Les travaux de recherche menés dans cette thèse s'inscrivent dans deux champs disciplinaires que sont l'évaluation du confort et l'aide multicritère à la décision.L'objectif de la thèse est de construire un modèle pour évaluer des trains sur le point de vue du confort tel qu'il est perçu par les voyageurs. L'approche utilisée pour cela repose sur trois étapes principales de construction d'un modèle d'aide multicritère à la décision. La première consiste à définir et à formaliser les critères de confort du problème. Dans la deuxième étape, il s'agit de construire les échelles afin de pouvoir évaluer les trains sur chaque critère de confort considéré.La troisième étape consiste à agréger les critères de confort en utilisant des méthodes d'agrégation multicritère. Cette étape nécessite l'élicitation des préférences des décideurs afin de mettre en oeuvre les méthodes d'agrégation.Notre contribution est de formaliser une approche pour la construction d'un modèle d'évaluation du confort dans les trains. Cette approche peut être appliquée à d'autres problématiques que l'évaluation du confort. Elle présente deux particularités principales. La première est d'intégrer dans la construction du modèle des facteurs importants traduisant la perception du confort. Nous avons choisi pour cela un modèle hiérarchique comportant plusieurs niveaux. La deuxième particularité de l'approche est d'utiliser des méthodes d'agrégation pouvant être différentes d'un noeud à un autre du modèle. Elle présente également d'autres aspects plus spécifiques, notamment lors de l'élicitation des préférences où nous construisons des exemples d'apprentissage informatifs pour accélérer le processus d'élicitation

Les travaux de recherche menés dans cette thèse s’inscrivent dans deux champs disciplinaires que sont l’évaluation du confort et l’aide multicritère à la décision.L’objectif de la thèse est de construire un modèle pour évaluer des trains sur le point de vue du confort tel qu’il est perçu par les voyageurs. L’approche utilisée pour cela repose sur trois étapes principales de construction d’un modèle d’aide multicritère à la décision. La première consiste à définir et à formaliser les critères de confort du problème. Dans la deuxième étape, il s’agit de construire les échelles afin de pouvoir évaluer les trains sur chaque critère de confort considéré.La troisième étape consiste à agréger les critères de confort en utilisant des méthodes d’agrégation multicritère. Cette étape nécessite l’élicitation des préférences des décideurs afin de mettre en oeuvre les méthodes d’agrégation.Notre contribution est de formaliser une approche pour la construction d’un modèle d’évaluation du confort dans les trains. Cette approche peut être appliquée à d’autres problématiques que l’évaluation du confort. Elle présente deux particularités principales. La première est d’intégrer dans la construction du modèle des facteurs importants traduisant la perception du confort. Nous avons choisi pour cela un modèle hiérarchique comportant plusieurs niveaux. La deuxième particularité de l’approche est d’utiliser des méthodes d’agrégation pouvant être différentes d’un noeud à un autre du modèle. Elle présente également d’autres aspects plus spécifiques, notamment lors de l’élicitation des préférences où nous construisons des exemples d’apprentissage informatifs pour accélérer le processus d’élicitation / This PhD thesis falls within two scientific areas, which are comfort evaluation and multiple criteria decision aiding. The main purpose is to develop a model in order to evaluate trains on the comfort point of view, as percieved by passengers. The developed approach is based on three main steps of developing a multiple criteria decision aiding model. The first one consists on defining and formalizing the criteria of comfort. In the second step, the scales of each considered criterion must be built in order to evaluate the trains on these last. The third step aims at aggregating the criteria, using multiple criteria aggregation methods, in order to obtain an overall comfort evaluation of trains. For this purpose, the decision maker’s preferences must be elicited

Cette thèse s'appuie sur deux axes. L'un appliqué traite de la création d'un indicateur dont le but est d'évaluer la gravité attendue des conséquences d'un scénario de pollution accidentelle. J'ai choisi d'utiliser des outils méthodologiques appartenant au domaine de l'aide multi-critères à la décision pour traiter ce premier sujet. Ce problème impliquant plusieurs disciplines scientifiques, j'ai choisi de le diviser en plusieurs sous-problèmes à travers une arborescence de critères. J'ai également impliqué plusieurs experts, notamment en toxicologie et en écologie afin de mieux prendre en compte les aspects liés à ces deux disciplines dans la création de cet indicateur.L'étude des méthodes de tri multicritère effectuée lors des recherches sur le premier axe m'a amené à