Recherche Oprérationnellle

Cours de recherche oprationnelle I e
Grenoble, 2008-2009
Nadia.Brauner@g-scop.inpg.fr 1
Auteurs
Ont particip ` la rdaction de ce cours (par ordre darrive) ea e e Nadia Brauner Christophe Rapine Julien Moncel Laurent Beaudou Ont aid, corrig, relu et donn des ides e e e e Gerd Finke Yann Kieer Van Dat Cung Ont donn les TD et propos des exercices e e Ayse Akbalik Sergei Lenglet
2
Formations ` Grenoble a
Formation initiale RO ` lUJF (L3 info, M1 Info, L3 Miage, PolytechRICM2) a Gestion de la production ` lUJF (M1 Miage) a Outils Formels et Graphes (PolytechRICM2) RO ` lENSIMAG (1A, 2A, LOSI) a RO ` lENSGI (1A, 2A, LOSI) a Master 2 Recherche Mathmatiques et Informatique, Option e Recherche Oprationnelle, Combinatoire et Optimisation e Formation continue Recherche oprationnelle (tous les ans, 4 jours) e Graphes et optimisation (tous les ans, 3 jours)
La recherche oprationnelle e
La Recherche Oprationnelle e
Applications
Mthodologie e
Outils
Rfrences ee
Plan
La Recherche Oprationnelle e Applications Mthodologie e Outils Rfrences ee
N. Brauner
Applications
Mthodologie e
Outils
Rfrences ee
Plan
N. Brauner
Applications
Mthodologie e
Outils
Rfrences ee
Recherche Oprationnelle ou Science de la Dcision e e

Dnitions e 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 Oprationnelle : approche scientique pour la rsolution e e de probl`mes de gestion de syst`mes complexes e e
N. Brauner 7
Applications
Mthodologie e
Outils
Rfrences ee
Recherche Oprationnelle e
Dnitions e Mthodes scientiques pour rsoudre des probl`mes e e e doptimisation lis aux organisations du monde rel e e Une discipline ` la croise des mathmatiques et de a e e linformatique
prolongement de lalgorithmique manipulant des structures plus labores : graphes, poly`dres... e e e domaine dapplication de la thorie de la complexit e e algorithmique
Une boite ` outils de mthodes, tant positives que ngatives, a e e pour aborder sainement et sereinement les probl`mes e doptimisation
N. Brauner
Applications
Mthodologie e
Outils
Rfrences ee
Plan
N. Brauner
Applications
Mthodologie e
Outils
Rfrences ee
Voyageur de commerce (TSP) Un voyageur de commerce, bas ` Toulon, doit visiter ses ea clients ` travers la France. a Il souhaite eectuer la tourne la plus courte possible. e
N. Brauner
10
Applications
Mthodologie e
Outils
Rfrences ee
Voyageur de commerce Instance : n villes avec une matrice de distances Solution : tourne visitant chaque ville et revenant ` Toulon e a
N. Brauner
11
Applications
Mthodologie e
Outils
Rfrences ee
Algorithme Glouton pour le TSP
N. Brauner
12
Applications
Mthodologie e
Outils
Rfrences ee
Applications Feuille de TD : Recherche oprationnelle, Introduction e Exercice 1 : Vente de tlphones portables ee Exercice 2 : Transport de lecteurs MP3
N. Brauner
13
Applications
Mthodologie e
Outils
Rfrences ee
Transport graphe biparti orient avec pondration e e quantit dune marchandise aux sommets e cots de transport, distance sur les arcs u trouver le meilleur plan de distribution ai iaP
a a a
iA
PPij c P
min
PPja q bj
cij xij xij

jB
ai bj 0
N. Brauner 14
xij xij
Applications
Mthodologie e
Outils
Rfrences ee
Applications Feuille de TD : Recherche oprationnelle, Introduction e Exercice 3 : Planication de projet
N. Brauner
15
Applications
Mthodologie e
Outils
Rfrences ee
Applications Plus court chemin Quel est le trajet le plus court entre Grenoble et Nice en voiture ?
N. Brauner
16
Applications
Mthodologie e
Outils
Rfrences ee
24h de RO 8h : optimisation de la rcolte et du dpt des dchets e e o e recyclables ... 15h : placement automatique des vhicules pour une e association de partage de voitures 16h : gestion des retards dans les transports publics pour minimiser limpact sur les passagers ...
http ://www.24hor.org/
N. Brauner
17
Applications
Mthodologie e
Outils
Rfrences ee
Domaines dapplication Conception, conguration et exploitation de syst`mes techniques complexes e (rseaux de communication, syst`mes dinformation) e e gestion de la cha logistique ne (transports, production, stocks. . . ) gestion stratgique dinvestissements e et aussi sant, instruction publique, voirie, e ramassage et distribution de courrier, production et transport dnergie, e tlcommunications, banques, assurances. . . ee
N. Brauner
18
Applications
Mthodologie e
Outils
Rfrences ee
Domaines dapplication Production : maximiser le prot selon disponibilit de la main e duvre, demande du march, capacit de production, prix de e e revient du matriau brut. . . e Transport : minimiser distance totale parcourue selon quantits de e matriaux ` transporter, capacit des transporteurs, points de e a e ravitaillement en carburant. . . grande importance dans le milieu industriel : production, transport, emploi du temps, nance. . .
N. Brauner
19
Applications
Mthodologie e
Outils
Rfrences ee
Plan
N. Brauner
20
Applications
Mthodologie e
Outils
Rfrences ee
Face ` un probl`me pratique de dcision a e e Aspects mathmatiques e
contraintes, objectifs, simplications
Modlisation e
graphes, programmation linaire, PPC... e
Analyse des mod`les et rsolution e e

tude de complexit : que peut-on esprer pour le temps de e e e rsolution imparti ? e mise au point dalgorithmes
Implmentation et analyse des rsultats e e

valider par rapport ` la demande a itrer avec le demandeur si ncessaire e e
Dploiement des solutions e

Intgration logicielle e
N. Brauner 21
Applications
Mthodologie e
Outils
Rfrences ee
Plan
N. Brauner
22
Applications
Mthodologie e
Outils
Rfrences ee
Programmation linaire e min le cot / max le prot u satisfaire la demande avec des ressources limites e quantits produites e min / max c1 x1 + c2 x2 . . . cn xn
a1 x1 + a2 x2 . . . an xn b1 a1 x1 + a2 x2 . . . an xn b1 x1 , x2 . . . xn 0
N. Brauner
23
Applications
Mthodologie e
Outils
Rfrences ee
Optimisation Combinatoire Trouver la meilleure solution parmi un nombre ni mais tr`s e grand de choix Un probl`me dOC se caractrise par : e e
La prsence de choix, ` faire parmi un ensemble ni e a dalternatives Une notion de cot, ou de gain, ou de perte u La ncessit de faire globalement les bons choix, de mani`re ` e e e a optimiser la valeur objective
exemples : emplois du temps. . . Combinatoire chiquier tronqu e e http ://mathsamodeler.ujf-grenoble.fr/LAVALISE/

N. Brauner 24
Applications
Mthodologie e
Outils
Rfrences ee
Graphes
sommet $ arte $$ e I
5
$ $$X
3
Valuation des artes = cots, temps, distance, capacits. . . e u e meilleur chemin de i ` j a meilleurs parcours
passant par chaque ville passant par chaque arte e
...
N. Brauner 25
Applications
Mthodologie e
Outils
Rfrences ee
Autre Files dattente Stochastique Simulation ` A linterface de Informatique : algorithmique Mathmatiques : modlisation e e Economie : gestion, stratgie e
N. Brauner
26
Applications
Mthodologie e
Outils
Rfrences ee
Plan
N. Brauner
27
Applications
Mthodologie e
Outils
Rfrences ee
Bibliographie
de Werra, D., Liebling, T.-M., and Heche, J.-F. Recherche Oprationnelle pour Ingnieurs, Tome 1. e e Presses Polytechniques et Universitaires Romandes, 2003. Sakarovitch, M. Optimisation Combinatoire, Graphes et Programmation Linaire. e Hermann, Enseignement des sciences, Paris, 1984. Sakarovitch, M. Optimisation Combinatoire, Programmation Discr`te. e Hermann, Enseignement des sciences, Paris, 1984. Wolsey, L. A. Integer Programming. Wiley-Interscience, 1998.
N. Brauner 28
Applications
Mthodologie e
Outils
Rfrences ee
Webographie
Cours La RO sur wikipedia http ://fr.wikipedia.org/ Poly de cours http ://www.g-scop.inpg.fr/~braunern/ Complments au cours e http ://www.g-scop.inpg.fr/~rapinec/ Vie de la RO en France Socit franaise de RO ee c http ://www.roadef.org Groupe de Recherche en RO du CNRS http ://www-poleia.lip6.fr/~fouilhoux/gdrro/ Sminaire de RO ` Grenoble e a http ://www.g-scop.inpg.fr/~moncelj/seminaire/
N. Brauner 29
Applications
Mthodologie e
Outils
Rfrences ee
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/ Probl`mes diciles e http ://www.nada.kth.se/~viggo/problemlist/
N. Brauner 30
Applications
Mthodologie e
Outils
Rfrences ee
Entreprises franaises c
Des entreprises franaises spcialises en RO c e e EURODECISION Conseil en optimisation des ressources et planication de la production, outils daide ` la dcision a e ILOG Optimization tools and engines, Visualization software components, Supply chain applications ARTELYS Solutions en optimisation Des entreprises grenobloises qui font de la RO Opti-time Equitime Alma
N. Brauner 31
Applications
Mthodologie e
Outils
Rfrences ee
Entreprises franaises c
Des entreprises franaises qui ont un ple R&D en RO c o Airfrance SNCF EDF/GDF France Telecom Bouygues Bouygues Telecom Amadeus
N. Brauner
32
Applications
Mthodologie e
Outils
Rfrences ee
En conclusion faire le mieux
cot min, meilleur prot, plus courte distance, le plus rapide. . . u
avec les ressources disponibles

temps machine, postes de travail, mmoire, ressource homme, e mati`re premi`re, camions. . . e e
N. Brauner
33
Programmation par contraintes
Programmation par contrainte
Modlisation e
Rsolution e
Plan
Modlisation e
Rsolution e
N. Brauner
35
Modlisation e
Rsolution e
Sudoku
Prcis de Sudoku, N. Jussien e
N. Brauner
36
Modlisation e
Rsolution e
Sudoku et PPC
Raisonnement par limination e
on ne cherche pas directement une valeur pour les variables mais plutt les valeurs qui peuvent tre prises par une o e variable : rduction du domaine e
Raisonnement local : contraintes considres indpendamment ee e

vrier choix cohrents : tests satisabilit e e e liminer valeurs impossibles : ltrage e
Transmission des dductions aux autres rgions e e

les contraintes communiquent et interagissent par lintermdiaire des variables, lorsque le domaine courant dune e variable change, toutes les contraintes dans lesquelles elles apparaissent sont rveilles : propagation e e
= principes au cur de la programmation par contraintes

N. Brauner 37
Modlisation e
Rsolution e
On se trouve o` ? u
Un probl`me, une solution : la solution est-elle une solution e du probl`me ? e
simulation, vrication e
Un probl`me : trouver une solution du probl`me e e

programmation par contrainte (CSP)
Un probl`me : trouver la meilleure solution du probl`me e e

programmation linaire e
N. Brauner
38
Modlisation e
Rsolution e
Un premier exemple
Domaine des variables x, y {0, 1 . . . 7} Contraintes x y =6 x +y =5 x >y
N. Brauner
39
Modlisation e
Rsolution e
La PPC, quest-ce que cest ?

Des ides en vrac e Outil informatique pour rsoudre des probl`mes combinatoires e e Minimise ltape de conception : modlisation facile, langage e e proche des concepts des utilisateurs Contraindre = maintenir dans les limites permet dliminer rapidement des solutions non ralisables e e Bien sparer modlisation et rsolution e e e Notion naturelle de contraintes :
aecter stages ` tudiants ae ranger des objets dans une boite planier le trac arien e tablir un menu quilibr et apptissant e e e e
N. Brauner
40
Modlisation e
Rsolution e
La PPC, quest-ce que cest ?

