coursModelRO PDF

Principes de Modlisation en AD-RO
En utilisant la programmation linaire
Modlisation en Aide la Dcision

V. Gabrel
Lamsade, Master Informatique Dcisionnelle
2013-2014
V. Gabrel

Outline

La forme gnrale dun programme mathmatique
Les variables de dcision
La fonction objectif
Les contraintes
Expressions logiques
V. Gabrel

Outline

Les contraintes
V. Gabrel

Quest-ce que lAide la Dcision - Recherche

Oprationnelle ?
La RO est une discipline scientifique qui sintresse la
comprhension et la rsolution de problmes de dcision se
posant dans les organisations. Elle vise lamlioration du
fonctionnement des organisations (entreprises, organismes
publics...) par lapplication dune approche scientifique.
Champs dapplication : Gestion de production (alloc de ress
limites, ordonnancement, ...), Logistique (pbs de localisation,
gestion de flux, ...), Gestion de ress humaines (affectation,
laboration de planning...), Optimisation dans les rseaux,
Dcision stratgiques...
V. Gabrel

Pourquoi avoir recours une mthode scientifique ?
Faire face trois types de difficults

Combinatoire
Dcideur et critre multiple
Incertitude
V. Gabrel

Processus daide la dcision
V. Gabrel

Concept de Modle en Aide la Dcision
Reprsentation abstraite (relations, quations...) dun problme

de dcision
Trois tapes :
1
Identification du problme et modlisation
Conception et application de mthodes de rsolution
Intgration et mise en oeuvre dans le processus de

dcision
V. Gabrel

Les composantes dun modle
Problmatique dcisionnelle : choix, rangement, tri.

Paramtres exognes : certains ou incertains.
Paramtres endognes : variables de dcision.
Liens entre des variables et les paramtres (quations,
contraintes).
Fonction(s) dvaluation.
V. Gabrel

Exemple en Gestion de production

La compagnie Sailco produit des bateaux. Elle veut planifier sa
production sur plusieurs priodes de faon satisfaire la
demande et minimiser les cots.
A chaque priode, Sailco peut produire en rgime normal ( un
cot unitaire de 400), en rgime exceptionnel ( un cot
unitaire de 450) et elle peut stocker sa production excdentaire
( un cot unitaire de 20). Elle dispose en dbut de priode de
10 bateaux en stock.
La demande pour les quatre prochaines priodes est de 40, 60,
75 et 25.
Sa capacit de production en rgime normal est de 40.
V. Gabrel


Les contraintes
Outline

Les contraintes
V. Gabrel


Les contraintes
Outline

Les contraintes
V. Gabrel


Les contraintes
min f (x)
s.t gi (x) bi i = 1, . . . , m
(P)
x X
n variables xj and m contraintes
Elments dun programme mathmatique

Variables de dcision : ce sur quoi porte la dcision, ce qui
permet dexprimer les contraintes et la fonction objectif
Paramtres exognes : Coefficients
Fonction(s) objectif et les contraintes peuvent scrire comme
des quations et des galites/ingalites faisant intervenir des
coefficients et des variables.
V. Gabrel


Les contraintes
Typologie de programme mathmatique
Programmation linaire : f (x) =

P
gi (x) = nj=1 aij xj
Pn
j=1 cj xj ,
Programmation quadratique
Programmation convexe
Programmation non convexe
V. Gabrel


Les contraintes
Exemple en gestion de production : Programme

linaire associ
P4
P4
P4
min
400
xn
+
450
xe
+
20
j
j
j=1
j=1
j=1 sj
s.t s0 = 10
(P)
xnj 40 j = 1, . . . , 4
xnj + xej + sj1 = sj + dj j = 1, . . . , 4
xnj , xej , sj 0
V. Gabrel


Les contraintes
Caractristiques dun programme linaire
Avantages
Bcp de pbs concrets peuvent tre reprsents par un PL.
Existence de modeleurs et solveurs trs puissants.
Format gnral non restrictif.
Limites
Hypothse de proportionnalit
Hypothse dadditivit
V. Gabrel


Les contraintes
Exemple en gestion de production : solution optimale
V. Gabrel


Les contraintes
Outline

Les contraintes
V. Gabrel


Les contraintes
1. Variables non ngatives Programme mathmatique

continu
2. Variables entires Programme mathmatique en
nombres entiers
3. Variables binaires Programme mathmatique en
variables binaires (Optimisation combinatoire)
4. Variable non ngatives + variables entires ou binaires
Programme mathmatique mixte
V. Gabrel

