Académique Documents
Professionnel Documents
Culture Documents
CHAPITRE 3
OPTIMISATION
RECHERCHE OPRATIONNELLE
DFINITIONS
Application de mthodes, techniques, instruments
scientifiques pour modliser et rsoudre les problmes
dans tous les domaines
Application de la mthode scientifique pour modeler et
rsoudre les problmes dans tous les domaines
Art de donner des mauvaises rponses des problmes
auxquels autrement de pires rponses seraient donnes
OPTIMISATION ET ANALYSE DE FAISABILIT
RECHERCHE OPRATIONNELLE
ORIGINES
Dveloppement durant la seconde guerre mondiale
applications aux oprations militaires
rpartition des troupes, du matriel, des ressources
approvisionnement en vivres, en pices, en armement
Scientifiques et ingnieurs: applications civiles
programmation linaire (1re publication en 1939)
dveloppement du simplexe par G. Dantzig (1947)
dveloppement des techniques classiques en
programmation linaire, non-linaire, dynamique, thorie
des files dattente, etc.
ralentissement des recherches gnr par le manque
doutils de calcul
OPTIMISATION ET ANALYSE DE FAISABILIT
RECHERCHE OPRATIONNELLE
APPLICATIONS
Applications aux problmes rels de grande envergure
arrive des processeurs rapides
dveloppement des bases de donnes
techniques d optimisation appliques de nombreux domaines
Domaines dutilisation
militaire
transport
aroport
route, trajet, livraison
horaire
contrle des rseaux
infrastructures, distribution
etc.
OPTIMISATION ET ANALYSE DE FAISABILIT
RECHERCHE OPRATIONNELLE
RECHERCHE OPRATIONNELLE
CONCEPT DE SYSTME
Systme
Agrgat ou assemblage dobjets joints par des
interactions ou interdpendances rgulires
Activit
Processus qui cre un changement de ltat du systme
Entit
Objet dintrt dans un systme
Attribut
Proprits relatives une entit
OPTIMISATION ET ANALYSE DE FAISABILIT
RECHERCHE OPRATIONNELLE
EXEMPLE DE SYSTME
RECHERCHE OPRATIONNELLE
MTHODES
Techniques mathmatiques
Techniques statistiques
Modles de gestion des stocks
Modles daffectation
Modles de programmation dynamique
Modles de files dattente
Modles squentiels
Modles de remplacement
Modles de comptition
Techniques de simulation
Mthodes heuristiques
OPTIMISATION ET ANALYSE DE FAISABILIT
RECHERCHE OPRATIONNELLE
MODLE
Moyen pour mieux comprendre la ralit utilise pour
reprsenter les proprits fondamentales dun certain
phnomne
Problmes de gestion souvent complexes
Ncessit frquente dignorer certains paramtres pour
tirer une version idale, pure: cest un modle
OPTIMISATION ET ANALYSE DE FAISABILIT
RECHERCHE OPRATIONNELLE
RECHERCHE OPRATIONNELLE
Modles mathmatiques
Modles dterministiques
Incertitude ngligeable
Rsultats du phnomne prvu avec certitude
Modles probabilistes ou stochastiques
Incertitude considre comme facteur important du
phnomne ou systme analys