Dnition plus formelle e CSP : ensemble de probl`mes dnis par des contraintes et e e consistant ` chercher une solution les respectant a Rsolution dun CSP combinatoire : envisager tr`s grand e e nombre de combinaisons avant den trouver une qui satisfait toutes les contraintes Trop long introduire des raisonnements ou heuristiques pour rduire la combinatoire et orienter la recherche e Solveur de contraintes : on dcrit les contraintes et le solveur e prend en charge automatiquement la rsolution e inspir cours de Christine Solnon e http ://bat710.univ-lyon1.fr/~csolnon/
N. Brauner
41
Modlisation e
Rsolution e
Application de la PPC
inspir de Gilles Pesant e Modlisation de gestion de projet e Puzzle combinatoire Conception de matriel informatique e
vrication de circuits, connexions des couches de circuits e moins ecace que le code ddi, mais plus exible e e
Placement dobjets
placement des containers dans un port remplissage des containers
N. Brauner
42
Modlisation e
Rsolution e
Probl`mes de dcoupage e e
Minimiser les pertes lors de la dcoupe du papier, du verre, du e bois, du mtal, etc. e La performance dpend du contexte et de la dicult des e e contraintes Papier : facile donc la programmation linaire fonctionne bien e Pi`ces mtalliques : plus dicile donc utiliser la PPC e e Cuir et tissus : trop dicile seules les heuristiques fonctionnent
http://www.alma.fr
N. Brauner
43
Modlisation e
Rsolution e
Allocation despace
Portes pour les avions Quais pour les trains ou les bateaux
Allocation de frquences e
Trouver des frquences radio pour les cellulaires, les e communications radios, larme, etc. e
Ordonnancement de la production
Planier des tches sur des machines dans une usine a Plus important succ`s de la PPC e Librairies ddis ` lordonnancement (ex. ILOG Scheduler) e e a
Conception dhoraires acadmiques e

Planier lhoraire des cours ou des examens, en tenant compte des direntes ressources (tudiants, professeurs, locaux) e e
N. Brauner
44
Modlisation e
Rsolution e
Tourne de vhicules e e
Confection de routes sujet ` beaucoup de contraintes. a Librairies spcialises, contraintes ddies e e e e
Construction dhoraires de personnel

Aecter les gens ` des tches prcises a a e Sant, commerce de dtail, usine, etc. e e Permet de modliser les contraintes complexes e
http://www.equitime.org/
N. Brauner
45
Modlisation e
Rsolution e
Plan
Modlisation e
Rsolution e
N. Brauner
46
Modlisation e
Rsolution e
La programmation par contraintes

Objectif Trouver une solution ralisable e Qui respecte des contraintes faciles ` vrier a e
Formules mathmatiques simples, tableaux de valeurs possibles e
Avec des ensembles de valeurs possibles pour les variables de dcision e
N. Brauner
47
Modlisation e
Rsolution e
Domaines
Dnition e X1 , X2 . . . Xn les variables de dcision e Domaine La variable Xi doit prendre ses valeurs dans le domaine Di discret ni ou inni
N. Brauner
48
Modlisation e
Rsolution e
Domaines
Exercice Sont-ce des domaines ? {1, 2, 3, 4} Lensemble des entiers naturels. Lensemble des rels e Les entiers naturels impairs Lintervalle [1, 1] Les points ` coordonnes enti`res du plan a e e
N. Brauner
49
Modlisation e
Rsolution e
Contraintes
Cest quoi ? Variables Domaines Contraintes
Une contrainte restreint les valeurs que lon peut aecter simultanment ` des variables e a Exemples : 2x + 3y = 12 3x 2 =3 AB C x = 3y (ABC ) forme un triangle isoc`le e x, y , z distincts deux ` deux a
N. Brauner
50
Modlisation e
Rsolution e
Contraintes
Dclaration dune contrainte e
2 types de dclaration : e extension : on num`re les valeurs admises e e

(x = 1 et y = 2) ou (x = 2 et y = 4) ou (x = 3 et y = 0)
intension : on utilise les signes mathmatiques connus e

x <y
N. Brauner
51
Modlisation e
Rsolution e
Contraintes
Caractristiques des contraintes e Relationnelle : non dirige comme une fonction qui dnit e e la valeur dune variable en fonction des autres variables x 2y = z permet
de dterminer z si x et y sont connues e mais aussi x si y et z sont connues et y si x et z sont connues
dclarative : spcie la relation entre les variables, sans donner e e de procdure pour assurer/vrier cette relation e e x 2y = z, on ne soccupe pas de donner un algorithme permettant de rsoudre cette quation e e ordre des contraintes non signicatif
N. Brauner 52
Modlisation e
Rsolution e
Contraintes
Arit dune contrainte : le nombre de variables dans la contrainte e unaire : arit = 1 e x x = 4 ou est-un-triangle(y ) binaire : arit = 2 e x = y ou A B = A ternaire : arit = 3 e x + y < 3 z 4 ou (non x) ou y ou z = vrai n-aire : arit = n e Si n est le nombre de variables : contrainte globale toutesDirentes(E ), e o` E est un ensemble de variables u
N. Brauner 53
Modlisation e
Rsolution e
Contraintes
Exemples supplmentaires e Contraintes logiques
Si x = 4 alors y = 5 x = y ou x = 2y
Contraintes globales
Toutes les variables sont direntes e
Mta-contraintes e
La valeur 5 est utilise exactement 3 fois e
N. Brauner
54
Modlisation e
Rsolution e
Probl`me de satisfaction de contraintes e

(X , D, C ) tel que X = {X1 , X2 , . . . , Xn } lensemble des variables D = {D1 , D2 , . . . , Dn } o` Di est le domaine de Xi u C = {C1 , C2 , . . . , Cm } lensemble des contraintes Exemple X = {a, b, c, d} D(a) = D(b) = D(c) = D(d) = {0, 1} C = {a = b, c = d, a + c < b}
N. Brauner
55
Modlisation e
Rsolution e
Solution dun CSP

Une aectation est le fait dinstancier des variables. A = {(X1 , V1 ), (X3 , V3 ), (X4 , V4 )} associe la valeur V1 de D1 ` la variable X1 ... a Une aectation est : partielle ou totale consistante ou inconsistante Une solution est une aectation totale consistante
N. Brauner
56
Modlisation e
Rsolution e
Solution dun CSP

Probl`me e X = {a, b, c, d} D(a) = D(b) = D(c) = D(d) = {0, 1} C = {a = b, c = d, a + c < b}
A1 = {(a, 1), (b, 0), (c, 0), (d, 0)} A2 = {(a, 0), (b, 0)} A3 = {(a, 1), (b, 0)} A4 = {(a, 0), (b, 1), (c, 0), (d, 1)}
N. Brauner
57
Modlisation e
Rsolution e
Le jeu du : CSP, pas CSP !

Connaissant les pi`ces de mon porte-monnaie, puis-je rendre e exactement 8 euros et 57 centimes ? Connaissant les pi`ces de mon porte-monnaie, quelle est la e meilleure faon de rendre 8 euros et 57 centimes ? c Est-il possible de colorier une carte avec 5 couleurs sans fronti`re monochrome ? e Sur un cercle, trouver un point ` distance 2 dune droite. a
N. Brauner
58
Modlisation e
Rsolution e
CSP
CSP surcontraint : na pas de solution trouver une aectation totale qui maximise le nombre de contraintes satisfaites = max-CSP aecter un poids ` chaque contrainte (proportionnel ` a a limportance de cette contrainte) et chercher une aectation totale qui minimise la somme des poids des contraintes violes e = CSP valu (VCSP) e CSP sous-contraint : admet beaucoup de solutions direntes, e prfrences entre les direntes solutions (fonction qui associe ee e une valeur numrique ` chaque solution) et trouver une e a solution du CSP qui maximise cette fonction = CSOP (Constraint Satisfaction Optimisation Problem)
N. Brauner
59
Modlisation e
Rsolution e
Plan
Modlisation e
Rsolution e
N. Brauner
60
Modlisation e
Rsolution e
Un constat
Un probl`me est rarement donn sous la forme dun CSP e e
N. Brauner
61
Modlisation e
Rsolution e
Le probl`me des reines e

Jeu : placer 4 reines sur un chiquier 4 4 sans quelles ne se e menacent Modlisation e variables L1 , L2 , L3 , L4 et C1 , C2 , C3 , C4 domaines Li {1, 2, 3, 4} et Ci {1, 2, 3, 4} contraintes lignes, colonnes et diagonales direntes. e
N. Brauner
62
Modlisation e
Rsolution e
Modlisation e
Attention Il ny a pas quune modlisation possible ! e Modlisation e variables L1 , L2 , L3 , L4 domaines Li {1, 2, 3, 4} contraintes
i = j, Li = Lj i = j, Li + i = Lj + j Li i = Lj j
N. Brauner
63
Modlisation e
Rsolution e
Modlisation e
Autre modlisation pour le probl`me des reines ? e e
N. Brauner
64
Modlisation e
Rsolution e
Modlisation e
Quelle est la meilleure modlisation ? e
1 2 3
Celle qui modlise le mieux la ralit du probl`me e e e e Celle qui est la plus facile ` trouver a Celle qui permettra de rsoudre le probl`me le plus e e ecacement
N. Brauner
65
Modlisation e
Rsolution e
Exercice : le retour de monnaie

On sintresse ` un distributeur automatique de boissons. e a Lutilisateur ins`re des pi`ces de monnaie pour un total de T e e centimes dEuros, puis il slectionne une boisson, dont le prix est e de P centimes dEuros (T et P tant des multiples de 10). Il e sagit alors de calculer la monnaie ` rendre, sachant que le a distributeur a en rserve E2 pi`ces de 2= E1 pi`ces de 1= C50 e e C, e C, pi`ces de 50 centimes, C20 pi`ces de 20 centimes et C10 pi`ces e e e de 10 centimes. Modlisez ce probl`me sous la forme dun CSP. e e
N. Brauner
66
Modlisation e
Rsolution e
Correction : le retour de monnaie
N. Brauner
67
Modlisation e
Rsolution e
Exercice : Send More Money

On consid`re laddition suivante : e + = S M O E O N N R E D E Y
o` chaque lettre reprsente un chire dirent (compris entre 0 u e e et 9). On souhaite conna la valeur de chaque lettre, sachant tre que la premi`re lettre de chaque mot reprsente un chire e e dirent de 0. e Modlisez ce probl`me sous la forme dun CSP. e e
N. Brauner
68
Modlisation e
Rsolution e
Correction : Send More Money
N. Brauner
69
Modlisation e
Rsolution e
Plan
Modlisation e
Rsolution e
N. Brauner
70
Modlisation e
Rsolution e
Rsolution na e ve
Enumration e On gn`re toutes les aectations totales possibles e e On vrie si elles sont consistantes e si on en trouve une consistante, cest gagn e
Avantage : tr`s facile ` mettre en uvre e a Inconvnient : tr`s gourmand en ressource temps e e
N. Brauner
71
Modlisation e
Rsolution e
Rsolution na e ve
Un probl`me ` n variables qui peuvent prendre 2 valeurs. e a 109 aectations traites par seconde. e
n 10 20 30 40 50 60 70 nb daectations 103 106 109 1012 1015 1018 1021 temps
... do` lintrt de bien choisir la modlisation u ee e
N. Brauner
72
Modlisation e
Rsolution e
Les rem`des e
Sarrter quand une aectation partielle est inconsistante e
backtrack
Restreindre les domaines des variables durant lexcution e

propagation de contraintes
Utiliser des heuristiques Utiliser nos connaissances sur le probl`me tudi e e e ...
N. Brauner
73
Modlisation e
Rsolution e
Backtrack
Principe : On parcourt larbre des aectations en profondeur Lorsquune aectation partielle est inconsistante, on nexplore pas le sous-arbre correspondant
N. Brauner
74
Modlisation e
Rsolution e
Backtrack : jeu de dames

Exemple dexcution e
N. Brauner
75
Modlisation e
Rsolution e
Backtrack
Backtrack Moins daectations considres ee Toutes les contraintes sont testes ` chaque aectation e a mme partielle e Facile ` mettre en uvre a Mthode na e ve Toutes les aectations sont considres ee On ne teste les contraintes que sur les aectations totales Tr`s facile ` mettre en e a uvre
Importance de lordre des variables
N. Brauner
76
Modlisation e
Rsolution e
Propagation des contraintes

Principe : On restreint le domaine dune variable avec les contraintes, on restreint les autres domaines Exemple 0 < x 10 et 3 y 9 contrainte : x > y Alors on peut restreindre le domaine de x ` 4 x 10 a
N. Brauner
77
Modlisation e
Rsolution e

Ide : ` partir dun CSP, on cherche un CSP quivalent avec des e a e domaines plus petits On propage : Quand un domaine est rduit e Quand une des bornes du domaine est change e Quand un domaine est un singleton On propage : Une fois : nud-consistance Deux fois : arc-consistance Ou plus...
N. Brauner
78
Modlisation e
Rsolution e

Nud-consistance Formellement, un CSP (X , D, C ) est consistant de nud si pour toute variable Xi de X , et pour toute valeur v de D(Xi ), laectation partielle (Xi , v ) satisfait toutes les contraintes unaires de C . Algorithmiquement, pour chaque variable Xi non aecte dans A, e on enl`ve de D(Xi ) toute valeur v telle que laectation e A {(Xi , v )} est inconsistante.
N. Brauner
79
Modlisation e
Rsolution e

Nud-consistance
N. Brauner
80
Modlisation e
Rsolution e

Arc-consistance Formellement, un CSP (X , D, C ) est consistant darc si pour tout couple de variables (Xi , Xj ) de X , et pour toute valeur vi appartenant ` D(Xi ), il existe une valeur vj appartenant ` D(Xj ) a a telle que laectation partielle {(Xi , vi ), (Xj , vj )} satisfasse toutes les contraintes binaires de C . Algorithmiquement, pour chaque variable Xi non aecte dans A, e on enl`ve de D(Xi ) toute valeur v telle quil existe une variable Xj e non aecte pour laquelle, pour toute valeur w de D(Xj ), e laectation A {(Xi , v ), (Xj , w )} soit inconsistante.
N. Brauner
81
Modlisation e
Rsolution e

Arc-consistance : exemple dexcution e
N. Brauner
82
Modlisation e
Rsolution e
Propagation de contraintes
Nud-consistance : Moins daectations considres ee Toutes les contraintes sont testes ` chaque aectation e a mme partielle e Facile ` mettre en uvre a Arc-consistance : Beaucoup moins daectations considres ee Etablir larc-consistance peut prendre beaucoup de temps selon les contraintes. Moins facile ` mettre en a uvre
N. Brauner
83
Modlisation e
Rsolution e
Syst`mes e
Syst`mes bass sur la programmation logique e e ECLiPSE Prolog GNU Prolog Syst`mes bass sur des librairies e e ILOG soveur (C++) Choco (Java) Facile (Ocaml)
N. Brauner
84
Exercice : Aectation de stock

