Académique Documents
Professionnel Documents
Culture Documents
Recherche oprationnelle
ENSERB informatique
RECHERCHE
OPRATIONNELLE
page 1 sur 24
14/12/14
Esnard Aurlien
Recherche oprationnelle
ENSERB informatique
Sommaire
RECHERCHE OPRATIONNELLE........................................................................................................................1
Sommaire..................................................................................................................................................................2
Programmation linaire.............................................................................................................................................3
Exemple classique.................................................................................................................................................3
Mise en quation...............................................................................................................................................3
Formulation gnrale........................................................................................................................................3
Propositions.......................................................................................................................................................3
Forme canonique & standard................................................................................................................................3
Transformation dcriture.................................................................................................................................3
Forme standard..................................................................................................................................................3
Forme canonique...............................................................................................................................................4
Exemple.............................................................................................................................................................4
Bases, bases ralisables, solutions de base............................................................................................................4
Base & hors-base...............................................................................................................................................4
Solution de base................................................................................................................................................4
Exemple.............................................................................................................................................................4
Caractrisation dune base ralisable................................................................................................................4
Thorme...........................................................................................................................................................4
Solutions optimales...........................................................................................................................................5
Caractrisation des bases optimales......................................................................................................................5
Thorme...........................................................................................................................................................5
Exemple classique.............................................................................................................................................5
Algorithme du simplexe Mthode des tableaux.................................................................................................5
Mthode.............................................................................................................................................................5
Exemple classique.............................................................................................................................................6
Analyse du tableau final du simplexe...............................................................................................................7
Mthode rvise du simplexe................................................................................................................................8
Convergence & Initialisation du simplexe............................................................................................................8
Thorme : Convergence de lalgorithme.........................................................................................................8
Initialisation.......................................................................................................................................................8
Initialisation : Mthode du gros M....................................................................................................................9
Initialisation : Mthode des deux phases..........................................................................................................9
Perturbation verticale & horizontale...................................................................................................................10
Perturbation verticale......................................................................................................................................10
Exemple de perturbation verticale..................................................................................................................10
Perturbation horizontale..................................................................................................................................11
Exemple de perturbation horizontale..............................................................................................................11
Ajout dun nouveau produit C dans lexemple classique................................................................................11
Dualit.................................................................................................................................................................12
Exemple : Problme du restaurant et du pharmacien concurrents..................................................................12
Modlisation du problme...............................................................................................................................13
Mise en quation sur quelques exemples............................................................................................................13
Problme de transport.....................................................................................................................................13
Ordonnancement contraintes disjonctives....................................................................................................13
Prise en compte de puissance..........................................................................................................................14
Programmation linaire combinatoire (entiers)..................................................................................................15
Algorithme du B&B........................................................................................................................................15
Illustration de lalgorithme..............................................................................................................................15
Exemple de modlisation : Localisation dusines...........................................................................................16
Processus alatoire : chanes de Markov.................................................................................................................17
Gnralits.......................................................................................................................................................17
Classification des tats....................................................................................................................................17
Comportement asymptotique et distribution stationnaire...............................................................................17
Dcisions et Chanes de Markov.....................................................................................................................18
Exemple du confectionneur.............................................................................................................................19
Dcisions multiples.........................................................................................................................................19
Exemple du confectionneur (suite et fin)........................................................................................................20
page 2 sur 24
14/12/14
Esnard Aurlien
Recherche oprationnelle
page 3 sur 24
ENSERB informatique
14/12/14
Esnard Aurlien
Recherche oprationnelle
ENSERB informatique
Programmation linaire
Exemple classique
Soit une firme produisant du A et du B avec du M1, du M2 et du M3, selon le tableau suivant :
A
B
Stocks
M1
2
1
8
M2
1
2
7
M3
0
1
3
Gain / unit
4
5
Mise en quation
Soit x1 la quantit de A et x2 la quantit de B, avec x1 0 et x 2 0 .
