Cette thèse porte sur l'étude de modèles d'agrégations de préférences utilisant des points de références. En théorie de la décision, de nombreux travaux axiomatiques montrent les difficultés théoriques et pratiques que pose l'agrégation de relations de préférences partiellement conflictuelles. Les théorèmes d'impossibilité existants expliquent d'une part les difficultés rencontrées par les concepteurs de méthodes multicritères reposant sur une modélisation ordinale des préférences mais aussi la difficulté de concevoir des modèles purement qualitatifs pour la décision dans l'incertain. Nous proposons ici de comparer les solutions non plus de manière directe, mais de manière indirecte en examinant leurs mérites respectifs du point de vue de plusieurs points de références. Nous étudions le potentiel descriptif et prescriptif de ces modèles, les propriétés formelles des règles d'agrégation associées, et nous proposons des théorèmes de représentation caractérisant les préférences représentables par ces modèles dans les domaines de la décision multicritère et la décision dans l'incertain. Enfin, nous montrons leur apport potentiel en aide à la décision à travers des exemples d'application.

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.