par Rosenfeld, Jean 
Président du jury Debeir, Olivier
Promoteur De Smet, Yves
Co-Promoteur Decaestecker, Christine
Publication Non publié, 2021-04-01

Président du jury Debeir, Olivier

Promoteur De Smet, Yves

Co-Promoteur Decaestecker, Christine

Publication Non publié, 2021-04-01
Thèse de doctorat
| Résumé : | Prendre une décision peut être une tâche complexe et/ou risquée. C’est pourquoi différents modèles mathématiques ont été développés pour aider un décideur ou une décideuse dans cet exercice. Dans le domaine de la recherche opérationnelle, l’aide à la décision multicritères (MCDA) permet de comparer des alternatives qui sont évaluées en fonction de multiples attributs pour lesquels un sens de l’optimisation a été préalablement défini. Ces attributs sont alors appelés critères. En conséquence, il est possible d’établir des relations de préférence entre les éléments étudiés. Habituellement, ce domaine traite de procédures de choix, de classement et de tri. Plus récemment, un nouveau domaine d’activité est apparu : le clustering multicritères. L’objectif est de former des groupes (appelés clusters) d’alternatives ayant des comportements similaires d’un point de vue des critères, sans information a priori sur la nature de ces clusters. La particularité du clustering multicritères par rapport au clustering "classique" est qu’il peut exister des relations de préférence entre les différents clusters. Les recherches menées au cours de cette thèse de doctorat ont conduit à proposer plusieurs contributions originales dans ce domaine. Habituellement, une méthode de clustering multicritères attribue chaque alternative à un cluster unique. La première contribution de cette thèse a été d’explorer une procédure basée sur la méthode multicritères PROMETHEE où chaque alternative n’appartient pas nécessairement à un cluster mais peut être dans une position intermédiaire entre deux clusters. C’est ce que l’on appelle le clustering multicritères avec intervalles. Les résultats ont été comparés à ceux fournis par une méthode précédemment développée (P2CLUST) sur base d’un nouvel indicateur de qualité. La deuxième contribution est une première approche hiérarchique de clustering multicritères basée sur les méthodes PROMETHEE. Trois méthodes utilisant PROMETHEE II ont été développées : une version top-down, une version bottom-up et une version hybride. Les résultats ont également été comparés à ceux de P2CLUST. Les algorithmes de clustering sont généralement libres de rechercher les structures de groupes existantes dans le jeu de données. Il peut en résulter des clusters très déséquilibrés, ce qui peut être problématique dans certaines situations pratiques. Dans la troisième contribution, nous étendons un algorithme multicritères existant qui permet à un décideur de mettre des contraintes de capacité sur les clusters résultants. Enfin, la dernière contribution tente d’établir un pont entre deux communautés : le MCDA et le domaine du pattern recognition. Plus spécifiquement, elle se concentre sur les différentes façons d’évaluer une partition de clustering. À cette fin, deux indicateurs ont été développés : l’un mettant en évidence le fait que les clusters soient compacts et bien distincts les uns des autres, l’autre la nature ordonnée de la partition. Cela permet de caractériser correctement un type très particulier de clustering : le clustering partiellement ordonné. |