Classe de modles dterministiques
Modles de programmation linaire
quations ou inquations du premier degr reprsentant
les contraintes du problme
Fonction conomique qui traduit lobjectif de lentreprise
OPTIMISATION ET ANALYSE DE FAISABILIT
RECHERCHE OPRATIONNELLE
Mthode scientifique
1. Expriences vcues
2. Critres qui permettent de
juger si le problme est
rsolu
3. Principaux aspects de la
ralit
4. Paramtres du modle
5. Mthodes appropries
6. Conclusions obtenues
versus opinions des
personnes
7. Implantation de la dcision
OPTIMISATION ET ANALYSE DE FAISABILIT
RECHERCHE OPRATIONNELLE
PROGRAMME LINAIRE
PL
problme doptimisation consistant
maximiser (ou minimiser) une fonction objectif linaire
de n variables de dcision
soumises un ensemble de contraintes exprimes sous
forme dquations ou dinquations linaires
La terminologie est due George B. Dantzig,
inventeur de lalgorithme du simplexe (1947)
OPTIMISATION ET ANALYSE DE FAISABILIT
PROGRAMMATION LINAIRE
Hypothses:
La linarit des contraintes et de la fonction objectif
La proportionnalit des gains/cots et des
consommation de ressources
La divisibilit des variables
Le dterminisme des donnes
Lors de la modlisation d'un problme rel, l'impact de ces
hypothses sur la validit du modle mathmatique doit tre
tudi
Cette analyse peut mener choisir un modle diffrent (non
linaire, stochastique, ...) et est essentielle pour la phase
d'interprtation des rsultats fournis par le modle
OPTIMISATION ET ANALYSE DE FAISABILIT
PROGRAMMATION LINAIRE
TERMINOLOGIE DU MODLE
Activits
Ensemble des actes et oprations effectuer
j = 1,n activits
Ressources
Moyens disponibles pour effectuer les activits
bi, i = 1,m ressources
Quantit requise de ressource
Quantit unitaire de ressources consommes pour chaque activit
aij
Niveau activation
Quantit de ressources affecte une activit
xj = niveau dactivation de lactivit j
Cot ou profit
Mesure de performance de lallocation des ressources aux activits
cj
OPTIMISATION ET ANALYSE DE FAISABILIT
TERMINOLOGIE DE LA SOLUTION
Solution ralisable
Solution o toutes les contraintes du modle sont
satisfaites
Zone de solution
Ensemble de toutes les solutions ralisables
Solution optimale
Solution ralisable o la fonction objectif atteint la
meilleure valeur, maximum ou minimum
Plusieurs solutions optimales possibles
OPTIMISATION ET ANALYSE DE FAISABILIT
EXEMPLE: PROBLME
D'ALLOCATION DE RESSOURCES
Vous disposez de
8 kg de pommes
2,5 kg de pte
6 plaques
pour confectionner des chaussons et des tartes
Pour faire un chausson, il vous faut:
150 g de pommes
et 75 g de pte
Chaque chausson est vendu 3 $
Pour faire une tarte, il vous faut
1 kg de pommes
200 g de pte
et 1 plaque
Chaque tarte est divise en 6 parts vendues chacune 2 $
Que faut-il cuisiner pour maximiser le chiffre d'affaires de
