SlideShare une entreprise Scribd logo

Cours de recherche operationnelle I s6

•
•
Jamal Yasser
Jamal Yasser

Cours de recherche operationnelle I www.learneconomie.blogspot.com

Formation
1  sur  345
Télécharger pour lire hors ligne
Cours de recherche op´erationnelle I Nadia Brauner Nadia.Brauner@imag.fr Grenoble, 2015-2016 1
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 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 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 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
La recherche op´erationnelle
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
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
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
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
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
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
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
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.
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
N. Brauner 16 La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences Recherche Op´erationnelle Algorithme Glouton pour le TSP
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
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 ?
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/
N. Brauner 20 La Recherche Op´erationnelle Applications Outils La RO en France R´ef´erences Recherche Op´erationnelle le 15 octobre 2012 :
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".
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 ?
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 ?
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)
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)
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
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
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
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
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. . .
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. . .
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
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
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
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/
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...
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
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
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
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
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 ...
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 ...
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...
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
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
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
http://www.roadef.org/
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
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.
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/
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/
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
Programmation lin´eaire
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
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...
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
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
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
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 4x5y=10 4x5y=18 4x5y=22 4x5y=25
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...)
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...
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 !
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
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 ?
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
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)
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}
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
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
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
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
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
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
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)
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
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.
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)...
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
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
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
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}
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
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
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
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.
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
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
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
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
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 ?
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
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
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
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
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)
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
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
Dualit´e N. Brauner 120
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
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
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
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
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
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
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
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
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
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
N. Brauner 136 Illustration ´economique Comment prouver l’optimalit´e ? ´Ecrire le dual Propri´et´es Comment prouver l’optimalit´e ? max z = x1 + x2 4x1 + 5x2 ≤ 20 ×y1 2x1 + x2 ≤ 6 ×y2 x2 ≤ 2 ×y3 (4y1 + 2y2)x1 + (5y1 + y2 + y3)x2 ≤ 20y1 + 6y2 + 2y3 ↑ y1, y2, y3 ≥ 0 Finalement, min 20y1 + 6y2 + 2y3 (borne sup minimale) s.c. (borner terme `a terme l’objectif) 4y1 + 2y2 ≥ 1 5y1 + y2 + y3 ≥ 1 yi ≥ 0
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
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
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
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
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
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
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 ?
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
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 ?
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
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
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
Excel et analyse post-optimale
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
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
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
N. Brauner 159 Solveur d’Excel Analyse post-optimale D´ecoupe de rouleaux Utilisation du solveur d’Excel Formules
N. Brauner 160 Solveur d’Excel Analyse post-optimale D´ecoupe de rouleaux Utilisation du solveur d’Excel Param´etrage du solveur
N. Brauner 161 Solveur d’Excel Analyse post-optimale D´ecoupe de rouleaux Utilisation du solveur d’Excel Options du solveur
N. Brauner 162 Solveur d’Excel Analyse post-optimale D´ecoupe de rouleaux Utilisation du solveur d’Excel R´esultat
N. Brauner 163 Solveur d’Excel Analyse post-optimale D´ecoupe de rouleaux Utilisation du solveur d’Excel Rapport de r´eponse
N. Brauner 164 Solveur d’Excel Analyse post-optimale D´ecoupe de rouleaux Utilisation du solveur d’Excel Rapport de sensibilit´e
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
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
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
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
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
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
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 ?
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
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
N. Brauner 174 Solveur d’Excel Analyse post-optimale D´ecoupe de rouleaux L’analyse de sensibilit´e dans Excel
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
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
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 ?
Programmation lin´eaire en nombres entiers
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
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
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)
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
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
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
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
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 :
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
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
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
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
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
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
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
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.
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
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
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
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
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
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}
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}
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
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
N. Brauner 204 Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound Illustration graphique X
N. Brauner 205 Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound Illustration graphique P X
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 ?
N. Brauner 207 Probl`emes classiques Techniques de mod´elisation Relaxation lin´eaire Branch Bound Illustration graphique de la relaxation P X
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
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 !
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
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
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
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
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.
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
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
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
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
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
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
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
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
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
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
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
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
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.
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.
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 ?
N. Brauner 230 Application Dimensionnement de lots (DLS) 1 2 3 4 5 6 7 8 production stock demande
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 ?
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 ?
Utiliser un solveur via un modeleur OPL 5.1 et Cplex N. Brauner 233
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
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
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. . .
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
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
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)
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
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
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; }
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
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
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
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
N. Brauner 247 Pr´esentation des outils Mod`eles L’environnement Donn´ees Application L’environnement Barres d’outils Projets (configurations) Model Outline
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
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
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] ;
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] ; }
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] ;
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
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
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
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
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
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
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
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
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
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
Formulations et coupes
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
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
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
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 ?
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 ?
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
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6
Cours de recherche operationnelle I s6

Recommandé

Fiscalité des entreprises .pdf
Fiscalité des entreprises .pdfFiscalité des entreprises .pdf
Fiscalité des entreprises .pdfInstagramteam2
 
L’environnement du commerce international
L’environnement du commerce internationalL’environnement du commerce international
L’environnement du commerce internationalKarl Miville de Chene EMBA PACI
 
Exercices corrigés recherche opérationnelle par www.coursdefsjes.com
Exercices corrigés recherche opérationnelle par www.coursdefsjes.comExercices corrigés recherche opérationnelle par www.coursdefsjes.com
Exercices corrigés recherche opérationnelle par www.coursdefsjes.comcours fsjes
 
Comptabilité analytique avec exercices corrigés - www.coursdefsjes.com
Comptabilité analytique avec exercices corrigés - www.coursdefsjes.comComptabilité analytique avec exercices corrigés - www.coursdefsjes.com
Comptabilité analytique avec exercices corrigés - www.coursdefsjes.comcours fsjes
 
Diode & Diode Zener : Exercices Corrigés
Diode & Diode Zener : Exercices CorrigésDiode & Diode Zener : Exercices Corrigés
Diode & Diode Zener : Exercices CorrigésRAMZI EL IDRISSI
 
Comptabilite generale exercices et corriges 1
Comptabilite generale exercices et corriges 1Comptabilite generale exercices et corriges 1
Comptabilite generale exercices et corriges 1Tanger Outlets
 
Cours+ gestion-budgétaire
Cours+ gestion-budgétaireCours+ gestion-budgétaire
Cours+ gestion-budgétaireghita ghaytouta
 
Exercices corrigés-sur-convertisseurs-statiques-2-bac-science-d ingénieur
Exercices corrigés-sur-convertisseurs-statiques-2-bac-science-d ingénieurExercices corrigés-sur-convertisseurs-statiques-2-bac-science-d ingénieur
Exercices corrigés-sur-convertisseurs-statiques-2-bac-science-d ingénieurzahir99
 

Recommandé

Fiscalité des entreprises .pdf
Fiscalité des entreprises .pdfFiscalité des entreprises .pdf
Fiscalité des entreprises .pdfInstagramteam2
 
