Vous êtes sur la page 1sur 10

1

Grenoble INP ENSE 3 , 11 septembre 2014

Problèmes et algorithmes d’optimisation (6 heures)

1. Objectif de ce Bureau d'Études

L’objectif de ce Bureau d’Etudes est d’étudier les comportements et les spécificités de quelques algorithmes d’optimisation sur des problèmes d’optimisation académiques. La mise en œuvre de ces algorithmes sur un problème plus réaliste fera l’objet d’un autre BE. Pour réaliser cette étude nous utiliserons GOT-It, un logiciel co-développé par la société CEDRAT et le G2Elab (Laboratoire de Génie Electrique de Grenoble).

Le texte de ce sujet débute par 2 sections introductives :

- la définition des 3 problèmes d’optimisation qui serviront de support aux études,

- une présentation rapide du logiciel d’optimisation qui sera utilisé, Il se poursuit par 4 sections explicitant les études à réaliser :

- une expérimentation sur le problème unimodal de Rosenbrock,

- une expérimentation sur le problème multimodal de Belledonne,

- une expérimentation sur le problème multiobjectif BiSphère,

- une étude de robustesse des solutions sur le problème de Belledonne.

2. Les problèmes d’optimisation étudiés

Un problème d’optimisation de dimension n peut être écrit de façon générale sous la forme :

– minimiser

f

(

x

)

= f

(

x

1

,

x

2

,

– en respectant

G

G

x

(

(

i

i

x

x

min

j

)

)

=

0

0

x

j

x

max

j

,

x

n

)

i

i

=

=

j

1,

m

= 1,

e

avec

m

,

+

,

e

1,

n

,

x

m

=

{

x , x

1

2

,

,

x

n

}

¬

n

– La quantité f(x) est un critère à minimiser, appelé aussi fonction objectif. Il peut y avoir plusieurs critères.

– Le vecteur x est constitué de n variables x j qui représentent les paramètres du problème.

– Les fonctions G i (x) représentent les contraintes d’égalité et d’inégalité.

– Les valeurs

min

x

j

et

max

x

j

désignent les contraintes de domaine.

2

Grenoble INP ENSE 3 , 11 septembre 2014

Exemple 1 : Le problème de Rosenbrock Minimiser

avec Ce problème possède un seul optimum

f

1

(x , x

1

2

2

) = 100 (x

x

1

+

2

2

x

1

2

)

2

+ (x

2

1

x

1)

2

2

+

2

f

1

(1,1)

=

0

.

Exemple 2 : Le problème multimodal de Belledonne Minimiser

f

2

(

y

1

,

y

2

)

=

(1 -

y

1

2

)cos(5

y

1

) + (12 -

y

2

2

4

)cos(

) y + 0.3 2
)
y
+ 0.3
2

avec

0

y

1

2

0

y

2

Ce problème possède 1 minimum global

f

2

(0.56434,0.01548)

=

-12.64671

,

f

2

(1.36864,0.86648)

2

f

=

2

(1.36864,0.01548)

-11.92323

et

=

-12.73956

et 3 minima locaux

=

-11.83038

.

f

2

(0.56434,0.86648)

Exemple 3 : Le problème multiobjectif BiSphere Minimiser simultanément

avec Les deux solutions partielles (1,0) 0

simultanément. Il faut nécessairement envisager un compromis entre les deux objectifs. Il y a une infinité de compromis possibles.

et

= ne peuvent pas être atteintes

5

z

1

31

(z

+

5

1

, z

2

) = (z

f

31

1

5

=

f

1)

z

2

2

+ z

2

2

+

5

et

0

32

(z , z

1

2

f

) = z

1

2

+ (z

2

1)

2

f

32

(0,1)

3. Présentation rapide du logiciel d’optimisation GOT-It.

GOT-It donne la possibilité de décrire un problème d’optimisation, de sélectionner un algorithme d’optimisation, de lancer une optimisation et d’analyser les solutions.

Sur le réseau de l’ENSE 3 , la version 2 du logiciel est disponible, cependant nous allons utiliser une version 2-beta, plus récente, accessible comme suit

- Connecter un lecteur "O:" sur \\FSRV1\Pedagogie\Dist-JLC

- Ouvrir une fenêtre sur "O:"

- Lancer le plus récent

got_dist\gotit_exec_GOT_Vyyyy-mm-dd.bat

(double clic)

- Si le logiciel communique en anglais, basculer en français (tools -> Prefererences … -> FRENCH puis quitter et relancer le logiciel)

- Créer un nouveau projet (Projet > Créer nouveau projet…).

