Méthode avancée de prise de décision gravitationnelle inspirée de la loi de la gravitation universelle de Newton

Pourquoi la gravité peut aider à trancher les choix difficiles

Chaque jour, des décisions importantes reposent sur la gestion de nombreux objectifs concurrents : un hôpital qui choisit un équipement, une ville qui planifie des énergies vertes, ou un ingénieur qui conçoit un béton plus sûr. Les outils classiques de décision aident à comparer les options, mais ils traitent souvent chaque option de façon isolée et peinent lorsque les données sont incertaines ou que les alternatives se ressemblent beaucoup. Cet article présente une nouvelle méthode appelée GRAD (Gravitational Advanced Decision-making), qui emprunte des idées à la loi de la gravitation de Newton pour classer les options de manière plus réaliste lorsque les enjeux et l'incertitude sont élevés.

Transformer les choix en un champ gravitationnel

GRAD imagine chaque choix possible comme s’il était un petit corps dans un champ gravitationnel. Dans cette représentation, la « masse » d’une option provient de sa performance selon différents critères — tels que le coût, la qualité, la sécurité ou l’impact environnemental — et de la volatilité de ces critères dans les données. Les critères dont les valeurs fluctuent davantage, captés par une dispersion statistique plus élevée, se comportent comme des masses plus lourdes et attirent plus fortement la décision finale. La distance importe aussi : les options éloignées d’un point cible idéal, ou éloignées les unes des autres en termes de performance, exercent une influence plus faible, tandis que les options proches interagissent plus intensément. Plutôt que de mesurer uniquement l’éloignement de chaque alternative par rapport à un idéal unique, GRAD laisse les options s’attirer ou se repousser mutuellement dans un espace de décision partagé.

Des données brutes à la force gravitationnelle

La méthode commence de façon familière : le décideur définit le problème, dresse la liste des options et choisit les critères. Les nombres bruts — tels que coûts, vitesses ou valeurs de résistance — sont ensuite convertis sur une échelle commune de 0 à 1 afin que les critères « plus grand est mieux » et « plus petit est mieux » puissent être comparés équitablement. GRAD calcule ensuite la variabilité de chaque critère entre les options et utilise cette variabilité directement dans sa formule inspirée de la gravité, plutôt que seulement comme un poids d’arrière-plan. Pour chaque option et chaque critère, GRAD combine quatre éléments : l’importance du critère, sa variabilité, la performance normalisée de l’option et sa distance par rapport à un point cible idéal ou attendu. Ces ingrédients génèrent une sorte de force gravitationnelle pour chaque option, qui est ensuite sommée sur l’ensemble des critères pour obtenir une traction globale.

Laisser les options interagir entre elles

GRAD ne s’arrête pas à un score unique par option. Il examine aussi la façon dont les options se rapportent les unes aux autres. En utilisant les distances entre chaque paire d’alternatives, la méthode ajuste le score de chaque option selon la force avec laquelle elle est « attirée » ou « repoussée » par ses concurrentes. Les options qui performent bien et se trouvent près d’autres candidats solides subissent des interactions intenses, faisant émerger des différences subtiles entre des choix étroitement appariés. Les options faibles ou lointaines exercent peu d’influence. Cette notation tenant compte des interactions est suivie d’une analyse de sensibilité : les auteurs modifient systématiquement les paramètres clés qui contrôlent l’importance des poids, des différences de performance et des distances. Sur des plages raisonnables, les classements restent stables, ce qui suggère que la méthode est robuste plutôt que trop sensible aux réglages fins.

Comment GRAD fonctionne en pratique

Pour illustrer le fonctionnement de la méthode, les chercheurs appliquent d’abord GRAD à un petit exemple d’usine synthétique où quatre systèmes de production sont évalués selon le coût, la qualité, la vitesse et l’impact environnemental. Ils comparent les classements obtenus à ceux produits par trois méthodes bien connues — TOPSIS, VIKOR et CoCoSo — puis exécutent 10 000 simulations de Monte Carlo qui perturbent légèrement les données d’entrée. GRAD se révèle meilleur pour maintenir les options prometteuses en tête du classement lorsque les chiffres sont bruyants, un signe de robustesse. Dans un test plus réaliste, les auteurs utilisent un jeu de données bien connu en génie civil et mécanique relatif aux bétons. Ici, chaque formulation candidate est évaluée sur les quantités de matériaux, le temps de cure et la résistance à la compression obtenue. GRAD identifie un mélange qui équilibre haute résistance, usage raisonnable des matériaux et exigences de cure, et produit un classement sensibilisé aux interactions notablement différent d’une méthode classique basée uniquement sur la distance appelée SPOTIS.

Ce que cela signifie pour les décisions réelles

En termes concrets, GRAD offre une manière de choisir entre des options complexes tout en reconnaissant que les critères risqués devraient peser davantage et que les options concurrentes n’existent pas isolément. En tissant ensemble incertitude, similarité et distance au sein d’un modèle cohérent, la méthode peut mettre en évidence non seulement quelle alternative paraît la meilleure sur le papier, mais aussi laquelle reste performante lorsque les données sont incertaines et que les rivales sont proches. Bien qu’elle nécessite de bonnes données et quelques choix de paramètres, GRAD fournit aux décideurs, des domaines de l’ingénierie à la finance et la santé, une lentille plus nuancée et inspirée de la physique pour aborder des choix difficiles et multifacettes.

Citation: Yerlikaya, M.A., Beytüt, H., Yildiz, K. et al. Advanced gravitational decision-making method inspired by newton’s law of universal gravitation. Sci Rep 16, 13144 (2026). https://doi.org/10.1038/s41598-026-44573-7

Mots-clés: prise de décision multicritère, modèle de décision gravitationnel, incertitude dans les classements, choix de conception en ingénierie, analyse décisionnelle robuste