Chapitre 2 PDF

CHAPITRE 2
LA PROGRAMMATION FRACTIONNAIRE
LINEAIRE UNICRITERE

2.1 INTRODUCTION
Les programmes fractionnaires consistent optimiser un objectif mis sous la forme dun
rapport de deux fonctions linaires ou non, soumis un ensemble de contraintes. Diffrentes
versions de ce modle, linaires ou non linaires, en nombres entiers, en mixtes ou en continu,
ont une multitude dapplications. Une bibliographie plus tendue est donne dans ce sens dans
[60,110,114,115,119] o plusieurs applications des programmes fractionnaires ont dj t
dcrites. Les sections (2.4.1.3), (2.4.1.4) et (2.4.1.5) en rappellent quelques-unes en variables
continues. Les applications les plus rcentes et proches de loptimisation combinatoire sont
dtailles en sections (2.4.1.1) et (2.4.1.2). Trois grandes stratgies de rsolution dun
programme fractionnaire mergent dans la littrature : la rsolution directe, la rsolution par
paramtrisation et la rsolution dun problme quivalent objectif simplifi.
Notons que la programmation fractionnaire linaire peut tre aussi tendue au problme de la
programmation fractionnaire linaire bi-critre [169] et aux problmes de programmation
multicritre fractionnaire linaire [180] qui reprsente le thme essentiel de cette thse.
Dans la section qui suit , nous prsenterons les concepts fondamentaux de la programmation
fractionnaire linaire unicritre (PFL).

Chapitre 2 La Programmation Fractionnaire Linaire Unicritre

Optimisation Multicritre Fractionnaire Linaire en Nombres Entiers
23
NOTATIONS ET DEFINITIONS

| | : partie entire dun nombre rel
E : cardinal dun ensemble E.
Etant donn A une matrice de format n m :
j
i
a : lment de la ligne i et la colonne j de A m i s s 1 et n j s s 1
j
A : colonne j de A, n j s s 1
i
A : ligne i de A, m i s s 1 .
tant donn un problme doptimisation (P) :
) (P v : valeur optimale de (P)
) (P S : ensemble des solutions ralisables de (P)

Fonction concave
Une fonction R R
n
f : est dite concave si et seulement si pour tout couple
n
y x R e ) , ( on a :
) ( ) 1 ( ) ( ) ) 1 ( ( y f x f y x f + > +

Fonction convexe
Une fonction R R
n
f : est dite convexe si et seulement si pour tout couple
n
y x R e ) , ( on a :
) ( ) 1 ( ) ( ) ) 1 ( ( y f x f y x f + s +

Fonction quasi-concave
Une fonction R R
n
n
y x R e ) , ( tel que
) ( ) ( y f x f s on a :
) ) 1 ( ( ) ( y x f x f + s

Fonction quasi-convexe
Une fonction R R
n
n
y x R e ) , ( tel que
) ( ) ( y f x f > on a :
) ) 1 ( ( ) ( y x f x f + >

Fonction pseudo-concave
Une fonction R R
n
f : est une fonction diffrentiable sur
n
R . Alors, f est dite pseudo-
concave si et seulement si pour tout couple
n
y x R e ) , ( tel que 0 ) ( ) ( s V x y x f , on a :
) ( ) ( x f y f s .


24
Fonction pseudo-convexe
Une fonction R R
n
f : est une fonction diffrentiable sur
n
R . Alors, f est dite pseudo-
convexe si et seulement si pour tout couple
n
y x R e ) , ( tel que 0 ) ( ) ( > V x y x f , on a :
) ( ) ( x f y f > .

2.2 PRESENTATION DUN PROGRAMME FRACTIONNAIRE

tant donn f , h et m i g
i
, , 1 , = , des fonctions relles dfinies sur R
n
. Dsignons par X
lensemble { } , , 1 , 0 ) ( : m i x g x
i
n
= s eR et supposons que h ne sannule pas sur X . Le
problme de programmation fractionnaire consiste dterminer un lment
*
x de X
maximisant la fonction h f / . Il a donc la forme suivante :
e X x
x h
x f
P

s.c.
) (
) (
maximiser
) (
avec comme hypothses classiques :
- , ) P ( S C =
- les fonctions h f , et m i g
i
, , 1 , = sont continues sur R
n

- , 0 ) ( : > e x h X x
- 0 > e - ) x ( f : ) P ( S x

Lorsque la fonction f est concave et les fonctions h et m i g
i
, , 1 , = sont convexes, ) (P est
dsign par programme fractionnaire concave-convexe. ) (P est dit fractionnaire linaire, ou
encore hyperbolique, lorsque h f , et m i g
i
, , 1 , = sont des fonctions linaires ou affines de la
variable
n
x
+
eR . Il se modlise alors comme suit :

>
s
+
+
0
s.c.
maximiser
x
b Ax
qx
px
|
o


25
o o et | sont des rels, p et q sont des vecteurs de R
n
, A est une matrice relle de format
n m et b est un vecteur de R
m
.

Lemme 2.2.1 [174]
Si h f est une fonction fractionnaire linaire sur un ensemble X de R
n
telle que
0 ) ( : > e x h X x , alors :
a) pour chaque couple X y x e ) , ( , on a :
i) ) ( ) ( ) ( ) ( y h y f x h x f s si et seulement si | | 0 ) ( ) ( ) ( > V x y x h x f
ii) ) ( ) ( ) ( ) ( y h y f x h x f < si et seulement si | | 0 ) ( ) ( ) ( > V x y x h x f
b) h f est simultanment pseudo-concave et pseudo-convexe.