L’environnement du commerce international
L’environnement du commerce internationalL’environnement du commerce international
L’environnement du commerce internationalKarl Miville de Chene EMBA PACI
 
Exercices corrigés recherche opérationnelle par www.coursdefsjes.com
Exercices corrigés recherche opérationnelle par www.coursdefsjes.comExercices corrigés recherche opérationnelle par www.coursdefsjes.com
Exercices corrigés recherche opérationnelle par www.coursdefsjes.comcours fsjes
 
Comptabilité analytique avec exercices corrigés - www.coursdefsjes.com
Comptabilité analytique avec exercices corrigés - www.coursdefsjes.comComptabilité analytique avec exercices corrigés - www.coursdefsjes.com
Comptabilité analytique avec exercices corrigés - www.coursdefsjes.comcours fsjes
 
Diode & Diode Zener : Exercices Corrigés
Diode & Diode Zener : Exercices CorrigésDiode & Diode Zener : Exercices Corrigés
Diode & Diode Zener : Exercices CorrigésRAMZI EL IDRISSI
 
Comptabilite generale exercices et corriges 1
Comptabilite generale exercices et corriges 1Comptabilite generale exercices et corriges 1
Comptabilite generale exercices et corriges 1Tanger Outlets
 
Cours+ gestion-budgétaire
Cours+ gestion-budgétaireCours+ gestion-budgétaire
Cours+ gestion-budgétaireghita ghaytouta
 
Exercices corrigés-sur-convertisseurs-statiques-2-bac-science-d ingénieur
Exercices corrigés-sur-convertisseurs-statiques-2-bac-science-d ingénieurExercices corrigés-sur-convertisseurs-statiques-2-bac-science-d ingénieur
Exercices corrigés-sur-convertisseurs-statiques-2-bac-science-d ingénieurzahir99
 
S1 mq i - statistique descriptive i - résumés des chapitres
S1 mq i - statistique descriptive i - résumés des chapitresS1 mq i - statistique descriptive i - résumés des chapitres
S1 mq i - statistique descriptive i - résumés des chapitresAbdeslam ELMOUDEN
 
Langage vhdl
Langage vhdlLangage vhdl
Langage vhdlPeronnin Eric
 
Diodes
DiodesDiodes
DiodesPeronnin Eric
 
Comptabilité générale s1
Comptabilité générale s1Comptabilité générale s1
Comptabilité générale s1Abdel Hakim
 
Serie4
Serie4Serie4
Serie4hassan1488
 
Exercices corrigés Compta S2
Exercices corrigés Compta S2Exercices corrigés Compta S2
Exercices corrigés Compta S2Cours Fsjest
 
Exercices gestion financière et choix d’investissement en avenir certain
Exercices gestion financière et choix d’investissement en avenir certain Exercices gestion financière et choix d’investissement en avenir certain
Exercices gestion financière et choix d’investissement en avenir certain Lotfi TALEB, ESSECT
 
Comptabilite generale (cours+exercices corriges)
Comptabilite generale (cours+exercices corriges)Comptabilite generale (cours+exercices corriges)
Comptabilite generale (cours+exercices corriges)Taha Can
 
RECHERCHE OPERATIONNELLE S5 WWW.COURS-ECONOMIE.COM
RECHERCHE OPERATIONNELLE S5 WWW.COURS-ECONOMIE.COMRECHERCHE OPERATIONNELLE S5 WWW.COURS-ECONOMIE.COM
RECHERCHE OPERATIONNELLE S5 WWW.COURS-ECONOMIE.COMjamal yasser
 
Cours economie industriel
Cours economie industriel Cours economie industriel
Cours economie industriel Jamal Yasser
 
GP Chapitre 2 : Les méthodes de prévision
GP Chapitre 2 : Les méthodes de prévision GP Chapitre 2 : Les méthodes de prévision
GP Chapitre 2 : Les méthodes de prévision ibtissam el hassani
 
Cours gestion financière S5 Economie et Gestion
Cours gestion financière S5 Economie et GestionCours gestion financière S5 Economie et Gestion
Cours gestion financière S5 Economie et GestionAbdo attar
 
Fiscalité d'E/se résumé
Fiscalité d'E/se résumé Fiscalité d'E/se résumé
Fiscalité d'E/se résumé Mike Saya Kukwi's
 
Cours : Le droit commercial Marocain
Cours : Le droit commercial Marocain Cours : Le droit commercial Marocain
Cours : Le droit commercial Marocain Sami Oublal
 
1150
11501150
1150ssuser5ac13b1
 
recherche operationnelle
recherche operationnelle recherche operationnelle
recherche operationnelle mohamednacim
 
Mtp management des organisations ista
Mtp management des organisations istaMtp management des organisations ista
Mtp management des organisations istamahmoud achrit
 
Exercices corrigés-de-la-comptabilité-analytique-faculté-pluridisciplinaire-n...
Exercices corrigés-de-la-comptabilité-analytique-faculté-pluridisciplinaire-n...Exercices corrigés-de-la-comptabilité-analytique-faculté-pluridisciplinaire-n...
Exercices corrigés-de-la-comptabilité-analytique-faculté-pluridisciplinaire-n...amin lord
 
Recueil dexercices-corriges-de-microeconomie
Recueil dexercices-corriges-de-microeconomieRecueil dexercices-corriges-de-microeconomie
Recueil dexercices-corriges-de-microeconomiehassan1488
 
la comptabilité générale Exercices de journale balance et grand livre
la comptabilité générale Exercices de journale balance et grand livrela comptabilité générale Exercices de journale balance et grand livre
la comptabilité générale Exercices de journale balance et grand livresemmah el
 
Rechrches operationnele exam 2016 +corr
Rechrches operationnele exam 2016 +corrRechrches operationnele exam 2016 +corr
Rechrches operationnele exam 2016 +corrjamal yasser
 
Examen controle de gestion s6
Examen controle de gestion s6Examen controle de gestion s6
Examen controle de gestion s6Jamal Yasser
 

Contenu connexe

Tendances

S1 mq i - statistique descriptive i - résumés des chapitres
S1 mq i - statistique descriptive i - résumés des chapitresS1 mq i - statistique descriptive i - résumés des chapitres
S1 mq i - statistique descriptive i - résumés des chapitresAbdeslam ELMOUDEN
 
Comptabilité générale s1
Comptabilité générale s1Comptabilité générale s1
Comptabilité générale s1Abdel Hakim
 
Exercices corrigés Compta S2
Exercices corrigés Compta S2Exercices corrigés Compta S2
Exercices corrigés Compta S2Cours Fsjest
 
Exercices gestion financière et choix d’investissement en avenir certain
Exercices gestion financière et choix d’investissement en avenir certain Exercices gestion financière et choix d’investissement en avenir certain
Exercices gestion financière et choix d’investissement en avenir certain Lotfi TALEB, ESSECT
 
