Formation M2i - Comprendre les neurosciences pour développer son leadership
Cours de recherche operationnelle I s6
1. Cours de recherche op´erationnelle I
Nadia Brauner
Nadia.Brauner@imag.fr
Grenoble, 2015-2016
1
2. 2
Auteurs
Ont particip´e `a la r´edaction de ce cours (par ordre d’arriv´ee)
Nadia Brauner
Christophe Rapine
Julien Moncel
Laurent Beaudou
Ont aid´e, corrig´e, relu et donn´e des id´ees
Gerd Finke
Yann Kieffer
Van Dat Cung
Ont donn´e les TD et propos´e des exercices
Ayse Akbalik
Sergei Lenglet
Aline Parreau
Guillaume Massonnet
3. 3
Formations `a Grenoble
Formation initiale
RO `a l’UJF (M1 Info, L3 Miage, Polytech’RICM4)
Gestion de la production `a l’UJF (M1 Miage)
Optimisation pour l’´energie (M2 Miage)
Outils Formels et Graphes (Polytech’RICM2)
RO `a l’ENSIMAG (1A, 2A)
RO `a l’ENSGI (1A, 2A)
Master Informatique, parcours Recherche Op´erationnelle,
Combinatoire et Optimisation
Formation continue
Recherche op´erationnelle (tous les ans, 4 jours)
Graphes et optimisation (tous les ans, 3 jours)
4. 4
Recherche Op´erationnelle : faisons connaissance
Nadia Brauner
Nadia Brauner@imag.fr
Professeur Grenoble I
Laboratoire
´equipe Recherche Op´erationnelle
´equipe Opti-Com
Pr´esidente 12-13 de la
Soci´et´e Fran¸caise de RO-AD
Responsable Master 2 R
ROCO
Recherche Op´erationnelle,
Combinatoire et Optimisation
5. 5
Recherche Op´erationnelle : faisons connaissance
Probl`emes th´eoriques
Ordonnancement high-multiplicity (∈ NP ?)
Ordonnancement dans ateliers robotis´ees
OC appliqu´ee `a la micro-´electronique
Contrats industriels
ILOG : Probl`emes complexes de transport
IFP : Planification d’exp´eriences chimiques
de Facto : Optimisation du test des circuits
Participation `a la cr´eation d’une startup
OASIC : optimisation de la conception de
cellules logiques
7. N. Brauner 7
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Plan
1 La Recherche Op´erationnelle
2 Applications
3 Outils
4 La RO en France
5 R´ef´erences
8. N. Brauner 8
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Plan
1 La Recherche Op´erationnelle
2 Applications
3 Outils
4 La RO en France
5 R´ef´erences
9. N. Brauner 9
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Recherche Op´erationnelle ou Science de la D´ecision
D´efinitions
Cambridge Dictionary
Operational research UK (US operations research)
The systematic study of how best to solve problems in business
and industry
Wikipedia
Operations research, operational research, or simply OR, is the use
of mathematical models, statistics and algorithms to aid in
decision-making
Roadef
Recherche Op´erationnelle : approche scientifique pour la r´esolution
de probl`emes de gestion de syst`emes complexes
10. N. Brauner 10
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Recherche Op´erationnelle
Science du comment mieux faire avec moins
Des outils pour
rationaliser
simuler
optimiser
planifier
l’architecture et le fonctionnement des syst`emes industriels et
´economiques.
Des mod`eles pour analyser des situations complexes
Permet aux d´ecideurs de faire des choix efficaces et robustes
11. N. Brauner 11
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Recherche Op´erationnelle
Approche quantitative pour produire les meilleures d´ecisions
Une discipline `a la crois´ee des math´ematiques et de
l’informatique
prolongement de l’algorithmique
manipulant des structures plus ´elabor´ees : graphes, poly`edres...
domaine d’application de la th´eorie de la complexit´e
algorithmique
Une boite `a outils de m´ethodes, tant positives que n´egatives,
pour aborder sainement et sereinement les probl`emes
d’optimisation
12. N. Brauner 12
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Recherche Op´erationnelle
Les outils de RO-AD
aident `a trouver
une solution o`u l’homme n’en trouvait pas
une solution sur des probl`emes nouveaux o`u l’homme n’a
aucune exp´erience
plusieurs solutions l`a o`u l’homme n’en envisageait qu’une
aident `a juger de la qualit´e d’une solution
aident `a confirmer / justifier des d´ecisions
13. N. Brauner 13
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Plan
1 La Recherche Op´erationnelle
2 Applications
3 Outils
4 La RO en France
5 R´ef´erences
14. N. Brauner 14
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Recherche Op´erationnelle
Voyageur de commerce (TSP)
Un voyageur de commerce, bas´e `a Toulon, doit visiter ses
clients `a travers la France.
Il souhaite effectuer la tourn´ee la plus courte possible.
15. N. Brauner 15
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Recherche Op´erationnelle
Voyageur de commerce
Instance : n villes avec une matrice de distances
Solution : tourn´ee visitant chaque ville et revenant `a Toulon
16. N. Brauner 16
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Recherche Op´erationnelle
Algorithme Glouton pour le TSP
17. N. Brauner 17
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Recherche Op´erationnelle
Transport
de marchandises
des entrepˆots vers les clients
coˆuts de transport, distance sur les arcs
trouver le meilleur plan de distribution
a
a
a
a
a
a
€€€€€€q
A B
cij
i
j
ai
bj
min cij xij
j∈B
xij ≤ ai
i∈A
xij ≥ bj
xij ≥ 0
18. N. Brauner 18
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Recherche Op´erationnelle
Applications
Plus court chemin
Quel est le trajet le plus court
entre Grenoble et Nice
en voiture ?
19. N. Brauner 19
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Recherche Op´erationnelle
24h de RO
8h : optimisation de la r´ecolte et du d´epˆot des d´echets
recyclables
. . .
15h : placement automatique des v´ehicules pour une
association de partage de voitures
16h : gestion des retards dans les transports publics pour
minimiser l’impact sur les passagers
. . .
http://www.24hor.org/
20. N. Brauner 20
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Recherche Op´erationnelle
le 15 octobre 2012 :
21. N. Brauner 21
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
The Sveriges Riksbank Prize in Economic Sciences in Memory of Alfred Nobel 2012
Alvin E. Roth, Lloyd S. Shapley
English
English (pdf)
Swedish
Swedish (pdf)
Press Release
15 October 2012
The Royal Swedish Academy of Sciences has decided to award The Sveriges Riksbank Prize in Economic Sciences in Memory
of Alfred Nobel for 2012 to
Alvin E. Roth
Harvard University, Cambridge, MA, USA, and Harvard Business School, Boston, MA, USA
and
Lloyd S. Shapley
University of California, Los Angeles, CA, USA
"for the theory of stable allocations and the practice of market design".
22. N. Brauner 22
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Mariages stables
Mariages stables
Des femmes : Alice, B´en´edicte, Camille
Des hommes : Elie, Fran¸cois, Gondran
Pr´ef´erences des femmes
A : G E F
B : F E G
C : G E F
Pr´ef´erences des hommes
E : A B C
F : B C A
G : A C B
Comment faire les couples ?
23. N. Brauner 23
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Mariages stables
Un couplage est instable s’il contient deux personnes A et B non
mari´ees ensemble qui se pr´ef`erent mutuellement `a leurs conjoints :
F est mari´ee avec g
G est mari´e avec f
F pr´ef`ere G `a g
G pr´ef`ere F `a f
Questions
Comment v´erifier qu’un couplage est stable ?
Est-ce qu’il existe toujours un couplage stable ?
Est-ce qu’on sait trouver un couplage stable quand il existe ?
24. N. Brauner 24
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Mariages stables
Applications
Situations o`u les m´ecanismes de march´es traditionnels ne
fonctionnent pas
R´epartition de biens rares, h´et´erog`enes, indivisibles
Affectations de candidats sur des places
´el`eves - ´ecoles d’ing´enieur
travailleurs - postes
internes - hˆopitaux
´etudiants - universit´es
Dons d’organes (reins)
25. N. Brauner 25
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Recherche Op´erationnelle
Les challenges ROADEF
http://challenge.roadef.org/
2010 Gestion d’´energie (EDF)
2009 Gestion des perturbations dans le transport a´erien (Amadeus)
2007 Planification des techniciens et des interventions pour les
t´el´ecommunications (France Telecom)
2005 Ordonnancement de v´ehicules pour une chaˆıne de montage
automobile (Renault)
2003 Gestion des prises de vue r´ealis´ees par un satellite
d’observation de la Terre (ONERA et CNES)
2001 Allocation de fr´equences avec polarisation (CELAR, arm´ee)
1999 Gestion de stock de mat´eriels (Bouygues)
26. N. Brauner 26
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Recherche Op´erationnelle
Le challenges ROADEF/EURO 2012
R´eaffectation de machines
Propos´e par Google
82 ´equipes enregistr´ees dans 33 pays
30 ´equipes qualifi´ees
Vainqueur Junior : ´equipe polonaise
Vainqueur Open Source et Senior : ´equipe bosniaques
27. N. Brauner 27
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Recherche Op´erationnelle
Le challenges ROADEF/EURO 2014
Trains don’t vanish !
Propos´e par SNCF
35 ´equipes enregistr´ees
Vainqueur Sprint : ´etudiants du Master
28. N. Brauner 28
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
http://www.roadef.org/content/roadef/soireeRO.htm
Introduction et historique de la RO
Mesure de performance de la RO
Ingr´edients d’une bonne approche RO
L’enseignement de la RO
Le serious game, un outil pour convaincre
Faut-il un mod`ele simple ou haute fid´elit´e ? Solutions robustes
RO, SI et capacit´es de calcul
29. N. Brauner 29
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Emmanuel Guyot, Directeur Marketing et Revenue Management
TF1 PUBLICITE
Yves Caseau, Executive Vice-Pr´esident BOUYGUES TELECOM
Animation : Denis Montaut, Pr´esident d’Eurod´ecision
Nadia Brauner, Pr´esidente de la Roadef, G-SCOP
Yvon Qu´erou, Directeur Informatique AIR FRANCE
Jean-Charles Billaut, Professeur `a l’Universit´e de Tours
Jean-Paul Hamon, ex Executive Vice-Pr´esident D´eveloppement
AMADEUS
30. N. Brauner 30
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Recherche Op´erationnelle
Domaines d’application
Conception, configuration et exploitation
de syst`emes techniques complexes
(r´eseaux de communication, syst`emes d’information)
Gestion de la chaˆıne logistique
(transports, production, stocks. . . )
Gestion strat´egique d’investissements
et aussi
sant´e, instruction publique, voirie,
ramassage et distribution de courrier,
production et transport d’´energie,
t´el´ecommunications, banques, assurances. . .
31. N. Brauner 31
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Recherche Op´erationnelle
Domaines d’application
Production : maximiser le profit selon disponibilit´e de la main
d’œuvre, demande du march´e, capacit´e de production, prix de
revient du mat´eriau brut. . .
Transport : minimiser distance totale parcourue selon quantit´es de
mat´eriaux `a transporter, capacit´e des transporteurs, points de
ravitaillement en carburant. . .
grande importance dans le milieu industriel :
production, transport, emploi du temps, finance. . .
32. N. Brauner 32
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Recherche Op´erationnelle
Face `a un probl`eme pratique de d´ecision
Aspects math´ematiques
contraintes, objectifs, simplifications
Mod´elisation
graphes, programmation lin´eaire, PPC...
Analyse des mod`eles et r´esolution
´etude de complexit´e : que peut-on esp´erer pour le temps de
r´esolution imparti ?
mise au point d’algorithmes
Impl´ementation et analyse des r´esultats
valider par rapport `a la demande
it´erer avec le demandeur si n´ecessaire
D´eploiement des solutions
Int´egration logicielle
33. N. Brauner 33
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Plan
1 La Recherche Op´erationnelle
2 Applications
3 Outils
4 La RO en France
5 R´ef´erences
34. N. Brauner 34
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Recherche Op´erationnelle
Programmation lin´eaire
min le coˆut / max le profit min / max c1x1 + c2x2 . . . cnxn
satisfaire la demande a1x1 + a2x2 . . . anxn ≥ b1
avec des ressources limit´ees a1x1 + a2x2 . . . anxn ≤ b1
quantit´es produites x1, x2 . . . xn ≥ 0
35. N. Brauner 35
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Recherche Op´erationnelle
Optimisation Combinatoire
Trouver la meilleure solution parmi un nombre fini mais tr`es
grand de choix
Un probl`eme d’OC se caract´erise par :
La pr´esence de choix, `a faire parmi un ensemble fini
d’alternatives
Une notion de coˆut, ou de gain, ou de perte
La n´ecessit´e de faire globalement les bons choix, de mani`ere `a
optimiser la valeur objectif
exemples : emplois du temps. . .
