Cours de Recherche Op Erationnelle I: Grenoble, 2008-2009

Cours de recherche operationnelle I
Grenoble, 2008-2009
Nadia.Brauner@g-scop.inpg.fr
1
Auteurs
Ont participe à la redaction de ce cours (par ordre darrivee)
Nadia Brauner
Christophe Rapine
Julien Moncel
Laurent Beaudou
Ont aide, corrige, relu et donne des idees
Gerd Finke
Yann Kieffer
Van Dat Cung
Ont donne les TD et propose des exercices
Ayse Akbalik
Sergei Lenglet
2
Formations à Grenoble
Formation initiale
RO à lUJF (L3 info, M1 Info, L3 Miage, PolytechRICM2)
Gestion de la production à lUJF (M1 Miage)
Outils Formels et Graphes (PolytechRICM2)
RO à lENSIMAG (1A, 2A, LOSI)
RO à lENSGI (1A, 2A, LOSI)
Master 2 Recherche Mathematiques et Informatique, Option
Recherche Operationnelle, Combinatoire et Optimisation
Formation continue
Recherche operationnelle (tous les ans, 4 jours)
Graphes et optimisation (tous les ans, 3 jours)
La recherche operationnelle
La Recherche Op
erationnelle
Applications
M
ethodologie
Outils
R
ef
erences
Plan
La Recherche Operationnelle
Applications
Methodologie
Outils
References
N. Brauner
La Recherche Op
erationnelle
Applications
M
ethodologie
Outils
R
ef
erences
Plan
Applications
Methodologie
Outils
References
N. Brauner
La Recherche Op
erationnelle
Applications
M
ethodologie
Outils
R
ef
erences
Recherche Operationnelle ou Science de la Decision

D
efinitions
Cambridge Dictionary
Operational research UK (US operations research)
The systematic study of how best to solve problems in business
and industry
Wikipedia
Operations research, operational research, or simply OR, is the use
of mathematical models, statistics and algorithms to aid in
decision-making
Roadef
Recherche Operationnelle : approche scientifique pour la resolution
de problèmes de gestion de systèmes complexes
N. Brauner
La Recherche Op
erationnelle
Applications
M
ethodologie
Outils
R
ef
erences
Recherche Operationnelle
D
efinitions
Methodes scientifiques pour resoudre des problèmes
doptimisation lies aux organisations du monde reel
Une discipline à la croisee des mathematiques et de
linformatique
prolongement de lalgorithmique
manipulant des structures plus elaborees : graphes, polyèdres...
domaine dapplication de la theorie de la complexite
algorithmique
Une boite à outils de methodes, tant positives que negatives,

pour aborder sainement et sereinement les problèmes
doptimisation
N. Brauner
La Recherche Op
erationnelle
Applications
M
ethodologie
Outils
R
ef
erences
Plan
Applications
Methodologie
Outils
References
N. Brauner
La Recherche Op
erationnelle
Applications
M
ethodologie
Outils
R
ef
erences
Voyageur de commerce (TSP)
Un voyageur de commerce, base à Toulon, doit visiter ses
clients à travers la France.
Il souhaite effectuer la tournee la plus courte possible.
N. Brauner
10
La Recherche Op
erationnelle
Applications
M
ethodologie
Outils
R
ef
erences
Voyageur de commerce
Instance : n villes avec une matrice de distances
Solution : tournee visitant chaque ville et revenant à Toulon
N. Brauner
11
La Recherche Op
erationnelle
Applications
M
ethodologie
Outils
R
ef
erences
Algorithme Glouton pour le TSP
N. Brauner
12
La Recherche Op
erationnelle
Applications
M
ethodologie
Outils
R
ef
erences
Applications
Feuille de TD : Recherche operationnelle, Introduction
Exercice 1 : Vente de telephones portables
Exercice 2 : Transport de lecteurs MP3
N. Brauner
13
La Recherche Op
erationnelle
Applications
M
ethodologie
Outils
R
ef
erences
Transport
graphe biparti oriente avec ponderation
quantite dune marchandise aux sommets
co
uts de transport, distance sur les arcs
trouver le meilleur plan de distribution
ai iaP
PP
cij
P
min
j
PP
qabj
cij xij
xij
ai
xij
bj
xij
jB
X
iA
N. Brauner
14
La Recherche Op
erationnelle
Applications
M
ethodologie
Outils
R
ef
erences
Applications
Feuille de TD : Recherche operationnelle, Introduction
Exercice 3 : Planification de projet
N. Brauner
15
La Recherche Op
erationnelle
Applications
M
ethodologie
Outils
R
ef
erences
Applications
Plus court chemin
Quel est le trajet le plus court
entre Grenoble et Nice
en voiture ?
N. Brauner
16
La Recherche Op
erationnelle
Applications
M
ethodologie
Outils
R
ef
erences
24h de RO
8h : optimisation de la recolte et du dep
ot des dechets
recyclables
...
15h : placement automatique des vehicules pour une
association de partage de voitures
16h : gestion des retards dans les transports publics pour
minimiser limpact sur les passagers
...
http://www.24hor.org/
N. Brauner
17
La Recherche Op
erationnelle
Applications
M
ethodologie
Outils
R
ef
erences
Domaines dapplication
Conception, configuration et exploitation
de systèmes techniques complexes
(reseaux de communication, systèmes dinformation)
gestion de la chane logistique
(transports, production, stocks. . . )
gestion strategique dinvestissements
et aussi
sante, instruction publique, voirie,
ramassage et distribution de courrier,
production et transport denergie,
telecommunications, banques, assurances. . .
N. Brauner
18
La Recherche Op
erationnelle
Applications
M
ethodologie
Outils
R
ef
erences
Domaines dapplication
Production : maximiser le profit selon disponibilite de la main
duvre, demande du marche, capacite de production, prix de
revient du materiau brut. . .
Transport : minimiser distance totale parcourue selon quantites de
materiaux à transporter, capacite des transporteurs, points de
ravitaillement en carburant. . .
I grande importance dans le milieu industriel :
production, transport, emploi du temps, finance. . .
N. Brauner
19
La Recherche Op
erationnelle
Applications
M
ethodologie
Outils
R
ef
erences
Plan
Applications
Methodologie
Outils
References
N. Brauner
20
La Recherche Op
erationnelle
Applications
M
ethodologie
Outils
R
ef
erences
Face `
a un probl`
eme pratique de d
ecision
Aspects mathematiques
contraintes, objectifs, simplifications
Modelisation
graphes, programmation lineaire, PPC...
Analyse des modèles et resolution

etude de complexite : que peut-on esperer pour le temps de
resolution imparti ?
mise au point dalgorithmes
Implementation et analyse des resultats

valider par rapport à la demande
iterer avec le demandeur si necessaire
Deploiement des solutions

Integration logicielle
N. Brauner
21
La Recherche Op
erationnelle
Applications
M
ethodologie
Outils
R
ef
erences
Plan
Applications
Methodologie
Outils
References
N. Brauner
22
La Recherche Op
erationnelle
Applications
M
ethodologie
Outils
R
ef
erences
Programmation lin
eaire
min le co
ut / max le profit
min / max
c1 x1 + c2 x2 . . . cn xn
satisfaire la demande
a1 x1 + a2 x2 . . . an xn b1
avec des ressources limitees
a10 x1 + a20 x2 . . . an0 xn b10
quantites produites
x1 , x2 . . . xn 0
N. Brauner
23
La Recherche Op
erationnelle
Applications
M
ethodologie
Outils
R
ef
erences
Optimisation Combinatoire
Trouver la meilleure solution parmi un nombre fini mais très
grand de choix
Un problème dOC se caracterise par :
La presence de choix, à faire parmi un ensemble fini
dalternatives
Une notion de co
ut, ou de gain, ou de perte
La necessite de faire globalement les bons choix, de manière à
optimiser la valeur objective
exemples : emplois du temps. . .

Combinatoire
echiquier tronque
http://mathsamodeler.ujf-grenoble.fr/LAVALISE/
N. Brauner
24
La Recherche Op
erationnelle
Applications
M
ethodologie
Outils
R
ef
erences
Graphes

sommet

arete
1

:
3
Valuation des aretes = co

uts, temps, distance, capacites. . .
meilleur chemin de i à j
meilleurs parcours
passant par chaque ville
passant par chaque arete
...
N. Brauner
25
La Recherche Op
erationnelle
Applications
M
ethodologie
Outils
R
ef
erences
Autre
Files dattente
Stochastique
Simulation
` linterface de
A
Informatique : algorithmique
Mathematiques : modelisation
Economie
: gestion, strategie
N. Brauner
26
La Recherche Op
erationnelle
Applications
M
ethodologie
Outils
R
ef
erences
Plan
Applications
Methodologie
Outils
References
N. Brauner
27
La Recherche Op
erationnelle
Applications
M
ethodologie
Outils
R
ef
erences
Bibliographie
che, J.-F.
de Werra, D., Liebling, T.-M., and He
Recherche Operationnelle pour Ingenieurs, Tome 1.
Presses Polytechniques et Universitaires Romandes, 2003.
Sakarovitch, M.
Optimisation Combinatoire, Graphes et Programmation
Lineaire.
Hermann, Enseignement des sciences, Paris, 1984.
Sakarovitch, M.
Optimisation Combinatoire, Programmation Discrète.
Hermann, Enseignement des sciences, Paris, 1984.
Wolsey, L. A.
Integer Programming.
Wiley-Interscience, 1998.
N. Brauner
28
La Recherche Op
erationnelle
Applications
M
ethodologie
Outils
R
ef
erences
Webographie
Cours
La RO sur wikipedia
http://fr.wikipedia.org/
Poly de cours
http://www.g-scop.inpg.fr/~braunern/
Complements au cours
http://www.g-scop.inpg.fr/~rapinec/
Vie de la RO en France
Societe francaise de RO
http://www.roadef.org
Groupe de Recherche en RO du CNRS
http://www-poleia.lip6.fr/~fouilhoux/gdrro/
Seminaire de RO à Grenoble
http://www.g-scop.inpg.fr/~moncelj/seminaire/
N. Brauner
29
La Recherche Op
erationnelle
Applications
M
ethodologie
Outils
R
ef
erences
Webographie
Collection de ressources pour la RO
http://www2.informs.org/Resources/
http://www.ensta.fr/~diam/ro/
Logiciels pour la RO
http://www.coin-or.org/resources.html
http://www.wior.uni-karlsruhe.de/bibliothek/
Blogs sur la RO
http://blog.vcu.edu/lamclay/
http://mat.tepper.cmu.edu/blog/
Probl`
emes difficiles
http://www.nada.kth.se/~viggo/problemlist/
N. Brauner
30
La Recherche Op
erationnelle
Applications
M
ethodologie
Outils
R
ef
erences
Entreprises francaises
Des entreprises francaises specialisees en RO
EURODECISION
Conseil en optimisation des ressources et planification de la
production, outils daide à la decision
ILOG
Optimization tools and engines, Visualization software
components, Supply chain applications
ARTELYS
Solutions en optimisation
Des entreprises grenobloises qui font de la RO
Opti-time
Equitime
Alma
N. Brauner
31
La Recherche Op
erationnelle
Applications
M
ethodologie
Outils
R
ef
erences
Entreprises francaises
Des entreprises francaises qui ont un p
ole R&D en RO
Airfrance
SNCF
EDF/GDF
France Telecom
Bouygues
Bouygues Telecom
Amadeus
N. Brauner
32
La Recherche Op
erationnelle
Applications
M
ethodologie
Outils
R
ef
erences
En conclusion
faire le mieux
co
ut min, meilleur profit, plus courte distance, le plus rapide. . .
avec les ressources disponibles

temps machine, postes de travail, memoire, ressource homme,
matière première, camions. . .
N. Brauner
33
Programmation par contraintes
Programmation par contrainte
Mod
elisation
R
esolution
Plan
Modelisation
Resolution
N. Brauner
35
Mod
elisation
R
esolution
Sudoku
Precis de Sudoku, N. Jussien
N. Brauner
36
Mod
elisation
R
esolution
Sudoku et PPC
Raisonnement par elimination
on ne cherche pas directement une valeur pour les variables
mais plut
ot les valeurs qui peuvent etre prises par une
variable : reduction du domaine
Raisonnement local : contraintes considerees independamment

verifier choix coherents : tests satisfiabilite
eliminer valeurs impossibles : filtrage
Transmission des deductions aux autres regions

les contraintes communiquent et interagissent par
lintermediaire des variables, lorsque le domaine courant dune
variable change, toutes les contraintes dans lesquelles elles
apparaissent sont reveillees : propagation
= principes au cur de la programmation par contraintes

N. Brauner
37
Mod
elisation
R
esolution
On se trouve où ?
Un probl`
eme, une solution : la solution est-elle une solution
du problème ?
simulation, verification
Un probl`
eme : trouver une solution du problème
programmation par contrainte (CSP)
Un probl`
eme : trouver la meilleure solution du problème
programmation lineaire
N. Brauner
38
Mod
elisation
R
esolution
Un premier exemple
Domaine des variables
x, y {0, 1 . . . 7}
Contraintes
x y =6
x +y =5
x >y
N. Brauner
39
Mod
elisation
R
esolution
La PPC, quest-ce que cest ?