-
bilan de M1 : 2 x1 x 2 8
bilan de M2 : x1 2 x 2 7
bilan de M3 : x 2 3
Critre : Z 4 x1 5 x 2
Formulation gnrale
Le problme (P) revient de chercher x tel que la fonction conomique Z soit maximum.
Z x c, x
P Ax b
x0
x 0, Ax b est un polydre, qui reprsente lensemble des solutions. Si est vide, le problme na
pas de solution ralisable. Sinon le problme possde une solution optimale, moins que Z ne soit pas born sur
. On distingue les contraintes lches et satures.
Propositions
-
x x x
xR
x,x 0
ax b
ax b
ax b
page 4 sur 24
14/12/14
Esnard Aurlien
Recherche oprationnelle
ENSERB informatique
ax s b
ax s b
et
ax b
ax b
s0
s0
Min Z Max Z
Forme standard
Un problme est dit sous forme standard si et seulement si toutes les vraies contraintes, autre que xi 0 , sont
des galits. Il est souvent ncessaire dintroduire des variables dcart pour transformer des ingalits en
galit.
Forme canonique
Quant la forme canonique, elle fait intervenir exclusivement des ingalits.
Remarque : Notons que pour ces deux formes, il faut se ramener un problme de maximum.
Exemple
crivons lexemple sous forme standard.
2x1 x2 x3 0 0 8
x 2x 0 x 0 7
1 2
4
0 x 2 0 0 x5 3
xi 0
8
0 et b 7 .
3
1
Z x c, x
Ax b
x0
x B AB AHB x HB AB b
Dans le cadre de notre tude, nous faisons lhypothse supplmentaire que toute les solutions de bases sont non
dgnres, cest dire rang A m .
page 5 sur 24
14/12/14
Esnard Aurlien
Recherche oprationnelle
ENSERB informatique
Exemple
Dans lexemple, B 3,4,5 forme une base. La solution de base associ B est x t 0
avec Z x 0 . Pour B 1,2,5 , on obtient la solution optimale x 3
t
Z x 22 Z max .
1 avec
Soit x R n , Ax b, x 0 un polydre convexe (il peut tre non born) ensemble des solutions
ralisables de (P). Lensemble des points extrmaux2 de correspond lensemble des solutions de base
ralisables.
Par ailleurs, tout point x dun polydre convexe born est combinaison linaire convexe3 de points extrmes
de .
Solutions optimales
Le maximum de la forme linaire Z x c, x sur le polydre convexe vide est :
- soit infini
- soit fini et obtenu en au moins un point extrmal. Si le maximum est atteint en plusieurs points
extrmaux, il est atteint en tout point combinaison convexe de ces points extrmaux.
AB x B AHB xHB b
c B x B cHB xHB Z x
quelconque de Rm
c
t
, do pour un y
x B AB 1 AHB x HB AB 1b
cHB AHB x HB Z x b
t
. Cest lcriture
canonique par rapport la base B : les coefficients des variables de base sont lidentit, et Z sexprime laide
dune constante qui dpend de la base B, et des variables hors-base.
Remarque : Par une lecture directe, on obtient la solution de base associe B et la valeur correspondante du
critre.
Thorme
Une condition ncessaire et suffisante, en labsence de dgnrescence, pour que B soit optimale est que :
t
2
3
c HB t c HB t AHB t c HB t c B AB AHB 0 .
x i xi , i 0, i 1
i
page 6 sur 24
14/12/14
Esnard Aurlien
Recherche oprationnelle
ENSERB informatique
Exemple classique
7
criture canonique dans la base 3, 4, 5 :
.
