MFE 2016-2017 : Recherche opérationnelle et aide à la décision

Sujets de mémoire en recherche opérationnelle

La liste des sujets présente, ci-après, ne constitue pas une liste exhaustive. Les étudiants sont invités à prendre contact avec Yves De Smet ou Pierre Kunsch pour définir avec eux un sujet de mémoire dans le domaine de la recherche opérationnelle.

Méthodes hybrides combinant simulation et analyse / Hybrid techniques combining simulation and multi-criteria analysis

La simulation par événements discrets, la dynamique des systèmes ou les approches de simulation hybrides sont des outils importants pour la prise de décision dans les systèmes dynamiques. L'objectif de ce mémoire est d'analyser le cas particulier de problèmes pour lesquels de nombreux agents individuels interagissent en posant des choix multicritères, ce qui conduit à des comportements collectifs qui posent problème tel que crashs boursiers, crises bancaires, mouvements de panique, congestion automobile, etc. On développera une approche hybride combinant les outils de simulation et l'analyse multicritère pour décrire ces comportements collectifs, leurs conséquences et les approches d'évitement. On appliquera la méthodologie à une problématique de ce type à définir avec l'étudiant.

Discrete-event simulation, system dynamics and hybrid simulation methods are important tools for making decisions in dynamical systems. The objective of the Master's Thesis is to analyse specific problems when many individual agents make individual multi-criteria decisions inducing unfavourable collective behaviours like stock-exchange or bank crises, panics, traffic congestion, etc. The deliverable is to develop a hybrid technique combining simulation and multi-criteria analysis to capture such collective behaviours and to find ways for avoiding them. A case study for applying the methodology will be defined with the student.

Reference: Discrete-event simulation and system dynamics for management decision making S. Brailsford et al. (eds), 2014, Wiley

Analyses multicritères à l'aide de profils pour les performances des alternatives et l'importance des critères / Multi-criteria analysis using profiles for the performances of the alternatives and the importance's of criteria

Dans de nombreux problèmes de choix multicritères on ne dispose pas de valeurs uniques mais de profils normalisés pour les valeurs des alternatives et l'importance des critères. A titre d'exemple on définira la qualité des alternatives à partir de catégories sémantiques telles que 'Excellent', 'Plutôt Bon', etc., et l’importance des critères à partir de catégories telles que 'Très important', 'Peu important', etc. Chaque valeur d'un profil donné représente le pourcentage de décideurs émettant le jugement correspondant. La valeur à attribuer aux libellés sémantiques des catégories n'est donc pas connue et certainement pas unique. Un exemple en vraie grandeur de ce type de formulation est donné par le 'UK Research Excellence Framework 2014' dans lequel des profils sémantiques sont définis pour des catégories allant de 0* à 4*= pour évaluer à partir de trois critères la qualité des unités de recherche des institutions académiques en Grande Bretagne. L’objectif du MFE est de proposer une méthodologie de rangement des alternatives à partir des profils, et d’appliquer l'approche à un cas d'étude choisi par l'étudiant.

In many multi-criteria decision making problems the inputs for the alternative merits and the criteria importance's are given by normalised profiles, and not by single values. For example semantic merit categories used for the alternatives will be 'Excellent', 'Rather Good' etc., and for the criteria importance's 'Very Important', 'Rather unimportant', etc. In such cases each profile value represents the percentage of decision-makers with the corresponding judgement. The value to be given to the semantic labelling of each category is thus unknown and certainly not unique. A real-world example is given by the 'UK Research Excellence Framework 2014' in which the semantic profiles for three criteria are defined for 0* to 4* = categories measuring the quality of research units in UK academic institutions. The Master's Thesis objective is to propose a methodology to rank the alternatives using the profiles, and to apply the approach to a case study to be chosen by the student.

Reference: UK Research Excellence Framework 2014 http://www.ref.ac.uk/

Développement d’un nouvel algorithme pour le clustering multicritère

Dans le domaine de l’ingénierie de la décision, le clustering multicritère se trouve à la frontière entre trois domaines :

  • L’analyse multicritère: il s’agit de méthodes ayant pour but la résolution de problèmes d’aide à la décision où les différents choix possibles sont évalués sur base de critères conflictuels ;
  • Le clustering : approche issue de l’analyse de données et qui vise à diviser un ensemble d’objets en différents groupes (ou clusters) afin que chacun d’eux soit le plus homogène possible et qu’ils soient les plus hétérogènes possibles entre eux ;
  • Le ranking : méthode d’analyse qui vise à ranger des alternatives, souvent de la meilleure à la moins bonne.

Le clustering multicritère va donc viser à établir des groupes de données parmi un ensemble évalué selon différents critères. Ces groupes auront une relation d’ordre entre eux, de telle manière à ce que le premier groupe soit meilleur que le second, et ainsi de suite. Dans ce contexte, il est proposé de développer une nouvelle approche algorithmique et de la valider sur base de jeux de données réels.

Développement d’une méthode de benchmarking multicritère

Pour comparer différentes entités (pays, entreprises, universités, etc.) que nous appellerons alternatives, une méthode adoptée majoritairement consiste à produire un classement ou un rangement de ces alternatives, basé sur différents critères. Il existe de nombreuses méthodes d’aide à la décision multicritère qui permettent de ranger ces alternatives. Prenons le cas des universités dans le rangement de Shanghai. Des centaines d’universités sont rangées de la première (la meilleure) à la moins bonne, sur base de 6 critères tels que le nombre de publications scientifiques, le nombre de professeurs ayant un prix Nobel, etc. Seulement, l’« analyse » s’arrête souvent sur ce constat (le rangement) et ne donne pas d’indice ou d’information sur la phase d’amélioration qui suivrait cette observation (pour que chaque alternative puisse s’améliorer le plus efficacement possible selon ses caractéristiques propres et les objectifs du rangement). C’est dans les années 90, que la notion de benchmarking a émergé et a amené une piste de réflexion vers cette démarche « d’apprendre » d’après les autres alternatives existantes dans un rangement. Nous nous intéresserons particulièrement à un type de benchmarking qui est le benchmarking étape par étape dont le but est de chercher le chemin d’amélioration le plus « efficace » d’une alternative a à une alternative b, divisé en un certain nombre d’étapes et en respectant un certain nombre de contraintes. Ce sujet de recherche s’inscrit dans un cadre plus théorique que pratique et fait partie de ce qu’on appelle les méthodes mathématiques de l’aide à la décision multicritères. Il pourrait mener à définir une nouvelle notion théorique qui lie plusieurs alternatives constituant un chemin d’amélioration cohérent.

 
teaching/mfe/or.txt · Last modified: 2018/04/10 14:22 by jhubinon