Des id
ees en vrac
Outil informatique pour resoudre des problèmes combinatoires
Minimise letape de conception : modelisation facile, langage
proche des concepts des utilisateurs
Contraindre = maintenir dans les limites
permet deliminer rapidement des solutions non realisables
Bien separer modelisation et resolution
Notion naturelle de contraintes :
affecter stages à etudiants
ranger des objets dans une boite
planifier le trafic aerien
etablir un menu equilibre et appetissant
N. Brauner
40
Mod
elisation
R
esolution
La PPC, quest-ce que cest ?

D
efinition plus formelle
CSP : ensemble de problèmes definis par des contraintes et
consistant à chercher une solution les respectant
Resolution dun CSP combinatoire : envisager très grand
nombre de combinaisons avant den trouver une qui satisfait
toutes les contraintes
Trop long introduire des raisonnements ou heuristiques
pour reduire la combinatoire et orienter la recherche
Solveur de contraintes : on decrit les contraintes et le solveur
prend en charge automatiquement la resolution
inspire cours de Christine Solnon
http://bat710.univ-lyon1.fr/~csolnon/
N. Brauner
41
Mod
elisation
R
esolution
Application de la PPC
inspire de Gilles Pesant
Modelisation de gestion de projet
Puzzle combinatoire
Conception de materiel informatique
verification de circuits, connexions des couches de circuits
moins efficace que le code dedie, mais plus flexible
Placement dobjets
placement des containers dans un port
remplissage des containers
N. Brauner
42
Mod
elisation
R
esolution
Problèmes de decoupage
Minimiser les pertes lors de la decoupe du papier, du verre, du
bois, du metal, etc.
La performance depend du contexte et de la difficulte des
contraintes
Papier : facile donc la programmation lineaire fonctionne bien
Pièces metalliques : plus difficile donc utiliser la PPC
Cuir et tissus : trop difficile seules les heuristiques fonctionnent
http://www.alma.fr
N. Brauner
43
Mod
elisation
R
esolution
Allocation despace
Portes pour les avions
Quais pour les trains ou les bateaux
Allocation de frequences
Trouver des frequences radio pour les cellulaires, les
communications radios, larmee, etc.
Ordonnancement de la production
Planifier des taches sur des machines dans une usine
Plus important succès de la PPC
Librairies dedies à lordonnancement (ex. ILOG Scheduler)
Conception dhoraires academiques

Planifier lhoraire des cours ou des examens, en tenant compte
des differentes ressources (etudiants, professeurs, locaux)
N. Brauner
44
Mod
elisation
R
esolution
Tournee de vehicules
Confection de routes sujet à beaucoup de contraintes.
Librairies specialisees, contraintes dediees
Construction dhoraires de personnel

Affecter les gens à des taches precises
Sante, commerce de detail, usine, etc.
Permet de modeliser les contraintes complexes
http://www.equitime.org/
N. Brauner
45
Mod
elisation
R
esolution
Plan
Modelisation
Resolution
N. Brauner
46
Mod
elisation
R
esolution
La programmation par contraintes

Objectif
Trouver une solution r
ealisable
Qui respecte des contraintes faciles à verifier
Formules mathematiques simples, tableaux de valeurs possibles
Avec des ensembles de valeurs possibles

pour les variables de d
ecision
N. Brauner
47
Mod
elisation
R
esolution
Domaines
D
efinition
X1 , X2 . . . Xn les variables de decision
Domaine
La variable Xi doit prendre ses valeurs dans le domaine Di
discret
fini ou infini
N. Brauner
48
Mod
elisation
R
esolution
Domaines
Exercice
Sont-ce des domaines ?
{1, 2, 3, 4}
Lensemble des entiers naturels.
Lensemble des reels
Les entiers naturels impairs
Lintervalle [1, 1]
Les points à coordonnees entières du plan
N. Brauner
49
Mod
elisation
R
esolution
Contraintes
Cest quoi ?
Variables
Domaines

Contraintes
Une contrainte restreint les valeurs que lon peut affecter

simultanement à des variables
Exemples :
2x + 3y = 12
x 6= 3y
3x 2
(ABC ) forme un triangle isocèle
=3
AB C
x, y , z distincts deux à deux
N. Brauner
50
Mod
elisation
R
esolution
Contraintes
D
eclaration dune contrainte
2 types de declaration :
extension : on enumère les valeurs admises
(x = 1 et y = 2) ou (x = 2 et y = 4) ou (x = 3 et y = 0)
intension : on utilise les signes mathematiques connus

x <y
N. Brauner
51
Mod
elisation
R
esolution
Contraintes
Caract
eristiques des contraintes
Relationnelle : non dirigee comme une fonction qui definit
la valeur dune variable en fonction des autres variables
x 2y = z permet
de determiner z si x et y sont connues
mais aussi x si y et z sont connues
et y si x et z sont connues
declarative : specifie la relation entre les variables, sans donner

de procedure pour assurer/verifier cette relation
x 2y = z, on ne soccupe pas de donner un algorithme
permettant de resoudre cette equation
ordre des contraintes non significatif
N. Brauner
52
Mod
elisation
R
esolution
Contraintes
Arit
e dune contrainte : le nombre de variables dans la contrainte
unaire : arite = 1
x x = 4 ou est-un-triangle(y )
binaire : arite = 2
x 6= y ou A B = A
ternaire : arite = 3
x + y < 3 z 4 ou (non x) ou y ou z = vrai
n-aire : arite = n
Si n est le nombre de variables : contrainte globale
toutesDifferentes(E ),
o`
u E est un ensemble de variables
N. Brauner
53
Mod
elisation
R
esolution
Contraintes
Exemples suppl
ementaires
Contraintes logiques
Si x = 4 alors y = 5
x = y ou x = 2y
Contraintes globales
Toutes les variables sont differentes
Meta-contraintes
La valeur 5 est utilisee exactement 3 fois
N. Brauner
54
Mod
elisation
R
esolution
Problème de satisfaction de contraintes

(X , D, C ) tel que
X = {X1 , X2 , . . . , Xn } lensemble des variables

D = {D1 , D2 , . . . , Dn } o`
u Di est le domaine de Xi
C = {C1 , C2 , . . . , Cm } lensemble des contraintes

Exemple
X = {a, b, c, d}
D(a) = D(b) = D(c) = D(d) = {0, 1}
C = {a 6= b, c 6= d, a + c < b}
N. Brauner
55
Mod
elisation
R
esolution
Solution dun CSP

Une affectation est le fait dinstancier des variables.
A = {(X1 , V1 ), (X3 , V3 ), (X4 , V4 )}
associe la valeur V1 de D1 à la variable X1 ...
Une affectation est :
partielle ou totale
consistante ou inconsistante
Une solution est une affectation totale consistante
N. Brauner
56
Mod
elisation
R
esolution
Solution dun CSP

Probl`
eme
X = {a, b, c, d}
D(a) = D(b) = D(c) = D(d) = {0, 1}
C = {a 6= b, c 6= d, a + c < b}
A1 = {(a, 1), (b, 0), (c, 0), (d, 0)}

A2 = {(a, 0), (b, 0)}
A3 = {(a, 1), (b, 0)}
A4 = {(a, 0), (b, 1), (c, 0), (d, 1)}
N. Brauner
57
Mod
elisation
R
esolution
Le jeu du : CSP, pas CSP !

Connaissant les pièces de mon porte-monnaie, puis-je rendre
exactement 8 euros et 57 centimes ?
Connaissant les pièces de mon porte-monnaie, quelle est la
meilleure facon de rendre 8 euros et 57 centimes ?
Est-il possible de colorier une carte avec 5 couleurs sans
frontière monochrome ?
Sur un cercle, trouver un point à distance 2 dune droite.
N. Brauner
58
Mod
elisation
R
esolution
CSP
CSP surcontraint : na pas de solution
trouver une affectation totale qui maximise le nombre de
contraintes satisfaites = max-CSP
affecter un poids à chaque contrainte (proportionnel à
limportance de cette contrainte) et chercher une affectation
totale qui minimise la somme des poids des contraintes violees
= CSP value (VCSP)
CSP sous-contraint : admet beaucoup de solutions differentes,
preferences entre les differentes solutions (fonction qui associe
une valeur numerique à chaque solution) et trouver une
solution du CSP qui maximise cette fonction = CSOP
(Constraint Satisfaction Optimisation Problem)
N. Brauner
59
Mod
elisation
R
esolution
Plan
Modelisation
Resolution
N. Brauner
60
Mod
elisation
R
esolution
Un constat
Un problème est rarement donne sous la forme dun CSP
N. Brauner
61
Mod
elisation
R
esolution
Le problème des reines

Jeu : placer 4 reines sur un echiquier 4 4 sans quelles ne se
menacent
Modelisation
variables L1 , L2 , L3 , L4 et
C1 , C2 , C3 , C4
domaines Li {1, 2, 3, 4} et
Ci {1, 2, 3, 4}
contraintes lignes, colonnes
et diagonales differentes.
N. Brauner
62
Mod
elisation
R
esolution
Modelisation
Attention
Il ny a pas quune modelisation possible !
Modelisation
variables L1 , L2 , L3 , L4
domaines Li {1, 2, 3, 4}
contraintes
i =
6 j, Li 6= Lj
i =
6 j, Li + i 6= Lj + j
Li i 6= Lj j
N. Brauner
63
Mod
elisation
R
esolution
Modelisation
Autre mod
elisation pour le probl`
eme des reines ?
N. Brauner
64
Mod
elisation
R
esolution
Modelisation
Quelle est la meilleure mod
elisation ?
1
Celle qui modelise le mieux la realite du problème
Celle qui est la plus facile à trouver
Celle qui permettra de resoudre le problème le plus

efficacement
N. Brauner
65
Mod
elisation
R
esolution
Exercice : le retour de monnaie

On sinteresse à un distributeur automatique de boissons.
Lutilisateur insère des pièces de monnaie pour un total de T
centimes dEuros, puis il selectionne une boisson, dont le prix est
de P centimes dEuros (T et P etant des multiples de 10). Il
sagit alors de calculer la monnaie à rendre, sachant que le
distributeur a en reserve E2 pièces de 2=
C, E1 pièces de 1=C, C50
pièces de 50 centimes, C20 pièces de 20 centimes et C10 pièces
de 10 centimes.
Modelisez ce problème sous la forme dun CSP.
N. Brauner
66
Mod
elisation
R
esolution
Correction : le retour de monnaie
N. Brauner
67
Mod
elisation
R
esolution
Exercice : Send More Money

On considère laddition suivante :
+
=
S
M
O
E
O
N
N
R
E
D
E
Y
o`
u chaque lettre represente un chiffre different (compris entre 0
et 9). On souhaite connatre la valeur de chaque lettre, sachant
que la première lettre de chaque mot represente un chiffre
different de 0.
Modelisez ce problème sous la forme dun CSP.
N. Brauner
68
Mod
elisation
R
esolution
Correction : Send More Money
N. Brauner
69
Mod
elisation
R
esolution
Plan
Modelisation
Resolution
N. Brauner
70
Mod
elisation
R
esolution
Resolution nave
Enum
eration
On genère toutes les affectations totales possibles
On verifie si elles sont consistantes
si on en trouve une consistante, cest gagne
Avantage : très facile à mettre en uvre

