14ème Atelier de raisonnement à partir de cas mars 2006

Slides:



Advertisements
Présentations similaires
Mais vous comprenez qu’il s’agit d’une « tromperie ».
Advertisements

QUALIFICATION COMPORTEMENTALE DES BASES DE DONNEES CLIENTS
Théorie des graphes.
Fabrice Lauri, François Charpillet, Daniel Szer
AUTRES ASPECTS DU GPS Partie I : tolérance de Battement
Modélisation des préférences temporelles.
des Structures de Santé
Cliquez pour modifier le style des sous-titres du masque Fractures supracondyliennes sur PTG Jean-Alain Epinette Bruay-Labuissière.
Piloter l'utilisation des informations produits et services par les télé-conseillers pour améliorer la qualité de service délivrée Dominique Gilles – InStranet.
Test statistique : principe
PROPOSITION DUN MODELE PROSPECTIF INTEGRANT DES ASPECTS MULTICRITERES POUR LESTIMATION DES VARIABLES A RISQUES LIEES AU DEVELOPPEMENT DUNE COMPAGNIE METALLURGIQUE.
Les numéros 70 –
GDR MACS/STP – Groupe AMOEP
Negar ARMAGHAN(1), Jérôme COSTA(2), Jean RENAUD(1)
Eric BONJOUR, Maryvonne DULMET
Page : 1 / 8 Conduite de projet Examen du 3 juin 1988 Durée : 4 heures Le support de cours est toléré La notation tiendra compte très significativement.
Page : 1 / 6 Conduite de projet Examen du 6 mai 1999 Durée : 4 heures Le support de cours est toléré La notation tiendra compte très significativement.
SOMMAIRE Problématique. Décision publique et participation
Points de référence en décision multicritère J.F.R.O. Antoine ROLLAND LIP6 15 décembre 2006.
LES TRIANGLES 1. Définitions 2. Constructions 3. Propriétés.
Thème « Modélisation comportementale des Systèmes critiques »
Ordonnancement des mouvements de deux robots
Mesure de la performance de la chaine logistique verte en se basant sur l’approche processus et la logique floue Hind Lachir1, 2, Rachid Benmoussa1, Bernard.
Safae LAQRICHI, Didier Gourc, François Marmier {safae
Les Ateliers de Génie Logiciel
Révision (p. 130, texte) Nombres (1-100).
Vers une approche structurée de gestion forestière intégrée
Application des algorithmes génétiques
RELATION COÛT-VOLUME-BÉNÉFICE
Journée technique LAVOC 2002
DEA Intelligence Artificielle et Optimisation Combinatoire
Aide à la décision multicritères
Recherche d’un thème de projet Identification d’un besoin
Résultats de lanalyse de lexpérience au 4 MeV Réunion du 01/06/2004.
Présentation générale
Détection de co-évolution de gènes Master 2 : Informatique à Finalité Professionnelle et Recherche Unifiée (IFPRU) Parcours Ingénierie de lIntelligence.
Méthode des k plus proches voisins
ÉVALUATION DES SCÉNARIOS POUR L’AIDE À LA CONDUITE DU PROJET
Proposition d’un support de conduite des processus d’entreprise
Chaîne logistique : - Approvisionnement - Stocks
SYSTEMES D’INFORMATION
SCIENCES DE L ’INGENIEUR
Les chiffres & les nombres
Construction de la progression
1.Un rang de données multicolores 2. Deux permutations des n premiers entiers 3. b permutations des k premiers entiers 4. Choix de n points dans [0,1]
Des indicateurs de performance pertinents et adéquats
La statistique descriptive
Introduction à la programmation linéaire
2. Théorie de la consommation (demande)
Travaux de thèse de Julien FRANCOIS
MAGIE Réalisé par Mons. RITTER J-P Le 24 octobre 2004.
AIP PRIMECA des Pays de La Loire – 9 novembre 2006
Tolerance Manager Un concept métier
Évaluer et analyser les coûts de la régie communautaire de leau, comment ? Restitution du 16 nov Cartographie des activités et inducteurs de coût.
Aire d’une figure par encadrement
MAGIE Réalisé par Mons. RITTER J-P Le 24 octobre 2004.
 La fondation des réseaux neuronaux : L’être humain apprend d’abord par analogie, et le raisonnement inductif et déductif vient après.  La fondation.
ANALYSE METHODE & OUTILS
Hatainville Les Moitiers d’Allonne – Tel : Website : stratic.online.com La démarche projet Mars 2001.
Pr ZEGOUR DJAMEL EDDINE Ecole Supérieure d’Informatique (ESI)
1 Alain Casali Christian Ernst Extraction de Règles de Corrélation Décisionnelles 29 Janvier 2009.
Les Techniques d’enquête quantitative
Un processus pour la prise de décision spatiale.
TECFA Technologies pour la Formation et l’Apprentissage
Présentation du système
Modélisation des Actions Mécaniques Première sti2d
Exemple d’application pour ACCLIMAT
1 Théorie de la finance Gestion de portefeuille Moyenne-variance Master Sciences de Gestion – Semestre II - Université Mohammed V Faculté des Sciences.
Transcription de la présentation:

14ème Atelier de raisonnement à partir de cas 30-31 mars 2006 De la capitalisation des connaissances à l’approche multicritère : Proposition de modèles de choix à l’industriel Jean RENAUD Maître de Conférences HDR ERPI Nancy Equipe Modélisation multicritère et connaissances industrielles 14ème Atelier de raisonnement à partir de cas 30-31 mars 2006

Plan de l’exposé Contexte industriel de la conception Introduction des approches multicritères Démarche multicritère proposée Applications industrielles Conclusion

Problématique de la conception Mode SEQUENTIEL < 1990 Activités Produit fini Problématique scientifique Activités Temps Problématique industrielle Durée de conception

Problématique de la conception INGENIERIE CONCOURANTE > 1990 Activités Chevauchement Durée de conception Gain de temps Produit fini Produit fini Problématique scientifique Activités Temps Problématique industrielle

Problématique de conception INGENIERIE CONCOURANTE > 1990 Durée de conception Gain de temps Activités Chevauchement Génie décisionnel Décisions Produit fini Produit fini Problématique scientifique Activités Temps Risque Problématique industrielle

Problématique de conception INGENIERIE CONCOURANTE > 1995 Activités Chevauchement Génie décisionnel Capitalisation des connaissances Connaissance en mode INGENIERIE CONCOURANTE Produit fini Groupe Dyxit Produit fini Connaissances métier Problématique scientifique Connaissance en mode SEQUENTIEL Temps Risque Connaissances Problématique industrielle Durée de conception Réduction des délais

Prise en compte des Connaissances Métier Résultats obtenus Une originalité : Prise en compte des Connaissances Métier ou tacites: Etude du processus de capitalisation des connaissances Démarche générique Identification et extraction des connaissances 3 phases de Capitalisation des connaissances Modélisation des Connaissances et validation Utilisation des modèles pour réduire la durée de conception

Prise en compte des Connaissances Métier Résultats obtenus Une originalité : Prise en compte des Connaissances Métier ou tacites: Etude du processus de capitalisation des connaissances Apports méthodologiques Tests et transferts de méthodes et modèles Apports de nouveaux modèles Principes d’opérationalisation Démarche générique Identification et extraction des connaissances Modélisation des Connaissances et validation Utilisation des modèles Amélioration du processus de conception

Approche multicritère Originalité de la recherche Activités Chevauchement Génie décisionnel Capitalisation des Connaissances Approche multicritère Produit fini Produit fini Connaissance décisionnelle Problématique scientifique Temps Risque Connaissances Innovation Problématique industrielle Durée de conception Réduction des délais

Approche multicritère Exemple On cherche à maximiser les critères Critères Produits C1 P1 : 0.1 C2 P2 : 0.3 C3 P3 : 0.1 C4 P4 : 0.5 Méthodes utilisées Produit 1 4 6 5 1 4.25/3.2/0.18 Produit 2 2 3 3.75/5.15/0.225 Produit 3 3.75/3.7/0.216 Produit 4 3.25/3.5/0.09 Produit dominé Produit non dominé Si l’on utilise la moyenne : P1> P2 = P3 > P4 la moyenne pondérée : P2> P3 > P4 > P1 le produit pondéré : P2> P3 > P1 > P4