Les contraintes

Variable ngative
Soit xj < 0, on dfinit xj 0 telle que xj = xj
Variable non contrainte en signe
Soit xj non contrainte en signe, on dfinit xj , xj 0 telle que
xj = xj xj
V. Gabrel

Les contraintes

De lentier au binaire
Soit une variable xj dont le domaine de dfinition est un
q
ensemble discrt numrable Vj = {vj1 , . . . , vj j }.
xj =
qj
X
vji yji
i=1
avec yji {0, 1} et

qj
X
yji = 1
i=1
V. Gabrel


Les contraintes
Produit de variables
Remplacer les termes du type xj yj o xj est une variable non
ngative borne suprieurement par une constante M et yj une
variable binaire. On pose
tj = xj yj
Et on crit les contraintes logiques:
tj
tj
Myj
tj
xj
tj
xj M(1 yj )
V. Gabrel


Les contraintes
Outline

Les contraintes
V. Gabrel


Les contraintes
Maximiser : profit, utilit, retour sur investissement, valeur

actualise, robustesse/flexilibilit, quit dun partage.
Minimiser : cot, nombre demploys, redondance, perte,
Le cas de multicritre
Transformer certains objectifs en contraintes (exemple :
maximiser la satisfaction des utilisateurs sous une
contrainte budgtaire). Attention au cas dobjectifs
conflictuels : passer certains obj en contraintes =>
ensemble vide de solutions
Faire une somme pondre des objectifs/critres
V. Gabrel


Les contraintes
Proprits lmentaires
min f (x) + k k + min f (x)

min k f (x) k min f (x) avec k 0
min f (x) = max f (x)
min k f (x) k max f (x) avec k 0
V. Gabrel


Les contraintes
Exemple en gestion de production : Fonction minmax

Incertitude sur les cots de production et de stockage : 3
scnarios
Scnario cn
ce cs
1
400 450 20
2
390 420 40
3
410 460 10
Solution optimale value selon trois scnarios :
Scnario
1
2
3
Valeur
78450 75850 80250
On retient la pire valuation : 80250
V. Gabrel


Les contraintes
P4
P4
P4
min
max{400
xn
+
450
xe
+
20
j
j
j=1
j=1
j=1 sj ;
P
P
P
4
4
4
xe
+
40
xn
+
420
390
j
j
j=1 sj ;
j=1
j=1
P
P
P
410 4j=1 xnj + 460 4j=1 xej + 10 4j=1 sj }

(P)
s.t s0 = 10
xnj 40 j = 1, . . . , 4
xnj + xej + sj1 = sj + dj j = 1, . . . , 4
xnj , xej , sj 0
V. Gabrel


Les contraintes
Fonction minmax
Soit le programme suivant :
Pn
q
(maxk =1 j=1 cjk xj )
min P
n
(P)
s.t
j=1 aij xj bi i = 1, . . . , m
x 0
Il peut tre transform en PL par lintroduction dune variables z

et de q contraintes supplmentaires.
min z
s.t Pn c k x z 0 k = 1, . . . , q
Pnj=1 j j
(P)
j=1 aij xj bi i = 1, . . . , m
x 0
V. Gabrel


Les contraintes
min z
P4
P4
P4
s.t
z
400
xn
+
450
xe
+
20
j
j
j=1
j=1
j=1 sj
P
P
P
4
4
4
xe
+
40
xn
+
420
z
390
j
j
j=1 sj
j=1
Pj=1
P
P
4
4
4
z
410
xn
+
460
xe
+
10
j
j
j=1
j=1
j=1 sj
(P)
s0 = 10
xnj 40 j = 1, . . . , 4
xnj + xej + sj1 = sj + dj j = 1, . . . , 4
xnj , xej , sj 0
V. Gabrel


Les contraintes
Ratio
Soit le programme suivant :
n
X
c
xj
j=1
min(ou
max)
cj2 xj
(P)
j=1
aij xj bi i = 1, . . . , m
s.t
j=1
x 0
V. Gabrel


Les contraintes
Ratio
Il peut tre transform en PL en utilisant les changements de
variable suivants:
1
n
X
cj2 xj
j=1
wj
= txj
V. Gabrel


Les contraintes
Ratio
On obtient alors (si t > 0):
n
X
wj
c
min(ou
max)
j=1
cj2 wj = 1
s.t
(P)
j=1
aij wj bi t 0 i = 1, . . . , m
j=1
wj 0
Cette
P 2 transformation nest possible que si le dnominateur
j cj xj est toujours du mme signe et diffrent de 0.
V. Gabrel