Combinatoire
´echiquier tronqu´e
http://mathsamodeler.ujf-grenoble.fr/LAVALISE/
36. N. Brauner 36
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Recherche Op´erationnelle
Graphes
sommet
arˆete
I
$$$$$$$$X
a
a
a
a
a
a
€€€€€€
¨¨¨¨
rrrr
e
e
e
e
¨
¨¨¨
5
a
b
Valuation des arˆetes = coˆuts, temps, distance, capacit´es. . .
meilleur chemin de i `a j
meilleurs parcours
passant par chaque ville
passant par chaque arˆete
. . .
Repr´esentation de r´eseaux, de pr´ec´edences en ordonnancement,
de compatibilit´e de produits...
37. N. Brauner 37
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Recherche Op´erationnelle
Autre outils
Files d’attente
Stochastique
Simulation
dessin de Lionel Lagarde
`A l’interface de
Informatique : algorithmique
Math´ematiques : mod´elisation
´Economie : gestion, strat´egie
38. N. Brauner 38
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Plan
1 La Recherche Op´erationnelle
2 Applications
3 Outils
4 La RO en France
5 R´ef´erences
39. N. Brauner 39
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Recherche Op´erationnelle : entreprises en France
Grands groupes avec un pˆole RD en RO
Airfrance
La SNCF
EDF
France Telecom
Bouygues
GDF Suez
La poste
Renault
Air Liquide
SFR
Google
40. N. Brauner 40
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Recherche Op´erationnelle : entreprises en France
Pour les autres entreprises
Soci´et´es de conseil sp´ecialis´ees
Logiciels sur ´etag`ere
Laboratoires acad´emiques
41. N. Brauner 41
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Recherche Op´erationnelle : entreprises en France
Soci´et´es de conseil
accompagnent les industriels pour mettre en place des syst`emes
d’aide `a la d´ecision
EURODECISION
Conseil en optimisation des ressources et planification de la
production, outils d’aide `a la d´ecision
ARTELYS
Solutions en optimisation
...
42. N. Brauner 42
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Recherche Op´erationnelle : entreprises en France
´Editeurs de logiciels
librairies d´edi´ees `a des probl`emes math´ematiques
ILOG (IBM)
Optimization tools and engines, Visualization software
components, Supply chain applications
COSYTEC
offrir des solutions logicielles, `a base de technologie de
programmation par contraintes, pour r´esoudre des probl`emes
d’optimisation des ressources
FICO et ARTELYS
Fico XPress : logiciels de mod´elisation de probl`emes lin´eaires
ou quadratiques avec variables r´eelles ou enti`eres
Knitro : optimiseur non lin´eaire
Artelys Kalis : Programmation par contraintes
...
43. N. Brauner 43
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Recherche Op´erationnelle : entreprises en France
´Editeurs de logiciels
librairies d´edi´ees `a des probl`emes m´etiers
ALMA : Placement et d´ecoupe
ex : petit bateau (habits), chantiers navals
AMADEUS : Voyage
plateforme de r´eservation centralis´ee pour l’industrie du
voyage et outils de gestion des compagnies a´eriennes
Optilogistics : transport et logistique
progiciels d’optimisation de tourn´ees et de planification du
transport
Ordecsys, Oracle...
44. N. Brauner 44
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Recherche Op´erationnelle : entreprises en France
Alma : D´ecoupe
45. N. Brauner 45
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Recherche Op´erationnelle : en France
Et dans le monde acad´emique
enquˆete 2010 de la Roadef
≈ 75 ´equipes ou laboratoires
≈ 1400 membres
≈ 700 chercheurs, enseignants chercheurs, ing´enieurs de
recherche permanents
≈ 500 doctorants
46. N. Brauner 46
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Recherche Op´erationnelle : pour en savoir plus
Le Livre Blanc de la Recherche Op´erationnelle en France
Comment les industriels s’organisent
D’incontestables r´eussites
Soci´et´es de conseil et ´editeurs de logiciels
48. N. Brauner 47
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Plan
1 La Recherche Op´erationnelle
2 Applications
3 Outils
4 La RO en France
5 R´ef´erences
49. N. Brauner 48
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Bibliographie
de Werra, D., Liebling, T.-M., and Hˆeche, J.-F.
Recherche Op´erationnelle pour Ing´enieurs, Tome 1.
Presses Polytechniques et Universitaires Romandes, 2003.
Sakarovitch, M.
Optimisation Combinatoire, Graphes et Programmation
Lin´eaire.
Hermann, Enseignement des sciences, Paris, 1984.
Sakarovitch, M.
Optimisation Combinatoire, Programmation Discr`ete.
Hermann, Enseignement des sciences, Paris, 1984.
Wolsey, L. A.
Integer Programming.
Wiley-Interscience, 1998.
50. N. Brauner 49
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Webographie
Cours
Poly de cours
http://www.g-scop.grenoble-inp.fr/~braunern
Compl´ements au cours
Chamilo, utiliser le lien avec connection
CaseInE, pour les ´etudiants de Grenoble
M2R de Recherche Op´erationnelle, Combinatoire et Optim.
http://roco.g-scop.grenoble-inp.fr
Vie de la RO en France
Soci´et´e fran¸caise de RO
http://www.roadef.org
Groupe de Recherche en RO du CNRS
http://gdrro.lip6.fr
S´eminaire de recherche en OC et RO `a Grenoble
http://www.g-scop.grenoble-inp.fr/
51. N. Brauner 50
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Webographie
Collection de ressources pour la RO
http://www2.informs.org/Resources/
http://www.ensta.fr/~diam/ro/
Logiciels pour la RO
http://www.coin-or.org/resources.html
http://www.wior.uni-karlsruhe.de/bibliothek/
Blogs sur la RO
http://blog.vcu.edu/lamclay/
http://mat.tepper.cmu.edu/blog/
Des challenges industriels internationaux en RO
http://challenge.roadef.org/
52. N. Brauner 51
La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences
Recherche Op´erationnelle
En conclusion
faire le mieux
coˆut min, meilleur profit, plus courte distance, le plus rapide. . .
avec les ressources disponibles
temps machine, postes de travail, m´emoire, ressource homme,
mati`ere premi`ere, camions. . .
Dessins de L. Lagarde
54. N. Brauner 53
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Plan
6 Introduction `a la programmation lin´eaire
7 Interpr´etation g´eom´etrique
8 Bases et points extrˆemes
9 L’algorithme du simplexe
55. N. Brauner 54
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Plan
6 Introduction `a la programmation lin´eaire
7 Interpr´etation g´eom´etrique
8 Bases et points extrˆemes
9 L’algorithme du simplexe
56. N. Brauner 55
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Programmation lin´eaire
Cadre de la PL
Programmation lin´eaire
nombre fini de variables r´eelles, contraintes lin´eaires, objectif
lin´eaire
Variables x1, x2 . . . xn r´eelles
Contrainte g´en´erique (contrainte i) :
n
j=1
aij xj ≤ bi
Fonction-objectif g´en´erique (`a maximiser / minimiser) :
f (x1, x2 . . . xn) =
n
j=1
cj xj
57. N. Brauner 56
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Programmation lin´eaire
Exemple : culture de courgettes et navets
Contraintes concernant les quantit´es d’engrais et d’anti-parasites
8 engrais A disponible
→ 2 /m2 n´ecessaires pour courgettes, 1 /m2 pour navets
7 engrais B disponible
→ 1 /m2 n´ecessaires pour courgettes, 2 /m2 pour navets
3 anti-parasites disponible
→ 1 /m2 n´ecessaires pour navets
Objectif : produire le maximum (en poids) de l´egumes, sachant
que rendements = 4kg/m2 courgettes, 5kg/m2 navets
58. N. Brauner 57
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Programmation lin´eaire
Exemple : culture de courgettes et navets
Variables de d´ecision
xc : surface de courgettes
xn : surface de navets
Fonction objectif max 4xc + 5xn
Contraintes
2xc + xn ≤ 8 (engrais A)
xc + 2xn ≤ 7 (engrais B)
xn ≤ 3 (anti-parasites)
xc ≥ 0 et xn ≥ 0
59. N. Brauner 58
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Programmation lin´eaire
Int´erˆet de la PL
Probl`eme g´en´eral d’optimisation sous contraintes
⇒ AUCUNE m´ethode G´EN´ERALE de r´esolution ! !
Probl`eme lin´eaire quelconque
⇒ existence de m´ethodes de r´esolution g´en´erales et efficaces
Ces m´ethodes sont efficaces en th´eorie et en pratique
⇒ existence de nombreux logiciels de r´esolution :
Excel, CPLEX, Mathematica, LP-Solve. . .
Cadre restrictif
variables r´eelles
contraintes lin´eaires
objectif lin´eaire
60. N. Brauner 59
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Programmation lin´eaire
Repr´esentation in extenso
max 4xc + 5xn
2xc + xn ≤ 8 (engrais A)
xc + 2xn ≤ 7 (engrais B)
xn ≤ 3 (anti-parasites)
xc ≥ 0 et xn ≥ 0
Repr´esentation matricielle
max (4 5)
xc
xn
2 1
1 2
0 1
xc
xn
≤
8
7
3
xc ≥ 0 xn ≥ 0
61. N. Brauner 60
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Programmation lin´eaire
Repr´esentation in extenso
max z = j cj xj
s.c. j aij xj
≤
≥
=
bi i = 1, 2 . . . m
xj ≥ 0 j = 1, 2 . . . n
62. N. Brauner 61
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Programmation lin´eaire
second membre b =
b1
b2
...
bm
matrice de format m × n
A =
a11 a12 . . . a1n
a21 a22 . . . a2n
...
am1 am2 . . . amn
coˆut (ou profit) c = (c1, c2 . . . cn)
n var. de d´ecision X =
x1
x2
...