Comptabilite generale (cours+exercices corriges)
Comptabilite generale (cours+exercices corriges)Comptabilite generale (cours+exercices corriges)
Comptabilite generale (cours+exercices corriges)Taha Can
 
RECHERCHE OPERATIONNELLE S5 WWW.COURS-ECONOMIE.COM
RECHERCHE OPERATIONNELLE S5 WWW.COURS-ECONOMIE.COMRECHERCHE OPERATIONNELLE S5 WWW.COURS-ECONOMIE.COM
RECHERCHE OPERATIONNELLE S5 WWW.COURS-ECONOMIE.COMjamal yasser
 
Cours economie industriel
Cours economie industriel Cours economie industriel
Cours economie industriel Jamal Yasser
 
GP Chapitre 2 : Les méthodes de prévision
GP Chapitre 2 : Les méthodes de prévision GP Chapitre 2 : Les méthodes de prévision
GP Chapitre 2 : Les méthodes de prévision ibtissam el hassani
 
Cours gestion financière S5 Economie et Gestion
Cours gestion financière S5 Economie et GestionCours gestion financière S5 Economie et Gestion
Cours gestion financière S5 Economie et GestionAbdo attar
 
Cours : Le droit commercial Marocain
Cours : Le droit commercial Marocain Cours : Le droit commercial Marocain
Cours : Le droit commercial Marocain Sami Oublal
 
recherche operationnelle
recherche operationnelle recherche operationnelle
recherche operationnelle mohamednacim
 
Mtp management des organisations ista
Mtp management des organisations istaMtp management des organisations ista
Mtp management des organisations istamahmoud achrit
 
Exercices corrigés-de-la-comptabilité-analytique-faculté-pluridisciplinaire-n...
Exercices corrigés-de-la-comptabilité-analytique-faculté-pluridisciplinaire-n...Exercices corrigés-de-la-comptabilité-analytique-faculté-pluridisciplinaire-n...
Exercices corrigés-de-la-comptabilité-analytique-faculté-pluridisciplinaire-n...amin lord
 
Recueil dexercices-corriges-de-microeconomie
Recueil dexercices-corriges-de-microeconomieRecueil dexercices-corriges-de-microeconomie
Recueil dexercices-corriges-de-microeconomiehassan1488
 
la comptabilité générale Exercices de journale balance et grand livre
la comptabilité générale Exercices de journale balance et grand livrela comptabilité générale Exercices de journale balance et grand livre
la comptabilité générale Exercices de journale balance et grand livresemmah el
 

Tendances (20)

S1 mq i - statistique descriptive i - résumés des chapitres
S1 mq i - statistique descriptive i - résumés des chapitresS1 mq i - statistique descriptive i - résumés des chapitres
S1 mq i - statistique descriptive i - résumés des chapitres
 
Langage vhdl
Langage vhdlLangage vhdl
Langage vhdl
 
Diodes
DiodesDiodes
Diodes
 
Comptabilité générale s1
Comptabilité générale s1Comptabilité générale s1
Comptabilité générale s1
 
Serie4
Serie4Serie4
Serie4
 
Exercices corrigés Compta S2
Exercices corrigés Compta S2Exercices corrigés Compta S2
Exercices corrigés Compta S2
 
Exercices gestion financière et choix d’investissement en avenir certain
Exercices gestion financière et choix d’investissement en avenir certain Exercices gestion financière et choix d’investissement en avenir certain
Exercices gestion financière et choix d’investissement en avenir certain
 
Comptabilite generale (cours+exercices corriges)
Comptabilite generale (cours+exercices corriges)Comptabilite generale (cours+exercices corriges)
Comptabilite generale (cours+exercices corriges)
 
RECHERCHE OPERATIONNELLE S5 WWW.COURS-ECONOMIE.COM
RECHERCHE OPERATIONNELLE S5 WWW.COURS-ECONOMIE.COMRECHERCHE OPERATIONNELLE S5 WWW.COURS-ECONOMIE.COM
RECHERCHE OPERATIONNELLE S5 WWW.COURS-ECONOMIE.COM
 
Cours economie industriel
Cours economie industriel Cours economie industriel
Cours economie industriel
 
GP Chapitre 2 : Les méthodes de prévision
GP Chapitre 2 : Les méthodes de prévision GP Chapitre 2 : Les méthodes de prévision
GP Chapitre 2 : Les méthodes de prévision
 
Cours gestion financière S5 Economie et Gestion
Cours gestion financière S5 Economie et GestionCours gestion financière S5 Economie et Gestion
Cours gestion financière S5 Economie et Gestion
 
Fiscalité d'E/se résumé
Fiscalité d'E/se résumé Fiscalité d'E/se résumé
Fiscalité d'E/se résumé
 
Cours : Le droit commercial Marocain
Cours : Le droit commercial Marocain Cours : Le droit commercial Marocain
Cours : Le droit commercial Marocain
 
1150
11501150
1150
 
recherche operationnelle
recherche operationnelle recherche operationnelle
recherche operationnelle
 
Mtp management des organisations ista
Mtp management des organisations istaMtp management des organisations ista
Mtp management des organisations ista
 
Exercices corrigés-de-la-comptabilité-analytique-faculté-pluridisciplinaire-n...
Exercices corrigés-de-la-comptabilité-analytique-faculté-pluridisciplinaire-n...Exercices corrigés-de-la-comptabilité-analytique-faculté-pluridisciplinaire-n...
Exercices corrigés-de-la-comptabilité-analytique-faculté-pluridisciplinaire-n...
 
Recueil dexercices-corriges-de-microeconomie
Recueil dexercices-corriges-de-microeconomieRecueil dexercices-corriges-de-microeconomie
Recueil dexercices-corriges-de-microeconomie
 
la comptabilité générale Exercices de journale balance et grand livre
la comptabilité générale Exercices de journale balance et grand livrela comptabilité générale Exercices de journale balance et grand livre
la comptabilité générale Exercices de journale balance et grand livre
 

En vedette

Rechrches operationnele exam 2016 +corr
Rechrches operationnele exam 2016 +corrRechrches operationnele exam 2016 +corr
Rechrches operationnele exam 2016 +corrjamal yasser
 
Examen controle de gestion s6
Examen controle de gestion s6Examen controle de gestion s6
Examen controle de gestion s6Jamal Yasser
 
Economie monetaire s3 [learneconomie.blogspot.com]]
Economie monetaire s3 [learneconomie.blogspot.com]]Economie monetaire s3 [learneconomie.blogspot.com]]
Economie monetaire s3 [learneconomie.blogspot.com]]Jamal Yasser
 
Exercices et corriges des travaux dirigés de comptabilité générale 2 [learnec...
Exercices et corriges des travaux dirigés de comptabilité générale 2 [learnec...Exercices et corriges des travaux dirigés de comptabilité générale 2 [learnec...
Exercices et corriges des travaux dirigés de comptabilité générale 2 [learnec...Jamal Yasser
 