Les contraintes
Fonction linaire par morceaux : Exemple de gestion

de production
Les cots unitaires de production sont maintenant de : 300 si le
nombre de bateaux produit est infrieur ou gal 30, 400 pour
10 bateaux supplmentaires, et 450 pour 10 autres bateaux
supplmentaires. Cette fonction de cot est linaire par
morceaux. On peut reprsenter le cot de production dune
priode t par une variable yt dfinie comme suit :
300xt
si 0 xt 30
400xt 3000 si 31 xt 40
yt =
450xt 5000 si 41 xt 50
V. Gabrel


Les contraintes
Reprsentation graphique
V. Gabrel


Les contraintes
Fonction linaire par morceaux : Exemple de gestion

de production
Linarisation : Minimiser yt sous les contraintes :

yt 300xt
yt 400xt 3000
yt 450xt 5000
V. Gabrel


Les contraintes
Fonction linaire par morceaux convexe
Conclusion
Fonction convexe linaire par morceaux minimiser PL
V. Gabrel


Les contraintes
Version plus difficile

Les cots unitaires de production bnficient en fait
dconomies dchelle : 400 si le nombre de bateaux produit
est infrieur ou gal 30, 350 pour 10 bateaux
supplmentaires et 300 pour 10 autres bateaux
supplmentaires. Cette fonction de cot est concave linaire
par morceaux. On peut reprsenter le cot de production dune
priode t par une variable yt dfinie comme suit :
400xt
si 0 xt 30
350xt + 1500 si 31 xt 40
yt =
300xt + 3500 si 41 xt 50
V. Gabrel


Les contraintes
Fonction linaire par morceaux concave
V. Gabrel


Les contraintes
Linarisation
On dfinit des variables binaires associes aux intervalles : vt1
pour [0, 30], vt2 pour [30, 40] et vt3 pour [40, 50] avec
vt1 + vt2 + vt3 = 1
On introduit pt0 , pt1 , pt2 et pt3 les coefficients de la
combinaison linaire convexe des valeurs 0, 30, 40 et 50.
xt = 0pt0 + 30pt1 + 40pt2 + 50pt3
pt0 + pt1 + pt2 + pt3 = 1
V. Gabrel


Les contraintes
Linarisation
Seule une variable vti vaut 0 ou 1.
vt1 = 1 pt0 + pt1 = 1
vt2 = 1 pt1 + pt2 = 1
vt3 = 1 pt2 + pt3 = 1
On crit alors
pt0 + pt1 vt1
pt1 + pt2 vt2
pt2 + pt3 vt3
Concernant les cots :
C(yt ) = C(0)pt0 + C(30)pt1 + C(40)pt2 + C(50)pt3
V. Gabrel
= 0pt0 + 12000pt1 + 15500pt2 + 18500pt3


Les contraintes
Conclusion
Fonction convexe
Fonction convexe linaire par morceaux minimiser PL
Fonction convexe linaire par morceaux maximiser PL
mixte
Fonction concave
Fonction concave linaire par morceaux minimiser PL
mixte
Fonction concave linaire par morceaux maximiser PL
V. Gabrel


Les contraintes
Outline

Les contraintes
V. Gabrel

n
X

Les contraintes
aij xj bi
j=1
Capacit, disponibilit limite de matires premires,

satisfaction de la demande, quilibre, ...
Contraintes dures ou molles
P
Contrainte dure : toute solution x telle que nj=1 aij xj < bi
nest pas considre.
P
Pour "ramollir" cette contrainte : nj=1 aij xj + ui bi o la
variable non-ngative ui est pnalise dans la fonction
objectif par un coefficient
Pn positif. (Une contrainte galit
sera remplace par j=1 aij xj + ui vj = bi
V. Gabrel


Les contraintes
Satisfaire un nombre fix de contraintes

Quand les contraintes dures excluent toute solution admissible,
ou limitent la valeur de la solution optimale un niveau
inacceptable par les dcideurs, on peut chercher, non pas la
solution satisfaisant toutes les contraintes, mais un nombre k
fix dentre elles.
On associe chaque contrainte i concerne une variable
binaire vi avec la convention suivante : vi =1 si la contrainte est
satisfaite et 0 sinon. On pose :
m
X
vi = k
i=1
V. Gabrel