2.3 GEOMETRIE DE LA PROGRAMMATION FRACTIONNAIRE LINEAIRE
Comme l'a not Steuer[32], les programmes linaires fractionnaires prsentent un intrt
particulier mis en vidence par la linarit des courbes niveaux de leurs fonctions critres. En
effet, pour illustrer cet aspect, considrons une Z - courbe niveau quelconque de la fonction
critre :
|
o
+
+
=
x q
x p
t
t
Z
aprs simplification, nous obtenons :
o | + = + x p x q
t t
) ( Z
ce qui entrane
x q p
t
) ( Z Z = o |
qui est une expression linaire de la Z - courbe niveau de la fonction critre. Puisque Z est
quelconque, on voit que chaque courbe niveau du critre fractionnaire linaire est linaire sur S,
condition que le dnominateur ne soit pas nul sur S. Donc, si un programme fractionnaire
linaire unicritre possde une solution optimale, alors au moins un point extrme de S est
optimal.
En dpit de la linarit de la courbe niveau de la fonction objectif, les courbes niveaux ne sont
pas parallles ( lorsque 0 , 0 = = q p et q p e = pour tout R e e ) comme ils le sont en
programmation linaire. L'ensemble rotation est l'ensemble de tous les points d'intersection entre
la 0-courbe niveau du numrateur et la 0-courbe niveau du dnominateur.
L'ensemble rotation est appel point de rotation dans R
2
et axe de rotation dans R
3
. Les
points de cet ensemble sont dtermins par la rsolution du systme suivant :

26
|
o
=
=
x q
x p
t
t

Exemple illustratif 2.2.2
Considrons le programme fractionnaire linaire suivant :
0
3
3
6 2 5
1 5
1

2 1
2
1
2 1
2 1
2 1
>
s
s
> +
+
+
=
, x x
x
x
x x s.c.
x x
x x
Z Maximiser

dont le graphe est donn par la figure 2.2.1

Donc la courbe de niveau Z est lensemble des points ) , (
2 1
x x x = satisfaisant lquation :
2
x
r
0 = Z
1 = Z
0 = Z
0 = Z
1
x

1
x
2
x

q
p
4
x

3
x

S
(0,1) r
1 ) Z(x ) 3 , 0 (
17 / 5 ) Z(x ) 3 , 3 (
7 / 1 ) Z(x ) 0 , 3 (
9 / 1 ) Z(x ) 0 , 2 (
4 4
3 3
2 2
1 1
=
= =
= =
= =
= =
x
x
x
x

Figure 2.2.1 Graphe de lexemple 2.2.2


27
) 1 ( ) 1 ( ) 5 1 (
2 1
Z Z Z = + x x

donc pour :
1 0
2 1
= + = x x Z : courbe de niveau 0
0 1
1
= = x Z : courbe de niveau 1

Le problme a quatre points extrmes
4 3 2 1
et , , x x x x dont les valeurs du critre sont indiques sur
la figure 2.2.1. Les lignes discontinues reprsentent les 0-courbes niveaux du numrateur et du
dnominateur dont l'intersection est le point de rotation ) 1 , 0 ( = r . La flche circulaire dnote le
gradient de la fonction fractionnaire linaire critre et indique le sens et langle avec lesquels se
dplacent les courbes de niveaux. Donc, en faisant dplacer la courbe de niveau 0 autour du
point de rotation suivant le sens de rotation trigonomtrique, nous pouvons voir que le point
optimal
4
x de valeur optimale 1
*
= Z est lintersection du domaine S avec la courbe de niveau
Z = 1.

2.4 STRATEGIES DE RESOLUTION DUN PROGRAMME FRACTIONNAIRE

La forme particulire des programmes fractionnaires a fait que de nombreux auteurs ont
labor des mthodes de rsolution spcifiques qui se sont avres plus efficaces que
lapplication directe de mthodes gnrales de la programmation non linaire.
Dans la littrature mergent trois grandes stratgies de rsolution dun programme
fractionnaire.

La rsolution directe (Sect. 2.4.2) : le programme est trait sous sa forme originale. Elle a t
utilise pour les programmes hyperboliques en variables continues et entires.

La rsolution par paramtrisation (Sect. 2.4.3) : linverse de la rsolution directe, on
construit un problme objectif simplifi, combinaison linaire du numrateur et du
dnominateur par lintermdiaire dun paramtre, tout en gardant inchang lensemble des
contraintes. Une squence de rsolutions de ce type de problme fournit une solution du
programme fractionnaire. Cette mthode a t utilise pour les diffrents programmes

28
fractionnaires linaires et non linaires, en variables continues comme en variables discrtes, sur
des domaines borns.

La rsolution dun programme quivalent (Sect. 2.4.5) : un changement de variables permet lui
aussi de simplifier lobjectif, mais en transportant la difficult sur lensemble des contraintes. Par
exemple, un programme fractionnaire concave-convexe est transform en un programme
concave, et un programme hyperbolique en un programme objectif linaire, avec des
contraintes additionnelles.

Pour terminer, la section 6 prsente les diffrentes approches permettant de dfinir un dual
dun programme fractionnaire.