la vente ?
OPTIMISATION ET ANALYSE DE FAISABILIT
PROBLME D'ALLOCATION DE
RESSOURCES
Dfinissons 2 variables de dcision
x1 : le nombre de chaussons confectionns
x2 : le nombre de tartes confectionnes
Le chiffre daffaires associ une production (x1; x2) est
z = 3x1 + (6 x 2)x2 = 3x1 + 12x2
Il ne faut pas utiliser plus de ressources que disponibles
150x1 + 1000x2 8000 (pommes)
75x1 + 200x2 2500 (pte)
x2 6 (plaques)
On ne peut pas cuisiner des quantits ngatives :
x1 et x2 0
OPTIMISATION ET ANALYSE DE FAISABILIT
MODLE: PROBLME
D'ALLOCATION DE RESSOURCES
MODLISATION
FORMULATION DU PROBLME
Temps de production
Usine 1 2 Temps disponible par semaine
1 1 0 4
2 0 2 12
3 3 2 18
Profit 3000 5000
OPTIMISATION ET ANALYSE DE FAISABILIT
FORMULATION DU PROBLME
Objectif
Maximiser les profits
Variables de dcision
x1: quantit du produit A fabrique
x2: quantit du produit B fabrique
Fonction objectif
MAXIMISER z = 3x1 + 5x2
Contraintes
usine 1: 1x1 + 0x2 4
usine 2: 0x1 + 2x2 12
usine 3: 3x1 + 2x2 18
Contraintes de non-ngativit
x1 0
x2 0
OPTIMISATION ET ANALYSE DE FAISABILIT
PROGRAMMATION LINAIRE
6 2x 2 = 12
0 x1
2 4 6 8 10
OPTIMISATION ET ANALYSE DE FAISABILIT
FONCTION OBJECTIVE
z = 36 = 3 x1 + 5 x 2 8 Solution
x1 = 2
(2,6) x2 = 6
6
z = 36
z = 20 = 3 x1 + 5 x 2
4
z = 10 = 3 x1 + 5 x 2
2
0 x1
2 4 6 8 10
OPTIMISATION ET ANALYSE DE FAISABILIT
PROGRAMMATION LINAIRE
FORMULATION DU PROBLME
PROGRAMMATION LINAIRE
PROBLME DE MAXIMISATION
Maximiser
Z = x1 + 2x2
Sujet
2x1 + x2 4
x1 + x2 8
-x1 + x2 4
x1 5
x1 0, x2 0
OPTIMISATION ET ANALYSE DE FAISABILIT
PROBLME DE MAXIMISATION
x2
-x1 + x2 = 4 X1 = 2
8 X2 = 6
6 Z = 14
x1 = 5
2 x 1 + x2 = 8
2x1 + x2 = 4
0 x1
2 4 6 8 10
OPTIMISATION ET ANALYSE DE FAISABILIT
PROBLME DE MINIMISATION
Minimiser
Z = x1 - x2
Sujet
x1 + x2 8
-x1 + 8x2 40
x1 8
x2 8
x1 0, x2 0
OPTIMISATION ET ANALYSE DE FAISABILIT
PROBLME DE MINIMISATION
X1 = 8
x2
X2 = 6
x2 = 8
8 Z=2
6
-x1 + 8x2 = 40
4
x1 = 8
2 x1 + x2 = 8
0 2 4 6 8 10 12 14 16 18 20 x1
OPTIMISATION ET ANALYSE DE FAISABILIT
MTHODE DU SIMPLEXE
INTRODUCTION
dveloppe initialement par George Dantzig en 1947
seule mthode exacte pour solutionner des problmes
linaires de grande taille
mthode itrative algbrique o lon circule
squentiellement sur les sommets lintrieur de la
zone de solution jusqu lobtention de la solution
optimale
OPTIMISATION ET ANALYSE DE FAISABILIT
PROPRITS DU SIMPLEXE
ALGORITHME DU SIMPLEXE
FORME CANONIQUE
PROBLME DE MAXIMISATION
n
Max c x
j =1
j j
n
sujet aij xj bi i = 1, ...,m
j =1
xj 0 j = 1,...,n
PROBLME DE MINIMISATION
n
Min c x
j =1
j j
n
sujet a
j =1
ij xj bi i = 1, ...,m
xj 0 j = 1,...,n
OPTIMISATION ET ANALYSE DE FAISABILIT
FORME NORMALISE
PROBLME DE MAXIMISATION
n
Max c x
j =1
j j
n
sujet a
j =1
ij xj = bi i = 1, ...,m
xj 0 j = 1,...,n