N entrepts (cot douverture ouvre(i) ) o u M boutiques cots dacheminement de chaque entrept ` chaque boutique u o a transfert(i, j) capacit : chaque entrept ne peut fournir quun certain e o nombre de boutiques cap(i) Question : avec un budget de mille euros, puis-je subvenir aux besoins de mes boutiques ?
N. Brauner
85
Correction : Aectation de stock
N. Brauner
86
Programmation linaire e
Interprtation gomtrique e e e
Bases et points extrmes e
Lalgorithme du simplexe
Plan
Introduction ` la programmation linaire a e
10
11
12
N. Brauner
88
Plan
10
11
12
N. Brauner
89
Cadre de la PL Programmation linaire e nombre ni de variables relles, contraintes linaires, objectif e e linaire e Variables x1 , x2 . . . xn relles e Contrainte gnrique (contrainte i) : e e
n
aij xj bi
j=1
Fonction-objectif gnrique (` maximiser / minimiser) : e e a

n
f (x1 , x2 . . . xn ) =
j=1
cj xj
N. Brauner 90
Exemple : culture de courgettes et navets Contraintes concernant les quantits dengrais et danti-parasites e 8 engrais A disponible 2 /m2 ncessaires pour courgettes, 1 /m2 pour navets e 7 engrais B disponible 1 /m2 ncessaires pour courgettes, 2 /m2 pour navets e 3 anti-parasites disponible 1 /m2 ncessaires pour navets e Objectif : produire le maximum (en poids) de lgumes, sachant e que rendements = 4kg /m2 courgettes, 5kg /m2 navets
N. Brauner
91
Exemple : culture de courgettes et navets Variables de dcision e xc : surface de courgettes xn : surface de navets Fonction objectif Contraintes 2xc + xn 8 xc + 2xn 7 xn 3 (engrais A) (engrais B) (anti-parasites) max 4xc + 5xn
xc 0 et xn 0
N. Brauner 92
Intrt de la PL ee Probl`me gnral doptimisation sous contraintes e e e AUCUNE mthode GENERALE de rsolution ! ! e e Probl`me linaire quelconque e e existence de mthodes de rsolution gnrales et ecaces e e e e Ces mthodes sont ecaces en thorie et en pratique e e existence de nombreux logiciels de rsolution : e Excel, CPLEX, Mathematica, LP-Solve. . . Cadre restrictif variables relles e contraintes linaires e objectif linaire e
N. Brauner 93
Reprsentation in extenso e max 4xc + 5xn 2xc + xn 8 (engrais A) xc + 2xn 7 (engrais B) xn 3 (anti-parasites) xc 0 et xn 0 Reprsentation matricielle e max (4 5) xc xn xc xn
2 1 1 2 0 1 xc 0
8 7 3 xn 0
N. Brauner 94
Reprsentation in extenso e max z =
j cj xj
s.c.
aij xj
b i = 0
i = 1, 2 . . . m
xj
j = 1, 2 . . . n
N. Brauner
95
second membre b = matrice de format a11 a12 a21 a22 A= am1 am2 b1 b2 . . . bm mn a1n a2n . . . amn ... ... .. . n var. de dcision X = e
x1 x2 . . . xn
Reprsentation matricielle e max z = cx b = 0

N. Brauner 96
s.c.
Ax
cot (ou prot) c = (c1 , c2 . . . cn ) u x
Vocabulaire xi variable de dcision du probl`me e e x = (x1 , . . . , xn ) solution ralisable (admissible) e ssi elle satisfait toutes les contraintes ensemble des solutions ralisables = domaine ou rgion e e admissible x = (x1 , . . . , xn ) solution optimale ssi elle est ralisable et optimise la fonction-objectif e contraintes ingalit ou galit linaire e e e e e
a11 x1 + a12 x2 . . . + a1n xn b1 a21 x1 + a22 x2 . . . + a2n xn b2 a31 x1 + a32 x2 . . . + a3n xn = b3
fonction objectif (ou fonction conomique) linaire e e

max / min c1 x1 + c2 x2 . . . + cn xn
N. Brauner 97
Applications Feuille de TD : Programmation linaire, Modlisation e e Exercice 1 : Production de vins Exercice 2 : Fabrication dhuile dolives Exercice 3 : Compagnie arienne e Exercice 4 : Publicit e
N. Brauner
98
Forme canonique dun PL maximisation toutes les variables sont non ngatives e toutes les contraintes sont des inquations du type e max z = s.c.
j j cj xj
aij xj xj
bi 0
i = 1, 2 . . . m j = 1, 2 . . . n
forme matricielle max z = cx s.c. Ax x
b 0
N. Brauner 99
Forme standard dun PL maximisation toutes les variables sont non ngatives e toutes les contraintes sont des quations e max z = s.c.
j j cj xj
aij xj xj
= bi 0
i = 1, 2 . . . m j = 1, 2 . . . n
forme matricielle max z = cx s.c. Ax x
= b 0
N. Brauner 100
Passage entre les formes quation inquation e e ax = b ax b ax b
max min max f (x) = min f (x) inquation quation : ajouter une variable dcart e e e ax b ax b ax + s = b, ax s = b, s0 s0
variable non contrainte variables positives x 0 x = x+ x x +, x 0

N. Brauner 101
Passage entre les formes Feuille de TD : Programmation linaire, Rsolution e e Exercice 1
N. Brauner
102
Linariser un probl`me non linaire e e e ei : expression linaire des variables de dcision e e obj : min max{e1 , e2 . . . en } min y y ei i = 1, 2 . . . n
obj : max min{e1 , e2 . . . en } max y y ei obj : min |e1 | |e| = max(e, e) min y y e1 y e1 min e + + e e1 = e + e + e ,e 0
N. Brauner 103
i = 1, 2 . . . n
Linariser un probl`me non linaire e e e Feuille de TD : Programmation linaire, Rsolution e e Exercice 2
N. Brauner
104
Un peu dhistoire annes 30-40 : Kantorovitch, conomiste sovitique e e e mod`les linaires pour la planication et loptimisation de e e la production annes 40-50 : Dantzig, mathmaticien amricain e e e algorithme du simplexe application historique
Oprations Vittles et Plainfare pour ravitaillement de la trizone e pendant le blocus de Berlin par pont arien (23 juin 1948 12 e mai 1949) simplexe excut ` la main (des milliers de variables), jusqu` e ea a 12 000 tonnes de matriel par jour ! e
1975 : prix Nobel conomie Kantorovitch e XXI`me si`cle : logiciels de PL disponibles partout, utilisation e e de la PL dans tous les domaines industriels...
N. Brauner 105
Plan
10
11
12
N. Brauner
106
Exemple : culture de courgettes et navets Variables de dcision e xc : surface de courgettes xn : surface de navets Fonction objectif Contraintes 2xc + xn 8 xc + 2xn 7 xn 3 (engrais A) (engrais B) (anti-parasites) max 4xc + 5xn
xc 0 et xn 0
N. Brauner 107
Interprter les contraintes e 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 ralisables = intersection de ces e demi-plans : poly`dre e
x
N. Brauner 108
Optimiser lobjectif Les lignes de niveau {4x + 5y = constante} sont des droites parall`les e
4x 5y=10 4x 5y=18 4x 5y=22 4x 5y=25
x
N. Brauner 109
Gomtrie dun PL e e Lensemble des solutions ralisables est toujours e un poly`dre (intersection de demi-espaces) e
Les lignes de niveau {f = constante} de la fonction-objectif f sont des hyperplans anes (n = 2 droite, n = 3 plan...)
N. Brauner
110
Gomtrie dun PL e e
Optimum atteint au bord Loptimum de la fonction-objectif, sil existe, est atteint en (au moins) un sommet du poly`dre. e Justication mathmatique : e les drives partielles de f (x) = c.x ne sannulent jamais, e e et le domaine {x | n aij xj bi , i = 1, . . . , m} est compact j=1 loptimum est atteint au bord...
N. Brauner
111
Solutions dun PL La rgion admissible peut tre e e vide
nb solutions optimales : 0
non vide, borne e

nb solutions optimales : 1 ou
non vide, non borne e

nb solutions optimales : 0 ou 1 ou
Proposer des exemples de PL pour chacun des cas Feuille de TD : Programmation linaire, Rsolution e e Exercice 3
N. Brauner 112
Plan
10
11
12
N. Brauner
120

Rappels max s.c. z Ax x = cx b 0 A matrice m n x = (x1 x2 . . . xn ) b = (b1 b2 . . . bm ) c = (c1 c2 . . . cn )
Les contraintes dnissent un poly`dre e e La solution optimale est un sommet du poly`dre e Comment numrer les sommets dun poly`dre ? e e e
N. Brauner
121

Passage ` la forme standard a Forme standard On peut rajouter des variables dcart : e
n n
aij xj bi
j=1 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 galits. e e Manipulations algbriques plus aises e e
N. Brauner 122

Passage ` la forme standard a max z = 4x + 5y s.c. 2x + y 8 x + 2y 7 y 3 x, y 0 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 intressants e (intersection de contraintes) 5 points admissibles numration de ces 9 points e e comme solution de la forme standard (solutions de base)
N. Brauner 123

s.c. 2x x x, y 0 8 3.5 3 0 0 0 2 3 3 + y + 2y y y, e1 8 0 4.5 5 0 -6 0 0 3 + e1 + e1 , e2 e3 7 3 -9 -5 0 -0.5 1 0 3 3 0 3 0 0 1 -1.5 0 0 0 = 8 = 7 + e3 = 3 e2 , e3 0 sol de base admiss. e2
x 0 0 0 0 4 7 3 2.5 1
pt extrme e (0,0)
(0,3) (4,0)
(3,2) (1,3)
124
{points extrmes} {solutions de base admissibles}N. Brauner e

Syst`me linaire Ax=b e e 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 1 b B 1 NxN
Solution de base associe ` B : e a

xN = 0 variables hors base xB = B 1 b variables de base
N. Brauner
125

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 e1 = 8 2x y x + 2y + e2 = 7 e2 = 7 x 2y y + e3 = 3 e3 = 3 y e1 , e2 , e3 = variables de base, x, y = variables hors base
N. Brauner
126

Base e1 e2 e3 et solution de base = 8 2x y = 7 x 2y =3y
on met les variables hors base ` 0 a on en dduit les valeur des variables de base e e1 = 8 2x y = 8 e2 = 7 x 2y = 7 x =y =0 e3 = 3 y = 3
N. Brauner
127

Ax = b, x 0
(xB , 0) associe ` B est une solution de base admissible si e a xB 0 {points extrmes du poly`dre} {solutions de base e e admissibles du syst`me linaire correspondant} e e
m nombre de points extrmes Cn = e n! m!(nm)!
solution de base dgnre : certaines variables de base sont e e ee nulles si A est inversible : solution de base unique
N. Brauner
128

Base voisine et pivotage Bases voisines Deux sommets voisins correspondent ` deux bases B et B telles a quon remplace une variable de B pour obtenir B passer ` un sommet voisin = changer de base (base voisine) a principe du pivotage
N. Brauner
129

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
130
Plan
10
11
12
N. Brauner
131
Vers un algorithme de rsolution e Mthode de rsolution na e e ve : numrer tous les sommets, e e calculer f sur ces points, prendre le sommet pour lequel f est optimis : e fonctionne : nombre ni de sommets limitation : ce nombre peut tre tr`s grand en gnral... e e e e Lalgorithme du simplexe (G. B. Dantzig 1947) Algorithme itratif permettant de rsoudre un probl`me de programmation e e e linaire. e
N. Brauner
132
Principe damlioration locale e ` A partir dun sommet, chercher un sommet voisin qui amliore e lobjectif. Principe damlioration locale (maximisation) : e Soit x0 sommet non optimum. Alors il existe x, un sommet voisin de x0 , tel que f (x) > f (x0 ). Mthode de rsolution : on part dun sommet x0 quelconque, on e e passe ` un sommet voisin pour lequel f augmente, et ainsi de suite. a Remarque : on passe dun probl`me continu (variables relles) ` e e a un probl`me discret (nombre ni de sommets)... e
N. Brauner
133
Illustration 2D : courgettes et navets 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 z = 4x + 5y
x =3,2 , z =22
x
plus damlioration locale possible optimum e
N. Brauner 134
Illustration concr`te e Standardisation : Maximiser z = 4x + 5y 2x + y 8 x + 2y 7 s.c. y 3 x, y 0 Maximiser z = 4x + 5y 2x + y + e1 = 8 x + 2y + e2 = 7 s.c. y + e3 = 3 x, y , e1 , e2 , e3 0
Base initiale ? {e1 , e2 , e3 } par exemple : 2x + y + e1 = 8 e1 = 8 2x y x + 2y + e2 = 7 e2 = 7 x 2y y + e3 = 3 e3 = 3 y e1 , e2 , e3 = variables de base, x, y = variables hors base
N. Brauner 135
Solution de base associe e on met les variables hors base ` 0 a on en dduit : e valeur des variables de base valeur de z e1 = 8 2x y = 8 e2 = 7 x 2y = 7 et z = 4x + 5y = 0 ici : x = y = 0 e3 = 3 y = 3
N. Brauner
136
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
137
Nouvelle base {e1 , e2 , y } e1 = 8 2x y e1 = 8 2x y = 5 2x + e3 e2 = 7 x 2y e2 = 7 x 2y = 1 x + 2e3 e3 = 3 y y = 3 e3 Exprimons z en fonction des variables hors base z = 4x + 5y = 15 + 4x 5e3 Solution de base associe e e1 = 5 2x + e3 = 5 e2 = 1 x + 2e3 = 1 x = e3 = 0 y = 3 e3 = 3
et
z = 15
N. Brauner
138
Itration e 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
139
Itration (suite) e 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 140
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 coecients de z exprime e avec les variables hors base.
N. Brauner
141
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 x1 + 2x2 + s1 x1 + x2 + s2 x1 + s3 x2 + s4 =0 = 120 = 100 = 70 = 50
N. Brauner 142
Forme standard max z s.c. z 20x1 10x2 x1 + 2x2 + s1 x1 + x2 + s2 x1 + s3 x2 + s4 Forme tableau z s1 s2 s3 s4 z x1 x2 1 20 10 0 1 2 0 1 1 0 1 0 0 0 1 s1 0 1 0 0 0 s2 0 0 1 0 0 s3 0 0 0 1 0 s4 0 0 0 0 1 0 120 100 70 50
N. Brauner 143
=0 = 120 = 100 = 70 = 50
Cots rduits u e B, une base de Ax = b la fonction objectif :
= cx = cB xB + cN xN = cB B 1 b (cB B 1 N cN )xN
n
= z0
j=1 n
(cB B 1 aj cj )xj (zj cj )xj

