes avec articulation a posteriori des préférences des décideurs : dans ces
méthodes, le décideur est appelé à examiner l’ensemble des solutions efficaces
générées par un algorithme donné, puis il choisit la plus satisfaisante (ex : PRO-
MÉTHÉE, NSGA-II, . . . ).
Dans le cadre de cette, notre choix s’est porté sur l’utilisation de la méthode TOPSIS
et le modèle du goal programming (GP). La méthode TOPSIS et le modèle GP sont
généralement considérés comme appartenant aux méthodes sans articulation ou avec
articulation a priori des préférences du décideur (Lai et al., 1994; Aouni et al., 2009).
Dans la suite, nous présentons quelques travaux sur les applications des deux méthodes.
II.4.1 Applications de la méthode TOPSIS floue
Behzadian et al. (2012) fournissent une riche documentation concernant les applica-
tions de la méthode TOPSIS floue pour la résolution des problèmes MCDM (multicriteria
21
decision making). Les applications sont variées et touchent différents secteurs comme
la sélection des fournisseurs (Chen et al., 2006; Singh et Benyoucef, 2012; Zouggari et
Benyoucef, 2012), l’évaluation de la formation initiale des aéronefs (Wang et Chang,
2007), l’évaluation du système robotique industriel (Kahraman et al., 2007), la sélec-
tions des systèmes de fabrication flexibles (Venkata Rao, 2008), l’évaluation des entre-
prises manufacturières (Zeydan et Çolpan, 2009),. . . ,etc.
Nazam et al. (2014) développent un modèle d’évaluation basé sur la méthode TOP-
SIS floue et le processus de hiérarchie analytique (AHP) afin de sélectionner le projet
le plus approprié avec le minimum de risque. Les poids des critères sont calculés en
utilisant la théorie des ensembles flous et l’AHP. Afin de minimiser le risque, TOPSIS est
appliquée pour déterminer le niveau de classement final des projets d’appel d’offres en
fonction de leur coefficient de proximité.
Kannan et al. (2014) appliquent la méthode TOPSIS floue pour déterminer le four-
nisseur le plus approprié parmi un ensemble de fournisseurs écologiques potentiels.
Les auteurs comparent le classement donné par la méthode TOPSIS floue avec le clas-
sement fourni par la moyenne géométrique. Au final, une analyse de sensibilité est
proposée pour examiner l’influence des préférences des décideurs sur la sélection des
fournisseurs écologiques.
Temur et al. (2014) utilisent la méthode de TOPSIS floue pour résoudre le problème
de sélection d’un emplacement/localisation d’un site. Ils font appel à la théorie des en-
sembles flous pour modéliser les préférences des décideurs. Pour illustrer l’applicabilité
de la méthode, un cas d’étude industriel du recyclage des déchets est présenté.
Tian et al. (2013) proposent un couplage de la méthode TOPSIS floue avec le test
du χ2 pour le problème de sélection des sources d’information. La méthode AHP et les
poids d’entropie (EW : Entropy Weights) sont intégrés afin d’atténuer les conflits entre
les décideurs. En outre, les auteurs remplacent la distance euclidienne de la méthode
TOPSIS floue par la valeur du test χ2 pour affiner le coefficient de proximité relative.
Mehrjerdi (2013) développent une extension de la méthode TOPSIS floue pour le pro-
blème de sélection du système RFID (Radio Fréquence Identification).
Zouggari et Benyoucef (2012) présentent une approche hybride pour les problèmes
GDM de sélection de fournisseur avec la répartition des commandes. Les auteurs uti-
lisent en premier, la méthode AHP floue pour la sélection des fournisseurs. Ensuite,
une simulation basée sur la méthode TOPSIS floue est appliquée pour déterminer les
poids des commandes affectées aux fournisseurs sélectionnés. Chamodrakas et Marta-
kos (2012) adaptent la méthode TOPSIS floue dans le contexte hétérogène des réseaux
sans fil, mobile de 4ème génération pour sélectionner le réseau d’accès le plus approprié.
22
II.4. Méthodes d’Aide à la Décision Multicritère
Onut et al. (2009) proposent une approche basée sur un couplage entre la méthode
ANP floue et la méthode TOPSIS floue pour la résolution du problème de sélection de
fournisseurs. Des nombres flous triangulaires sont utilisés dans toutes les matrices de
comparaison. Les critères prix, qualité, temps de livraison et temps de production sont
utilisés lors de la sélection.
II.4.2 Applications du modèle de goal programming (GP)

Le modèle multi-objectifs du goal programming (GP) est largement utilisé et accepté
par les chercheurs et les industriels en raison de sa facilité d’utilisation, son adaptabilité
et son efficacité de fournir les solutions les plus appropriées auprès des décideurs. Ainsi,
il existe de nombreuses variantes du modèle GP qui peuvent être trouvées dans Munro
et Aouni (2012). Les auteurs fournissent une nouvelle typologie basée sur la manière
d’intégrer et selon le moment où on fait intervenir l’information sur les préférences du
décideur dans les variantes du modèle GP.
Khorramshahgol et al. (2014) développent deux formulations de modèle GP pour
deux entreprises de l’industrie pétrolière. Les deux modèles offrent trois scénarios de
GP sur la base de l’analyse de l’échange. Les études de cas avec des représentants de l’in-
dustrie pétrolière ont permet d’intégrer d’avantage leurs préférences. Des expériences
numériques et analyses sont présentées.
Liao et Kao (2014) proposent une méthode basée sur le développement de la fonc-
tion de qualité (QFD : Quality Function Development), le processus étendu et flou de
l’hiérarchie analytique (FEAHP : Fuzzy Extended Analytic Hierarchy Process) et le mo-
dèle GP multi-segment (MSGP). L’objectif des auteurs est d’améliorer les opérations de
services logistiques.
Choudhary et Shankar (2014) présentent trois variantes de GP (GP préventif, GP non
préemptif et GP max-min flou pondéré). Les auteurs résolvent le problème de sélection
des fournisseurs et de sélection des transporteurs. Dans les modèles proposés, le coût
de transport est exprimé explicitement en fonction de la quantité de marchandises et la
distance de transport entre l’acheteur et le fournisseur.
Sharma et Balan (2013) développent une approche en trois phases pour le problème
de sélection des fournisseurs. Dans la première phase, les auteurs identifient la perte
de la qualité à l’aide de la fonction de perte de Taguchi. Dans la deuxième phase, ils
utilisent TOPSIS pour la détermination des différents poids. Dans la troisième phase,
les auteurs sélectionnent le fournisseur le plus approprié à l’aide du modèle GP.
Silva et al. (2013) proposent un modèle GP mixte à choix multiples (CMIM-GP).
Ils traitent un cas réel de planification de la production d’une compagnie de sucre et
d’éthanol. Au final, les auteurs comparent leur modèle MCMI-GP avec le modèle GP
classique.
23
II.5 Position du problème
Dans le cadre de cette thèse, notre objectif est de développer une approche multicri-
tère d’aide à la coordination des décideurs pour la résolution des problèmes de sélection
dans les chaines logistiques. En effet, nous considérons le cas où un groupe de k déci-
deurs, notés STt , t = 1, . . . , k, en charge de l’évaluation et le classement d’un ensemble
m alternatives potentielles notées Ai , i = 1, . . . , m. Les alternatives sont évaluées dans
un environnement flou tout en prenant en considération à la fois n critères conflictuels
subjectifs (qualitatifs) et objectifs (quantitatif) notés Cj , j = 1, . . . , n. Initialement,
chaque décideur (STt ) est amené à exprimer ses préférences pour chaque alternative Ai
par rapport à chaque critère Cj à travers une matrice floue appelée matrice de préférence.
La figure II.1 présente une illustration de notre problématique.
Figure II.1 – Illustration de notre problématique
II.6 Conclusions
Dans ce chapitre, nous avons présenté une revue de la littérature des travaux de
recherche dédiés aux problèmes de sélection stratégique, aux problèmes de décision de
groupe, aux applications de la méthode multicritère TOPSIS floue et aux applications
du modèle de goal programming (GP). Enfin, nous avons présenté la description du
problème traité dans le cadre de ce travail de recherche.
Dans le chapitre suivant, nous présentons quelques concepts théoriques liés à l’aide
à la décision utilisés dans le cadre de cette thèse. L’objectif est de préparer le lecteur
aux notions du paradigme multicritère et à la théorie des nombres flous. Aussi, nous
exposons les outils multicritères utilisés dans le développement de nos approches d’aide
à la décision.
24
Deuxième partie
Contributions
25
Chapitre III
Quelques concepts théoriques
Résumé
Ce chapitre décrit quelques concepts théoriques liés à l’aide à la dé-
cision multicritère utilisés dans le cadre de cette thèse. Tout d’abord,
nous commençons par la notion du paradigme monocritère afin de
justifier notre recours au paradigme multicritère et expliquer les dif-
férentes relations qui existent entre le décideur, le contexte et le modèle
décisionnel. Nous rappelons aussi la théorie des ensembles flous utili-
sée pour traiter les informations imprécises et vagues manipulées dans
cette thèse. Par la suite, deux mécanismes de consensus sont présentés,
le premier est basé sur l’opérateur neat OWA (ordered weighted avera-
ging) et le second sur la mesure de possibilité. De plus, nous décrivons
les différents principes et caractéristiques du modèle non linaire CCSD
(Correlation Coefficient and Standard Deviation), de la méthode floue
d’aide à la décision multicritère multi-attributs TOPSIS (Technique for
Order of Preference by Similarity to Ideal Solution) et du modèle multi-
objectifs du goal programming (GP) avec le concept des fonctions de sa-
tisfaction. Nous terminons par la présentation d’un modèle de consen-
sus basé sur le modèle du goal programming.
27
Chapitre III. Quelques concepts théoriques
Sommaire
III.1 Paradigmes mono et multicritère . . . . . . . . . . . . . . . . . 29
III.2 Les nombres et les ensembles flous . . . . . . . . . . . . . . . . 30
III.2.1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
III.2.2 Opérations et propriétés . . . . . . . . . . . . . . . . . . . . . . 32
III.2.3 Relations floues . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
III.2.4 Nombres flous . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
III.2.5 Les valeurs linguistiques . . . . . . . . . . . . . . . . . . . . . . 37
III.2.6 Défuzzification . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
III.3 Consensus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
III.3.1 Consensus flou basé sur l’opérateur neat OWA . . . . . . . . . 39
III.3.2 Consensus flou basé sur la mesure de possibilité . . . . . . . . . 41
III.4 Modèle de CCSD . . . . . . . . . . . . . . . . . . . . . . . . . . 43
III.5 Méthode TOPSIS floue . . . . . . . . . . . . . . . . . . . . . . . 46
III.6 Modèle de goal programming et le concept des fonctions de
satisfaction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
III.6.1 Modèle de goal programming . . . . . . . . . . . . . . . . . . . 48
III.6.2 Fonctions de satisfaction . . . . . . . . . . . . . . . . . . . . . . 49
III.6.3 Consensus flou basé sur le modèle GP . . . . . . . . . . . . . . 50
III.7 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
28
III.1. Paradigmes mono et multicritère
III.1 Paradigmes mono et multicritère
Un "paradigme" scientifique tel qu’il était défini par Kuhn (1983) est un ensemble de
croyances, une représentation du monde, un modèle cohérent de vision du monde qui
repose sur une base définie. C’est une forme de rail de la pensée dont les lois ne doivent
pas être confondues avec celles d’un autre paradigme et qui, le cas échéant, peuvent
aussi faire obstacle à l’introduction de nouvelles solutions mieux adaptées. Cette notion
est rattachée à celle d’idéologie, au sens de la science des idées et des représentations.
Une très intéressante analyse présentée part Munda (1993) de certains outils multicri-
tères d’aide à la décision de point de vue épistémologique (voir aussi, Henig et Buchanan
(1996)) par rapport à l’articulation des préférences du décideur (la prise en considéra-
tion explicitement des préférences du décideur). Il indique certaines caractéristiques
souhaitables dans une approche multicritère d’aide à la décision.
Le paradigme monocritère suppose que le processus décisionnel consiste seulement
à formuler le contexte décisionnel en un modèle d’optimisation en tenant compte d’un
seul objectif à maximiser ou à minimiser (une seule dimension). Ainsi, ce paradigme se
limite à la recherche d’une solution dite "optimale" (Kuhn, 1983) et aide le décideur en
prenant compte seulement un critère, voir les choses avec une seule dimension et sup-
poser que les préférences des décideurs sont bien cernées. Cependant, les préférences
du décideur évoluent tout au long du processus décisionnel et la nature conflictuelle
des objectifs ne permet pas une optimisation simultanée de ces derniers. Ainsi, quand
les scientifiques ont observé les limites et les anomalies du paradigme monocritère,
l’abandon de ce dernier vers la notion de satisfaction et meilleur compromis (aux yeux
du décideur qui est le plus concerné par cette solution) du paradigme multicritère été
essentielle à partir des années 1970 (Lockett, 1984; Munda, 1993; Henig et Buchanan,
1996).
La figure III.1 illustre le climat d’échange et d’interaction entre le modèle, le contexte
décisionnel concerné par le décideur. Nous décrivons ci-dessous, les différentes relations
existantes entre le décideur, le contexte et le modèle décisionnel.
29
Décideur
Modèle Contexte
décisionnel décisionnel
Figure III.1 – Les relations entre les trois composantes du modèle décisionnel d’Aouni
(1998)
— Relation modèle-contexte : Chaque modèle incarne la manière dont l’analyste

(l’auteur du modèle) aperçoit le contexte réel où ce dernier enrichit le modèle à
travers les informations qui proviennent directement de l’environnement décision-
nel.
— Relation modèle-décideur : Le modèle permet de modéliser les préférences du

décideur par rapport à chaque action et ainsi le décideur peut explorer chaque so-
lution proposée par le modèle dans le but de bien évoluer vers celle qui le satisfera
le plus.
— Relation contexte-décideur : Le contexte décisionnel représente l’environnement

où le décideur se situe et tire ses informations.
Ainsi, l’interaction entre les trois composantes peut qu’enrichir le processus décision-
nel et permettre d’attendre des solutions les plus satisfaisantes aux yeux du décideur
sans décider à sa place (Aouni, 1998).
III.2 Les nombres et les ensembles flous
Les ensembles flous introduits par Zadeh en 1965, nous fournissent un nouvel outil
mathématique pour faire face à l’incertitude de l’information. Depuis, la théorie des
ensembles flous a été rapidement développée et de nombreuses applications réelles
réussites des ensembles flous et des systèmes de vastes champs ont fait leur apparition.
Dans cette section, nous passerons en revue les concepts de base des ensembles flous,
30
III.2. Les nombres et les ensembles flous
relations floues, nombres flous et les variables linguistiques qui seront utilisé dans le
reste de ce manuscrit.
III.2.1 Définitions
Définition 1. (Ensemble flou)

Soit X un ensemble ordinaire. Un ensemble flou Ã de X est défini par sa fonction
d’appartenance µÃ .
µÃ : X → [0, 1] (III.1)

x 7→ µÃ (x) ∈ [0, 1]
La valeur de µÃ (x) représente le degré d’appartenance de x dans X et est interprété

comme la mesure dans laquelle x appartient à Ã. Par conséquent, plus la valeur de µÃ(x)
est proche 1, plus x appartient à Ã.
Un ensemble ordinaire A de X peut être considéré comme un ensemble flou en X
avec une fonction d’appartenance identique à sa fonction caractéristique µA donnée par

 1 si x∈A
µA (x) = (III.2)
 0 si x∈
/A
Un ensemble flou Ã peut être considéré comme un ensemble de paires ordonnées

d’éléments x et de degré µÃ (x) noté par
Ã = {(x, µÃ (x)) |x ∈ X} (III.3)
où chaque paire (x, µÃ (x)) est appelée un singleton (ensemble ne contenant qu’un
unique élément).
Lorsque X est un ensemble dénombrable ou fini, un ensemble flou Ã sur X est
exprimé comme
X
Ã = µÃ (xi )/xi (III.4)
xi ∈X
Lorsque X est un ensemble fini dont les éléments sont x1 , x2 , ..., xn , un ensemble flou
31
Ã sur X est exprimé comme
n o
Ã = x1 , µÃ(x1 ) , x2 , µÃ(x2 ) , . . . , xn , µÃ(xn ) (III.5)
Lorsque X est un ensemble infini et dénombrable, un ensemble flou Ã de X est

exprimé comme
Z
Ã = µÃ (x)/x (III.6)
X
Les opérateurs ′ +′ , ′ ′ et ′ ′ ne se réfèrent pas à une addition et intégrale ordinaires,

P R
mais à l’union des fonctions d’appartenance. De même, ′ /′ n’indique pas une division
ordinaire, mais il s’agit simplement d’un marqueur.
Définition 2. (Support)
Soit Ã un ensemble flou sur X, alors le support de Ã, noté supp(Ã), est l’ensemble
ordinaire donné par

supp Ã = {x ∈ X|µÃ (x) > 0} (III.7)
Définition 3. (Hauteur)
Soit Ã un ensemble flou sur X. La hauteur de Ã, notée htr(Ã), est définie comme

htr Ã = sup µÃ (x) (III.8)
x∈X
Si htr(Ã) = 1, alors l’ensemble flou Ã est appelé un ensemble flou normal, sinon il
est dit subnormal.
Définition 4. (Ensemble flou vide)
Un ensemble flou Ã est vide, noté ∅, si µÃ (x) = 0 ∀x ∈ X.
III.2.2 Opérations et propriétés
Définition 5. (Sous-ensemble flou)

Soient Ã et B̃ deux ensembles flous sur X. L’ensemble flou Ã est appelé un sous-
ensemble de B̃ (ou Ã est contenu dans B̃), noté Ã ⊂ B̃, si la condition suivante est
vérifiée :
µÃ (x) ≤ µB̃ (x) ∀x ∈ X (III.9)
32
Définition 6. (Égalité)
Soient Ã et B̃ deux ensembles flous sur X. Ã et B̃ sont égaux, noté par Ã = B̃ si les
deux conditions suivantes sont vérifiées :
Ã ⊂ B̃ et B̃ ⊂ Ã (III.10)
Définition 7. (Union)
Soient Ã et B̃ deux ensembles flous sur X. L’union de Ã et B̃, notée Ã ∪ B̃, est un
ensemble flou sur X dont la fonction d’appartenance est donnée par :
∀x ∈ X µÃ∪B̃ (x) = max (µÃ (x), µB̃ (x)) (III.11)

= µÃ (x) ∨ µB̃ (x)
Définition 8. (Intersection)
Soient Ã et B̃ deux ensembles flous sur X. L’intersection de Ã et B̃, notée Ã ∩ B̃, est
un ensemble flou sur X dont la fonction d’appartenance est donnée par :
∀x ∈ X µÃ∩B̃ (x) = min (µÃ (x), µB̃ (x)) (III.12)

= µÃ (x) ∧ µB̃ (x)
Définition 9. (Complémentarité)
Soit Ã un ensemble flou sur X. Le complémentaire de Ã, noté Ãc , est un ensemble flou
sur X dont la fonction d’appartenance est donnée par :
∀x ∈ X, µÃc (x) = 1 − µÃ (x) (III.13)
Soient Ã, B̃ et C̃ trois ensembles flous sur X. En plus des propriétés précédentes,
nous avons :
1. ∅ ⊂ Ã ⊂ X.
2. Réflexivité : Ã ⊂ Ã.
3. Transitivité : si Ã ⊂ B̃ et B̃ ⊂ C̃, alors Ã ⊂ C̃.
4. Commutativité : Ã ∪ B̃ = B̃ ∪ Ã et Ã ∩ B̃ = B̃ ∩ Ã.