Les contraintes
Satisfaire un nombre fix de contraintes

Et on modifie le second membre de contraintes concernes
comme suit :
n
X
aij xj >= bi (1 vi )M
j=1
ou
n
X
aij xj <= bi + (1 vi )M
j=1
avec M suffisamment grand pour relacher la contrainte i quand

vi = 0.
V. Gabrel


Les contraintes
La contrainte 6=
Soient x et y deux variables entires qui doivent prendre des

valeurs diffrentes
Formulations : x 6= y x y + 1 ou y x + 1

x y + 1 Mx z
y x + 1 My (1 z)
avec x [0, Mx ] et y [0, My ]
V. Gabrel


Les contraintes
Expressions avec valeur absolue
n
X
aij xj | bi
j=1
Pn
aij xj bi
Pnj=1
j=1 aij xj bi
P
Pn
aij xj bi
si nj=1 aij xj 0
Pn
Pnj=1
si j=1 aij xj 0
j=1 aij xj bi
Transformation en deux ingalits
V. Gabrel


Les contraintes
Expressions avec valeur absolue

|
Pn
j=1 aij xj |
bi
Pn
aij xj bi
Pnj=1
j=1 aij xj bi
P
si nj=1 aij xj 0
Pn
si j=1 aij xj 0
Introduction dune variable binaire vi

Pn

aij xj bi Mvi
Pn j=1
j=1 aij xj bi + M(1 vi )
Transformation en une expression linaire en variables

mixtes
V. Gabrel


Les contraintes
Exercice : Prparer une excursion en montagne

Pour escalader le mont blanc 4 alpinistes cherchent rpartir
des objets dans leur sac--dos de faon :
minimiser la somme des diffrences de poids entre deux
alpinistes se suivant dans la corde,
obtenir une diffrence dau moins 5 kilos entre le premier
et le dernier de corde.
Objets
A B C D
E
F
G H I
J K
Poids (en kg) 24 5 10 13 17 14 22 7 8 11 9
Pour des raisons de scurit, les objets A, B et C doivent tre
rpartis dans des sacs diffrents.
Modliser ce problme sous la forme dun programme linaire
en variables binaires.
V. Gabrel


Les contraintes
Solution : Prparer une excursion en montagne

Variables : vij = 1 si objet i dans le sac j.
PK
i=A pi vij = poids du sac j obtenu
PK
PK
PK
PK
p
v
min
z
=
|
p
v
p
v
|
+
|
i
i2
i
i1
i
i2
i=A pi vi3 |
i=A
i=A P
i=A
PK
+|
pi vi3 i=A pi vi4 |
v +i=A
vBj + vCj 1
j =
Aj
P
4
i =
j=1 vij = 1
P
P
| Ki=A pi vi1 Ki=A pi vi4 | 5
vij {0, 1}
i =
V. Gabrel


Les contraintes
Outline

Les contraintes
V. Gabrel


Les contraintes
Dfinitions
Proposition
Soit A une proposition qui peut prendre deux valeurs VRAI ou
FAUX. A peut tre reprsente par une variables xA {0, 1}
telle que : xA = 0 A vaut FAUX, xA = 1 A vaut VRAI
A est reprsent par 1 xA .
Expressions
Expression = propositions lies par les oprateurs logiques
, , ,
Disjonction = expression de la forme E1 E2 . . . o Ei est une
proposition ou une expression
Conjonction = expression de la forme E1 E2 . . .
V. Gabrel


Les contraintes
Contraintes linaires
Disjonction
(A B)
xA + xB 1
Conjonction
(A B)
V. Gabrel
xA 1
xB 1


Les contraintes
Forme Normale Conjonctive

FNC : sous la forme de conjonction de disjonction (par exemple
A, A B, (A B) C)
1
(A) = A
(A B) = A B
(A B) = A B
A (B C) = (A B) (A C)
A (B C) = (A B) (A C)
A B = B A
A B = A B
Remarque : loprateur est prioritaire. Ainsi A B C est

quivalent A (B C).
V. Gabrel


Les contraintes
FNC vers ingalits linaires
chaque disjonction dans la FNC donne lieu une ingalit

de la forme 1
pour chaque disjonction, le membre gauche de lingalit

scrit en remplacant chaque par +, chaque proposiion
A par la variable correspondante xA , chaque ngation A
par 1 xA .
V. Gabrel


Les contraintes
Implication
A B se traduit par xB xA
Preuve :
A B = A B se traduit par 1 xA + xB 1
Si xA = 1 alors lingalit devient xB 1 et comme
xB {0, 1}, on a : xB = 1.
Si xA = 0, alors on a xB 0, et comme xB {0, 1},
lingalit sera toujours vrifie.
V. Gabrel


