Traitement de proble `mes de de ´cision sous in- certitude par des proble `mes de satisfaction de contraintes. He ´le `ne Fargier , Je ´ro ˆ me Lang Roger Martin-Clouaire , Thomas Schiex IRIT, Universite ´ Paul Sabatier, 118 Route de Narbonne 31062 Toulouse Cedex INRA/SBIA, Chemin de Borde-Rouge, Auzeville, BP 27 31326 Castanet-Tolosan Cedex RE ´ SUME ´ . L’approche CSP (proble `mes de satisfaction de contraintes) offre un langage de re- pre ´sentation et surtout des me ´thodes de calcul pour des proble `mes de de ´cision simples, sans incertitude. Cet article est consacre ´a ` deux extensions du cadre des CSP permettant de traiter des proble `mes de de ´cisions sous incertitude. Ces extensions reposent sur une distinction entre deux types de variables : les variables de de ´cision, qui sont contro ˆlables par l’agent, et les va- riables contingentes, qui sont incontro ˆlables. Les valeurs que prennent ces dernie `res de ´pendent de l’occurrence d’e ´ve ´nements incertains, au sujet desquelles on dispose d’une connaissance soit qualitative soit probabiliste — ce qui nous donnera deux extensions diffe ´rentes, respectivement les CSP mixtes et les CSP probabilistes. Dans le cas probabiliste, nous donnons deux algo- rithmes pour calculer respectivement des de ´cisions re ´solvant le proble `me avec une probabilite ´ maximale, et des de ´cisions conditionnelles associant une de ´cision ade ´quate a ` chaque situation pour laquelle c’est possible. ABSTRACT. The Constraint Satisfaction approach (CSP) offers a representation framework and algorithmic tools for solving simple decision problems, without uncertainty. This paper presents two extensions of the CSP framework aimed at solving decision problems under uncertainty. These extensions rely on a partition of the variables: the decision variables, which are under the control of the agent and the contingent variables, which are uncontrolable; the values of the latter depend on the occurrence of some uncertain events which are supposed to be characterized either qualitatively or probabilistically. Depending on the case, this will lead to two different extensions respectively called mixed CSP and probabilistic CSP. In the probabilistic case, we give two algorithms that compute respectively decisions that solve the problem with maximum probability and conditional decisions that aim at providing an adequate solution for each situation. MOTS-CLE ´ S : Satisfaction de contraintes, aide a ` la de ´cision. KEY WORDS : Constraint satisfaction, decision support. 1