2.4.1 APPLICATIONS

Les programmes fractionnaires linaires ou non linaires, en continu, en nombres entiers ou en
variables 01 se rencontrent dans plusieurs domaines tels que les bases de donnes,
loptimisation combinatoire, la programmation stochastique et lconomie.

2.4.1.1 BASES DE DONNEES

Loptimisation de requtes en recherche documentaire (Hansen et al. [77]) est une application
informatique qui dbouche sur un programme hyperbolique en variables 01.
Etant donn un ensemble de documents avec attributs (mots-cls, mots dun titre, noms
dauteurs, etc.), le problme envisag a trait un systme automatique de rcupration de
documents en rponse une requte. Heine [79] a montr que lefficacit dun tel systme
dpend de la forme de la requte et que lcriture optimale de cette requte par un utilisateur
est loin dtre vidente. Le but est donc dtablir une interface qui aide lutilisateur trouver une
forme satisfaisante de requte. Le critre doptimalit choisi est celui de Van Rijsbergen [120]
qui, grce une tude mathmatique base sur la thorie de la mesure, a labor un critre
dvaluation de lefficacit dun systme de recherche documentaire comme suit :
pour une requte donne, en notant
a
D lensemble des documents adquats et
r
D lensemble
des documents rcuprs, lefficacit du systme est fonction de deux paramtres fondamentaux
:


29
la prcision, cest--dire la probabilit pour que le document rcupr soit adquat :

,
Dr
Dr Da
Pa

=
la rcupration, cest--dire la probabilit pour que le document adquat soit rcupr :

,
Da
Dr Da
Pr

=
Le critre minimiser de Van Rijsbergen scrit :
Da ) ( Dr
Dr Da Da ) ( Dr
,
Pr Pa
) ( VR
e e
e e
e e
e
+
+
=
+
=
1
1

1
1
1

o | | 1 0, e e est un paramtre caractrisant la prfrence pour la prcision ( e proche de un) ou la
rcupration ( e proche de zro).
Par la suite on suppose que toute requte est mise sous forme normale disjonctive. En dsignant
par (cl)
j
, n , , j 1 = , toutes les conjonctions logiques lmentaires possibles, en notant par
j
Nr
le nombre de documents rcuprs correspondants et par Na
j
celui des documents adquats
parmi les
j
Nr

rcuprs, et en dfinissant enfin les variables bivalentes n , , j , x
j
1 = , comme
suit :

=
sinon, 0
requte, la appartient (cl) si 1
j
j
x
on obtient :

, x Na Dr Da , x Nr Dr , Na Da
n
j j j j
n
j
j
= = =
= = =
1 j
n
1 j 1

Avec ces notations, le critre minimiser VR(e ) scrit :

= =
= =
+
+
=
n
j
j j
n
j
j
n
j
j j j
n
j
j
x Nr Na ) (
x ) Na Nr ( Na ) (
) ( VR
1 1
1 1
1
1
e e
e e
e


30

et ainsi le problme doptimisation de requtes a la forme gnrale dun programme
hyperbolique sans contraintes en variables 01 :

{ }
= e
+
+
=
=
n j x
x q
x p
j
n
j
j j
n
j
j j
, , 1 , 1 , 0 s.c.
min
1
1
|
o

Une limitation Nr sur le nombre global de documents rcuprer ncessiterait lintroduction
dune contrainte de type sac dos :
. Nr x Nr
n
j
j j
=
s
1

2.4.1.2 GENERATION DE COLONNES

Dans le but dtendre la programmation linaire gnralise au cas des programmes mixtes de
grandes tailles, Hansen et al. [76] ont propos des procdures arborescentes utilisant lalgorithme
dual du Simplexe, et dans lesquelles la gnration de colonnes est ralise par rsolution de
programmes fractionnaires en nombres entiers avec contraintes.
Soit donc la forme standard dun programme linaire mixte m contraintes dont le nombre n de
variables est dmesurment grand (par exemple la matrice de contraintes ne peut tre connue
explicitement) :
{ }
C = c e
= e >
=
=
=
E E j
j
n
j
j
j
n
j
j j
J ; J J j x
n , , J j , x
b x A
x c
entier,
1 0
s.c.
min
1
1

Dans une mthode classique de Branch -and- Bound, considrons la solution optimale x du
programme linaire associ au problme courant, la matrice B de base, J
B
lensemble des indices
des variables en base et
inf sup N
J J J = celui des indices des variables hors-base ( J
sup
(resp.
J
inf
) est lensemble des indices des variables hors-base leur borne suprieure (resp. infrieure)).

31
Sil existe
E B
J J i e tel que e i x N, ce problme courant est spar en deux sous-
problmes par ajout de la contrainte

i
i
x x s dune part, et de la contrainte

1 + > i
i
x x dautre
part.

Pour le sous-problme incluant par exemple la contrainte

1 + > i
i
x x , la dtermination de la
variable
k
x entrant dans la base, consiste dterminer une colonne
k
A telle que :

e >
e <
sup inf
, 0 / min ; , 0 / min min J j uA
uA
c A
J j uA
uA
c A
uA
c A
j
j
j
j
j
j
j
j
k
k
k
t t
t

o t est le multiplicateur du simplexe (cest--dire
1
B c
B
) et u est la ligne i de
1
B (itration
courante de lalgorithme dual du simplexe).