5. Associativité : Ã ∪ B̃ ∪ C̃ = Ã ∪ B̃ ∪ C̃ et Ã ∩ B̃ ∩ C̃ = Ã ∩ B̃ ∩ C̃

6. Distributivité : Ã ∪ B̃ ∩ C̃ = Ã ∩ C̃ ∪ B̃ ∩ C̃ et Ã ∩ B̃ ∪ C̃ = Ã ∪ C̃ ∩

B̃ ∪ C̃
33

7. Absorption : Ã ∪ B̃ ∩ Ã = Ã et Ã ∩ B̃ ∪ Ã = Ã
c c
8. Lois de De Morgan : Ã ∪ B̃ = Ãc ∩ B̃ c et Ã ∩ B̃ = Ãc ∪ B̃ c
c
9. Involution : Ãc = Ã
Il est important de noter que les lois de complémentarité et de exclusivité rencon-

trées dans les ensembles ordinaires ne sont plus valables pour les ensembles flous i.e.,
Ã ∩ Ãc 6= ∅ et Ã ∪ Ãc 6= X
III.2.3 Relations floues
Définition 10. (Relation floue)
Soient X et Y deux ensembles ordinaires et X × Y le produit cartésien.

Une relation R̃ sur X × Y est définie comme
R̃ = {((x, y) , µR̃ (x, y)) | (x, y) ∈ X × Y } (III.14)
où µR̃ : X → [0, 1] est le degré de la fonction d’appartenance.

Si X = Y , R̃ est une relation floue sur X.
Définition 11. (Réflexivité floue)
Soit R̃ une relation floue sur X × X.
1. R̃ est appelée réflexive si
∀x ∈ X µR̃ (x, x) = 1 (III.15)
2. R̃ est appelée antiréflexive si
∀x ∈ X µR̃ (x, x) 6= 1 (III.16)
3. Si (III.15, III.16) ne sont pas satisfaites, alors R̃ est irréflexive.
Définition 12. (Symétrie floue)
Soit R̃ une relation floue sur X × X.
1. R̃ est appelée symétrique si
∀x, y ∈ X µR̃ (x, y) = µR̃ (y, x) (III.17)
34
2. R̃ est appelée asymétrique si
∀x, y ∈ X µR̃ (x, y) 6= µR̃ (y, x) (III.18)
3. Si (III.17, III.18) ne sont pas satisfaites, alors R̃ est antisymétrique.
III.2.4 Nombres flous
Définition 13. (Nombre flou)

Un ensemble flou z̃ sur R est appelé un nombre flou s’il satisfait les conditions
suivantes :
1. z̃ est normal, i.e., ∃x0 ∈ R µz̃ (x0 ) = 1.
2. zα est un intervalle fermé pour chaque α ∈ (0, 1], noté par [zαL , zαR ].
3. Le supp(z̃) est borné.
Définition 14. (Nombre flou triangulaire)

Un nombre flou triangulaire (TFN) z̃ sur R est défini par un triplet (a, b, c) avec
la fonction d’appartenance µz̃ (x) donnée par III.19 et illustrée par la figure III.2.

x−a


 b−a
a≤x≤b
c−x
µz̃ (x) = c−b
b≤x≤c (III.19)



0 sinon
µz̃ (x)
1
0 |
a
| |
c
b R
Figure III.2 – Fonction d’appartenance triangulaire
Définition 15. (Nombre flou trapézoïdal)
35
Un nombre flou trapézoïdal (TrFN) z̃ sur R est défini par un quadruplet (a, b, c, d)
avec la fonction d’appartenance µz̃ (x) donnée par (III.20) et illustrée par la figure III.3.

x−a


 b−a
a≤x≤b

1 b≤x≤c


µz̃ (x) = d−x
(III.20)



 d−c
c≤x≤d


0 sinon
µz̃ (x)
1
0 |
a
| |
c
|
b d R
Figure III.3 – Fonction d’appartenance trapézoïdale
Définition 16. (Opérateurs)

Soit F (R) l’ensemble de tous les nombres flous sur R. ∀z̃, w̃ ∈ F (R), α ∈ R et α > 0,
les nombres flous (z̃ + w̃), (z̃ − w̃), (αz̃) et (z̃ × w̃) sont définis par les fonctions d’appar-
tenance suivantes :
µz̃+w̃ (t) = sup min {µz̃ (u), µw̃ (v)} (III.21)

t=u+v
µz̃−w̃ (t) = sup min {µz̃ (u), µw̃ (v)} (III.22)

t=u−v
µαz̃ (t) = sup min {µz̃ (u)} (III.23)

t=αu
µz̃×w̃ (t) = sup min {µz̃ (u), µw̃ (v)} (III.24)

t=u×v
où sup(∅) = −∞
Définition 17. (Distance)

Soient deux nombres flous trapézoïdales z̃ = (a1 , b1 , c1 , d1 ), w̃ = (a2 , b2 , c2 , d2 ) ∈ F (R)
(b = c pour les nombres flous triangulaires), alors la distance entre z̃ et w̃ est définie
36
par :
s
1
d(z̃, w̃) = [((a1 − a2 ))2 + 2((b1 − b2 ))2 + 2((c1 − c2 ))2 + ((d1 − d2 ))2 ] (III.25)
6
III.2.5 Les valeurs linguistiques
Toute description linguistique est une représentation formelle des systèmes fabriqués
par la théorie des ensembles flous, relations floues et les opérateurs flous. Elle offre une
alternative à décrire et à utiliser le langage humain dans les modèles et les systèmes
d’analyse. Les descriptions linguistiques informelles utilisées par l’homme dans la vie
quotidienne et dans l’accomplissement des tâches spécialisées telles que le contrôle des
installations industrielles, le dépannage, l’atterrissage de l’avion, la prise de décision, la
recherche de texte. . . etc., sont généralement le point de départ pour l’élaboration des
descriptions linguistiques.
Les situations mentionnées ci-dessus ne peuvent pas être décrites et évaluées tout
le temps avec précision de manière quantitative mais plutôt de manière qualitative. De
plus, qualifier un événement ou un objet de notre perception humaine conduit souvent à
utiliser des mots dans les langues naturelles au lieu de valeurs numériques. Par exemple,
dans le groupe de décideurs, l’importance d’un individu peut être décrite en utilisant des
termes linguistiques comme personne importante.
En raison des situations réelles de prise de décisions et l’imprécision de la pensée
humaine, il est impossible d’exprimer des préférences et des jugements personnelles
en toute confiance. En effet, les jugements sont souvent basés sur des informations
insuffisantes et/ou de natures difficilement quantifiables, la théorie des ensembles flous
peut être utilisée avec succès Zadeh (1965). Par conséquent, une valeur approximative
floue peut être utilisée afin de mieux modéliser le jugement humain. Par exemple, lors
de l’évaluation d’un fournisseur, des termes comme mauvais, moyen, bon et excellent
peuvent être utilisés à la place des valeurs numériques ordinaires.
Dans le cas de notre travail de recherche, nous définissons un ensemble de sept
T rF N (quantificateurs Qs , s = 1, . . . , 7) dont les valeurs sont exprimées en termes
linguistiques. Ces valeurs permettent d’aider les décideurs (STt ) à exprimer leurs préfé-
rences entachées par l’ambiguïté i.e., Very Poor (VP), Medium Poor (MP), Medium Fair
(MF), Fair (F), Medium Good (MG), Good (G) et Very Good(VG). La figure III.4 donne
les fonctions d’appartenance des sept T rF N sélectionnés. (Rajouter une référence).
37
µV (X)
VP MP MF F MG G VG
1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 X
Figure III.4 – Fonctions d’appartenances trapézoïdales floues pour les décideurs
III.2.6 Défuzzification
Afin de ramener les valeurs linguistiques (T rF N) de 4 dimensions en un réel d’une

seule dimension, nous procédons à la défuzzification. La défuzzification est essentielle
d’une part pour ramener toutes les unités de mesures vers une unité de mesure com-
mune (i.e., la normalisation) et d’autre part, elle permet l’intégration des variables lin-
guistiques dans notre approche.
Dans notre cas, la défuzzification de chaque T rF N se fait en utilisant une α-coupe.
L’α-coupe définie un intervalle de confiance [B L , B U ] de niveau α ∈ [0, 1] comme le
montre la figure III.5.
µz̃ (x)
1
α⊥
0 | |
R

BL BU
Figure III.5 – α-coupe
38
III.3. Consensus
Les deux bornes supérieure et inférieure sont définies comme suit :
B L = (b − a)α + a (III.26)
U
B = (d − c)α + d (III.27)
Après l’obtention de l’intervalle [B L , B U ], l’indice optimal I de chaque T rF N est une

combinaison convexe des deux bornes donné par :
I = γB L + (1 − γ)B U ∀γ ∈ [0, 1] (III.28)
III.3 Consensus
Le consensus est défini comme l’accord global et unanime entre les décideurs concer-
nant toutes les alternatives possibles. Cependant, les chances de parvenir à un tel accord
complet sont assez faibles. D’après Singh et Benyoucef (2013), le consensus permet
aux décideurs de faire la différence entre deux états seulement, à savoir, l’existence ou
l’absence d’accord. Dans cette section, nous présentons deux consensus proposés par
Herrera-Viedma et al. (2002) et Noor-E-Alam et al. (2011) et utilisés dans le cas de
cette thèse.
III.3.1 Consensus flou basé sur l’opérateur neat OWA
Le consensus proposé par Herrera-Viedma et al. (2002) (figure III.6) est un consen-
sus itératif géré par un modérateur qui n’est pas censé influencer les décideurs sur leurs
préférences. Il est composé de deux principales mesures basées sur l’opérateur d’agré-
gation neat OWA (voir Yager 1988 pour plus de détails) :
— Mesure de proximité : elle est utilisée pour guider le processus d’acquisition des
préférences en évaluant la concordance entre les préférences individuelles des
décideurs et les préférences du groupe.
— Mesure de consensus : elle permet l’évaluation de l’accord de tous les décideurs.
L’opérateur neat OWA est défini par :

!
p
Υx = neat OWA {Υ(l)} = (ψ1 , . . . , ψi , . . . , ψp ) | ψi =

X
Υ(i)β/ Υ(i)β (III.29)
i=1
Pp
où, (ψ1 , . . . , ψi , . . . , ψp ) est un vecteur de poids avec, i=1 ψi = 1 et β une constante.
39
Dans la suite, nous détaillons les deux mesure.
1. La mesure de proximité (P Mjt ) agrège toutes les alternatives par rapport au critère
Cj . Elle est utilisée pour guider le processus d’acquisition des préférences par l’éva-
luation de l’accord entre les préférences individuelles (Sit ) de chaque décideur STt
et la préférence collective (ou la préférence du groupe obtenue par le consensus)
(Sic ) par rapport au critère Cj . Cette mesure est calculée en utilisant l’opérateur
neat OWA de l’équation (III.29) comme l’indique (III.30) :
P Mjt = 1 − neat OWA(DPijt ) (III.30)
où DPijt représente le degré de proximité de chaque STt par rapport à Ai , en compa-

rant la position des préférences individuelles (Pit ) avec la position de la préférence
collective (Pic ). DPijt est défini par :
!b
|Pic − Pit |
DPijt = (III.31)
m−1
où b ∈ {0, 1}. Ici b contrôle la rigueur du processus de consensus (nous avons
choisi b = 1) et m représente le nombre d’alternatives.
2. La mesure de consensus (CMj ) est une mesure qui agrège toutes les alternatives Ai
pour évaluer l’accord de tous les décideurs ST s. (CMj ) calculée en utilisant l’opé-
rateur neat OWA en utilisant l’équation (III.29), donnée par l’équation (III.32) :
CMj = neat OWA(DCij ) (III.32)
où DCij représente le degré de consensus de tout les décideurs ST s par rapport à

chaque alternative Ai . Il est défini comme suit :
k
X DPijt
DCij = 1 − (III.33)
t=1 k
40
III.3. Consensus
Modification des Mesure de

Redémarrage
préférences par les décideurs proximité < τ
Les critères pour les Préférences des NON

diffé
ff rentes alternatives
différentes alternat
ati ves décideurs
Cycle
Solution collective NON maximum
Calcul des degrés de

proximité, degré de Mesure de
consensus > CL OUI
consensus et mesure de
consensus
Solution
collective finale
Figure III.6 – Le processus du consensus adapté de Herrera-Viedma et al. (2002)
III.3.2 Consensus flou basé sur la mesure de possibilité
Le second consensus (figure III.8) est basé sur la théorie des possibilités et la théorie
des ensembles flous introduit par Noor-E-Alam et al. (2011). Afin d’arriver à un ac-
cord global entre les décideurs ST s, Noor-E-Alam et al. (2011) utilisent une mesure
nommée mesure de conformité (certainty compliance), notée Htj qui a été introduite par
Sharif Ullah (2005).
Pour traiter l’information des décideurs, Noor-E-Alam et al. (2011) définissent un en-
semble de onze T rF N i.e., Absolutely False (AF), Mostly False (MF), Quite False (QF),
Probably False (PF), Somewhat False (SF), Not Sure (NS), Somewhat True (ST), Proba-
bly True (PT), Quite True (QT), Mostly True (MT) and Absolutely True (AT) comme le
41
montre la figure. III.7. Dans le cas de ce travail de recherche et lors de l’utilisation de ce
consensus, nous ferons appel à cet ensemble de onze T rF N.
µV (X)
AF M F QF PF SF NS ST PT QT M T AT
1
0
0 0.1 0.2 0.3 0.4 0.5 0.6 0.7 0.8 0.9 1.0 X
Figure III.7 – Fonctions d’appartenances trapézoïdales pour le traitement de l’informa-

tion
Dans ce consensus, les décideurs ST s ont la possibilité de définir l’ensemble désiré

des quantificateurs ou les valeurs linguistiques (Qs , défini dans la section III.2.5) pour
chaque critère Cj . Pour chaque critère Cj , la probabilité du quantificateur (Gjs ), la possi-
bilité du quantificateur (Tsj ) et ωsj sont calculés en utilisant les equations (III.34), (III.35)
et (III.36) :
Gjs × Tsj ≤ ωsj

X
(III.34)
s
Tsj = Gjs + U (III.35)
ωsj = Mins {1 − Gjs + (Gjs )2 }

X
(III.36)
s
où, U est la borne de transfert de possibilité.