Remarque : Une version allégée de ce logiciel, nommée FGot, est téléchargeable librement à http://forge- mage.g2elab.grenoble-inp.fr/project/got. Les fonctionnalités de FGot sont suffisantes pour ce TP. Attention, les fichiers *.fgot sont lisibles par GOT-It, mais la réciproque n’est pas vrai.

Description d’un problème d’optimisation :

- La commande Paramètre permet de décrire pour chaque paramètre (x 1 ,x 2 ,

)

son nom, sa valeur (utilisée comme valeur initiale par certains algorithmes

3

Grenoble INP ENSE 3 , 11 septembre 2014

d’optimisation), ses valeurs minimale et maximale, sa grille d’arrondi et son unité. Il est possible de fixer un paramètre ou d’indiquer s’il est incertain.

- La commande Fonction permet de décrire des fonctions auxiliaires.

- La commande Fonction d’optimisation permet de décrire les noms et expressions des buts à atteindre (f 1 , f 2 , …) et des contraintes (g 1 , g 2 , …).

- La commande Problème d’optimisation permet de décrire pour chaque problème d’optimisation son ou ses objectifs et ses contraintes.

Sélection d’un optimiseur :

- La commande Algorithme d’optimisation permet de sélectionner un optimiseur en mesure de résoudre un problème d’optimisation.

Remarque : Un optimiseur est le plus efficace en précision et coût (nombre d’évaluations) lorsqu’il est employé pour résoudre le type de problème d’optimisation pour lequel il a été conçu (monoobjectif / multiobjectif, non contraint / contraint).

Optimisation :

- La commande Optimisation permet de lancer l’optimisation d’un problème d’optimisation à l’aide d’un optimiseur.

Analyse :

- La commande Outil d’analyse permet d’analyser la ou les solutions et permet aussi de visualiser graphiquement les fonctions.

4. Expérimentation sur le problème de Rosenbrock

Dans cette première expérimentation, nous allons utiliser le problème de Rosenbrock (rechercher sur internet) pour mettre en évidence le fonctionnement des algorithmes d’optimisation mis à notre disposition.

- Créer un nouveau projet (lui associer par exemple le nouveau fichier Rosenbrock.gotit).

- Décrire les paramètres continus x 1 et x 2 (prendre 1/10000 comme taille de

grille pour x 1 x 2 , ne pas définir d’unité) et la fonction de Rosenbrock f 1 (la nommer F1) (l’opérateur « élévation à la puissance » est **, par exemple

(x

1

1)

2 se code (x1-1)**2 ).

- Visualiser la fonction F1 (essayer "Traceur courbes", "Evaluateur", "Traceur isovaleurs", "Traceur surface" disponibles dans Outil d’analyse).

- Passer du contexte Paramétrique au contexte Optimisation.

- Dans le menu « Réglage », cocher la case « Vider le cache ».

- Dans Fonction d’optimisation créer OF1, le But de minimisation, avec F1 pour fonction et 5E-5 pour cible (le but à atteindre est F1 inférieur ou égal à 5E-5).

- Décrire le Problème d’optimisation (le nommer Rosenbrock) dont le but unique est OF1.

4

Grenoble INP ENSE 3 , 11 septembre 2014

- Sélectionner un algorithme d’optimisation SQP (le nommer SQP).

- Créer et exécuter l’Optimisation du problème Rosenbrock avec SQP (faire plusieurs essais avec pour x 1 x 2 les valeurs initiales [2, 2], [0, 0], [2, -2], [-2, - 2], [-2, 2]). Si nécessaire, augmenter le nombre maximal d’itérations. Relever les nombres d’itérations de l’algorithme et d’évaluations de la fonction. Expliquer la différence entre itérations et évaluations ?

Astuce 1 : Dans l’arbre de données, un clic droit sur une optimisation puis Analyser renseigne sur les résultats obtenus.

Astuce 2 : Une optimisation déjà réalisée peut être re-exécutée en tenant compte des modifications (entre autres) des paramètres. Pour cela, dans l’arbre de données, faire un clic droit sur l’optimisation puis Exécuter.

Astuce 3 : Le déroulement de l’optimisation peut être re-visualisé. Pour cela, dans sa fenêtre graphique, sélectionner le panneau [x2](x1), clic droit sur la figure puis Rejouer.