Inconvenient : très gourmand en ressource temps
N. Brauner
71
Mod
elisation
R
esolution
Resolution nave
Un problème à n variables qui peuvent prendre 2 valeurs.
109 affectations traitees par seconde.
n
10
20
30
40
50
60
70
nb daffectations
103
106
109
1012
1015
1018
1021
temps
... do`
u linteret de bien choisir la modelisation
N. Brauner
72
Mod
elisation
R
esolution
Les remèdes
Sarreter quand une affectation partielle est inconsistante
backtrack
Restreindre les domaines des variables durant lexecution

propagation de contraintes
Utiliser des heuristiques

Utiliser nos connaissances sur le problème etudie
...
N. Brauner
73
Mod
elisation
R
esolution
Backtrack
Principe :
On parcourt larbre des affectations en profondeur
Lorsquune affectation partielle est inconsistante, on nexplore
pas le sous-arbre correspondant
N. Brauner
74
Mod
elisation
R
esolution
Backtrack : jeu de dames

Exemple dex
ecution
N. Brauner
75
Mod
elisation
R
esolution
Backtrack
Backtrack
M
ethode nave
4 Moins daffectations
considerees
8 Toutes les affectations sont

considerees
8 Toutes les contraintes sont

testees à chaque affectation
meme partielle
4 On ne teste les contraintes

que sur les affectations
totales
4 Facile à mettre en uvre
4 Très facile à mettre en

uvre
Importance de lordre des variables
N. Brauner
76
Mod
elisation
R
esolution
Propagation des contraintes

Principe :
On restreint le domaine dune variable
avec les contraintes, on restreint les autres domaines
Exemple
0 < x 10 et 3 y 9
contrainte : x > y
Alors on peut restreindre le domaine de x à 4 x 10
N. Brauner
77
Mod
elisation
R
esolution

Id
ee : à partir dun CSP, on cherche un CSP equivalent avec des
domaines plus petits
On propage :
Quand un domaine est reduit
Quand une des bornes du domaine est changee
Quand un domaine est un singleton
On propage :
Une fois : nud-consistance
Deux fois : arc-consistance
Ou plus...
N. Brauner
78
Mod
elisation
R
esolution

Nud-consistance
Formellement, un CSP (X , D, C ) est consistant de nud si pour
toute variable Xi de X , et pour toute valeur v de D(Xi ),
laffectation partielle (Xi , v ) satisfait toutes les contraintes unaires
de C .
Algorithmiquement, pour chaque variable Xi non affectee dans A,
on enlève de D(Xi ) toute valeur v telle que laffectation
A {(Xi , v )} est inconsistante.
N. Brauner
79
Mod
elisation
R
esolution

Nud-consistance
N. Brauner
80
Mod
elisation
R
esolution

Arc-consistance
Formellement, un CSP (X , D, C ) est consistant darc si pour tout
couple de variables (Xi , Xj ) de X , et pour toute valeur vi
appartenant à D(Xi ), il existe une valeur vj appartenant à D(Xj )
telle que laffectation partielle {(Xi , vi ), (Xj , vj )} satisfasse toutes
les contraintes binaires de C .
Algorithmiquement, pour chaque variable Xi non affectee dans A,
on enlève de D(Xi ) toute valeur v telle quil existe une variable Xj
non affectee pour laquelle, pour toute valeur w de D(Xj ),
laffectation A {(Xi , v ), (Xj , w )} soit inconsistante.
N. Brauner
81
Mod
elisation
R
esolution

Arc-consistance : exemple dexecution
N. Brauner
82
Mod
elisation
R
esolution
Propagation de contraintes
Nud-consistance :
4 Moins daffectations
considerees
8 Toutes les contraintes sont
testees à chaque affectation
meme partielle
4 Facile à mettre en uvre
Arc-consistance :
4 Beaucoup moins
daffectations considerees
8 Etablir
larc-consistance
peut prendre beaucoup de
temps selon les contraintes.
8 Moins facile à mettre en
uvre
N. Brauner
83
Mod
elisation
R
esolution
Systèmes
Syst`
emes bas
es sur la programmation logique
ECLiPSE Prolog
GNU Prolog
Syst`
emes bas
es sur des librairies
ILOG soveur (C++)
Choco (Java)
Facile (Ocaml)
N. Brauner
84
Exercice : Affectation de stock

N entrepots (co
ut douverture ouvre(i) )
M boutiques
co
uts dacheminement de chaque entrep
ot à chaque boutique
transfert(i, j)
capacite : chaque entrep
ot ne peut fournir quun certain
nombre de boutiques cap(i)
Question : avec un budget de mille euros, puis-je subvenir aux
besoins de mes boutiques ?
N. Brauner
85
Correction : Affectation de stock
N. Brauner
86
Programmation lineaire
Programmation lin
eaire
Interpr
etation g
eom
etrique
Bases et points extr

emes
Lalgorithme du simplexe
Plan
Introduction à la programmation lineaire
10
Interpretation geometrique
11
Bases et points extremes
12
N. Brauner
88
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Plan
10
11
12
N. Brauner
89
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Cadre de la PL
nombre fini de variables reelles, contraintes lineaires, objectif
lineaire
Variables x1 , x2 . . . xn reelles
Contrainte generique (contrainte i) :
n
X
aij xj bi
j=1
Fonction-objectif generique (à maximiser / minimiser) :

f (x1 , x2 . . . xn ) =
n
X
cj xj
j=1
N. Brauner
90
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Exemple : culture de courgettes et navets
Contraintes concernant les quantites dengrais et danti-parasites
8` engrais A disponible
2`/m2 necessaires pour courgettes, 1`/m2 pour navets
7` engrais B disponible
1`/m2 necessaires pour courgettes, 2`/m2 pour navets
3` anti-parasites disponible
1`/m2 necessaires pour navets
Objectif : produire le maximum (en poids) de legumes, sachant
que rendements = 4kg /m2 courgettes, 5kg /m2 navets
N. Brauner
91
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Variables de d
ecision
xc : surface de courgettes
xn : surface de navets
Fonction objectif
max 4xc + 5xn
Contraintes
2xc + xn 8
(engrais A)
xc + 2xn 7
(engrais B)
xn 3
(anti-parasites)
xc 0 et xn 0
N. Brauner
92
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Int
er
et de la PL
Problème general doptimisation sous contraintes
ERALE
AUCUNE m
ethode GEN
de r
esolution ! !
Problème lineaire quelconque
existence de methodes de resolution generales et efficaces
Ces methodes sont efficaces en theorie et en pratique
existence de nombreux logiciels de resolution :
Excel, CPLEX, Mathematica, LP-Solve. . .
Cadre restrictif
variables reelles
contraintes lineaires
objectif lineaire
N. Brauner
93
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Repr
esentation in extenso
max 4xc + 5xn
2xc + xn 8 (engrais A)
xc + 2xn 7 (engrais B)
xn 3
(anti-parasites)
xc 0 et xn 0
Repr
esentation matricielle

xc
xn

2 1
8
1 2 xc
7
xn
0 1
3
max
(4
xc 0
5)
xn 0
N. Brauner
94
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Repr
esentation in extenso
P
max z =
j cj xj
s.c.
aij xj
xj
i
=
i = 1, 2 . . . m
j = 1, 2 . . . n
N. Brauner
95
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
second membre b =
b1
b2
..
.
bm
matrice de format
a11 a12
a21 a22
A=
am1 am2
mn
a1n
a2n
. . . amn
...
...
..
.
n var. de decision X =
x1
x2
..
.
xn
Repr
esentation matricielle
max z = cx
s.c.
Ax
co
ut (ou profit) c = (c1 , c2 . . . cn )
x
0
N. Brauner
96
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Vocabulaire
xi variable de decision du problème
x = (x1 , . . . , xn ) solution r
ealisable (admissible)
ssi elle satisfait toutes les contraintes
ensemble des solutions realisables = domaine ou region
admissible
x = (x1 , . . . , xn ) solution optimale
ssi elle est realisable et optimise la fonction-objectif
contraintes inegalite ou egalite lineaire
a11 x1 + a12 x2 . . . + a1n xn b1
a21 x1 + a22 x2 . . . + a2n xn b2
a31 x1 + a32 x2 . . . + a3n xn = b3
fonction objectif (ou fonction economique) lineaire

max / min c1 x1 + c2 x2 . . . + cn xn
N. Brauner
97
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Applications
Feuille de TD : Programmation lineaire, Modelisation
Exercice 1 : Production de vins
Exercice 2 : Fabrication dhuile dolives
Exercice 3 : Compagnie aerienne
Exercice 4 : Publicite
N. Brauner
98
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Forme canonique dun PL
maximisation
toutes les variables sont non negatives
toutes les contraintes sont des inequations du type
max z =
s.c.
j cj xj
aij xj
xj
bi
i = 1, 2 . . . m
j = 1, 2 . . . n
forme matricielle
max z = cx
s.c. Ax
x
b
0
N. Brauner
99
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Forme standard dun PL
maximisation
toutes les variables sont non negatives
toutes les contraintes sont des equations
max z =
s.c.
j cj xj
aij xj
xj
= bi
i = 1, 2 . . . m
j = 1, 2 . . . n
forme matricielle
max z = cx
s.c. Ax
x
= b
0
N. Brauner
100
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Passage entre les formes
equation inequation

ax = b
ax b
ax b
max min
max f (x) = min f (x)
inequation equation : ajouter une variable decart
ax b
ax b
ax + s = b,
ax s = b,
s0
s0
variable non contrainte variables positives

x = x+ x
x 0
x +, x 0
N. Brauner
101
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Passage entre les formes
Feuille de TD : Programmation lineaire, Resolution
Exercice 1
N. Brauner
102
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Lin
eariser un probl`
eme non lin
eaire
ei : expression lineaire des variables de decision
obj : min max{e1 , e2 . . . en }

min y
y ei
i = 1, 2 . . . n
obj : max min{e1 , e2 . . . en }

max y
y ei
i = 1, 2 . . . n
obj : min |e1 |
|e| = max(e, e)
min y
y e1
y e1
min e + + e
e1 = e + e
+
e ,e 0
N. Brauner
103
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Lin
eariser un probl`
eme non lin
eaire
Exercice 2
N. Brauner
104
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Un peu dhistoire
annees 30-40 : Kantorovitch, economiste sovietique
modèles lineaires pour la planification et loptimisation de
la production
annees 40-50 : Dantzig, mathematicien americain
algorithme du simplexe
application historique
Operations Vittles et Plainfare pour ravitaillement de la trizone
pendant le blocus de Berlin par pont aerien (23 juin 1948 12
mai 1949)
simplexe execute à la main (des milliers de variables), jusquà
12 000 tonnes de materiel par jour !
1975 : prix Nobel economie Kantorovitch

XXIème siècle : logiciels de PL disponibles partout, utilisation
de la PL dans tous les domaines industriels...
N. Brauner
105
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Plan
10
11
12
N. Brauner
106
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Variables de d
ecision
xc : surface de courgettes
xn : surface de navets
Fonction objectif
max 4xc + 5xn
Contraintes
2xc + xn 8
(engrais A)
xc + 2xn 7
(engrais B)
xn 3
(anti-parasites)
xc 0 et xn 0
N. Brauner
107
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Interpr
eter les contraintes
courgettes et navets
2x + y 8 demi-plan de R2
x + 2y 7 demi-plan
y 3 demi-plan
x 0 et y 0 demi-plans
Ensemble des solutions realisables = intersection de ces
demi-plans : poly`
edre
x
N. Brauner
108
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Optimiser lobjectif
Les lignes de niveau {4x + 5y = constante} sont des droites
parallèles
4x 5y=10
4x 5y=18
4x 5y=22
4x 5y=25
x
N. Brauner
109
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
G
eom
etrie dun PL
Lensemble des solutions realisables est toujours
un poly`
edre (intersection de demi-espaces)
Les lignes de niveau {f = constante} de la fonction-objectif f sont

des hyperplans affines (n = 2 droite, n = 3 plan...)
N. Brauner
110
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
G
eom
etrie dun PL
Optimum atteint au bord

Loptimum de la fonction-objectif, sil existe, est atteint en (au
moins) un sommet du polyèdre.
Justification mathematique :
les derivees partielles
Pnde f (x) = c.x ne sannulent jamais,
et le domaine {x | j=1 aij xj bi , i = 1, . . . , m} est compact
loptimum est atteint au bord...
N. Brauner
111
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Solutions dun PL
La region admissible peut etre
vide
nb solutions optimales : 0
non vide, bornee

nb solutions optimales : 1 ou
non vide, non bornee

nb solutions optimales : 0 ou 1 ou
Proposer des exemples de PL pour chacun des cas

