Vous êtes sur la page 1sur 9

Hypothses du modle de PL

Proportionnalit :
IFT1575 Modles de recherche oprationnelle (RO)
La contribution de chaque activit (variable) la valeur de la fonction objectif est proportionnelle au niveau de cette activit ( la valeur de cette variable) La contribution de chaque activit au terme de gauche de chaque contrainte fonctionnelle est proportionnelle au niveau de cette activit

2. Programmation linaire
a. Modlisation b. Mthode du simplexe

Cas o cette hypothse nest pas satisfaite:


Cot fixe initial Profit marginal (profit par unit) croissant Profit marginal (profit par unit) dcroissant

Cot fixe initial

Profit marginal croissant

Profit marginal dcroissant

Hypothses du modle de PL (suite)


Additivit :
La fonction objectif est compose de la somme des contributions individuelles de chaque activit Le terme de gauche de chaque contrainte fonctionnelle est compos de la somme des contributions individuelles de chaque activit

Ladditivit interdit les termes de la forme x1x2 La proportionnalit interdisait dj les termes de la forme xL L>1 Dans ces deux cas, nous avons un modle de programmation non linaire (voir Section 7)

Hypothses du modle de PL (suite)


Divisibilit : chaque variable de dcision peut prendre des valeurs non entires Dans lexemple Wyndor Glass, chaque variable reprsente un nombre de lots de chaque produit et nous admettons des fractions de lots Si nous imposons des variables valeurs entires, nous obtenons un modle de programmation en nombres entiers (voir Section 4)

Hypothses du modle de PL (suite)


Certitude : les valeurs affectes chaque paramtre sont des constantes connues avec certitude Rappelons que le modle est une reprsentation idalise du problme: cette hypothse peut tre fort loigne de la ralit! Que faire dans ce cas?
Analyse de sensibilit : vrifier la sensibilit du modle des changements de valeurs des paramtres Introduction de variables alatoires (voir Section 5)

Exemple 1: horaire de personnel


Chaque jour est divis en priodes On a pu estimer un nombre minimum demploys (MinEmp) devant tre affects durant chaque priode Chaque jour est divis en quarts de travail de 8 heures Plusieurs quarts partagent une mme priode Chaque quart de travail exige un salaire particulier Combien demploys doit-on affecter chaque quart de travail de faon minimiser le total des salaires verss, en respectant le nombre minimum demploys pour chaque priode ?
9

Exemple 1: donnes du problme


Priode 6-8 8-10 10-12 12-14 14-16 16-18 18-20 20-22 22-24 0-6 Salaire 170 160 175 180 Quart 1 195
10

Quart 2

Quart 3

Quart 4

Quart 5

MinEmp 48 79 65 87 64 73 82 43 52 15

Exemple 1: modle
xj = nombre demploys affects au quart j
Objectif:
Minimiser Z = 170 x1 + 160 x2 + 175 x3 + 180 x4 + 195 x5

Exemple 1: modle dtaill


Minimiser Z = 170 x + 160 x + 175 x + 180 x + 195 x x 48 x + x 79
1 2 3 4 1 1 2 5

Pour chaque priode, le nombre demploys affects aux diffrents quarts doit couvrir le minimum demploys requis pour cette priode Exemple, priode de 14h 16h:
X2 + x3 64

x + x 65 x + x + x 87 x + x 64
1 2 1 2 3 2 3

x + x 73 x + x 82 x 43
3 4 3 4 4

11

x + x 52 x 15 x 0, j = 1, 2 , 3 , 4 , 5
4 5 5 j

12

Exemple 1: conclusions
x1 + x2 79 x1 + x2 65 : cette dernire contrainte est donc redondante et peut tre limine x3 + x4 82 x3 + x4 73 : mme observation avec
cette contrainte

Exemple 2: rseau de distribution


Deux usines (U1,U2) Un centre de distribution (CD) Deux entrepts (E1,E2) Chaque usine manufacture un certain nombre dunits dun mme produit (offre) Chaque entrept requiert un certain nombre dunits de ce mme produit (demande) Sur chaque lien (arc) du rseau, il y a un cot de transport par unit de produit (cot unitaire) Sur certains arcs, il y a une capacit sur le nombre dunits transportes Objectif: minimiser le cot de transport total
14

x1 0, x4 0, x5 0 sont aussi redondantes mais il


ny a aucun intrt les liminer Solution optimale (obtenue par Excel Solver, voir Spreadsheets\Chapter 3\Union Airways.xls): (x1, x2, x3, x4, x5) = (48, 31, 39, 43, 15) Problme: le nombre demploys doit toujours tre entier, donc lhypothse de divisibilit nest pas satisfaite dans le modle (bien que la solution optimale dans ce cas particulier soit entire)