Cour de comptabilité de société +td
Cour de comptabilité de société +tdCour de comptabilité de société +td
Cour de comptabilité de société +tdJamal Yasser
 
Exercices corrige macroeconomie s2 de bien[learneconomie.blogspot.com]
Exercices corrige macroeconomie s2 de bien[learneconomie.blogspot.com]Exercices corrige macroeconomie s2 de bien[learneconomie.blogspot.com]
Exercices corrige macroeconomie s2 de bien[learneconomie.blogspot.com]Jamal Yasser
 
séries 1 Recherche Operationnelle sur www.coursdefsjes.com
séries 1 Recherche Operationnelle sur www.coursdefsjes.com séries 1 Recherche Operationnelle sur www.coursdefsjes.com
séries 1 Recherche Operationnelle sur www.coursdefsjes.comcours fsjes
 
Problèmes économiques et sociaux intro[learneconomie.blogspot.com.com]
Problèmes économiques et sociaux intro[learneconomie.blogspot.com.com]Problèmes économiques et sociaux intro[learneconomie.blogspot.com.com]
Problèmes économiques et sociaux intro[learneconomie.blogspot.com.com]Jamal Yasser
 
Droit commercial semestre4
Droit commercial semestre4Droit commercial semestre4
Droit commercial semestre4Jamal Yasser
 
Le controle budgétaire
Le controle budgétaireLe controle budgétaire
Le controle budgétaireJamal Yasser
 
Problèmes économiques et sociaux 3/3[learneconomie.blogspot.com]
Problèmes économiques et sociaux 3/3[learneconomie.blogspot.com]Problèmes économiques et sociaux 3/3[learneconomie.blogspot.com]
Problèmes économiques et sociaux 3/3[learneconomie.blogspot.com]Jamal Yasser
 
Problèmes économiques et sociaux 2/3[learneconomie.blogspot.com.com]
Problèmes économiques et sociaux 2/3[learneconomie.blogspot.com.com]Problèmes économiques et sociaux 2/3[learneconomie.blogspot.com.com]
Problèmes économiques et sociaux 2/3[learneconomie.blogspot.com.com]Jamal Yasser
 
Comptabilité générale s2_provisions
Comptabilité générale s2_provisionsComptabilité générale s2_provisions
Comptabilité générale s2_provisionsJamal Yasser
 
Comptabilité générale s2_régularisations[LEARNECONOMIE.BLOGSPOT.COM]
Comptabilité générale s2_régularisations[LEARNECONOMIE.BLOGSPOT.COM]Comptabilité générale s2_régularisations[LEARNECONOMIE.BLOGSPOT.COM]
Comptabilité générale s2_régularisations[LEARNECONOMIE.BLOGSPOT.COM]Jamal Yasser
 
Exercices mathématiques financières semestre 2
Exercices mathématiques financières semestre 2Exercices mathématiques financières semestre 2
Exercices mathématiques financières semestre 2Jamal Yasser
 
Examen de terminologie s2 2015 [learneconomie.blogspot.com]
Examen de terminologie s2 2015 [learneconomie.blogspot.com]Examen de terminologie s2 2015 [learneconomie.blogspot.com]
Examen de terminologie s2 2015 [learneconomie.blogspot.com]Jamal Yasser
 
Cours des réductions financières et commerciales semestre1
Cours des réductions financières et commerciales semestre1Cours des réductions financières et commerciales semestre1
Cours des réductions financières et commerciales semestre1Jamal Yasser
 
Cour excel informatique de gestion semestre4
Cour excel informatique de gestion semestre4Cour excel informatique de gestion semestre4
Cour excel informatique de gestion semestre4Jamal Yasser
 
Cours de l histoire de la pensée economique s5
Cours de l histoire de la pensée economique s5Cours de l histoire de la pensée economique s5
Cours de l histoire de la pensée economique s5Jamal Yasser
 

En vedette (20)

Rechrches operationnele exam 2016 +corr
Rechrches operationnele exam 2016 +corrRechrches operationnele exam 2016 +corr
Rechrches operationnele exam 2016 +corr
 
Examen controle de gestion s6
Examen controle de gestion s6Examen controle de gestion s6
Examen controle de gestion s6
 
Economie monetaire s3 [learneconomie.blogspot.com]]
Economie monetaire s3 [learneconomie.blogspot.com]]Economie monetaire s3 [learneconomie.blogspot.com]]
Economie monetaire s3 [learneconomie.blogspot.com]]
 
Exercices et corriges des travaux dirigés de comptabilité générale 2 [learnec...
Exercices et corriges des travaux dirigés de comptabilité générale 2 [learnec...Exercices et corriges des travaux dirigés de comptabilité générale 2 [learnec...
Exercices et corriges des travaux dirigés de comptabilité générale 2 [learnec...
 
Cour de comptabilité de société +td
Cour de comptabilité de société +tdCour de comptabilité de société +td
Cour de comptabilité de société +td
 
Exercices corrige macroeconomie s2 de bien[learneconomie.blogspot.com]
Exercices corrige macroeconomie s2 de bien[learneconomie.blogspot.com]Exercices corrige macroeconomie s2 de bien[learneconomie.blogspot.com]
Exercices corrige macroeconomie s2 de bien[learneconomie.blogspot.com]
 
Cours
CoursCours
Cours
 
séries 1 Recherche Operationnelle sur www.coursdefsjes.com
séries 1 Recherche Operationnelle sur www.coursdefsjes.com séries 1 Recherche Operationnelle sur www.coursdefsjes.com
séries 1 Recherche Operationnelle sur www.coursdefsjes.com
 
Problèmes économiques et sociaux intro[learneconomie.blogspot.com.com]
Problèmes économiques et sociaux intro[learneconomie.blogspot.com.com]Problèmes économiques et sociaux intro[learneconomie.blogspot.com.com]
Problèmes économiques et sociaux intro[learneconomie.blogspot.com.com]
 
Droit commercial semestre4
Droit commercial semestre4Droit commercial semestre4
Droit commercial semestre4
 
Le controle budgétaire
Le controle budgétaireLe controle budgétaire
Le controle budgétaire
 
Problèmes économiques et sociaux 3/3[learneconomie.blogspot.com]
Problèmes économiques et sociaux 3/3[learneconomie.blogspot.com]Problèmes économiques et sociaux 3/3[learneconomie.blogspot.com]
Problèmes économiques et sociaux 3/3[learneconomie.blogspot.com]
 
Problèmes économiques et sociaux 2/3[learneconomie.blogspot.com.com]
Problèmes économiques et sociaux 2/3[learneconomie.blogspot.com.com]Problèmes économiques et sociaux 2/3[learneconomie.blogspot.com.com]
Problèmes économiques et sociaux 2/3[learneconomie.blogspot.com.com]
 
Comptabilité générale s2_provisions
Comptabilité générale s2_provisionsComptabilité générale s2_provisions
Comptabilité générale s2_provisions
 