0 1 0 0 1
3
4 5 0 0 0 Z x
0
1
1
/
3
1
0
2
0 0
1
2 0 Z x 22
1
0
0
1
0
0
a1,1
On donne les donnes du problme sous forme dun tableau
a
m,1
c
1
On passe lcriture canonique par rapport la base B, ce qui donne de faon simplifie :
0 0
AHB AB AHB
b AB b
c HB t c HB t AHB
Z x t b
b1
.
bm
Z x
a1,n
a m,n
cn
On teste la colonne Ae : si tous les coefficients sont ngatifs, alors lalgorithme se termine car Z .
Sinon, on forme les coefficients q i bi / a i ,e et on dtermine s tel que bs / a s ,e min bi / ai ,e pour les
a i ,e 0 . La ligne s est dite ligne de pivot. Si le minimum obtenu est unique (non dgnrescence) la
nouvelle solution x aura toutes ses composantes > 0, et par consquent x sera une solution de base
associe la nouvelle base B B / s e .
page 7 sur 24
14/12/14
Esnard Aurlien
-
Recherche oprationnelle
Le nouveau tableau se calcule par pivotage : on utilise la mthode de Gauss en prenant pour pivot le
coefficient a s ,e , ou on effectue la pr-multiplication du tableau par la matrice de pivotage :
0 0
ENSERB informatique
a1,e / a s ,e
a s 1,e / a s ,e
1 / a s ,e
a s 1,e / a s ,e
0
1
a m ,e / a s ,e
c e / a s ,e
0 0 1
Exemple classique
On applique lalgorithme du simplexe pour lexemple initial.
1. base 3, 4, 5
3 2
4 1
5 0
1 1 0 0
8 /1
2 0 1 0 7 7/2
1 0 0 1 3 3 / 1
5 0 0 0 Z x
o [ ] : reprsente le pivot.
3 2
4 1
2 0
Z Z L / pivot c
0 0 0 5 Z x 15
pivot
e
0 1 0 1
page 8 sur 24
14/12/14
Esnard Aurlien
3.
ENSERB informatique
base 3,1, 2
3 0
1 1
2 0
4.
Recherche oprationnelle
0 1 2 3
3 / 3
0 0 1 2
1 0 0 1
1
3
3/ 2
0 0 4 3 Z x 19
base 5,1, 2
5 0
1 1
2 0
0
0
1
0
1/ 3
2/3
1/ 3
1
2/3
1/ 3
2/3
2
1
1
0
3
0
2
0 Z x 22
Z max 22 .
Analyse du tableau final du simplexe
b1
AB
premier tableau de la forme :
bk
Z x c, x
Ax b
x0
0 0 Z x
page 9 sur 24
14/12/14
Esnard Aurlien
Recherche oprationnelle
ENSERB informatique
AB 1
t
b1 1
bk
1
0 0
O
, ce qui donne
1
AB
AB b
b1 bk .
Z x b
t
la place de AB , on a Id
la place de AHB , on a
AB
AB AHB
Ainsi pour obtenir AB1 , on lit dans le tableau final les colonnes correspondant la base initiale, dans lordre o
elles apparaissent de b1 bk. Et rciproquement avec le tableau initial et la base finale, pour obtenir AB .
Lire A, b, c
Lire B base telle que
AB b 0
2.
k0
kk+1
3.
b AB 1b
t
t
c B AB
Calculer
i, ci t ci t Ai
4.
Ae AB Ae .
5.
Calculer
6.
page 10 sur 24
14/12/14
Esnard Aurlien
Recherche oprationnelle
ENSERB informatique
Souvent la base de dpart nest pas une vidence. Par ailleurs, nous avons toujours suppos que rang A m
avec A une matrice de dimension m x n. La phase dinitialisation doit permettre de fournir un systme de
contraintes non redondantes (supprimer les contraintes redondantes) et fournir une base de dpart ce qui se
traduit par une matrice identit dans le tableau.
1 0 0 b1
0 1 0
Par des pivotages successifs, on peut se ramener la forme de tableau suivante
. Si
0 0 1
0 0 . . . #
une ligne i de zros apparat, soit le second membre bi 0 , auquel cas la contrainte i est redondante et on la
supprime, soit bi 0 et le problme na pas de solution.