Par exemple, considrons le problme de dcoupe unidimensionnelle qui consiste minimiser
la chute. On suppose que les pices dcouper ont une longueur commune L, que les demandes
des clients correspondent
i
b pices de longueur m , , i , l
i
1 = . Les colonnes de la matrice des
contraintes A reprsentent les n possibilits de dcoupes satisfaisantes. Plus prcisment, pour
tout { } n , , j 1 e et tout { } m , , i 1 e ,
ij
a reprsente le nombre de dcoupes de longueur l
i
. La
variable de dcision
j
x reprsente le nombre dutilisations du type de dcoupe reprsent par
ij
a , et tous les cots
j
c valent 1, n , , j 1 = . Pour ce problme de dcoupe, il faut donc rsoudre
deux programmes hyperboliques en variables entires dont le premier est du type :

{ }
e e e
s
s
=
=
=
=
) interdites (solutions / ,
0
s.c.
1
min
sup
m
1
1
1
1
J j A y y
y u
L y l
y u
y
j
m
i
i i
m
i
i i
m
i
i i
m
i
i i
N
t


32
et dont la solution optimale
*
y permet de spcifier la colonne
k
A .

2.4.1.3 PARAMETRISATION DUN PROGRAMME LINEAIRE

Considrons un programme linaire mis sous forme standard :

= >
=
=
=
n , , j , x
b x A
x c
) P (
j
n
j
j
j
n
j
j j
1 0
s.c.
min

1
1

Lorsquun seul coefficient
p
c de lobjectif, { } n , , p 1 e , varie (les autres tant tous constants) la
valeur optimale de la fonction objectif de (P) est une fonction de
p
c concave linaire par
morceaux. Etudier leffet dune variation du coefficient
p
c sur la valeur optimale ) P ( v de (P)
peut se ramener un programme fractionnaire (cf.[60, 125]).

Par exemple, en supposant que ) P ( v est finie, une forme danalyse de sensibilit peut tre la
suivante :

quelle est la valeur maximale de
p
c telle que la valeur associe du problme ne dpasse pas
) P ( v u , avec | | 1 0, e u donn ?

En posant
p p
x c y = et en supposant la valeur optimale de
p
x non nulle (donc strictement
positive), la question se formule comme suit :
quelle est la valeur optimale de la fonction objectif du programme hyperbolique en variables
continues suivant ?


33
= > >
s +
=
=
=
n j x y
P v y x c
b x A
x
y
P
j
p j
j j
n
j
j
j
p
, , 1 , 0 , 0
) (
s.c.
max
) (
1
u

2.4.1.4 PROGRAMMATION STOCHASTIQUE
Considrons le programme linaire :

>
=
, 0
s.c.
max
x
b Ax
cx

et supposons que les coefficients de la fonction objectif c sont non constants, indpendants et
varient suivant une loi de probabilit donne. La programmation stochastique ) (PS se propose de
maximiser la probabilit pour que la valeur de la fonction objectif soit suprieure une valeur
donne k, cest--dire :

{ } k x c b Ax x PS
k
> = > -
O e
) ( , ), 0 ( : max ) ( e e
e
P

o la notation ) ( c e signifie que c est une variable alatoire dfinie sur un espace de probabilit
de mesure P.

Lorsque les coefficients
j
c , considrs comme des variables alatoires, suivent une loi de Gauss
ayant m comme moyenne et V comme covariance, Bereanu [51] a montr que le programme
) PS (
k
est quivalent au programme dterministe suivant :


34
>
=
, 0
s.c.
max
x
b Ax
Vx x
k x m
t
t

qui est un programme fractionnaire linaire-convexe en variables continues.

2.4.1.5 ECONOMIE
Le domaine de lconomie offre un large ventail dapplications. En effet, la mesure de
lefficacit des systmes tudis sexprime sous forme de rapports entre les critres techniques
et/ou conomiques. Par exemple :
rendement/risque : Ziemba [127], Kallberg-Ziemba [86] (modle concave) ;
rendement/investissement : Heinen [80], Mjelde [96, 97] (modle concave quadratique
avec contraintes linaires) ;
cot/temps : Derman [61], Klein [87] (modle linaire) ;
productivit : Gutenberg [74] (modle linaire).

2.4.2 RESOLUTION DIRECTE

Cette section traite des mthodes qui rsolvent le programme fractionnaire sous sa forme
originale, cest--dire sans modifier ni lobjectif ni lensemble des contraintes. Cette approche
est utilise pour rsoudre les programmes hyperboliques tant quen variables continues quen
variables entires (en particulier en 01).
Le premier paragraphe est consacr au programme hyperbolique continu et le programme
hyperbolique discret est prsent dans le second paragraphe.

2.4.2.1 PROGRAMME HYPERBOLIQUE CONTINU

35

Plusieurs approches furent labores [53,59,62,66,71] pour la recherche dune solution
optimale dun programme hyperbolique en variables continues. Parmi les plus rcentes, celle de
A. Cambini et al. [56] qui permet aussi doptimiser le problme hyperbolique sur un domaine de
solutions ralisables S non born. Les grandes lignes de cette mthode sont prsentes ci-
dessous :
On considre donc le programme hyperbolique continu (P) :

>
s
+
+
0
s.c.
.
maximiser
) (
x
b Ax
qx
x p
P
|
o

o o et | sont des rels, p et q sont des vecteurs de R
n
, A est une matrice relle de format
n m et b est un vecteur de R
m
. Dsignons par S lensemble { } 0 , : > s e x b Ax x
n
R .