Exercice 3
N. Brauner
112
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Plan
10
11
12
N. Brauner
120
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes

A matrice m n
Rappels
max
s.c.
z
Ax
x
= cx
b
0
x = (x1 x2 . . . xn )
b = (b1 b2 . . . bm )
c = (c1 c2 . . . cn )
Les contraintes definissent un polyèdre

La solution optimale est un sommet du polyèdre
Comment enumerer les sommets dun polyèdre ?
N. Brauner
121
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes

Passage `
a la forme standard
Forme standard
On peut rajouter des variables d
ecart :
n
X
j=1
aij xj bi
n
X
aij xj + ei = bi , ei 0
j=1
PL standard :
max z(x) = c.x
s.c
Ax = b
x
0
On travaille dans un espace de dimension plus grande, mais toutes
les contraintes sont des egalites.
I Manipulations algebriques plus aisees
N. Brauner
122
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes

Passage `
a la forme standard
max z = 4x + 5y
s.c. 2x + y 8
x + 2y 7
y 3
x, y 0
max z = 4x + 5y
s.c. 2x + y + e1 = 8
x + 2y + e2 = 7
y + e3 = 3
x, y , e1 , e2 , e3 0
9 points interessants
(intersection de contraintes)
5 points admissibles
enumeration de ces 9 points

comme solution de la forme
standard (solutions de base)
N. Brauner
123
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes

s.c. 2x
x
x
0
0
0
0
4
7
3
2.5
1
x,
y
0
8
3.5
3
0
0
0
2
3
3
+ y
+ 2y
y
y,
e1
8
0
4.5
5
0
-6
0
0
3
e1
+
e1 ,
e2
e3
7
3
-9
-5
0
-0.5
1
0
3
3
0
3
0
0
1
-1.5
0
0
0
= 8
= 7
+ e3 = 3
e2 ,
e3 0
sol de base admiss.
4
4
4
8
4
8
4
4
4
4
4
8
8
8
4
4
4
8
4
4
e2
pt extreme
(0,0)
(0,3)
(4,0)
(3,2)
(1,3)
{points extr
emes} {solutions de base admissibles}N. Brauner
124
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes

Système lineaire Ax=b
A format m n, rang A = m n
Base de A : sous-matrice B(m m) inversible de A
A = (B, N)

xB
=b
ou
BxB + NxN = b
(B, N)
xN
xB = B 1 b B 1 NxN
Solution de base associee à B :

xN = 0 variables hors base
xB = B 1 b variables de base
N. Brauner
125
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes

Base et solution de base
2x + y + e1 = 8
x + 2y + e2 = 7
y + e3 = 3
x, y , e1 , e2 , e3 0
Base initiale ? {e1 , e2 , e3 } par exemple :
2x + y + e1 = 8
e1 = 8 2x y
x + 2y + e2 = 7
e2 = 7 x 2y
y + e3 = 3
e3 = 3 y
e1 , e2 , e3 = variables de base, x, y = variables hors base
N. Brauner
126
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes

Base
e1
e2
e3
et solution de base
= 8 2x y
= 7 x 2y
=3y
I on met les variables hors base à 0

I on en deduit les valeur des variables de base
e1 = 8 2x y = 8
e2 = 7 x 2y = 7
x =y =0
e3 = 3 y = 3
N. Brauner
127
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes

Ax = b,
x 0
(xB , 0) associee à B est une solution de base admissible si

xB 0
{points extr
emes du polyèdre} {solutions de base
admissibles du système lineaire correspondant}
nombre de points extremes Cnm =
n!
m!(nm)!
solution de base degeneree : certaines variables de base sont

nulles
si A est inversible : solution de base unique
N. Brauner
128
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes

Base voisine et pivotage
Bases voisines
Deux sommets voisins correspondent à deux bases B et B 0 telles
quon remplace une variable de B pour obtenir B 0
I passer à un sommet voisin = changer de base (base voisine)
principe du pivotage
N. Brauner
129
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes

Qui faire entrer dans la base ?
Essayons avec y : quelle est la valeur max que pourra avoir y ?
e1 = 8 2x y 0 y 8
e2 = 7 x 2y 0 y 3.5
e3 = 3 y 0 y 3
Bilan : ymax = 3, pour y = ymax on a e1 = 5 2x, e2 = 1 x, et
e3 = 0
I candidat pour une nouvelle base :
{e1 , e2 , e3 } {y } \ {e3 } = {e1 , e2 , y }
(x, y , e1 , e2 , e3 ) = (0, 3, 5, 1, 0)
N. Brauner
130
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Plan
10
11
12
N. Brauner
131
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Vers un algorithme de r
esolution
I Methode de resolution nave : enumerer tous les sommets,
calculer f sur ces points, prendre le sommet pour lequel f est
optimise :
fonctionne : nombre fini de sommets
limitation : ce nombre peut etre très grand en general...
Lalgorithme du simplexe (G. B. Dantzig 1947) Algorithme
iteratif permettant de resoudre un problème de programmation
lineaire.
N. Brauner
132
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Principe damelioration locale
` partir dun sommet, chercher un sommet voisin qui ameliore
A
lobjectif.
Principe damelioration locale (maximisation) :
Soit x0 sommet non optimum. Alors il existe x, un sommet voisin
de x0 , tel que f (x) > f (x0 ).
I Methode de resolution : on part dun sommet x0 quelconque, on
passe à un sommet voisin pour lequel f augmente, et ainsi de suite.
Remarque : on passe dun problème continu (variables reelles) à
un problème discret (nombre fini de sommets)...
N. Brauner
133
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Illustration 2D : courgettes et navets
x0 = (0, 0), z = 0 x = (0, 3), z = 15
x0 = (0, 3), z = 15 x = (1, 3), z = 19
x0 = (1, 3), z = 19 x = (3, 2), z = 22
z = 4x + 5y
x =3,2 , z =22
x
I plus damelioration locale possible optimum
N. Brauner
134
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Illustration concr`
ete
I Standardisation :
Maximiser
z = 4x + 5y
2x
+
y 8
x + 2y 7
s.c.
y 3
x, y 0
Maximiser
z = 4x + 5y
2x
+
y + e1 = 8
x + 2y + e2 = 7
s.c.
y + e3 = 3
x, y , e1 , e2 , e3 0
Base initiale ? {e1 , e2 , e3 } par exemple :
2x + y + e1 = 8
e1 = 8 2x y
x + 2y + e2 = 7
e2 = 7 x 2y
y + e3 = 3
e3 = 3 y
e1 , e2 , e3 = variables de base, x, y = variables hors base
N. Brauner
135
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Solution de base associ
ee
I on met les variables hors base à 0
I on en deduit :
valeur des variables de base
valeur de z
e1 = 8 2x y = 8
e2 = 7 x 2y = 7 et z = 4x + 5y = 0
ici : x = y = 0
e3 = 3 y = 3
N. Brauner
136
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Changement de base
Observation essentielle : z = 4x + 5y = 0 on peut augmenter z
si x ou y rentre dans la base.
Essayons avec y : quelle est la valeur max que pourra avoir y ?
e1 = 8 2x y 0 y 8
e2 = 7 x 2y 0 y 3.5
e3 = 3 y 0 y 3
Bilan : ymax = 3, pour y = ymax on a e1 = 5 x, e2 = 1 x, et
e3 = 0
I candidat pour une nouvelle base :
{e1 , e2 , e3 } {y } \ {e3 } = {e1 , e2 , y }
N. Brauner
137
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Nouvelle base {e1 , e2 , y
}
e1 = 8 2x y
e1 = 8 2x y = 5 2x + e3
e2 = 7 x 2y
e2 = 7 x 2y = 1 x + 2e3
e3 = 3 y
y = 3 e3
Exprimons z en fonction des variables hors base
I z = 4x + 5y = 15 + 4x 5e3
Solution de base associee
e1 = 5 2x + e3 = 5
e2 = 1 x + 2e3 = 1
x = e3 = 0
y = 3 e3 = 3
et
z = 15
N. Brauner
138
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
It
eration
z = 15 + 4x 5e3 peut encore augmenter si x entre dans la base
Si x entre, qui sort ?
Valeur max de x :
e1 = 5 2x + e3 0 x 2.5
e2 = 1 x + 2e3 0 x 1
y = 3 e3 0 aucune contrainte sur x
Bilan : xmax = 1 et e2 sort.
Nouvelle base {e1 , y , x}
e1 = 3 + 2e2 3e3
x = 1 e2 + 2e3
y
= 3 e3
z = 19 4e2 + 3e3
N. Brauner
139
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
It
eration (suite)
z = 19 4e2 + 3e3 peut encore augmenter si e3 entre dans la base
Si e3 entre, qui sort ?
Valeur max de e3 :
e1 = 3 + 2e2 3e3 0 e3 1
x = 1 e2 + 2e3 0 aucune contrainte sur e3
y = 3 e3 0 e3 3
Bilan : e3max = 1, e1 sort. Nouvelle base {e3 , y , x} :
e3 = 1 + 2/3e2 1/3e1
x = 3 + 1/3e2 2/3e1
y = 2 2/3e2 + 1/3e1
z = 22 2e2 e1
N. Brauner
140
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Terminaison
On a z = 22 2e2 e1 , donc z 22
Or la solution de base x = 3, y = 2, e3 = 1 donne z = 22
I optimum
La condition de terminaison concerne les coefficients de z exprimee
avec les variables hors base.
N. Brauner
141
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
max z = 20x1 + 10x2
s.c.
x1 + 2x2 120
x1 +
x2 100
x1
70
x2
50
x1 ,
x2 0
forme standard
max z
s.c. z 20x1 10x2
x1 + 2x2 + s1
x1 +
x2
+ s2
x1
+ s3
x2
+ s4
=0
= 120
= 100
= 70
= 50
N. Brauner
142
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Forme standard
max z
s.c. z 20x1 10x2
x1 + 2x2 + s1
x1 +
x2
+ s2
x1
+ s3
x2
+ s4
=0
= 120
= 100
= 70
= 50
Forme tableau
z
s1
s2
s3
s4
z x1
x2
1 20 10
0
1
2
0
1
1
0
1
0
0
0
1
s1
0
1
0
0
0
s2
0
0
1
0
0
s3
0
0
0
1
0
s4
0
0
0
0
1
0
120
100
70
50
N. Brauner
143
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Co
uts r
eduits
B, une base de Ax = b
la fonction objectif :
= cx = cB xB + cN xN
= cB B 1 b (cB B 1 N cN )xN
n
X
= z0
(cB B 1 aj cj )xj
j=1
n
X
= z0
(zj cj )xj
j=1
zj cj = cB B 1 aj cj est le co
ut reduit de la variable hors base xj
N. Brauner
144
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
à chaque iteration
z
xB
z
xN
1 co
uts reduits
0
..
..
.
.
0
xB
0
z0
Id
à loptimum
z
xB
z
1
0
..
.
xN
+

xB
0
z0
..
Id
0
N. Brauner
145
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Principe heuristique : faire rentrer en base la variable avec le
coefficient le plus negatif x1
z
s1
s2
s3
s4
z
1
0
0
0
0
x1
x2
20 10
1
2
1
1
1
0
0
1
s1
0
1
0
0
0
s2
0
0
1
0
0
s3
0
0
0
1
0
s4
0
0
0
0
1
0
120
100
70
50
Qui faire sortir ?
N. Brauner
146
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Principe du quotient minimal
colonne pivot x1 second membre 0 quotient
a1 0
b1
b2
a2 > 0
b2
a2
b3
a3 > 0
b3
a3
a4 = 0
b4
n
o
b
faire sortir s3
ligne r barr = min aii |ai > 0
z
s1
s2
s3
s4
z
1
0
0
0
0
x1
x2
20 10
1
2
1
1
1
0
0
1
s1
0
1
0
0
0
s2
0
0
1
0
0
s3
0
0
0
1
0
s4
0
0
0
0
1
0
120
100
70
50
N. Brauner
147
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
exprimer la contrainte z avec les variables hors base x2 et s3
z 10x2 + 20s3 = 1400
diviser la ligne pivot par le coefficient de la variable entrante
x1 + s3 = 70
supprimer x1 des autres contraintes
2x2 + s1 s3 = 50
x2 + s2 s3 = 30
a
..
.
|
colonne
pivot
c
..
.
ligne pivot
= a a pb c
N. Brauner
148
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
z
s1
s2
x1
s4
z
1
0
0
0
0
x1
0
0
0
1
0
x2
10
2
1
0
1
s1
0
1
0
0
0
s2
0
0
1
0
0
s3
20
1
1
1
0
s4
0
0
0
0
1
1400
50
30
70
50
x1 , s1 , s2 , s4 en base et x2 , s3 hors base

sol de base (70, 0, 50, 30, 0, 50) de valeur 1400
Faire rentrer x2
quotient min faire sortir s1
N. Brauner
149
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
z
s1
s2
x1
s4
z
x2
s2
x1
s4
z
1
0
0
0
0
z
1
0
0
0
0
x1
0
0
0
1
0
x1
0
0
0
1
0
x2
s1
10 0
2
1
1
0
0
0
1
0
x2
s1
0
5
1
1
2
0 12
0
0
0 12
s2
0
0
1
0
0
s2
0
0
1
0
0
s3
20
1
1
1
0
s3
15
21
12
1
1
2
s4
0
0
0
0
1
s4
0
0
0
0
1
1400
50
30
70
50
1650
25
5
70
25
x1 , x2 , s2 , s4 en base et s1 , s3 hors base

sol de base (70, 25, 0, 5, 0, 25) de valeur 1650
optimale car z = 1650 5s1 15s3 et s1 = s3 = 0
N. Brauner
150
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Phase II
Donnees : un programme lineaire et une solution de base admissible
Resultat : une solution de base admissible optimale ou declarer
PL non borne
1
Choix dune colonne (variable) entrante

choisir une variable hors base xj (colonne) ayant un co
ut reduit
negatif
sil nexiste pas de colonne entrante : STOP, la solution de
base est optimale
Choix dune ligne (variable) sortante