Initialisation : Mthode du gros M
On suppose que lon dispose dune criture canonique pour la base B, ce qui se traduit par le tableau suivant :
0
0
0
1
0
0 b1
0 . Si tous les bi sont positifs, alors la base est ralisable ; si lun au moins est
1 bm
ngatif on doit avoir recours la technique des variables artificielles. En premier, on multiplie les lignes relatives
aux bi ngatifs par -1 pour les rendre positifs. On obtient de ce fait un nouveau tableau A b , avec second
membre positifs, mais on ne possde priori plus de base initiale. On associe au problme P, le problme PA
Ax I . y b , b 0
x 0, y 0
i 1
Z max c, x M y i
PA, la base de dpart est celle des colonnes de y. Le fait que chaque yi ait un cot M assure que lalgorithme
tente de faire sortir les variables artificielles de la base. Quand chaque yi est hors-base, on est en fait en train de
rsoudre P.
Initialisation : Mthode des deux phases
Considrons le problme P classique, et supposons que lon ne dispose pas dune matrice identit pour dbuter
lalgorithme, on va alors introduire des variables artificielles (purement algbriques).
page 11 sur 24
14/12/14
Esnard Aurlien
Recherche oprationnelle
Considrons le problme P1
ENSERB informatique
Ax Iy b
min
t cy W
min
Ax Iy b
de bases yi. On se ramne alors au problme P2
x 0, y 0
~ t
t
cAx Wmax cb
~
avec Wmin Wmax , sur lequel on
Aucun yi nappartient la base optimale de P2 ; par consquent cette base est convenable pour le
problme P. On abandonne P2 et on reprend le problme P avec la base trouve.
Certains yi sont dans la base optimale de P2, on est dans un cas dgnr. On examine la ligne de A
correspondant la variable yi de la base.
- Si tous les coefficients a i , j de la ligne i sont nuls, on supprime cette contrainte qui savre
redondante et on recommence.
- Si lun des coefficients a i , j de la ligne i est non nul, on pivote autour de cet lment, ce qui a
pour effet de faire rentrer la vraie variable x j en chassant la variable artificielle. La fonction
conomique quant elle nest pas augment par ce pivotage, car on se trouve en situation
dgnre.
Ax b b
On envisage le problme
P b : x 0
Z c, x
max
xB b AB 1 b b 0
xHB b 0
Z t
.
b
Notion de cot marginal : Considrons le cas particulier de perturbation verticale suivant. On augmente le
vecteur b sur une seule composante et dune seule unit, cest--dire b e j . Laugmentation du critre sera
donc de Z j , quantit que lon sait lire directement sur le tableau final du problme P. De plus, la colonne
page 12 sur 24
14/12/14
Esnard Aurlien
Recherche oprationnelle
ENSERB informatique
A j du tableau final contient les variations des solutions relatives la base optimale, les solutions relatives au
hors-base demeurant toujours nulles.
Par ailleurs, on donne une interprtation conomique du vecteur : i est le prix du march dune unit du
bien i, cest le cot marginal du bien i.
Exemple de perturbation verticale
On reprend lexemple classique et On accrot le stock de M 1 dune unit b1 8 b1 9
3 2
4 1
5 0
1 1 0 0 8 9
2 0 1 0 7
1 0 0 1 3
5 0 0 0 Z x
5 0 0 1/ 3
1 1 0 2/3
donc la colonne 3 du tableau final :
2 0 1 1/ 3
0 0 1
2/3
1/ 3
2/3
2
1
1
0
3
0
2
0 Z x 22
. On dduit que
t
x 3 2 / 3 2 1 / 3 0 0 1 1 / 3 est la solution optimale, qui donne Z max 22 1 car le cot
marginal gale 1.
