• xmlui.mirage2.page-structure.header.title
    • français
    • English
  • Help
  • Login
  • Language 
    • Français
    • English
View Item 
  •   BIRD Home
  • LAMSADE (UMR CNRS 7243)
  • LAMSADE : Publications
  • View Item
  •   BIRD Home
  • LAMSADE (UMR CNRS 7243)
  • LAMSADE : Publications
  • View Item
JavaScript is disabled for your browser. Some features of this site may not work without it.

Browse

BIRDResearch centres & CollectionsBy Issue DateAuthorsTitlesTypeThis CollectionBy Issue DateAuthorsTitlesType

My Account

LoginRegister

Statistics

Most Popular ItemsStatistics by CountryMost Popular Authors
Thumbnail

Multiple criteria sorting with a set of additive value functions

Slowinski, Roman; Mousseau, Vincent; Greco, Salvatore (2010), Multiple criteria sorting with a set of additive value functions, European Journal of Operational Research, 207, 3, p. 1455-1470. http://dx.doi.org/10.1016/j.ejor.2010.05.021

View/Open
cahierLamsade282.pdf (338.7Kb)
Type
Article accepté pour publication ou publié
Date
2010
Journal name
European Journal of Operational Research
Volume
207
Number
3
Publisher
Elsevier
Pages
1455-1470
Publication identifier
http://dx.doi.org/10.1016/j.ejor.2010.05.021
Metadata
Show full item record
Author(s)
Slowinski, Roman
Mousseau, Vincent
Greco, Salvatore
Abstract (FR)
Nous présentons une nouvelle méthode de tri multicritère visant à affecter des actions évaluées sur différents critères à p classes pré-définies et ordonnées. L’information préférentielle fournie par le décideur (DM) est un ensemble d’exemples d’affectation correspondant à un sous-ensemble d’actions (appelées actions de référence) relativement bien connues du DM. Chaque exemple d’affectation spécifie l’affectation souhaitée (une classe ou un intervalle de classes) pour l’action de référence. Les exemples d’affectations sont utilisés pour bâtir un modèle de préférence du DM. Dans notre cas, le modèle de préférence sous-jacent est l’ensemble de fonctions de valeur additives compatible avec les exemples d’affectation. pour chaque fonction de valeur compatible, il est possible d’associer p − 1 seuils séparant les classes consécutives sur l’échelle de cette fonction de valeur. Pour chaque action a, la méthode calcule une affectation possible et une affectation nécessaire. L’affectation nécessaire spécifie l’intervalle de classes auxquelles l’action peut être affectée pour toute fonction de valeur compatible tandis que l’affectation possible spécifie l’intervalle de classes auxquelles l’action peut être affectée pour au moins une fonction de valeur compatible. Le calcul de ces affections est effectué par résolution de programmes linéaires. Cette méthode est conçue pour être utilisée interactivement, c’est-à-dire que le décideur peut fournir progressivement des exemples d’affectation. La méthode permet également d’aider le DM lorsqu’il fournit un ensemble d’exemples d’affectation qu’il n’est pas possible de représenter par une fonction de valeur additive. De plus, le DM peut spécifier des niveaux de confiance qualitatifs (“certain”, “sûr”, “assez sûr”) pour les exemples d’affectation. Dans ce cas, les affectations possibles et nécessaires s’expriment comme des intervalles de classes correspondant aux niveaux de confiance.
Abstract (EN)
We present a new multiple criteria sorting method that aims at assigning actions evaluated on multiple criteria to p pre-defined and ordered classes. The preference information supplied by the decision maker (DM) is a set of assignment examples on a subset of actions relatively well known to the DM. These actions are called reference actions. Each assignment example specifies a desired assignment of a corresponding reference action to one or several contiguous classes. The set of assignment examples is used to build a preference model of the DM represented by a set of general additive value functions compatible with the assignment examples. For each action a, the method computes two kinds of assignments to classes, concordant with the DM’s preference model: the necessary assignment and the possible assignment. The necessary assignment specifies the range of classes to which the action can be assigned considering all compatible value functions simultaneously. The possible assignment specifies, in turn, the range of classes to which the action can be assigned considering any compatible value function individually. The compatible value functions and the necessary and possible assignments are computed through the resolution of linear programs.
Subjects / Keywords
Fonction de valeur; Procédure d’agrégation désagrégation; Additive value function; Disaggregation-aggregation procedure; Multiple criteria sorting; Tri multicritère

Related items

Showing items related by title and author.

  • Thumbnail
    Ordinal regression revisited: multiple criteria ranking using a set of additive value functions 
    Slowinski, Roman; Mousseau, Vincent; Greco, Salvatore (2008) Article accepté pour publication ou publié
  • Thumbnail
    Robust multiple criteria ranking using a set of additive value functions 
    Greco, Salvatore; Mousseau, Vincent; Slowinski, Roman (2007) Document de travail / Working paper
  • Thumbnail
    Interactive Multiobjective Optimization using a Set of Additive Value Functions 
    Figueira, José; Greco, Salvatore; Mousseau, Vincent; Slowinski, Roman (2008) Chapitre d'ouvrage
  • Thumbnail
    Building a set of additive value functions representing a reference preorder and intensities of preference: GRIP method 
    Figueira, José; Greco, Salvatore; Slowinski, Roman (2009) Article accepté pour publication ou publié
  • Thumbnail
    An extension of ELECTRE III for dealing with a multiple criteria environmental problem with interaction effects between criteria 
    Bottero, Marta; Ferretti, Valentina; Figueira, José; Greco, Salvatore; Roy, Bernard (2014) Document de travail / Working paper
Dauphine PSL Bibliothèque logo
Place du Maréchal de Lattre de Tassigny 75775 Paris Cedex 16
Phone: 01 44 05 40 94
Contact
Dauphine PSL logoEQUIS logoCreative Commons logo