xn
Repr´esentation matricielle
max z = cx
s.c. Ax
≤
≥
=
b
x ≥ 0
63. N. Brauner 62
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Programmation lin´eaire
Vocabulaire
xi variable de d´ecision du probl`eme
x = (x1, . . . , xn) solution r´ealisable (admissible)
ssi elle satisfait toutes les contraintes
ensemble des solutions r´ealisables = domaine ou r´egion
admissible
x = (x1, . . . , xn) solution optimale
ssi elle est r´ealisable et optimise la fonction-objectif
contraintes in´egalit´e ou ´egalit´e lin´eaire
a11x1 + a12x2 . . . + a1nxn ≤ b1
a21x1 + a22x2 . . . + a2nxn ≥ b2
a31x1 + a32x2 . . . + a3nxn = b3
fonction objectif (ou fonction ´economique) lin´eaire
max / min c1x1 + c2x2 . . . + cnxn
64. N. Brauner 63
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Programmation lin´eaire
Applications
Feuille de TD : Programmation lin´eaire
Exercice Production de vins
Exercice Publicit´e
Exercice Compagnie a´erienne
Exercice Fabrication d’huile d’olives
Exercice Laiterie
Exercice Bergamote
65. N. Brauner 64
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Programmation lin´eaire
Forme canonique d’un PL
maximisation
toutes les variables sont non n´egatives
toutes les contraintes sont des in´equations du type “≤”
max z = j cj xj
s.c. j aij xj ≤ bi i = 1, 2 . . . m
xj ≥ 0 j = 1, 2 . . . n
forme matricielle
max z = cx
s.c. Ax ≤ b
x ≥ 0
66. N. Brauner 65
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Programmation lin´eaire
Forme standard d’un PL
maximisation
toutes les variables sont non n´egatives
toutes les contraintes sont des ´equations
max z = j cj xj
s.c. j aij xj = bi i = 1, 2 . . . m
xj ≥ 0 j = 1, 2 . . . n
forme matricielle
max z = cx
s.c. Ax = b
x ≥ 0
67. N. Brauner 66
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Programmation lin´eaire
Passage entre les formes
´equation → in´equation
ax = b ⇐⇒
ax ≤ b
ax ≥ b
max ↔ min max f (x) = − min −f (x)
in´equation → ´equation : ajouter une variable d’´ecart
ax ≤ b ⇐⇒ ax + s = b, s ≥ 0
ax ≥ b ⇐⇒ ax − s = b, s ≥ 0
variable non contrainte → variables positives
x 0 ⇐⇒
x = x+ − x−
x+, x− ≥ 0
68. N. Brauner 67
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Programmation lin´eaire
Passage entre les formes
Feuille de TD : Programmation lin´eaire
Exercice Formes lin´eaires et canoniques
69. N. Brauner 68
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Programmation lin´eaire
Lin´eariser un probl`eme non lin´eaire
ei : expression lin´eaire des variables de d´ecision
obj : min max{e1, e2 . . . en}
min y
y ≥ ei i = 1, 2 . . . n
obj : max min{e1, e2 . . . en}
max y
y ≤ ei i = 1, 2 . . . n
obj : min |e1|
|e| = max(e, −e)
min y
y ≥ e1
y ≥ −e1
min e+ + e−
e1 = e+ − e−
e+, e− ≥ 0
70. N. Brauner 69
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Programmation lin´eaire
Lin´eariser un probl`eme non lin´eaire
Feuille de TD : Programmation lin´eaire
Exercice Lin´earisation
71. N. Brauner 70
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Programmation lin´eaire
Un peu d’histoire
ann´ees 30-40 : Kantorovitch, ´economiste sovi´etique
⇒ mod`eles lin´eaires pour la planification et l’optimisation de
la production
ann´ees 40-50 : Dantzig, math´ematicien am´ericain
⇒ algorithme du simplexe
application historique
Op´erations Vittles et Plainfare pour ravitaillement de la trizone
pendant le blocus de Berlin par pont a´erien (23 juin 1948 – 12
mai 1949)
simplexe ex´ecut´e `a la main (des milliers de variables), jusqu’`a
12 000 tonnes de mat´eriel par jour !
1975 : prix Nobel ´economie Kantorovitch
XXI`eme si`ecle : logiciels de PL disponibles partout, utilisation
de la PL dans tous les domaines industriels...
72. N. Brauner 71
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Plan
6 Introduction `a la programmation lin´eaire
7 Interpr´etation g´eom´etrique
8 Bases et points extrˆemes
9 L’algorithme du simplexe
73. N. Brauner 72
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Interpr´etation g´eom´etrique
Exemple : culture de courgettes et navets
Variables de d´ecision
xc : surface de courgettes
xn : surface de navets
Fonction objectif max 4xc + 5xn
Contraintes
2xc + xn ≤ 8 (engrais A)
xc + 2xn ≤ 7 (engrais B)
xn ≤ 3 (anti-parasites)
xc ≥ 0 et xn ≥ 0
74. N. Brauner 73
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Interpr´etation g´eom´etrique
Interpr´eter les contraintes courgettes et navets
2x + y ≤ 8 ⇒ demi-plan de R2
x + 2y ≤ 7 ⇒ demi-plan
y ≤ 3 ⇒ demi-plan
x ≥ 0 et y ≥ 0 ⇒ demi-plans
Ensemble des solutions r´ealisables = intersection de ces
demi-plans : poly`edre
x
y
75. N. Brauner 74
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Interpr´etation g´eom´etrique
Optimiser l’objectif
Les lignes de niveau {4x + 5y = constante} sont des droites
parall`eles
x
y
4x5y=10
4x5y=18
4x5y=22
4x5y=25
76. N. Brauner 75
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Interpr´etation g´eom´etrique
G´eom´etrie d’un PL
L’ensemble des solutions r´ealisables est toujours
un poly`edre (intersection de demi-espaces)
Les lignes de niveau {f = constante} de la fonction-objectif f sont
des hyperplans affines (n = 2 ⇒ droite, n = 3 ⇒ plan...)
77. N. Brauner 76
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Interpr´etation g´eom´etrique
G´eom´etrie d’un PL
Optimum atteint au bord
L’optimum de la fonction-objectif, s’il existe, est atteint en (au
moins) un sommet du poly`edre.
Justification math´ematique :
les d´eriv´ees partielles de f (x) = c.x ne s’annulent jamais,
et le domaine {x | n
j=1 aij xj ≤ bi , i = 1, . . . , m} est compact
⇒ l’optimum est atteint au bord...
78. N. Brauner 77
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Programmation lin´eaire
Solutions d’un PL
La r´egion admissible peut ˆetre
vide
nb solutions optimales : 0
non vide, born´ee
nb solutions optimales : 1 ou ∞
non vide, non born´ee
nb solutions optimales : 0 ou 1 ou ∞
Proposer des exemples de PL pour chacun des cas
Feuille de TD : Programmation lin´eaire
Exercice R´esolution graphique
Exercice Toujours plus de b´en´efices !
79. N. Brauner 85
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Plan
6 Introduction `a la programmation lin´eaire
7 Interpr´etation g´eom´etrique
8 Bases et points extrˆemes
9 L’algorithme du simplexe
80. N. Brauner 86
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Bases et points extrˆemes
Rappels
max z = cx
s.c. Ax ≤ b
x ≥ 0
A matrice m × n
x = (x1 x2 . . . xn)
b = (b1 b2 . . . bm)
c = (c1 c2 . . . cn)
Les contraintes d´efinissent un poly`edre
La solution optimale est un sommet du poly`edre
Comment ´enum´erer les sommets d’un poly`edre ?
81. N. Brauner 87
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Bases et points extrˆemes
Passage `a la forme standard
Forme standard
On peut rajouter des variables d’´ecart :
n
j=1
aij xj ≤ bi ⇔
n
j=1
aij xj + ei = bi , ei ≥ 0
PL standard :
max z(x) = c.x
s.c Ax = b
x ≥ 0
On travaille dans un espace de dimension plus grande, mais toutes
les contraintes sont des ´egalit´es.
Manipulations alg´ebriques plus ais´ees
82. N. Brauner 88
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Bases et points extrˆemes
Passage `a la forme standard
max z = 4x + 5y
s.c. 2x + y ≤ 8
x + 2y ≤ 7
y ≤ 3
x, y ≥ 0
x
y
max z = 4x + 5y
s.c. 2x + y + e1 = 8
x + 2y + e2 = 7
y + e3 = 3
x, y, e1, e2, e3 ≥ 0
9 points int´eressants
(intersection de contraintes)
5 points admissibles
´enum´eration de ces 9 points
comme solution de la forme
standard (solutions de base)
83. N. Brauner 89
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Bases et points extrˆemes
s.c. 2x + y + e1 = 8
x + 2y + e2 = 7
y + e3 = 3
x, y, e1, e2, e3 ≥ 0
x y e1 e2 e3 sol de base admiss. pt extrˆeme
0 0 8 7 3 (0,0)
0 8 0 -9 -5
0 3.5 4.5 0 -0.5
0 3 5 1 0 (0,3)
4 0 0 3 3 (4,0)
7 0 -6 0 3
0 0
3 2 0 0 1 (3,2)
2.5 3 0 -1.5 0
1 3 3 0 0 (1,3)
{points extrˆemes} ⇐⇒ {solutions de base admissibles}
84. N. Brauner 90
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Bases et points extrˆemes
Syst`eme lin´eaire Ax=b
A format m × n, rang A = m ≤ n
Base de A : sous-matrice B(m × m) inversible de A
A = (B, N)
(B, N)
xB
xN
= b ou BxB + NxN = b
⇒ xB = B−1b − B−1NxN
Solution de base associ´ee `a B :
xN = 0 variables hors base
xB = B−1
b variables de base
85. N. Brauner 91
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Bases et points extrˆemes
Applications
Feuille de TD : Programmation lin´eaire
Exercice Bases *2
Exercice Solutions de bases et points extrˆemes
86. N. Brauner 92
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Bases et points extrˆemes
Base et solution de base
2x + y + e1 = 8
x + 2y + e2 = 7
y + e3 = 3
x, y, e1, e2, e3 ≥ 0
Base initiale ? {e1, e2, e3} par exemple :
2x + y + e1 = 8
x + 2y + e2 = 7
y + e3 = 3
⇔
e1 = 8 − 2x − y
e2 = 7 − x − 2y
e3 = 3 − y
e1, e2, e3 = variables de base, x, y = variables hors base
87. N. Brauner 93
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Bases et points extrˆemes
Base et solution de base
e1 = 8 − 2x − y
e2 = 7 − x − 2y
e3 = 3 − y
on met les variables hors base `a 0
on en d´eduit les valeur des variables de base
x = y = 0 ⇒
e1 = 8 − 2x − y = 8
e2 = 7 − x − 2y = 7
e3 = 3 − y = 3
88. N. Brauner 94
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Bases et points extrˆemes
Ax = b, x ≥ 0
(xB, 0) associ´ee `a B est une solution de base admissible si
xB ≥ 0
{points extrˆemes du poly`edre} ⇐⇒ {solutions de base
admissibles du syst`eme lin´eaire correspondant}
nombre de points extrˆemes ≈ Cm
n = n!
m!(n−m)!
solution de base d´eg´en´er´ee : certaines variables de base sont
nulles
si A est inversible : solution de base unique
89. N. Brauner 95
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Bases et points extrˆemes
Base voisine et pivotage
Bases voisines
Deux sommets voisins correspondent `a deux bases B et B telles
qu’on remplace une variable de B pour obtenir B
passer `a un sommet voisin = changer de base (base voisine)
principe du pivotage
90. N. Brauner 96
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Bases et points extrˆemes
Qui faire entrer dans la base ?
Essayons avec y : quelle est la valeur max que pourra avoir y ?
e1 = 8 − 2x − y ≥ 0 ⇒ y ≤ 8
e2 = 7 − x − 2y ≥ 0 ⇒ y ≤ 3.5
e3 = 3 − y ≥ 0 ⇒ y ≤ 3
Bilan : ymax = 3, pour y = ymax on a e1 = 5 − 2x, e2 = 1 − x, et
e3 = 0
candidat pour une nouvelle base :
{e1, e2, e3} ∪ {y} {e3} = {e1, e2, y}
(x, y, e1, e2, e3) = (0, 3, 5, 1, 0)
91. N. Brauner 97
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
Plan
6 Introduction `a la programmation lin´eaire
7 Interpr´etation g´eom´etrique
8 Bases et points extrˆemes
9 L’algorithme du simplexe
92. N. Brauner 98
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
L’algorithme du simplexe
Vers un algorithme de r´esolution
M´ethode de r´esolution “na¨ıve” : ´enum´erer tous les sommets,
calculer f sur ces points, prendre le sommet pour lequel f est
optimis´e :
fonctionne : nombre fini de sommets
limitation : ce nombre peut ˆetre tr`es grand en g´en´eral...
L’algorithme du simplexe (G. B. Dantzig 1947) Algorithme
it´eratif permettant de r´esoudre un probl`eme de programmation
lin´eaire.
93. N. Brauner 99
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
L’algorithme du simplexe
Principe d’am´elioration locale
`A partir d’un sommet, chercher un sommet voisin qui am´eliore
l’objectif.
Principe d’am´elioration locale (maximisation) :
Soit x0 sommet non optimum. Alors il existe x, un sommet voisin
de x0, tel que f (x) f (x0).
M´ethode de r´esolution : on part d’un sommet x0 quelconque, on
passe `a un sommet voisin pour lequel f augmente, et ainsi de suite.
Remarque : on passe d’un probl`eme continu (variables r´eelles) `a
un probl`eme discret (nombre fini de sommets)...
94. N. Brauner 100
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
L’algorithme du simplexe
Illustration 2D : courgettes et navets z = 4x + 5y
x0 = (0, 0), z = 0 → x = (0, 3), z = 15
x0 = (0, 3), z = 15 → x = (1, 3), z = 19
x0 = (1, 3), z = 19 → x = (3, 2), z = 22
x
y
x
∗
=3,2, z
∗
=22
plus d’am´elioration locale possible ⇒ optimum
95. N. Brauner 101
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
L’algorithme du simplexe
Illustration concr`ete
Standardisation :
Maximiser z = 4x + 5y
s.c.