13

Exemple 2: donnes du problme

Exemple 2: modle
xi,j = nombre dunits du produit transportes sur larc (i,j) (entre les sommets i et j)
Objectif (en centaines de $):
Min Z = 2 xU1,U2 + 4 xU1,CD + 9 xU1,E1 + 3 xU2,CD + xCD,E2 + 3 xE1,E2

+ 2 xE2,E1

Conservation du flot: en chaque sommet du rseau, flot sortant flot entrant =


nombre dunits produites (usine) -nombre dunits requises (entrept) 0 (CD)

Capacit (sur certains arcs)


Exemple, pour larc (U1,U2): xU1,U2

10
16

Contraintes de non ngativit


15

Exemple 2 : modle dtaill


Min Z = 2 xU1,U2 + 4 xU1,CD + 9 xU1,E1 + 3 xU2,CD + xCD,E2 + 3 xE1,E2 + 2xE2,E1 sous les contraintes:

Exemple 2: conclusions
Modliser et rsoudre avec Excel Solver Cest un problme de flot cot minimum (voir Section 3; autre exemple: Worked Examples chap. 3) Solution optimale:
(xU1,U2, xU1,CD, xU1, E1, xU2, CD, xCD, E2, xE1, E2, xE2, E1) = (0,40,10,40,80,0,20)

xU1,U2 + xU1,CD + xU1,E1 = 50 + xU2,CD = 40 -xU1,U2 - xU1,CD - xU2,CD + xCD,E2 = 0 + xE1,E2 - xE2,E1 = - 30 - xU1,E1 - xCD,E2 - xE1,E2 + xE2,E1 = - 60 xU1,U2 10, xCD,E2 80 xU1,U2 0, xU1,CD 0, xU1,E1 0, xU2,CD 0, xCD,E2 0 xE1,E2 0, xE2,E1 0

Le nombre dunits transportes doit toujours tre une valeur entire, donc lhypothse de divisibilit nest pas satisfaite dans ce modle Dans ce cas particulier, la solution est entire En fait, pour tout problme de flot cot minimum (avec paramtres valeurs entires), il existe toujours une solution optimale entire
17 18

Exemple 3: problme de mlange


Quatre matriaux de base (1,2,3,4) Trois types de mlange (A,B,C) Pour chaque type de mlange:
Profit/livre = prix de vente/livre - cot de production/livre Contraintes de composition (exemple, dans le mlange B: pas plus de 50% du matriau 1; pas moins de 10% de matriau 2; exactement 10% du matriau 4)

Exemple 3: premier modle


yi = nombre de livres/semaine du type de mlange i zij = proportion du matriau j dans le mlange i
Avec ces variables, il est facile de modliser lobjectif et les contraintes de composition Mais quen est-il des contraintes de limite sur le nombre de livres disponibles de chaque matriau? Nombre de livres du matriau j par semaine:
zAj yA + zBj yB + zCj yC

Pour chaque matriau:


Limite sur le nombre de livres disponibles/semaine Cot de traitement/livre Au moins la moiti de la limite disponible doit tre traite

Limite de 3 000 livres du matriau 1 par semaine:


zA1 yA + zB1 yB + zC1 yC 3000

Cot de traitement total = 30 000 $/semaine Objectif: maximiser le profit total/semaine


19

Problme : fonction non linaire (hypothse


dadditivit viole)

20

Exemple 3: deuxime modle


xij = nombre de livres/semaine du matriau j entrant dans la composition du type de mlange i Nombre de livres du matriau j par semaine: xAj + xBj + xCj Nombre de livres du mlange i par semaine: xi1 + xi2 + xi3 + xi4 Proportion du matriau j dans le mlange i : xij / (xi1 + xi2 + xi3 + xi4)
Cette fonction aussi est non linaire! Que faire?...

Exemple 3: deuxime modle (suite)


Pas plus de 50% du matriau 1 dans le mlange B:
xB1 / (xB1 + xB2 + xB3 + xB4) 0.5

Il est facile de rendre cette contrainte linaire:


xB1 0.5 (xB1 + xB2 + xB3 + xB4)

Ou encore:
0.5 xB1 - 0.5 xB2 - 0.5 xB3 - 0.5 xB4 0

Voir lexemple complet p. 52-56 H&L Voir aussi la rsolution par Excel Solver (Spreadsheets\Chapter 3\Save-It.xls) Autre exemple de problme de mlange dans les Worked Examples chap. 3
21 22

Modlisation en PL: conclusions


Bien lire lnonc du problme:
Identifier clairement les donnes Attention aux units de mesure!