De (III.34) et (III.35), nous avons :
j 2
ωsj − s (Gs )
P
U≤ j (III.37)
s Gs
P
La constante de transfert de possibilité (Dsj ) est choisie tel que Dsj ∈ [0, U].
Par exemple, considérons le critère C3 et l’alternative A1 avec trois quantificateurs

respectivement, MG (Medium Good), G (Good) and VG (Very Good) i.e., Q3 = (MG, G, V G).
Trois décideurs ST1 , ST2 et ST3 fournissent leurs préférences vis-à-vis de C3 comme
42
III.4. Modèle de CCSD
suit : les préférences de ST1 et ST3 sont VG et la préférence de ST2 est G. Ainsi,
d’après les équations (III.34)-(III.37), G33 = ( 30 , 13 , 32 ), ω33 = 0.78, U = D33 = 0.22 et
T33 = (0.22, 0.55, 0.89, 0).
Pour agréger tous les critères et sélectionner la préférence collective (S c ) de tout

les décideurs (ST s), la mesure de conformité Htj est utilisée (Sharif Ullah, 2005). Cette
mesure détermine comment l’alternative Ai est clairement connue. Elle est calculée de
la même manière que dans Sharif Ullah (2005) comme suit :
Ps
πl
Htj = l=1
j = 1, . . . , n t = 1, . . . , k (III.38)
s
Il − 0 1 − Il

où, πl = Max Min , ,0 (III.39)
0.5 − 0 1 − 0.5
Sélectionner
Les préférences
l’ensemble des
des décideurs Sélectionner Djs Є [0, U] et
quantificateurs Qjs calculer la possibilité (Tjs)
Pour chaque décideur
Utiliser α-cut puis l’indice

Les critères pour les optimal I
différentes alternatives
Calculer la mesure de conformité

Calculer la probabilité (Gjs) de (Hjs) pour chaque décideur
chaque quantificateur pour
tous les critères
Pour chaque critère et alternative,

Calculer (ωjs) pour chaque (Gjs) et
sélectionner la préférence du
la borne de transfert de possibilité
décideur avec la petite valeur de
(U) pour chaque critère
Hjs.
Figure III.8 – Le processus de consensus de Noor-E-Alam et al. (2011)
III.4 Modèle de CCSD
Wang et Luo (2010) introduisent le modèle CCSD (Correlation Coefficient and Stan-
43
dard Deviation) pour déterminer les poids des critères dans le domaine de l’aide à la
décision multicritère. Le modèle CCSD détermine les poids des critères en considérant
l’écart-type de chaque critère et leurs coefficients de corrélation avec l’évaluation globale
des alternatives. Le coefficient de corrélation du critère Cj est déterminé en supprimant
ce même critère Cj de l’évaluation globale des alternatives. Si le coefficient de corré-
lation pour le critère Cj s’avère être proche de 1, alors la suppression du critère Cj a
peu d’effet sur la prise de décision et implique un poids moins important. Dans le cas
contraire, le critère Cj devrait avoir un poids important. Le CCSD est formulé comme
un système d’équations non linéaires. Pour la résolution ces équations sont transformées
en un modèle d’optimisation non linéaire.
Supposons qu’on a une matrice de décision notée par D̃ = [x̃ij ]m×n de m alter-
natives notées (A1 , . . . , Ai , . . . , Am ) à évaluer en termes de n critères de choix notés
(C1 , . . . , Cj , . . . , Cn ). En raison de l’incommensurabilité entre les différents critères (sec-
tion III.2.6), la matrice de décision D̃ doit être normalisée pour éliminer ses unités
dimensionnelles et les ramener à une échelle commune à l’aide des equations (III.26-
III.28). W = (w1 , . . . , wj , . . . , wn ) est le vecteur des poids des critères, qui satisfait W ≥ 0
et nj=1 wj = 1.
P
La valeur d’évaluation globale ρi est une fonction linéaire pondérée de chaque critère
Cj définie comme suit :
n
X
ρi = xij wj , j = 1, . . . , m (III.40)
j=1
La meilleure alternative Ai est celle avec la valeur ρi la plus élevée.

Quand le critère Cj est supprimé de la liste des critères, la valeur d’évaluation glo-
bale ρij de chaque alternative Ai est redéfinie comme suit :
n
X
ρij = xik wik i = 1, . . . , m (III.41)
k=1
k6=j
Le coefficient de corrélation ξj est exprimé comme suit :

Pm
i=1 (xij − x̄j )(ρij − ρ̄j )
ξj = qP j = 1, . . . , n (III.42)
m Pm
i=1 (xij − x̄j )2 i=1 (ρij − ρ̄j )2

1 Pm

x̄j = m i=1 xij j = 1, . . . , n
où, 1 Pm Pm
 ρ̄j =
 m i=1 ρij = k=1 x̄k wk j = 1, . . . , n
k6=j
44
III.4. Modèle de CCSD
— Si ξj est assez grand et proche de 1, alors l’évaluation globale sans l’inclusion de
critère Cj a presque les mêmes distributions et rangements que lorsque Cj est pris
en considération. Dans ce cas, le fait d’éliminer Cj a peu d’effet sur la prise de
décision et il doit avoir un faible poids.
— Dans le cas contraire, c.-à-d., si ξj est assez petit et proche de -1, alors le critère
Cj doit avoir un poids important.
De plus, les critères avec des grands écarts-type doivent avoir des poids plus impor-
tants que ceux avec des petits écarts-type. Autrement dit, si un critère Cj a des utilités
égales sur toutes les alternatives, alors il peut-être enlevé de l’ensemble des critères sans
aucun impact sur la prise de décision. Sur la base des analyses ci-dessus, les poids des
critères sont définis comme suit :
q
σj 1 − ξj
wj = Pm √ j = 1, . . . , n (III.43)
k=1 σk 1 − ξk
où l’écart-type de Cj noté σj est déterminé par :
v
u m
u1 X
σj = t (x ij − x̄j )2 j = 1, . . . , n (III.44)
n i=1
Afin de trouver le vecteur des poids W = (w1 , . . . , wj , . . . , wn ), les équations non

linéaires (III.43) sont reformulées en un modèle d’optimisation non linéaire avec la
fonction objectif à minimiser comme suit (Wang et Luo, 2010) :
 q 2
n
X σj 1 − ξj
Min(B) =  wj − P
n
√  (III.45)
j=1 k=1 σk 1 − ξk
Sous contraintes :
n
X
wj = 1, wj ≥ 0, j = 1, . . . , n (III.46)
j=1
où, wj est le poids, σj est l’écart-type et ξj est le coefficient de corrélation du critère

Cj .
45
III.5 Méthode TOPSIS floue
La méthode TOPSIS (technique for order preference by similarity to ideal solution) est
l’une des méthodes multi-attribut la plus utilisée pour la résolution des problèmes d’aide
à la décision multicritères grâce à sa facilité d’être assimiler et appliquer. En effet, son
principe est basé sur la recherche de l’alternative Ai la plus proche du point de référence
idéal (ideal reference point) noté IRP (c.-à-d., l’alternative qui minimise les critères de
coût et maximise les critères d’avantages) et la plus loin du point de référence anti-idéal
(anti-ideal reference point) noté ARP (c.-à-d., l’alternative qui maximise les critères de
coût et minimise les critères d’avantages). En d’autres termes, la méthode TOPSIS est
basée sur :
1. Les notions de IRP et ARP.

2. La mesure de la distance (en général euclidienne) entre les alternatives et les deux
points de IRP et ARP.
3. L’axiome de choix de Coombs (1958).
Dans la version classique de TOPSIS, l’évaluation et les poids des critères sont connus
avec précision. Cependant, afin de modéliser des situations réelles avec des jugements
humains souvent vagues et entachés par l’ambiguïté, la théorie des ensembles flous est
utilisée. Dans la version floue de TOPSIS (TOPSIS floue), toutes les évaluations et les
poids sont définis en utilisant des variables linguistiques (section III.2.5).
Nous résumons les différentes étapes de la méthode TOPSIS floue comme suit :
Étape 1 : Construction de la matrice floue pondérée des préférences collectives

La matrice floue pondérée des préférences collectives est calculée en multipliant les
poids des critères d’évaluation par les valeurs de la matrice des préférences collectives
floue (D̃ = [x̃ij ]m×n ). La matrice floue pondérée des préférences collectives Ṽ = [ṽij ]m×n
est définie comme :
Ṽ = [ṽij ]m×n i = 1, . . . , m j = 1, . . . , n (III.47)
ṽij = x̃ij × w̃j j = 1, . . . , n (III.48)
où, w̃j est le poids floue du critère Cj .
46
III.5. Méthode TOPSIS floue
Étape 2 : Détermination des alternatives idéales et anti-idéales
En raison des nombres flous trapézoïdaux qui sont compris dans l’intervalle [0, 1], le
point de référence idéal flou (F IRP , A+ ) et le point de référence anti-idéal flou (F ARP ,
A− ) sont définis respectivement comme suit :

+
A = (ṽ1+ , ṽ2+ , . . . , ṽj+ ) = max ṽij |i = 1, . . . , m j = 1, . . . , n (III.49)
i

−
A = (ṽ1− , ṽ2− , . . . , ṽj− ) = min ṽij |i = 1, . . . , m j = 1, . . . , n (III.50)
i
Étape 3 : Calcul des distances de chaque alternative Ai par rapport à FIRP et à FARP
Les distances de chaque alternative Ai par rapport à F IRP et à F ARP est calculée
comme suit :
n
d+ d(ṽij , ṽj+ )
X
i = i = 1, . . . , m j = 1, . . . , n (III.51)
j=1
n
d− d(ṽij , ṽj− )
X
i = i = 1, . . . , m j = 1, . . . , n (III.52)
j=1
où, la distance d(a˜1 , a˜2 ) est définie comme suit :

s
1
d(a˜1 , a˜2 ) = [((a1 − a2 ))2 + 2((b1 − b2 ))2 + 2((c1 − c2 ))2 + ((d1 − d2 ))2 ] (III.53)
6
Étape 4 : Calcul du coefficient de proximité (CCi ) et classement des alternatives

Le coefficient de proximité (CCi ) de chaque alternative Ai est défini comme suit :
d−
i
CCi = i = 1, . . . , m (III.54)
d−
i + d+
i
Une alternative Ai avec un coefficient de proximité (CCi ) proche de 1 indique que

l’alternative Ai est proche de F IRP et loin de F ARP . De ce fait, le classement des
alternatives se fait dans l’ordre décroissant des CCi . L’alternative Ai avec le plus grand
CCi sera le choix le plus adéquat/satisfaisant.
47
III.6 Modèle de goal programming et le concept des fonc-
tions de satisfaction
III.6.1 Modèle de goal programming
Le modèle multi-objectif du goal programming (GP ), introduit en 1960 par Charnes

et al. (1955) et Charnes et Cooper (1961), est l’un des modèles les plus utilisés dans la
littérature. Le modèle du GP est réputé par sa flexibilité, sa capacité d’adaptation et sa
facilité d’être assimilé par les industriels et les académiques. Par conséquent, le modèle
GP fournit une légitimité à ses utilisateurs pour leurs décisions où plusieurs critères
contradictoires et incommensurables sont impliqués. En effet, le principe du modèle
GP est la minimisation de la distance absolue entre le niveau de réalisation et le niveau
d’aspiration que les décideurs introduisent à travers les valeurs de buts (gj ) en ce qui
concerne chaque critère (Cj ). Dans ce modèle, les décideurs cherchent à trouver une
alternative (Ai ) la plus proche de leur profil établi par chaque but (gj ). Pour chaque
critère (Cj ) :
— Si le niveau de réalisation est supérieur au niveau d’aspiration (gj ), alors cela se

traduit dans le modèle GP par une déviation (écart) positive δj+ supérieure à 0
(> 0),
— Si le niveau de réalisation est inférieur au niveau d’aspiration (gj ), alors cela est
reflété par une déviation négative δj− supérieure à 0 (> 0) et
— Si le niveau de réalisation est équivalent au niveau d’aspiration (gj ), alors cela se
traduit par δj− = δj+ = 0.
Ainsi, l’objectif du modèle GP est que les déviations positives (δj+ ) et négatives (δj− ) soient
autant que possible proches de 0. Le modèle GP est formulé comme suit :
n
(δj+ + δj− )
X
(GP) Min(Z) = (III.55)
j=1
Sous contraintes :
fj (x) + δj− − δj+ = gj (III.56)

x∈F (III.57)
δj− ≥ 0 et δj+ ≥ 0 j = 1...n (III.58)
où, F désigne l’ensemble des solutions réalisables.
48
III.6. Modèle de goal programming et le concept des fonctions de satisfaction
III.6.2 Fonctions de satisfaction
Afin d’intégrer les préférences des décideurs, leurs appréciations et évaluations de

chaque alternative Ai par rapport à chaque critère Cj , Martel et Aouni (1990) proposent
six fonctions de satisfaction s’inspirant du concept du critère généralisé introduit dans la
méthode Prométhée (Brans 1982, 1986). Pour illustrer les fonctions de satisfaction, un
exemple est représenté par la figure III.9. Dans cet exemple, la déviation δj± correspond
à la déviation négative δj− ou à la déviation positive δj+ .
Fj± (δj± )
1 



 1 si 0 ≤ δj± ≤ αjd
αjo −δj±

Fj± (δj± ) = 

αjo −αjd si αjd < δj± ≤ αjo

δj± > αjo

0 si



0 | | |
αjd αjo αjv δj±
Figure III.9 – Exemple de fonction de satisfaction
Comme le montre la figure III.9, il y a trois seuils :
1. Le seuil d’indifférence (αjd ) : tant que ce seuil n’est pas dépassé par la déviation
(δj± ), le décideur (STt ) est totalement satisfait de l’alternative Ai .
2. Le seuil nul (αjo) : dès que le seuil d’indifférence (αjd) est dépassé, le décideur
(STt ) apprécie de moins en moins l’alternative Ai .
3. Le seuil de veto (αjv ) : lorsque la déviation (δj± ) franchit le seuil nul (αjo), l’appré-
ciation de l’alternative Ai par le décideur STt est nulle mais elle n’est pas rejetée
jusqu’à ce que le seuil de veto (αjv ) soit atteint.
Noter que le décideur STt n’est pas contraint de retenir forcément l’une des six
fonctions de satisfaction proposées par Martel et Aouni (1990). Ces fonctions peuvent
être remplacées par des fonctions qui satisfont le mieux possible le décideur. Dans le cas
de notre travail de recherche, comme les buts gj ne peuvent pas être nécessairement
déterminés avec exactitude et afin de donner plus de souplesse au groupe  de décideurs,
 α+ ≥ g U − g
j
les buts gj sont flous et compris dans des intervalles gj ∈ [gjL, gjU ] où  jd
−
j
L
αjd ≥ gj − gj
49
Par ailleurs, l’appréciation des déviations positives δj+ et négatives δj− par le décideur
peut être différente selon l’importance relative de chaque objectif. Cette importance est
révélée par les poids wj+ et wj− suivant la déviation. La formulation mathématique du
modèle GP pondéré avec les fonctions de satisfaction (GPSF) est comme suit :
n h i
wj+ Fj+ (δj+ ) + wj− Fj− (δj− )
X
(GPSF) Max(Z)= (III.59)
j=1
Sous contraintes :
fj (x) + δj− − δj+ = gj j = 1...n (III.60)

gj ∈ [gjL, gjU ] j = 1...n (III.61)
xj ∈ F j = 1...n (III.62)
0 ≤ δj− ≤ αjv
−
j = 1...n (III.63)
0 ≤ δj+ ≤ αjv
+
j = 1...n (III.64)
+
αjd ≥ giU − gj j = 1...n (III.65)
−
αjd ≥ gj − gjL j = 1...n (III.66)
xj = {0, 1} j = 1...n (III.67)
où, F désigne l’ensemble des solutions réalisables.
III.6.3 Consensus flou basé sur le modèle GP
Afin d’agréger les opinions des décideurs et arriver à un consensus, nous utilisons la
mesure de cohérence définie par Cabrerizo et al. (2013) dans un environnement flou pour
donner une nouvelle formulation du modèle goal programming (GP). Par conséquent,
avant de présenter le consensus flou basé sur le modèle GP, nous rappelons la mesure
de cohérence.
Chaque décideur (STt ) est invité à exprimer ses opinions à l’aide des T rF N pour
chaque alternative Ai par rapport à l’alternative Ak à travers une matrice floue dite
matrice des opinions (F = [fikt ]m×m avec i 6= k). Ainsi, il peut y avoir trois cas, comme
suit :
1. si fik = 0.5 alors Ai est indifférente à Ak ,

2. si fik > 0.5 (resp. < 0.5) alors Ai (resp. Ak ) est préférée à Ak (resp. Ai ) et
3. si fik = 1 alors Ai est absolument préférée à Ak .
Par conséquent, pour chaque décideur STt , la matrice d’opinion (F = [fikt ]m×m ) est
50
III.6. Modèle de goal programming et le concept des fonctions de satisfaction
réciproque (fik + fki = 1) avec une diagonale vide (les éléments de la diagonale sont
remplacés par ’-’). Dans Cabrerizo et al. (2013), les auteurs utilisent la transitivité addi-
tive donnée par Tanino (1984) (Eq. III.68) pour faciliter la vérification de la cohérence
comme indiqué dans Herrera-Viedma et al. (2004).
(fil − 0.5) + (flk − 0.5) = (fik − 0.5) (III.68)
Donc, l’équation (III.68) est réécrite sous la forme suivante :
fik = fil + flk − 0.5 (III.69)
En utilisant une alternative intermédiaire Al , nous pouvons obtenir une valeur esti-
mée de fik . En effet, par réciprocité, l’équation (III.69) peut-être utilisée pour estimer la
valeur de fik (i 6= k) à partir d’une autre valeur (Cabrerizo et al., 2013) comme suit :
efikl = fil + flk − 0.5 (III.70)
Ainsi, la valeur globale efik , estimée par la moyenne de toutes les valeurs possibles
de efikl , est donnée par l’équation (III.71) :
m
X efikl
efik = (III.71)
l=1
m−2
l6=i,k
Toutefois, comme les décideurs ne sont pas tout le temps cohérents, fik n’est pas
toujours conforme (i.e., ne peut pas être comprise dans [0, 1]). Pour ce faire, Cabrerizo
et al. (2013) donnent l’estimation finale de efik par l’équation (III.72).
cfik = mediane {0, 1, efik } (III.72)
La valeur de εfik = |cfik − fik | peut-être utilisée comme une mesure de l’erreur
entre une valeur d’opinion et son estimation (Herrera-Viedma et al., 2007b). Dans le
cas de ce travail de recherche, nous utilisons cette mesure εfik à l’aide du modèle de
goal programming (GP) pour parvenir à un consensus au sein du groupe de décideurs.
51
Les décideurs cherchent à trouver l’opinion (fik ) la plus proche de leur profil établi
par le (fikt ). D’après III.6.1, nous avons trois scénarios :
1. Si le niveau de réalisation pt=1 cfikt xtik est supérieur au niveau d’aspiration (fikt ),
P
+
alors cela se traduit dans le modèle GP par une déviation positive δik supérieur à
0,
2. Si le niveau de réalisation pt=1 cfikt xtik est inférieur au niveau d’aspiration (fikt ),
P
−
alors cela est reflété par une déviation négativeδik > 0 supérieur à 0 et
3. Si le niveau de réalisation pt=1 cfikt xtik est équivalent au niveau d’aspiration (fikt ),
P
− +
alors cela se traduit par δik = δik = 0.
Au final, nous pouvons reformuler le modèle GP comme suit :
m
+ −
X
(GP) Min Z = (δik + δik ) (III.73)
i,k=1
i6=k
Sous contraintes :
p
− +
cfikt xtik + δik = fikt
X
− δik i, k = 1 . . . m i 6= k (III.74)
t=1
p
xtik = 1
X
i, k = 1 . . . m i 6= k (III.75)
t=1
m
xtik = 1
X
k = 1...m t = 1...p (III.76)
i=1
m
xtik = 1
X
i = 1...m t = 1...p (III.77)
k=1
− +
δik ≥0 and δik ≥0 i, k = 1 . . . m i 6= k (III.78)
1 Si l’opinion de STt de l’alternative





xtik = Ai par rapport à Ak est sélectionnée (III.79)