Astuce 4 : Dans la fenêtre graphique, il est possible d’ajouter ou d’enlever des panneaux de déroulement d’optimisation (clic droit sur le fond de panneau ou sur n’importe quel onglet, par exemple sur [x2](x1) ).

Astuce 5 : La sélection dans l’arbre de données de plusieurs objets (exemple : les paramètres, l’algorithme d’optimisation, l’optimisation, …) suivie de Editer, débute une édition simultanée dans une table. Le bouton Exécuter, permet de re-exécuter (après Valider, si un objet a été modifié) sans quitter l’édition simultanée.

Remarque sur la cible d’une fonction d’optimisation : La cible d’une fonction d’optimisation permet d’indiquer à l’algorithme d’optimisation une valeur à atteindre. Si aucune cible n’est définie, l’algorithme cherche la plus petite valeur possible dans le cas d’une minimisation ou la plus grande valeur possible dans le cas d’une maximisation. Dans les situations où la fonction d’optimisation est coûteuse, il est usuel de définir une cible à atteindre relativement modeste afin de limiter le coût de l’optimisation. Dans le cas d’une fonction test dont l’optimum est connu, il est commode de fixer une cible, car le nombre d’évaluations nécessaires pour atteindre la cible est alors un indicateur de performance de l’algorithme.

Remarque sur les performances d’un algorithme : Les performances d’un algorithme d’optimisation se mesurent au nombre d’évaluations des fonctions objectifs et contraintes nécessaires pour obtenir une solution acceptable. Dans les cas d’une utilisation réaliste, chaque évaluation peut en effet nécessiter plusieurs minutes, plusieurs heures, voire plusieurs jours de calcul ! Pour réduire les temps de calcul, le logiciel GOT-It est équipé d’un cache, de capacité limitée, permettant de conserver les évaluations les plus récentes obtenues lors d’une session. Cependant, lorsqu’il s’agit de comparer les performances de deux algorithmes d’optimisation, le cache est un élément perturbateur. Pour faire des études comparatives sur le nombre d’évaluations nécessaires aux algorithmes d’optimisation indépendamment de leur ordre d’exécution dans une session, il est judicieux de demander la réinitialisation automatique du cache (menu Réglage – cocher Vider le cache). Pour se rendre compte de l’effet du cache sur le déroulement propre de chaque algorithme (ce n’est pas demandé ici), il faudrait le désactiver totalement (menu Réglage - décocher Activer le cache). Lorsque la case Vider le cache est cochée, un panneau supplémentaire donnant le nombre d’évaluations des fonctions apparaît dans la fenêtre graphique à la fin de l’optimisation.

Faire une deuxième série d’expériences en choisissant cette fois un algorithme génétique (le nommer GA). Ici, il ne sera pas nécessaire de changer les valeurs initiales de x 1 x 2 , leur rôle se limitant à la constitution d’un seul des individus de la population initiale, le déroulement de cet algorithme stochastique en dépend peu. Le fonctionnement de l’optimiseur GA dépend par contre des probabilités associées aux opérateurs stochastiques de croisement et de mutation (éditables en mode expert) et de la taille de la population. Par ailleurs, le nombre de générations doit être suffisamment important pour ne pas conduire à un arrêt prématuré.

Le déroulement dépend aussi par nature des tirages pseudo aléatoires effectués. A taille de population et probabilités des opérateurs stochastiques fixées, il est indispensable, pour estimer les performances d’un algorithme stochastique, de

5

Grenoble INP ENSE 3 , 11 septembre 2014

réaliser plusieurs optimisations en modifiant la graine du générateur de nombres pseudo aléatoires. Pour cela, en mode édition, effacer la graine du générateur (dans l’éditeur voir l’onglet Options), relancer et relever à chaque fois les nombres d’évaluations de OF1 nécessaires pour atteindre la cible. Rappel, dans le menu Réglage, la case Vider le cache doit être cochée pour que les nombres d’évaluations soient affichés.

Conclure sur les avantages et les inconvénients des deux algorithmes utilisés, notamment en termes de nombre d’appels (d’évaluations) à la fonction objectif, en termes de précision de la solution finale et de condition d’utilisabilité.