Mthode du simplexe: prliminaires


Mthode algbrique base sur la rsolution de systmes dquations linaires Revoir la mthode dlimination de Gauss-Jordan On sintresse uniquement aux systmes dquations linaires avec un nombre de variables suprieur au nombre dquations Dans ce cas, il y a deux possibilits :
il ny a pas de solution il y a une infinit de solutions

Dfinir les variables:


Vrifier que lobjectif et toutes les contraintes peuvent tre reprsentes avec ces variables Vrifier que lobjectif et les termes de gauche des contraintes fonctionnelles sont bien linaires (proportionnalit et additivit)

Dfinir lobjectif et toutes les contraintes (fonctionnelles et de non ngativit); possibilit dliminer les contraintes fonctionnelles redondantes Voir sec. 3.4 H&L (Spreadsheets\Chapter 3)
23

On suppose que toutes les variables sont 0

24

Mthode du simplexe: prliminaires


Dans le cas o il y a une infinit de solutions, la mthode dlimination de Gauss-Jordan permet didentifier trois types de variables :
variables fixes variables dpendantes variables indpendantes

Solution de base
Solution obtenue en fixant toutes les variables indpendantes 0 Variables hors-base : variables indpendantes fixes 0 Variables de base : les autres variables Solution de base ralisable : lorsque toutes les variables de base ont une valeur 0 Solution de base ralisable dgnre : lorsquau moins une variable de base a la valeur 0 Dans lexemple, la solution de base est :
x1 = 1, x2 = 1, x3 = 2

Exemple :
x1 + x2 + x3 + x4 = 4 x1 + x3 + x4 = 3 x1 + x2 + 2x4 = 2 x1 x2 + 2 x4 = 1 =1 x3 - x4 = 2

x2 : fixe; x4 : indpendante; x1 , x3 : dpendantes


25

Elle est ralisable et non dgnre


26

Pivot
Il est facile de changer le statut des variables par des oprations lmentaires :
2x4 = 1 x1 + =1 x2 = x x 3 4 2 x1 + 2x3 x2 =5 =1 x3 + x4 = 2

Retour lexemple Wyndor Glass


Les contraintes fonctionnelles sont :

3x

2x + 2x
2

4 12 18

Dans cette nouvelle solution de base, on a :


Variable hors-base : x3 Variables de base : x1, x2, x4 Solution de base non ralisable : x1 = 5, x2 = 1, x4 = -2

On ajoute des variables dcart 0 pour transformer ces ingalits en systme dquations :

+x
1

Pivot : opration consistant remplacer une variable de base par une variable hors base pour obtenir une nouvelle solution de base, dite adjacente
27

3x

2x + 2x
2

+x
2

+x

= 4 = 12 = 18
28

Variables hors-base :

x,x
1

Exemple Wyndor Glass (suite)


Solution de base :
(x1, x2, x3, x4, x5) = (0, 0, 4, 12, 18)

Exemple Wyndor Glass (suite)


En exploitant les ingalits
x4 = 12 2 x2 0 x5 = 18 2 x2 0

On veut effectuer un pivot : remplacer la variable horsbase x2 par une des variables de base actuelles Laquelle?... On veut que la nouvelle solution de base soit ralisable Dans cette solution de base, on aura toujours x1 = 0 et une des variables dcart deviendra une variable horsbase, donc prendra la valeur 0

on obtient :

x2 x2

12/2 = 6 18/2 = 9

x x x

3 4 5

= 4 x = 12 = 18 3 x
1

2x 2x

2 2

0 4 0 12 2 x 0 18 2 x

2 2

0 0 0
29

Donc, en posant x2 = 6 , on obtient x4 = 0 , alors que si on augmente davantage x2 , la solution devient non ralisable On effectue un pivot: remplacer la variable de base x4 (qui deviendra hors-base) par x2
30

Exemple Wyndor Glass (suite)


On obtient alors le systme suivant :

Exemple Wyndor Glass (suite)


En posant x1 = 2 , on obtient x 5 = 0 Pivot : remplacer la variable de base x 5 par Le systme obtenu est alors :

x1 x2 3 x1

+ x3 + 0,5 x 4 x4 + x5

= 4 = 6 = 6

Solution de base : ( x1, x 2, x 3, x 4, x 5 ) = (0,6,4,0,6) On effectue un pivot pour que la variable x1 entre dans la base (devienne variable de base) Puisque x 4 = 0 :

x x x
1 2

x x

3 5

= 4 x = 6 3x
1

0x x 0

1 1

4 2
31

1 + x 3 1 + x 2 1 x 3

1 x 3 1 + x 3

= 2 = 6

= 2

Solution de base : ( x1, x 2, x 3, x 4, x 5) = (2,6,2,0,0)


32

Interprtation gomtrique

Interprtation gomtrique
Une solution de base ralisable correspond un point extrme du domaine ralisable Un pivot correspond un dplacement dun point extrme un autre qui lui est adjacent La mthode du simplexe :
Dmarre avec une solution de base ralisable initiale (un point extrme) Effectue chaque itration un pivot, passant ainsi une solution de base ralisable adjacente (un point extrme adjacent) Sarrte lorsquelle identifie une solution de base ralisable optimale (un point extrme correspondant une solution optimale)
33 34