2x + y ≤ 8
x + 2y ≤ 7
y ≤ 3
x, y ≥ 0
Maximiser z = 4x + 5y
s.c.
2x + y + e1 = 8
x + 2y + e2 = 7
y + e3 = 3
x, y, e1, e2, e3 ≥ 0
Base initiale ? {e1, e2, e3} par exemple :
2x + y + e1 = 8
x + 2y + e2 = 7
y + e3 = 3
⇔
e1 = 8 − 2x − y
e2 = 7 − x − 2y
e3 = 3 − y
e1, e2, e3 = variables de base, x, y = variables hors base
96. N. Brauner 102
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
L’algorithme du simplexe
Solution de base associ´ee
on met les variables hors base `a 0
on en d´eduit :
valeur des variables de base
valeur de z
ici : x = y = 0 ⇒
e1 = 8 − 2x − y = 8
e2 = 7 − x − 2y = 7
e3 = 3 − y = 3
et z = 4x + 5y = 0
97. N. Brauner 103
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
L’algorithme du simplexe
Changement de base
Observation essentielle : z = 4x + 5y = 0 ⇒ on peut augmenter z
si x ou y rentre dans la base.
Essayons avec y : quelle est la valeur max que pourra avoir y ?
e1 = 8 − 2x − y ≥ 0 ⇒ y ≤ 8
e2 = 7 − x − 2y ≥ 0 ⇒ y ≤ 3.5
e3 = 3 − y ≥ 0 ⇒ y ≤ 3
Bilan : ymax = 3, pour y = ymax on a e1 = 5 − x, e2 = 1 − x, et
e3 = 0
candidat pour une nouvelle base :
{e1, e2, e3} ∪ {y} {e3} = {e1, e2, y}
98. N. Brauner 104
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
L’algorithme du simplexe
Nouvelle base {e1, e2, y}
e1 = 8 − 2x − y
e2 = 7 − x − 2y
e3 = 3 − y
⇒
e1 = 8 − 2x − y = 5 − 2x + e3
e2 = 7 − x − 2y = 1 − x + 2e3
y = 3 − e3
Exprimons z en fonction des variables hors base
z = 4x + 5y = 15 + 4x − 5e3
Solution de base associ´ee
x = e3 = 0 ⇒
e1 = 5 − 2x + e3 = 5
e2 = 1 − x + 2e3 = 1
y = 3 − e3 = 3
et z = 15
99. N. Brauner 105
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
L’algorithme du simplexe
It´eration
z = 15 + 4x − 5e3 peut encore augmenter si x entre dans la base
Si x entre, qui sort ?
Valeur max de x :
e1 = 5 − 2x + e3 ≥ 0 ⇒ x ≤ 2.5
e2 = 1 − x + 2e3 ≥ 0 ⇒ x ≤ 1
y = 3 − e3 ≥ 0 ⇒ aucune contrainte sur x
Bilan : xmax = 1 et e2 sort.
Nouvelle base {e1, y, x}
e1 = 3 + 2e2 − 3e3
x = 1 − e2 + 2e3
y = 3 − e3
z = 19 − 4e2 + 3e3
100. N. Brauner 106
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
L’algorithme du simplexe
It´eration (suite)
z = 19 − 4e2 + 3e3 peut encore augmenter si e3 entre dans la base
Si e3 entre, qui sort ?
Valeur max de e3 :
e1 = 3 + 2e2 − 3e3 ≥ 0 ⇒ e3 ≤ 1
x = 1 − e2 + 2e3 ≥ 0 ⇒ aucune contrainte sur e3
y = 3 − e3 ≥ 0 ⇒ e3 ≤ 3
Bilan : e3max = 1, e1 sort. Nouvelle base {e3, y, x} :
e3 = 1 + 2/3e2 − 1/3e1
x = 3 + 1/3e2 − 2/3e1
y = 2 − 2/3e2 + 1/3e1
z = 22 − 2e2 − e1
101. N. Brauner 107
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
L’algorithme du simplexe
Terminaison
On a z = 22 − 2e2 − e1, donc z∗ ≤ 22
Or la solution de base x = 3, y = 2, e3 = 1 donne z = 22
optimum
La condition de terminaison concerne les coefficients de z exprim´ee
avec les variables hors base.
102. N. Brauner 108
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
L’algorithme du simplexe
max z = 20x1 + 10x2
s.c. x1 + 2x2 ≤ 120
x1 + x2 ≤ 100
x1 ≤ 70
x2 ≤ 50
x1, x2 ≥ 0
forme standard
max z
s.c. z −20x1 − 10x2 = 0
x1 + 2x2 + s1 = 120
x1 + x2 + s2 = 100
x1 + s3 = 70
x2 + s4 = 50
103. N. Brauner 109
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
L’algorithme du simplexe
Forme standard
max z
s.c. z −20x1 − 10x2 = 0
x1 + 2x2 + s1 = 120
x1 + x2 + s2 = 100
x1 + s3 = 70
x2 + s4 = 50
Forme tableau
z x1 x2 s1 s2 s3 s4
z 1 −20 −10 0 0 0 0 0
s1 0 1 2 1 0 0 0 120
s2 0 1 1 0 1 0 0 100
s3 0 1 0 0 0 1 0 70
s4 0 0 1 0 0 0 1 50
104. N. Brauner 110
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
L’algorithme du simplexe
Coˆuts r´eduits
B, une base de Ax = b
la fonction objectif :
z = cx = cBxB + cNxN
= cBB−1
b − (cBB−1
N − cN)xN
= z0 −
n
j=1
(cBB−1
aj
− cj )xj
= z0 −
n
j=1
(zj − cj )xj
zj − cj = cBB−1aj − cj est le coˆut r´eduit de la variable hors base xj
105. N. Brauner 111
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
L’algorithme du simplexe
`a chaque it´eration
z xN xB
z 1 coˆuts r´eduits 0 z0
0
xB
...
... Id +
0
`a l’optimum
z xN xB
z 1 + 0 z∗
0
0
xB
...
... Id +
0
106. N. Brauner 112
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
L’algorithme du simplexe
Principe heuristique : faire rentrer en base la variable avec le
coefficient ”le plus n´egatif” → x1
↓
z x1 x2 s1 s2 s3 s4
z 1 −20 −10 0 0 0 0 0
s1 0 1 2 1 0 0 0 120
s2 0 1 1 0 1 0 0 100
s3 0 1 0 0 0 1 0 70
s4 0 0 1 0 0 0 1 50
Qui faire sortir ?
107. N. Brauner 113
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
L’algorithme du simplexe
Principe du quotient minimal
colonne pivot x1 second membre ≥ 0 quotient
a1 ≤ 0 b1 -
a2 0 b2
b2
a2
a3 0 b3
b3
a3
a4 = 0 b4 -
ligne r br
ar
= min bi
ai
|ai 0 → faire sortir s3
z x1 x2 s1 s2 s3 s4
z 1 −20 −10 0 0 0 0 0
s1 0 1 2 1 0 0 0 120
s2 0 1 1 0 1 0 0 100
s3 0 1 0 0 0 1 0 70
s4 0 0 1 0 0 0 1 50
108. N. Brauner 114
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
L’algorithme du simplexe
exprimer la contrainte z avec les variables hors base x2 et s3
z − 10x2 + 20s3 = 1400
diviser la ligne pivot par le coefficient de la variable entrante
x1 + s3 = 70
supprimer x1 des autres contraintes
2x2 + s1 − s3 = 50
x2 + s2 − s3 = 30
c · · · a
...
...
ligne pivot – p · · · b
|
colonne
pivot
=⇒ a → a − b
p c
109. N. Brauner 115
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
L’algorithme du simplexe
z x1 x2 s1 s2 s3 s4
z 1 0 −10 0 0 20 0 1400
s1 0 0 2 1 0 −1 0 50
s2 0 0 1 0 1 −1 0 30
x1 0 1 0 0 0 1 0 70
s4 0 0 1 0 0 0 1 50
x1, s1, s2, s4 en base et x2, s3 hors base
sol de base (70, 0, 50, 30, 0, 50) de valeur 1400
Faire rentrer x2
quotient min → faire sortir s1
110. N. Brauner 116
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
L’algorithme du simplexe
z x1 x2 s1 s2 s3 s4
z 1 0 −10 0 0 20 0 1400
s1 0 0 2 1 0 −1 0 50
s2 0 0 1 0 1 −1 0 30
x1 0 1 0 0 0 1 0 70
s4 0 0 1 0 0 0 1 50
z x1 x2 s1 s2 s3 s4
z 1 0 0 5 0 15 0 1650
x2 0 0 1 1
2 0 −1
2 0 25
s2 0 0 0 −1
2 1 −1
2 0 5
x1 0 1 0 0 0 1 0 70
s4 0 0 0 −1
2 0 1
2 1 25
x1, x2, s2, s4 en base et s1, s3 hors base
sol de base (70, 25, 0, 5, 0, 25) de valeur 1650
optimale car z = 1650 − 5s1 − 15s3 et s1 = s3 = 0
111. N. Brauner 117
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
L’algorithme du simplexe
Phase II
Donn´ees : un programme lin´eaire et une solution de base admissible
R´esultat : une solution de base admissible optimale ou d´eclarer
”PL non born´e”
1 Choix d’une colonne (variable) entrante
choisir une variable hors base xj (colonne) ayant un coˆut r´eduit
n´egatif
s’il n’existe pas de colonne entrante : STOP, la solution de
base est optimale
2 Choix d’une ligne (variable) sortante
Choisir une ligne r minimisant le quotient
s’il n’existe pas de ligne sortante : STOP le tableau courant est
non born´e
3 Mise `a jour de la base et du tableau
pivoter autour de arj et retourner en (1)
112. N. Brauner 118
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
L’algorithme du simplexe
Solution de base d´eg´en´er´ee si une ou plusieurs variables de
base sont z´eros (plus de bijection entre les solutions de base
admissibles et les points extrˆemes)
Si toutes les solutions de base admissibles sont non
d´eg´en´er´ees, l’algorithme du simplexe termine apr`es un nombre
fini d’it´erations
113. N. Brauner 119
Programmation lin´eaire Interpr´etation g´eom´etrique Bases et points extrˆemes L’algorithme du simplexe
L’algorithme du simplexe
Phase I
Feuille de TD : Programmation lin´eaire
Exercice Phase 1 du simplexe
115. N. Brauner 121
Illustration ´economique Comment prouver l’optimalit´e ? ´Ecrire le dual Propri´et´es
Plan
10 Illustration ´economique
11 Comment prouver l’optimalit´e ?
12 ´Ecrire le dual
13 Propri´et´es
116. N. Brauner 122
Illustration ´economique Comment prouver l’optimalit´e ? ´Ecrire le dual Propri´et´es
Dualit´e
Nouveau concept en Programmation Lin´eaire
Primal
donn´ees A, b, c
minimiser
Dual
mˆemes donn´ees A, b, c
maximiser
117. N. Brauner 123
Illustration ´economique Comment prouver l’optimalit´e ? ´Ecrire le dual Propri´et´es
Plan
10 Illustration ´economique
11 Comment prouver l’optimalit´e ?
12 ´Ecrire le dual
13 Propri´et´es
118. N. Brauner 124
Illustration ´economique Comment prouver l’optimalit´e ? ´Ecrire le dual Propri´et´es
Plan
10 Illustration ´economique
11 Comment prouver l’optimalit´e ?
12 ´Ecrire le dual
13 Propri´et´es
119. N. Brauner 125
Illustration ´economique Comment prouver l’optimalit´e ? ´Ecrire le dual Propri´et´es
Probl`eme primal (P)
Une famille utilise 6 produits alimentaires
comme source de vitamine A et C
produits (unit´es/kg) demande
1 2 3 4 5 6 (unit´es)
vitamine A 1 0 2 2 1 2 9
vitamine C 0 1 3 1 3 2 19
Prix par kg 35 30 60 50 27 22
But : minimiser le coˆut total
Mod´elisation
120. N. Brauner 127
Illustration ´economique Comment prouver l’optimalit´e ? ´Ecrire le dual Propri´et´es
Probl`eme dual (D) associ´e `a (P)
Un producteur de cachets de vitamine synth´etique veut convaincre
la famille d’acheter ses vitamines.