Approche multicritère DEFINITION Pas de solution UNIQUE mais plusieurs solutions « Compromis » L’aide multicritère vise à fournir à un décideur des outils lui permettant de progresser dans la résolution d’un problème de décision où plusieurs points de vue, souvent contradictoires, doivent être pris en compte

Grille de décision Critères Pk Action Ai aij Action Ak aik Poids des critère [0, 1] l’expert donne des valeurs Méthode d’entropie Classement par ordre décroissant comparaison 2 à 2 des critères Critères Exhaustivité Cohérence entre les critères Non redondance Ci Pk Fonction d’utilité Action Ai aij 1 Action Ak aik A Action : {produit, solution, projet…

Grille de décision Action Ai aij Action Ak aik Fonction d’utilité 1 1 cible A cible Fonction d’utilité Action Ai aij 1 Action Ak aik A

Grille de décision Critères Pk Action Ai aij Action Ak aik Poids des critère [0, 1] l’expert donne des valeurs Méthode d’entropie Classement par ordre décroissant comparaison 2 à 2 des critères Critères Exhaustivité Cohérence entre les critères Non redondance Ci Pk Fonction d’utilité Action Ai aij 1 Action Ak aik Critère à préférence A P(aij, aik) Seuils seuil fort, seuil de concordance seuil faible, seuil d’indifférence, stricte… seuil de veto... sq sp

Grille de décision Pk Action Ai aij Action Ak aik P(aij, aik) Critère à palier Critère gaussien P(aij, aik) P(aij, aik) Ci Pk Action Ai aij Action Ak aik Critère à préférence P(aij, aik) Seuils seuil fort, seuil de concordance seuil faible, seuil d’indifférence, stricte… seuil de veto... gj(a) – gj(b) sp

Différentes approches Agrégation totale / compensatoire Critère unique (évacuant toute incomparabilité) Maximiser la Fonction d’utilité agréger tous les critères MAUT Multi Attribute Utility Theory Moyenne pondérée, OWA, Goal progr.… Agrégation partielle / non compensatoire Principe de sur-classement (prend en compte l’incomparabilité) Maximiser la Fonction d’utilité agréger tous les critères ELECTRE I, II, III…, Prométhée, Bilans de flux… Approches hybrides Agrégation totale et non compensatoire Agrégation partielle et compensatoire Intégrales floues (Sugeno, Choquet…) Théorie des Rough Sets, Méthode AHP …

Différentes méthodes Electre (Roy, 68) Méthodes de surclassement Electre I Indice de surclassement : c(a,b) = pj/P avec gj(a)  gj(b) Indice de discordance : d(a,b) = Seuils de concordance c(a,b) et de discordance d(a,b) donc aSb ssi c(a,b)  C et d(a,b)  D Electre II Plusieurs seuils de concordance et de discordance : surclassement Fort et faible ELECTRE III Introduire de seuils de Préférence, Indifférence et de véto S(a,b) = c(a,b). {1-D(a,b)/1-c(a,b)} avec D(a,b)  c(a,b) 0 si gj(a)  gj(b), j 1/ max [gj(a)  gj(b)], sinon q p

Principe de notre démarche Aspect multicritère Délai Coût Qualité Productivité Propriété d’usage Rentabilité Pas de solution unique Recherche de compromis Le produit Générer un ensemble de compromis Choisir le compromis préféré

Optimisation multicritère Principe de notre démarche CHOIX Délai Coût Qualité Productivité Propriété d’usage Rentabilité Zone optimale Aide à la décision Le produit Préférences du décideur Liste de compromis Concept de domination de Pareto Analyse multicritère Optimisation multicritère Méthodes multicritères

Démarche préconisée Cible E(t) S(t) Cible Variables opératoires Produit réalisé Activité de fabrication Cible Décideur Produit souhaité Expérience acquise Liste des compromis Problématique industrielle Front de Pareto A Zone de Pareto C B Cible Ce qu’il ne faut pas faire Principe de Pareto

Démarche préconisée Cible E(t) S(t) Variables opératoires Produit réalisé Activité de fabrication Cible Décideur Produit souhaité Expérience acquise Liste des compromis Problématique industrielle Liste des compromis Proposition de l’opérateur Préférences de l’expert Produit préféré Zones de préférence Classement des compromis par ordre de préférence Ce qu’il est préférable de faire : Recommandations