Attention ! La linarit de Z ne vaut que pour un domaine limit des perturbations verticales, pour laquelle la
base B est encore optimale. On tablit ici que pour un augmentation du stock de , le critre varie en
9
,3 .
2
Perturbation horizontale
Ax b
On envisage le problme
P c : x 0
dont on connat la solution complte du problme P 0 P .
Z c c, x
max
variation de et lon a
t c B t AB
c B AB
t
~ c c t c A . Si la
. On tablit que c
HB
HB
HB
B
HB
perturbation horizontale porte sur les variables hors de la base B, alors la formule scrit plus simplement
c~HB c HB c HB car c B 0 dans ce cas.
page 13 sur 24
14/12/14
Esnard Aurlien
Recherche oprationnelle
3 2
4 1
suivant :
5 0
1 1 0 0
2 0 1 0
1 0 0 1 3
5 0 0 0 Z x
ENSERB informatique
dans la colonne 1 du tableau final (en effet, le pivotage ne ralise que des soustractions aux lignes), ce qui donne:
2/3
1/ 3
2/3
2
5 0 0 1/ 3
1 1 0 2 / 3
2 0 1 1/ 3
0 1
5 0
11
qui donne
2 0
x 3
t
dire pour
1
1
0
3
0
2
0 Z x 22
0 1/ 3
2/3
0 2/3
1/ 3
1 1/ 3
2/3
0 1 2 / 3 2 / 3
0
1
1
0
3
0
2
0 Z x 22 3
1 , qui est indpendante de la perturbation, tant que la base reste optimale, cest--
3 2
,
; sur cet intervalle on a Z max 22 3 .
2 3
3 2 1 1
41 2 0
nouveau tableau initial :
5 0 1 0
4 5 0
0
1
0
0
0
0
1
0
2 8
1 7
2 3
3 Z x
page 14 sur 24
14/12/14
Esnard Aurlien
5 0 0
1 1 0
2 0 1
0 0
scrit AB
1/ 3 2 / 3 1
2 / 3 1/ 3 0
1
3
1/ 3 2 / 3 0
1
1
Recherche oprationnelle
1/ 3
2/3
1/ 3
ENSERB informatique
2 0 Z x 22
2/3
1/ 3
2/3
2
2
produit C dans le tableau initial, on obtient : AB 1 1 . En effet, toute colonne est le rsultat du calcul
2
0
2
1
t
5 0 0 1/ 3
1 1 0 2/3
Le nouveau tableau final scrit :
2 0 1 1/ 3
0 0 1
2/3
1/ 3
2/3
2
1
0
0
0
2
1
1
3
0
2
1 Z x 22
c 6 est ngatif. Par consquent, le produit C nest pas vendu assez cher puisque sa production naugmente pas la
fonction conomique ! Si au lieu de prendre un gain / unit de 3 pour le produit C d, je choisi 3
(perturbation horizontale), alors c 6 1 0 (il suffit de refaire le calcul), la solution nest donc plus
optimale et Z va pouvoir grossir.
Dualit
Exemple : Problme du restaurant et du pharmacien concurrents
Voici les donnes du restaurant.
plat 1
plat 2
plat 3
vitamines
7
9
11
calories
21
23
25
gain / unit (Fr)
10
12
14
Soient x1 , x 2 , x3 0 les quantits des plats 1, 2, 3.
On fait le bilan en vitamines et en calories :
7 x1 9 x 2 11x3 200
-
besoins
200
400
21x1 23 x 2 25 x3 400
14/12/14
Esnard Aurlien
Recherche oprationnelle
ENSERB informatique
- plat 1 : 7v 21c 10
- plat 2 : 9v 23c 12
- plat 3 : 11v 25c 14
La fonction conomique scrit Z max 200v 400c avec v, c 0 .