Comptabilité générale s2_régularisations[LEARNECONOMIE.BLOGSPOT.COM]
Comptabilité générale s2_régularisations[LEARNECONOMIE.BLOGSPOT.COM]Comptabilité générale s2_régularisations[LEARNECONOMIE.BLOGSPOT.COM]
Comptabilité générale s2_régularisations[LEARNECONOMIE.BLOGSPOT.COM]
 
Exercices mathématiques financières semestre 2
Exercices mathématiques financières semestre 2Exercices mathématiques financières semestre 2
Exercices mathématiques financières semestre 2
 
Examen de terminologie s2 2015 [learneconomie.blogspot.com]
Examen de terminologie s2 2015 [learneconomie.blogspot.com]Examen de terminologie s2 2015 [learneconomie.blogspot.com]
Examen de terminologie s2 2015 [learneconomie.blogspot.com]
 
Cours des réductions financières et commerciales semestre1
Cours des réductions financières et commerciales semestre1Cours des réductions financières et commerciales semestre1
Cours des réductions financières et commerciales semestre1
 
Cour excel informatique de gestion semestre4
Cour excel informatique de gestion semestre4Cour excel informatique de gestion semestre4
Cour excel informatique de gestion semestre4
 
Cours de l histoire de la pensée economique s5
Cours de l histoire de la pensée economique s5Cours de l histoire de la pensée economique s5
Cours de l histoire de la pensée economique s5
 

Similaire à Cours de recherche operationnelle I s6

Habilitation to conduct research (Habilitation à diriger des recherches)
Habilitation to conduct research (Habilitation à diriger des recherches)Habilitation to conduct research (Habilitation à diriger des recherches)
Habilitation to conduct research (Habilitation à diriger des recherches)Ana Roxin
 
Etude du secteur des prestataires FLOSS en Belgique
Etude du secteur des prestataires FLOSS en BelgiqueEtude du secteur des prestataires FLOSS en Belgique
Etude du secteur des prestataires FLOSS en BelgiqueRobert Viseur
 
Seminaire Recherche UPPA 2016
Seminaire Recherche UPPA 2016Seminaire Recherche UPPA 2016
Seminaire Recherche UPPA 2016Gilles Hubert
 
Fascicule mémoiresienac09 ihm11
Fascicule mémoiresienac09 ihm11Fascicule mémoiresienac09 ihm11
Fascicule mémoiresienac09 ihm11uvohucyz
 
Le télétravail et son influence sur l'organisation du travail en France
Le télétravail et son influence sur l'organisation du travail en FranceLe télétravail et son influence sur l'organisation du travail en France
Le télétravail et son influence sur l'organisation du travail en FrancePatrick CUENOT
 
Remanufacturing ern gscop etude marketing actena
Remanufacturing ern gscop etude marketing actenaRemanufacturing ern gscop etude marketing actena
Remanufacturing ern gscop etude marketing actenaCCI Alsace Eurométropole
 
Cv zhao qiyi
Cv zhao qiyiCv zhao qiyi
Cv zhao qiyiQiyi Zhao
 
CV JOUSEAU Eric (FR)
CV JOUSEAU Eric (FR)CV JOUSEAU Eric (FR)
CV JOUSEAU Eric (FR)Eric Jouseau
 
Ouvrir les données météorologiques pour la recherche - OpenMeteoData - confér...
Ouvrir les données météorologiques pour la recherche - OpenMeteoData - confér...Ouvrir les données météorologiques pour la recherche - OpenMeteoData - confér...
Ouvrir les données météorologiques pour la recherche - OpenMeteoData - confér...Nicolas Baldeck
 
CV Vincent Fetzer - Ingénieur matériaux
CV Vincent Fetzer - Ingénieur matériauxCV Vincent Fetzer - Ingénieur matériaux
CV Vincent Fetzer - Ingénieur matériauxVincent Fetzer
 
Modélisation de la qualité de l'air
Modélisation de la qualité de l'airModélisation de la qualité de l'air
Modélisation de la qualité de l'airPEXE
 
Mathématiques appliquées UCLouvain
Mathématiques appliquées UCLouvainMathématiques appliquées UCLouvain
Mathématiques appliquées UCLouvainUCLouvain / MAP
 
Le chercheur peut-il se fier aux volumétries indiquées par les moteurs de rec...
Le chercheur peut-il se fier aux volumétries indiquées par les moteurs de rec...Le chercheur peut-il se fier aux volumétries indiquées par les moteurs de rec...
Le chercheur peut-il se fier aux volumétries indiquées par les moteurs de rec...Robert Viseur
 
Cv apprentissage 2
Cv apprentissage 2Cv apprentissage 2
Cv apprentissage 2maximeDUPRAT
 
Les professeurs de Télécom ParisTech / Faculty booklet
Les professeurs de Télécom ParisTech / Faculty bookletLes professeurs de Télécom ParisTech / Faculty booklet
Les professeurs de Télécom ParisTech / Faculty bookletTélécom Paris
 
La programmation par contraintes avec Choco3 (Java)
La programmation par contraintes avec Choco3 (Java)La programmation par contraintes avec Choco3 (Java)
La programmation par contraintes avec Choco3 (Java)Aline Figoureux
 

Similaire à Cours de recherche operationnelle I s6 (20)

Habilitation to conduct research (Habilitation à diriger des recherches)
Habilitation to conduct research (Habilitation à diriger des recherches)Habilitation to conduct research (Habilitation à diriger des recherches)
Habilitation to conduct research (Habilitation à diriger des recherches)
 
Etude du secteur des prestataires FLOSS en Belgique
Etude du secteur des prestataires FLOSS en BelgiqueEtude du secteur des prestataires FLOSS en Belgique
Etude du secteur des prestataires FLOSS en Belgique
 
Seminaire Recherche UPPA 2016
Seminaire Recherche UPPA 2016Seminaire Recherche UPPA 2016
Seminaire Recherche UPPA 2016
 
Fascicule mémoiresienac09 ihm11
Fascicule mémoiresienac09 ihm11Fascicule mémoiresienac09 ihm11
Fascicule mémoiresienac09 ihm11
 
Business Case SENSY.pptx
Business Case SENSY.pptxBusiness Case SENSY.pptx
Business Case SENSY.pptx
 
Le télétravail et son influence sur l'organisation du travail en France
Le télétravail et son influence sur l'organisation du travail en FranceLe télétravail et son influence sur l'organisation du travail en France
Le télétravail et son influence sur l'organisation du travail en France
 
Remanufacturing ern gscop etude marketing actena
Remanufacturing ern gscop etude marketing actenaRemanufacturing ern gscop etude marketing actena
Remanufacturing ern gscop etude marketing actena
 
Cv zhao qiyi
Cv zhao qiyiCv zhao qiyi
Cv zhao qiyi
 
CV JOUSEAU Eric (FR)
CV JOUSEAU Eric (FR)CV JOUSEAU Eric (FR)
CV JOUSEAU Eric (FR)
 
Ouvrir les données météorologiques pour la recherche - OpenMeteoData - confér...
Ouvrir les données météorologiques pour la recherche - OpenMeteoData - confér...Ouvrir les données météorologiques pour la recherche - OpenMeteoData - confér...
Ouvrir les données météorologiques pour la recherche - OpenMeteoData - confér...
 