Choisir une ligne r minimisant le quotient
sil nexiste pas de ligne sortante : STOP le tableau courant est
non borne
Mise à jour de la base et du tableau

pivoter autour de arj et retourner en (1)
N. Brauner
151
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Solution de base degeneree si une ou plusieurs variables de
base sont zeros (plus de bijection entre les solutions de base
admissibles et les points extremes
Si toutes les solutions de base sont admissibles sont non
degenerees, lalgorithme du simplexe termine après un nombre
fini diterations
N. Brauner
152
Programmation lin
eaire
Interpr
etation g
eom
etrique

emes
Phase I
Phase 1
N. Brauner
153
Dualite
N. Brauner
154
Illustration
economique
Comment prouver loptimalit

e?
Ecrire
le dual
Propri
et
es
Plan
13
Illustration economique
14
Comment prouver loptimalite ?
15
Ecrire
le dual
16
Proprietes
N. Brauner
155
Illustration
economique
Ecrire
le dual

e?
Propri
et
es
Dualite
En g
en
eral
contraintes :
variables :
Nouveau concept
Primal
Dual
donnees A, b, c
memes donnees A, b, c
minimiser
maximiser
N. Brauner
156
Illustration
economique

e?
Ecrire
le dual
Propri
et
es
Plan
13
14
15
Ecrire
le dual
16
Proprietes
N. Brauner
157
Illustration
economique

e?
Ecrire
le dual
Propri
et
es
Plan
13
14
15
Ecrire
le dual
16
Proprietes
N. Brauner
158
Illustration
economique
Ecrire
le dual

e?
Propri
et
es
Problème primal (P)

Une famille utilise 6 produits alimentaires
comme source de vitamine A et C
vitamine A
vitamine C
Prix par kg
1
1
0
35
produits (unites/kg)
2
3
4
5
0
2
2
1
1
3
1
3
30 60 50 27
6
2
2
22
demande
(unites)
9
19
But : minimiser le co
ut total
Modelisation
N. Brauner
159
Illustration
economique

e?
Ecrire
le dual
Propri
et
es
Problème dual (D) associe à (P)

Un producteur de cachets de vitamine synthetique veut convaincre
la famille dacheter ses vitamines.
quel prix de vente wA et wC ?
pour etre competitif
et maximiser le profit
Modelisation
N. Brauner
161
Illustration
economique

e?
Ecrire
le dual
Propri
et
es
Modelisation matricielle
Probl`
eme primal
famille : acheter des produits alimentaires à co
ut minimum et
satisfaire la demande en vitamine A et C
Modelisation sous forme matricielle
Probl`
eme dual
producteur de vitamines synthetiques : etre competitif vis-à-vis des
produits alimentaires comme source de vitamine et maximiser le
profit de vente
Modelisation sous forme matricielle
N. Brauner
163
Illustration
economique
Ecrire
le dual

e?
Propri
et
es
Generalisation de lillustration economique

ressource i
demande j
produit j
aij
cj
co
ut i
bi
Probl`
eme primal (demandeur de produit) : quelle quantite xi de
ressource i acheter pour satisfaire la demande à co
ut minimum
min
bi xi
s.c.
aij xi cj
Probl`
eme dual (vendeur de produit) : à quel prix proposer les
produits pour maximiser le profit tout en restant competitif
max
X
j
cj wj
s.c.
aij wj bi
j
N. Brauner
165
Illustration
economique

e?
Ecrire
le dual
Propri
et
es
Plan
13
14
15
Ecrire
le dual
16
Proprietes
N. Brauner
166
Illustration
economique

e?
Ecrire
le dual
Propri
et
es

Lobjectif est de demontrer loptimalite dune solution
max z = x1 + x2
4x1 + 5x2 20
2x1 + x2 6
x2 2
x1 , x2 0
Id
ee : trouver une combinaison valide des contraintes permettant
de borner terme à terme la fonction objectif
N. Brauner
167
Illustration
economique
Ecrire
le dual

e?
Propri
et
es

max z = x1 + x2
y1 , y2 , y3
4x1 +
2x1 +
(4y1 + 2y2 )x1
5x2
x2
x2
+ (5y1 + y2 + y3 )x2
20
y1
6
y2
2
y3
20y1 + 6y2 + 2y3
0
Finalement,
min 20y1 + 6y2 + 2y3
s.c.
4y1
5y1
yi
+ 2y2
+ y2 +
y3
(borne sup minimale)

(borner terme à terme lobjectif)
1
1
0
N. Brauner
170
Illustration
economique

e?
Ecrire
le dual
Propri
et
es
Plan
13
14
15
Ecrire
le dual
16
Proprietes
N. Brauner
171
Illustration
economique

e?
Ecrire
le dual
Propri
et
es
Forme canonique de dualite

Donnee A, b, c
(P)
(D)
min z = cx
s.c. Ax b
x 0
max v = wb
s.c. wA c
w 0
N. Brauner
172
Illustration
economique

e?
Ecrire
le dual
Propri
et
es
Tableau des signes

min
primal
dual
variable 0
variable 0
variable 0
contrainte
contrainte =
contrainte
max
dual
primal
contrainte
contrainte =
contrainte
variable 0
variable 0
variable 0
Lecriture du Dual est automatique :

les variables
la fonction objectif
les contraintes
N. Brauner
175
Illustration
economique

e?
Ecrire
le dual
Propri
et
es
Ecrire
le dual
Ecrire
le programme dual
max z = 4x1 + 5x2 + 2x3
2x1 + 4x2
= 3
2x3 2
3x1 + x2 + x3 2
x2 + x3 1
x1 0 x2 0 x3 0
N. Brauner
176
Illustration
economique

e?
Ecrire
le dual
Propri
et
es
Plan
13
14
15
Ecrire
le dual
16
Proprietes
N. Brauner
177
Illustration
economique

e?
Ecrire
le dual
Propri
et
es
Proprietes
Propriete
Le dual du dual est equivalent au primal
verifier sur un exemple
max z = 2x1 + 3x2 + 4x3
2x1 + x2
x3
3x1 + x2 + x3
x2
3
2
2
1
x1 , x2 , x3 0
N. Brauner
178
Illustration
economique
Ecrire
le dual

e?
Propri
et
es
Proprietes
(P)
min z = cx
s.c. Ax b
x 0
(D)
max v = wb
s.c. wA c
w 0
Theorème de dualite faible

Pour chaque paire de solutions admissibles x de (P) et w de (D)
z = cx wb = v
Consequence : que se passe-t-il si lun est non borne ?
N. Brauner
180
Illustration
economique

e?
Ecrire
le dual
Propri
et
es
Et loptimalite ?
Certificat doptimalite
Si
z = cx = wb = v
pour des solutions admissibles x de (P) et w et (D), alors x et w
sont optimales
Theorème de dualite forte
Si (P) a des solutions et (D) a des solutions, alors
cx = w b
N. Brauner
181
Illustration
economique

e?
Ecrire
le dual
Propri
et
es
Propriete des ecarts complementaires

Pour lexemple des vitamines
ecrire le primal avec les variables decart (si )
ecrire le dual avec les variables decart (ti )
trouver une solution du primal optimale
trouver une solution du dual optimale
ecrire les paires de variables (si , wi ) et (xj , tj )
que remarquez-vous ?
N. Brauner
182
Illustration
economique

e?
Ecrire
le dual
Propri
et
es
Propriete
Pour x optimale de (P) et w optimale de (D) alors
une contrainte de (P) est serree à egalite
OU
la variable associee à cette contrainte est nulle dans w
idem dans lautre sens
xj tj = 0 et si wi = 0
preuve
N. Brauner
184
Illustration
economique

e?
Ecrire
le dual
Propri
et
es

Int
er
et Si on connat x optimal de (P), alors on peut trouver y
en appliquant le theorème des ecarts complementaires (et ainsi
prouver loptimalite de x )
essayer sur un exemple
max z = x1 + x2
4x1 + 5x2 20
2x1 + x2 6
x2 2
x1 , x2 0
avec x1 = 2 et x2 = 2
N. Brauner
186
Illustration
economique

e?
Ecrire
le dual
Propri
et
es
Petite philosophie de la dualite

` quoi servent les trois theorèmes de dualite
A
Dualite faible : pour faire la preuve doptimalite
Ecarts
complementaires : pour trouver une solution optimale
du dual connaissant une solution optimale du primal
Dualite forte : garantit quune preuve doptimalite (utilisant la
dualite) est possible
N. Brauner
188
Programmation lineaire en nombres entiers
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound
Introduction
Programmation Lineaire (PL)
Variables de decision continues (reels)
Algorithme du Simplexe efficace
Problèmes Lineaire en Nombres Entiers (PLNE)

Variables de decision discrètes (entiers, booleens {0, 1})
Choix dune bonne formulation souvent difficile
Pas de methode generale efficace de resolution
Algorithme de Branch & Bound, Branch & Cut. . .
Programme Lineaire Mixte (MIP pour Mixed Integer

Program)
A la fois des variables reelles et entières
N. Brauner
190
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound
Introduction
Combinatoire
Structure discrète
Très grand nombre de possibilites
N. Brauner
191
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound
Introduction
Probl`
eme doptimisation combinatoire
Un problème doptimisation combinatoire typique
INSTANCE
Un ensemble dobjets 1, . . . , n, avec des poids ci
SOLUTIONS REALISABLES
Un ensemble F de parties de {1, . . . , n}
CRITERE
maximiser c(S) =
ci
iS
Lensemble F est en general defini par des contraintes.

