The {\alpha} -Discounting ({\alpha}-DMCDM) as an extension of AHP, TOPSIS, VIKOR, PROMETHEE, and Weighted Sum

Résumé Technique : L' $\alpha$-Discounting ($\alpha$-DMCDM) en tant qu'extension de l'AHP, TOPSIS, VIKOR, PROMETHEE et de la Somme Pondérée

Énoncé du Problème
Les techniques traditionnelles d'Aide à la Décision Multicritère (MCDM), incluant le Processus de Hiérarchie Analytique (AHP), TOPSIS, VIKOR, PROMETHEE et les modèles de Somme Pondérée, reposent sur l'hypothèse que les décideurs peuvent fournir des informations de préférence cohérentes, par paires (ou totalement compatibles). Dans des scénarios réels, cependant, les structures de préférence sont souvent incomplètes, non linéaires ou contradictoires. Par exemple, les incohérences cycliques (ex: $C_1 > C_2$, $C_2 > C_3$, mais $C_3 > C_1$) rendent les systèmes d'équations utilisés par ces méthodes insolubles, ne produisant que des solutions triviales. Bien que l'AHP détecte l'incohérence via le Ratio de Cohérence (CR), il n'offre aucun mécanisme fondé pour réparer l'ensemble des jugements ou dériver des poids à partir de données incohérentes. D'autres méthodes exigent simplement des poids pré-calculés et ne peuvent traiter des structures de préférence mal posées. Les extensions existantes utilisant des ensembles flous ou neutrosophiques dépendent souvent encore d'une étape d'extraction de poids cohérente.

Méthodologie : $\alpha$-Discounting MCDM
L'article propose l'$\alpha$-Discounting MCDM ($\alpha$-DMCDM) comme un cadre algébrique unifié qui embrasse l'information incohérente plutôt que de la rejeter. La méthodologie centrale transforme les énoncés de préférence — qu'ils soient linéaires, non linéaires, par paires ou $n$-aires — en un système d'équations ou d'inégalités algébriques.

1. Base Axiomatique : La méthode repose sur sept axiomes, notamment :

   • Axiome A3 (Admissibilité de l'Incohérence) : Le système peut être incohérent (c'est-à-dire $\det(I - A) \neq 0$), produisant uniquement la solution triviale $x=0$.
   • Axiome A4 (Principe de l'$\alpha$-Discounting) : Un facteur de réduction scalaire global $\alpha > 0$ est introduit de telle sorte que le système réduit $(I - \alpha A)x = 0$ admet une solution non triviale.
   • Axiome A5 (Mesure de Cohérence) : La valeur de $\alpha$ quantifie la cohérence globale. $\alpha = 1$ implique une cohérence totale ; $0 < \alpha < 1$ indique une incohérence, les valeurs plus petites reflétant des contradictions plus fortes.

2. Théorème d'Existence : L'article prouve que pour tout ensemble fini d'équations de préférence linéaires (ou linéarisées) où le système original est incohérent, il existe au moins un scalaire réel positif $\alpha$ tel que $\det(I - \alpha A) = 0$. Cela garantit l'existence d'un vecteur propre non nul qui peut être normalisé pour produire des poids de priorité.

3. Procédure Algorithmique :

   • Modéliser les préférences sous forme de système d'équations/inégalités pour former la matrice $A$.
   • Introduire un facteur de réduction unique $\alpha$ (respectant le Principe d'Équité).
   • Résoudre $\det(I - \alpha A) = 0$ pour trouver l'$\alpha$ admissible (généralement la plus petite racine positive).
   • Calculer le vecteur propre de $(I - \alpha A)$ associé à la valeur propre zéro.
   • Normaliser le vecteur propre pour obtenir le vecteur de poids final $w$.

4. Extensions : Le cadre est modulaire et supporte :

   • $\alpha$-Discounting par Intervalles : Gérer des coefficients vagues sous forme d'intervalles $[a^-, a^+]$, résultant en un intervalle de valeurs $\alpha$ admissibles et des poids sous forme d'intervalles.
   • $\alpha$-Discounting Non Linéaire : Accueillir des relations fonctionnelles arbitraires (ex: quadratiques, logarithmiques) en réduisant le système à une équation transcendante soluble via la recherche de racines numériques.
   • Prise de Décision en Groupe : Agrégat de matrices d'experts multiples via la moyenne, la moyenne pondérée ou la sélection du $\alpha$ minimum, préservant le traitement quantitatif de l'incohérence.
   • Logique Neutrosophique : Mapper le facteur de réduction $\alpha$ vers la composante "Vérité" ($T$) des triplets neutrosophiques $(T, I, F)$, permettant à la méthode de gérer explicitement l'indétermination et la fausseté.