Quel prix de vente wA et wC ?
pour ˆetre comp´etitif
et maximiser le profit
Mod´elisation
121. N. Brauner 129
Illustration ´economique Comment prouver l’optimalit´e ? ´Ecrire le dual Propri´et´es
Mod´elisation matricielle
Probl`eme primal
famille : acheter des produits alimentaires `a coˆut minimum et
satisfaire la demande en vitamine A et C
Mod´elisation sous forme matricielle
Probl`eme dual
producteur de vitamines synth´etiques : ˆetre comp´etitif vis-`a-vis des
produits alimentaires comme source de vitamine et maximiser le
profit de vente
Mod´elisation sous forme matricielle
122. N. Brauner 131
Illustration ´economique Comment prouver l’optimalit´e ? ´Ecrire le dual Propri´et´es
G´en´eralisation de l’illustration ´economique
ressource i demande j
produit j aij cj
coˆut i bi
Probl`eme primal (demandeur de produit) : quelle quantit´e xi de
ressource i acheter pour satisfaire la demande `a coˆut minimum ?
min
i
bi xi s.c.
i
aij xi ≥ cj ∀j
Probl`eme dual (vendeur de produit) : `a quel prix proposer les
produits pour maximiser le profit tout en restant comp´etitif ?
max
j
cj wj s.c.
j
aij wj ≤ bi ∀i
123. N. Brauner 132
Illustration ´economique Comment prouver l’optimalit´e ? ´Ecrire le dual Propri´et´es
Plan
10 Illustration ´economique
11 Comment prouver l’optimalit´e ?
12 ´Ecrire le dual
13 Propri´et´es
124. N. Brauner 133
Illustration ´economique Comment prouver l’optimalit´e ? ´Ecrire le dual Propri´et´es
Comment prouver l’optimalit´e ?
Objectif : d´emontrer l’optimalit´e d’une solution
max z = x1 + x2
4x1 + 5x2 ≤ 20
2x1 + x2 ≤ 6
x2 ≤ 2
x1, x2 ≥ 0
Id´ee : trouver une combinaison valide des contraintes permettant
de borner terme `a terme la fonction objectif
126. N. Brauner 137
Illustration ´economique Comment prouver l’optimalit´e ? ´Ecrire le dual Propri´et´es
Plan
10 Illustration ´economique
11 Comment prouver l’optimalit´e ?
12 ´Ecrire le dual
13 Propri´et´es
127. N. Brauner 138
Illustration ´economique Comment prouver l’optimalit´e ? ´Ecrire le dual Propri´et´es
Forme canonique de dualit´e
Donn´ee A, b, c
(P)
min z = cx
s.c. Ax ≥ b
x ≥ 0
(D)
max v = wb
s.c. wA ≤ c
w ≥ 0
128. N. Brauner 141
Illustration ´economique Comment prouver l’optimalit´e ? ´Ecrire le dual Propri´et´es
Tableau des signes
min max
primal dual
dual primal
variable ≥ 0 contrainte ≤
variable 0 contrainte =
variable ≤ 0 contrainte ≥
contrainte ≤ variable ≤ 0
contrainte = variable 0
contrainte ≥ variable ≥ 0
L’´ecriture du Dual est automatique :
les variables
la fonction objectif
les contraintes
129. N. Brauner 142
Illustration ´economique Comment prouver l’optimalit´e ? ´Ecrire le dual Propri´et´es
´Ecrire le dual
´Ecrire le programme dual
max z = 4x1 + 5x2 + 2x3
2x1 + 4x2 = 3
2x3 ≥ 2
3x1 + x2 + x3 ≤ 2
x2 + x3 ≤ 1
x1 ≥ 0 x2 ≤ 0 x3 ≥ 0
130. N. Brauner 143
Illustration ´economique Comment prouver l’optimalit´e ? ´Ecrire le dual Propri´et´es
Plan
10 Illustration ´economique
11 Comment prouver l’optimalit´e ?
12 ´Ecrire le dual
13 Propri´et´es
131. N. Brauner 144
Illustration ´economique Comment prouver l’optimalit´e ? ´Ecrire le dual Propri´et´es
Propri´et´es
Propri´et´e
Le dual du dual est ´equivalent au primal
v´erifier sur un exemple
max z = 2x1 + 3x2 + 4x3
2x1 + x2 ≤ 3
x3 ≥ 2
3x1 + x2 + x3 ≤ 2
x2 ≤ 1
x1, x2, x3 ≥ 0
132. N. Brauner 146
Illustration ´economique Comment prouver l’optimalit´e ? ´Ecrire le dual Propri´et´es
Propri´et´es
(P)
min z = cx
s.c. Ax ≥ b
x ≥ 0
(D)
max v = wb
s.c. wA ≤ c
w ≥ 0
Th´eor`eme de dualit´e faible
Pour chaque paire de solutions admissibles x de (P) et w de (D)
z = cx ≥ wb = v
Cons´equence : que se passe-t-il si l’un est non born´e ?
133. N. Brauner 147
Illustration ´economique Comment prouver l’optimalit´e ? ´Ecrire le dual Propri´et´es
Et l’optimalit´e ?
Certificat d’optimalit´e
Si
z = cx = wb = v
pour des solutions admissibles x de (P) et w et (D), alors x et w
sont optimales
Th´eor`eme de dualit´e forte
Si (P) a des solutions et (D) a des solutions, alors
cx∗
= w∗
b
134. N. Brauner 148
Illustration ´economique Comment prouver l’optimalit´e ? ´Ecrire le dual Propri´et´es
Propri´et´e des ´ecarts compl´ementaires
Pour l’exemple des vitamines
´ecrire le primal avec les variables d’´ecart (si )
´ecrire le dual avec les variables d’´ecart (ti )
trouver une solution du primal optimale
trouver une solution du dual optimale
´ecrire les paires de variables (si , wi ) et (xj , tj )
que remarquez-vous ?
135. N. Brauner 150
Illustration ´economique Comment prouver l’optimalit´e ? ´Ecrire le dual Propri´et´es
Propri´et´e
Propri´et´e des ´ecarts compl´ementaires
Pour x∗ optimale de (P) et w∗ optimale de (D) alors
une contrainte de (P) est serr´ee `a ´egalit´e
OU
la variable associ´ee `a cette contrainte est nulle dans w∗
idem dans l’autre sens
xj tj = 0 et si wi = 0
preuve
136. N. Brauner 152
Illustration ´economique Comment prouver l’optimalit´e ? ´Ecrire le dual Propri´et´es
Propri´et´e des ´ecarts compl´ementaires
Int´erˆet Si on connaˆıt x∗ optimal de (P), alors on peut trouver y∗
en appliquant le th´eor`eme des ´ecarts compl´ementaires (et ainsi
prouver l’optimalit´e de x∗)
essayer sur un exemple
max z = x1 + x2
4x1 + 5x2 ≤ 20
2x1 + x2 ≤ 6
x2 ≤ 2
x1, x2 ≥ 0
avec x1 = 2 et x2 = 2
137. N. Brauner 154
Illustration ´economique Comment prouver l’optimalit´e ? ´Ecrire le dual Propri´et´es
Petite philosophie de la dualit´e
`A quoi servent les trois th´eor`emes de dualit´e
Dualit´e faible : pour faire la preuve d’optimalit´e
´Ecarts compl´ementaires : pour trouver une solution optimale
du dual connaissant une solution optimale du primal
Dualit´e forte : garantit qu’une preuve d’optimalit´e (utilisant
la dualit´e) est possible
139. N. Brauner 156
Solveur d’Excel Analyse post-optimale D´ecoupe de rouleaux
Plan
14 Solveur d’Excel
15 Analyse post-optimale
16 Application : la d´ecoupe de rouleaux
140. N. Brauner 157
Solveur d’Excel Analyse post-optimale D´ecoupe de rouleaux
Plan
14 Solveur d’Excel
15 Analyse post-optimale
16 Application : la d´ecoupe de rouleaux
141. N. Brauner 158
Solveur d’Excel Analyse post-optimale D´ecoupe de rouleaux
Utilisation du solveur d’Excel
R´esoudre l’exercice Vitamines avec le solveur d’Excel
Description des donn´ees
142. N. Brauner 159
Solveur d’Excel Analyse post-optimale D´ecoupe de rouleaux
Utilisation du solveur d’Excel
Formules
143. N. Brauner 160
Solveur d’Excel Analyse post-optimale D´ecoupe de rouleaux
Utilisation du solveur d’Excel
Param´etrage du solveur
144. N. Brauner 161
Solveur d’Excel Analyse post-optimale D´ecoupe de rouleaux
Utilisation du solveur d’Excel
Options du solveur
145. N. Brauner 162
Solveur d’Excel Analyse post-optimale D´ecoupe de rouleaux
Utilisation du solveur d’Excel
R´esultat
146. N. Brauner 163
Solveur d’Excel Analyse post-optimale D´ecoupe de rouleaux
Utilisation du solveur d’Excel
Rapport de r´eponse
147. N. Brauner 164
Solveur d’Excel Analyse post-optimale D´ecoupe de rouleaux
Utilisation du solveur d’Excel
Rapport de sensibilit´e
148. N. Brauner 165
Solveur d’Excel Analyse post-optimale D´ecoupe de rouleaux
Plan
14 Solveur d’Excel
15 Analyse post-optimale
16 Application : la d´ecoupe de rouleaux
149. N. Brauner 166
Solveur d’Excel Analyse post-optimale D´ecoupe de rouleaux
Analyse post-optimale
On modifie l´eg`erement les coefficients de l’objectif ou des
contraintes : doit-on refaire un simplexe ?
Variation des seconds membres
Variation des coefficients de la fonction objectif
Coˆuts r´eduits
150. N. Brauner 167
Solveur d’Excel Analyse post-optimale D´ecoupe de rouleaux
Analyse post-optimale
Exemple : produire des confitures de rhubarbe et de fraise
Un pot de rhubarbe n´ecessite 1kg de rhubarbe et 3kg de sucre
et rapporte (marge) 3 euros
Un pot de fraise n´ecessite 2kg de fraise et 2kg de sucre et
rapporte (marge) 5 euros
Les quantit´es disponibles sont 4kg de rhubarbe, 12kg de fraise
et 18kg de sucre
Mod´eliser le probl`eme avec un programme lin´eaire
Trouver la solution optimale graphiquement
151. N. Brauner 168
Solveur d’Excel Analyse post-optimale D´ecoupe de rouleaux
Analyse post-optimale
R´esoudre `a l’aide du solveur d’Excel
152. N. Brauner 169
Solveur d’Excel Analyse post-optimale D´ecoupe de rouleaux
Variation des seconds membres
Si on augmente la capacit´e disponible d’une ressource, quel est
l’impact sur la valeur optimale de la fonction objectif ?
Le prix cach´e yi mesure l’augmentation de la fonction objectif si
l’on accroˆıt d’une unit´e la capacit´e disponible bi .
Augmenter la quantit´e de rhubarbe `a 5 kg disponibles
calculer le point optimal
calculer l’objectif
calculer le prix cach´e
153. N. Brauner 170
Solveur d’Excel Analyse post-optimale D´ecoupe de rouleaux
Variation des seconds membres
Augmenter la quantit´e de fraise `a 13 kg disponibles
calculer le point optimal
calculer l’objectif
calculer le prix cach´e
Augmenter la quantit´e de sucre `a 19 kg disponibles
calculer le point optimal
calculer l’objectif
calculer le prix cach´e
154. N. Brauner 171
Solveur d’Excel Analyse post-optimale D´ecoupe de rouleaux
Variation des seconds membres : analyse de sensibilit´e
Calcul des limites de validit´e des prix cach´es
Jusqu’o`u peut-on monter (ou descendre) ces valeurs avec les
mˆemes coˆuts r´eduits ?
De combien peut-on diminuer la quantit´e de rhubarbe avec le
mˆeme prix cach´e ?
Donner le domaine de validit´e du prix cach´e de la rhubarbe.
Calculez les intervalles pour les fraises et le sucre.
Pour les contraintes non serr´ees, quel est le prix cach´e ?
C¸a vous rappelle quelque chose ?