j=1
= z0
zj cj = cB B 1 aj cj est le cot rduit de la variable hors base xj u e

N. Brauner 144
` chaque itration a e z xB z xN 1 cots rduits u e 0 . .. . . . 0 xB 0 Id z0 +
` loptimum a z xB z 1 0 . . . 0
N. Brauner 145
xN + .. .
xB 0 Id
z0
Principe heuristique : faire rentrer en base la variable avec le coecient le plus ngatif x1 e z 1 0 0 0 0 x1 x2 20 10 1 2 1 1 1 0 0 1 s1 0 1 0 0 0 s2 0 0 1 0 0 s3 0 0 0 1 0 s4 0 0 0 0 1
z s1 s2 s3 s4
0 120 100 70 50
Qui faire sortir ?
N. Brauner
146
Principe du quotient minimal colonne pivot x1 second membre 0 a1 0 b1 a2 > 0 b2 a3 > 0 b3 a4 = 0 b4 ligne r z 1 0 0 0 0
br ar
quotient b2 a2 b3 a3
= min
bi ai |ai
>0 s2 0 0 1 0 0
faire sortir s3 s3 0 0 0 1 0 s4 0 0 0 0 1
z s1 s2 s3 s4
x1 x2 20 10 1 2 1 1 1 0 0 1
s1 0 1 0 0 0
0 120 100 70 50
N. Brauner 147
exprimer la contrainte z avec les variables hors base x2 et s3 z 10x2 + 20s3 = 1400 diviser la ligne pivot par le coecient de la variable entrante x1 + s3 = 70 supprimer x1 des autres contraintes 2x2 + s1 s3 = 50 x2 + s2 s3 = 30 c . . . ligne pivot a . . . b
b = a a p c
p | colonne pivot
N. Brauner
148
z s1 s2 x1 s4 z 1 0 0 0 0 x1 0 0 0 1 0 x2 10 2 1 0 1 s1 0 1 0 0 0 s2 0 0 1 0 0 s3 20 1 1 1 0 s4 0 0 0 0 1 1400 50 30 70 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
149
z s1 s2 x1 s4 z x2 s2 x1 s4 z 1 0 0 0 0 z 1 0 0 0 0 x1 0 0 0 1 0 x1 0 0 0 1 0 x2 s1 10 0 2 1 1 0 0 0 1 0 x2 s1 0 5 1 1 2 0 1 2 0 0 0 1 2 s2 0 0 1 0 0 s2 0 0 1 0 0 s3 20 1 1 1 0 s3 15 1 2 1 2 1
1 2
s4 0 0 0 0 1 s4 0 0 0 0 1
1400 50 30 70 50 1650 25 5 70 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
150
Phase II Donnes : un programme linaire et une solution de base admissible e e Rsultat : une solution de base admissible optimale ou dclarer e e PL non born e
1
Choix dune colonne (variable) entrante

choisir une variable hors base xj (colonne) ayant un cot rduit u e ngatif e sil nexiste pas de colonne entrante : STOP, la solution de base est optimale
Choix dune ligne (variable) sortante

Choisir une ligne r minimisant le quotient sil nexiste pas de ligne sortante : STOP le tableau courant est non born e
Mise ` jour de la base et du tableau a

pivoter autour de arj et retourner en (1)
N. Brauner 151
Solution de base dgnre si une ou plusieurs variables de e e ee base sont zros (plus de bijection entre les solutions de base e admissibles et les points extrmes e Si toutes les solutions de base sont admissibles sont non dgnres, lalgorithme du simplexe termine apr`s un nombre e e ee e ni ditrations e
N. Brauner
152
Phase I Feuille de TD : Programmation linaire, Rsolution e e Phase 1
N. Brauner
153
Dualit e
N. Brauner
154
Illustration conomique e
Comment prouver loptimalit ? e
Ecrire le dual
Proprits ee
Plan
13
14
15
Ecrire le dual
16
Proprits ee
N. Brauner
155
Ecrire le dual
Proprits ee
Dualit e
En gnral e e contraintes : variables : 0 = 0 0
Nouveau concept Primal donnes A, b, c e minimiser Dual mmes donnes A, b, c e e maximiser
N. Brauner
156
Ecrire le dual
Proprits ee
Plan
13
14
15
Ecrire le dual
16
Proprits ee
N. Brauner
157
Ecrire le dual
Proprits ee
Plan
13
14
15
Ecrire le dual
16
Proprits ee
N. Brauner
158
Ecrire le dual
Proprits ee
Probl`me primal (P) e

Une famille utilise 6 produits alimentaires comme source de vitamine A et C 1 1 0 35 produits (units/kg) e 2 3 4 5 0 2 2 1 1 3 1 3 30 60 50 27 6 2 2 22 demande (units) e 9 19
vitamine A vitamine C Prix par kg
But : minimiser le cot total u Modlisation e
N. Brauner
159
Ecrire le dual
Proprits ee
Probl`me dual (D) associ ` (P) e ea

Un producteur de cachets de vitamine synthtique veut convaincre e la famille dacheter ses vitamines. quel prix de vente wA et wC ? pour tre comptitif e e et maximiser le prot Modlisation e
N. Brauner
161
Ecrire le dual
Proprits ee
Modlisation matricielle e
Probl`me primal e famille : acheter des produits alimentaires ` cot minimum et a u satisfaire la demande en vitamine A et C Modlisation sous forme matricielle e Probl`me dual e producteur de vitamines synthtiques : tre comptitif vis-`-vis des e e e a produits alimentaires comme source de vitamine et maximiser le prot de vente Modlisation sous forme matricielle e
N. Brauner
163
Ecrire le dual
Proprits ee
Gnralisation de lillustration conomique e e e

ressource i produit j cot i u aij bi demande j cj
Probl`me primal (demandeur de produit) : quelle quantit xi de e e ressource i acheter pour satisfaire la demande ` cot minimum a u min
i
bi xi
s.c.
i
aij xi cj
Probl`me dual (vendeur de produit) : ` quel prix proposer les e a produits pour maximiser le prot tout en restant comptitif e max
j
cj wj
s.c.
j
aij wj bi
i
N. Brauner 165
Ecrire le dual
Proprits ee
Plan
13
14
15
Ecrire le dual
16
Proprits ee
N. Brauner
166
Ecrire le dual
Proprits ee

Lobjectif est de dmontrer loptimalit dune solution e e max z = x1 + x2 4x1 + 5x2 20 2x1 + x2 6 x2 2 x1 , x2 0 Ide : trouver une combinaison valide des contraintes permettant e de borner terme ` terme la fonction objectif a
N. Brauner
167
Ecrire le dual
Proprits ee

max z = x1 + x2 4x1 + 2x1 + (4y1 + 2y2 )x1 5x2 x2 x2 + (5y1 + y2 + y3 )x2 y1 , y2 , y3 20 y1 6 y2 2 y3 20y1 + 6y2 + 2y3 0
Finalement, min 20y1 + 6y2 + 2y3 s.c. 4y1 5y1 yi + 2y2 + y2 + 0

N. Brauner 170
(borne sup minimale) (borner terme ` terme lobjectif) a 1 1
y3
Ecrire le dual
Proprits ee
Plan
13
14
15
Ecrire le dual
16
Proprits ee
N. Brauner
171
Ecrire le dual
Proprits ee
Forme canonique de dualit e

Donne A, b, c e min z = cx s.c. Ax b x 0 max v = wb s.c. wA c w 0
(P)
(D)
N. Brauner
172
Ecrire le dual
Proprits ee
Tableau des signes

min primal dual variable 0 variable 0 variable 0 contrainte contrainte = contrainte max dual primal contrainte contrainte = contrainte variable 0 variable 0 variable 0
Lcriture du Dual est automatique : e les variables la fonction objectif les contraintes
N. Brauner 175
Ecrire le dual
Proprits ee
Ecrire le dual
Ecrire le programme dual max z = 4x1 + 5x2 + 2x3 = 3 2x3 2 3x1 + x2 + x3 2 x2 + x3 1 x1 0 x2 0 x3 0 2x1 + 4x2
N. Brauner
176
Ecrire le dual
Proprits ee
Plan
13
14
15
Ecrire le dual
16
Proprits ee
N. Brauner
177
Ecrire le dual
Proprits ee
Proprits ee
Proprit ee Le dual du dual est quivalent au primal e vrier sur un exemple e max z = 2x1 + 3x2 + 4x3 2x1 + x2 x3 3x1 + x2 + x3 x2 x1 , x2 , x3 0 3 2 2 1
N. Brauner
178
Ecrire le dual
Proprits ee
Proprits ee
(P) min z = cx s.c. Ax b x 0 (D) max v = wb s.c. wA c w 0
Thor`me de dualit faible e e e Pour chaque paire de solutions admissibles x de (P) et w de (D) z = cx wb = v
Consquence : que se passe-t-il si lun est non born ? e e
N. Brauner
180
Ecrire le dual
Proprits ee
Et loptimalit ? e
Certicat doptimalit e Si z = cx = wb = v pour des solutions admissibles x de (P) et w et (D), alors x et w sont optimales Thor`me de dualit forte e e e Si (P) a des solutions et (D) a des solutions, alors cx = w b
N. Brauner
181
Ecrire le dual
Proprits ee
Proprit des carts complmentaires ee e e

Pour lexemple des vitamines crire le primal avec les variables dcart (si ) e e crire le dual avec les variables dcart (ti ) e e trouver une solution du primal optimale trouver une solution du dual optimale crire les paires de variables (si , wi ) et (xj , tj ) e que remarquez-vous ?
N. Brauner
182
Ecrire le dual
Proprits ee
Proprit ee
Proprit des carts complmentaires ee e e Pour x optimale de (P) et w optimale de (D) alors une contrainte de (P) est serre ` galit e ae e OU la variable associe ` cette contrainte est nulle dans w e a idem dans lautre sens xj tj = 0 et si wi = 0 preuve
N. Brauner
184
Ecrire le dual
Proprits ee
Proprit des carts complmentaires ee e e

Intrt Si on conna x optimal de (P), alors on peut trouver y ee t en appliquant le thor`me des carts complmentaires (et ainsi e e e e ) prouver loptimalit de x e 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
186
Ecrire le dual
Proprits ee
Petite philosophie de la dualit e

` A quoi servent les trois thor`mes de dualit e e e Dualit faible : pour faire la preuve doptimalit e e Ecarts complmentaires : pour trouver une solution optimale e du dual connaissant une solution optimale du primal Dualit forte : garantit quune preuve doptimalit (utilisant la e e dualit) est possible e
N. Brauner
188
Programmation linaire en nombres entiers e
Probl`mes classiques e
Techniques de modlisation e
Relaxation linaire e
Branch & Bound
Introduction
Programmation Linaire (PL) e
Variables de dcision continues (rels) e e Algorithme du Simplexe ecace
Probl`mes Linaire en Nombres Entiers (PLNE) e e

Variables de dcision discr`tes (entiers, boolens {0, 1}) e e e Choix dune bonne formulation souvent dicile Pas de mthode gnrale ecace de rsolution e e e e Algorithme de Branch & Bound, Branch & Cut. . .
Programme Linaire Mixte (MIP pour Mixed Integer e Program)

A la fois des variables relles et enti`res e e
N. Brauner
190
Branch & Bound
Introduction
Combinatoire Structure discr`te e Tr`s grand nombre de possibilits e e
N. Brauner
191
Branch & Bound
Introduction
Probl`me doptimisation combinatoire e Un probl`me doptimisation combinatoire typique e INSTANCE Un ensemble dobjets 1, . . . , n, avec des poids ci SOLUTIONS REALISABLES Un ensemble F de parties de {1, . . . , n} CRITERE maximiser c(S) =
iS
ci
Lensemble F est en gnral dni par des contraintes. e e e Son cardinal peut tre tr`s grand (ici potentiellement 2n ) e e
N. Brauner
192
Branch & Bound
Plan
17
18
19
20
Branch & Bound
N. Brauner
193
Branch & Bound
Plan
17
18
19
20
Branch & Bound
N. Brauner
194
Branch & Bound
Probl`mes classiques doptimisation combinatoire e

Le sac ` dos a Un beau jour de vacances, vous avez dcid de partir en e e randonne dans le Vercors. Vous voulez remplir votre sac de e capacit 3kg avec les objets les plus utiles : e objets carte gourde 2`me gourde e pull Kway tomme fruits secs utilit e 10 7 3 6 2 4 5 poids (g) 200 1500 1500 1200 500 800 700
N. Brauner
195
Branch & Bound

Le sac ` dos a ` Probl`me gnrique de Sac a Dos e e e un ensemble dobjets N = {1, 2 . . . n} ` chaque objet est associ a e
une utilit ui e un poids wi
un randonneur dispose dun sac-`-dos a dont le poids total ne doit pas dpasser e W (capacit du sac-`-dos) e a dterminer quels objets prendre pour e maximiser lutilit e
N. Brauner
196
Branch & Bound

Le sac ` dos a Probl`me doptimisation classique e Utiliser au mieux une capacit e Choix dun portefeuille dinvestissement
Modlisation e INSTANCE : SOLUTIONS : SOLUTIONS REALISABLES : CRITERE :

N. Brauner 197
Branch & Bound

Le sac ` dos a variables objectif contraintes xi = 1 si lobjet i est choisi, 0 sinon max
iN iN
ui xi
wi xi W i N
xi {0, 1}
N. Brauner
198
Branch & Bound