CV Vincent Fetzer - Ingénieur matériaux
CV Vincent Fetzer - Ingénieur matériauxCV Vincent Fetzer - Ingénieur matériaux
CV Vincent Fetzer - Ingénieur matériaux
 
Modélisation de la qualité de l'air
Modélisation de la qualité de l'airModélisation de la qualité de l'air
Modélisation de la qualité de l'air
 
Deltamu 2016
Deltamu 2016Deltamu 2016
Deltamu 2016
 
Mathématiques appliquées UCLouvain
Mathématiques appliquées UCLouvainMathématiques appliquées UCLouvain
Mathématiques appliquées UCLouvain
 
Le chercheur peut-il se fier aux volumétries indiquées par les moteurs de rec...
Le chercheur peut-il se fier aux volumétries indiquées par les moteurs de rec...Le chercheur peut-il se fier aux volumétries indiquées par les moteurs de rec...
Le chercheur peut-il se fier aux volumétries indiquées par les moteurs de rec...
 
PréSentation Projet Syke
PréSentation Projet SykePréSentation Projet Syke
PréSentation Projet Syke
 
Cv apprentissage 2
Cv apprentissage 2Cv apprentissage 2
Cv apprentissage 2
 
Les professeurs de Télécom ParisTech / Faculty booklet
Les professeurs de Télécom ParisTech / Faculty bookletLes professeurs de Télécom ParisTech / Faculty booklet
Les professeurs de Télécom ParisTech / Faculty booklet
 
CV JMOgier - ULR(1)
CV JMOgier - ULR(1)CV JMOgier - ULR(1)
CV JMOgier - ULR(1)
 
La programmation par contraintes avec Choco3 (Java)
La programmation par contraintes avec Choco3 (Java)La programmation par contraintes avec Choco3 (Java)
La programmation par contraintes avec Choco3 (Java)
 

Plus de Jamal Yasser

Exame bac 2016 learneconomie.blogspot.com
Exame bac 2016 learneconomie.blogspot.comExame bac 2016 learneconomie.blogspot.com
Exame bac 2016 learneconomie.blogspot.comJamal Yasser
 
Stratégie industrielles-de-amahmoud www.learneconomie.blogspot.com
Stratégie industrielles-de-amahmoud www.learneconomie.blogspot.comStratégie industrielles-de-amahmoud www.learneconomie.blogspot.com
Stratégie industrielles-de-amahmoud www.learneconomie.blogspot.comJamal Yasser
 
exrcices informatique de gestion
exrcices informatique de gestionexrcices informatique de gestion
exrcices informatique de gestionJamal Yasser
 
Examen audit taleb guelmim s6
Examen audit taleb guelmim s6Examen audit taleb guelmim s6
Examen audit taleb guelmim s6Jamal Yasser
 
R esume economie monetaire s4
R esume economie monetaire s4R esume economie monetaire s4
R esume economie monetaire s4Jamal Yasser
 
Droit commerciale s44
Droit commerciale s44 Droit commerciale s44
Droit commerciale s44 Jamal Yasser
 
Exercices d analyse financière s4
Exercices d analyse financière s4 Exercices d analyse financière s4
Exercices d analyse financière s4 Jamal Yasser
 
Exercice compta s22
Exercice compta s22Exercice compta s22
Exercice compta s22Jamal Yasser
 
Exam termenologie s2 2015
Exam termenologie s2 2015Exam termenologie s2 2015
Exam termenologie s2 2015Jamal Yasser
 
Politique monetaire s4 2016
Politique monetaire s4 2016Politique monetaire s4 2016
Politique monetaire s4 2016Jamal Yasser
 
Microeconomie s1 [www.learneconomie.blogspot.com]
Microeconomie s1 [www.learneconomie.blogspot.com]Microeconomie s1 [www.learneconomie.blogspot.com]
Microeconomie s1 [www.learneconomie.blogspot.com]Jamal Yasser
 
Finances publiques-maroc
Finances publiques-marocFinances publiques-maroc
Finances publiques-marocJamal Yasser
 
Exercices de la Comptabilité des Sociétés s4
Exercices de la Comptabilité des Sociétés s4Exercices de la Comptabilité des Sociétés s4
Exercices de la Comptabilité des Sociétés s4Jamal Yasser
 
Examens Droit Commercial et des Sociétés s4 2014/2015
Examens Droit Commercial et des Sociétés s4 2014/2015Examens Droit Commercial et des Sociétés s4 2014/2015
Examens Droit Commercial et des Sociétés s4 2014/2015Jamal Yasser
 
Relation mathematiques de mathematiques financieres s2 2016
Relation mathematiques de mathematiques financieres s2 2016Relation mathematiques de mathematiques financieres s2 2016
Relation mathematiques de mathematiques financieres s2 2016Jamal Yasser
 
Examen microéconomie 2 se forme du qcm très importante pour s2
Examen microéconomie 2 se forme du qcm très importante pour s2Examen microéconomie 2 se forme du qcm très importante pour s2
Examen microéconomie 2 se forme du qcm très importante pour s2Jamal Yasser
 
Resume proba s2 2016
Resume proba s2 2016Resume proba s2 2016
Resume proba s2 2016Jamal Yasser
 

Plus de Jamal Yasser (20)

Exame bac 2016 learneconomie.blogspot.com
Exame bac 2016 learneconomie.blogspot.comExame bac 2016 learneconomie.blogspot.com
Exame bac 2016 learneconomie.blogspot.com
 
Stratégie industrielles-de-amahmoud www.learneconomie.blogspot.com
Stratégie industrielles-de-amahmoud www.learneconomie.blogspot.comStratégie industrielles-de-amahmoud www.learneconomie.blogspot.com
Stratégie industrielles-de-amahmoud www.learneconomie.blogspot.com
 
exrcices informatique de gestion
exrcices informatique de gestionexrcices informatique de gestion
exrcices informatique de gestion
 
Examen audit taleb guelmim s6
Examen audit taleb guelmim s6Examen audit taleb guelmim s6
Examen audit taleb guelmim s6
 
Exercice 7
Exercice 7Exercice 7
Exercice 7
 
R esume economie monetaire s4
R esume economie monetaire s4R esume economie monetaire s4
R esume economie monetaire s4
 
Droit commerciale s44
Droit commerciale s44 Droit commerciale s44
Droit commerciale s44
 
Qcm audit s6
Qcm audit s6Qcm audit s6
Qcm audit s6
 
Exercices d analyse financière s4
Exercices d analyse financière s4 Exercices d analyse financière s4
Exercices d analyse financière s4
 
Exercice compta s22
Exercice compta s22Exercice compta s22
Exercice compta s22
 
Exam termenologie s2 2015
Exam termenologie s2 2015Exam termenologie s2 2015
Exam termenologie s2 2015
 