0 Sinon


i, k = 1 . . . m i 6= k t = 1...p
52
III.7. Conclusion
III.7 Conclusion
Dans ce chapitre, nous avons présenté initialement la notion du paradigme monocri-

tère afin de nous situer de point de vue épistémologique et de souligner ses limites obli-
geant la communauté scientifique à transiter vers le paradigme multicritère. En effet, la
nature des critères conflictuels et l’aspect multidimensionnel des problèmes d’aide à la
décision multicritères nous obligent à céder dans certaines dimensions (critères) pour
en gagner dans d’autres afin d’arriver à une satisfaction aux yeux des décideurs. Pour
ce faire, nous devons impérativement prendre en considération dans nos approches, les
préférences des décideurs d’une manière explicite.
Dans le cadre de cette thèse, afin de mieux modéliser les préférences et les juge-
ments des décideurs souvent vagues et entachés d’ambiguïté, nous avons rappelé les
principes de base de la théorie des ensembles flous. Nous avons adapté deux méca-
nismes de consensus, le premier est basé sur l’opérateur neat OWA flou et le second sur
la mesure de possibilité floue. Pour déterminer les poids des différents critères, nous
avons présenté les principes et caractéristiques du modèle non linaire CCSD. Ensuite,
la méthode d’aide à la décision multicritère multi-attribut TOPSIS est détaillée dans un
environnement flou. De plus, nous avons exposé en détails le modèle multi-objectif du
goal programming (GP) avec le concept des fonctions de satisfaction pour le problème
de sélection. Pour terminer, nous avons donné une nouvelle formulation du modèle GP
qui permis au groupe de décideurs d’intégrer leurs propres expériences et préférences
en comparant par eux-mêmes l’ensemble des alternatives entre elles.
En utilisant ces concepts, le reste du mémoire présente nos approches floues hy-
brides. Le chapitre suivant présente notre première approche où nous combinons le
consensus basé sur la mesure de possibilité et la méthode TOPSIS dans un environne-
ment flou pour la résolution des problèmes de sélection.
53
Chapitre IV
Approche 1 : Approche floue hybride

combinant le consensus basé sur la
mesure de possibilité et la méthode
TOPSIS
Résumé
Nous exposons dans ce chapitre notre première approche de résolution
dédiée à la résolution des problèmes de la sélection stratégiques. En
effet, notre approche hybride combine le consensus basé sur la me-
sure de possibilité et la méthode TOPSIS dans un environnement flou.
Pour illustrer l’applicabilité de notre approche, un exemple de sélec-
tion des fournisseurs est présenté et les différentes étapes de l’approche
détaillées.
Sommaire
IV.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
IV.2 Approche de résolution . . . . . . . . . . . . . . . . . . . . . . . 56
IV.3 Problème de sélection des fournisseurs . . . . . . . . . . . . . 57
IV.4 Experiences numériques . . . . . . . . . . . . . . . . . . . . . . 58
IV.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
55
Chapitre IV. Approche 1 : Approche floue hybride combinant le consensus basé
sur la mesure de possibilité et la méthode TOPSIS
IV.1 Introduction
L’objectif de ce chapitre est de présentrer notre première approche dédiée à la réso-

lution des problèmes de sélection dans les chaines logistiques. En effet, notre approche
hybride combine le consensus basé sur la mesure de possibilité et la méthode TOPSIS
dans un environnement flou. Plus précisément, comme les décideurs ST s ont généra-
lement des préférences contradictoires, un schéma à deux phases est suivi par notre
approche approche. En effet, la première phase concerne le problème de détermination
d’un consensus entre les décideurs. Une fois le consensus atteint, la deuxième phase
considère le problème de classement des m alternatives selon l’évaluation des k déci-
deurs par rapport à n critères conflictuels en utilisant la méthode TOPSIS floue.
Dans la suite, la section IV.2 présente les énoncés de l’approche développée. Ensuite,
la section IV.3 donne la description du problème de sélection des fournisseurs. Afin de
montrer son applicabilité, la section IV.4 présente les résultats numériques d’application
de notre approche.
IV.2 Approche de résolution
Les principales étapes de l’approche floue hybride combinant le consensus basé sur
la mesure de possibilité et la méthode TOPSIS floue sont les suivantes :
Phase I : Consensus
— Étape 1. Sélectionner l’ensemble des quantificateurs (Qs , section III.2.5) et récu-
pérer les préférences floues des décideurs pour chaque critère Cj et alternative Ai
à l’aide de la figure III.4.
— Étape 2. Pour chaque critère Cj , calculer Gjs , ωsj et U en utilisant les équations
(III.34) et (III.36).
— Étape 3. Pour chaque critère Cj , sélectionner Dsj ∈ [0, U] et calculer Tsj à l’aide des
équations (III.35) et (III.37).
— Étape 4. Appliquer la α-coupe et l’indice optimal pour obtenir la préférence nette
en utilisant les équations (III.26 – III.28).
— Étape 5. Calculer la mesure de conformité Htj pour chaque décideur STt afin
d’agréger tous les critères en utilisant les équations (III.38 – III.39).
— Étape 6. Pour chaque critère Cj et chaque alternative Ai , sélectionner la préfé-
rence du décideur avec la plus petite valeur de Htj .
56
IV.3. Problème de sélection des fournisseurs
Phase II : Classement
— Étape 1. Déterminer les poids des critères en résolvant le modèle CCDS (III.45 –
III.46).
— Étape 2. Indiquer les échelles linguistiques pour chaque préférence collective floue
à l’aide la figure III.4.
— Étape 3. Construire la matrice floue pondérée des préférences collectives à l’aide
des équations (III.47) et (III.48).
— Étape 4. Déterminer les alternatives idéales et anti-idéales en utilisant les équa-
tions (III.49) et (III.50).
— Étape 5. Calculer les distances de chaque alternative Ai avec F IRP et F ARP en
utilisant les équations (III.51 – III.53).
— Étape 6. Déterminer le coefficient de proximité CCi à l’aide des équations (III.54).
— Étape 7. Classer des alternatives dans l’ordre décroissant et sélectionner l’alterna-
tive Ai la mieux classée.
IV.3 Problème de sélection des fournisseurs
Pour illustrer l’applicabilité de l’approche développée, nous considérons un exemple

d’une entreprise intéressée par un nouveau fournisseur d’un système d’information. Un
groupe de trois décideurs notés, ST1 , ST2 et ST3 où chacun est responsable d’un service
au sein de l’entreprise, avec ses propres objectifs. Le groupe de décideurs est chargé
de sélectionner le fournisseur le plus approprié sur un ensemble de cinq fournisseurs
potentiels (alternatives) notés, A1 , A2 , A3 , A4 et A5 . Pour cela, les décideurs dans un
premier temps définissent mutuellement l’ensemble des objectifs de nature contradic-
toire. En effet, chaque décideur vise à atteindre autant que possible ses objectifs, à savoir
maximiser les objectifs d’avantage ou minimiser les objectifs de coût. Afin d’éviter toute
ambiguïté, ces objectifs seront appelés critères. Ces critères sont de nature conflictuelle,
où il est impossible de trouver une solution qui peut les optimiser simultanément. Dans
le cadre de cet exemple, l’ensemble des alternatives est évalué sur la base de quatre
critères, respectivement,
— C1 : Stratégie de performance.
— C2 : Qualité de service.
— C3 : Innovation.
— C4 : Risque.
où, les critères C1 , C2 et C3 sont des critères avantageux (à maximiser) et C4 est un

critère de coût (à minimiser).
57
IV.4 Experiences numériques
Au départ, les décideurs choisissent l’ensemble de tous les quantificateurs (T rF N)

(étape 1, phase I, Tableau IV.1). Chaque décideur STt est invité à sélectionner et com-
muniquer ses préférences par rapport à chaque critère Cj (étape 1, , phase I, Tableau
IV.2).
Tableau IV.1 – Ensemble des quantificateurs
Cj Qs
C1 (F, MG, G, VG)
C2 (MF, F, MG, G, VG)
C3 (MG, G, VG)
C4 (F, MG, G, VG)
Tableau IV.2 – Préférences des décideurs ST s
Ai Cj ST1 ST2 ST3

A1 C1 G VG G
C2 MG G MG
C3 VG G VG
C4 G G G
A2 C1 MG G F
C2 F MG G
C3 G MG MG
C4 MG F MG
A3 C1 VG VG VG
C2 VG G VG
C3 VG VG G
C4 VG VG G
A4 C1 MG G G
C2 F F MG
C3 VG G G
C4 G MG MG
A5 C1 F MG MG
C2 MF F F
C3 G G MG
C4 F MG F
58
IV.4. Experiences numériques
L’étape suivante (étape 2, phase I) concerne la détermination de la probabilité de
chaque quantificateur Gjs pour chaque critère Cj . Les résultats sont indiqués dans le
tableau IV.3.
Tableau IV.3 – Probabilités pour les différents quantificateurs Gjs pour tous les critères
et l’alternative A1
Cj Gs
C1 (0, 0, 0.67, 0.33)
C2 (0, 0, 0.67, 0.33, 0)
C3 (0, 0.33, 0.67)
C4 (0, 0, 1, 0)
A l’étape 2, ωsj pour Gjs et U sont représentés dans le tableau IV.4.
Tableau IV.4 – ωsj pour tous les critères et l’alternative A1
Cj C1 C2 C3 C4
ωsj 0.78 0.78 0.78 1
U 0.22 0.22 0.22 0
Après le calcul de la borne U, chaque décideur STt est invité à choisir son Dsj ∈ [0, U].
Par la suite, la possibilité Tsj est calculée comme le montre le tableau IV.5 (étape 3, phase
I).
Tableau IV.5 – Constante de transfert de possibilité D et possibilité Tsj pour tous les
critères, l’alternative A1 et le décideur ST1
Cj Ds Ts
C1 0.22 (0.22, 0.22, 0.89, 0.55)
C2 0.22 (0.22, 0.22, 0.89, 0.55, 0.22)
C3 0.22 (0.22, 0.55, 0.89, 0)
C4 0 (0, 0, 1, 0)
Dans l’étape 4 (phase I), en utilisant les fonctions d’appartenance (Figure III.7), nous
avons les valeurs T rF N. Nous appliquons ensuite la α-coupe avec α = 0.8 et l’indice
optimal avec γ = 0.5 pour obtenir les valeurs nettes indiquées dans le tableau IV.6.
59
Tableau IV.6 – Nombres flous trapézoïdaux T rF N et valeurs Ir pour tous les critères,
l’alternative A1 et le décideur ST1
Cj TrFN Ir
C1 (QF, QF, MT, ST) (0.2, 0.2, 0.9, 0.6 )
C2 (QF, QF, MT, ST, QF ) (0.2, 0.2, 0.9, 0.6, 0.2 )
C3 (QF, ST, MT) (0.2, 0.6, 0.9)
C4 (AF, AF, AT, AF) (0.22, 0.22, 0.95, 0.22)
Dans les étapes 5 et 6 (phase I), nous calculons la mesure de conformité Htj pour
chaque décideur STt afin d’agréger tous les critères (Tableau IV.7). Ensuite, nous sélec-
tionnons la préférence du décideur qui a la plus petite valeur de Htj comme indiquer
dans la dernière colonne du tableau IV.7.
j
Tableau IV.7 – Mesure de conformité Ht pour tous les critères et tous les décideurs pour
l’alternative A1
Cj ST1 ST2 ST3 Préférence du décideur
C1 0.45 0.55 0.4 Good (ST3 )
C2 0.44 0.52 0.36 Medium Good (ST3)
C3 0.47 0.6 0.47 Very Good (ST1 )
C4 0.36 0.36 0.36 Good (ST2 )
Au final (étape 6, phase I), nous obtenons la matrice floue des préférences collectives
(Tableau IV.8) et donc la matrice ordinaire des préférences collectives (Tableau IV.9) :
Tableau IV.8 – Matrice des préférences collectives floues
Alternative C1 C2 C3 C4
A1 G MG VG G
A2 MG F G MG
A3 VG VG VG G
A4 G MG VG MG
A5 MG F G F
60
IV.4. Experiences numériques
Tableau IV.9 – Matrice ordinaire des préférences collectives
A1 0.8 0.65 0.9 0.8
A2 0.65 0.5 0.8 0.65
A3 0.9 0.9 0.9 0.8
A4 0.8 0.65 0.9 0.65
A5 0.65 0.5 0.8 0.5
La prochaine étape (étape 1, Phase II) porte sur la détermination des poids des
critères en utilisant le modèle CCDS. Les poids sont déterminés en résolvant le modèle
d’optimisation non linéaire (équations (III.45) et (III.46)). Le logiciel LINGO est utilisé
pour résoudre le problème non linéaire. Les poids obtenus sont w1 = 0.12, w2 = 0.36,
w3 = 0.14 et w4 = 0.38. Le tableau VI.1 présente les préférences collectives floues et
pondérées pour le critère C1 .
Tableau IV.10 – Préférences collectives floues et pondérées pour le critère C1
Alternative Préférence floue Préférence pondérée

A1 (0.7, 0.8, 0.8, 0.9) (0.08, 0.1, 0.1, 0.11)
A2 (0.5, 0.6, 0.7, 0.8) (0.06, 0.07, 0.08, 0.1)
A3 (0.8, 0.9, 0.9, 1) (0.1, 0.11, 0.11, 0.12)
A4 (0.7, 0.8, 0.8, 0.9) (0.08, 0.1, 0.1, 0.11)
A5 (0.5, 0.6, 0.7, 0.8) (0.06, 0.07, 0.08, 0.1)
Dans les prochaines étapes (2-6), les distances d+ −

i et di de chaque alternative Ai
sont calculées afin d’obtenir le coefficient de proximité (CCi ) de chaque alternative
Ai . Les derniers résultats obtenus par la méthode TOPSIS floue sont indiqués dans le
tableau VI.2. Ainsi, comme (A3 ) est l’alternative avec la plus petite valeur de CCi , elle est
recommandée par la méthode TOPSIS floue parmi les cinq alternatives. Le classement
de la performance globale est A3 > A1 > A4 > A2 > A5 comme il est montré par le
tableau VI.2.
Tableau IV.11 – Distance et coefficient de proximité de chaque alternative Ai
Alternative d-i d+
i CCi Classement
A1 0,75 3,25 0,19 2
A2 0,61 3,39 0,15 4
A3 0,85 3,15 0,21 1
A4 0,7 3,31 0,17 3
A5 0,56 3,45 0,14 5
61
IV.5 Conclusion
Nous avons présenté dans ce chapitre notre première approche hybride floue com-
binant le consensus basé sur la mesure de possibilité et la méthode TOPSIS. L’ap-
proche comporte principalement deux phases respectivement une phase de consensus
qui consiste à trouver un accord sur l’ensemble des préférences des alternatives entre
tous les décideurs et une phase de classement qui traite le problème de classement des
différentes alternatives. Le consensus présenté est basé sur la théorie des possibilités
et des ensembles flous. Ensuite la méthode TOPSIS floue est utilisée afin de proposer
un classement des alternatives. Cette méthode intègre a priori les préférences des dé-
cideurs. De plus, un problème de sélection stratégique des fournisseurs est abordé où
les décideurs représentant différents services de l’entreprise cherchent à atteindre des
objectifs mutuellement définis. Au final, afin d’illustrer l’applicabilité de notre approche,
les différentes étapes de résolution du problème de sélection des fournisseurs sont don-
nées.
Dans le chapitre suivant, nous allons présenter notre deuxième approche floue hy-
bride combinant le consensus basé sur l’opérateur neat OWA et le modèle du GPSF.
L’approche sera appliquée sur le même problème de sélection des fournisseurs énoncé
précédemment afin de montrer son applicabilité. De plus, une comparaison basée sur la
distance de Levenshtein est présentée.
62
Chapitre V