Remplissage de bo tes (bin packing) Un dmnageur souhaite empaqueter des objets en minimisant le e e nombre de bo de capacit W = 6 ncessaires tes e e taille 2 2 3 1 2 5 6
un livre un autre livre un pull des chaussettes des chaussures des assiettes des verres
1 2
Dcrivez une solution ralisable pour le dmnageur e e e e Proposez une modlisation avec un PLNE e
N. Brauner 199
Branch & Bound

Remplissage de bo tes (bin packing) des articles N = {1, 2 . . . n} de taille {s1 , s2 . . . sn } ` ranger dans des bo de capacit W a tes e en utilisant de moins de bo possible tes
N. Brauner
200
Branch & Bound

Couverture densembles On souhaite choisir les intervenants dans un projet an davoir toutes les comptences ncessaires en minimisant le cot e e u Cot (h ou = u C) Rech. Op. Java Bases de donnes e Thorie des graphes e UML
1 2
Alice 10 1 1 0 1 0
Babar 4 1 0 1 0 1
Casimir 5 1 1 1 0 0
Donald 6 0 1 1 0 0
Elmer 7 0 0 0 1 1
Dcrivez une solution ralisable pour le projet e e Proposez une modlisation avec un PLNE e
N. Brauner 201
Branch & Bound

Couverture densembles matrice A = (aij )i=1..n,j=1..m ` coecients 0 ou 1 a cj > 0, le cot de la colonne j u une colonne j couvre une ligne i si aij = 1 trouver un sous-ensemble des colonnes de A de cot minimum u tel que chaque ligne de A soit couverte au moins une fois
N. Brauner
202
Branch & Bound

Partition densembles matrice A = (aij )i=1..n,j=1..m ` coecients 0 ou 1 a cj > 0, le cot de la colonne j u une colonne j couvre une ligne i si aij = 1 trouver un sous-ensemble des colonnes de A de cot minimum u tel que chaque ligne de A soit couverte exactement une fois
N. Brauner
203
Branch & Bound

Aectation N1 et N2 deux ensembles de mme cardinal n e A N1 N2 : un collection de couples de nuds reprsentant e toutes les aectations possibles cij : cot du couple (i, j) A u trouver une aectation de cot minimum tel que chaque u lment de N1 est aect ` un et un seul lment de N2 ee ea ee
N. Brauner
204
Branch & Bound

Plus court chemin Trouver un chemin de distance minimum entre deux nuds, s et t dun rseau donn. e e
N. Brauner
205
Branch & Bound
Plan
17
18
19
20
Branch & Bound
N. Brauner
206
Branch & Bound
Techniques gnrales de modlisation e e e

La PLNE permet de rsoudre beaucoup de probl`mes e e combinatoires mais ATTENTION ` lecacit de la rsolution. . . a e e Les variables enti`res sont introduites e Pour dcrire des structures discr`tes e e sous-ensemble S {1, . . . , n} vecteur indicateur (x1 , . . . , xn ) {0, 1}n Pour linariser des expressions non linaires e e
N. Brauner
207
Branch & Bound

x : une variable de dcision e Objectif avec cot xe (fonction ane) : min f 1{x>0} + cx u Le cot est compos dun cot unitaire c et dun cot xe f u e u u pay uniquement si x > 0 e 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` M est une constante x u
N. Brauner
208
Branch & Bound

Restriction ` un ensemble discret de valeurs a 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
yi = 1
i=1 k
x= pi yi i=1 yi {0, 1} pour i = 1, 2 . . . k
N. Brauner
209
Branch & Bound

Contraintes de seuil : si x > 0 alors x K (constante) x My x Ky o` M est une constante plus grande que x u y {0, 1} Implication logique : x = 1 y = 1 avec x et y deux variables boolennes {0, 1} e x y OU logique : x ou y doit tre ` Vrai e a avec x et y deux variables boolennes {0, 1} e x +y 1
N. Brauner 210
Branch & Bound

Contraintes disjonctives deux taches de dures di et dj doivent tre usines sur une e e e mme ressource e ti + di tj si i est ralise avant j e e tj + dj ti si j est ralise avant i e e ti + di tj + M(1 yij ) t + dj ti + Myij j yij {0, 1}
N. Brauner
211
Branch & Bound

Termes quadratiques linariser xx avec x, x {0, 1} e On introduit une variable y xx On doit traduire y = 1 ssi (x = 1 et x = 1) y y x y x x +x 1y {0, 1}
N. Brauner
212
Branch & Bound
Plan
17
18
19
20
Branch & Bound
N. Brauner
213
Branch & Bound
Formulation
Probl`me combinatoire ` rsoudre e a e max{cx | x X } avec X Zn Une modlisation du probl`me en PLNE e e dnit un poly`dre P = {x Rn | Ax b} e e Dnition e Un PLNE est une formulation de X ssi X = P Zn
N. Brauner
214
Branch & Bound
Illustration graphique
N. Brauner
215
Branch & Bound
N. Brauner
216
Branch & Bound
Relaxation Linaire e
Pour rsoudre un PLNE e une ide simple est doublier que les variables sont enti`res e e on recherche alors loptimum du PL sur le poly`dre P e on peut utiliser lalgorithme du simplexe Dnition e La relaxation linaire dune formulation en PLNE est le PL e max{cx | Ax b , x Rn } Lien entre loptimum du PL et loptimum du PLNE ?
N. Brauner
217
Branch & Bound
Illustration graphique de la relaxation
N. Brauner
218
Branch & Bound
Exemple I
max z = 4x1 s.c. 7x1 x1 + x2
+ x2 36 + 4x2 22 0 entiers
x1 , x2
1 2
Trouvez graphiquement loptimum fractionnaire Trouvez graphiquement loptimum entier
N. Brauner
219
Branch & Bound
Exemple II
Stable maximum Ensemble S de sommets dun graphe
F B D E
2 ` 2 non adjacent a
1 2
Quel est loptimum entier sur un triangle ? Quel est loptimum fractionnaire sur un triangle ? la relaxation linaire donne peu dindication ! e
N. Brauner 220
Branch & Bound
Exemple III
min z = x1 s.c. x1 17x2 = 3 x1 11x3 = 4 x1 6x4 = 5 entiers
x1 , x2 , x3 , x4 0
1
Trouvez loptimum fractionnaire, son arrondi et loptimum entier
N. Brauner
221
Branch & Bound
Proprit de la relaxation linaire ee e

Pour une formulation en PLNE
zIP = max{cx | Ax b , x Zn }
La relaxation linaire e
zL = max{cx | Ax b , x Rn }
vrie e
1 2
zIP zL
Si la solution optimale de la relaxation linaire est enti`re, e e alors cest aussi une solution optimale pour le PLNE
N. Brauner
222
Branch & Bound
Plan
17
18
19
20
Branch & Bound
N. Brauner
223
Branch & Bound
Mthodes numratives e e e
Nombre ni de solutions F = {S1 , S2 , . . . , SN }
- Parcourir toutes les solutions - Pour chaque S F, valuer c(S) e - Retenir la meilleure solution
Probl`me e Le nombre de solutions potentielles est ni mais gigantesque Esprance de vie du soleil e 5 milliards dannes < 258 secondes e
N. Brauner
224
Branch & Bound
Challenge de loptimisation combinatoire

Comment trouver la meilleure solution sans parcourir toutes les solutions ? Enumration implicite : liminer a priori des solutions e e Dtecter que des solutions sont mauvaises ou irralisables e e sans les valuer explicitement. e
N. Brauner
225
Branch & Bound
Principe du Branch & Bound

On veut rsoudre z = max{cx | x X } e Si on partitionne X en (X1 , X2 )
Alors z = max{z1 , z2 }
X1
X2
z* 1
z* 2
N. Brauner
226
Branch & Bound
Principe du Branch & Bound

Si z1 > z2
Alors il est inutile dexplorer le sous-ensemble X2 X2 ne contient pas de solution optimale.

X
X1
X2
z* 1
>
z* 2
N. Brauner
227
Branch & Bound
Borne suprieure e
Comment dterminer quil est inutile dexplorer X2 sans e calculer z2 ?
Estimation [par exc`s] de la valeur de z2 e
Dnition e Une fonction des instances dans R est une borne suprieure ssi elle e est suprieure ` la valeur optimum pour chaque instance. e a Pour un PLNE, une borne suprieure est donne par e e sa relaxation linaire e
N. Brauner
228
Branch & Bound
Enumration arborescente implicite e

Pour rsoudre z = max{cx | x X } e On dcoupe lensemble des solutions X e Sur chaque Y X , on calcule une borne suprieure B(Y ) de e loptimum z (Y ). Si B(Y ) ` la meilleure solution trouve, alors on lague Y a e e Sinon on dcoupe rcursivement Y e e
N. Brauner
229
Branch & Bound
Comment dcouper lespace des solutions ? e

On rsout la relaxation linaire du probl`me sur X ` loptimum e e e a est enti`re, on a trouv loptimum sur X Si la solution x e e Sinon pour une variable (au moins) on a : a < xi < a + 1
P Dcoupage du problme X
x*
N. Brauner
230
Branch & Bound
Branchement sur une variable fractionnaire

On partitionne X en deux nouveaux sous-probl`mes : e X1 = x X et xi a X2 = x X et a + 1 xi
P1
x* X
P2
N. Brauner 231
Branch & Bound
Exploration de lensemble X2 de solutions

On recherche la meilleure solution sur X2 : On rsout la relaxation linaire sur P2 e e On partitionne en 2 nouveaux sous-probl`mes e
P1
P3 X
P4 P2
N. Brauner
232
Branch & Bound

On a trouv la solution optimale sur X2 e Existe-t-il une meilleure solution sur X1 ? La borne suprieure ne nous permet pas dlaguer X1 e e
P1
P3 X
P4
N. Brauner
233
Branch & Bound

On recherche la meilleure solution sur X1 : On partitionne en 2 nouveaux sous-probl`mes e
P5
P6

P3 X
P4
N. Brauner
234
Branch & Bound
Fin du Branch & Bound

La solution optimale sur X est la meilleure des 2 solutions trouves sur X1 et X2 . e
P5
P6

P3 X
P4
N. Brauner
235
Branch & Bound
Branch & Bound

1 2
rsoudre la relaxation linaire e e brancher sur une variable non enti`re (` choisir) e a 2 sous probl`mes e diviser ` nouveau un nud ls en deux (= choix possibles) a continuer ` sparer sur les nuds dont la valeur est > ` la a e a borne inf jusqu` ce quil ny ait plus de branchement possible a La relaxation linaire na pas de solution e la relaxation linaire donne une solution enti`re e e la valeur de la borne suprieure est infrieure ` la valeur de la e e a meilleure solution enti`re obtenue e
3 4
On coupe une branche si
Note : On ne peut rien couper tant quon na pas de solution disponible

N. Brauner 236
Branch & Bound
Branch & Bound

z = 2x1 + 3x2 sc. 5x1 + 7x2 35 4x1 + 9x2 36 x1 , x2 0 entiers faire le dessin
x2 3
z = 13,5 x1 = 2,25 x2 = 3 z = 14,47 x1 = 3,71 x2 = 2,35
x2 2
z = 14,4 x1 = 4,2 x2 = 2
x1 3
Pas de sol ralisable
x1 2
z = 13,33 x1 = 2 x2 = 3,11
x1 5
z = 14,29 x1 = 5 x2 = 1,43
x1 4
z = 14 x1 = 4 x2 = 2
x2 4
z = 12 x1 = 0 x2 = 4
x2 3
z = 13 x1 = 2 x2 = 3
x2 1
z = 14,2 x1 = 5,6 x2 = 1
x2 2
x1 5
z = 13 x1 = 5 x2 = 1
x1 6
z = 14,14 x1 = 6 x2 = 0,71
x2 1
x2 0
z = 14
x1 = 7 x2 = 0
N. Brauner
237
Application
Approvisionnement des stations service Une compagnie ptroli`re souhaite dterminer les emplacements e e e possibles pour ses dpts (destins ` fournir ses stations e o e a service). Les stations service sont au nombre de n et on a m dpt. On a un seul produit. e o cij : cot unitaire de transport entre un dpt i et la station u e o service j fi : cot xe douverture du dpt i u e o si : capacit du dpt i e e o dj : demande de la station service j (peut tre satisfaite par e plusieurs dpts) e o Formulez un programme linaire qui permet de minimiser les e cots tout en respectant les contraintes. u
N. Brauner 238
Application
Mlange de maximum 4 charbons (exo de D. de Wolf) e On mlange des charbons dans un haut fourneau o` ensuite, une e u raction ` haute temprature produit le coke. Il y a 8 charbons e a e disponibles. Ces charbons sont entrs par des bandes porteuses e qui sont au nombre de 4 (au maximum 4 charbons dirents e dans le mlange). Si un charbon est dans le mlange, il doit e e ltre ` hauteur de minimum 5%. On exige que la teneur du e a mlange en Silicium soit dau plus 1,8 %. Le tableau suivant e reprend les prix et teneur en Si des charbons. Charbon Prix Teneur Si Charbon Prix Teneur Si Charbon 1 12 2% Charbon 5 13 1% Charbon 2 14 2,5 % Charbon 6 9 5% Charbon 3 17 1% Charbon 7 15 2% Charbon 4 10 5% Charbon 8 11 1,5 % On veut dterminer un mlange qui est de cot minimum. e e u
N. Brauner 239
Application
Dimensionnement de lots (DLS) Une demande journali`re dt sur un horizon T e Cot de production pt (x) = ft + at x u Cot de stockage unitaire ht (par jour par unit) u e Quel plan de production choisir pour minimiser les cots ? u
1 2
Comment dcrire une solution ? e Comment dcrire une solution ralisable ? e e
N. Brauner
240
Application
Dimensionnement de lots (DLS)
demande
production
stock
N. Brauner 241
Application
Dimensionnement de lots (DLS) Une demande journali`re dt sur un horizon T e Cot de production pt (x) = ft + at x u Cot de stockage unitaire ht (par jour par unit) u e Quel plan de production choisir pour minimiser les cots ? u
N. Brauner
242
Application
Dimensionnement de lots (DLS) Modlisation du cot de production, non linaire e u e
p(x) = f + ax f
Variables de dcision e yt {0, 1} indicatrice des instants de production yt 1 ssi xt > 0, et 0 sinon Comment traduire le lien entre y et x ?
N. Brauner 243
Utilisation du modeleur AMPL
N. Brauner
244
Plan
N. Brauner
245
AMPL
A faire
N. Brauner
246
Utiliser un solveur via un modeleur