Resume audit 2016
Resume audit 2016Resume audit 2016
Resume audit 2016
 
Politique monetaire s4 2016
Politique monetaire s4 2016Politique monetaire s4 2016
Politique monetaire s4 2016
 
Microeconomie s1 [www.learneconomie.blogspot.com]
Microeconomie s1 [www.learneconomie.blogspot.com]Microeconomie s1 [www.learneconomie.blogspot.com]
Microeconomie s1 [www.learneconomie.blogspot.com]
 
Finances publiques-maroc
Finances publiques-marocFinances publiques-maroc
Finances publiques-maroc
 
Exercices de la Comptabilité des Sociétés s4
Exercices de la Comptabilité des Sociétés s4Exercices de la Comptabilité des Sociétés s4
Exercices de la Comptabilité des Sociétés s4
 
Examens Droit Commercial et des Sociétés s4 2014/2015
Examens Droit Commercial et des Sociétés s4 2014/2015Examens Droit Commercial et des Sociétés s4 2014/2015
Examens Droit Commercial et des Sociétés s4 2014/2015
 
Relation mathematiques de mathematiques financieres s2 2016
Relation mathematiques de mathematiques financieres s2 2016Relation mathematiques de mathematiques financieres s2 2016
Relation mathematiques de mathematiques financieres s2 2016
 
Examen microéconomie 2 se forme du qcm très importante pour s2
Examen microéconomie 2 se forme du qcm très importante pour s2Examen microéconomie 2 se forme du qcm très importante pour s2
Examen microéconomie 2 se forme du qcm très importante pour s2
 
Resume proba s2 2016
Resume proba s2 2016Resume proba s2 2016
Resume proba s2 2016
 

Dernier

Fondation Louis Vuitton. pptx
Fondation Louis Vuitton. pptxFondation Louis Vuitton. pptx
Fondation Louis Vuitton. pptxTxaruka
 
Principe de fonctionnement d'un moteur 4 temps
Principe de fonctionnement d'un moteur 4 tempsPrincipe de fonctionnement d'un moteur 4 temps
Principe de fonctionnement d'un moteur 4 tempsRajiAbdelghani
 
SciencesPo_Aix_InnovationPédagogique_Bilan.pdf
SciencesPo_Aix_InnovationPédagogique_Bilan.pdfSciencesPo_Aix_InnovationPédagogique_Bilan.pdf
SciencesPo_Aix_InnovationPédagogique_Bilan.pdfSKennel
 
le present des verbes reguliers -er.pptx
le present des verbes reguliers -er.pptxle present des verbes reguliers -er.pptx
le present des verbes reguliers -er.pptxmmatar2
 
Le Lean sur une ligne de production : Formation et mise en application directe
Le Lean sur une ligne de production : Formation et mise en application directeLe Lean sur une ligne de production : Formation et mise en application directe
Le Lean sur une ligne de production : Formation et mise en application directeXL Groupe
 
Presentation de la plateforme Moodle - avril 2024
Presentation de la plateforme Moodle - avril 2024Presentation de la plateforme Moodle - avril 2024
Presentation de la plateforme Moodle - avril 2024Gilles Le Page
 
systeme expert_systeme expert_systeme expert
systeme expert_systeme expert_systeme expertsysteme expert_systeme expert_systeme expert
systeme expert_systeme expert_systeme expertChristianMbip
 
Formation M2i - Comprendre les neurosciences pour développer son leadership
Formation M2i - Comprendre les neurosciences pour développer son leadershipFormation M2i - Comprendre les neurosciences pour développer son leadership
Formation M2i - Comprendre les neurosciences pour développer son leadershipM2i Formation
 
Cours SE Gestion des périphériques - IG IPSET
Cours SE Gestion des périphériques - IG IPSETCours SE Gestion des périphériques - IG IPSET
Cours SE Gestion des périphériques - IG IPSETMedBechir
 
SciencesPo_Aix_InnovationPédagogique_Conférence_SK.pdf
SciencesPo_Aix_InnovationPédagogique_Conférence_SK.pdfSciencesPo_Aix_InnovationPédagogique_Conférence_SK.pdf
SciencesPo_Aix_InnovationPédagogique_Conférence_SK.pdfSKennel
 
SciencesPo_Aix_InnovationPédagogique_Atelier_EtudiantActeur.pdf
SciencesPo_Aix_InnovationPédagogique_Atelier_EtudiantActeur.pdfSciencesPo_Aix_InnovationPédagogique_Atelier_EtudiantActeur.pdf
SciencesPo_Aix_InnovationPédagogique_Atelier_EtudiantActeur.pdfSKennel
 
Evaluation du systeme d'Education. Marocpptx
Evaluation du systeme d'Education. MarocpptxEvaluation du systeme d'Education. Marocpptx
Evaluation du systeme d'Education. MarocpptxAsmaa105193
 
LA MONTÉE DE L'ÉDUCATION DANS LE MONDE DE LA PRÉHISTOIRE À L'ÈRE CONTEMPORAIN...
LA MONTÉE DE L'ÉDUCATION DANS LE MONDE DE LA PRÉHISTOIRE À L'ÈRE CONTEMPORAIN...LA MONTÉE DE L'ÉDUCATION DANS LE MONDE DE LA PRÉHISTOIRE À L'ÈRE CONTEMPORAIN...
LA MONTÉE DE L'ÉDUCATION DANS LE MONDE DE LA PRÉHISTOIRE À L'ÈRE CONTEMPORAIN...Faga1939
 
Saint Georges, martyr, et la lègend du dragon.pptx
Saint Georges, martyr, et la lègend du dragon.pptxSaint Georges, martyr, et la lègend du dragon.pptx
Saint Georges, martyr, et la lègend du dragon.pptxMartin M Flynn
 
Annie Ernaux Extérieurs. pptx. Exposition basée sur un livre .
Annie Ernaux Extérieurs. pptx. Exposition basée sur un livre .Annie Ernaux Extérieurs. pptx. Exposition basée sur un livre .
Annie Ernaux Extérieurs. pptx. Exposition basée sur un livre .Txaruka
 
Présentation_ Didactique 1_SVT (S4) complet.pptx
Présentation_ Didactique 1_SVT (S4) complet.pptxPrésentation_ Didactique 1_SVT (S4) complet.pptx
Présentation_ Didactique 1_SVT (S4) complet.pptxrababouerdighi
 
SciencesPo_Aix_InnovationPédagogique_Atelier_FormationRecherche.pdf
SciencesPo_Aix_InnovationPédagogique_Atelier_FormationRecherche.pdfSciencesPo_Aix_InnovationPédagogique_Atelier_FormationRecherche.pdf
SciencesPo_Aix_InnovationPédagogique_Atelier_FormationRecherche.pdfSKennel
 