Modlisation du problme
t Ay c
Ax b
x0
Z c, x
max
y0
W b, y
min
Proposition : Loprateur de dualit permet de passer du problme primal au problme dual. Remarquons que le
dual du dual est le primal.
t A y y c
bilan de U2 : x 21 x 22 x 23 s 2
Satisfaction de la demande :
- bilan de M1 : x11 x 21 x 31 d1
-
c
i
i, j
s
i
xi , j .
page 16 sur 24
14/12/14
Esnard Aurlien
Recherche oprationnelle
ENSERB informatique
M1
M2
M3
M4
produit A
a1
x
a3
a4
produit B
b1
b2
x
b4
produit C
x
c2
c3
x
ai, bi, ci sont les dures ncessaires pour usiner un produit A, B, C sur la machine Mi. x indique quun produit
nest pas usin par la machine correspondant la colonne.
On veut terminer lensemble des travaux au plus tt, avec la contrainte que si une machine a commenc usiner
un produit, elle termine son action et ne peut tre affecte une autre tche. Il va donc se produire des conflits.
Par ailleurs, on respecte lordre de passage : dabord M1, puis M2, M3 et M4.
Soit x Ai 0 la date du dbut dutilisation de la machine Mi pour le produit A ; de mme pour x Bi 0 et
xCi 0 .
Respect de lordonnancement :
x A3 x A1 a1
gamme de A :
x A 4 x A3 a 3
xB 2 xB1 b1
gamme de B :
x B 4 x B 2 b2
gamme de C : xC 3 xC 2 c 2
ou 1), et la constante
M (10
30
f x M
par exemple). On traduit la contrainte simplement par
.
g x 1 M
xB 2 b2 xC 2 2 M
conflit sur M2 :
.
x C 2 c 2 x B 2 1 2 M
x A1 a1 x B1 1M
, ce qui se traduit
.
x B1 b1 x A1 1 1 M
page 17 sur 24
14/12/14
Esnard Aurlien
Recherche oprationnelle
ENSERB informatique
fin de A
u x A4 a 4
expression nest pas linaire, on sen tire en insrant une variable auxiliaire u tel que u x b , et en posant
B4
4
u x c
C3
3
Z min u .
2 x1 3x2 x3 3
xi 0,1
Considrons le problme P :
Z max x1 x2 x3 x3
k
xi xi . Par consquent, Z max x1 x 2 x3 x3 . Le
produit de variable boolenne est encore boolenne : on va pouvoir poser y x 2 x 3 . Il faut maintenant ajouter
x 2 x3 y 1
.
x 2 x3 2 y 0
Ax b
Considrons le problme suivant : P : x 0, xi entier . On appelle problme relax, le problme o les x ne sont
Z c, x
max
i
sinon il faut trouver un majorant Z u de la fonction conomique : soit en calculant Z sur un point intrieur
entier du polydre, soit en prenant Z u 5.
1.
4
5
14/12/14
Esnard Aurlien
2.
Recherche oprationnelle
max [ ou min]
4.
ENSERB informatique
Illustration de lalgorithme
Je mintresse au problme
Z max 4 x1 6 x2
1 x , x1 1 et
1
, et Z 8 . Cette solution
2
est ralisable (la meilleur de 1 ), par consquent on la strilise. Le deuxime sous-problme, quant lui
, et Z 6 . On ne pourra avoir des solutions entires dans 2 ayant un meilleur critre que
donne x
7 / 3
A1
D
1
A2
D
3
D
4
Site
1
2
A3
capacit de production
A1
A2
capital investi
K1
K2
page 19 sur 24
14/12/14
Esnard Aurlien
Recherche oprationnelle
A3
ENSERB informatique
K3
p3
De plus, chaque distributeur Di demande une quantit di. Le problme est de satisfaire la demande au cot total
optimal.