Son cardinal peut etre très grand (ici potentiellement 2n )
N. Brauner
192
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound
Plan
17
Problèmes classiques
18
Techniques de modelisation
19
Relaxation lineaire
20
Branch & Bound
N. Brauner
193
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound
Plan
17
18
19
Relaxation lineaire
20
Branch & Bound
N. Brauner
194
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound
Problèmes classiques doptimisation combinatoire

Le sac `
a dos
Un beau jour de vacances, vous avez decide de partir en
randonnee dans le Vercors. Vous voulez remplir votre sac de
capacite 3kg avec les objets les plus utiles :
objets
carte
gourde
2ème gourde
pull
Kway
tomme
fruits secs
utilite
10
7
3
6
2
4
5
poids (g)
200
1500
1500
1200
500
800
700
N. Brauner
195
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound

Le sac `
a dos
` Dos
Problème generique de Sac a
un ensemble dobjets N = {1, 2 . . . n}
à chaque objet est associe
une utilite ui
un poids wi
un randonneur dispose dun sac-à-dos

dont le poids total ne doit pas depasser
W (capacite du sac-à-dos)
determiner quels objets prendre pour
maximiser lutilite
N. Brauner
196
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound

Le sac `
a dos
Problème doptimisation classique
Utiliser au mieux une capacite
Choix dun portefeuille
dinvestissement
Modelisation
INSTANCE :
SOLUTIONS :
SOLUTIONS REALISABLES :
CRITERE :
N. Brauner
197
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound

Le sac `
a dos
variables
xi = 1 si lobjet i est choisi, 0 sinon

P
objectif
max iN ui xi
P
contraintes
iN wi xi W
xi {0, 1}
i N
N. Brauner
198
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound

Remplissage de botes (bin packing)
Un demenageur souhaite empaqueter des objets en minimisant le
nombre de botes de capacite W = 6 necessaires
un livre
un autre livre
un pull
des chaussettes
des chaussures
des assiettes
des verres
taille
2
2
3
1
2
5
6
Decrivez une solution realisable pour le demenageur
Proposez une modelisation avec un PLNE

N. Brauner
199
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound

Remplissage de botes (bin packing)
des articles N = {1, 2 . . . n} de taille {s1 , s2 . . . sn }
à ranger dans des botes de capacite W
en utilisant de moins de botes possible
N. Brauner
200
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound

Couverture densembles
On souhaite choisir les intervenants dans un projet afin davoir
toutes les competences necessaires en minimisant le co
ut
Co
ut (h ou =C)
Rech. Op.
Java
Bases de donnees
Theorie des graphes
UML
Alice
10
1
1
0
1
0
Babar
4
1
0
1
0
1
Casimir
5
1
1
1
0
0
Donald
6
0
1
1
0
0
Decrivez une solution realisable pour le projet
Proposez une modelisation avec un PLNE
Elmer
7
0
0
0
1
1
N. Brauner
201
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound

Couverture densembles
matrice A = (aij )i=1..n,j=1..m à coefficients 0 ou 1
cj > 0, le co
ut de la colonne j
une colonne j couvre une ligne i si aij = 1
trouver un sous-ensemble des colonnes de A de co
ut minimum
tel que chaque ligne de A soit couverte au moins une fois
N. Brauner
202
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound

Partition densembles
matrice A = (aij )i=1..n,j=1..m à coefficients 0 ou 1
cj > 0, le co
ut de la colonne j
une colonne j couvre une ligne i si aij = 1
trouver un sous-ensemble des colonnes de A de co
ut minimum
tel que chaque ligne de A soit couverte exactement une fois
N. Brauner
203
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound

Affectation
N1 et N2 deux ensembles de meme cardinal n
A N1 N2 : un collection de couples de nuds representant
toutes les affectations possibles
cij : co
ut du couple (i, j) A
trouver une affectation de co
ut minimum tel que chaque
element de N1 est affecte à un et un seul element de N2
N. Brauner
204
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound

Plus court chemin
Trouver un chemin de distance minimum entre deux nuds, s
et t dun reseau donne.
N. Brauner
205
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound
Plan
17
18
19
Relaxation lineaire
20
Branch & Bound
N. Brauner
206
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound
Techniques generales de modelisation

La PLNE permet de resoudre beaucoup de problèmes
combinatoires
mais ATTENTION à lefficacite de la resolution. . .
Les variables entières sont introduites
Pour decrire des structures discrètes
sous-ensemble S {1, . . . , n}
vecteur indicateur (x1 , . . . , xn ) {0, 1}n
Pour lineariser des expressions non lineaires
N. Brauner
207
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound

x : une variable de decision
Objectif avec co
ut fixe (fonction affine) : min f 1{x>0} + cx
Le co
ut est compose dun co
ut unitaire c et dun co
ut fixe f
paye uniquement si x > 0
On introduit une variable y indicatrice de {x > 0}
y 1 ssi x > 0, et 0 sinon
min fy + cx
x My
y {0, 1}
o`
u M est une constante x
N. Brauner
208
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound

Restriction `
a un ensemble discret de valeurs
x doit prendre sa valeur parmi {p1 , p2 . . . pk }
On introduit une variable yi indicatrice de {x = pi }
yi 1 ssi x = pi , et 0 sinon
k
X
yi = 1
i=1
k
X
pi yi
x=
i=1
yi {0, 1} pour i = 1, 2 . . . k
N. Brauner
209
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound

Contraintes de seuil : si x > 0 alors x K (constante)
x My
x Ky
o`
u M est une constante plus grande que x
y {0, 1}
Implication logique : x = 1 y = 1
avec x et y deux variables booleennes {0, 1}
x y
OU logique : x ou y doit etre à Vrai
avec x et y deux variables booleennes {0, 1}
x +y 1
N. Brauner
210
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound

Contraintes disjonctives
deux taches de durees di et dj doivent etre usinees sur une
m
eme ressource
ti + di tj si i est realisee avant j
tj + dj ti si j est realisee avant i
ti + di tj + M(1 yij )
t + dj ti + Myij
j
yij {0, 1}
N. Brauner
211
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound

Termes quadratiques
lineariser xx 0 avec x, x 0 {0, 1}
On introduit une variable y xx 0
On doit traduire y = 1 ssi (x = 1 et x 0 = 1)
y
x
x
x0
+ x0 1 y
{0, 1}
N. Brauner
212
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound
Plan
17
18
19
Relaxation lineaire
20
Branch & Bound
N. Brauner
213
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound
Formulation
Problème combinatoire à resoudre
max{cx | x X } avec X Zn
Une modelisation du problème en PLNE
definit un polyèdre P = {x Rn | Ax b}
Definition
Un PLNE est une formulation de X ssi X = P Zn
N. Brauner
214
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound
Illustration graphique
N. Brauner
215
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound
N. Brauner
216
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound
Relaxation Lineaire
Pour resoudre un PLNE
une idee simple est doublier que les variables sont entières
on recherche alors loptimum du PL sur le polyèdre P
on peut utiliser lalgorithme du simplexe
Definition
La relaxation lineaire dune formulation en PLNE est le PL
max{cx | Ax b , x Rn }
Lien entre loptimum du PL et loptimum du PLNE ?
N. Brauner
217
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound
Illustration graphique de la relaxation
N. Brauner
218
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound
Exemple I
max z = 4x1
s.c.
+ x2 36
+ 4x2 22
7x1
x1
x1 , x2
x2
entiers
Trouvez graphiquement loptimum fractionnaire
Trouvez graphiquement loptimum entier
N. Brauner
219
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound
Exemple II
Stable maximum
Ensemble S de sommets
dun graphe
F
B
2 à 2 non adjacent
Quel est loptimum entier sur un triangle ?
Quel est loptimum fractionnaire sur un triangle ?

la relaxation lineaire donne peu dindication !
N. Brauner
220
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound
Exemple III
min z = x1
s.c.
x1 17x2 = 3
x1 11x3 = 4
x1 6x4 = 5
x1 , x2 , x3 , x4 0
1
entiers
Trouvez loptimum fractionnaire, son arrondi et loptimum

entier
N. Brauner
221
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound
Propriete de la relaxation lineaire

Pour une formulation en PLNE
zIP
= max{cx | Ax b , x Zn }
La relaxation lineaire
zL = max{cx | Ax b , x Rn }
verifie
1
2
z
zIP
L
Si la solution optimale de la relaxation lineaire est entière,

alors cest aussi une solution optimale pour le PLNE
N. Brauner
222
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound
Plan
17
18
19
Relaxation lineaire
20
Branch & Bound
N. Brauner
223
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound
Methodes enumeratives
Nombre fini de solutions
F = {S1 , S2 , . . . , SN }
- Parcourir toutes les solutions
- Pour chaque S F,
evaluer c(S)
- Retenir la meilleure solution
Problème
Le nombre de solutions potentielles est fini mais gigantesque
Esperance de vie du soleil ' 5 milliards dannees < 258 secondes
N. Brauner
224
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound
Challenge de loptimisation combinatoire

Comment trouver la meilleure solution sans parcourir toutes les
solutions ?
Enum
eration implicite : eliminer a priori des solutions
Detecter que des solutions sont mauvaises ou irrealisables
sans les evaluer explicitement.
N. Brauner
225
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound
Principe du Branch & Bound

On veut resoudre z = max{cx | x X }
Si on partitionne X en (X1 , X2 )
Alors z = max{z1 , z2 }
X
X1
X2
z*1
z*2
N. Brauner
226
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound
Principe du Branch & Bound

Si z1 > z2
Alors il est inutile dexplorer le sous-ensemble X2
X2 ne contient pas de solution optimale.
X
X1
X2
z*1
>
z*2
N. Brauner
227
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound
Borne superieure
Comment determiner quil est inutile dexplorer X2 sans
calculer z2 ?
Estimation [par excès] de la valeur de z2
Definition
Une fonction des instances dans R est une borne superieure ssi elle
est superieure à la valeur optimum pour chaque instance.
Pour un PLNE, une borne superieure est donnee par
sa relaxation lineaire
N. Brauner
228
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound
Enum
eration arborescente implicite
Pour resoudre z = max{cx | x X }
On decoupe lensemble des solutions X
Sur chaque Y X , on calcule une borne superieure B(Y ) de
loptimum z (Y ).
Si B(Y ) à la meilleure solution trouvee, alors on elague Y
Sinon on decoupe recursivement Y
N. Brauner
229
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound
Comment decouper lespace des solutions ?

On resout la relaxation lineaire du problème sur X à loptimum

Si la solution x est entière, on a trouve loptimum sur X
Sinon pour une variable (au moins) on a : a < xi < a + 1
Dcoupage
du problme
x*
N. Brauner
230
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound
Branchement sur une variable fractionnaire

P1
On partitionne X en deux nouveaux sous-problèmes :

X1 = x X et xi a
X2 = x X et a + 1 xi
x*
X
P2
N. Brauner
231
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound
Exploration de lensemble X2 de solutions

P1
On recherche la meilleure solution sur X2 :

On resout la relaxation lineaire sur P2
On partitionne en 2 nouveaux sous-problèmes
P3
P4
X
P2
N. Brauner
232
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound

P1
On a trouve la solution optimale sur X2

Existe-t-il une meilleure solution sur X1 ?
La borne superieure ne nous permet pas delaguer X1
P3
P4
N. Brauner
233
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound

On recherche la meilleure solution sur X1 :
On partitionne en 2 nouveaux sous-problèmes

P6
P5
P3
P4
N. Brauner
234
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound
Fin du Branch & Bound

La solution optimale sur X est la meilleure des 2 solutions
trouvees sur X1 et X2 .

P6
P5
P3
P4
N. Brauner
235
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound
Branch & Bound

1
resoudre la relaxation lineaire
brancher sur une variable non entière (à choisir)

2 sous problèmes
diviser à nouveau un nud fils en deux (6= choix possibles)
continuer à separer sur les nuds dont la valeur est > à la

borne inf jusquà ce quil ny ait plus de branchement possible
On coupe une branche si