Astuce : Le journal de bord conserve, sous forme de fiches, la trace des opérations réalisées. Un menu contextuel, associé à chaque fiche, permet d’éditer un commentaire ou de supprimer une fiche inutile. Il est recommandé, au fur et à mesure de leur création, de fermer les fiches inutiles et de commenter celles conservées.

Sauvegarder ce projet et son journal de bord (le fichier journal de bord est un document HTML consultable avec un navigateur) et sortir du logiciel.

5. Expérimentation sur le problème de Belledonne

Dans cette partie, nous allons découvrir les spécificités d’un problème multimodal.

Ouvrir

Belledonne.gotit).

un

nouveau

projet

(lui

associer

par

exemple

le

nouveau

fichier

Visualiser la fonction Belledonne (les fonctions cosinus et racine carrée se codent Cos et Sqrt) (remarque : pour bien visualiser F2 par "Traceur surface" il faut au moins 101 points pour Y1 et Y2).

Réaliser quelques optimisations avec SQP et GA (prendre 1/100000 comme taille de grille pour y 1 y 2 ) (prendre -12.73953 comme cible de la fonction d’optimisation

OF2).

Relever le coût moyen de GA dans sa recherche de l’optimum global, sur un nombre de résolutions significatif (au moins 20).

Astuce : Dans le contexte Optimisation enrichie et afin d’automatiser les essais, créer et utiliser un Optimiseur à répétitions. Cet optimiseur répète les exécutions de son optimiseur interne (par exemple GA) autant de fois que nécessaire (par exemple 20) et retourne tous les résultats obtenus.

Ici, quelles sont les forces et les faiblesses de l’algorithme déterministe ? Même question pour l’algorithme stochastique ?

Sélectionner un algorithme de nichage (le nommer Niching) et lancer une optimisation avec cet algorithme. Etudier les solutions retournées par l’algorithme.

6

Grenoble INP ENSE 3 , 11 septembre 2014

Quelle est la différence principale entre cet algorithme et un algorithme génétique classique et quel est l’intérêt ?

En conclusion, quel algorithme est le mieux adapté pour résoudre le problème de Belledonne ?

Sauvegarder ce projet et son journal de bord et sortir du logiciel.

6. Expérimentation sur le problème BiSphere

Dans cette partie, nous allons découvrir les spécificités d’un problème multiobjectif.

Ouvrir

BiSphere.gotit).

un

nouveau

projet

(lui

associer

par

exemple

le

nouveau

fichier

Dans le logiciel, décrire les paramètres et les objectifs F31 et F32.

Résolution usuelle à l’aide d’un optimiseur monoobjectif :

La méthode usuelle consiste à résoudre un problème mono objectif (compromis entre les deux objectifs) :

Minimiser

f

3

(

z

1

,

z

2

)

=

(1

u

)

2

f

31

+

(1

+ u

)

2

f

32

avec

1

u

+1

La grandeur u permet de pondérer les deux objectifs : lorsque u=-1, la fonction f 3 se réduit à f 31 , lorsque u=+1, elle se réduit à f 32 , lorsque u=0, f 3 est la moyenne des objectifs, etc.

Dans le logiciel introduire une fonction constante u=0 (une fonction et non un paramètre pour éviter les confusions en optimisant), puis construire la fonction F3 ci-dessus.

Avec un optimiseur SQP déterminer le minimum de F3 et relever les valeurs de z 1 , z 2 , f 3 , f 31 et f 32 . Effectuer cette opération successivement pour u= -1, -0.5, 0, +0.5, 1.

Positionner (graphique à main levée) toutes les solutions z 1 , z 2 dans l’espace des variables. Constatation ? Etait-ce prévisible (déterminer analytiquement z 1 (u), z 2 (u) en 4 lignes de calcul) ?

Positionner (graphique à main levée) toutes les solutions dans l’espace des objectifs f 31 et f 32 .

7

Grenoble INP ENSE 3 , 11 septembre 2014

Résolution à l’aide d’un optimiseur multiobjectif :

Maintenant, construire un problème multiobjectif nommé BiSphere. Prendre un problème à but multiple avec deux objectifs (sans définir de cible) et sans contrainte.

Sélectionner un optimiseur multiobjectif GMGA (le nommer GMGA).

Lancer l’optimisation de BiSphere avec GMGA. Expliquer le concept de solution dominée, de solution non dominée et de frontière de Pareto. Entre solution dominée et solution non dominée quelle est la plus intéressante ? En déduire le principe de fonctionnement de GMGA.