1 si condition
. Pour le problme qui nous intresse, la condition est :
i
0 sinon
de D2 : x12 x 22 x32 d 2
de D3 : x 23 x33 d 3
de D4 : x14 x 24 x34 d 4
La limite de production :
- de A1 : x11 x12 x14 A1 1
-
de A2 : x 21 x 22 x 23 x 24 A2 2
Remarques : Attention, il faut bien vrifier que le problme est linaire. Si 1 0 , alors x11 x12 x14 0 .
Si lon avait une limitation du capitale K, on lcrirait : K 1 1 K 2 2 K 3 3 K .
La fonction conomique scrit :
Z min
K
1 1
construction A1
production A1
lusine A1 nest pas construite alors la limite de production impose que les variables x1,i 0 .
Considrons une liste dtat 1,2, , n . la date t, le processus se trouve dans un tat i, ce que lon traduit
Kalmagarov prcise que la matrice de transition obtenue pour k itrations scrit simplement P k . La
distribution de probabilit obtenue aprs k itrations est un vecteur q k dont les composantes sont dfinies
par q i k P X k i k . On a les relations : t q k 1 t q k P et t q k t q 0 P k .
14/12/14
Esnard Aurlien
Recherche oprationnelle
ENSERB informatique
f
n 1
(n)
i, j
Considrons maintenant la probabilit, partant de i, de revenir en i : f i ,i . On dit que i est tat rcurrent si et
seulement si f i ,i 1 , et que i est transitoire sinon. Une condition ncessaire et suffisante pour quun tat soit
transitoire est que la srie
nN
( n)
i ,i
caractrise par une srie divergente vers . Sur le graphe, on peut identifier des classes finales (composante
connexe dtats rcurrents) et des classes transitoires (composante connexe dtats transitoires).
Comportement asymptotique et distribution stationnaire
Considrons les deux relations suivantes : t q k 1 t q k P et t q k t q 0 P k . Lhypothse
lim q n existe, et ne dpend pas de q 0 traduit loubli du pass signifi dans la proprit de Markov.
n
Par ailleurs, cela impose que la chane est rgulire, cest--dire quil ny a quune seule classe, ncessairement
finale ; autrement le choix de q 0 serait dcisif, puisquil dterminerait la classe finale. Quelque soit la
et gales
stationnaire de probabilit. Notons que si ltat final dpend de la distribution initiale, il ny a pas de distribution
limite stationnaire.
(n)
Thorme : tant donn un 0 , il existe une distribution stationnaire si, pour tout n n0 , pi , j .
Remarque : Si partir du rang n0 , la matrice de transition nme conserve tous ses lments strictement positifs,
alors le graphe associ la matrice est fortement connexe (1 seule composante connexe), donc le graphe rduit
ne possde quun seule classe, qui doit ncessairement tre terminale, donc tous les tats sont rcurrents.
Interprtation de la distribution stationnaire sur un exemple :
Considrons une rivire deux tats Haut et Bas. partir de donnes statistiques, on tablit la loi de transition
suivante, dont on suppose quelle est modlisable par un processus de Markovien :
0,3
0,7
Haut
Bas
0,5
0,5
page 21 sur 24
14/12/14
Esnard Aurlien
Recherche oprationnelle
0,7
ENSERB informatique
0,3
0,5
H B H B P
tats sont rcurrents. Calculons la distribution stationnaire :
, ce qui nous donne
B H 1
B 3 / 8 et H 5 / 8 .
long.
i reprsente galement le temps relatif pass dans ltat i. Pour notre exemple, on dira que la rivire passe
5/8 de son temps dans ltat haut, et les 3/8 restant dans ltat bas.
reprsente le temps moyen de retour sur ltat i. Pour notre exemple, Partant de la position haute, il
p
j 1
i, j
ai , j On dfinit le
v1 m
v m v m 1 P m 1 a
i, j
v j m 1
( m 1)
i, j
aj
stationnaire, o e t 1
I P v a ge
chaque tat une quation de droite. Le gain g caractrise la pente, et v lordonne lorigine.