en proposer une nouvelle que j'ai nommé algorithme du Dominance Based Monte Carlo (DBMC). Cet algorithme a comme particularités de n'être pas fondé sur un modèle et de fonctionner de manière stochastique. Nous avons étudié ses propriétés théoriques, en particulier nous avons démontré qu'en dépit de sa nature stochastique, le résultat de l'algorithme Dominance Based Monte Carlo converge presque sûrement. Nous avons également étudié son comportement et ses performances pratiques à travers un test nommé k-fold cross validation et les avons comparés aux performances d'autres algorithmes d'élicitation des préférences pour le tri multi-critères. / This thesis is based on two main axes. The first one deals with the creation of an indicator that aims at evaluating the expected severity of the consequences of a scenario of accidental pollution. In order to create this methodology ofevaluation, I chose to use methodological tools from multi-criteria decision aiding. So as to deal with the complexity of this problem, i decided to split it into several sub-problems using a hierarchy of criteria, being mainly inspired by the "value focused thinking approach". In this work, I interacted with several experts in toxicology and in ecology in order to betterdeal with every aspect of this problem.While studying several elicitation methods for the multi-criteria sorting problem, I proposed a new one that I named Dominance Based Monte Carlo algorithm (DBMC), which brings me to the secons axis of this thesis. This elicitation algorithm has two main specificities: being model free and a stochastic functionning. In this thesis, we study its theoretical properties. In particular, we prove that despite its stochastic nature, the result of the Dominance Based Monte Carlo algorithm converges almost surely. We also study its practical performances through a test named k-fold validation and we compared these performances to those of other elicitation algorithms for the sorting problem.

Les travaux menés dans cette thèse s'inscrivent dans le cadre de la théorie de la décision algorithmique, domaine de recherche à la croisée de la théorie de la décision, de la recherche opérationnelle et de l'intelligence artificielle. Notre objectif dans cette thèse est de concevoir des algorithmes efficaces pour la résolution de problèmes de décision dans des environnements complexes (multicritère, multi-agents, incertain). Nous nous intéressons d'une part à l'élicitation des préférences fondée sur des modèles décisionnels et d'autre part à l'exploitation de ces préférences pour la recherche des solutions optimales sur des espaces définis de manière explicite ou implicite (optimisation combinatoire). Pour la résolution de problèmes combinatoires, nous proposons et étudions une nouvelle approche, consistant à combiner l'élicitation incrémentale des préférences et l'exploration implicite des solutions potentielles. L'intuition sous-jacente est d'utiliser l'exploration des solutions potentielles pour identifier des questions informatives tout en exploitant les réponses obtenues pour mieux focaliser la recherche sur les solutions préférées. Cette approche nous a conduit à proposer des procédures de décision par élicitation incrémentale pour les problèmes de recherche dans un graphe d'états multi-objectifs, les problèmes de chemins optimaux et d'arbre couvrants dans les graphes multicritères, les problèmes de sac à dos multi-agents et les problèmes de décision séquentielle dans l'incertain. Nous établissons des résultats théoriques garantissant la correction des algorithmes proposés et présentons des tests numériques montrant leur efficacité pratique. / This thesis work falls within the area of algorithmic decision theory which is at the junction of decision theory, operations research and artificial intelligence. Our aim is to produce algorithms allowing the fast resolution of decision problems in complex environments (multiple criteria, multi-agents, uncertainty). This work focuses on decision-theoretic elicitation and uses preferences to efficiently determine the best solutions among a set of alternatives explicitly or implicitly defined (combinatorial optimization). For combinatorial optimization problems, we propose and study a new approach consisting in interleaving incremental preference elicitation and preference-based search. The idea is to use the exploration to identify informative preference queries while exploiting answers to better focus the search on the preferred solutions. This approach leads us to propose incremental elicitation procedures for multi-objective state-space search problems, multicriteria shortest path problems, multicriteria minimum spanning tree problems, multi-agents knapsack problems and sequential decision problems under uncertainty. We provide theoretical guarantees on the correctness of the proposed algorithms and we present numerical tests showing their practical efficiency.