Thorme 2.4.2.1 [90]
Le point
0
x de S est une solution optimale du problme (P) si et seulement si le vecteur gradient
rduit q p o | = est tel que 0 s
j
pour tout indice hors base
k
N j e .

Preuve : voir [90] .

Lalgorithme gnre une squence finie l , , i , x
i
1 = de solutions niveau optimales dont la
premire est trouve de la faon suivante :

Rsoudre le problme linaire
1
) ( m i n :
0
| +
e
qx P
S x
et considrant
o
x comme une solution
optimale. Si
o
x est unique, alors elle est aussi une solution niveau
2
optimale, sinon rsoudre le
problme linaire (P
1
) :
e
=
+
S x
qx qx
px
P

s.c.
) ( maximiser
) (
0
1
o

1
Notons que
0
P possde une solution optimale puisque sa fonction objectif est borne
2
Voir [56]

36
Si
1
P na pas de solutions, alors la valeur de la fonction objectif est infinie; sinon une solution
optimale
1
x de
1
P est aussi une solution niveau optimale.

Algorithme
Etape 1 : Trouver la solution optimale niveau
1
x .

Si une telle solution n'existe pas, alors + =
e
) ( sup x Z
S x
. Terminer.
Sinon, poser 1 = k et aller l'tape 2.
Etape 2 : Si { } C = > = 0 /
j
q j J , terminer.
i
x est une solution optimale du problme (P).
Sinon, soit k tel que ) / ( max
j j
J j
k
k
q p
q
p
e
=
si 0 >
k
, aller l'tape 3
si 0 s
k
, terminer.
i
x est une solution optimale de (P).
Etape 3 : La variable hors base
k
N
x entre dans la base en moyennant une opration pivot. Si
une telle opration est possible, Poser 1 : + = i i et aller l'tape 2.
Si une telle opration n'est pas possible. Terminer :
k
k
q
p
x Z
S x
=
e
) ( sup .

2.4.2.2 PROBLEME HYPERBOLIQUE EN VARIABLES ENTIERES

De nombreux auteurs ont rsolu le problme de la programmation fractionnaire linaire en
nombres entiers par la mthode directe en utilisant diffrents algorithmes tels par exemple les
techniques de sparation et valuation progressive [42,45,57,100] et les variantes des coupes de
Gomory, comme celle de D. Granot et al. [70] que nous prsenterons dans ce qui suit :

Considrons le problme de la programmation fractionnaire linaire en nombres entiers
suivant (P) :
>
s
+
+
entier
, 0
s.c.
.
maximiser
) (
x
x
b Ax
qx
x p
P
|
o


37
Dans la mthode de Granot, on rajoute aux m premires lignes de la matrice des contraintes
A, les trois lignes (m+1), (m+2) et (m+3) relatives respectivement aux vecteurs numrateur p,
dnominateur q et aux valeurs du gradient rduit
j
de la fonction objectif o

{ } n j q p
j j j
, , 1 , e = o |

A chaque itration de lalgorithme, les (m+2) lignes sont modifies travers les oprations
ordinaires de pivot, par contre la dernire ligne est modifie selon la formule du gradient rduit
cite ci-dessus.
Une fois les valeurs du gradient rduit pour les variables hors base calcules, on teste :
Si , 0 s
j
pour tout indice hors base j , alors la solution ) 0 , ( 0 = =
N B
x a x est une solution
optimale du problme (P) o B est lensemble des indices de base et N est celui des indices
hors base.
Sinon, il existe un indice
N
I k k e , , pour lequel 0 >
k
. Soit { } 0 ; / min 0 > = ik ik i
k
a a a u .
Alors toute ligne v, pour laquelle | |
k
vk v a a u s / 0 , peut servir comme une ligne source pour
gnrer une coupe de Gomory de la forme :

| | | | 0 , / / 0 > = +
e
s a a x a a s vk v
I j
j
vk vj
N
.

Cette coupe peut tre rajoute au problme initial et servir comme ligne pivot, avec la k
ime

colonne comme une colonne pivot. Puisque la valeur du pivot dans ce cas est 1 =
(
vk
vk
a
a
, les
nouveaux coefficients obtenus aprs l'opration de pivot usuelle sont tous entiers.

2.4.3 RESOLUTION PAR PARAMETRISATION

Afin de simplifier lobjectif du programme mathmatique, un paramtre est introduit
permettant par exemple de ramener un programme hyperbolique en un programme (paramtr)
linaire, ou bien un programme fractionnaire quadratique en un programme (paramtr)
quadratique, tout en gardant lensemble des contraintes inchang. Ainsi le programme obtenu
peut tre rsolu paramtriquement : une squence de rsolutions de tels programmes

38
objectif simplifi engendre une suite de solutions convergeant vers une solution optimale du
programme fractionnaire initial.
Propose initialement en 1956 par Isbell et Marlow [83] pour des programmes hyperboliques,
ce nest qu partir de 1967 que cette approche a connu un grand lan avec Dinkelbach [62] qui
la gnralise aux programmes fractionnaires non linaires.
Un rappel du programme paramtr et de ses principales proprits est suivi des diffrents
algorithmes construits autour de cette approche.
Afin dassurer la convergence de la procdure, lhypothse de compacit du domaine dfini
par les contraintes est adopte tout au long de cette section.