combinant le consensus basé sur
l’opérateur neat OWA et le modèle du
GPSF
Résumé
Nous consacrons ce chapitre à notre deuxième approche floue hybride
combinant le consensus basé sur l’opérateur neat OWA et le modèle du
GP avec les fonctions de satisfaction. Cette approche est appliquée en-
suite sur le même problème du chapitre précédent. L’objectif est double,
d’une part, pour montrer son applicabilité et d’autre part, pour réaliser
une comparaison avec l’approche précédente (chapitre IV) à l’aide de
la distance de Levenshtein entre la solution individuelle et la solution
collective.
Sommaire
V.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
V.2 Approche de résolution . . . . . . . . . . . . . . . . . . . . . . . 64
V.3 Experiences numériques . . . . . . . . . . . . . . . . . . . . . . 65
V.4 Solution individuelle vs solution collective . . . . . . . . . . . 71
V.4.1 Comparaison . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
V.4.2 Discussions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
V.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
63
Chapitre V. Approche 2 : Approche floue hybride combinant le consensus basé sur
l’opérateur neat OWA et le modèle du GPSF
V.1 Introduction
Nous présentons dans ce chapitre notre deuxième approche floue hybride combinant
le consensus basé sur l’opérateur neat OWA et le modèle du GPSF (section V.2). Dans
la section V.3, le même problème de sélection des fournisseur introduit dans le chapitre
précédent est résolu par notre deuxième approche.
V.2 Approche de résolution
Les principales étapes de l’approche floue hybride combinant le consensus basé sur
l’opérateur neat OWA et le modèle du GPSF sont les suivantes :
Phase I : Consensus
— Étape 1. Recueillir les préférences floues des intervenants pour chaque critère Cj
et alternative Ai .
— Étape 2. Générer les valeurs de préférence nettes en utilisant la figure III.4, la
α-coupe (équations III.26 et III.27) et l’indice optimal (équation III.28).
— Étape 3. Agréger les opinions individuelles des décideurs ST s pour chaque cri-
tère Cj et alternative Ai en utilisant l’opérateur neat OWA à l’aide des équations
(III.29) pour obtenir une opinion collective en ce qui concerne chaque alternative
Ai comme suit :
k
xij = Υ zij1 , . . . , zijt , . . . , zijk = ψt zijt
X
(V.1)
t=1
— Étape 4. Pour chaque critère Cj :
(a) Énumérer Pic (position de l’alternative Ai par rapport l’alternative collective)

et Pit (position de l’alternative par rapport l’alternative individuelle) sur la
base des préférences des décideurs pour les différentes alternatives.
(b) Calculer le degré de proximité de (DPijt ) de chaque STt en utilisant l’équation
(III.31).
(c) Calculer le degré de consensus DCij de tout les décideurs ST s pour chaque
alternative Ai à l’aide de l’équation (III.33).
64
V.3. Experiences numériques
(d) Calculer la mesure de proximité P Mjt de tout les décideurs ST s en utilisant
l’équation (III.30).
(e) Estimer la mesure de consensus CMj en utilisant l’équation (III.32).
— Étape 5. Si pour le critère Cj , CMj > cl (niveau de consensus), stop et récupérer

les poids liés aux différentes alternatives. Sinon passer à l’étape 6.
— Étape 6. Choisir la ST s dont la mesure de proximité P Mjt est au-dessous du ni-
veau fixe (µ) pour le critère Cj . Intégrer les règles de réévaluation. Les règles de
réévaluation sont les suivantes :
— Si (Pic − Pit ) < 0, alors le décideur STt est demandé d’augmenter son évalua-
tion de l’alternative Ai .
— Si (Pic − Pit ) > 0, alors le décideur STt est demandé d’abaisser son évaluation
concernant l’alternative Ai .
— Si (Pic − Pit ) = 0, alors son point de vue reste le même pour l’alternative Ai .
— Si le nombre de tours de discussions > mc (cycle maximum), alors stop, sinon
aller à étape 4.
— Étape 7. Récupérer la matrice des préférences collectives et aller à phase II.
— Étape 1. Déterminer les poids des critères en résolvant le modèle CCDS en utilisant
les equations (III.45) et (III.46).
— Étape 2. Résoudre le modèle GPSF en utilisant le modèle GPSF (III.59 et III.67)
et classer les alternatives.
V.3 Experiences numériques
Dans cette section, nous appliquons notre approche sur le même problème de sélec-
tion des fournisseur introduit dans le chapitre précédent.
Dans l’étape 1 (phase I), les décideurs (ST s) sont invités à donner leurs préférences
floues (tableau IV.2) concernant l’ensemble des alternatives par rapport à tous les cri-
tères. Après l’application de l’étape 2 (phase I) pour la diffuzification, nous agrégeons
l’ensemble des décideurs à l’aide de l’opérateur neat OWA (étape 3, phase I) afin d’ob-
tenir une première solution collective (tableau V.1).
65
Tableau V.1 – Solution collective des décideurs
A1 0.85 0.725 0.85 0.8
A2 0.65 0.725 0.65 0.575
A3 0.9 0.85 0.85 0.85
A4 0.8 0.575 0.8 0.65
A5 0.65 0.5 0.725 0.575
La prochaine étape concerne le rang de chaque alternative Ai dans la solution indi-

viduelle (Pit ) et la solution collective (Pic ) pour chaque critère Cj . Le tableau V.2 donne
les résultats obtenus par l’étape 4.a (phase I) montrant le rang de chaque alternative Ai
dans les solutions individuelles et collectives pour le critère C1 . Pour les autres critères,
le même schéma est suivi.
Tableau V.2 – Rangs des alternatives pour C1 dans les solutions individuelles et collec-
tives
Alternative ST1 ST2 ST3 (Sc )
A1 2 1 2 2
A2 3 3 5 4
A3 1 1 1 1
A4 3 3 2 3
A5 5 5 4 4
Le degré de proximité de chaque STt par rapport à toutes les alternatives est énu-
méré en exécutant les étapes 4a et 4b de phase I. La différence des rangs des décideurs
avec la solution collective (Pic − Pit ) est donné dans le tableau V.3.
Tableau V.3 – La différence des rangs des décideurs avec la solution collective (Pic − Pit )
Alternative ST1 ST2 ST3 (Sc )

A1 0 1 0
A2 1 1 -1
A3 0 0 0
A4 0 0 1
A5 -1 -1 0
Le tableau V.4 donne les degrés de proximité construit sur la base des différences
des rangs (étape 4.b, phase I).
66
Tableau V.4 – Degré de proximité des différentes alternatives pour le critère C1
STs A1 A2 A3 A4 A5
ST1 0 0.11 0 0 0.11
ST2 0.11 0.11 0 0 0.11
ST3 0 0.11 0 0.11 0
Le degré de consensus des différents critères est donné par la table V.5 (étape 4.c,
phase I).
Tableau V.5 – Degré de consensus des différents critères
Critère A1 A2 A3 A4 A5
C1 0.97 0.92 1 0.97 0.94
C2 0.94 0.94 1 0.94 0.97
C3 0.97 0.94 0.97 0.89 0.94
C4 0.97 0.94 1 0.97 0.92
Le niveau de proximité fixe (voir la figure III.6) établi par la compagnie est ρ = 0.89.
Nous considérons un niveau de consensus cl = 0.95 et β = 0.7. La mesure de consensus
(étape 4.d, phase I) (CMj ) de tous les critères dans la première itération du consensus
est indiquée dans le tableau V.6.
Tableau V.6 – Mesure de consensus des différents critères dans la première itération du
consensus
Critère C1 C2 C3 C4
CMj 0.96 0.96 0.95 0.96
L’agrégation (étape 4.e, phase I) est réalisée à l’aide de l’opérateur neat OWA. Le
tableau V.7 présente les résultats obtenus.
Tableau V.7 – Mesures de proximité pour différents ST s
ST1 0.89 0.89 0.82 0.89
ST2 0.89 0.89 0.84 0.89
ST3 0.89 0.89 0.89 0.89
Après la vérification (étape 5, phase I), d’après le tableau V.7, C3 pour le décideur
ST1 ne vérifie pas la condition et le décideur en question est sollicité pour réviser son
opinion (étape 6, phase I).
67
Au final, après trois itérations du consensus (toutes les étapes 1 à 6 de la phase I sont
répétées), la mesure de consensus pour tous les critères devient supérieure à la valeur
cl = 0.95. La mesure de consensus de la dernière itération de consensus est présentée
dans tableau V.8.
Tableau V.8 – Mesure de consensus des différents critères dans la dernière itération du
consensus
CMj 0.96 0.96 0.97 0.96
Après le dernier tour de la phase de consensus, la solution collective des ST s obtenue

est présentée dans le tableau V.9 (étape 7, phase I).
Tableau V.9 – Solution collective des ST s utilisant l’opérateur neat OWA au dernier
tour du consensus
A1 0.85 0.725 0.855 0.8
A2 0.65 0.725 0.65 0.575
A3 0.9 0.85 0.85 0.85
A4 0.8 0.575 0.795 0.65
A5 0.65 0.5 0.72 0.575
L’étape suivante (étape 1, phase II) concerne la détermination des poids des critères
en utilisant le modèle CCDS. Les poids obtenus en résolvant le modèle d’optimisation
non linéaire (équations (III.45) et (III.46)) sont w1+ = w1− = 0.18, w2+ = w2− = 0.48,
w3+ = w3− = 0.23 et w4+ = w4− = 0.11.
Dans l’étape 2 (phase II), les décideurs ST s fixent les seuils des déviations et choi-
sissent leurs fonctions de satisfaction pour chaque critère Cj (figures V.1 – V.4). Après
la résolution du modèle GPSF (V.2 – V.14), le classement des alternatives est le suivant :
A1 > A3 > A2 > A4 > A5 avec Z(A1 ) = 0.994 comme indiqué par le tableau V.10.
La performance globale obtenue (Z ∗ = 0.994) pourrait être interprétée comme le
niveau moyen global de la réalisation de tous les objectifs. Les décideurs suivront cette
recommandation s’ils jugent que le niveau de réalisation de 99.4% des objectifs généraux
est satisfaisant.
68
Tableau V.10 – Les déviations positives et négatives avec leurs fonctions de satisfaction
de A1
A1 δj− Fj− (δj− ) δj+ Fj+ (δj+ )
C1 0.025 1 0 1
C2 0.06 1 0 1
C3 0.119 1 0.199 1
C4 0 1 0.187 0.893
h i h i
(GPSF) Max(Z) = 0.18 F1+ (δ1 ) + F1− (δ1 ) + 0.48 F2+ (δ2 ) + F2− (δ2 )
h i h i
+0.23 F3+ (δ3 ) + F3− (δ3 ) + 0.11 F4+ (δ4 ) + F4− (δ4 ) (V.2)
Sous contraintes :
0.85 A1 + 0.65 A2 + 0.9 A3 + 0.8 A4 + 0.65 A5 − δ1+ + δ1− = 0.875 (V.3)

0.725A1 + 0.725A2 + 0.85A3 + 0.575A4 + 0.5 A5 − δ2+ + δ2− = 0.785 (V.4)
0.855A1 + 0.65 A2 + 0.85A3 + 0.795A4 + 0.72 A5 − δ3+ + δ3− = 0.775 (V.5)
0.8 A1 + 0.575A2 + 0.85A3 + 0.65 A4 + 0.575A5 − δ4+ + δ4− = 0.61 (V.6)
A1 + A2 + A3 + A4 + A5 = 1 (V.7)
Aj ∈ {0, 1} j ∈ {1, . . . , 5} (V.8)
δi+ ∈ [0, 1] i ∈ {1, . . . , 4} (V.9)
δi− ∈ [0, 1] i ∈ {1, . . . , 4} (V.10)



 1 si 0 ≤ δ1± ≤ 0.075
1.3 − 4δ1± si 0.075 < δ1±

≤ 0.2


F1± (δ1± ) = (V.11)




0.84 − 1.67δ1± si 0.2 < δ1± ≤ 0.5
si δ1±


0 > 0.5



 1 si 0 ≤ δ2± ≤ 0.075
si 0.075 < δ2± ≤ 0.3

0.075





F2± (δ2± ) = 0.5 si 0.3 < δ2± ≤ 0.5 (V.12)

si 0.6 < δ2± ≤ 0.7




 0.25

0 si δ2± > 0.7


69



 1 si 0 ≤ δ3± ≤ 0.2
si 0.2 < δ3± ≤ 0.4

0.6


F3± (δ3± ) =  (V.13)



1.43 − 2.86δ3± si 0.4 < δ3± ≤ 0.6
si δ3± > 0.6


0
si 0 ≤ δ4± ≤ 0.15

1 


± ±
F4 (δ4 ) = 1.43 − 2.86δ4 si
±
0.15 < δ4± ≤ 0.5 (V.14)

si δ4± > 0.5


0
F1± (δ1± )
1.0
0.5
0 | |
0
0.075
0.2 0.4
0.5
0.6 0.8 1.0 δ1±
Figure V.1 – Fonction de satisfaction de C1
F2± (δ2± )
1.00
0.75
0.50
0.25
0 | | |
0
0.075
0.2
0.3
0.4
0.5
0.6 0.8 1.0 δ2±
70
V.4. Solution individuelle vs solution collective
F3± (δ3± )
1.0
0.8
0.6
0.4
0.2
0
0 0.2 0.4 0.6 0.8 1.0 δ3±
F4± (δ4± )
1.0
0.5
0 |
0.15
|
0 0.2 0.4
0.5
0.6 0.8 1.0 δ4±
V.4 Solution individuelle vs solution collective
Afin de proposer des améliorations, nous évaluons dans la suite la différence d’opi-
nions entre les solutions individuelles (de chaque décideur) et la solution collective
(solution obtenue par consensus) par une comparaison basée sur la distance de Leven-
shtein (1966). Dans cette section, nous analysons que les approches 1 et 2. La troisième
approche énoncée dans le chapitre suivant repose en grande partie sur l’articulation
des décideurs, par conséquent, le résultat sera différent et n’intervienne pas dans cette
analyse.
71
V.4.1 Comparaison
Pour évaluer la différence d’opinions entre les solutions individuelles (de chaque
décideur, Sit ) et les solutions collectives (solution obtenue par consensus S c ), nous re-
lançons la Phase II (de la première et deuxième approches) de classement impliquant
seulement les préférences et les jugements de chacun des décideurs (Table V.11).
Tableau V.11 – Classement de chaque décideur STt
Première approche Deuxième approche

Décideur Classement Décideur Classement
1 1
Si A3 > A1 > A4 > A2 > A5 Si A1 > A3 > A2 > A4 > A5
S2i A3 > A1 > A4 > A5 > A2 S2i A1 > A3 > A4 > A2 > A5
3 3
Si A3 > A1 > A4 > A2 > A5 Si A4 > A1 > A3 > A2 > A5
c c
S A3 > A1 > A4 > A2 > A5 S A1 > A3 > A2 > A4 > A5
Afin d’évaluer l’écart entre les solutions individuelles et la solution collective, nous
utilisons la distance de Levenshtein introduite par Levenshtein (1966). La distance de
Levenshtein mesure le nombre minimum de toutes les opérations nécessaires (nombre
des insertions, des suppressions et des substitutions) pour transformer une séquence
d’objets à une autre séquence. Cette mesure peut être très utile lorsque les séquences
sont d’une grande langueur.
Elle est définie comme suit :
L(p, q) = Min {e + d + t} (V.15)
Avec :
e : nombre d’insertions.
d : nombre de suppressions.
t : nombre de substitutions.
Par exemple, la distance de Levenshtein entre la séquence p = {1234} et q = {2134}

est L(p, q) = 2 avec e = 1, d = 1, t = 0.
72
V.4. Solution individuelle vs solution collective
Tableau V.12 – Distances entre les solutions individuelles et collectives
Première approche Deuxième approche