155. N. Brauner 172
Solveur d’Excel Analyse post-optimale D´ecoupe de rouleaux
Variation des coefficients objectifs
Si on augmente le prix de vente unitaire ou si l’on diminue le coˆut
de production unitaire, quel est l’impact sur la valeur de l’objectif ?
La valeur de la j-`eme variable `a l’optimum (x∗
j ) mesure
l’augmentation de la fonction objectif si l’on accroˆıt d’une unit´e la
marge unitaire cj .
Augmenter la marge du pot de rhubarbe `a 4 euros
calculer le point optimal
calculer l’objectif
calculer l’augmentation de l’objectif
156. N. Brauner 173
Solveur d’Excel Analyse post-optimale D´ecoupe de rouleaux
Variation des coefficients objectifs : analyse de sensibilit´e
Variation maximum de c1 autour de 3 tel que le sommet optimal
ne change pas.
De combien peut-on diminuer c1 ?
De combien peut-on augmenter c1 ?
Idem pour c2
157. N. Brauner 174
Solveur d’Excel Analyse post-optimale D´ecoupe de rouleaux
L’analyse de sensibilit´e dans Excel
158. N. Brauner 175
Solveur d’Excel Analyse post-optimale D´ecoupe de rouleaux
Plan
14 Solveur d’Excel
15 Analyse post-optimale
16 Application : la d´ecoupe de rouleaux
159. N. Brauner 176
Solveur d’Excel Analyse post-optimale D´ecoupe de rouleaux
D´ecoupe
Rouleaux de papier de longueur standard 180 cm
Couteaux de d´ecoupe (nombre et position arbitraires)
Couper des rouleaux de mˆeme diam`etre
Liste des commandes pour la prochaine p´eriode
longueur nombre de rouleaux
80 200
45 120
27 130
Trouver les sch´emas de d´ecoupe qui minimisent la perte
160. N. Brauner 177
Solveur d’Excel Analyse post-optimale D´ecoupe de rouleaux
D´ecoupe
´Etapes de la r´esolution
Sch´emas de d´ecoupe
Variables et contraintes
Fonction objectif 1, r´esolution avec Excel et analyse
Fonction objectif 2, interpr´etation et r´esolution avec Excel
. . . et la contrainte d’int´egralit´e ?
162. N. Brauner 179
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Introduction
Programmation Lin´eaire (PL)
Variables de d´ecision continues (r´eels)
Algorithme du Simplexe efficace
Programmation Lin´eaire en Nombres Entiers (PLNE)
Variables de d´ecision discr`etes (entiers, bool´eens {0, 1})
Choix d’une bonne formulation souvent difficile
Pas de m´ethode g´en´erale efficace de r´esolution
⇒ Algorithme de Branch Bound, Branch Cut. . .
Programme Lin´eaire Mixte (MIP pour Mixed Integer
Program)
⇒ A la fois des variables r´eelles et enti`eres
163. N. Brauner 180
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Introduction
Combinatoire
Structure discr`ete
Tr`es grand nombre de possibilit´es
164. N. Brauner 181
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Introduction
Probl`eme d’optimisation combinatoire
Un probl`eme d’optimisation combinatoire typique
INSTANCE
Un ensemble d’objets 1, . . . , n, avec des poids ci
SOLUTIONS REALISABLES
Un ensemble F de parties de {1, . . . , n}
CRITERE
maximiser c(S) =
i∈S
ci
L’ensemble F est en g´en´eral d´efini par des contraintes.
Son cardinal peut ˆetre tr`es grand (ici potentiellement 2n)
165. N. Brauner 182
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Plan
17 Probl`emes classiques
18 Techniques de mod´elisation
19 Relaxation lin´eaire
20 Branch Bound
166. N. Brauner 183
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Plan
17 Probl`emes classiques
18 Techniques de mod´elisation
19 Relaxation lin´eaire
20 Branch Bound
167. N. Brauner 184
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Probl`emes classiques d’optimisation combinatoire
Le sac `a dos
Un beau jour de vacances, vous avez d´ecid´e de partir en
randonn´ee dans le Vercors. Vous voulez remplir votre sac de
capacit´e 3kg avec les objets les plus utiles :
objets utilit´e poids (g)
carte 10 200
gourde 7 1500
2`eme gourde 3 1500
pull 6 1200
Kway 2 500
tomme 4 800
fruits secs 5 700
168. N. Brauner 185
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Probl`emes classiques d’optimisation combinatoire
Le sac `a dos
Probl`eme g´en´erique de Sac `a Dos
un ensemble d’objets N = {1, 2 . . . n}
`a chaque objet est associ´e
une utilit´e ui
un poids wi
un randonneur dispose d’un sac-`a-dos
dont le poids total ne doit pas d´epasser
W (capacit´e du sac-`a-dos)
d´eterminer quels objets prendre pour
maximiser l’utilit´e
169. N. Brauner 186
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Probl`emes classiques d’optimisation combinatoire
Le sac `a dos
Probl`eme d’optimisation classique
Utiliser au mieux une capacit´e
Choix d’un portefeuille
d’investissement
Mod´elisation
INSTANCE :
SOLUTIONS :
SOLUTIONS REALISABLES :
CRITERE :
170. N. Brauner 187
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Probl`emes classiques d’optimisation combinatoire
Le sac `a dos
variables xi = 1 si l’objet i est choisi, 0 sinon
objectif max i∈N ui xi
contraintes i∈N wi xi ≤ W
xi ∈ {0, 1} ∀i ∈ N
171. N. Brauner 188
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Probl`emes classiques d’optimisation combinatoire
Remplissage de boˆıtes (bin packing)
Un d´em´enageur souhaite empaqueter des objets en minimisant le
nombre de boˆıtes de capacit´e W = 6 n´ecessaires
taille
un livre 2
un autre livre 2
un pull 3
des chaussettes 1
des chaussures 2
des assiettes 5
des verres 6
1 D´ecrivez une solution r´ealisable pour le d´em´enageur
2 Proposez une mod´elisation avec un PLNE
172. N. Brauner 189
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Probl`emes classiques d’optimisation combinatoire
Remplissage de boˆıtes (bin packing)
des articles N = {1, 2 . . . n} de taille {s1, s2 . . . sn}
`a ranger dans des boˆıtes de capacit´e W
en utilisant le moins de boˆıtes possible
173. N. Brauner 190
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Probl`emes classiques d’optimisation combinatoire
Couverture d’ensembles
On souhaite choisir les intervenants dans un projet afin d’avoir
toutes les comp´etences n´ecessaires en minimisant le coˆut
Alice Babar Casimir Donald Elmer
Coˆut (h ou =C) 10 4 5 6 7
Rech. Op. 1 1 1 0 0
Java 1 0 1 1 0
Bases de donn´ees 0 1 1 1 0
Th´eorie des graphes 1 0 0 0 1
UML 0 1 0 0 1
1 D´ecrivez une solution r´ealisable pour le projet
2 Proposez une mod´elisation avec un PLNE
174. N. Brauner 191
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Probl`emes classiques d’optimisation combinatoire
Couverture d’ensembles
matrice A = (aij )i=1..n,j=1..m `a coefficients 0 ou 1
cj 0, le coˆut de la colonne j
une colonne j couvre une ligne i si aij = 1
trouver un sous-ensemble des colonnes de A de coˆut minimum
tel que chaque ligne de A soit couverte au moins une fois
175. N. Brauner 192
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Probl`emes classiques d’optimisation combinatoire
Partition d’ensembles
matrice A = (aij )i=1..n,j=1..m `a coefficients 0 ou 1
cj 0, le coˆut de la colonne j
une colonne j couvre une ligne i si aij = 1
trouver un sous-ensemble des colonnes de A de coˆut minimum
tel que chaque ligne de A soit couverte exactement une fois
176. N. Brauner 193
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Probl`emes classiques d’optimisation combinatoire
Affectation
N1 et N2 deux ensembles de mˆeme cardinal n
A ⊆ N1 × N2 : un collection de couples de nœuds repr´esentant
toutes les affectations possibles
cij : coˆut du couple (i, j) ∈ A
trouver une affectation de coˆut minimum tel que chaque
´el´ement de N1 est affect´e `a un et un seul ´el´ement de N2
177. N. Brauner 194
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Probl`emes classiques d’optimisation combinatoire
Plus court chemin
Trouver un chemin de distance minimum entre deux nœuds, s
et t d’un r´eseau donn´e.
178. N. Brauner 195
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Plan
17 Probl`emes classiques
18 Techniques de mod´elisation
19 Relaxation lin´eaire
20 Branch Bound
179. N. Brauner 196
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Techniques g´en´erales de mod´elisation
La PLNE permet de r´esoudre beaucoup de probl`emes
combinatoires
mais ATTENTION `a l’efficacit´e de la r´esolution. . .
Les variables enti`eres sont introduites
Pour d´ecrire des structures discr`etes
sous-ensemble S ⊆ {1, . . . , n}
⇒ vecteur indicateur (x1, . . . , xn) ∈ {0, 1}n
Pour lin´eariser des expressions non lin´eaires
180. N. Brauner 197
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Techniques g´en´erales de mod´elisation
Restriction `a un ensemble discret de valeurs
x doit prendre sa valeur parmi {p1, p2 . . . pk}
On introduit une variable yi indicatrice de {x = pi }
yi ≡ 1 ssi x = pi , et 0 sinon
k
i=1
yi = 1
x =
k
i=1
pi yi
yi ∈ {0, 1} pour i = 1, 2 . . . k
181. N. Brauner 198
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Techniques g´en´erales de mod´elisation
Contraintes de seuil : si x 0 alors x ≥ K (constante)
x ≤ My
x ≥ Ky
y ∈ {0, 1}
o`u M est une constante plus grande que x
Implication logique : x = 1 ⇒ y = 1
avec x et y deux variables bool´eennes {0, 1}
x ≤ y
OU logique : x ou y doit ˆetre `a Vrai
avec x et y deux variables bool´eennes {0, 1}
x + y ≥ 1
182. N. Brauner 199
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Techniques g´en´erales de mod´elisation
x : une variable de d´ecision
Objectif avec coˆut fixe (fonction affine) : min f 1{x0} + cx
Le coˆut est compos´e d’un coˆut unitaire c et d’un coˆut fixe f
pay´e uniquement si x 0
On introduit une variable y indicatrice de {x 0}
y ≡ 1 ssi x 0, et 0 sinon
min fy + cx
x ≤ My
y ∈ {0, 1}
o`u M est une constante ≥ x
183. N. Brauner 200
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Techniques g´en´erales de mod´elisation
Contraintes disjonctives
deux taches de dur´ees di et dj doivent ˆetre usin´ees sur une
mˆeme ressource
ti + di ≤ tj si i est r´ealis´ee avant j
tj + dj ≤ ti si j est r´ealis´ee avant i
ti + di ≤ tj + M(1 − yij )
tj + dj ≤ ti + Myij
yij ∈ {0, 1}
184. N. Brauner 201
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Techniques g´en´erales de mod´elisation
Termes quadratiques
lin´eariser xx avec x, x ∈ {0, 1}
On introduit une variable y ≡ xx
On doit traduire y = 1 ssi (x = 1 et x = 1)
y ≤ x
y ≤ x
x + x − 1 ≤ y
y ∈ {0, 1}
185. N. Brauner 202
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Plan
17 Probl`emes classiques
18 Techniques de mod´elisation
19 Relaxation lin´eaire
20 Branch Bound
186. N. Brauner 203
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Formulation
Probl`eme combinatoire `a r´esoudre
max{cx | x ∈ X} avec X ⊆ Zn
Une mod´elisation du probl`eme en PLNE
⇒ d´efinit un poly`edre P = {x ∈ Rn | Ax ≤ b}
D´efinition
Un PLNE est une formulation de X ssi X = P ∩ Zn
187. N. Brauner 204
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Illustration graphique
X
188. N. Brauner 205
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Illustration graphique
P
X
189. N. Brauner 206
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Relaxation Lin´eaire
Pour r´esoudre un PLNE
une id´ee simple est d’oublier que les variables sont enti`eres
on recherche alors l’optimum du PL sur le poly`edre P
on peut utiliser l’algorithme du simplexe
D´efinition
La relaxation lin´eaire d’une formulation en PLNE est le PL
max{cx | Ax ≤ b , x ∈ Rn
}
Lien entre l’optimum du PL et l’optimum du PLNE ?