L’inférence du modèle de préférence à partir des jugements préférentiels fournis par le décideur, Élicitation des Préférences (EP), est fondamentale au sein de l’Aide Multicritère à la Décision (AMCD), car l’élaboration des recommandations à la fois plausibles, constructives et convaincantes requiert que l’analyste construise un modèle de préférence qui rende compte fidèlement du jugement du décideur. Cependant, l’EP est une mission délicate, parce qu’il s’agit d’attribuer des valeurs aux paramètres du modèle de préférence choisi. Dans ce cadre, plusieurs aspects sont étudiés. Puisque les modèles de préférence étant de plus en plus complexes, on fait alors appel à des algorithmes sophistiqués, et il faut d’autant plus tenir compte de l’aspect computationnel.Ce travail de thèse vise à concevoir des algorithmes afin d’inférer du modèle de préférence à partir des comparaisons par paire (possiblement incohérentes), et de considérer des données de (relativement) grande taille. En particulier, nous nous sommes intéressés à un modèle de rangement multicritère récemment proposé et faisant appel à un certain nombre de points de référence. Ce modèle fait référence à la méthode intitulée “Ranking with Multiple Profiles” (RMP). Plus précisément, nous considérons une version particulière, dite S-RMP. Nos contributions sont divisées en trois parties. Du point de vue théorique, nous nous adressons sur (1) l’interprètabilité des points de référence et (2) la discriminabilité du modèle S-RMP. En termes d’algorithmes, nous présentons, d’abord, (3) un nouveau programme linéaire pour inférer du modèle S-RMP en tenant compte les incohérences et (4) une version robuste améliorée; en outre, (5) une métaheuristique qui procède avec des données massives. (6) Nous menons alors les analyses numériques. (7) Le développement de deux services web est également inclus. En termes d’application, (8) nous présentons une étude de cas. / The inference of preference model from holistic statements provided by the decision maker (DM), namely, Preference Elicitation (PE), is fundamental to Multi-Criteria Decision Aid (MCDA). In order to conduct plausible, constructive and convincing recommendations, the decision analyst should always take the DM’s preference system into account. However, PE might be tricky, as it involves setting appropriately a series of parameter values of the considered model. Various aspects should be considered. Since the preference models are becoming more and more complicated, PE usually relies on sophisticated algorithms, whereas this brings additionally the computational aspect into consideration.This PhD thesis aims at developing new elicitation algorithms dealing with (possibly inconsistent) pairwise comparisons and processing with (relatively) large input datasets. In particular, a recently introduced multi-criteria ranking method making use of a certain number of reference points is considered. It is known as RMP method as abbreviated for Ranking with Multiple reference Points. More specifically, we are interested in one of its Simplified version, namely S-RMP method. Our contributions are divided into three parts. From the theoretical perspective, we are concerned about (1) the interpretation of reference points in such models and (2) the discriminability of S-RMP model. From the algorithmic perspective, we propose firstly (3) a new linear programming formulation for eliciting S-RMP models from inconsistent pairwise comparisons and also (4) an improved robust elicitation algorithm; besides, (5) a metaheuristic for learning S-RMP models from massive data. (6) Numerical analyses are then performed. (7) The development of two web services is also included. From the practical perspective, (8) we present a realistic case study.