OPL 5.1 et Cplex
N. Brauner
247
Prsentation des outils e
Mod`les e
Lenvironnement
Donnes e
Application
Plan
21
Prsentation des outils e Mod`les e Lenvironnement Donnes e Application
22
23
24
25
N. Brauner
248
Mod`les e
Lenvironnement
Donnes e
Application
Plan
21
22
23
24
25
N. Brauner
249
Mod`les e
Lenvironnement
Donnes e
Application
Modeleur et solveur
output mod`le e dvar a[] ; ...
e e
donnes e brutes
(BD, GUI. . . )
(BD, GUI tableur) T a[] T
modeleur
x, cx
min cx s.c. Ax = b l x u
c, A, b E solveur l, u
Solveurs : CPLEX, LPSolve, XPRESS, MINOS. . . Langages de modlisation : GAMS (pionnier), OPL, AMPL, e AIMMS. . .
N. Brauner 250
Mod`les e
Lenvironnement
Donnes e
Application
Le langage de modlisation OPL e

OPL = Optimization Programming Language Langage pour les probl`mes doptimisation e Supporte des mod`les de programmation mathmatiques pour e e
contraintes ou objectifs linaires ou quadratiques e variables enti`res ou relles e e
Typage avanc pour lorganisation des donnes e e Se connecte ` SGBDR ou tableur a Script pour rcuprer des donnes et rsolutions itratives e e e e e
N. Brauner
251
Mod`les e
Lenvironnement
Donnes e
Application
Lenvironnement de dveloppement e
IDE : Integrated Development Environment Organiser des projets Saisir des donnes et des mod`les OPL e e Visualiser les donnes et les solutions e Contrler loptimisation o + outils pour le debuggage et aide en ligne
N. Brauner
252
Mod`les e
Lenvironnement
Donnes e
Application
Intgrer un mod`le dans une application e e

Dvelopper un mod`le OPL avec OPL IDE e e (mod`le et donnes spars) e e e e Compiler dans OPL IDE Ecrire code dans langage prfr pour eee
gnrer dynamiquement le chier de donnes e e e lire le mod`le et les donnes e e rsoudre le probl`me e e rcuprer la solution e e
(C++, MS.net, Java, ASP.net, JSP)
N. Brauner
253
Mod`les e
Lenvironnement
Donnes e
Application
Plan
21
22
23
24
25
N. Brauner
254
Mod`les e
Lenvironnement
Donnes e
Application
Dvelopper un mod`le simple e e

On souhaite produire des contures de rhubarbe et de fraise Un pot de rhubarbe ncessite 1kg de rhubarbe et 3kg de sucre e et rapporte (marge) 3 euros Un pot de fraise ncessite 2kg de fraise et 2kg de sucre et e rapporte (marge) 5 euros Les quantits disponibles sont 4kg de rhubarbe, 12kg de fraise e et 18kg de sucre.
max 3xr s.c. xr 3xr xr ,
5xf
4 2xf 12 + 2xf 18 xf 0
N. Brauner 255
Mod`les e
Lenvironnement
Donnes e
Application

max 3xr s.c. xr 3xr xr , + 5xf
4 2xf 12 + 2xf 18 xf 0
Cration du projet Contures puis, description du mod`le e e Les variables de dcision e La fonction objectif Les contraintes dvar float+ xr ; maximize 3*xr + 5*xf; subject to { CSucre 3*xr + 2*xf <= 18; : }
N. Brauner 256
Mod`les e
Lenvironnement
Donnes e
Application

Lditeur e
Commentaires en vert Mots cls en bleu e

N. Brauner 257
Mod`les e
Lenvironnement
Donnes e
Application
Rsoudre un mod`le simple e e

Lancer la rsolution et visualiser la solution e Notication Problem Browser
Console
N. Brauner
258
Mod`les e
Lenvironnement
Donnes e
Application
Plan
21
22
23
24
25
N. Brauner
259
Mod`les e
Lenvironnement
Donnes e
Application
Lenvironnement
Output
Issues Console Solutions Conicts and Relaxations Engine Log Engine Statistics Proler
N. Brauner 260
Mod`les e
Lenvironnement
Donnes e
Application
Lenvironnement
Barres doutils Model Outline
Projets (congurations)
N. Brauner
261
Mod`les e
Lenvironnement
Donnes e
Application
Laide
Menu Aide Sommaire de laide
noter laide sur un mot cl e (keyword help)
N. Brauner
262
Mod`les e
Lenvironnement
Donnes e
Application
Plan
21
22
23
24
25
N. Brauner
263
Mod`les e
Lenvironnement
Donnes e
Application
Sparation du mod`le et des donnes e e e

Dans lexercice conture, sparer les donnes du mod`le e e e Dclaration des donnes dans le chier mod`le e e e Produits Pots Prot Besoin Quantits dispo. e {string} Produits = {"rhubarbe", "fraise", "sucre"} ; {string} Pots = {"ConfRhubarbe", "ConfFraise"}; int Profit[Pots] = [3, 5]; int Besoin[Pots][Produits] = [[1, 0, 3],[0, 2, 2]] ; int Dispo[Produits] = [4, 12, 18] ;
N. Brauner
264
Mod`les e
Lenvironnement
Donnes e
Application

Dclaration des contraintes e constraint cap[Produits] ; Dclaration des variables de dcision e e dvar float+ x[Pots] ; Objectif : maximiser le prot maximize sum(po in Pots) Profit[po]*x[po] ; Contraintes : respecter les quantits disponibles e subject to{ forall (pr in Produits) cap[pr] sum(po in Pots) : Besoin[po][pr]*x[po] <= Dispo[pr] ; }
N. Brauner
265
Mod`les e
Lenvironnement
Donnes e
Application

Dans lexercice conture, saisir les donnes dans un chier .dat e Dclaration des donnes dans un chier .dat e e 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 266
Mod`les e
Lenvironnement
Donnes e
Application

Dclaration de donnes externes dans un mod`le e e e {string} Produits = ... ; {string} Pots = ...; int Besoin[Pots][Produits] = ...; int Profit[Pots] = ...; int Dispo[Produits] = ...; Ajouter le chier de donns au projet e Ajouter le chier de donnes ` la conguration e a
N. Brauner
267
Mod`les e
Lenvironnement
Donnes e
Application
Debuggage
Outils de debuggage des mod`les : e Dcrire des contraintes avec donnes e e Tracer lexcution e Utiliser le graphique de Engine Statistics Mettre en pause pour voir solution courante
N. Brauner
268
Mod`les e
Lenvironnement
Donnes e
Application
Plan
21
22
23
24
25
N. Brauner
269
Mod`les e
Lenvironnement
Donnes e
Application
Production de moteurs davions

Production de deux composantes (A et B) dun moteur davion. Notication des besoins pour les trois prochains mois. avril mai juin A 1000 3000 5000 B 1000 500 3000 capacits e machine (h) hommes (h) stock (m3 ) avril 400 300 10 000 mai 500 300 10 000 juin 600 300 10 000 capacits e machine (h/unit) homme (h/unit) stock (m3 /unit) e e e A 0.10 0.05 2 B 0.08 0.07 3
N. Brauner 270
Mod`les e
Lenvironnement
Donnes e
Application

Production de deux composantes (A et B) dun moteur davion. cots de production : 20 par units de A et 10 par units de B u e e cot de stockage : 1,5% de la valeur u horaire mensuel de base : 225 cot de lheure supplmentaire de travail : 10 u e stock n mars : 500 A et 200 B stock minimum impos n juin : 400 A et 200 B e Trouver un plan de production des trois prochain mois qui minimise les cots. u Proposer une modlisation mathmatique de ce probl`me e e e
N. Brauner
271
Mod`les e
Lenvironnement
Donnes e
Application

Variables production : x[produit, mois] stock : s[produit, mois] heures supplmentaires I [mois] e Objectif : production + stock + heures supplmentaires e Contraintes dnition du stock e stock minimum n juin capacits des machines e capacits des hommes e capacits des stocks e dnition des heures supplmentaires e e
N. Brauner 272
Mod`les e
Lenvironnement
Donnes e
Application

Modliser ce probl`me avec OPL et le rsoudre avec CPLEX e e e Solution fractionnaire : cot 224724.2857 u Mars 500 200 Avril 500 2857,14 0 2057,14 0 Mai 3000 1214,29 0 2771,43 10 Juin 5400 428,671 400 200 75
Produit A Produit B Stock A Stock B Heures supp
N. Brauner
273
Mod`les e
Lenvironnement
Donnes e
Application

Solution enti`re : cot 224724.5 e u Mars 500 200 Avril 500 2858 0 2058 0.06 1 Mai 3000 1214 0 2772 9.98 10 Juin 5400 428 400 200 74.96 75
Produit A Produit B Stock A Stock B Heures supp Heures supp ent
N. Brauner
274
Mod`les e
Lenvironnement
Donnes e
Application

Programme linaire avec 15 variables et 20 contraintes e 2 produits 3 mois 1 type de machines 1 type dhommes 1 type de stockage
N. Brauner
275
Mod`les e
Lenvironnement
Donnes e
Application
Pour aller plus loin

Donnes dans Excel e Ilog script Application VB Web appli et Java AMPL : un autre langage de modlisation e http ://www.ampl.com
N. Brauner
276
Formulations et coupes
Formulation
Ingalit valide e e
Algorithme de plan scant e
Plan
26
Formulation
27
Ingalit valide e e
28
N. Brauner
278
Formulation
Ingalit valide e e
Plan
26
Formulation
27
Ingalit valide e e
28
N. Brauner
279
Formulation
Ingalit valide e e
Remplissage de Boite (bin packing)

Un ensemble de n objets de hauteur hi A ranger dans des bo de hauteur H tes Minimiser le nombre de bo utilises tes e Formulation P en PLNE xij 1 si i est rang dans la bo j e te yj 1 si la bo j est utilise te e min
jN
yj i N j N i, j N
N. Brauner 280
xij = 1 hi xij Hyj i yj , xij {0, 1}

j
Formulation
Ingalit valide e e
Remplissage de Boite (bin packing)

Enormment de symtries sont prsentes e e e Si loptimum utilise 3 bo tes, autant prendre les 3 premi`res ! e Quelle contrainte ajouter ?
N. Brauner
281
Formulation
Ingalit valide e e
Rsolution des 2 formulations e

Le premier PLNE est une formulation du BinPacking Ajouter les contraintes de symtries, nest-ce pas redondant ? e Essayons de rsoudre linstance e 15 objets ` ranger dans des bo de hauteur H = 20 a tes hauteurs 6 7 8 9 10 en trois exemplaires chacun
(tr`s) petit exemple e Quelle est la solution optimale ?
N. Brauner
282
Formulation
Ingalit valide e e
Rsolution des 2 formulations e

15 objets ` ranger dans des bo de hauteur H = 20 a tes hauteurs 3 6 7 8 9 10
Rsolution sous OPL e Formulation I (Cuts o) temps nuds > 3h > 35 millions
Formulation II (Cuts o) temps nuds 129s 500000
Formulation I (Cuts on) temps nuds 3s 2000
N. Brauner
283
Formulation
Ingalit valide e e
Formulations dun PLNE

Probl`me combinatoire ` rsoudre e a e max{cx | x X } avec X Z n Une modlisation du probl`me en PLNE e e poly`dre P = {x R n | Ax b} e Dnition e Un PLNE est une formulation de X ssi X = P Z n Il existe une innit de formulations pour un probl`me e e
N. Brauner
284
Formulation
Ingalit valide e e
N. Brauner
285
Formulation
Ingalit valide e e
N. Brauner
286
Formulation
Ingalit valide e e
Formulation Idale e
Une formulation P est meilleure que P si P P La formulation idale est la e formulation la plus proche de X Cest lenveloppe convexe conv (X )
X conv(X)
N. Brauner
287
Formulation
Ingalit valide e e
Formulation Idale e
Proprit ee max{cx | x X } = max{cy | y conv (X )} A gauche, un probl`me combinatoire (discret) e A droite, un Programme Linaire (continu) e Si lon a une formulation qui dcrit conv (X ) e la relaxation linaire rsout le probl`me ` loptimum pour tout e e e a objectif linaire e
N. Brauner
288
Formulation
Ingalit valide e e
Moralit e
Dans une formulation en PLNE, il ne faut pas tre conome e e de ses contraintes ! Amliore les bornes des relaxations linaires e e Diminue le nombre de nuds visits e Lidal tant que la relaxation donne directement une solution e e enti`re sans brancher e Existe-t-il des mthodes pour trouver des contraintes qui e amliorent la formulation ? e Peut-on dcrire conv (X ) ? e
N. Brauner
289
Formulation
Ingalit valide e e
Plan
26
Formulation
27
Ingalit valide e e
28
N. Brauner
290
Formulation
Ingalit valide e e
Ingalit valide e e
Probl`me combinatoire ` rsoudre e a e max{cx | x X } avec X Z n
Dnition e Une ingalit valide est une ingalit x 0 vrie par tous les e e e e e e points de X
N. Brauner
291
Formulation
Ingalit valide e e
Une remarque
Si on a une ingalit valide e e y b y une variable enti`re, b un rel. Alors e e y b est aussi une ingalit valide e e Cette remarque permet de gnrer bien des coupes ! e e
N. Brauner
292
Formulation
Ingalit valide e e
Coupes de Chvtal-Gomory a
Programme linaire max{cx | Ax b, x entier}. Pour une ligne i e de la matrice on a aij xj bi
i
Pour tout rel > 0 e aij xj bi

i
Lingalit suivante est donc valide (x 0) e e aij xj bi

i
En appliquant la remarque, on obtient une coupe de C-G aij xj bi

i
N. Brauner 293
Formulation
Ingalit valide e e
Exemple
Probl`me ` 2 variables x et e a y enti`res e Formulation
5/4
3x + 4y 5 Objectif max 9x + 10y

