Differences

This shows you the differences between two versions of the page.

--- teaching:mfe:or [2018/04/10 14:22]
jhubinon
+++ teaching:mfe:or [2021/03/23 16:04]
gdejaege
@@ Line 1: / Line 1: @@
-====== MFE 2016-2017 : Recherche opérationnelle et aide à la décision ======
+====== MFE 2021-2022 : 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 [[yvdesmet@ulb.ac.be|Yves De Smet]] ou [[pikunsch@ulb.ac.be|Pierre Kunsch]] pour définir avec eux un sujet de mémoire dans le domaine de la recherche opérationnelle.
+La liste des sujets présente, ci-après, ne constitue pas une liste exhaustive. Les étudiants sont invités à prendre contact avec [[yvdesmet@ulb.ac.be|Yves De Smet]] pour définir avec lui 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 =====
+===== Evaluation of clustering quality in a multi-criteria context LISA / CODE-SMG =====
-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.
+Clustering is a usual task in multivariate data analysis, pattern recognition and machine learning. It consists in grouping a set of instances in such a way that the instances in the same group (called a cluster) are more similar to each other than to those in other groups. Numerous internal cluster validity measures were defined to assess the quality of clustering solutions, in particular to guide the determination of the number of clusters.
-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.
+The purpose of this work is to extend such quality indicators established for classical clustering to the multi-criteria context. In this latter case, the data are characterized by  features that express performances according to different criteria that have a preference for either small (e.g. a cost) or large values (e.g., accuracy). Usually, multi-criteria clustering methods generate clusters with preference relations between them.
-Reference: Discrete-event simulation and system dynamics for management decision making S. Brailsford et al. (eds), 2014, Wiley
+The work will include an experimental phase to study the behaviour of the quality indicators adapted for multi-criteria clustering on artificial and real data.
-  * Contact
+Prerequisite: Programming (Python or Matlab or R), notions in multivariate or multi-criteria data analysis.
-    * [[pikunsch@ulb.ac.be|Pierre Kunsch]]
+  * Contact
+    * [[cdecas@ulb.ac.be|Christine Decaestecker]]
+    * [[yves.de.smet@ulb.ac.be|Yves De Smet]]
-===== 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/
-  * Contact
+===== Développement d'une méthode alternative produisant des pré-ordres partiels dans le cadre des méthodes PROMETHEE =====
-    * [[pikunsch@ulb.ac.be|Pierre Kunsch]]
-==== Développement d’un nouvel algorithme pour le clustering multicritère ====
+L'aide à la décision multicritère permet de choisir, d'établir des rangements, ou de trier des objets lorsque ceux-ci sont évalués sur la base de plusieurs critères conflictuels. Une famille de méthodes d'aide à la décision multicritère sont les méthodes PROMETHEE, développées à l'ULB et la VUB. Celles-ci fonctionnent en deux temps. Tout d’abord, chaque paire d'objets est comparée sur chacun des critères afin de construire une matrice de préférences. Cette matrice n'étant généralement pas transitive, la deuxième étape consiste à l'exploiter afin de construire un rangement complet, un rangement partiel ou autre. Le travail proposé dans le cadre de ce MFE consistera à analyser la relation d'incomparabilité produite par PROMETHEE I en vue de proposer des procédures alternatives répondant à certaines propriétés mathématiques.
-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.
   * Contact
-    * [[jrosenfe@ulb.ac.be|Jean Rosenfeld]]
+    * [[gilles.dejaegere@ulb.ac.be|Gilles Dejaegere]]
     * [[yves.de.smet@ulb.ac.be|Yves De Smet]]
-==== 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.
+=====  Développement d'une interface d'aide à la sélection du chemin préféré =====
+De nos jours, les systèmes de type GPS sont de plus en plus utilisés. La majorité de ces systèmes permettent de trouver le chemin en optimisant un indicateur particulier prédéfini (généralement le temps). Hors, en particulier lors des déplacements non motorisés, cet indicateur n'est pas forcément celui qui convient le mieux à l'usager du GPS. Certains usagers préférant par exemple emprunter des itinéraires plus accessibles pour un piéton ou un cycliste, des itinéraires moins fréquentés, moins bruyants, etc. Le travail proposé dans ce mémoire consiste en l'intégration de l'aide à la décision multicritère lors de la création d'un chemin répondant à ces particularités.
+  * Contact
+    * [[gilles.dejaegere@ulb.ac.be|Gilles Dejaegere]]
+    * [[yves.de.smet@ulb.ac.be|Yves De Smet]]
+====  Développement d'une méthode de clustering multicritère partiellement ordonné basée sur des évaluations ordinales ====
+Le clustering multicritère consiste à partitionner des entités évaluées sur plusieurs critères en K clusters (alors que la nature des clusters est inconnue à priori). Le clustering partiellement ordonné précise qu'il faudrait pouvoir détecter un ordre partiel sur les clusters. Par exemple, un premier cluster pourrait être préféré au cluster numéro 2 et 3 sans qu'il y ait de préférence claire entre le cluster 2 et 3.  Les algorithmes de clustering ordonné ont été étudiés pour des données numériques et mesurables (avec une échelle de ratio par exemple). Les opérateurs mathématiques utilisés sur ce type de données (une somme par exemple) deviennent inadéquats lors de l'utilisation de données ordinales (évaluées par exemple sur une échelle de type "insuffisant", "satisfaisant", "bien", "excellent" lors de l'évaluation de projets, de candidats ou d'objectifs donnés).  L'objet de ce mémoire est de développer une méthode de clustering partiellement ordonné qui tient compte de la nature ordinale des données lors de la comparaison de chaque entité.
+  * Contact
+    * [[jhubinon@ulb.ac.be|Jean-Philippe Hubinont]]
+    * [[yves.de.smet@ulb.ac.be|Yves De Smet]]
+====  Utilisation d'une méthode de benchmarking multicritère pour comparer la Belgique aux pays européens face à la crise du Covid 19  ====
+La crise de la Covid 19 est très difficile à gérer d'une part par son caractère inconnu (particulièrement au début de la crise) mais d'autre part, par le caractère multicritère de l'évaluation des conséquences d'une mesure politique. Confiner tous les citoyens permet à priori de réduire la propagation du virus et le nombre de patients en soins intensifs, mais a un impact négatif sur l'économie du pays (le taux de chômage, ou le produit intérieur brut par exemple) et la santé mentale de citoyens. Dans cette gestion, on peut distinguer des objectifs sanitaires, économiques et sociaux.  Le benchmarking multicritère est une discipline qui consiste à pouvoir distinguer de bonnes pratiques parmi différentes alternatives évaluées (les alternatives étant les pays dans le cas de ce mémoire). La sélection d'alternatives comparables et l'élaboration de critères de comparaison cohérents est une première tâche importante et compliquée. Il faut ensuite construire une structure de préférence pour établir un rangement ou des classes ordonnées de ces alternatives. Cette première partie du mémoire permettra de positionner la Belgique par rapport à d'autres pays européens à un moment donné de la crise. La deuxième partie du mémoire consistera à générer des scénarios qui auraient pu conduire la Belgique à mieux se positionner par rapport aux autres pays étudiés à certains moments donnés de la crise. Cette partie sera composée de l'utilisation d'une méthode de benchmarking multicritère récemment développée au Service de Mathématiques de la Gestion.
   * Contact