Démarche préconisée E(t) S(t) Activité de conception Variables opératoires Produit réalisé Activité de fabrication Décideur Expert Expérience acquise Problématique industrielle Activité de conception Spécification du Produit (CDC, souhaité, cible) Spécification du processus de fabrication (souhaité ou cible) Espace des variables Espace des critères Pilotage du Processus d’innovation Cartes des Savoir-faire Cartes des préférences

Application de méthodes d’analyse multicritères Application : granulés pour animaux

Application Industrielle Granulés pour bétails Procédé d’extrusion minimiser trois critères : - friabilité - humidité - consommation énergétique Contrôler les paramètres (deux importants) - diamètre filière (D) - température de fourreau (T°)

Démarche utilisée Modélisation du procédé Recherche de la zone de Pareto Application de la méthode Bilans de Flux Application de la théorie des Rough Sets Comparaison et discussion

Calcul de la zone de Pareto Exemple F1 (énergie) = 30.156 + 4 D – 0.94 T + 0.00625 T2 F2 (friabilité) = 27.854 – 6.046 D – 0.46 T + 0.42 D2 + 0.0023 T2 + 0.044 DT F3 (humidité) = 12.025 + 1.115 D – 0.033 T – 0.0167 D2 + 0.00167 T2 – 0.0337 DT 75 Exemple de fonction D = fct T Température (T°c) Zone de Pareto 35 2 D cm 6

Calcul de la zone de Pareto Exemple F1 (énergie) = 30.156 + 4 D – 0.94 T + 0.00625 T2 F2 (friabilité) = 27.854 – 6.046 D – 0.46 T + 0.42 D2 + 0.0023 T2 + 0.044 DT F3 (humidité) = 12.025 + 1.115 D – 0.033 T – 0.0167 D2 + 0.00167 T2 – 0.0337 DT 75 Température (T°c) Zone de Pareto 35 2 D cm 6

Méthode Prométhée et Bilans de flux Méthode Prométhée (Brans, 84) Utilisation de la fonction de préférence Pi(a,b) +(a) {flux entrant} =  P(a, b) et, -(a) {flux sortant} =  P(b, a) Bilan de flux : (a) = +(a) - -(a) B. Méthode des Bilans de Flux (Kiss, 02) Prise en compte de l’indice de discordance d’Electre III

Classification de la zone de Pareto par quintile Application de la méthode des Bilans de flux Définition des seuils et des poids Répartition du domaine de Pareto Classification de la zone de Pareto par quintile Critères Wk Qk Pk Vk Friabilité 1/3 0.2 0.5 0.8 Humidité 1.5 3 Consommation énergie 1 6 Point 1 «le meilleur» Point 2 «mauvais»

Théorie des Rough Sets (Gréco, 01) F1 – F2 Minimiser les critères Règle Type Nom 101 P R1 100 R2 010 NP R3 011 R4 F1 5,1 3,6 4,6 F2 5,2 2,1 7 F3 5,6 5,5 F4 4,7 4,1 2,2 2 1 3 Classement par ordre de préférence Points significatifs Règles de préférence et de non préférence Ex : 110 P F1 F2 F4 F5 F1-F4 +1 -1 F4-F1 F1-F5 Cartographie des Connaissances (zone de préférence) Application de ces règles à l’ensemble de la zone

Théorie des Rough Sets (Gréco, 01) Classification de 5 points par ordre de préférence Proposition des règles de préférence et de non préférence Points D (cm) T° (C) Friability Humidity Consumption Position A1 3.00 63.10 2.05 13.40 7.9 1st A2 2.62 74.40 2.09 15.00 5.50 2nd A3 2.10 60.30 3.31 14.10 4.70 3th A4 5.96 57.00 2.98 10.10 20.90 4th A5 5.73 4.32 10.20 17.90 5th Preference rules Non preference rules 101 010 100 011

Classification de la zone de Pareto par quantile Théorie des Rough Sets (Gréco, 01) Précision et qualité de l’approximation : (Hp) = 0.43; (Hp) = 0.6 Répartition de la zone de Pareto Classification de la zone de Pareto par quantile Point 1 « the best » Point 2 « the worst  »