X
5/3
Quel est loptimum de la relaxation linaire ? e Quel est loptimum entier ? Quelles coupes de Chvtal-Gomory trouve-t-on ? a
N. Brauner
294
Formulation
Ingalit valide e e
Ajouts de coupes
Il existe de nombreuses familles de coupes dans la littrature e (Flow Cover, Mixed Integer Rounding, . . .) Leur ajout renforce la formulation Mais Si le probl`me est dicile, dcrire conv (X ) demande un e e nombre exponentiel de contraintes ! Que faire si une bonne formulation ncessite trop de e coupes ?
N. Brauner
295
Formulation
Ingalit valide e e
Plan
26
Formulation
27
Ingalit valide e e
28
N. Brauner
296
Formulation
Ingalit valide e e
Problmatique e
Formulation initiale P = {x R n | Ax b} Famille F de coupes On veut amliorer la formulation e pour dcrire conv (X ) e
X
Le plus simple : reformuler en ajoutant F ` P a Le probl`me : |F| >> 1 e Ajouter toutes les coupes a priori est draisonnable e
N. Brauner
297
Formulation
Ingalit valide e e
Algorithme de Plan Scant (Cutting Plane) e

Probl`me combinatoire e max{cx | x X } avec X Z n La description compl`te de e conv (X ) est inutile Seule la description autour de loptimum nous intresse e
X
Ide e rajouter les ingalits valides uniquement dans la rgion de e e e loptimum

N. Brauner 298
Formulation
Ingalit valide e e
Algorithme de Sparation e
Evidemment on ne sait pas o` est u loptimum On conna loptimum x de la t relaxation linaire e Sparation : Trouver une ingalit e e e valide x 0 de F coupant x : x > 0 Ajouter cette ingalit pour e e amliorer la relaxation linaire e e
X
x*
N. Brauner
299
Formulation
Ingalit valide e e
Algorithme de Plan Scant e

On rsout le relaxation linaire sur la nouvelle formulation e e On cherche une nouvelle ingalit coupant x e e
On it`re jusqu` obtenir une solution x enti`re e a e
x* x* X X
N. Brauner
300
Formulation
Ingalit valide e e
Algorithme de Plan Scant e
PROGRAMMATION LINEAIRE Resoudre la formulation P optimum x* Alors Si x* est entier Sinon ALGORITHME DE SEPARATION Trouver une inegalite valide v violee par x* Ajouter v a P
Optimum sur X FIN
N. Brauner
301
Formulation
Ingalit valide e e
Terminaison de lalgorithme
Un algorithme de Plan Scant termine e Soit en trouvant une solution enti`re : optimum sur X e Soit en cas dchec de lalgorithme de sparation e e Aucune ingalit valide de F nest viole par x e e e Pour achever la rsolution ` loptimum : e a Utiliser un algorithme de Branch & Bound standard sur la formulation obtenue
N. Brauner
302
Formulation
Ingalit valide e e
Comparaison avec le Branch & Bound

Algorithme de Plan Scant : rane la description du poly`dre e e autour de loptimal Algorithme de Branch & Bound : dcoupe le poly`dre en e e morceaux
x* X
X
N. Brauner
303
Formulation
Ingalit valide e e
Branch & Cut

Les algorithmes de plan scant peuvent chouer e e ` sparer une solution fractionnaire a e ou, trop dingalits sont ncessaires e e e Un algorithme de Branch & Bound doit alors tre utilis. e e Branch & Cut Un Branch & Cut consiste ` appliquer un algorithme de plan a scant sur chaque nud avant de brancher e But : amliorer la formulation de chaque nud e Nombre de nuds explors << Branch & Bound e Calcul de chaque nud >> Branch & Bound
N. Brauner
304
Formulation
Ingalit valide e e

Une demande journali`re dt sur un horizon T e Cot de production pt (x) = ft + at x u Cot de stockage unitaire ht (par jour par unit) u e Quel plan de production choisir pour minimiser les cots ? u
1 2
Comment dcrire une solution ? e Comment dcrire une solution ralisable ? e e
N. Brauner
305
Formulation
Ingalit valide e e
demande
production
stock
N. Brauner 306
Formulation
Ingalit valide e e

Une demande journali`re dt sur un horizon T e Cot de production pt (x) = ft + at x u Cot de stockage unitaire h (par jour par unit) u e Quel plan de production choisir pour minimiser les cots ? u
N. Brauner
307
Formulation
Ingalit valide e e

Modlisation du cot de production, non linaire e u e
p(x) = f + ax f
Variables de dcision e yt {0, 1} indicatrice des instants de production yt 1 ssi xt > 0, et 0 sinon Comment traduire le lien entre y et x ?
N. Brauner 308
Formulation
Ingalit valide e e
Formulations dun PLNE

On obtient la formulation AGG min ft yt + hIt
t
xt + It = dt + It+1 t = 1, . . . , T 1 xT + IT = dT t = 1, . . . , T xt Dt yt yt {0, 1} t = 1, . . . , T
Que se passe-t-il si on essaie de la rsoudre ? e
N. Brauner
309
Formulation
Ingalit valide e e
Limite du Branch & Bound

OPL ne parvient pas ` rsoudre ! Pourtant : a e Le probl`me est facile et lexemple est petit e Il existe des algorithmes qui la rsolvent instantanment e e La formulation naturelle nest pas ecace Peut-on formuler diremment le probl`me ? e e
N. Brauner
310
Formulation
Ingalit valide e e
Formulation UFL
Formulation moins naturelle Variables de dcision e yt {0, 1} indicatrice des instants de production xuv fraction de la demande de v produite le jour u Contraintes ?
N. Brauner
311
Formulation
Ingalit valide e e
Comparaison des 2 formulations

Formulation AGG O(T ) variables binaires et continues O(T ) contraintes Formulation UFL O(T ) variables binaires O(T 2 ) variables continues O(T 2 ) contraintes La seconde formulation est beaucoup plus grosse Est-ce le bon crit`re de comparaison pour un PLNE ? e
N. Brauner
312
Formulation
Ingalit valide e e
Formulation UFL
Avec la formulation UFL OPL rsout sans faire de Branch & Bound ! e la relaxation linaire donne directement loptimum entier e Si on active les coupes Flow cover OPL rsout la formulation AGG en explorant seulement 5 e nuds ! Que se passe-t-il ?
N. Brauner
313
Formulation
Ingalit valide e e
Conclusion
Lalgorithme de Branch & Bound peu tre inecace e Il est primordial davoir une bonne formulation
Reformulation a priori, formulation tendue e Algorithme de Plan Scant e Algorithme de Branch & Bound
Heureusement, les logiciels commerciaux font du Branch & Cut avec des familles gnriques de coupes e e Jouer sur le paramtrage peut tre utile. e e Enrichir la formulation initiale en connaissant la structure du probl`me (symtries,. . .) aussi ! e e
N. Brauner
314
Programmation dynamique
Optimisation Combinatoire
Principe de Sous-optimalit e
Programmation Dynamique
Dominances
Plan
29
30
31
32
Dominances
N. Brauner
316
Dominances
Plan
29
30
31
32
Dominances
N. Brauner
317
Dominances
Combinatoire
Structure discr`te e Tr`s grand nombre de possibilits e e
N. Brauner
318
Dominances
Probl`mes combinatoires e
Dnition e Un probl`me doptimisation se dnit par e e INSTANCE : dcrit les donnes dentre e e e SOLUTIONS REALISABLES : dcrit lensemble F des e solutions admissibles CRITERE ` optimiser. Mesure c sur les solutions ralisables a e Dnition gnrique : une innit dinstances e e e e On recherche une mthode (algorithme) capable de fournir e pour chaque instance I :
une solution optimale S ou la valeur OPT (I ) du crit`re ` loptimum e a OPT (I ) = c(S ) = max{c(S)|S F}
N. Brauner 319
Dominances
Probl`mes combinatoires e
Un probl`me doptimisation combinatoire typique e INSTANCE : Un ensemble dobjets 1, . . . , n, avec des poids ci SOLUTIONS REALISABLES : Un ensemble F de parties de {1, . . . , n} CRITERE maximiser c(S) =
iS
ci
Lensemble F est en gnral dni par des contraintes. e e e Son cardinal peut tre tr`s grand (ici potentiellement 2n ) e e
N. Brauner
320
Dominances
Le sac ` dos a
Un randonneur veut remplir son sac de capacit 4kg avec les e objets les plus utiles objets carte gourde 2`me gourde e pull Kway tomme fruits secs utilit e 10 7 3 6 2 4 5 poids (g) 200 1500 1500 1200 500 800 700
N. Brauner
321
Dominances
Le Sac ` dos a
Probl`me doptimisation classique e Utiliser au mieux une capacit e Choix dun portefeuille dinvestissement Appara dans des probl`mes plus t e complexes Modlisation e INSTANCE : SOLUTIONS REALISABLES : CRITERE :
N. Brauner
322
Dominances
Mthodes numratives e e e
Nombre ni de solutions F = {S1 , S2 , . . . , SN }
- Parcourir toutes les solutions - Pour chaque S F, valuer c(S) e - Retenir la meilleure solution
Probl`me e Le nombre de solutions potentielles est ni mais gigantesque Esprance de vie du soleil e 5 milliards dannes < 258 secondes e
N. Brauner
323
Dominances
Challenge de loptimisation combinatoire

Comment trouver la meilleure solution sans parcourir toutes les solutions ? Utiliser la structure du probl`me e Enumration implicite : liminer a priori des solutions e e Dtecter que des solutions sont mauvaises ou irralisables e e sans les valuer explicitement. e Programmation dynamique : rduire lespace de recherche ` e a des sous-solutions optimales.
N. Brauner
324
Dominances
Plan
29
30
31
32
Dominances
N. Brauner
325
Dominances
Principe de sous-optimalit e
On veut rsoudre un probl`me P sur une instance I e e Structure spcique de P e Les morceaux dune solution optimale sont optimaux
P P1 P2 P
3
Le probl`me P se dcompose en sous-probl`mes P1 , . . . , Pk . e e e Loptimum sur P sobtient ` partir des optimaux des a sous-probl`mes. e
N. Brauner
326
Dominances
Principe de sous-optimalit e Loptimum sur une instance I peut se construire ` partir de a solutions optimales sur des instances plus simples I1 , . . . , Ik OPT (I ) = f (OPT (I1 ), . . . , OPT (Ik )) On a une formulation rcursive de OPT (I ) e Il sut de calculer loptimum pour OPT (I1 ), . . . , OPT (Ik ) puis dappliquer f Chaque OPT (Ij ) sexprime ` son tour en fonction dinstances a plus simples Jusqu` obtenir une instance de base I directement calculable a
N. Brauner
327
Dominances
Calcul rcursif de loptimum e

I1 I I2 I3
N. Brauner
328
Dominances
Dcomposition en sous-probl`mes e e
Instance I ` rsoudre a e Partition des solutions selon lobjet n F = {S F|n S} ne contenant pas n / F = {S F|n S} contenant n On a OPT (I ) = max{c(S ), c(S )}
N. Brauner 329
Dominances
Deux sous-probl`mes ` rsoudre e a e Sur F : probl`me P restreint aux n 1 premiers objets e Sur F : galement restreint aux n 1 premiers objets e mais structure des solutions ralisables ? e
N. Brauner 330
Dominances
Dcrire F comme {S F|n S} est inecace e numration explicite de toutes les solutions e e F doit pouvoir tre dcrit comme un sous-probl`me de P e e e
N. Brauner 331
Dominances
Sac ` dos a
` Sac a dos Instance: n objets de poids wi et dutilit ui , un sac de taille e W. Solution: sous-ensemble S dobjets tel que w (S) W . Critere: lutilit totale u(S) des objets e
Quel est loptimum de OPT (I ) par rapport ` lobjet n ? a Comment crire le principe de sous-optimalit ? e e
N. Brauner
332
Dominances
Paramtrisation e
Principe de sous-optimalit : les probl`mes qui apparaissent dans la e e dcomposition correspondent au probl`me initial sur des instances e e plus simples Instance I pour un sous-probl`me e I di`re de I par certains param`tres (entiers) p1 , . . . , pl e e Pour le Sac ` dos : les objets considrs et la taille du sac a ee On dcrit I par la valeur de ses param`tres (x1 , . . . , xl ) e e Dnition e On appelle tat le vecteur de param`tres (x1 , . . . , xl ) dcrivant une e e e sous-instance.
N. Brauner
333
Dominances
Graphe dEtat
Vecteur de param`tres (x1 , . . . , xl ) : tat e e Dpendance entre les instances (calcul de f ) e
parametre 2
I
3 2 1 0 0 1 2 3 4 5 6 parametre 1
N. Brauner
334
Dominances
Plan
29
30
31
32
Dominances
N. Brauner
335
Dominances
` Sac a dos Instance: n objets de poids wi et dutilit ui , un sac de taille e W. Solution: sous-ensemble S dobjets tel que w (S) W . Critere: lutilit totale u(S) des objets e
Dessinez le graphe dtat pour 4 objets de poids 1 et un sac e de capacit 3. e Que remarque-t-on ?
N. Brauner
336
Dominances
Un tat peut tre calcul un tr`s grand nombre de fois e e e e Ide : on drcursive e ee On mmorise les tats au lieu de les recalculer e e Il sut de parcourir les tats dans un ordre topologique e inverse du graphe dtat e Evaluer les tats de base OPT [0, . . . , 0]. e Parcourir les tats jusqu` X e a
Pour chaque tat X , dpendant de e e X1 , . . . , Xk dj` valus, mmoriser eae e e OPT [X ] = f (OPT [X1 ], . . . , OPT [Xk ))
Retourner OPT [X ]
N. Brauner 337
Dominances
Sac ` dos a
Sac ` dos de taille 7, avec 4 objets a valeurs des objets 2 poids des objets 2 4 3 5 4 6 5
Calculer le tableau OPT
N. Brauner
338
Dominances
Ecacit e
Quel est le temps de rsolution ? e Dpend e
du nombre dtats e du temps t pour valuer la fonction f en chaque tat. e e
Le temps de rsolution est alors e t(x1 , . . . , xl )