190. N. Brauner 207
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Illustration graphique de la relaxation
P
X
191. N. Brauner 208
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Exemple I
max z = 4x1 + x2
s.c. 7x1 + x2 ≤ 36
x1 + 4x2 ≤ 22
x1, x2 ≥ 0 entiers
1 Trouvez graphiquement l’optimum fractionnaire
2 Trouvez graphiquement l’optimum entier
192. N. Brauner 209
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Exemple II
Stable maximum
A
B
C
ED
F
Ensemble S de sommets
d’un graphe
2 `a 2 non adjacent
1 Quel est l’optimum entier sur un triangle ?
2 Quel est l’optimum fractionnaire sur un triangle ?
la relaxation lin´eaire donne peu d’indication !
193. N. Brauner 210
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Exemple III
min z = x1
s.c. x1 − 17x2 = 3
x1 − 11x3 = 4
x1 − 6x4 = 5
x1, x2, x3, x4 ≥ 0 entiers
1 Trouvez l’optimum fractionnaire, son arrondi et l’optimum
entier
194. N. Brauner 211
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Propri´et´e de la relaxation lin´eaire
Pour une formulation en PLNE
z∗
IP = max{cx | Ax ≤ b , x ∈ Zn
}
La relaxation lin´eaire
z∗
L = max{cx | Ax ≤ b , x ∈ Rn
}
v´erifie
1 z∗
IP ≤ z∗
L
2 Si la solution optimale de la relaxation lin´eaire est enti`ere,
alors c’est aussi une solution optimale pour le PLNE
195. N. Brauner 212
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Plan
17 Probl`emes classiques
18 Techniques de mod´elisation
19 Relaxation lin´eaire
20 Branch Bound
196. N. Brauner 213
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
M´ethodes ´enum´eratives
Nombre fini de solutions
F = {S1, S2, . . . , SN}
- Parcourir toutes les solutions
- Pour chaque S ∈ F, ´evaluer c(S)
- Retenir la meilleure solution
Probl`eme
Le nombre de solutions potentielles est fini mais gigantesque
Esp´erance de vie du soleil 5 milliards d’ann´ees 258 secondes
197. N. Brauner 214
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Challenge de l’optimisation combinatoire
Comment trouver la meilleure solution sans parcourir toutes les
solutions ?
´Enum´eration implicite : ´eliminer a priori des solutions
D´etecter que des solutions sont ”mauvaises” ou irr´ealisables
sans les ´evaluer explicitement.
198. N. Brauner 215
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Principe du Branch Bound
On veut r´esoudre z∗ = max{cx | x ∈ X }
Si on partitionne X en (X1, X2)
Alors z∗ = max{z∗
1 , z∗
2 }
X
X1 X2
z* z*1 2
199. N. Brauner 216
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Principe du Branch Bound
Si z∗
1 z∗
2
Alors il est inutile d’explorer le sous-ensemble X2
⇒ X2 ne contient pas de solution optimale.
X
X1 X2
z* z*1 2
200. N. Brauner 217
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Borne sup´erieure
Comment d´eterminer qu’il est inutile d’explorer X2 sans
calculer z∗
2 ?
⇒ Estimation [par exc`es] de la valeur de z∗
2
D´efinition
Une fonction des instances dans R est une borne sup´erieure ssi elle
est sup´erieure `a la valeur optimum pour chaque instance.
Pour un PLNE, une borne sup´erieure est donn´ee par
sa relaxation lin´eaire
201. N. Brauner 218
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
´Enum´eration arborescente implicite
Pour r´esoudre z∗ = max{cx | x ∈ X }
On d´ecoupe l’ensemble des solutions X
Sur chaque Y ⊆ X, on calcule une borne sup´erieure B(Y ) de
l’optimum z∗(Y ).
Si B(Y ) ≤ `a la meilleure solution trouv´ee, alors on ´elague Y
Sinon on d´ecoupe r´ecursivement Y
202. N. Brauner 219
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Comment d´ecouper l’espace des solutions ?
On r´esout la relaxation lin´eaire du probl`eme sur X `a l’optimum
Si la solution x∗ est enti`ere, on a trouv´e l’optimum sur X
Sinon pour une variable (au moins) on a : a x∗
i a + 1
P
X
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¢¢££
x*
du problème
Découpage
203. N. Brauner 220
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Branchement sur une variable fractionnaire
On partitionne X en deux nouveaux sous-probl`emes :
X1 = x ∈ X et xi ≤ a
X2 = x ∈ X et a + 1 ≤ xi
X
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¢¢¢££
x*
P1
P2
204. N. Brauner 221
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Exploration de l’ensemble X2 de solutions
On recherche la meilleure solution sur X2 :
On r´esout la relaxation lin´eaire sur P2
On partitionne en 2 nouveaux sous-probl`emes
X ¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¢
¢
¢
¢
¢
¢
¢
¢
¢
¢
¢
¢
¢
¢
¢
¢
¢
¢
££¤¤
P1
P3 P4
P2
205. N. Brauner 222
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Exploration de l’ensemble X1 de solutions
On a trouv´e la solution optimale sur X2
Existe-t-il une meilleure solution sur X1 ?
La borne sup´erieure ne nous permet pas d’´elaguer X1
X
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¢¢££
P1
P3 P4
206. N. Brauner 223
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Exploration de l’ensemble X1 de solutions
On recherche la meilleure solution sur X1 :
On partitionne en 2 nouveaux sous-probl`emes
X
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¢
¢
¢
¢
¢
¢
¢
¢
¢
¢
¢
¢
¢
¢
¢
¢
¢
¢
££¤¤
P3 P4
P5 P6
207. N. Brauner 224
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Fin du Branch Bound
La solution optimale sur X est la meilleure des 2 solutions
trouv´ees sur X1 et X2.
X
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¡
¢¢££
P3 P4
P5 P6
208. N. Brauner 225
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Branch Bound
1 r´esoudre la relaxation lin´eaire
2 brancher sur une variable non enti`ere (`a choisir)
→ 2 sous probl`emes
3 diviser `a nouveau un nœud fils en deux (= choix possibles)
4 continuer `a s´eparer sur les nœuds dont la valeur est `a la
borne inf jusqu’`a ce qu’il n’y ait plus de branchement possible
On coupe une branche si
La relaxation lin´eaire n’a pas de solution
la relaxation lin´eaire donne une solution enti`ere
la valeur de la borne sup´erieure est inf´erieure `a la valeur de la
meilleure solution enti`ere obtenue
Note : On ne peut rien couper tant qu’on n’a pas de solution
disponible
209. N. Brauner 226
Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound
Branch Bound
z = 2x1 + 3x2
sc.
5x1 + 7x2 ≤ 35
4x1 + 9x2 ≤ 36
x1, x2 ≥ 0 entiers
faire le dessin
z = 14,47
x1 = 3,71
x2 = 2,35
z = 13,5
x1 = 2,25
x2 = 3
z = 14,4
x1 = 4,2
x2 = 2
Pas de
sol
réalisable
z = 13,33
x1 = 2
x2 = 3,11
z = 14,29
x1 = 5
x2 = 1,43
z = 14
x1 = 4
x2 = 2
z = 12
x1 = 0
x2 = 4
z = 13
x1 = 2
x2 = 3
z = 14,2
x1 = 5,6
x2 = 1
Pas de
sol
réalisable
z = 13
x1 = 5
x2 = 1
z = 14,14
x1 = 6
x2 = 0,71
Pas de
sol
réalisable
z = 14
x1 = 7
x2 = 0
x2 ≥ 3 x2 ≤ 2
x1 ≥ 3 x1 ≤ 2 x1 ≥ 5 x1 ≤ 4
x2 ≥ 4 x2 ≤ 3 x2 ≤ 1 x2 ≥ 2
x1 ≤ 5 x1 ≥ 6
x2 ≥ 1 x2 ≤ 0
210. N. Brauner 227
Application
Approvisionnement des stations service
Une compagnie p´etroli`ere souhaite d´eterminer les emplacements
possibles pour ses d´epˆots (destin´es `a fournir ses stations
service). Les stations service sont au nombre de n et on a m
d´epˆots. On a un seul produit.
cij : coˆut unitaire de transport entre un d´epˆot i et la station
service j
fi : coˆut fixe d’ouverture du d´epˆot i
si : capacit´e du d´epˆot i
dj : demande de la station service j (peut ˆetre satisfaite par
plusieurs d´epˆots)
Formulez un programme lin´eaire qui permet de minimiser les
coˆuts tout en respectant les contraintes.
211. N. Brauner 228
Application
M´elange de maximum 4 charbons (exo de D. de Wolf)
On m´elange des charbons dans un haut fourneau o`u ensuite, une
r´eaction `a haute temp´erature produit le coke. Il y a 8 charbons
disponibles. Ces charbons sont entr´es par des bandes porteuses
qui sont au nombre de 4 (au maximum 4 charbons diff´erents
dans le m´elange). Si un charbon est dans le m´elange, il doit
l’ˆetre `a hauteur de minimum 5%. On exige que la teneur du
m´elange en Silicium soit d’au plus 1,8 %. Le tableau suivant
reprend les prix et teneur en Si des charbons.
Charbon Prix Teneur Si
Charbon 1 12 2 %
Charbon 2 14 2,5 %
Charbon 3 17 1 %
Charbon 4 10 5 %
Charbon Prix Teneur Si
Charbon 5 13 1 %
Charbon 6 9 5 %
Charbon 7 15 2 %
Charbon 8 11 1,5 %
On veut d´eterminer un m´elange qui est de coˆut minimum.
212. N. Brauner 229
Application
Dimensionnement de lots (DLS)
Une demande journali`ere dt sur un horizon T
Coˆut de production pt(x) = ft + atx
Coˆut de stockage unitaire ht (par jour par unit´e)
Quel plan de production choisir pour minimiser les coˆuts ?
1 Comment d´ecrire une solution ?
2 Comment d´ecrire une solution r´ealisable ?
214. N. Brauner 231
Application
Dimensionnement de lots (DLS)
Une demande journali`ere dt sur un horizon T
Coˆut de production pt(x) = ft + atx
Coˆut de stockage unitaire ht (par jour par unit´e)
Quel plan de production choisir pour minimiser les coˆuts ?
215. N. Brauner 232
Application
Dimensionnement de lots (DLS)
Mod´elisation du coˆut de production, non lin´eaire
x
f
p(x) = f + ax
Variables de d´ecision
yt ∈ {0, 1} indicatrice des instants de production
yt ≡ 1 ssi xt 0, et 0 sinon
Comment traduire le lien entre y et x ?
217. N. Brauner 234
Pr´esentation des outils Mod`eles L’environnement Donn´ees Application
Plan
21 Pr´esentation des outils
22 Mod`eles
23 L’environnement
24 Donn´ees
25 Application
218. N. Brauner 235
Pr´esentation des outils Mod`eles L’environnement Donn´ees Application
Plan
21 Pr´esentation des outils
22 Mod`eles
23 L’environnement
24 Donn´ees
25 Application
219. N. Brauner 236
Pr´esentation des outils Mod`eles L’environnement Donn´ees Application
Modeleur et solveur
min cx
s.c. Ax = b
l ≤ x ≤ u
solveur
mod`ele
dvar a[] ;
. . .
donn´ees
brutes
(BD, GUI. . . )
output
(BD, GUI
tableur)
e
ee
¡
¡¡
modeleur
c
T
T
E
l, u
c, A, b
x, cx
a[]
Solveurs : CPLEX, LPSolve, XPRESS, MINOS, Gurobi. . .
Langages de mod´elisation : GAMS (pionnier), OPL, AMPL,
AIMMS. . .