Comparaison des deux approches Commentary the best points of the differents methods are identical the range of the zones have some difference Methods (D) cm T°C (I) F. (H) (C) The best point RSM 2.80 74.9 1.89 14.84 6.02 NFN 3.22 66.7 1.74 13.44 8.13 RSM  NFN 2.80 – 3.60 64 – 70 2.90* 4.94* 12.80* NFN  RSM 80% 55% 3.60** 0.43** 0.71**

Classification à partir de la méthode OWA Deux approches : par identification paramétriques et par quantificateur linguistique Application : fabrication de fromages

Opérateurs OWA (Ordered Weighted Averaging) 1988 : introduction du concept des OWA par Yager {Yager, 88} Où Où bj est le Jth plus important de {a1, …, an} Pas affecté à un critère spécifique Wi Associé à un ordre d’importance du critère Exemple : Produit {0.6, 0.7, 0.8, 0.4} Poids 0.5 Ordre 0.8 0.7 0.6 0.4 OWA = 0.5x0.8 + 0 + 0 + 0.5x0.4 = 0.6

Fonction d’Utilité Normalisation des utilités Fonction triangulée Note sur 7 1 2 3 4 5 6 7 0.88 Utilité (P1433) cible3 a b L R m=m’

Approche par identification Quantificateur-linguistique Première approche Population de Produits Seconde approche Approche par identification paramétrique (Echantillon) Approche par Quantificateur-linguistique Interprétation Par Quantificateur linguistique Classification de l’échantillon par Le Décideur Optimisation Paramétrique (poids OWA) (x)1.0 a b Application des Opérateurs OWA Application des Opérateurs OWA Classification des produits Classification des produits

Quantificateur linguistique Le poids du vecteur Wi peut être déterminé par des quantificateurs linguistiques Q(x) Q (x) est représenté par un « ensemble flou » [0, 1] tel que x  [0,1] Q(x) indique le degré pour lequel x est satisfait by Q (x) Les poids du vecteur Wi peuvent être déterminés: quantificateurs linguistiques Q(x)

Quantificateur linguistique Le poids du vecteur Wi peut être déterminé par des quantificateurs linguistiques Q(x) Q (x) est représenté par un « ensemble flou » [0, 1] tel que x  [0,1] Q(x) indique le degré pour lequel x est satisfait by Q (x) Les poids du vecteur Wi peuvent être déterminés: quantificateurs linguistiques Q(x) Quantificateur linguistique : « some » Wi : 0.25 – 0.75 – 0 – 0

Résultats de la première approche Echantillon 1 Echantillon 2 Echantillon 3 W1 0.1030 0.2470 0.0009 W2 0.0150 0.0090 0.0077 W3 0.0087 0.0258 0.9473 W4 0.8793 0.7194 0.0504 Echantillon 1 Wi : 0.10 – 0 – 0 – 0.90 Echantillon 2 Wi : 0.25 – 0 – 0 - 75 Echantillon 3 Wi : 0 – 0 – 0.95 – 0.05 Q(x) 1 0.25 0.75 0.50 Q(x) Q(x) 0.25 0.50 0.75 1 0.25 0.50 0.75 1

Quantificateur linguistique : « some » Wi : 0.25 – 0.75 – 0 – 0 Quantificateur linguistique : « most » Wi : 0 – 0.5 – 0.5 - 0 Quantificateur linguistique :« more than 70% » Wi : 0 – 0 – 0.25 – 0.75

Résultats et discussion de la deuxième approche Exemple de trois quantificateurs linguistiques Rang Produit Wi = [0.25 0.75 0 0] [0 0.5 0.5 0] [0 0 0.25 0.75] 1 592 0.70516 2 3 4 50.79682 5 292 0.85297 10 162 0.75420 11 0.83255 20 0.78672 33 0.60697 35 0.35337 47 0.18350

Conclusion générale Intérêt du multicritère au niveau de la conception : Aide à la décision Prise en compte de l’expérience humaine (préférence) Différentes approches selon les cas industriels à résoudre QUESTION : En quoi l’AM peut contribuer à résoudre un problème de recherche de solutions dans une base de cas dans le cadre du principe du RàPC?