(x1 ,...,xl )Etats
Souvent on a une borne uniforme sur t(x1 , . . . , xl ) T Le temps de rsolution est major par e e T #Etats
N. Brauner
339
Dominances
Sac ` dos a
Temps de rsolution du sac ` dos e a Quel est le temps pour valuer un tat (i, w ) ? e e Quel est le nombre dtats ? e
N. Brauner
340
Dominances
Calcul dune solution optimale

La programmation dynamique fournit OPT (I ) Comment obtenir une solution S ? Conserver des pointeurs dans le tableau : chemin dans le graphe dtat e Mthode de Backtracking e Les 2 mthodes consistent ` remonter le calcul de OPT (I ) e a Donner une solution optimale pour le sac ` dos ` partir du a a tableau OPT de la programmation dynamique
N. Brauner
341
Dominances
Plan
29
30
31
32
Dominances
N. Brauner
342
Dominances
Dimensionnement de lots
Une demande journali`re dt sur un horizon T e Cot de production pt (x) = ft + at x u Cot de stockage unitaire ht (par jour par unit) u e Quel plan de production choisir pour minimiser les cots ? u Comment dcrire une solution ? e
N. Brauner
343
Dominances
demande
production
stock
N. Brauner 344
Dominances
Comment exprimer un principe de sous-optimalit ? e Quels param`tres sont ncessaires ? e e Quel est le temps de rsolution ? e
N. Brauner
345
Dominances
Dominance
Denition (Dominance) Une dominance est une proprit D vrie par au moins une ee e e solution optimale.
Proprit D
Solutions ralisables
Solutions optimales
N. Brauner
346
Dominances
Politiques ZIO Une politique ZIO consiste ` ne produire que si le stock est vide a si It > 0, alors xt = 0 Si pour chaque instant at + ht at+1 , alors les politiques ZIO sont dominantes Argument dchange e On consid`re un planning (optimal) qui ne vrie pas la e e dominance On montre quon peut le modier en prservant lobjectif e
N. Brauner
347
Dominances
Algorithme de Wagner & Within

Exprimer un principe de sous-optimalit en utilisant la e dominance Quel est maintenant le temps de rsolution ? e
N. Brauner
348
Dominances
Bilan de la programmation dynamique

Paradigme pouvant tre tr`s ecace e e Pas de condition sur la forme de la fonction objectif... . . .mais la proprit de sous-optimalit doit tre vrie ee e e e e Gourmand en mmoire e Devient inoprant si lespace des tats est grand e e Ncessit de trouver des dominances pour le rduire e e e
N. Brauner
349
Mthodologie et tudes de cas e e
Mthodologie e
Dcoupe de rouleaux e
Charbon
Localisation
Planication dexpriences e
Plan
33
Mthodologie e Dcoupe de rouleaux e Charbon Localisation Planication dexpriences e
34
35
36
37
N. Brauner
351
Mthodologie e
Charbon
Localisation
Plan
33
34
35
36
37
N. Brauner
352
Mthodologie e
Charbon
Localisation
Mthodologie e
Face ` un probl`me pratique de dcision : a e e Comprendre le probl`me e En dgager les aspects mathmatiques e e Reconna un type de probl`me classique tre e
informs http ://www2.informs.org/Resources/ wikipedia (portail RO fait et corrig par des chercheurs) e
N. Brauner
353
Mthodologie e
Charbon
Localisation
Mthodologie e
Analyser la complexit e
que peut-on esprer pour le temps de rsolution imparti ? e e solution exacte, approche, avec performance... e probl`mes NP-complets e
http ://www.nada.kth.se/viggo/problemlist/
ordonnancement
http ://www.mathematik.uni-osnabrueck.de/ research/OR/class/
N. Brauner 354
Mthodologie e
Charbon
Localisation
Mthodologie e
Proposer une formulation
graphes, programmation linaire, PPC... e
Implmenter une solution e

solveurs, librairies, algorithmes connus, heuristiques, mtaheuristiques, programmation dynamique, e programme ad hoc
Analyser et interprter les rsultats e e Valider par rapport ` la demande initiale a Itrer avec le demandeur si ncessaire e e
N. Brauner
355
Mthodologie e
Charbon
Localisation
Plan
33
34
35
36
37
N. Brauner
356
Mthodologie e
Charbon
Localisation
Dcoupe e
Rouleaux de papier de longueur standard 180 cm Couteaux de dcoupe (nombre et position arbitraires) e Couper des rouleaux de mme diam`tre e e Liste des commandes pour la prochaine priode e longueur 80 45 27 nombre de rouleaux 200 120 130
Trouver les schmas de dcoupe qui minimisent la perte e e
N. Brauner
357
Mthodologie e
Charbon
Localisation
Dcoupe e
Etapes de la rsolution e Solution manuelle Borne infrieure e Schmas de dcoupe e e Variables et contraintes Fonction objectif 1, rsolution et analyse e Fonction objectif 2, interprtation et rsolution e e . . . et la contrainte dintgralit ? e e
N. Brauner
358
Mthodologie e
Charbon
Localisation
Plan
33
34
35
36
37
N. Brauner
359
Mthodologie e
Charbon
Localisation
Fabrication de charbon
On mlange des charbons dans un haut fourneau o` ensuite, une e u raction ` haute temprature produit le coke. Il y a 8 charbons e a e disponibles. Ces charbons sont entrs par des bandes porteuses e qui sont au nombre de 4 (au maximum 4 charbons dirents e dans le mlange). Si un charbon est dans le mlange, il doit e e ltre ` hauteur de minimum 5%. On exige que la teneur du e a mlange en Silicium soit dau plus 1,8 %. Le tableau suivant e reprend les prix et teneur en Si des charbons. Charbon Prix Teneur Si Charbon Prix Teneur Si Charbon 1 12 2% Charbon 5 13 1% Charbon 2 14 2,5 % Charbon 6 9 5% Charbon 3 17 1% Charbon 7 15 2% Charbon 4 10 5% Charbon 8 11 1,5 % On veut dterminer un mlange qui est de cot minimum. e e u (exo de D. de Wolf) N. Brauner
360
Mthodologie e
Charbon
Localisation
Plan
33
34
35
36
37
N. Brauner
361
Mthodologie e
Charbon
Localisation
Approvisionnement des stations service

Une compagnie ptroli`re souhaite dterminer les emplacements e e e possibles pour ses dpts (destins ` fournir ses stations e o e a service). Les stations service sont au nombre de n et on a m dpts. On a un seul produit. e o cij : cot unitaire de transport entre un dpt i et la station u e o service j fi : cot xe douverture du dpt i u e o si : capacit du dpt i e e o dj : demande de la station service j (peut tre satisfaite par e plusieurs dpts) e o Dterminer les emplacements des stations services qui e permettent de minimiser les cots pour les donnes suivantes. u e
N. Brauner
362
Mthodologie e
Charbon
Localisation

6 dpts possibles, 7 stations services e o dpt e o A B C D E F cot ouverture u 7 8 4 28 20 10 capacit e 70 70 40 110 50 50 station 1 2 3 4 5 6 7 demande 30 30 30 10 20 10 10
N. Brauner
363
Mthodologie e
Charbon
Localisation

Cots de transport u 1 2 3 4 5 6 7 A 10 10 20 100 100 60 30 B 10 10 10 50 80 60 40 C 30 25 10 10 30 60 60 D 35 30 10 10 10 20 20 E 35 30 30 20 10 10 10 F 100 95 50 30 10 10 20
N. Brauner
364
Mthodologie e
Charbon
Localisation
Plan
33
34
35
36
37
N. Brauner
365
Mthodologie e
Charbon
Localisation
Dans une industrie chimique, une phase amont teste dirents e produits de synth`se pour dterminer les meilleures e e compositions. Les ractions se font ` temprature leve dans un four de e a e e e cuisson Le process : Remplissage 1/2 journe e Cuisson de 3 ` 14 jours a Filtrage 2 jours
N. Brauner
366
Mthodologie e
Charbon
Localisation
Cuisson
Un robot a t achet pour automatiser la cuisson ee e Chaque exprience est charge dans une barre de cuisson e e
On dispose de 8 barres de cuisson Le robot peut traiter les 8 barres simultanment e La temprature et la dure de chaque barre est programmable. e e
N. Brauner
367
Mthodologie e
Charbon
Localisation
Remplissage
Cette tape correspond e A la prparation dune barre de cuisson e Au mlange des dirents constituants e e Pour la raliser, 3 postes de travail ont t installs, e ee e chacun pouvant traiter une barre. Un oprateur est requis pour surveiller le droulement des e e oprations. e
N. Brauner
368
Mthodologie e
Charbon
Localisation
Filtrage
Cette tape correspond e A lanalyse des rsultats de lexprience e e Elle est ralise de mani`re semi-automatique e e e Un oprateur doit surveiller le droulement des analyses e e Les 8 barres de cuisson peuvent tre analyses simultanment e e e
N. Brauner
369
Mthodologie e
Charbon
Localisation
Oprateur e
La prsence dun chimiste quali est requise e e Pendant le remplissage Pendant le ltrage Au dmarrage de la cuisson (programmation du robot) e A la n de la cuisson lancer le ltrage pour arrter la raction e e le ltrage peut ensuite tre interrompu e Seule la cuisson peut tre ralise sans la prsence du e e e e chimiste
N. Brauner
370
Mthodologie e
Charbon
Localisation
Disponibilits e
Le planning des absences du chimiste est connu ` lavance a (week-end, congs, autres obligations) e
L M M matin apresmidi
J V S
D L
J V S
D L
V S matin apresmidi
D L M M J
S D
L M
N. Brauner
371
Mthodologie e
Charbon
Localisation
Les buts de lindustriels

Planier les expriences ` eectuer sur un horizon de lordre de 1 e a mois an de Maximiser lutilisation du robot (investissement important) Finir au plus tt pour obtenir les rsultats des tests o e De nouvelles expriences sont ` planier chaque mois e a
N. Brauner
372
Mthodologie e
Charbon
Localisation
Jeu de donnes e
Vous devez planier 17 expriences e 6 avec un temps de cuisson de 14 jours 8 avec un temps de cuisson de 7 jours 3 avec un temps de cuisson de 3 jours Le planning des disponibilits de loprateur e e
L M M semaine 1 semaine 2 semaine 3 semaine 4 semaine 5 J V S D
N. Brauner
373

Recherche Oprérationnellle

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Recherche Oprérationnellle

Transféré par

Droits d'auteur :

Formats disponibles

Cours de recherche oprationnelle I e

La Recherche Oprationnelle e Applications Mthodologie e Outils Rfrences ee

La Recherche Oprationnelle e Applications Mthodologie e Outils Rfrences ee

Recherche Oprationnelle ou Science de la Dcision e e

La Recherche Oprationnelle e Applications Mthodologie e Outils Rfrences ee

cij xij xij

La Recherche Oprationnelle e Applications Mthodologie e Outils Rfrences ee

Analyse des mod`les et rsolution e e

Implmentation et analyse des rsultats e e

Dploiement des solutions e

La Recherche Oprationnelle e Applications Mthodologie e Outils Rfrences ee

exemples : emplois du temps. . . Combinatoire chiquier tronqu e e http ://mathsamodeler.ujf-grenoble.fr/LAVALISE/

La Recherche Oprationnelle e Applications Mthodologie e Outils Rfrences ee

avec les ressources disponibles

Programmation par contraintes

Programmation par contrainte

Programmation par contrainte

Programmation par contrainte

Prcis de Sudoku, N. Jussien e

Programmation par contrainte

Raisonnement local : contraintes considres indpendamment ee e

Transmission des dductions aux autres rgions e e

= principes au cur de la programmation par contraintes

Programmation par contrainte

Un probl`me : trouver une solution du probl`me e e

Un probl`me : trouver la meilleure solution du probl`me e e

Programmation par contrainte

Programmation par contrainte

La PPC, quest-ce que cest ?

Programmation par contrainte

La PPC, quest-ce que cest ?

Programmation par contrainte

Programmation par contrainte

Programmation par contrainte

Conception dhoraires acadmiques e

Programmation par contrainte

Construction dhoraires de personnel

Programmation par contrainte

Programmation par contrainte

Programmation par contrainte

La programmation par contraintes

Avec des ensembles de valeurs possibles pour les variables de dcision e

Programmation par contrainte

Programmation par contrainte

Programmation par contrainte

Programmation par contrainte

2 types de dclaration : e extension : on num`re les valeurs admises e e

intension : on utilise les signes mathmatiques connus e

Programmation par contrainte

Programmation par contrainte

Programmation par contrainte

Programmation par contrainte

Probl`me de satisfaction de contraintes e

Programmation par contrainte

Solution dun CSP

Programmation par contrainte

Solution dun CSP

Programmation par contrainte

Le jeu du : CSP, pas CSP !

Programmation par contrainte

Programmation par contrainte

Programmation par contrainte

Programmation par contrainte