Décideur Classement Distance Décideur Classement Distance
S1i {31425} 0 S1i {13245} 0
2 2
Si {31452} 2 Si {13425} 2
3 3
Si {31425} 0 Si {41325} 2
Le tableau V.12 représente les distances de Levenshtein entre les solutions indivi-
duelles (Sit ) et la solution collective (S c ) obtenues par les deux premières approches
développées.
Pour la première approche, nous comparons la solution collective (S c = {31425})
et les solutions individuelles (Sti ). Nous pouvons constater d’une part, que L(S c , Si1 ) =
L(S c , Si3 ) = 0, ce qui confirme que les préférences des décideurs ST1 et ST3 sont plus
proches et convergent vers les préférences collectives obtenues par le consensus. D’une
autre part, nous avons L(S c , Si2 ) = 2, ce qui signifie que les préférences du décideur ST2
ont divergé par rapport aux préférences collectives obtenues par le consensus i.e., c’est
le décideur ST2 qui a plus cédé dans ses préférences par rapport aux autres décideurs.
De même, pour la deuxième approche, nous avons d’une part, une distance égale
à 2 (L(S c , Si1 ) = L(S c , Si2 ) = 2) entre la solution collective (S c = {13245}) et les deux
solutions individuelles des deux décideurs ST2 et ST3 , ce qui traduit que les préférences
des décideurs ST2 et ST3 ont divergé par rapport aux préférences collectives obtenues
par le consensus. D’une autre part, seules, les préférences du décideur ST1 ont convergé
vers les préférences collectives obtenue par le consensus (L(S c , Si1 ) = 0).
V.4.2 Discussions
En comparant grâce à la distance de Levenshtein la solution collective (S c ) et les so-

lutions individuelles (Sit ), comme le montre le tableau V.12, nous avons constaté que le
consensus basé sur la mesure de possibilité a pu conserver les préférences de la majorité
des décideurs (2 décideurs sur 3 décideurs). En effet, en observant les préférences des
décideurs ST1 et ST3 avec les préférences obtenues par le consensus basé sur la mesure
de possibilité de notre première approche, nous pouvons voir que les préférences ne
sont pas identiques, sauf pour l’alternative A1 et sensiblement l’alternative A3 .
73
Par ailleurs, nous avons repris les mêmes fonctions de satisfaction dans notre deuxième
approche pour chaque décideur (c.-à-d. nous supposons que chaque décideur apprécie
exactement de la même manière l’ensemble des alternatives). Au final, à l’aide de la dis-
tance de Levenshtein entre les solutions individuelles et collective, nous pouvons consta-
ter que le consensus basé sur l’opérateur neat OWA utilisé dans la deuxième approche
n’a pas réussi à bien conserver les préférences des décideurs (seulement 1 décideur sur
3 décideurs). Toutefois, ce consensus fournit une interaction entre les décideurs aidant
les décideurs à apprendre à travers leurs propres préférences, expériences et jugements.
De plus, nous avons pu percevoir que le modèle GPSF intègre mieux les préférences
et les appréciations du groupe de décideurs par rapport à la méthode TOPSIS et par
conséquent, il fournit une solution plus satisfaisante aux yeux des décideurs.
En effet,
1. l’application séparée de la méthode TOPSIS, pour chaque décideur, fournit la
même alternative (A3 ) en tête de liste pour chacun des décideurs alors que les
préférences diffèrent d’un décideur à l’autre.
2. le modèle GPSF recommande l’alternative A1 pour deux décideurs (ST1 et ST2 )
et A4 pour le décideur ST3 . Il est important de noter qu’ici, chaque décideur ap-
précie explicitement de la même manière chaque alternative (mêmes fonctions de
satisfaction pour chaque décideur).
Pour terminer, afin de fournir une démarche d’aide à la coordination des décideurs
au sens de Roy (1985), nous recommandons l’utilisation de la mesure de possibilité de
Noor-E-Alam et al. (2011) afin d’agréger les préférences individuelles dans un processus
interactif.
En effet, ce processus donne le temps aux décideurs de comprendre le processus
décisionnel et d’apprendre à partir de leurs propres interactions en faisant intervenir
leurs expériences et jugements. De plus, afin d’intégrer explicitement les préférences
et les appréciations des décideurs sur l’ensemble des alternatives et par conséquent
fournir des solutions satisfaisantes du point de vue des décideurs, le modèle GPSF (goal
programming avec les fonctions de satisfaction) introduit par Martel et Aouni (1990)
peut être utilisé.
74
V.5. Conclusion
V.5 Conclusion
Nous avons présenté dans cet chapitre notre deuxième approche floue hybride com-
binant le consensus basé sur l’opérateur neat OWA et le modèle du GPSF. Cette approche
comporte deux phases respectivement une phase de consensus une phase de classe-
ment. Afin d’attendre un consensus entre le groupe de décideurs, nous avons adapté
un consensus basée l’opérateur neat OWA qui comprend un concept très important que
nous ne trouvions pas dans la précédente approche. En effet, c’est une démarche inter-
active qui fait réagir les décideurs en leur permettant d’apprendre d’avantage sur leurs
propres jugements. Par ailleurs, le modèle multiobjectifs avec les fonctions de satisfac-
tion GPSF est utilisé pour l’obtention du classement des alternatives. Les fonctions de
satisfaction nous ont permit, (i) d’intégrer les préférences des décideurs avec une élabo-
ration progressive et (ii), avoir une interprétation économique de la fonction objectif en
termes de satisfaction des décideurs.
Ensuite, nous avons comparé grâce à la distance de Levenshtein nos deux approches
hybrides floues, la première combine le consensus basé sur la mesure de possibilité avec
la méthode TOPSIS floue (chapitre précédent) et la seconde combine le consensus basé
sur l’opérateur neat OWA avec le modèle GPSF. Cette comparaison nous a permis de
distinguer certains inconvénients et avantages des deux approches comme suit :
1. Le consensus basé sur la mesure de possibilité conserve mieux les préférences des
décideurs.
2. Le consensus basé sur l’opérateur neat OWA est interactif aidant les décideurs
d’apprendre de leurs propres préférences, expériences et jugements mais les me-
sures utilisées pour l’agrégation des préférences des décideurs ne sont pas adé-
quates.
3. Le non considération des préférences des décideurs d’une manière explicite par la
méthode TOPSIS contrairement au modèle GPSF.
75
Chapitre VI

combinant le consensus basé sur le
modèle GP et la méthode TOPSIS
Résumé
Dans ce chapitre, nous abordons notre troisième approche floue hybride
combinant le consensus basé sur le modèle GP et la méthode TOPSIS
floue. Pour illustrer la pertinence de l’approche proposée, un exemple
du problème de sélection des robots est présenté et les expériences nu-
mériques analysées.
Sommaire
VI.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
VI.2 Approche de résolution . . . . . . . . . . . . . . . . . . . . . . . 78
VI.3 Description du problème . . . . . . . . . . . . . . . . . . . . . . 79
VI.4 Application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
VI.5 Conclusion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
77
Chapitre VI. Approche 3 : Approche floue hybride combinant le consensus basé
sur le modèle GP et la méthode TOPSIS
VI.1 Introduction
Dans ce chapitre, nous présentons notre troisième approche hybride combinant le

consensus basé sur le modèle GP et la méthode TOPSIS floue. La section VI.2 détaille
les différentes étapes de l’approche. Par ailleurs, la section VI.3 présente un exemple
de problème de sélection des robots. La section VI.4 explique le déroulement des diffé-
rentes étapes de notre approche sur cet exemple.
VI.2 Approche de résolution
Les principales étapes de l’approche proposée sont les suivants :

Phase I : Consensus
— Étape 1. Collecter les opinions floues de STt de l’alternative Ai .
— Étape 2. Appliquer la α-coupe et l’indice optimal pour obtenir les préférences
nettes en utilisant les équations (III.26 – III.28) et la figure III.4.
— Étape 3. Pour chaque décideur STt et alternative Ai , calculer cptik à l’aide des
équations (III.68 – III.72).
— Étape 4. Résoudre le modèle GP (III.73 – III.79).
— Étape 1. Résoudre le modèle CCDS pour avoir le poids de chaque critère (Cj )
(III.45 – III.46).
— Étape 2. Indiquer les échelles linguistiques pour chaque préférence collective floue
en utilisant la figure III.4.
— Étape 3. Construire la matrice floue des opinions collectives pondérés à l’aide des
équations (III.47 – III.48).
— Étape 4. Déterminer les alternatives idéales et anti-idéales en utilisant les équa-
tions (III.49 – III.50).
— Étape 5. Calculer les distances de chaque alternative Ai avec F IRP et F AIRP à
l’aide des équations (III.51 – III.53).
— Étape 6. Obtenir le coefficient de proximité CCi à l’aide des équations (III.54).
— Étape 7. Classer des alternatives dans l’ordre décroissant et sélectionner l’alterna-
tive Ai la mieux classée en tant que meilleure alternative.
78
VI.3. Description du problème
VI.3 Description du problème
Dans la suite, nous ne serons pas en mesure d’appliquer cette approche sur le même
exemple vu que la nature des préférences données par les décideurs est différente. En
effet, dans cette approche l’implication des décideurs est beaucoup plus importante que
dans les précédentes approches.
Les décideurs apprécient d’avantage les approches qui intègrent de plus en plus leurs
préférences, expériences et jugements afin qu’elles puissent leurs recommander des so-
lutions plus satisfaisantes et plus adéquates. C’est pour cela que nous avons donner la
possibilité à chaque décideur STt de juger et d’apprécier selon sa propre expérience
chaque alternative Ai en tenant compte de l’ensemble des critères.
Nous considérons un exemple d’une entreprise intéressée par un nouveau robot pour
effectuer une tâche de fabrication. Un groupe de quatre décideurs ST1 , ST2 , ST3 et ST4
est responsable de la sélection du robot le plus convenable parmi cinq robots potentiels
(alternatives) A1 , A2 , A3 , A4 et A5 . Ils considèrent les quatre critères suivant :
— C1 : Flexibilité de programmation.
— C2 : Productivité.
— C3 : Caractéristiques techniques.
— C4 : Impact environnemental.
VI.4 Application
Dans la première étape, les décideurs sont invités a fournir leurs jugements de
chaque alternative Ai tout en respectant l’ensemble des critères représentés par les ma-
trices F˜1 − F˜4 .
F˜1 A1 A2 A3 A4 A5
 
A1 − MP F MG G
 
A2  Neg(MP )
 − Neg(MF ) VG MF 

 
A3 
 Neg(F ) MF − Neg(MF ) F 

 
A4 
 Neg(MG) Neg(V G) MF − VP 

A5 Neg(G) Neg(MF ) Neg(F ) Neg(V P ) −
79
F˜2 A1 A2 A3 A4 A5
 
A1 − MG F G F
 
A2 
 Neg(MG) − G MF VP 

 
A3 
 Neg(F ) Neg(G) − MG MF 

 
A4 
 Neg(G) Neg(MF ) Neg(MG) − MP 

A5 Neg(F ) Neg(V P ) Neg(MF ) Neg(MP ) −
F˜3 A1 A2 A3 A4 A5
 
A1 − Neg(MF ) Neg(F ) Neg(MG) Neg(MP )
 
A2 
 MF − VG MF VP 

 
A3 
 F Neg(V G) − G Neg(V P ) 

 
A4 
 MG Neg(MF ) Neg(G) − F 

A5 MP Neg(V P ) VP Neg(F ) −
F˜4 A1 A2 A3 A4 A5
 
A1 − Neg(MG) Neg(G) Neg(G) Neg(F )
 
A2  MG
 − MP Neg(V P ) VG  
 
A3 
 G Neg(MP ) − Neg(V P ) G  
 
A4 
 G Neg(V P ) VP − MF  
A5 F Neg(V G) G Neg(MF ) −
Il est important de noter que Neg(·) désigne le complémentaire des T rf n. Supposons

MG (Medium Good) de valeur (0.5, 0.6, 0.7, 0.8) et après défuzzification nous avons
0.65, alors Neg(MG) est égale à 0.35.
Dans l’étape 2 (Phase I), à l’aide des fonctions d’appartenance (figure III.4) nous
obtenons les T rF N, puis l’application de la α-coupe avec α = 0.8 et l’indice optimal
avec γ = 0.5 (section III.2.6) nous obtenons les matrices des valeurs nettes (F 1 − F 4 ).
F1 A1 A2 A3 A4 A5
 
A1 − 0.2 0.5 0.65 0.8
 
A2  0.8
 − 0.65 0.9 0.35 
 
A3  0.5 0.35 − 0.65 0.5 


 
A4  0.35 0.1 0.35 −
 0.1 

A5 0.2 0.65 0.5 0.9 −
80
VI.4. Application
F2 A1 A2 A3 A4 A5
 
A1 − 0.65 0.5 0.8 0.5
 
A2 
 0.35 − 0.8 0.35 0.1 

 
A3  0.5 0.2
 − 0.65 0.35 
 
A4  0.2 0.65 0.35 −
 0.2 

A5 0.5 0.9 0.65 0.8 −
F3 A1 A2 A3 A4 A5
 
A1 − 0.65 0.5 0.35 0.8
 
A2 
 0.35 − 0.9 0.35 0.1 

 
A3  0.5 0.1 − 0.8 0.9 


 
A4 
 0.65 0.65 0.2 − 0.5 

A5 0.2 0.9 0.1 0.5 −
F4 A1 A2 A3 A4 A5
 
A1 − 0.35 0.2 0.2 0.5
 
A2  0.65 − 0.2 0.9 0.9 


 
A3  0.8 0.8 − 0.9 0.8 


 
A4  0.8 0.9 0.1 − 0.35 


A5 0.5 0.1 0.8 0.65 −
Dans l’étape 3, nous évaluons la valeur de la préférence par cfikt pour chaque STt
pour Ai et nous résolvons le modèle GP (étape 4). Nous obtenons la matrice des préfé-
rences collectives suivante (D̃ = [d̃tik ]m×m | dtik est la préférence de STt donnée par le
modèle GP).
D̃ A1 A2 A3 A4 A5
 
A1 − d21,2 d31,3 d41,4 d11,5
 
3
A2 
 d2,1 − d12,3 d22,4 d42,5 

2
d43,2 d13,4 3 
 
A3 
 d3,1 − d3,5 
 1
d34,2 d44,3 d24,5 

A4 
 d4,1 − 
A5 d45,1 d15,2 d25,3 d35,4 −
En remplacement d˜tik par les préférences des décideurs par rapport à chaque critère
Cj , la matrice des préférences collective (D = [dik ]n×m ) est obtenue.
81
D A1 A2 A3 A4 A5
 
C1 MF MG MF MG G
 
C2 
 F G MF F G 

 
C3 
 MG MG G MP MG 

C4 F MF F MP F
Ensuite, nous procédons à la défuzzification de chaque dik à l’aide des équations

(III.26 – III.28) et les fonctions d’appartenance (figure III.4).
D A1 A2 A3 A4 A5
 
C1 0.35 0.65 0.35 0.65 0.8
 
C2 
 0.5 0.8 0.35 0.5 0.8 
 
C3  0.65 0.65 0.8 0.2 0.65 


C4 0.5 0.35 0.5 0.2 0.5
Dans la deuxième phase (Classement des alternatives), la première étape concerne

la détermination des poids des critères en résolvant le programme d’optimisation non
linéaire CCSD. Les poids obtenus sont w1 = 0.29, w2 = 0.22, w3 = 0.32 et w4 = 0.17.
Le tableau VI.1 présente les préférences collectives floues et pondérés pour le critère
C1 .
Tableau VI.1 – Préférences collectives floues et pondérées pour le critère C1
Ai Préférences floues Préférences pondérées

A1 (0.2 , 0.3 , 0.4 , 0.5) (0.05 , 0.08 , 0.11 , 0.14)
A2 (0.5 , 0.6 , 0.7 , 0.8) (0.14 , 0.17 , 0.2 , 0.23)
A3 (0.2 , 0.3 , 0.4 , 0.5) (0.05 , 0.08 , 0.11 , 0.14)
A4 (0.5 , 0.6 , 0.7 , 0.8) (0.14 , 0.17 , 0. , 0.23)
A5 (0.7 , 0.8 , 0.8 , 0.9) (0.2 , 0.23 , 0.23 , 0.26)
Dans la deuxième étape, les distances d+ −

i et di sont calculées ainsi que le coeffi-
cient de proximité (CCi ) de chaque alternative Ai . Les résultats finaux obtenus par la
méthode proposée TOPSIS floue sont présentés dans le tableau VI.2. L’alternative recom-
mandée par la méthode est (A4 ). Le classement global est A5 > A2 > A3 > A1 > A4 .
82
VI.5. Conclusion
Tableau VI.2 – Distance et coefficient de proximité de chaque alternative Ai
Ai d−
i d+
i CCi Classement
A1 0.51 3.37 0.13 4
A2 0.61 3.37 0.15 2
A3 0.52 3.48 0.13 3
A4 0.4 3.6 0.1 5
A5 0.7 3.3 0.18 1
VI.5 Conclusion
Nous avons présenté dans ce chapitre notre troisième approche hybride floue com-
binant le consensus basé le modèle du goal programming (GP) et la méthode TOPSIS.
Le consensus intègre d’avantage les préférences et les jugements des décideurs afin
de proposer des solutions plus adéquates au groupe de décideurs. Ensuite, la méthode
TOPSIS floue est utilisée afin de donner aux décideurs un classement des alternatives.
Pour illustrer l’applicabilité de notre approche, nous l’avons appliqué sur un exemple
d’une entreprise intéressée par la sélection d’un robot parmi plusieurs robots potentiels.
83
Conclusion et perspectives
Coordonner la chaîne logistique au-delà des limites organisationnelles peut être l’un
des aspects les plus difficiles de la gestion de la chaîne logistique. De nombreuses en-
treprises ignorent tout simplement la dynamique fondamentale des chaînes logistique,
mais même les entreprises qui sont assez éclairées pour comprendre ces dynamiques
sont souvent incapables de réaliser la coordination inter-organisationnelle (Arshinder
et al., 2011). Souvent, les chaînes logistiques efficaces ont une organisation dominante
qui est consciente des avantages de la coordination et ainsi oblige l’ensemble de la
chaîne logistique à se conformer (à savoir, le leader mondial dans la distribution comme
Wal-Mart). Beaucoup de chaînes logistiques, cependant, soit n’ont pas une organisation
dominante, ou l’organisation dominante est non éclairée. Dans ces cas, la coordination
de la chaîne logistique est plus difficile. De plus, il est observé que les problèmes de
coordination dans les chaines logistiques pourraient être dus à l’aspect conflictuels des
objectifs qui conduit à une relation de courte période entre les membres de la chaine
logistique, par conséquent, l’environnement et les attentes qui changes et évolues fré-
quemment tout au long du temps sont à traiter avec de nouveaux membres. Dans ce
contexte, il est essentiel que les membres de la chaine logistique doivent apprécier et
prendre conscience de l’importance de la coordination.
Contributions
Dans le cadre de cette thèse, nous avons développé trois nouvelles approches hy-
brides dédiés à problème de sélection stratégique pour la coordination dans la chaîne
d’approvisionnement. La première approche combine le consensus basé sur la mesure
de possibilité floue et la méthode TOPSIS. La seconde approche combine le modèle de
85
goal programming avec les fonctions de satisfaction (GPSF) avec le consensus basé sur
l’opérateur neat OWA. Tandis que la troisième que la troisième approche hybride com-
bine le modèle de goal programming avec la méthode TOPSIS. Dans cette approche,
nous avons proposé un consensus offrant plus de liberté et d’espace aux décideurs en
intégrant leurs jugements, expériences et appréciations par rapport à l’ensemble des
alternatives. Un exemple de problème de sélection de fournisseur stratégique est pré-
senté pour démontrer l’applicabilité des deux premières approches et un exemple de
problème de sélection des robots est résolu par la troisième méthode. Pour chacune des
deux premières approches, la distance de Levenshtein est utilisée afin d’évaluer l’écart
entre les solutions individuelles et la solution collective. Ces trois approches visent dif-
férents aspects essentiels d’aide à la coordination dans les chaines logistiques, à savoir :
1. un aspect interactif permettant au groupe de décideur d’échanger, d’évoluer et