220. N. Brauner 237
Pr´esentation des outils Mod`eles L’environnement Donn´ees Application
Le langage de mod´elisation OPL
OPL = Optimization Programming Language
Langage pour les probl`emes d’optimisation
Supporte des mod`eles de programmation math´ematiques pour
contraintes ou objectifs lin´eaires ou quadratiques
variables enti`eres ou r´eelles
Typage avanc´e pour l’organisation des donn´ees
Se connecte `a SGBDR ou tableur
Script pour r´ecup´erer des donn´ees et r´esolutions it´eratives
221. N. Brauner 238
Pr´esentation des outils Mod`eles L’environnement Donn´ees Application
L’environnement de d´eveloppement
IDE : Integrated Development Environment
Organiser des projets
Saisir des donn´ees et des mod`eles OPL
Visualiser les donn´ees et les solutions
Contrˆoler l’optimisation
+ outils pour le debuggage et aide en ligne
222. N. Brauner 239
Pr´esentation des outils Mod`eles L’environnement Donn´ees Application
Int´egrer un mod`ele dans une application
D´evelopper un mod`ele OPL avec OPL IDE
(mod`ele et donn´ees s´epar´es)
Compiler dans OPL IDE
´Ecrire code dans langage pr´ef´er´e pour
g´en´erer dynamiquement le fichier de donn´ees
lire le mod`ele et les donn´ees
r´esoudre le probl`eme
r´ecup´erer la solution
(C++, MS.net, Java, ASP.net, JSP)
223. N. Brauner 240
Pr´esentation des outils Mod`eles L’environnement Donn´ees Application
Plan
21 Pr´esentation des outils
22 Mod`eles
23 L’environnement
24 Donn´ees
25 Application
224. N. Brauner 241
Pr´esentation des outils Mod`eles L’environnement Donn´ees Application
D´evelopper un mod`ele simple
On souhaite produire des confitures de rhubarbe et de fraise
Un pot de rhubarbe n´ecessite 1kg de rhubarbe et 3kg de sucre
et rapporte (marge) 3 euros
Un pot de fraise n´ecessite 2kg de fraise et 2kg de sucre et
rapporte (marge) 5 euros
Les quantit´es disponibles sont 4kg de rhubarbe, 12kg de fraise
et 18kg de sucre.
max 3xr + 5xf
s.c. xr ≤ 4
2xf ≤ 12
3xr + 2xf ≤ 18
xr , xf ≥ 0
225. N. Brauner 242
Pr´esentation des outils Mod`eles L’environnement Donn´ees Application
D´evelopper un mod`ele simple
max 3xr + 5xf
s.c. xr ≤ 4
2xf ≤ 12
3xr + 2xf ≤ 18
xr , xf ≥ 0
Cr´eation du projet “Confitures” puis, description du mod`ele
Les variables de d´ecision
La fonction objectif
Les contraintes
dvar float+ xr ;
maximize 3*xr + 5*xf;
subject to {
CSucre: 3*xr + 2*xf = 18;
}
226. N. Brauner 243
Pr´esentation des outils Mod`eles L’environnement Donn´ees Application
D´evelopper un mod`ele simple
L’´editeur
Commentaires en vert
Mots cl´es en bleu
227. N. Brauner 244
Pr´esentation des outils Mod`eles L’environnement Donn´ees Application
R´esoudre un mod`ele simple
Lancer la r´esolution et visualiser la solution
Notification
Console
Problem Browser
228. N. Brauner 245
Pr´esentation des outils Mod`eles L’environnement Donn´ees Application
Plan
21 Pr´esentation des outils
22 Mod`eles
23 L’environnement
24 Donn´ees
25 Application
229. N. Brauner 246
Pr´esentation des outils Mod`eles L’environnement Donn´ees Application
L’environnement
Output
Issues
Console
Solutions
Conflicts and Relaxations
Engine Log
Engine Statistics
Profiler
230. N. Brauner 247
Pr´esentation des outils Mod`eles L’environnement Donn´ees Application
L’environnement
Barres d’outils
Projets (configurations)
Model Outline
231. N. Brauner 248
Pr´esentation des outils Mod`eles L’environnement Donn´ees Application
L’aide
Menu Aide
noter l’aide sur un mot cl´e
(keyword help)
Sommaire de l’aide
232. N. Brauner 249
Pr´esentation des outils Mod`eles L’environnement Donn´ees Application
Plan
21 Pr´esentation des outils
22 Mod`eles
23 L’environnement
24 Donn´ees
25 Application
233. N. Brauner 250
Pr´esentation des outils Mod`eles L’environnement Donn´ees Application
S´eparation du mod`ele et des donn´ees
Dans l’exercice confiture, s´eparer les donn´ees du mod`ele
D´eclaration des donn´ees dans le fichier mod`ele
Produits {string} Produits =
{rhubarbe, fraise, sucre} ;
Pots {string} Pots =
{ConfRhubarbe, ConfFraise};
Profit int Profit[Pots] = [3, 5];
Besoin int Besoin[Pots][Produits] =
[[1, 0, 3],[0, 2, 2]] ;
Quantit´es dispo. int Dispo[Produits] = [4, 12, 18] ;
234. N. Brauner 251
Pr´esentation des outils Mod`eles L’environnement Donn´ees Application
S´eparation du mod`ele et des donn´ees
D´eclaration des contraintes
constraint cap[Produits] ;
D´eclaration des variables de d´ecision
dvar float+ x[Pots] ;
Objectif : maximiser le profit
maximize sum(po in Pots) Profit[po]*x[po] ;
Contraintes : respecter les quantit´es disponibles
subject to{
forall (pr in Produits)
cap[pr]: sum(po in Pots)
Besoin[po][pr]*x[po] = Dispo[pr] ;
}
235. N. Brauner 252
Pr´esentation des outils Mod`eles L’environnement Donn´ees Application
S´eparation du mod`ele et des donn´ees
Dans l’exercice confiture, saisir les donn´ees dans un fichier .dat
D´eclaration des donn´ees dans un fichier .dat
Produits = {rhubarbe, fraise, sucre} ;
Pots = {ConfRhubarbe, ConfFraise};
Besoin = [
ConfRhubarbe:[1, 0, 3],
ConfFraise:[0, 2, 2]
] ;
Profit = [3, 5];
Dispo = [4, 12, 18] ;
236. N. Brauner 253
Pr´esentation des outils Mod`eles L’environnement Donn´ees Application
S´eparation du mod`ele et des donn´ees
D´eclaration de donn´ees externes dans un mod`ele
{string} Produits = ... ;
{string} Pots = ...;
int Besoin[Pots][Produits] = ...;
int Profit[Pots] = ...;
int Dispo[Produits] = ...;
Ajouter le fichier de donn´es au projet
Ajouter le fichier de donn´ees `a la configuration
237. N. Brauner 254
Pr´esentation des outils Mod`eles L’environnement Donn´ees Application
Debuggage
Outils de debuggage des mod`eles :
D´ecrire des contraintes avec donn´ees
Tracer l’ex´ecution
Utiliser le graphique de Engine Statistics
Mettre en pause pour voir solution courante
238. N. Brauner 255
Pr´esentation des outils Mod`eles L’environnement Donn´ees Application
Plan
21 Pr´esentation des outils
22 Mod`eles
23 L’environnement
24 Donn´ees
25 Application
239. N. Brauner 256
Pr´esentation des outils Mod`eles L’environnement Donn´ees Application
Production de moteurs d’avions
Production de deux composantes (A et B) d’un moteur d’avion.
Notification des besoins pour les trois prochains mois.
avril mai juin
A 1000 3000 5000
B 1000 500 3000
capacit´es
machine (h) hommes (h) stock (m3)
avril 400 300 10 000
mai 500 300 10 000
juin 600 300 10 000
capacit´es
machine (h/unit´e) homme (h/unit´e) stock (m3/unit´e)
A 0.10 0.05 2
B 0.08 0.07 3
240. N. Brauner 257
Pr´esentation des outils Mod`eles L’environnement Donn´ees Application
Production de moteurs d’avions
Production de deux composantes (A et B) d’un moteur d’avion.
coˆuts de production : 20 par unit´es de A et 10 par unit´es de B
coˆut de stockage : 1,5% de la valeur
horaire mensuel de base : 225
coˆut de l’heure suppl´ementaire de travail : 10
stock fin mars : 500 A et 200 B
stock minimum impos´e fin juin : 400 A et 200 B
Trouver un plan de production des trois prochain mois qui
minimise les coˆuts.
Proposer une mod´elisation math´ematique de ce probl`eme
241. N. Brauner 258
Pr´esentation des outils Mod`eles L’environnement Donn´ees Application
Production de moteurs d’avions
Variables
production : x[produit, mois]
stock : s[produit, mois]
heures suppl´ementaires I[mois]
Objectif : production + stock + heures suppl´ementaires
Contraintes
d´efinition du stock
stock minimum fin juin
capacit´es des machines
capacit´es des hommes
capacit´es des stocks
d´efinition des heures suppl´ementaires
242. N. Brauner 259
Pr´esentation des outils Mod`eles L’environnement Donn´ees Application
Production de moteurs d’avions
Mod´eliser ce probl`eme avec OPL et le r´esoudre avec CPLEX
Solution fractionnaire : coˆut 224724.2857
Mars Avril Mai Juin
Produit A - 500 3000 5400
Produit B - 2857,14 1214,29 428,671
Stock A 500 0 0 400
Stock B 200 2057,14 2771,43 200
Heures supp 0 10 75
243. N. Brauner 260
Pr´esentation des outils Mod`eles L’environnement Donn´ees Application
Production de moteurs d’avions
Solution enti`ere : coˆut 224724.5
Mars Avril Mai Juin
Produit A - 500 3000 5400
Produit B - 2858 1214 428
Stock A 500 0 0 400
Stock B 200 2058 2772 200
Heures supp 0.06 9.98 74.96
Heures supp ent 1 10 75
244. N. Brauner 261
Pr´esentation des outils Mod`eles L’environnement Donn´ees Application
Production de moteurs d’avions
Programme lin´eaire avec 15 variables et 20 contraintes
2 produits
3 mois
1 type de machines
1 type d’hommes
1 type de stockage
245. N. Brauner 262
Pr´esentation des outils Mod`eles L’environnement Donn´ees Application
Pour aller plus loin
Donn´ees dans Excel
Ilog script
Application VB
Web appli et Java
AMPL : un autre langage de mod´elisation
http://www.ampl.com
247. N. Brauner 264
Formulation In´egalit´e valide Algorithme de plan s´ecant
Plan
26 Formulation
27 In´egalit´e valide
28 Algorithme de plan s´ecant
248. N. Brauner 265
Formulation In´egalit´e valide Algorithme de plan s´ecant
Plan
26 Formulation
27 In´egalit´e valide
28 Algorithme de plan s´ecant
249. N. Brauner 266
Formulation In´egalit´e valide Algorithme de plan s´ecant
Remplissage de Boite (bin packing)
Un ensemble de n objets de hauteur hi
A ranger dans des boˆıtes de hauteur H
Minimiser le nombre de boˆıtes utilis´ees
Formulation P en PLNE
xij ≡ 1 si i est rang´e dans la boˆıte j
yj ≡ 1 si la boˆıte j est utilis´ee
min
j∈N
yj
j xij = 1 ∀i ∈ N
i hi xij ≤ Hyj ∀j ∈ N
yj , xij ∈ {0, 1} ∀i, j ∈ N
250. N. Brauner 267
Formulation In´egalit´e valide Algorithme de plan s´ecant
Remplissage de Boite (bin packing)
´Enorm´ement de sym´etries sont pr´esentes
Si l’optimum utilise 3 boˆıtes, autant prendre les 3 premi`eres !
Quelle contrainte ajouter ?
251. N. Brauner 268
Formulation In´egalit´e valide Algorithme de plan s´ecant
R´esolution des 2 formulations
Le premier PLNE est une formulation du BinPacking
Ajouter les contraintes de sym´etries, n’est-ce pas redondant ?
Essayons de r´esoudre l’instance
15 objets `a ranger dans des boˆıtes de hauteur H = 20
hauteurs 6 7 8 9 10 en trois exemplaires chacun
(tr`es) petit exemple
Quelle est la solution optimale ?
252. N. Brauner 269
Formulation In´egalit´e valide Algorithme de plan s´ecant
R´esolution des 2 formulations
15 objets `a ranger dans des boˆıtes de hauteur H = 20
hauteurs 3× 6 7 8 9 10
R´esolution sous OPL
Formulation I
(Cuts off)
temps 3h
nœuds 35 millions
Formulation II
(Cuts off)
temps 129s
nœuds 500000
Formulation I
(Cuts on)
temps 3s
nœuds 2000