PROBLME DE MINIMISATION
n
Min c x
j =1
j j
n
sujet a x
j =1
ij j = bi i = 1, ...,m
xj 0 j = 1,...,n
OPTIMISATION ET ANALYSE DE FAISABILIT
MTHODE DU SIMPLEXE
FORME CANONIQUE
Max Z = 3 x1 + 5 x2
sujet
x1 4
2 x2 12
3 x1 + 2 x2 18
et
x1 0, x2 0
OPTIMISATION ET ANALYSE DE FAISABILIT
MTHODE DU SIMPLEXE
FORME NORMALISE
Max Z
Z - 3 x1 - 5 x2 = 0 (0)
x1 + x3 = 4 (1)
2 x2 + x4 = 12 (2)
3 x1 + 2 x2 + x5 = 18 (3)
avec
xj 0, pour j =1, 2, 3, 4, 5
OPTIMISATION ET ANALYSE DE FAISABILIT
MTHODE DU SIMPLEXE
TAPE DINITIALISATION
Dterminer une solution de base ralisable
Porter les variables hors base zro
Solutionner les variables de base
Exemple:
z, x3, x4 et x5 sont les variables de base
x1 et x2 sont les variables hors base
On obtient:
x1 = 0 et x2 = 0
x3 = 4, x4 = 12 et x5 = 18
z=0
OPTIMISATION ET ANALYSE DE FAISABILIT
MTHODE DU SIMPLEXE
MTHODE DU SIMPLEXE
MTHODE DU SIMPLEXE
OPRATIONS PIVOT
Systme dquations original (variables de base en gras)
Z - 3 x1 - 5 x2 = 0 (0)
x1 + x3 = 4 (1)
2 x2 + x4 = 12 (2)
3 x1 + 2 x2 + x5 = 18 (3)
Pour revenir la forme canonique, il faut que les variables
de base aient un coefficient unitaire dans une quation et
nul dans les autres
quation (2) multiplie par
2 x2/2 + x4/2 = 12 /2 (2)
x2 + x4= 6(2)
Il faut liminer les termes x2 des autres quations
OPTIMISATION ET ANALYSE DE FAISABILIT
MTHODE DU SIMPLEXE
MTHODE DU SIMPLEXE
MTHODE DU SIMPLEXE
CRITRE DOPTIMALIT
Optimalit assure lorsquil est impossible de faire
augmenter (cas de maximisation) la valeur de z
Exemple:
x1 peut faire augmenter z
Variable entrante x1
Variable sortante x5
quation (1)
x1 + x3 = 4
x1 max = 4
quation (3)
3 x1 x4 + x5 = 6
x1 max = 2
OPTIMISATION ET ANALYSE DE FAISABILIT
MTHODE DU SIMPLEXE
SOLUTION OPTIMALE
Systme quivalent dquations
Z + 3/2 x4 + x5 = 36 (0)
x3 + 1/3 x4 - 1/3 x5 = 2 (1)
x2 + x4 = 6 (2)
x1 - 1/3 x4 +1/3 x5 = 2 (3)
Variables hors base
x4 = 0, x5 = 0
Variables de base
x1 = 2, x2 = 6, x3 = 2
Fonction objective
z = 36
OPTIMISATION ET ANALYSE DE FAISABILIT
Initialisation
Critre doptimalit
Coefficients de lquation (0) non ngatifs ?
Itration # 1
Variable entrante x2
Entourer la colonne pivot
Variable sortante x4
Entourer la ligne pivot
Point pivot lintersection
Transformation de Gauss-Jordan
OPTIMISATION ET ANALYSE DE FAISABILIT
Itration #1 (suite)
Diviser la ligne pivot par le nombre pivot
OPTIMISATION ET ANALYSE DE FAISABILIT
Itration #1 (suite)
Appliquer les transformations
Nouvelle solution
z = 30
Solution (0, 6, 4, 0, 6)
OPTIMISATION ET ANALYSE DE FAISABILIT
Itration # 2
Solution
(2, 6, 2, 0, 0)
z = 36
OPTIMISATION ET ANALYSE DE FAISABILIT
Ensemble complet
OPTIMISATION ET ANALYSE DE FAISABILIT
SIMPLEXE
SOUS FORME MATRICIELLE
Forme canonique Max Z = cx
sujet
Ax b
x0
o
x1 b1 0
x b 0
x = 2 b= 2 0=
... ... ...