La relaxation lineaire na pas de solution
la relaxation lineaire donne une solution entière
la valeur de la borne superieure est inferieure à la valeur de la
meilleure solution entière obtenue
Note : On ne peut rien couper tant quon na pas de solution
disponible
N. Brauner
236
Probl`
emes classiques
Techniques de mod
elisation
Relaxation lin
eaire
Branch & Bound
Branch & Bound

z = 2x1 + 3x2
sc.
5x1 + 7x2 35
4x1 + 9x2 36
x1 , x2 0 entiers
faire le dessin
z = 14,47
x1 = 3,71
x2 = 2,35
x2 3
x2 2
z = 13,5
z = 14,4
x1 = 2,25
x1 = 4,2
x2 = 3
x1 3
x2 = 2
x1 2
Pas de
sol
ralisable
x2 4
x1 5
x1 4
z = 13,33
z = 14,29
z = 14
x1 = 2
x1 = 5
x1 = 4
x2 = 3,11
x2 = 1,43
x2 3
x2 = 2
x2 2
x2 1
z = 12
z = 13
z = 14,2
x1 = 0
x1 = 2
x1 = 5,6
x2 = 4
x2 = 3
x2 = 1
x1 5
Pas de
sol
ralisable
x1 6
z = 13
z = 14,14
x1 = 5
x1 = 6
x2 = 1
x2 = 0,71
x2 1
x2 0
z = 14
Pas de
sol
ralisable
x1 = 7
x2 = 0
N. Brauner
237
Application
Approvisionnement des stations service
Une compagnie petrolière souhaite determiner les emplacements
possibles pour ses dep
ots (destines à fournir ses stations
service). Les stations service sont au nombre de n et on a m
depot. On a un seul produit.
cij : co
ut unitaire de transport entre un dep
ot i et la station
service j
fi : co
ut fixe douverture du dep
ot i
si : capacite du dep
ot i
dj : demande de la station service j (peut etre satisfaite par
plusieurs depots)
Formulez un programme lineaire qui permet de minimiser les
co
uts tout en respectant les contraintes.
N. Brauner
238
Application
M
elange de maximum 4 charbons (exo de D. de Wolf)
On melange des charbons dans un haut fourneau o`
u ensuite, une
reaction à haute temperature produit le coke. Il y a 8 charbons
disponibles. Ces charbons sont entres par des bandes porteuses
qui sont au nombre de 4 (au maximum 4 charbons differents
dans le melange). Si un charbon est dans le melange, il doit
letre à hauteur de minimum 5%. On exige que la teneur du
melange en Silicium soit dau plus 1,8 %. Le tableau suivant
reprend les prix et teneur en Si des charbons.
Charbon
Prix Teneur Si
Charbon
Prix Teneur Si
Charbon 1 12
2%
Charbon 5 13
1%
Charbon 2 14
2,5 %
Charbon 6
9
5%
Charbon 3 17
1%
Charbon 7 15
2%
Charbon 4 10
5%
Charbon 8 11
1,5 %
On veut determiner un melange qui est de co
ut minimum.
N. Brauner
239
Application
Dimensionnement de lots (DLS)
Une demande journalière dt sur un horizon T
Co
ut de production pt (x) = ft + at x
Co
ut de stockage unitaire ht (par jour par unite)
Quel plan de production choisir pour minimiser les co
uts ?
Comment decrire une solution ?
Comment decrire une solution realisable ?
N. Brauner
240
Application
demande
production
stock
N. Brauner
241
Application
Co
Co
uts ?
N. Brauner
242
Application
Modelisation du co
ut de production, non lineaire
p(x) = f + ax
f
Variables de decision
yt {0, 1} indicatrice des instants de production
yt 1 ssi xt > 0, et 0 sinon
Comment traduire le lien entre y et x ?
N. Brauner
243
Utilisation du modeleur AMPL
N. Brauner
244
Plan
N. Brauner
245
AMPL
A faire
N. Brauner
246
Utiliser un solveur via un modeleur

OPL 5.1 et Cplex
N. Brauner
247
Pr
esentation des outils
Mod`
eles
Lenvironnement
Donn
ees
Application
Plan
21
Presentation des outils
22
Modèles
23
Lenvironnement
24
Donnees
25
Application
N. Brauner
248
Pr
Mod`
eles
Lenvironnement
Donn
ees
Application
Plan
21
22
Modèles
23
Lenvironnement
24
Donnees
25
Application
N. Brauner
249
Pr
Mod`
eles
Lenvironnement
Donn
ees
Application
Modeleur et solveur
output
modèle
dvar a[] ;
...
donnees
brutes
(BD, GUI. . . )
(BD, GUI
tableur)
6
a[]
modeleur
A
A

6
x, cx
min cx
s.c. Ax = b
l x u
c, A, b solveur
l, u
Solveurs : CPLEX, LPSolve, XPRESS, MINOS. . .

Langages de modelisation : GAMS (pionnier), OPL, AMPL,
AIMMS. . .
N. Brauner
250
Pr
Mod`
eles
Lenvironnement
Donn
ees
Application
Le langage de modelisation OPL

OPL = Optimization Programming Language
Langage pour les problèmes doptimisation
Supporte des modèles de programmation mathematiques pour
contraintes ou objectifs lineaires ou quadratiques
variables entières ou reelles
Typage avance pour lorganisation des donnees

Se connecte à SGBDR ou tableur
Script pour recuperer des donnees et resolutions iteratives
N. Brauner
251
Pr
Mod`
eles
Lenvironnement
Donn
ees
Application
Lenvironnement de developpement
IDE : Integrated Development Environment
Organiser des projets
Saisir des donnees et des modèles OPL
Visualiser les donnees et les solutions
Controler loptimisation
+ outils pour le debuggage et aide en ligne
N. Brauner
252
Pr
Mod`
eles
Lenvironnement
Donn
ees
Application
Integrer un modèle dans une application

Developper un modèle OPL avec OPL IDE
(modèle et donnees separes)
Compiler dans OPL IDE
Ecrire
code dans langage prefere pour
generer dynamiquement le fichier de donnees
lire le modèle et les donnees
resoudre le problème
recuperer la solution
(C++, MS.net, Java, ASP.net, JSP)
N. Brauner
253
Pr
Mod`
eles
Lenvironnement
Donn
ees
Application
Plan
21
22
Modèles
23
Lenvironnement
24
Donnees
25
Application
N. Brauner
254
Pr
Mod`
eles
Lenvironnement
Donn
ees
Application
Developper un modèle simple

On souhaite produire des confitures de rhubarbe et de fraise
Un pot de rhubarbe necessite 1kg de rhubarbe et 3kg de sucre
et rapporte (marge) 3 euros
Un pot de fraise necessite 2kg de fraise et 2kg de sucre et
rapporte (marge) 5 euros
Les quantites disponibles sont 4kg de rhubarbe, 12kg de fraise
et 18kg de sucre.
max 3xr
s.c. xr
3xr
xr ,
5xf
4
2xf 12
+ 2xf 18
xf 0
N. Brauner
255
Pr
Mod`
eles
Lenvironnement
Donn
ees
Application

max 3xr
s.c. xr
3xr
xr ,
5xf
4
2xf 12
+ 2xf 18
xf 0
Creation du projet Confitures puis, description du modèle

Les variables de decision
dvar float+ xr ;
La fonction objectif
maximize 3*xr + 5*xf;
Les contraintes
subject to {
CSucre
: 3*xr + 2*xf <= 18;
}
N. Brauner
256
Pr
Mod`
eles
Lenvironnement
Donn
ees
Application

L
editeur
Commentaires en vert
Mots cles en bleu
N. Brauner
257
Pr
Mod`
eles
Lenvironnement
Donn
ees
Application
Resoudre un modèle simple

Lancer la resolution et visualiser la solution
Notification
Problem Browser
Console
N. Brauner
258
Pr
Mod`
eles
Lenvironnement
Donn
ees
Application
Plan
21
22
Modèles
23
Lenvironnement
24
Donnees
25
Application
N. Brauner
259
Pr
Mod`
eles
Lenvironnement
Donn
ees
Application
Lenvironnement
Output
Issues
Console
Solutions
Conflicts and Relaxations
Engine Log
Engine Statistics
Profiler
N. Brauner
260
Pr
Mod`
eles
Lenvironnement
Donn
ees
Application
Lenvironnement
Barres doutils
Model Outline
Projets (configurations)
N. Brauner
261
Pr
Mod`
eles
Lenvironnement
Donn
ees
Application
Laide
Menu Aide
Sommaire de laide
noter laide sur un mot cle

(keyword help)
N. Brauner
262
Pr
Mod`
eles
Lenvironnement
Donn
ees
Application
Plan
21
22
Modèles
23
Lenvironnement
24
Donnees
25
Application
N. Brauner
263
Pr
Mod`
eles
Lenvironnement
Donn
ees
Application
Separation du modèle et des donnees

Dans lexercice confiture, separer les donnees du modèle
D
eclaration des donn
ees dans le fichier mod`
ele
Produits
Pots
Profit
Besoin
Quantites dispo.
{string} Produits =
{"rhubarbe", "fraise", "sucre"} ;
{string} Pots =
{"ConfRhubarbe", "ConfFraise"};
int Profit[Pots] = [3, 5];
int Besoin[Pots][Produits] =
[[1, 0, 3],[0, 2, 2]] ;
int Dispo[Produits] = [4, 12, 18] ;
N. Brauner
264
Pr
Mod`
eles
Lenvironnement
Donn
ees
Application

D
eclaration des contraintes
constraint cap[Produits] ;
D
eclaration des variables de d
ecision
dvar float+ x[Pots] ;
Objectif : maximiser le profit
maximize sum(po in Pots) Profit[po]*x[po] ;
Contraintes : respecter les quantit
es disponibles
subject to{
forall (pr in Produits)
cap[pr]
: sum(po in Pots)
Besoin[po][pr]*x[po] <= Dispo[pr] ;
}
N. Brauner
265
Pr
Mod`
eles
Lenvironnement
Donn
ees
Application

Dans lexercice confiture, saisir les donnees dans un fichier .dat
D
eclaration des donn
ees dans un fichier .dat
Produits = {"rhubarbe", "fraise", "sucre"} ;
Pots = {"ConfRhubarbe", "ConfFraise"};
Besoin = ][
"ConfRhubarbe":[1, 0, 3],
"ConfFraise":[0, 2, 2]
]];
Profit = [3, 5];
Dispo = [4, 12, 18] ;
N. Brauner
266
Pr
Mod`
eles
Lenvironnement
Donn
ees
Application

D
eclaration de donn
ees externes dans un mod`
ele
{string} Produits = ... ;
{string} Pots = ...;
int Besoin[Pots][Produits] = ...;
int Profit[Pots] = ...;
int Dispo[Produits] = ...;
Ajouter le fichier de donn
es au projet
Ajouter le fichier de donn
ees `
a la configuration
N. Brauner
267
Pr
Mod`
eles
Lenvironnement
Donn
ees
Application
Debuggage
Outils de debuggage des modèles :
Decrire des contraintes avec donnees
Tracer lexecution
Utiliser le graphique de Engine Statistics
Mettre en pause pour voir solution courante
N. Brauner
268
Pr
Mod`
eles
Lenvironnement
Donn
ees
Application
Plan
21
22
Modèles
23
Lenvironnement
24
Donnees
25
Application
N. Brauner
269
Pr
Mod`
eles
Lenvironnement
Donn
ees
Application
Production de moteurs davions

Production de deux composantes (A et B) dun moteur davion.
Notification des besoins pour les trois prochains mois.
avril mai
juin
A 1000 3000 5000
B 1000 500 3000
capacites
machine (h) hommes (h) stock (m3 )
avril
400
300
10 000
mai
500
300
10 000
juin
600
300
10 000
capacites
machine (h/unite) homme (h/unite) stock (m3 /unite)
A
0.10
0.05
2
B
0.08
0.07
3
N. Brauner
270
Pr
Mod`
eles
Lenvironnement
Donn
ees
Application

Production de deux composantes (A et B) dun moteur davion.
co
uts de production : 20 par unites de A et 10 par unites de B
co
ut de stockage : 1,5% de la valeur
horaire mensuel de base : 225
co
ut de lheure supplementaire de travail : 10
stock fin mars : 500 A et 200 B
stock minimum impose fin juin : 400 A et 200 B
Trouver un plan de production des trois prochain mois qui
minimise les co
uts.
Proposer une modelisation mathematique de ce problème
N. Brauner
271
Pr
Mod`
eles
Lenvironnement
Donn
ees
Application

Variables
production : x[produit, mois]
stock : s[produit, mois]
heures supplementaires I [mois]
Objectif : production + stock + heures supplementaires
Contraintes
definition du stock
stock minimum fin juin
capacites des machines
capacites des hommes
capacites des stocks
definition des heures supplementaires
N. Brauner
272
Pr
Mod`
eles
Lenvironnement
Donn
ees
Application

Modeliser ce problème avec OPL et le resoudre avec CPLEX
Solution fractionnaire : co
ut 224724.2857
Produit A
Produit B
Stock A
Stock B
Heures supp
Mars
500
200
Avril
500
2857,14
0
2057,14
0
Mai
3000
1214,29
0
2771,43
10
Juin
5400
428,671
400
200
75
N. Brauner
273
Pr
Mod`
eles
Lenvironnement
Donn
ees
Application

Solution entière : co
ut 224724.5
Produit A
Produit B
Stock A
Stock B
Heures supp
Heures supp ent
Mars
500
200
Avril
500
2858
0
2058
0.06
1
Mai
3000
1214
0
2772
9.98
10
Juin
5400
428
400
200
74.96
75
N. Brauner
274
Pr
Mod`
eles
Lenvironnement
Donn
ees
Application

Programme lineaire avec 15 variables et 20 contraintes
2 produits
3 mois
1 type de machines
1 type dhommes
1 type de stockage
N. Brauner
275
Pr
Mod`
eles
Lenvironnement
Donn
ees
Application
Pour aller plus loin