Soit le programme fractionnaire
>
s
0
0 ) ( s.c.
) (
) (
maximiser
) (
x
x g
x h
x f
P

Le programme paramtr associ consiste simplifier lobjectif en combinant linairement le
numrateur et le dnominateur par lintermdiaire dun paramtre e R. Il est donc dfini
comme suit
>
s
0
0 ) ( s.c.
) ( ) ( maximiser
)) ( (
x
x g
x h x f
Q

pour tout e R.
Dans le cas dun programme hyperbolique :

>
s
+
+
0
s.c.
maximiser
x
b Ax
qx
px
|
o

le programme paramtr est un programme linaire dont lobjectif est fonction de e R :


39
>
s
+
0
s.c.
) ( ) ( maximiser
x
b Ax
x q p | o

En notant
*
la valeur optimale de (P), le rsultat fondamental liant le programme fractionnaire
au programme paramtr associ est donn par :

Proposition 2.4.3.1 : (Dinkelbach [62])
Toute solution optimale de ) (
*
Q est une solution optimale de (P).

En tant que fonction de la variable , la valeur optimale ) ( v du programme paramtr vrifie
quelques proprits [62] que nous rsumons ci-aprs :

Proposition 2.4.3.2 :
La fonction ) ( v est continue, strictement dcroissante, convexe.
0 ) 0 ( > v et ) ( v tend vers quand tend vers + . Si de plus f et h sont affines, alors v
est linaire par morceaux.

En particulier, lquation 0 ) ( = v admet une solution unique
*
, plus prcisment :
Proposition 2.4.3.3 :
(a)
*
0 ) ( = = v
(b)
*
0 ) ( < > v
(c)
*
0 ) ( > < v

Ainsi la rsolution de (P) revient trouver la racine de lquation non linaire une seule
variable : 0 ) ( = v .
Un catalogue des algorithmes est donn dans la littrature. Il inclut des algorithmes de rsolution
itratifs (Newton [62,83], interpolation linaire [113]) et dichotomiques (recherche
dichotomique, recherche dichotomique modifie et interpolation convexe dans [81]) ainsi quun
algorithme c approchant [93].

Mthode de type primal

En notant que la connaissance dune solution ralisable
x de ) ( Q vrifiant
0 ) ( ) ( >

x h x f suffit conclure que
*
< , plusieurs auteurs ont privilgi lutilisation

40
dheuristiques constructives. Ce principe peut tre illustr comme suit : tout algorithme itratif
engendrant une suite de solutions peut tre interrompu ds quune solution
x vrifie
0 ) ( ) ( >

x h x f , sinon la rsolution de ) ( Q doit tre exacte. En notant dans cette dernire
alternative
x une solution optimale de ) ( Q , le processus est itr en donnant la valeur

) ( ) (

x h x f dans le premier cas ou la valeur ) ( ) (

x h x f dans le second cas.

Dans le cas dun programme linaire, Martos [90,91] exploite cette proprit en combinant la
mthode de Newton et lalgorithme primal du Simplexe.
Cette approche a t tendue au cas des programmes fractionnaires en nombres entiers par
Granot et al. [70], Ishii et al. [84] et Seshan et al. [117] dont une prsentation brve de la
mthode est donne ci-aprs.
.
Algorithme [117]

Etape 1
Soit
0
x une solution ralisable de ) (P . Poser 0 = i .
Etape 2
Poser
) (qx
) (px
i
i
i
+
+
=
+1
. Rsoudre le problme linaire en nombres entiers ) (
1 + i
Q .
Si
i
x est une solution optimale de ) (
1 + i
Q , alors
i
x est une solution optimale de ) (P .
Sinon, soit
1 + i
x une solution optimale de ) (
1 + i
Q . Poser 1 : + = i i et rpter l'tape 2.

2.4.4 RESOLUTION DUN PROBLEME EQUIVALENT A OBJECTIF NON
FRACTIONNAIRE

La transformation du programme fractionnaire en un programme quivalent objectif non
fractionnaire est obtenu par un changement de variables. A linverse de lapproche paramtre,
ce changement de variables induit lajout dune contrainte et dune variable. Plus prcisment,
cette transformation, propose par Charnes et Cooper [59] pour le programme hyperbolique en
variables continues


41
>
s
+
+
0
s.c.
maximiser
) (
x
b Ax
qx
px
P
|
o

seffectue en introduisant deux nouvelles variables

x
qx
y
|
|
.
|
\
|
+
=
|
1
et
| +
=
qx
t
1

pour aboutir un programme linaire quivalent :

>
= +
s
+
0 ,
1
0 s.c.
max
) (
t y
t qy
bt Ay
t py
PE
|
o

Cette notion dquivalence est prcise ci-dessous :

Proposition 2.4.4.1 (Charnes-Copper [59]) :
Si ) , (
* *
t y est une solution optimale de (PE), alors 0
*
> t et
*
*
*
t
y
x = est une solution optimale
de (P).
En fait, sil existe une solution ralisable x telle que 0 >
+
+
|
o
qx
px
, la contrainte dgalit
1 = + t qy | peut tre remplace par la contrainte dingalit 1 s + t qy | , plus simple traiter
(Schaible [113]).