Zotero avancé - support de formation doctorants SHS 2024
Zotero avancé - support de formation doctorants SHS 2024Zotero avancé - support de formation doctorants SHS 2024
Zotero avancé - support de formation doctorants SHS 2024Alain Marois
 

Dernier (20)

Fondation Louis Vuitton. pptx
Fondation Louis Vuitton. pptxFondation Louis Vuitton. pptx
Fondation Louis Vuitton. pptx
 
Principe de fonctionnement d'un moteur 4 temps
Principe de fonctionnement d'un moteur 4 tempsPrincipe de fonctionnement d'un moteur 4 temps
Principe de fonctionnement d'un moteur 4 temps
 
SciencesPo_Aix_InnovationPédagogique_Bilan.pdf
SciencesPo_Aix_InnovationPédagogique_Bilan.pdfSciencesPo_Aix_InnovationPédagogique_Bilan.pdf
SciencesPo_Aix_InnovationPédagogique_Bilan.pdf
 
le present des verbes reguliers -er.pptx
le present des verbes reguliers -er.pptxle present des verbes reguliers -er.pptx
le present des verbes reguliers -er.pptx
 
Le Lean sur une ligne de production : Formation et mise en application directe
Le Lean sur une ligne de production : Formation et mise en application directeLe Lean sur une ligne de production : Formation et mise en application directe
Le Lean sur une ligne de production : Formation et mise en application directe
 
Presentation de la plateforme Moodle - avril 2024
Presentation de la plateforme Moodle - avril 2024Presentation de la plateforme Moodle - avril 2024
Presentation de la plateforme Moodle - avril 2024
 
systeme expert_systeme expert_systeme expert
systeme expert_systeme expert_systeme expertsysteme expert_systeme expert_systeme expert
systeme expert_systeme expert_systeme expert
 
Formation M2i - Comprendre les neurosciences pour développer son leadership
Formation M2i - Comprendre les neurosciences pour développer son leadershipFormation M2i - Comprendre les neurosciences pour développer son leadership
Formation M2i - Comprendre les neurosciences pour développer son leadership
 
Cours SE Gestion des périphériques - IG IPSET
Cours SE Gestion des périphériques - IG IPSETCours SE Gestion des périphériques - IG IPSET
Cours SE Gestion des périphériques - IG IPSET
 
SciencesPo_Aix_InnovationPédagogique_Conférence_SK.pdf
SciencesPo_Aix_InnovationPédagogique_Conférence_SK.pdfSciencesPo_Aix_InnovationPédagogique_Conférence_SK.pdf
SciencesPo_Aix_InnovationPédagogique_Conférence_SK.pdf
 
SciencesPo_Aix_InnovationPédagogique_Atelier_EtudiantActeur.pdf
SciencesPo_Aix_InnovationPédagogique_Atelier_EtudiantActeur.pdfSciencesPo_Aix_InnovationPédagogique_Atelier_EtudiantActeur.pdf
SciencesPo_Aix_InnovationPédagogique_Atelier_EtudiantActeur.pdf
 
Evaluation du systeme d'Education. Marocpptx
Evaluation du systeme d'Education. MarocpptxEvaluation du systeme d'Education. Marocpptx
Evaluation du systeme d'Education. Marocpptx
 
LA MONTÉE DE L'ÉDUCATION DANS LE MONDE DE LA PRÉHISTOIRE À L'ÈRE CONTEMPORAIN...
LA MONTÉE DE L'ÉDUCATION DANS LE MONDE DE LA PRÉHISTOIRE À L'ÈRE CONTEMPORAIN...LA MONTÉE DE L'ÉDUCATION DANS LE MONDE DE LA PRÉHISTOIRE À L'ÈRE CONTEMPORAIN...
LA MONTÉE DE L'ÉDUCATION DANS LE MONDE DE LA PRÉHISTOIRE À L'ÈRE CONTEMPORAIN...
 
Saint Georges, martyr, et la lègend du dragon.pptx
Saint Georges, martyr, et la lègend du dragon.pptxSaint Georges, martyr, et la lègend du dragon.pptx
Saint Georges, martyr, et la lègend du dragon.pptx
 
Annie Ernaux Extérieurs. pptx. Exposition basée sur un livre .
Annie Ernaux Extérieurs. pptx. Exposition basée sur un livre .Annie Ernaux Extérieurs. pptx. Exposition basée sur un livre .
Annie Ernaux Extérieurs. pptx. Exposition basée sur un livre .
 
Présentation_ Didactique 1_SVT (S4) complet.pptx
Présentation_ Didactique 1_SVT (S4) complet.pptxPrésentation_ Didactique 1_SVT (S4) complet.pptx
Présentation_ Didactique 1_SVT (S4) complet.pptx
 
Pâques de Sainte Marie-Euphrasie Pelletier
Pâques de Sainte Marie-Euphrasie PelletierPâques de Sainte Marie-Euphrasie Pelletier
Pâques de Sainte Marie-Euphrasie Pelletier
 
SciencesPo_Aix_InnovationPédagogique_Atelier_FormationRecherche.pdf
SciencesPo_Aix_InnovationPédagogique_Atelier_FormationRecherche.pdfSciencesPo_Aix_InnovationPédagogique_Atelier_FormationRecherche.pdf
SciencesPo_Aix_InnovationPédagogique_Atelier_FormationRecherche.pdf
 
Zotero avancé - support de formation doctorants SHS 2024
Zotero avancé - support de formation doctorants SHS 2024Zotero avancé - support de formation doctorants SHS 2024
Zotero avancé - support de formation doctorants SHS 2024
 
DO PALÁCIO À ASSEMBLEIA .
DO PALÁCIO À ASSEMBLEIA .DO PALÁCIO À ASSEMBLEIA .
DO PALÁCIO À ASSEMBLEIA .
 

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 4x5y=10 4x5y=18 4x5y=22 4x5y=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
  • 125. N. Brauner 136 Illustration ´economique Comment prouver l’optimalit´e ? ´Ecrire le dual Propri´et´es Comment prouver l’optimalit´e ? max z = x1 + x2 4x1 + 5x2 ≤ 20 ×y1 2x1 + x2 ≤ 6 ×y2 x2 ≤ 2 ×y3 (4y1 + 2y2)x1 + (5y1 + y2 + y3)x2 ≤ 20y1 + 6y2 + 2y3 ↑ y1, y2, y3 ≥ 0 Finalement, min 20y1 + 6y2 + 2y3 (borne sup minimale) s.c. (borner terme `a terme l’objectif) 4y1 + 2y2 ≥ 1 5y1 + y2 + y3 ≥ 1 yi ≥ 0
  • 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
  • 138. Excel et analyse post-optimale
  • 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 ?
  • 161. Programmation lin´eaire en nombres entiers
  • 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 ?
  • 213. N. Brauner 230 Application Dimensionnement de lots (DLS) 1 2 3 4 5 6 7 8 production stock demande
  • 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 ?
  • 216. Utiliser un solveur via un modeleur OPL 5.1 et Cplex N. Brauner 233
  • 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