Exemple du confectionneur
Un confectionneur fabrique un seul type de vtement. On suppose que les mauvaises (tat 1) et les bonnes
0,7
0,3
. Le bnfice est de 0
annes (tat 2) forment une chane de Markov, de matrice de transition P
0,5 0,5
aprs une mauvaise anne , et de 10 aprs une bonne anne. La matrice des cots sexpriment donc
7
14/12/14
Esnard Aurlien
Recherche oprationnelle
ENSERB informatique
0
0 0,7 0 0,3 0
vM n 30 / 8 n 4,6875 O1 / n
. On en conclue que si lon part dune mauvaise anne, cest
vB n 30 / 8 n 7,8125 O1 / n
irrattrapable !
Dcisions multiples
On envisage un changement du type de vtements. Sil change de type de fabrication, il lui en cote en 5. On
cherche la politique la politique stationnaire optimale. La matrice de transition du nouveau vtement scrit
0,25 0,75
. Pour ce cas simple, on peut numrer les diffrentes politiques : on associe au rsultat dune
0,25 0,75
anne (bonne ou mauvaise) une dcision (changement de vtement ou pas). chaque stratgie correspond sa
propre matrice de transition. Par exemple, partant du 1er type de vtement, si je choisis de ne jamais changer de
vtement, je retombe sur le cas de lexemple prcdent. Cependant, lintuition nous conseille de choisir de
0,25 0,75
changer de type de vtement aprs une mauvaise anne, ce qui donne la matrice de transition
0,5
0,5
5 0,25 5 0,75 5
.
et le vecteur esprance de gain a
10 0,5 10 0,5 10
La politique optimale est stationnaire, cest--dire quelle ne dpend que de ltat. On peut reprsenter une
politique par une matrice D y i , d avec y i , d la probabilit de choisir la dcision d sachant que lon est
dans ltat i. Une politique est dterministe si pour chaque tat i correspond une dcision certaine. On dfinit
x i , d comme la probabilit de choisir la dcision d et dtre dans ltat i. On a xi , d y i , d i , daprs la
formule des probabilits conditionnelles. Par ailleurs, i qui reprsente la probabilit dtre dans ltat i scrit
i xi ,d . Supposons quil y est n tats et k dcisions possibles, on dfinit lesprance du cot dune
d
esprance de gains relatif la dcision d. La politique optimale va tre dtermin par Z min en ajoutant les
contraintes suivantes :
n
i 1 d 1
xi ,d i 1, xi ,d 0
t
i 1
t P i, xi ,d x j , d d Pj ,i 0 , o d P reprsente la matrice de
d 1
j 1 d 1
page 23 sur 24
14/12/14
Esnard Aurlien
Recherche oprationnelle
ENSERB informatique
a et
vtement. On commence par crire les vecteurs esprance de gains relatifs aux dcisions a 1
10
5
0,7 0,3
et les matrices de transitions relatifs aux dcisions 1 P P
et
a 2
5
0,5 0,5
0,25 0,75
2
. La fonction conomique scrit : Z min 10 x 2,1 5 x1, 2 5 x 2, 2 . Les contraintes
P
0,25 0,75
scrivent x1,1 x1, 2 x 2,1 x 2, 2 1 , 0,3 x1,1 0,75 x1, 2 0,5 x 2 ,1 0,25 x 2 , 2 0 pour ltat 1 et on
obtient la mme quation pour ltat 2.
La rsolution du simplexe donne x1,1 x 2, 2 0 , x1, 2 2 / 5 et x 2,1 3 / 5 , avec Z 4 . Ainsi on
dduit
y j ,d
x j ,d
, ce qui donne y1,1 y 2, 2 0 , y1, 2 1 et y 2 ,1 1 , do la matrice de la
x
d 1
j ,d
politique optimale : D
1
page 24 sur 24
14/12/14