x
n b
m 0
a11 a12 ..... a1n
a a ..... a
A = 21 22 2n
x3 1 0 1 1 0,33 0,33
x B = x 2 B = 0 2 0 B 1 = 0 0,50 0
x1 0 2 3 0 0,33 0,33
x 3 1 0,33 0,33 4 2
x B = x 2 = 0 0,50 0 12 = 6
x1 0 0,33 0,33 18 2
2
c B = [ 0 5 3] Z = [ 0 5 3] 6 = 36
2
OPTIMISATION ET ANALYSE DE FAISABILIT
MICROSOFT EXCEL
RSOLUTION AVEC
OPTIMISATION ET ANALYSE DE FAISABILIT
MTHODE DU SIMPLEXE
SITUATIONS PARTICULIRES
galit des profits relatifs
Choix alatoire de la variable
galit des ratios
Choix alatoire
Situation de dgnrescence: remonter ltape des
ratios identiques
Solution non borne
En pratique, une contrainte est absente
Solutions multiples
Variables hors base avec des coefficients nuls dans la
fonction objective
OPTIMISATION ET ANALYSE DE FAISABILIT
MTHODE DU SIMPLEXE
VARIABLES ARTIFICIELLES
Cas
ai1 x1 + ai2 x2 + ai3 x3 + + ain xn bi
Ajout dune variable dcart
ai1 x1 + ai2 x2 + ai3 x3 + + ain xn xm = bi
Coefficient de la variable dcart ngatif ne peut servir
comme variable de base
Ajout dune variable artificielle
ai1 x1 + ai2 x2 + ai3 x3 + + ain xn xm + xa = bi
OPTIMISATION ET ANALYSE DE FAISABILIT
MTHODE DU SIMPLEXE
VARIABLES ARTIFICIELLES
Cas =
Lajout dune variable artificielle permet linsertion dune
variable de base dans la solution de dpart
Les variables artificielles sont limines de la solution en
leur assignant une pnalit importante dans la fonction
objective
RSOLUTION
Mthode du grand M
Mthode des deux phases
OPTIMISATION ET ANALYSE DE FAISABILIT
DUALIT
sujet sujet
n m
a x
j =1
ij j bi i = 1, ...,m a ij yi cj j = 1, ...,n
i =1
et et
xj 0 j = 1,...,n yi 0 i = 1,...,m
OPTIMISATION ET ANALYSE DE FAISABILIT
EXEMPLE DE DUALIT
DUALIT
OPTIMISATION ET ANALYSE DE FAISABILIT
EXERCICE
PROBLME DE TRANSPORT
EXEMPLE
Une municipalit possde 3 serres pour fournir 4 parcs
Capacit de production des serres C1, C2 et C3
Demande hebdomadaire D1, D2 et D3
Cot unitaire de transport Cij
OPTIMISATION ET ANALYSE DE FAISABILIT
PROBLME DE TRANSPORT
FORMULATION DU PROBLME
3 4
Min Z = c x
i =1 j =1
ij ij
sujet
3
x
i =1
ij = Dj j = 1, ...,4
4
x
j =1
j Ci i = 1, ...,3
et
xij 0 i = 1,...,3 j = 1,...,4
OPTIMISATION ET ANALYSE DE FAISABILIT
EXERCICE
3 serres:
S1 = 3
S2 = 7
S3 = 5
4 parcs:
P1 = 4
P2 = 3
P3 = 4
2 2 2 1
P4 = 4
c ij = 10 8 5 4
Cots dexpdition:
7 6 6 8
OPTIMISATION ET ANALYSE DE FAISABILIT
EXERCICE
W1 4 3 7 140
W2 5 2 10 100
W3 13 8 17 60
W4 9 3 11 40
Max Z = 10 x1 + 50 x2
Sujet
-x1 + 2 x2 5
x1 + 2 x2 14
x1 8
et
x1 0, x2 0
x1, x2 entiers
OPTIMISATION ET ANALYSE DE FAISABILIT
PROGRAMMATION LINAIRE EN
NOMBRE ENTIER
OPTIMISATION ET ANALYSE DE FAISABILIT
PROGRAMMATION LINAIRE EN
NOMBRE ENTIER
OPTIMISATION ET ANALYSE DE FAISABILIT
PROGRAMMATION LINAIRE EN
NOMBRE ENTIER
Mthode de sparation et dvaluation
progressive (Branch-and-Bound Technique)
Choix de la variable de sparation
Critre de la variable la plus distante
Critre du meilleur cj
Critre de la
variable la plus
distante
Sparation
selon x1
Critre de la
variable la plus
distante
Sparation partir
de P2
Critre de la
variable la plus
distante
Sparation partir
de P1
Critre du
meilleur cj
OPTIMISATION ET ANALYSE DE FAISABILIT
PROGRAMMATION LINAIRE EN
NOMBRE ENTIER