Grant: Discovery Grants Program - Individual
University of Ottawa
$26,000.00
Une approche multicritère pour décisions robustes intégrant l'apprentissage des préférences en contexte d'imperfections de l'information
FY 2019-20
Summary
La question au coeur de ce programme de recherche est : « comment obtenir des décisions robustes ? ». En effet, l'expertise développée par rapport à l'aide mulicritère à la décision en contexte d'imperfections de l'information m'a permis de constater que, d'une part, les imperfections qui guettent un processus décisionnel sont inévitables, et d'autre part, elles ont différentes sources et différentes natures. L'incertain, l'imprécis, l'indéterminé sont autant de formes d'imperfections. La robustesse est ici vue comme étant l'aptitude à absorber les effets de ces imperfections, tant au niveau des données du problème que celui des paramètres de la méthode utilisée pour le résoudre. ***Ainsi, différents jeux de valeurs possibles (données et paramètres), constituent différentes versions d'un problème décisionnel. Une décision sera dite robuste si elle est aussi « bonne » que possible, simultanément, pour toutes les versions du problème. Aboutir à des décisions robustes implique une préoccupation de robustesse intégrée a priori lors de la modélisation du problème et du choix des méthodes et procédures pour sa résolution. Cette préoccupation diffère d'une analyse de robustesse ou de sensibilité, souvent effectuée a posteriori pour vérifier la « qualité » d'une solution. Une première réponse consiste à proposer un traitement adéquat des données imparfaites. Ceci a représenté l'essentiel du travail de ma recherche passée où une procédure d'agrégation multicritère pour évaluations mixtes (PAMCmix) a été proposée. Elle présente l'originalité d'admettre des données imparfaites de différentes natures (aléatoires, imprécises ou autres) pour les évaluations des différentes actions selon les différents critères. Cependant, elle ne permet pas la prise en compte des imperfections introduites par la méthode de résolution et les paramètres associés. Par ailleurs, l'exploitation des relations de préférence qu'elle permet d'établir a été réservée à une problématique de rangement ou de choix et non de tri ou de regroupement.***Dans une perspective de préoccupation de robustesse, ce programme de recherche vise trois grands objectifs. Le premier consiste à assurer un traitement adéquat des imperfections reliées aux paramètres de PAMCmix. Des techniques d'apprentissage machine, plus précisément, d'apprentissage des préférences, seront employées afin de permettre l'inférence de ces paramètres à partir d'exemples de décision fournis par le décideur via une démarche interactive. Le deuxième objectif consiste à étendre PAMCmix pour traiter des problématiques de tri et de regroupement. Le troisième objectif enfin, consiste à intégrer les objectifs précédents dans une démarche globale d'aide multicritère à la décision où les préoccupations de robustesse sont prises en compte dès les premiers stades de modélisation jusqu'à celui d'élaborer des recommandations. Elle sera mise en oeuvre dans un logiciel en mode cloud et app
Program
Discovery Grants Program - Individual
Recipient
Location
Ontario, Canada
Recipient Type
Academia
Type
Grant
Source
NSERC's Awards Data
As published
Application id
RGPIN-2019-05795
Name nom
BenAmor, Sarah
Department département
Telfer School of Management
Organization id
28
Institution établissement
University of Ottawa
Province en
Ontario
Province fr
Ontario
Country en
CANADA
Country fr
CANADA
Fiscal year exercice financier
2019
Competition year année de concours
2019
Award amount
26000
Program id
RGPIN
Program name en
Discovery Grants Program - Individual
Program name fr
Programme de subventions à la découverte - individuelles
Group en
DISCOVERY RESEARCH
Group fr
RECHERCHE AXÉE SUR LA DÉCOUVERTE
Committee code
1509
Committee name en
Civil, Industrial and Systems Engineering
Committee name fr
Génie civil, industriel et des systèmes
Area of application code
400
Area of application group en
Environment
Area of application group fr
Environnement
Area of application en
Environment
Area of application fr
Environnement
Research subject code
1601
Research subject group en
Industrial engineering
Research subject group fr
Génie industriel
Research subject en
Operations research and management science
Research subject fr
Recherche opérationnelle et science de la gestion
Installment
inst:1 - 5
Partie
1
Nb partie
5
Application title
Une approche multicritère pour décisions robustes intégrant l'apprentissage des préférences en contexte d'imperfections de l'information
Keyword
NSERC
Application summary
La question au coeur de ce programme de recherche est : « comment obtenir des décisions robustes ? ». En effet, l'expertise développée par rapport à l'aide mulicritère à la décision en contexte d'imperfections de l'information m'a permis de constater que, d'une part, les imperfections qui guettent un processus décisionnel sont inévitables, et d'autre part, elles ont différentes sources et différentes natures. L'incertain, l'imprécis, l'indéterminé sont autant de formes d'imperfections. La robustesse est ici vue comme étant l'aptitude à absorber les effets de ces imperfections, tant au niveau des données du problème que celui des paramètres de la méthode utilisée pour le résoudre. ***Ainsi, différents jeux de valeurs possibles (données et paramètres), constituent différentes versions d'un problème décisionnel. Une décision sera dite robuste si elle est aussi « bonne » que possible, simultanément, pour toutes les versions du problème. Aboutir à des décisions robustes implique une préoccupation de robustesse intégrée a priori lors de la modélisation du problème et du choix des méthodes et procédures pour sa résolution. Cette préoccupation diffère d'une analyse de robustesse ou de sensibilité, souvent effectuée a posteriori pour vérifier la « qualité » d'une solution. Une première réponse consiste à proposer un traitement adéquat des données imparfaites. Ceci a représenté l'essentiel du travail de ma recherche passée où une procédure d'agrégation multicritère pour évaluations mixtes (PAMCmix) a été proposée. Elle présente l'originalité d'admettre des données imparfaites de différentes natures (aléatoires, imprécises ou autres) pour les évaluations des différentes actions selon les différents critères. Cependant, elle ne permet pas la prise en compte des imperfections introduites par la méthode de résolution et les paramètres associés. Par ailleurs, l'exploitation des relations de préférence qu'elle permet d'établir a été réservée à une problématique de rangement ou de choix et non de tri ou de regroupement.***Dans une perspective de préoccupation de robustesse, ce programme de recherche vise trois grands objectifs. Le premier consiste à assurer un traitement adéquat des imperfections reliées aux paramètres de PAMCmix. Des techniques d'apprentissage machine, plus précisément, d'apprentissage des préférences, seront employées afin de permettre l'inférence de ces paramètres à partir d'exemples de décision fournis par le décideur via une démarche interactive. Le deuxième objectif consiste à étendre PAMCmix pour traiter des problématiques de tri et de regroupement. Le troisième objectif enfin, consiste à intégrer les objectifs précédents dans une démarche globale d'aide multicritère à la décision où les préoccupations de robustesse sont prises en compte dès les premiers stades de modélisation jusqu'à celui d'élaborer des recommandations. Elle sera mise en oeuvre dans un logiciel en mode cloud et app