Cette transformation en un programme linaire quivalent a pour but dappliquer les algorithmes
standards tels que la mthode du Simplexe (Arsham et Khan [47] et Charnes et Cooper [59]).
Pour les programmes fractionnaires en variables entires, Granot et Granot [70] proposent une
mthode de gnration de coupes (de type Gomory) applique au programme linaire (PE).
Dautre part, dans le cas dun programme hyperbolique n variables bivalentes, Williams [125]
propose une transformation spcifique en un programme linaire quivalent en variables mixtes

42
dont la taille croit de n+1 variables continues et de 3n contraintes. Ce nouveau programme est
rsolu par un algorithme de type Branch -and- Bound.

Remarque 2.4.4.2 (Craven [60], Schaible et Ibaraki [115])
Cette transformation peut tre plus gnralement effectue sur un programme fractionnaire
concave-convexe
>
s
0
0 ) ( s.c.
) (
) (
max
) (
x
x g
x h
x f
P
pour aboutir un programme concave quivalent :

>
=
|
.
|
\
|
s
|
.
|
\
|
|
.
|
\
|
0 ,
1
0 s.c.
max
) (
t y
t
y
h t
t
y
g
t
y
f t
PE
obtenu en posant
x
x h
y
|
|
.
|
\
|
=
) (
1
et
) (
1
x h
t = .

Remarque 2.4.4.3 : Dans le cas dun programme hyperbolique en variables 01, cette
transformation induit des contraintes de type quadratique. Plus prcisment, en notant que
{ } 1 , 0 e
j
x est quivalent 0 ) 1 ( =
j j
x x , la contrainte { } 1 , 0
1
e
j
y
t
scrit sous la forme
quivalente 0 ) ( = t y y
j j
, soit 0
2
= t y y
j j
qui est de type quadratique.
Exemple 2.4.4.4 Considrons le programme fractionnaire linaire suivant :


43
0
2
20 3 4
10 5 2
9
5
2 1
2 1
2 1
2 1
2 1
2
>
s +
s +
> +
+

=
, x x
x x
x x
x x s.c.
x x
x
Z Maximiser

dont le graphe est reprsent par la figure 2.4.4.1. Le changement de variable donne la
formulation suivante:

{ }
0
1 9
0 2
0 20 3 4
0 10 5 2
5
2 1
2 1
2 1
2 1
2 1
2
>
= +
s +
s +
> +
,t , y y
t y y
t y y
t y y
t y y s.c.
t y Maximiser

En utilisant la mthode du simplexe, on obtient
3
4
2 3
2
1
, = = y y et
3
1
= t . Cela donnera ) 4 , 2 (
1
= x
comme solution optimale du programme fractionnaire linaire.

p
3
1
- = Z
r
0 = Z
q
1
x
2
x
3
x

2
x
X
2
1
x

S
) 0 , 5 (
) 2 , 0 (
) 4 , 2 (
3
2
1
=
=
=
x
x
x

Figure 2.4.4.1 Graphe de l'exemple 2.4.4.4

44
2.4.5
2.4.6 PROBLEMES DUALS
On considre le programme fractionnaire

>
s
0
0 ) ( s.c.
) (
) (
maximiser
) (
x
x g
x h
x f
P
avec comme hypothses classiques :
- , ) P ( S C =
- les fonctions h f , et g sont continues sur R
n

- , 0 ) ( : 0 > > x h x
- 0 > e - ) x ( f : ) P ( S x

La dualisation directe des contraintes de (P) peut engendrer un saut de dualit dmesur et mme
une valeur infinie pour le dual comme le montre lexemple de Schaible [113] :

1 1 , 0
1
max =
)
`
> > x x
x

alors que
+ =
)
`
+ >
>
) 1 (
1
sup , 0
0
x u
x
u
x
.

Afin de remdier cet inconvnient, plusieurs approches sont suggres [44, 50, 52, 60, 68, 113,
115, 124], celles bases sur le programme quivalent, ou sur le programme paramtr, ou bien
celles utilisant directement le programme dorigine aprs une rcriture fractionnaire des
contraintes.

2.4.5.1 DUAL UTILISANT LE PROBLEME EQUIVALENT

Schaible [113] propose une approche base sur le programme quivalent (voir Sect. 2.4.4). On
sait que le programme fractionnaire concave-convexe (P) peut tre transform par un
changement de variables, en un programme concave quivalent (PE). Ainsi, le programme

45
fractionnaire quivalent au dual de ce dernier permet de dfinir un dual de (P). Afin dillustrer
cette dernire notion, considrons le programme hyperbolique :

>
=
+
+
0
s.c.
maximiser
) (
x
b Ax
qx
px
P
|
o

dont le programme quivalent
>
= +
=
+
0 ,
1
0 s.c.
maximiser
) (
t y
t qy
bt Ay
t py
PE
|
o

admet pour dual

>
> +
> +
0.

s.c.
minimiser
) (
r
r bs
p r q s A
r
DE
T t
o |

Ainsi, le programme fractionnaire quivalent (DE) permet de dfinir un dual de (P) :
> >
> + +
+
0 , 0
) ( ) ( s.c.
1
minimiser
) (
r y
p r p q y pb A
r by
r
D |
o

2.4.5.2 DUAL UTILISANT LE PROBLEME PARAMETRE

La notion de programme paramtr (voir Sect. 4), permet galement de dfinir une notion de
dualit. Bitran et Magnanti [52] lont utilise pour tendre quelques rsultats de la dualit
classique au cas des fonctions fractionnaires non-diffrentiables. Bector [50] retrouve ces
thormes par lapproche suivante.