d’apprendre à travers leurs propres préférences et jugements,
2. une articulation des préférences des décideurs a priori (TOPSIS) et progressive
(GPSF),
3. une modélisation des préférences floues, incomplètement formulées et entachée
d’ambiguïté en utilisant la théorie des nombres flous,
4. une normalisation pour ramener toutes les unités de mesure des critères à une
échelle commune à l’aide des fonctions d’appartenance et de satisfaction,
5. une interprétation économique avec fonctions de satisfaction en termes niveau de
réalisation,
6. une simplicité à appliquer et une légitimité pour le groupe de décideurs impliqué.
Limites
Pour aider le groupe de décideurs dans leurs démarches décisionnelles, nous avons
proposé trois approches. Cependant, ces approches présentes des inconvénients comme
suit :
1. Le consensus basé sur la mesure de possibilité (Noor-E-Alam et al., 2011) n’est

pas un processus interactif basé sur une discussion du groupe.
2. Tandis que le consensus basé sur l’opérateur neat OWA de Herrera-Viedma et al.
(2002) utilise un opérateur d’agrégation moins performant que celui de consensus
précédent (voir la section V.4.2).
3. Comme notre troisième consensus est basé sur le modèle GP, ce dernier est tota-
lement compensatoire.
4. La méthode TOPSIS n’intègre pas explicitement les préférences des décideurs.
86
Perspectives
1. Grâce à l’analyse portée dans le chapitre V (section V.4), nous prévoyons à l’avenir
d’utiliser les deux mécanismes de consensus afin d’apporter un nouveau consensus
avec un aspect interactif (opérateur neat OWA) et préserver autant que possible
les préférences des décideurs en utilisant la mesure de possibilité comme opé-
rateur d’agrégation. Ce nouveau consensus sera utilisé avec le modèle du goal
programming avec fonctions de satisfaction (GPSF) pour avoir une alternative qui
satisfait le mieux possibles le groupe décideurs. Par ailleurs, afin de donner plus
de souplesse aux décideurs, nous prévoyons d’utiliser différents types de données
(flous, nettes, intervalles, etc).
2. Appliquer les approches sur un groupe réel de décideurs pour mesurer le degré
de collaboration, la qualité de l’information et les difficultés rencontrées par ces
derniers dans le processus d’aide à la coordination.
3. Faire intégrer plus de fonctions comme l’approvisionnement, l’achat, protocoles
visant des accords entre les membres de la chaine logistique afin de mieux coor-
donner.
4. Mettre en œuvre un mécanisme pour quantifier le risque ou l’incertitude dans la
chaîne logistique. En effet, l’effet coup de fouet (BullWhip Effect) fait l’objet d’une
attention soutenue par les chercheurs depuis une quinzaine d’années comme l’in-
certitude de l’offre, le retard de livraison qui a un effet de cascade en descendant
le long de la chaîne logistique semblable à l’amplification croissante des variations
de la demande de l’effet coup de fouet. Comment la coordination dans la chaine
logistique peut contribuer à atténuer ces incertitudes ?
Au travers de ces perspectives, se dessine un champs d’étude intéressant dépassant

le seul périmètre de cette thèse.
87
Liste des publications
Revues internationales avec comité de lecture

1. Idris Igoulalene, Lyes Benyoucef and Manoj Kumar Tiwari (2014) Novel hybrid
fuzzy multi-criteria group decision making approaches for the strategic supplier
selection problem. Expert Systems with Applications (International Journal) (under
review).
Conférences internationales avec actes et comité de lecture

1. Idris Igoulalene and Lyes Benyoucef (2014) A hybrid approach combining fuzzy
consensus-based goal programming and TOPSIS. 2nd IEEE International Conference
on Control, Decision and Information Technologies, pp : ? ? ?- ? ? ?, 3-5 November,
2014, Metz, France.
2. Idris Igoulalene and Lyes Benyoucef (2014) Consensus-based fuzzy TOPSIS ap-
proach for supply chain coordination : application to robot selection problem. IFAC
World Congress, pp : ? ? ?- ? ? ?, 24-29 August, 2014, Cape Town, South Africa.
consensus-based possibility measure and TOPSIS : application to the plant selec-
tion problem. 3rd IEEE International Conference on Advanced Logistics and Trans-
port, pp : 286-291, 1-3 May, 2014, Tunis, Tunisia.
4. Idris Igoulalene and Lyes Benyoucef (2013) A fuzzy-based possibility mea-

sure approach for multi-expert multi-criteria selection problem. IEEE International
89
Liste des publications
Conference on Systems, Man, and Cybernetics, pp : 741-746, 13-16 October, 2013,
Manchester, United Kingdom.
consensus and goal programming for information systems selection. IFAC Confe-
rence on Manufacturing Modelling, Management, and Control, pp : 1967-1972, 19-
21 June, 2013, Saint Petersburg, Russia.
Conférences nationales avec actes et comité de lecture

1. Idris Igoulalene et Lyes Benyoucef (2013) Approche foue multi-critère multi-
décideurs pour la résolution des problèmes de sélection dans les chaînes logis-
tiques. 5èmes Journées Doctorales et Journées Nationales du GDR MACS (JD-JN
MACS), 09-12 Juillet 2013, Université de Strasbourg, Strasbourg, France.
2. Idris Igoulalene et Lyes Benyoucef (2013) Approche floue multi-critère d’aide

à la coordination des experts pour les problèmes de sélection. 14e Congrès Annuel
de la Société Française de Recherche Opérationnelle et Aide à la Décision (ROADEF),
13-15 Février 2013, Troyes, France.
90
Références bibliographiques
Aouni, B. (1998). Le modèle de programmation mathématique avec buts dans un environ-

nement imprécis : sa formulation, sa résolution et une application.
Aouni, B., Hassaine, A., et Martel, J.M. (2009). Decision-maker’s preferences model-
ling within the goal-programming model : a new typology. Journal of Multi-Criteria
Decision Analysis, 16(5-6), 163–178.
Arshinder, Kanda, A., et Deshmukh, S. (2008). Supply chain coordination : Perspectives,

empirical studies and research directions. International Journal of Production Econo-
mics, 115(2), 316 – 335. Institutional Perspectives on Supply Chain Management.
Arshinder, K. (2008). An integrative framework for supply chain coordination. Unpu-

blished doctoral thesis, Indian Institute of Technology Delhi, New Delhi.
Arshinder, K., Kanda, A., et Deshmukh, S. (2011). A review on supply chain coordina-
tion : Coordination mechanisms, managing uncertainty and research directions. In
Supply Chain Coordination under Uncertainty, 39–82. Springer.
Ballou, R. (1999). Business Logistics Management : Planning, Organizing, and Controlling

the Supply Chain. Prentice-Hall International editions. Prentice Hall.
Behzadian, M., Otaghsara, S.K., Yazdani, M., et Ignatius, J. (2012). A state-of the-
art survey of topsis applications. Expert Systems with Applications, 39(17), 13051 –
13069.
Benn Lawson, P.D.C., Squire, B., Burgess, K., Singh, P.J., et Koroglu, R. (2006). Supply
chain management : a structured literature review and implications for future re-
search. International Journal of Operations Production Management, 26(7), 703–729.
91
Blackstone, J.H. et Cox, J.F. (1998). APICS dictionary. APICS, The Educational Society
for Resource Management.
Bouzarour-Amokrane, Y., Tchangani, A., et Peres, F. (2015). A bipolar consensus ap-

proach for group decision making problems. Expert Systems with Applications, 42(3),
1759 – 1772.
Brans, J.P. (1982). L’ingénierie de la décision, l’élaboration d’instruments d’aide á la

décision. Colloque sur l’Aide à la Décision. Faculté des Sciences de l’Administration,
Université Laval.
Brans, J., Vincke, P., et Mareschal, B. (1986). How to select and how to rank projects :
The promethee method. European Journal of Operational Research, 24(2), 228 – 238.
Mathematical Programming Multiple Criteria Decision Making.
Cabrerizo, F.J., Herrera-Viedma, E., et Pedrycz, W. (2013). A method based on pso and
granular computing of linguistic information to solve group decision making problems
defined in heterogeneous contexts. European Journal of Operational Research, 230(3),
624 – 633.
Cárdenas-Barrón, L.E. (2007). Optimizing inventory decisions in a multi-stage multi-

customer supply chain : a note. Transportation Research Part E : Logistics and Trans-
portation Review, 43(5), 647–654.
Chamodrakas, I. et Martakos, D. (2012). A utility-based fuzzy topsis method for energy

efficient network selection in heterogeneous wireless networks. Applied Soft Compu-
ting, 12(7), 1929 – 1938. Soft Computing Approaches in the design of energy-efficient
wireless systems.
Chan, F.T.S., Kumar, N., Tiwari, M.K., Lau, H.C.W., et Choy, K.L. (2008). Global supplier
selection : a fuzzy-ahp approach. International Journal of Production Research, 46(14),
3825–3857.
Charnes, A., Cooper, W.W., et Ferguson, R.O. (1955). Optimal estimation of executive
compensation by linear programming. Management Science, 1(2), 138–151.
Charnes, A. et Cooper, W. (1961). Management Models and Industrial Applications of Li-

near Programming. Number vol. 2 in Management Models and Industrial Applications
of Linear Programming. Wiley.
Chen, C.T., Lin, C.T., et Huang, S.F. (2006). A fuzzy approach for supplier evalua-
tion and selection in supply chain management. International Journal of Production
Economics, 102(2), 289 – 301.
92
Choudhary, D. et Shankar, R. (2014). A goal programming model for joint decision
making of inventory lot-size, supplier selection and carrier selection. Computers &
Industrial Engineering, 71(0), 1 – 9.
Christopher, M. (2005). Logistics and supply chain management : creating value-adding

networks. Pearson education.
Coombs, C.H. (1958). On the use of inconsistency of preferences in psychological mea-

surement. Journal of Experimental Psychology, 55, 1–7.
Ding, H. (2004). une approche d’optimisation basée sur la simulation pour la conception
des chaînes logistiques : Applications dans les industries automobile et textile. Thèse de
doctorat, Metz.
Evans, G.W. (1984). An overview of techniques for solving multiobjective mathematical

programs. Management Science, 30(11), pp. 1268–1282.
Fénies, P., Gourgand, M., et Tchernev, N. (2004). Une contribution à la mesure de la

performance dans la supply chain hospitalière : L’exemple du processus opératoire. In
2ème conférence francophone en Gestion et Ingénierie de Systèmes Hospitaliers (GISEH),
Mons.
Fox, M.S. (2002). Integrated supply chain management. Technical report, Enterprise
integration laboratory. Working Paper.
Ganeshan, R. et Harrison, T.P. (1995). An introduction to supply chain management.

Department of Management Science and Information Systems, 303.
García, J.T., del Moral, M., Martínez, M., et Herrera-Viedma, E. (2012). A consensus
model for group decision making problems with linguistic interval fuzzy preference
relations. Expert Systems with Applications, 39(11), 10022 – 10030.
Grubbström, R.W. et Wang, Z. (2003). A stochastic model of multi-level/multi-stage

capacity-constrained production–inventory systems. International Journal of Produc-
tion Economics, 81–82(0), 483 – 494. Proceedings of the Eleventh International Sym-
posium on Inventories.
Guneri, A.F., Yucel, A., et Ayyildiz, G. (2009). An integrated fuzzy-lp approach for a
supplier selection problem in supply chain management. Expert Systems with Applica-
tions, 36(5), 9223 – 9228.
Hatami-Marbini, A. et Tavana, M. (2011). An extension of the electre i method for

group decision-making under a fuzzy environment. Omega, 39(4), 373 – 386.
93
Henig, M.I. et Buchanan, J.T. (1996). Solving mcdm problems : Process concepts. Jour-
nal of Multi-Criteria Decision Analysis, 5(1), 3–21.
Herrera, F., Herrera-Viedma, E., et verdegay, J. (1996). A model of consensus in group

decision making under linguistic assessments. Fuzzy Sets and Systems, 78(1), 73 – 87.
Herrera-Viedma, E., Alonso, S., Chiclana, F., et Herrera, F. (2007a). A consensus model
for group decision making with incomplete fuzzy preference relations. Fuzzy Systems,
IEEE Transactions on, 15(5), 863–877.
Herrera-Viedma, E., Chiclana, F., Herrera, F., et Alonso, S. (2007b). Group decision-
making model with incomplete fuzzy preference relations based on additive consis-
tency. Systems, Man, and Cybernetics, Part B : Cybernetics, IEEE Transactions on, 37(1),
176–189. doi :10.1109/TSMCB.2006.875872.
Herrera-Viedma, E., Herrera, F., et Chiclana, F. (2002). A consensus model for multi-
person decision making with different preference structures. Systems, Man and Cy-
bernetics, Part A : Systems and Humans, IEEE Transactions on, 32(3), 394–402.
Herrera-Viedma, E., Herrera, F., Chiclana, F., et Luque, M. (2004). Some issues
on consistency of fuzzy preference relations. European Journal of Operational Re-
search, 154(1), 98 – 109. doi :http://dx.doi.org/10.1016/S0377-2217(02)00725-7. URL
http://www.sciencedirect.com/science/article/pii/S0377221702007257.
Hwang, C., Paidy, S., Yoon, K., et Masud, A. (1980). Mathematical programming with
multiple objectives : A tutorial. Computers & Operations Research, 7(1–2), 5 – 31.
Jain, V., Wadhwa, S., et Deshmukh, S.G. (2007). Supplier selection using fuzzy asso-
ciation rules mining approach. International Journal of Production Research, 45(6),
1323–1353.
Kacprzyk, J. et Fedrizzi, M. (1988). A ‘soft’ measure of consensus in the setting of partial

(fuzzy) preferences. European Journal of Operational Research, 34(3), 316 – 325.
Kahraman, C., Çevik, S., Ates, N.Y., et Gülbay, M. (2007). Fuzzy multi-criteria evaluation
of industrial robotic systems. Computers & Industrial Engineering, 52(4), 414 – 433.
Kannan, D., de Sousa Jabbour, A.B.L., et Jabbour, C.J.C. (2014). Selecting green sup-
pliers based on gscm practices : Using fuzzy topsis applied to a brazilian electronics
company. European Journal of Operational Research, 233(2), 432 – 447. Eco-Efficient
Green Supply Chain Management.
Kannan, G. et Haq, A.N. (2007). Analysis of interactions of criteria and sub-criteria for
the selection of supplier in the built-in-order supply chain environment. International
Journal of Production Research, 45(17), 3831–3852.
94
Khorramshahgol, R., Tamiz, M., et Al-Hussain, R. (2014). Application of goal pro-
gramming to swap analysis in oil industry. Journal of Information and Optimization
Sciences, 35(1), 73–91.
Kim, T., Hong, Y., et Lee, J. (2005). Joint economic production allocation and ordering
policies in a supply chain consisting of multiple plants and a single retailer. Interna-
tional Journal of Production Research, 43(17), 3619–3632.
Kleindorfer, P.R. et Saad, G.H. (2005). Managing disruption risks in supply chains.
Production and Operations Management, 14(1), 53–68.
Kuhn, T.S. (1983). La structure des révolutions scientifiques. Paris : Flammarion.
Lai, Y.J., Liu, T.Y., et Hwang, C.L. (1994). Topsis for modm. European Journal of Opera-
tional Research, 76(3), 486 – 500. Facility Location Models for Distribution Planning.
Levenshtein, V.I. (1966). Binary codes capable of correcting deletions, insertions, and
reversals. Technical Report 8.
Liao, C.N. et Kao, H.P. (2014). An evaluation approach to logistics service using fuzzy
theory, quality function development and goal programming. Computers & Industrial
Engineering, 68(0), 54 – 64.
Lockett, G. (1984). Beyond the model an or/ms paradigm for the future. Applications
of Management Science (R. SCHULTZ, Ed.). Elsevier, New York.
Malone, T.W. et Crowston, K. (1994). The interdisciplinary study of coordination. ACM

Comput. Surv., 26(1), 87–119.
Martel, J.M. et Aouni, B. (1990). Incorporating the decision-maker’s preferences in the

goal-programming model. Journal of the Operational Research Society, 1121–1132.
Mata, F., Martinez, L., et Herrera-Viedma, E. (2009). An adaptive consensus support

model for group decision-making problems in a multigranular fuzzy linguistic context.
Fuzzy Systems, IEEE Transactions on, 17(2), 279–290.
Mehrjerdi, Y.Z. (2013). Group decision making process for rfid-based system selection
using fuzzy topsis approach. Artificial Intelligence Research, 2(3).
Min, H. et Storbeck, J. (1991). On the origin and persistence of misconceptions in goal

programming. Journal of the Operational Research Society, 301–312.
Munda, G. (1993). Multiple-criteria decision aid : Some epistemological considerations.