Après optimisation, visualiser le front de Pareto (F32,F31), à l’aide de l’outil d’exploitation des résultats "Frontière de Pareto".

Comparer les deux méthodes de résolution notamment lorsque le nombre d’objectif est supérieur à 2.

Sauvegarder ce projet et son journal de bord et sortir du logiciel.

7. Robustesse des solutions du problème de Belledonne

Un produit est dit robuste si sa réponse est peu modifiée par des perturbations. Un produit optimisé, mais qui ne fonctionne que dans des conditions particulièrement pointues, ne sera pas robuste.

Il est possible de définir 4 approches de conception qui donneront des solutions avec des caractéristiques différentes (dispersion et performances). Ces 4 approches sont :

- Solution nominale : On recherche une solution qui respecte le cahier des charges (ce processus peut mettre en œuvre une modification par tâtonnements d’un faible nombre de paramètres de conception). On ne cherche pas a priori à maximiser un critère. Cette étape peut éventuellement être suivie par une étude de sensibilité.

- Etude de sensibilité : On étudie l’impact des perturbations sur la performance pour une solution donnée.

- Solution optimisée (optimisant la performance) : On cherche, parmi plusieurs solutions, celle permettant de maximiser les critères de performance : on boucle phase de conception (en faisant varier les paramètres de conception) et phase d’évaluation des performances (en évaluant les critères de performance).

- Solution robuste (optimisant robustesse et performance) : On cherche, parmi plusieurs solutions, celle qui soit à la fois optimisée en performance et en robustesse. Pour cela, on est amené à boucler phases de conception et d’évaluation des performances et de la robustesse. On est alors amené à effectuer un compromis entre robustesse et performance.

8

Grenoble INP ENSE 3 , 11 septembre 2014

Dans cette partie nous découvrirons en premier lieu les outils à notre disposition pour étudier la sensibilité et la robustesse d’une solution (Traceur de variations, Evaluateur stochastique, Evaluateur d’intervalles, Pire déviation, Déviation probabiliste), puis nous les utiliserons pour déterminer une solution robuste au problème de Belledonne.

a) Découverte des outils

Il est important de rappeler ici l’existence d’une grille d’arrondi associée à chaque paramètre. Les seules valeurs autorisées des paramètres durant une optimisation sont prises sur cette grille. Dans un contexte industriel cette grille pourrait représenter les valeurs réalisables en fabrication pour ce paramètre. Dans un tel contexte, plus la grille sera fine, plus la réalisation du paramètre sera délicate et donc coûteuse.

Recharger le projet Belledonne.gotit et imposer 1/1000 comme tailles de grille pour tous les paramètres. Ce pas de grille, beaucoup plus lâche que dans l’étude initiale, permettra de mieux mettre en évidence les concepts de robustesse d’un point de fonctionnement.

Préciser de plus que tous les paramètres sont incertains (basculer les options correspondantes).

Optimiser une fois pour toutes avec l’algorithme de nichage qui fournit les 4 solutions (d’index 0, 1, 2 et 3).

Traceur de variations :

- Lancer l’outil Traceur de variation sur la fonction F2 en centrant l’analyse autour de la solution d’index 0 (voir astuce ci-dessous) et en prenant un nombre de points important (par exemple 101). Quel type d’information apporte ce graphique ? Quelle information il n’apporte pas ?

Evaluateur stochastique :

- Lancer un Evaluateur stochastique sur la fonction F2 en centrant l’analyse autour de la solution d’index 0 (voir astuce ci-dessous) et en prenant un nombre de points important. Relever les résultats. Expliquer brièvement le mécanisme d’évaluation stochastique (mot clef pour une recherche Internet "Méthode de Monte Carlo" ? Quel est l’intérêt de cet outil dans une étude de robustesse ?

Remarque : dans cette analyse, les pas des grilles d’arrondi permettent de régler les écarts types des variations des paramètres autour de la solution analysée (écart type = pas de grille).

