Ce rapport est une suite des publications [1] [3] [2]. On considère le problème d'optimisation multiobjectif dans lequel on cherche à minimiser n (n ≥ 2) critères, {J_i(Y)}(i=1,...,n), supposés fonctions régulières d'un vecteur de conception Y ∈ OMEGA ⊂ R^N (n ≤ N) où OMEGA est le domaine (ouvert) admissible, partie de R^N dans laquelle les critères admettent des gradients. Étant donné un point de conception Y^0 ∈ OMEGA qui n'est pas Pareto-stationnaire, on introduit les gradients {J_i'}(i=1,...,n) en Y = Y^0, et on les suppose linéairement indépendants. On considère également un ensemble de "facteurs d'échelles", {S_i} (i=1,...,n) (S_i > 0 , ∀i), spécifiés par l'utilisateur, et considérés comme des constantes appropriées de normalisation des gradients. On montre alors que le processus d'orthogonalisation de Gram-Schmidt, lorsqu'on le conduit avec une calibration bien spécifique de la normalisation, produit un ensemble de vecteurs orthogonaux {u_i} (i=1,..,n) qui engendrent le même sous-espace que les gradients d'origine; de plus, l'élément de plus norme de l'enveloppe convexe de cette nouvelle famille, omega, se calcule explicitement, et les dérivées de Fréchet des critères dans la direction de omega sont égales et positives. Ce processus direct simplifie la mise en oeuvre de l'Algorithme de Descente à Gradients Multiples (MGDA) défini précédemment.