Contributions Clés

• Unification Théorique : Fournit une exposition auto-contenue de l'$\alpha$-DMCDM, établissant une base axiomatique rigoureuse et un théorème d'existence pour le facteur de réduction.
• Gestion de l'Incohérence : Offre un mécanisme fondé pour quantifier et résoudre l'incohérence algébriquement sans rejeter les jugements contradictoires. Le paramètre $\alpha$ sert de métrique directe du degré de conflit.
• Expressivité : Permet aux décideurs d'articuler des préférences sous des formes mathématiques naturelles (linéaires, non linéaires, intervalles) sans les contraindre à une structure de matrice par paires.
• Implémentation Pratique : Inclut des exemples numériques illustratifs (cycliques linéaires, basés sur des intervalles et non linéaires) ainsi que des implémentations en code Python pour résoudre ces systèmes.
• Analyse Comparative : Contraste systématiquement l'$\alpha$-DMCDM avec l'AHP, TOPSIS, VIKOK, PROMETHEE et la Somme Pondérée, soulignant sa capacité unique à gérer les préférences non linéaires, l'incertitude par intervalles et les données incohérentes tout en maintenant une tractabilité computationnelle comparable aux méthodes basées sur les vecteurs propres.

Résultats et Exemples Illustratifs
L'article démontre la méthode à travers trois cas spécifiques :

1. Cas Cyclique Linéaire : Pour un système où $x_1 = 2x_2$, $x_2 = 3x_3$, et $x_3 = 4x_1$ (une incohérence cyclique), la méthode calcule $\alpha \approx 0,346$. Les poids résultants sont $(0,26, 0,37, 0,37)$, fournissant une solution là où l'AHP traditionnel échouerait à produire des poids en raison de l'incohérence.
2. Cas par Intervalles : Pour des critères environnementaux avec des plages d'importance vagues, la méthode dérive un intervalle $\alpha$-admissible $[0,346, 0,550]$. La sélection d'un $\alpha$ représentatif produit des poids sous forme d'intervalles, permettant aux décideurs d'explorer des postures prudentes ou audacieuses.
3. Cas Non Linéaire : Pour une étude d'adoption technologique avec des relations quadratiques et logarithmiques, la méthode résout une équation transcendante pour trouver $\alpha \approx 0,45$, produisant des poids qui reflètent les insights comportementaux non linéaires spécifiques (ex: rendements décroissants).

Signification et Revendications
L'article affirme que l'$\alpha$-Discounting comble le fossé entre la théorie de la décision classique et le raisonnement moderne conscient de l'incertitude. Sa principale signification réside dans la transformation de l'incohérence d'un diagnostic négatif (une raison de rejeter les données) en une information exploitable (un paramètre quantifiable $\alpha$). En conservant la simplicité algébrique des méthodes linéaires tout en étendant la puissance d'expression aux données non linéaires et incertaines, la méthode est présentée comme une alternative robuste pour l'ingénierie complexe, la planification stratégique et l'agrégation de préférences pilotée par l'IA. Les auteurs positionnent l'$\alpha$-DMCDM non pas comme un remplacement de toutes les méthodes existantes, mais comme une extension nécessaire pour les scénarios où les structures de préférence sont intrinsèquement contradictoires, incomplètes ou non linéaires.

Limites et Directions Futures
L'article reconnaît modestement certaines limites, notamment le potentiel de multiples racines positives dans les équations polynomiales (nécessitant une sélection basée sur la connaissance du domaine), les défis de scalabilité pour de très grands systèmes, et la nécessité d'une formation des praticiens pour interpréter la métrique $\alpha$. Les directions de recherche futures suggérées incluent l'intégration de l'apprentissage automatique pour l'élicitation des préférences, le développement d'un $\alpha$ dynamique variant dans le temps, et le développement d'interfaces graphiques pour visualiser la déformation géométrique des hyperplans causée par $\alpha$.