9

Grenoble INP ENSE 3 , 11 septembre 2014

Evaluateur d’intervalles :

- Lancer un Evaluateur sur la fonction F2 en centrant l’analyse autour de la solution d’index 0 (voir astuce ci-dessous) et en demandant une analyse d’intervalles (option de l’évaluateur à configurer). Relever les résultats. Donner (une dizaine de lignes au maximum) le principe de l’arithmétique des intervalles et ses limites. Quel est l’intérêt de cet outil dans une étude de robustesse ? Constatations : a) L’optimisation donne F2(1.368,0.016)=-12.727; b) Le minimum (voir page 2) est -12.739 ; c) L’analyse d’intervalle dans le rectangle [1.362 : 1.374][0.010 : 0.022] donne [-12.767:-10.780] pour F2. Questions : a) Pourquoi l’optimisation ne donne pas -12.739 ? b) Quelle interprétation donner à un intervalle [-12.767:-10.780] aussi important ? c) Dans un vrai problème, le minimum n’est pas connu à l’avance. Que suggère alors le "-12.767" de l’analyse d’intervalle ?

Remarque : dans cette analyse, les pas des grilles d’arrondi permettent de régler les intervalles de variations des paramètres autour de la solution analysée (amplitude intervalle = 3 fois le pas de grille).

Fonction "Pire déviation" :

Créer la fonction Pire déviation -> Déviation maximale de la fonction F2 en la nommant D2. Evaluer D2 (avec un Evaluateur) pour la solution d’index 0. Relever les résultats. Expliquer le principe de cette estimation plutôt pragmatique, en particulier expliciter l’hypothèse faite sur F2. Quels sont les avantages et inconvénients de cet outil (notamment par rapport à l’analyse d’intervalle) ?

Remarque : dans cette analyse, les pas des grilles d’arrondi permettent de régler les amplitudes des variations des paramètres autour de la solution analysée (amplitude variation = 3 fois le pas de grille) (recherche internet "règle 68–95–99.7" ou "règle des trois sigmas").

Fonction "Déviation probabiliste" :

- Créer la fonction Déviation probabiliste -> Ecart type de la fonction F2 en la nommant S2. Evaluer S2 (avec un Evaluateur) pour la solution d’index 0. Relever les résultats. L’estimation de l’écart type ainsi obtenue est relativement peu coûteuse (2*N+1=5 évaluations déterministes de la fonction F2 autour de la solution). Comparer avec la méthode de Monte Carlo.

Remarque : dans cette analyse, les pas des grilles d’arrondi permettent de régler les écarts types des variations des paramètres autour de la solution analysée (écart type = pas de grille).

Astuce : Pour centrer une analyse autour d’une solution avec les outils de cette section, il n’est pas nécessaire de redéfinir les valeurs des paramètres à chaque fois. Il suffit d’optimiser une seule fois avec l’algorithme de nichage qui fournit les 4 solutions et, dans l’un quelconque des outils d’analyses, de remplir la case « Optimisation définissant le point de référence » et la case « Index de la solution dans l’optimisation » (ici l’index peut être 0, 1, 2 ou 3 puisqu’il y a 4 solutions) (les solutions sont ordonnées selon les valeurs de l’objectif, l’index du minimum global est 0), puis de valider.

10

Grenoble INP ENSE 3 , 11 septembre 2014

b) Détermination d’une solution robuste du problème de Belledonne :

Expérimenter les trois approches permettant de trouver un optimum robuste.

i) Approche "analyse de robustesse a posteriori" manuelle :

Dans cette approche, les optima sont déterminés de manière classique puis comparés manuellement. Comparer donc les 4 optima du problème obtenus par l’optimisation multimodale (nichage) en utilisant au moins deux des outils d’analyse précédents (Traceur de variations, Evaluateur stochastiques, Evaluateur d’intervalles, Pire déviation, Déviation probabiliste). Quelle est la solution la plus robuste ?

ii) Approche "analyse de robustesse a posteriori" assistée:

Dans cette approche, les optima sont déterminés de manière classique puis comparés au moyen de Post fonctions. Pour cela, créer une nouvelle optimisation dédiée au problème Belledonne, avec un algorithme de nichage, équipée de F2 et D2 ou S2 en post fonctions, limitant le nombre de solutions à la quantité utile (Max solutions = 4), sans limitation sur le post processing (Max post solutions = -1). Lancer cette nouvelle optimisation et analyser les résultats. Quelle est la solution la plus robuste ?

iii) Approche "optimisation robuste directe":

Dans cette approche, un optimum robuste est trouvé directement. Imaginer puis mettre en oeuvre une formulation directe du problème qui incorpore à la fois la minimisation de F2 et sa robustesse.

Sauvegarder ce projet et son journal de bord et sortir du logiciel.

8. Conclusion

Faire une synthèse sur les forces, les faiblesses et les domaines d’utilisation des algorithmes expérimentés.