Journal of Multi-Criteria Decision Analysis, 2(1), 41–55.
95
Munro, M. et Aouni, B. (2012). Group decision makers’ preferences modelling within
the goal programming model : An overview and a typology. Journal of Multi-Criteria
Decision Analysis, 19(3-4), 169–184.
Munson, C. et Rosenblatt, M. (2001). Coordinating a three-level supply chain with

quantity discounts. IIE Transactions, 33(5), 371–384.
Nazam, M., Ahmad, J., Javed, M.K., Hashim, M., et Yao, L. (2014). Risk-oriented assess-
ment model for project bidding selection in construction industry of pakistan based
on fuzzy ahp and topsis methods. In Proceedings of the Eighth International Conference
on Management Science and Engineering Management, 1165–1177. Springer.
Noor-E-Alam, M., Lipi, T.F., Hasin, M.A.A., et Ullah, A. (2011). Algorithms for fuzzy
multi expert multi criteria decision making (me-mcdm). Knowledge-Based Systems,
24(3), 367 – 377.
Onut, S., Kara, S.S., et Isik, E. (2009). Long term supplier selection using a combi-
ned fuzzy mcdm approach : A case study for a telecommunication company. Expert
Systems with Applications, 36(2, Part 2), 3887 – 3895.
Piplani, R. et Fu, Y. (2005). A coordination framework for supply chain inventory ali-
gnment. Journal of Manufacturing Technology Management, 16(6), 598–614.
Pongpeng, J. et Liston, J. (2003). A multicriteria model’s survey : state of the art and
some necessary capabilities of future models. Construction Management and Econo-
mics, 21(7), 665–670.
Roy, B. (1985). Méthodologie multicritère d’aide à la décision. Economica.
Sevkli, M., Lenny Koh, S., Zaim, S., Demirbag, M., et Tatoglu, E. (2008). Hybrid ana-
lytical hierarchy process model for supplier selection. Industrial Management & Data
Systems, 108(1), 122–142.
Sharif Ullah, A. (2005). A fuzzy decision model for conceptual design. Systems Enginee-
ring, 8(4), 296–308.
Sharma, S. et Balan, S. (2013). An integrative supplier selection model using tagu-

chi loss function, topsis and multi criteria goal programming. Journal of Intelligent
Manufacturing, 24(6), 1123–1130.
Silva, A.F.D., Marins, F.A.S., et Montevechi, J.A.B. (2013). Multi-choice mixed inte-
ger goal programming optimization for real problems in a sugar and ethanol milling
company. Applied Mathematical Modelling, 37(9), 6146 – 6162.
96
Simatupang, T.M. et Sridharan, R. (2002). The collaborative supply chain. The Interna-
tional Journal of Logistics Management, 13(1), 15–30.
Simchi-Levi, D., Kaminsky, P., et Simchi-Levi, E. (2003). Designing and Managing the
Supply Chain : Concepts, Strategies, and Case Studies. Irwin/McGraw-Hill series in
operations and decision sciences. McGraw-Hill/Irwin.
Singh, R.K. et Benyoucef, L. (2012). Fuzzy logic and interval arithmetic-based topsis
method for multicriteria reverse auctions. Service Science, 4(2), 101–117.
Singh, R. et Benyoucef, L. (2013). A consensus based group decision making metho-

dology for strategic selection problems of supply chain coordination. Engineering
Applications of Artificial Intelligence, 26(1), 122 – 134.
Skjoett-Larsen, T. (2000). European logistics beyond 2000. International Journal of

Physical Distribution Logistics Management, 30(5), 377–387.
Tan, K.C. (2001). A framework of supply chain management literature. European Jour-
nal of Purchasing & Supply Management, 7(1), 39 – 48.
Tanino, T. (1984). Fuzzy preference orderings in group decision making. Fuzzy Sets
and Systems, 12(2), 117 – 131. doi :http://dx.doi.org/10.1016/0165-0114(84)90032-0.
URL http://www.sciencedirect.com/science/article/pii/0165011484900320.
Temur, G., Kaya, T., et Kahraman, C. (2014). Facility location selection in reverse logis-
tics using a type-2 fuzzy decision aid method. In C. Kahraman et B. Oztaysi (eds.),
Supply Chain Management Under Fuzziness, volume 313 of Studies in Fuzziness and
Soft Computing, 591–606. Springer Berlin Heidelberg.
Thierry, C., Thomas, A., Bel, G., et al. (2008). La simulation pour la gestion des chaînes
logistiques.
Tian, J., Yu, D., Yu, B., et Ma, S. (2013). A fuzzy topsis model via chi-square test for
information source selection. Knowledge-Based Systems, 37(0), 515 – 527.
Umeda, S. et Jones, A. (1998). An integration test-bed system for supply chain mana-
gement. In Simulation Conference Proceedings, 1998. Winter, volume 2, 1377–1385
vol.2.
van der Rhee, B., Verma, R., et Plaschka, G. (2009). Understanding trade-offs in the
supplier selection process : The role of flexibility, delivery, and value-added ser-
vices/support. International Journal of Production Economics, 120(1), 30 – 41. Special
Issue on Operations Strategy and Supply Chains Management.
97
Venkata Rao, R. (2008). Evaluating flexible manufacturing systems using a combined
multiple attribute decision making method. International Journal of Production Re-
search, 46(7), 1975–1989.
Verwijmeren, M., van der Vlist, P., et van Donselaar, K. (1996). Networked inventory
management information systems : materializing supply chain management. Interna-
tional Journal of Physical Distribution & Logistics Management, 26(6), 16–31.
Wang, T.C. et Chang, T.H. (2007). Application of topsis in evaluating initial training
aircraft under a fuzzy environment. Expert Systems with Applications, 33(4), 870 –
880.
Wang, Y.M. et Luo, Y. (2010). Integration of correlations with standard deviations for
determining attribute weights in multiple attribute decision making. Math. Comput.
Model., 51(1-2), 1–12.
Wu, W.Y., Sukoco, B.M., Li, C.Y., et Chen, S.H. (2009). An integrated multi-objective
decision-making process for supplier selection with bundling problem. Expert Systems
with Applications, 36(2, Part 1), 2327 – 2337.
Xu, L. et Beamon, B.M. (2006). Supply chain coordination and cooperation mecha-
nisms : An attribute-based approach. Journal of Supply Chain Management, 42(1),
4–12.
Yager, R. (1988). On ordered weighted averaging aggregation operators in multicriteria

decision making. Systems, Man and Cybernetics, IEEE Transactions on, 18(1), 183–190.
Yao, M.J. et Chiou, C.C. (2004). On a replenishment coordination model in an in-

tegrated supply chain with one vendor and multiple buyers. European Journal of
Operational Research, 159(2), 406 – 419. Supply Chain Management : Theory and
Applications.
Yokoyama, M. (2002). Integrated optimization of inventory-distribution systems by

random local search and a genetic algorithm. Computers & Industrial Engineering,
42(2–4), 175 – 188.
Zadeh, L. (1965). Fuzzy sets. Information and Control, 8(3), 338 – 353.
Zadrożny, S. (1997). An approach to the consensus reaching support in fuzzy environ-

ment. In J. Kacprzyk, H. Nurmi, et M. Fedrizzi (eds.), Consensus Under Fuzziness,
volume 10 of International Series in Intelligent Technologies, 83–109. Springer US.
Zeleny, M. (1981). The pros and cons of goal programming. Computers & Operations
Research, 8(4), 357 – 359.
98
Zeydan, M. et Çolpan, C. (2009). A new decision support system for performance
measurement using combined fuzzy topsis/dea approach. International Journal of
Production Research, 47(15), 4327–4349.
Zouggari, A. et Benyoucef, L. (2012). Simulation based fuzzy topsis approach for group
multi-criteria supplier selection problem. Engineering Applications of Artificial Intelli-
gence, 25(3), 507 – 519.
99
Index des illustrations
I.1 Différents flux et entités dans une chaîne logistique . . . . . . . . . . . . 10
II.1 Illustration de notre problématique . . . . . . . . . . . . . . . . . . . . . 24
III.1 Les relations entre les trois composantes du modèle décisionnel d’Aouni
(1998) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
III.2 Fonction d’appartenance triangulaire . . . . . . . . . . . . . . . . . . . . 35
III.3 Fonction d’appartenance trapézoïdale . . . . . . . . . . . . . . . . . . . . 36
III.4 Fonctions d’appartenances trapézoïdales floues pour les décideurs . . . . 38
III.5 α-coupe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
III.6 Le processus du consensus adapté de Herrera-Viedma et al. (2002) . . . 41
III.7 Fonctions d’appartenances trapézoïdales pour le traitement de l’information 42
III.8 Le processus de consensus de Noor-E-Alam et al. (2011) . . . . . . . . . 43
III.9 Exemple de fonction de satisfaction . . . . . . . . . . . . . . . . . . . . . 49
V.1 Fonction de satisfaction de C1 . . . . . . . . . . . . . . . . . . . . . . . . 70

101
Index des tableaux
IV.1 Ensemble des quantificateurs . . . . . . . . . . . . . . . . . . . . . . . . 58

IV.2 Préférences des décideurs ST s . . . . . . . . . . . . . . . . . . . . . . . 58
IV.3 Probabilités pour les différents quantificateurs Gjs pour tous les critères
et l’alternative A1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
IV.4 ωsj pour tous les critères et l’alternative A1 . . . . . . . . . . . . . . . . . 59
IV.5 Constante de transfert de possibilité D et possibilité Tsj pour tous les
critères, l’alternative A1 et le décideur ST1 . . . . . . . . . . . . . . . . . 59
IV.6 Nombres flous trapézoïdaux T rF N et valeurs Ir pour tous les critères,
l’alternative A1 et le décideur ST1 . . . . . . . . . . . . . . . . . . . . . . 60
IV.7 Mesure de conformité Htj pour tous les critères et tous les décideurs pour
l’alternative A1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60
IV.8 Matrice des préférences collectives floues . . . . . . . . . . . . . . . . . . 60
IV.9 Matrice ordinaire des préférences collectives . . . . . . . . . . . . . . . . 61
IV.10Préférences collectives floues et pondérées pour le critère C1 . . . . . . . 61
IV.11Distance et coefficient de proximité de chaque alternative Ai . . . . . . . 61
V.1 Solution collective des décideurs . . . . . . . . . . . . . . . . . . . . . . 66

V.2 Rangs des alternatives pour C1 dans les solutions individuelles et collectives 66
V.3 La différence des rangs des décideurs avec la solution collective (Pic − Pit ) 66
V.4 Degré de proximité des différentes alternatives pour le critère C1 . . . . 67
V.5 Degré de consensus des différents critères . . . . . . . . . . . . . . . . . 67
103
Index des tableaux
V.6 Mesure de consensus des différents critères dans la première itération du
consensus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67
V.7 Mesures de proximité pour différents ST s . . . . . . . . . . . . . . . . . 67
V.8 Mesure de consensus des différents critères dans la dernière itération du
consensus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
V.9 Solution collective des ST s utilisant l’opérateur neat OWA au dernier tour
du consensus . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
V.10 Les déviations positives et négatives avec leurs fonctions de satisfaction
de A1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
V.11 Classement de chaque décideur STt . . . . . . . . . . . . . . . . . . . . . 72
V.12 Distances entre les solutions individuelles et collectives . . . . . . . . . . 73
VI.1 Préférences collectives floues et pondérées pour le critère C1 . . . . . . . 82

VI.2 Distance et coefficient de proximité de chaque alternative Ai . . . . . . . 83
104
Université d’Aix-Marseille
Développement d’une approche floue multicritère d’aide à la

coordination des décideurs pour la résolution des problèmes de
sélection dans les chaines logistiques
Dans le cadre de cette thèse, notre objectif est de développer une approche multicritère d’aide à la
coordination des décideurs pour la résolution des problèmes de sélection dans les chaines logistiques.
En effet, nous considérons le cas où nous avons k décideurs/experts qui cherchent à classer un
ensemble de m alternatives/choix notées A1 , . . . , Am évaluées en termes de n critères conflictuels
notés C1 , ..., Cn . L’ensemble des données manipulées est flou. Chaque décideur est amené à exprimer
ses préférences pour chaque alternative par rapport à chaque critère à travers une matrice dite matrice
de préférence. Notre approche comprend principalement deux phases, respectivement une phase de
consensus qui consiste à trouver un accord global entre les décideurs et une phase de classement qui
traite le problème de classement des différentes alternatives. Comme résultats, pour la première phase,
nous avons adapté deux mécanismes de consensus, le premier est basé sur l’opérateur neat OWA
et le second sur la mesure de possibilité. De même, nous avons développé un nouveau mécanisme
de consensus basé sur la programmation par but (goal programming). Pour la phase de classement,
nous avons adapté dans un premier temps la méthode TOPSIS et dans un second, le modèle de
goal programming avec des fonctions de satisfaction. Pour illustrer l’applicabilité de notre approche,
nous avons utilisé différents problèmes de sélection dans les chaines logistiques comme la sélection
des systèmes de formation, la sélection des fournisseurs, la sélection des robots et la sélection des
entrepôts.
Mots-clefs : Consensus, Multi-décideur, Multicritère, Problème de sélection, Mesure de possibilité,
Neat OWA, TOPSIS floue, Goal Programming, Fonction de satisfaction.
Multi-criteria group decision making approach for the selection

problem
This thesis presents a development of a multi-criteria group decision making approach to solve
the selection problems in supply chains. Indeed, we start in the context where a group of k decision
makers/experts, is in charge of the evaluation and the ranking of a set of potential m alternatives.
The alternatives are evaluated in fuzzy environment while taking into consideration both subjective
(qualitative) and objective (quantitative) n conflicting criteria. Each decision maker is brought to
express his preferences for each alternative relative to each criterion through a fuzzy matrix called
preference matrix. We have developed three new approaches for manufacturing strategy, information
system and robot selection problem ;
1. Fuzzy consensus-based possibility measure and goal programming approach.

2. Fuzzy consensus-based neat OWA and goal programming approach.
3. Fuzzy consensus-based goal programming and TOPSIS approach.
Finally, a comparison of these three approaches is conducted and thus was able to give recommen-
dations to improve the approaches and provide decision aid to the most satisfying decision makers.
Keywords : Consensus, Group decision makers, Multi-criteria, Selection problems, Possibility mea-
sure, Neat OWA, Fuzzy TOPSIS, Goal programming, Satisfaction function.
Laboratoire des Sciences de l’Information et des Systèmes

Igoulalene 02u4sl01em2 TH

Transféré par

Droits d'auteur :

Formats disponibles

Igoulalene 02u4sl01em2 TH

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Igoulalene 02u4sl01em2 TH

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSITÉ D’AIX-MARSEILLE

ECOLE DOCTORALE ED 184

Développement d’une approche floue multicritère d’aide à la coordination

Soutenue le 02 décembre 2014

Prof. François PERES Ecole Nationale d’Ingénieurs de Tarbes Rapporteur

Table des matières iii

Contexte, problématique et état de l’art 5

II État de l’art et position du problème 15

III Quelques concepts théoriques 27

IV Approche 1 : Approche floue hybride combinant le consensus basé sur la

V Approche 2 : Approche floue hybride combinant le consensus basé sur l’opé-

VI Approche 3 : Approche floue hybride combinant le consensus basé sur le

Liste des publications 89

Index des illustrations 101

Index des tableaux 103

Sous la pression de la globalisation, d’une concurrence croissante, de la réduction

Contexte, problématique et état de l’art

Confrontées à des marchés instables, de plus en plus concurrentiels et globalisés,

I.2 Les chaînes logistiques

Fournisseurs Manufacturiers Distributeurs Clients

Flux informations et flux financiers

I.3 Gestion de la chaîne logistique

Il existe diverses définitions de la notion de gestion de la chaîne logistique. Selon

Il s’agit de la politique à long terme de l’entreprise. Prisent sur un horizon de plus

I.3.2 Décisions tactiques

I.3.3 Décisions opérationnelles

I.4 La coordination dans les chaines logistiques (SCC)

1. Les partenaires d’une chaîne logistique (décideurs) exercent différentes fonctions

État de l’art et position du problème

De plus en plus, les membres/partenaires de la chaîne logistique prennent collecti-

II.3 Problème de décision de groupe (consensus)

Pour la plupart des problèmes de prise de décision collective ou décision de groupe

II.4 Méthodes d’Aide à la Décision Multicritère

Le processus de prise de décision exige généralement, à différents niveaux et stades,

II.4.1 Applications de la méthode TOPSIS floue

II.4.2 Applications du modèle de goal programming (GP)

Figure II.1 – Illustration de notre problématique

Quelques concepts théoriques

— Relation modèle-contexte : Chaque modèle incarne la manière dont l’analyste

— Relation modèle-décideur : Le modèle permet de modéliser les préférences du

— Relation contexte-décideur : Le contexte décisionnel représente l’environnement

III.2 Les nombres et les ensembles flous

Définition 1. (Ensemble flou)

µÃ : X → [0, 1] (III.1)

La valeur de µÃ (x) représente le degré d’appartenance de x dans X et est interprété

Un ensemble flou Ã peut être considéré comme un ensemble de paires ordonnées

Ã = {(x, µÃ (x)) |x ∈ X} (III.3)

Lorsque X est un ensemble infini et dénombrable, un ensemble flou Ã de X est

Les opérateurs ′ +′ , ′ ′ et ′ ′ ne se réfèrent pas à une addition et intégrale ordinaires,

III.2.2 Opérations et propriétés

Définition 5. (Sous-ensemble flou)

µÃ (x) ≤ µB̃ (x) ∀x ∈ X (III.9)

∀x ∈ X µÃ∪B̃ (x) = max (µÃ (x), µB̃ (x)) (III.11)

∀x ∈ X µÃ∩B̃ (x) = min (µÃ (x), µB̃ (x)) (III.12)

∀x ∈ X, µÃc (x) = 1 − µÃ (x) (III.13)

Il est important de noter que les lois de complémentarité et de exclusivité rencon-

III.2.3 Relations floues

Définition 10. (Relation floue)

Soient X et Y deux ensembles ordinaires et X × Y le produit cartésien.