Les contraintes
Exemples
Si (A et B) Alors C (= A B C)
(A B) C
A B C
1 xA + 1 xB + xC 1
xA + xB xC 1
Si (A ou B) Alors C (= A B C)
(A B) C
A B C
(A B) C
(A C) (B C)

1 xA + xC 1
1 xB + xC 1
V. Gabrel


Les contraintes
Exemples
Si A Alors (B et C) (= A B C)
A (B C)
(A B) (A C

1 xA + xB 1
1 xA + xC 1
Si A Alors (B ou C) (= A B C)
A (B C)
1 xA + xB + xC 1
xB + xC xA
V. Gabrel


Les contraintes
Exemples avec var. bivalentes
Si xA = 1 et xB = 0 et xC = 1 Alors xD = 0
A B C D
(A B C) D
(A B C) D
1 xA + xB + 1 xC 1 xD
xA xB + xC + xD 2
V. Gabrel


Les contraintes
Exemples avec var. entires
x, y , z sont trois variables entires.

Si x = 2 et y = 3 Alors z {2, 5}
Introduction de variables 0-1 : xi = 1 x = i
Si x2 et y3 Alors z2 ou z5
(x2 y3 ) z2 z5
x2 y3 z2 z5
1 x2 + 1 y3 + z2 + z5 1
V. Gabrel


Les contraintes
Exemple : problme de localisation

Etant donn un client i, si un entrepot est ouvert sur le site s, et
quaucun autre entrept plus proche de i nest ouvert, alors le
client i doit tre livr partir de s.
Variables
xs : entrepot ouvert sur le site s
yis : livraison du client i partir de s
Contraintes
Si xs = P
1 et xj = 0j Is alors yis = 1
xs jIs xj yis 0
V. Gabrel

coursModelRO 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

coursModelRO PDF

Transféré par

Droits d'auteur :

Formats disponibles

Principes de Modlisation en AD-RO

En utilisant la programmation linaire

Modlisation en Aide la Dcision

Modlisation en Aide la Dcision

Principes de Modlisation en AD-RO

Principes de Modlisation en AD-RO

En utilisant la programmation linaire

Modlisation en Aide la Dcision

Principes de Modlisation en AD-RO

Principes de Modlisation en AD-RO

En utilisant la programmation linaire

Modlisation en Aide la Dcision

Principes de Modlisation en AD-RO

Quest-ce que lAide la Dcision - Recherche

Modlisation en Aide la Dcision

Principes de Modlisation en AD-RO

Pourquoi avoir recours une mthode scientifique ?

Faire face trois types de difficults

Modlisation en Aide la Dcision

Principes de Modlisation en AD-RO

Processus daide la dcision

Modlisation en Aide la Dcision

Principes de Modlisation en AD-RO

Concept de Modle en Aide la Dcision

Reprsentation abstraite (relations, quations...) dun problme

Identification du problme et modlisation

Conception et application de mthodes de rsolution

Intgration et mise en oeuvre dans le processus de

Modlisation en Aide la Dcision

Principes de Modlisation en AD-RO

Les composantes dun modle

Problmatique dcisionnelle : choix, rangement, tri.

Modlisation en Aide la Dcision

Principes de Modlisation en AD-RO

Exemple en Gestion de production

Principes de Modlisation en AD-RO

Modlisation en Aide la Dcision

Principes de Modlisation en AD-RO

En utilisant la programmation linaire

Modlisation en Aide la Dcision

Principes de Modlisation en AD-RO

La forme gnrale dun programme mathmatique

Principes de Modlisation en AD-RO

En utilisant la programmation linaire

Principes de Modlisation en AD-RO

Modlisation en Aide la Dcision

n variables xj and m contraintes

Elments dun programme mathmatique

Modlisation en Aide la Dcision

Principes de Modlisation en AD-RO

La forme gnrale dun programme mathmatique

Typologie de programme mathmatique

Programmation linaire : f (x) =

Programmation non convexe

Principes de Modlisation en AD-RO

Modlisation en Aide la Dcision

Exemple en gestion de production : Programme

xnj + xej + sj1 = sj + dj j = 1, . . . , 4

Modlisation en Aide la Dcision

Principes de Modlisation en AD-RO

La forme gnrale dun programme mathmatique

Caractristiques dun programme linaire

Principes de Modlisation en AD-RO