46

2.4.5.3 DUALS LAGRANGIENS

Une rcriture fractionnaire des contraintes, propose initialement par Goldstein [68] et
tudie ensuite par Bector [50] et Weir et Mond [124], permet denvisager un modle homogne
quivalent au modle initial (invariance la fois du domaine et de la valeur).

Relaxation Lagrangienne
Le dnominateur de lobjectif tant suppos strictement positif sur lensemble des variables x
non ngatives, on peut envisager le programme quivalent suivant :

>
s
|
|
.
|
\
|
0
0 ) (
) (
1
s.c.
) (
) (
maximiser
) 1 (
x
x g
x h
x h
x f
P

dont le dual lagrangien est dfini par :
)
`

>
+
e
) (
) ( ) (
max min
0
m
u
x h
x ug x f
x R
.

En supposant que toutes les fonctions sont diffrentiables et en considrant le cas o f est
concave, h linaire et g convexe, Bector [50] prouve diffrents thormes de dualit qui restent
encore valides si h est convexe [113].

En somme, de nombreuses notions de dualits ont t proposes. La plupart de ces tudes sont
restes un niveau thorique et nont pas connu de dveloppements algorithmiques.

En utilisant la mme transformation, Anass NAGIH propose dans [103] un schma de
dcomposition lagrangienne pour les programmes hyperboliques en variables 01 et des rsultats
de dominance de cette dernire sur la relaxation lagrangienne. Il tends ainsi aux programmes
hyperboliques en variables 01, des rsultats classiques obtenus dans le cas linaire par Guignard
et Kim [73] et dans le cas quadratique convexe par Michelon et Maculan [95].

47

Considrons le problme hyperbolique en variables 01 suivant :

{ }
e
s
+
+
. 1 , 0
s.c.
maximiser
) (
n
x
b Ax
qx
px
P
|
o

Le problme dual obtenu en dualisant les contraintes b Ax s sous forme fractionnaire est donn
par :

{ }
|
o
+
+ +
e
+
e
qx
x uA p ub
DR
n
x
) ( ) (
max min ) (
1 , 0
m
u R

Dcomposition lagrangienne
Lintroduction dune variable de copie permet de dcoupler lobjectif fractionnaire des
contraintes. Plus prcisment, on considre le problme (P) dans lequel est introduite une
contrainte de copie x y = :
_ e >
s
=
+
+
+
. , 0

s.c.
max
) ' (
n
Y y x
b Ax
x y
qx
px
P
R
|
o

quivalent au problme (P) dorigine. Y peut par exemple tre gal ) (
n
o
C
+
R , enveloppe
convexe de
n
+
R , ou tout simplement
n
+
R .
La contrainte x y = est dualise sous la forme fractionnaire
| | +
=
+ qx
x
qx
y
.
Le problme dual associ est du type :

, ,
) (
max min ) (
,
n
)
`
e e s
+
+ +
+
e
n
x Y y b Ay
qx
wy x w p
DD
y x w
R
R
|
o
.


48
En nommant ) (
w
K le programme linaire
e
s
.
s.c
y max
Y y
b Ay
w

on obtient une rcriture du problme dual sous la forme

) ( ) (
max min ) (
0
n
)
`
+
+ +
> e
|
o
qx
Kw v x w p
DD
x w R
.

Il faut noter que, contrairement la dcomposition lagrangienne classique, pour
n
w R e donn,
le calcul de la valeur de la fonction duale ncessite la rsolution successive de deux programmes
non indpendants : dabord un programme linaire contraintes dingalit qui fournit un
ajustement de la constante du numrateur de lobjectif fractionnaire, puis un programme
hyperbolique sans contraintes en variables 01.
De plus rappelons que la rsolution dun programme hyperbolique sans contraintes en
variables 01 est de complexit temporelle linaire [77, 107].

Naturellement, les valeurs ) (DR v et ) (DD v des deux duals fournissent des majorants de la
valeur ) (P v du problme primal, et on rappelle que ) (DD v a t prouve de qualit meilleure
que ) (DR v [52].

2.5 CONCLUSION

Ce tour dhorizon montre toute la richesse et la varit des travaux consacrs aux programmes
fractionnaires, en particulier ceux de Anass NAGIH [101, 102, 104] quils soient linaires, non
linaires, en variables continues ou en nombres entiers.
De nombreuses applications, conomiques ou algorithmiques dont certaines sont dcrites ici, ont
t la source des motivations de nombreuses recherches.
Ce catalogue nous a incit apporter notre contribution la rsolution des programmes
fractionnaires linaires en prsence de variables entires et variables mixtes [42, 43] qui sera
expose en dtails dans le chapitre suivant.

Chapitre 2 PDF

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

Chapitre 2 PDF

Transféré par

Droits d'auteur :

Formats disponibles

CHAPITRE 2

x une solution optimale de ) ( Q , le processus est itr en donnant la valeur

Vous aimerez peut-être aussi