Donnees dans Excel
Ilog script
Application VB
Web appli et Java
AMPL : un autre langage de modelisation
http://www.ampl.com
N. Brauner
276
Formulations et coupes
Formulation
In
egalit
e valide
Algorithme de plan s
ecant
Plan
26
Formulation
27
Inegalite valide
28
Algorithme de plan secant
N. Brauner
278
Formulation
In
egalit
e valide
ecant
Plan
26
Formulation
27
Inegalite valide
28
N. Brauner
279
Formulation
In
egalit
e valide
ecant
Remplissage de Boite (bin packing)

Un ensemble de n objets de hauteur hi
A ranger dans des botes de hauteur H
Minimiser le nombre de botes utilisees
Formulation P en PLNE
xij 1 si i est range dans la bote j
yj 1 si la bote j est utilisee
X
min
yj
jN
P
Pj xij = 1
i hi xij Hyj
yj , xij {0, 1}
i N
j N
i, j N
N. Brauner
280
Formulation
In
egalit
e valide
ecant
Remplissage de Boite (bin packing)
Enorm
ement de symetries sont presentes
Si loptimum utilise 3 botes, autant prendre les 3 premières !
Quelle contrainte ajouter ?
N. Brauner
281
Formulation
In
egalit
e valide
ecant
Resolution des 2 formulations

Le premier PLNE est une formulation du BinPacking
Ajouter les contraintes de symetries, nest-ce pas redondant ?
Essayons de resoudre linstance
15 objets à ranger dans des botes de hauteur H = 20
hauteurs 6
10 en trois exemplaires chacun
(très) petit exemple

Quelle est la solution optimale ?
N. Brauner
282
Formulation
In
egalit
e valide
ecant
Resolution des 2 formulations

15 objets à ranger dans des botes de hauteur H = 20
hauteurs 3 6
10
Resolution sous OPL

Formulation I
(Cuts off)
Formulation II
(Cuts off)
Formulation I
(Cuts on)
temps
nuds
temps
nuds
temps
nuds
> 3h
> 35 millions
129s
500000
3s
2000
N. Brauner
283
Formulation
In
egalit
e valide
ecant
Formulations dun PLNE

max{cx | x X } avec X Z n
Une modelisation du problème en PLNE
polyèdre P = {x R n | Ax b}
Definition
Un PLNE est une formulation de X ssi X = P Z n
Il existe une infinit
e de formulations pour un probl`
eme
N. Brauner
284
Formulation
In
egalit
e valide
ecant
N. Brauner
285
Formulation
In
egalit
e valide
ecant
N. Brauner
286
Formulation
In
egalit
e valide
ecant
Formulation Ideale
Une formulation P est
meilleure que P 0 si P P 0
La formulation ideale est la
formulation la plus proche
de X
Cest lenveloppe convexe
conv (X )
conv(X)
N. Brauner
287
Formulation
In
egalit
e valide
ecant
Formulation Ideale
Propriete
max{cx | x X } = max{cy | y conv (X )}
A gauche, un problème combinatoire (discret)
A droite, un Programme Lineaire (continu)
Si lon a une formulation qui decrit conv (X )
la relaxation lineaire resout le problème à loptimum pour tout
objectif lineaire
N. Brauner
288
Formulation
In
egalit
e valide
ecant
Moralite
Dans une formulation en PLNE, il ne faut pas etre econome
de ses contraintes !
Ameliore les bornes des relaxations lineaires
Diminue le nombre de nuds visites
Lideal etant que la relaxation donne directement une solution
entière sans brancher
Existe-t-il des m
ethodes pour trouver des contraintes qui
am
eliorent la formulation ?
Peut-on d
ecrire conv (X ) ?
N. Brauner
289
Formulation
In
egalit
e valide
ecant
Plan
26
Formulation
27
Inegalite valide
28
N. Brauner
290
Formulation
In
egalit
e valide
ecant
Inegalite valide
Definition
Une inegalite valide est une inegalite x 0 verifiee par tous les
points de X
N. Brauner
291
Formulation
In
egalit
e valide
ecant
Une remarque
Si on a une inegalite valide
y b
y une variable entière, b un reel. Alors
y bbc
est aussi une inegalite valide
Cette remarque permet de generer bien des coupes !
N. Brauner
292
Formulation
In
egalit
e valide
ecant
Coupes de Chvatal-Gomory
Programme lineaire max{cx | Ax b, x entier}. Pour une ligne i
de la matrice on a
X
aij xj bi
i
Pour tout reel > 0

X
aij xj bi
Linegalite suivante est donc valide (x 0)

X
baij cxj bi
i
En appliquant la remarque, on obtient une coupe de C-G

X
baij cxj bbi c
i
N. Brauner
293
Formulation
In
egalit
e valide
ecant
Exemple
Problème à 2 variables x et
y entières
Formulation
5/4
3x + 4y 5
Objectif max 9x + 10y
P
X
5/3
Quel est loptimum de la relaxation lineaire ?

Quel est loptimum entier ?
Quelles coupes de Chvatal-Gomory trouve-t-on ?
N. Brauner
294
Formulation
In
egalit
e valide
ecant
Ajouts de coupes
Il existe de nombreuses familles de coupes dans la litterature
(Flow Cover, Mixed Integer Rounding, . . .)
Leur ajout renforce la formulation
Mais
Si le problème est difficile, decrire conv (X ) demande un
nombre exponentiel de contraintes !
Que faire si une bonne formulation n
ecessite trop de
coupes ?
N. Brauner
295
Formulation
In
egalit
e valide
ecant
Plan
26
Formulation
27
Inegalite valide
28
N. Brauner
296
Formulation
In
egalit
e valide
ecant
Problematique
Formulation initiale
P = {x R n | Ax b}
Famille F de coupes
On veut ameliorer la formulation
pour decrire conv (X )
Le plus simple : reformuler en ajoutant F à P

Le problème : |F| >> 1
Ajouter toutes les coupes a priori est d
eraisonnable
N. Brauner
297
Formulation
In
egalit
e valide
ecant
Algorithme de Plan Secant (Cutting Plane)

Problème combinatoire
La description complète de
conv (X ) est inutile
Seule la description autour de
loptimum nous interesse
Idee
rajouter les inegalites valides uniquement dans la region de
loptimum
N. Brauner
298
Formulation
In
egalit
e valide
ecant
Algorithme de Separation
Evidemment on ne sait pas o`
u est
loptimum
On connat loptimum x de la
relaxation lineaire
Separation : Trouver une inegalite
valide x 0 de F coupant x :
x > 0
x*
X
Ajouter cette inegalite pour

ameliorer la relaxation lineaire
N. Brauner
299
Formulation
In
egalit
e valide
ecant
Algorithme de Plan Secant

On resout le relaxation lineaire sur la nouvelle formulation
On cherche une nouvelle inegalite coupant x 0
On itère jusquà obtenir une solution x entière
x*
x*
X
N. Brauner
300
Formulation
In
egalit
e valide
ecant
PROGRAMMATION LINEAIRE
Resoudre la formulation P
optimum x*
Alors
Si x* est entier
Optimum sur X
FIN
Sinon
ALGORITHME DE SEPARATION
Trouver une inegalite
valide v violee par x*
Ajouter v a P
N. Brauner
301
Formulation
In
egalit
e valide
ecant
Terminaison de lalgorithme
Un algorithme de Plan Secant termine
Soit en trouvant une solution entière : optimum sur X
Soit en cas dechec de lalgorithme de separation
Aucune inegalite valide de F nest violee par x
Pour achever la resolution à loptimum :
Utiliser un algorithme de Branch & Bound standard sur la
formulation obtenue
N. Brauner
302
Formulation
In
egalit
e valide
ecant
Comparaison avec le Branch & Bound

Algorithme de Plan Secant : raffine la description du polyèdre
autour de loptimal
Algorithme de Branch & Bound : decoupe le polyèdre en
morceaux
x*
X
N. Brauner
303
Formulation
In
egalit
e valide
ecant
Branch & Cut

Les algorithmes de plan secant peuvent echouer
à separer une solution fractionnaire
ou, trop dinegalites sont necessaires
Un algorithme de Branch & Bound doit alors etre utilise.
Branch & Cut
Un Branch & Cut consiste à appliquer un algorithme de plan
secant sur chaque nud avant de brancher
But : ameliorer la formulation de chaque nud
Nombre de nuds explores << Branch & Bound
Calcul de chaque nud >> Branch & Bound
N. Brauner
304
Formulation
In
egalit
e valide
ecant

Co
Co
uts ?
Comment decrire une solution realisable ?
N. Brauner
305
Formulation
In
egalit
e valide
ecant
demande
production
stock
N. Brauner
306
Formulation
In
egalit
e valide
ecant

Co
Co
ut de stockage unitaire h (par jour par unite)
uts ?
N. Brauner
307
Formulation
In
egalit
e valide
ecant

Modelisation du co
ut de production, non lineaire
p(x) = f + ax
f
yt 1 ssi xt > 0, et 0 sinon
Comment traduire le lien entre y et x ?
N. Brauner
308
Formulation
In
egalit
e valide
ecant
Formulations dun PLNE

On obtient la formulation AGG
min ft yt + hIt
t
xt + It = dt + It+1 t = 1, . . . , T 1
xT + IT = dT
x Dt yt
t = 1, . . . , T
t
yt {0, 1}
t = 1, . . . , T
Que se passe-t-il si on essaie de la resoudre ?
N. Brauner
309
Formulation
In
egalit
e valide
ecant
Limite du Branch & Bound

OPL ne parvient pas à resoudre ! Pourtant :
Le problème est facile et lexemple est petit
Il existe des algorithmes qui la resolvent instantanement
La formulation naturelle nest pas efficace
Peut-on formuler differemment le problème ?
N. Brauner
310
Formulation
In
egalit
e valide
ecant
Formulation UFL
Formulation moins naturelle
xuv fraction de la demande de v produite le jour u
Contraintes ?
N. Brauner
311
Formulation
In
egalit
e valide
ecant
Comparaison des 2 formulations

Formulation AGG
O(T ) variables binaires et continues
O(T ) contraintes
Formulation UFL
O(T ) variables binaires
O(T 2 ) variables continues
O(T 2 ) contraintes
La seconde formulation est beaucoup plus grosse
Est-ce le bon crit`
ere de comparaison pour un PLNE ?
N. Brauner
312
Formulation
In
egalit
e valide
ecant
Formulation UFL
Avec la formulation UFL
OPL resout sans faire de Branch & Bound !
la relaxation lineaire donne directement loptimum entier
Si on active les coupes Flow cover
OPL resout la formulation AGG en explorant seulement 5
nuds !
Que se passe-t-il ?
N. Brauner
313
Formulation
In
egalit
e valide
ecant
Conclusion
Lalgorithme de Branch & Bound peu etre inefficace
Il est primordial davoir une bonne formulation
Reformulation a priori, formulation etendue
Algorithme de Branch & Bound
Heureusement, les logiciels commerciaux font du Branch &

Cut avec des familles generiques de coupes
Jouer sur le parametrage peut etre utile.
Enrichir la formulation initiale en connaissant la structure du
problème (symetries,. . .) aussi !
N. Brauner
314
Programmation dynamique
Principe de Sous-optimalit
e
Programmation Dynamique
Dominances
Plan
29
30
Principe de Sous-optimalite
31
32
Dominances
N. Brauner
316
e
Dominances
Plan
29
30
31
32
Dominances
N. Brauner
317
e
Dominances
Combinatoire
Structure discrète
Très grand nombre de possibilites
N. Brauner
318
e
Dominances
Problèmes combinatoires
Definition
Un problème doptimisation se definit par
INSTANCE : decrit les donnees dentree
SOLUTIONS REALISABLES : decrit lensemble F des
solutions admissibles
CRITERE à optimiser. Mesure c sur les solutions realisables
Definition generique : une infinite dinstances
On recherche une methode (algorithme) capable de fournir
pour chaque instance I :
une solution optimale S
ou la valeur OPT (I ) du critère à loptimum
OPT (I ) = c(S ) = max{c(S)|S F}
N. Brauner
319
e
Dominances
Problèmes combinatoires
Un problème doptimisation combinatoire typique
INSTANCE : Un ensemble dobjets 1, . . . , n, avec des poids ci
SOLUTIONS REALISABLES : Un ensemble F de parties de
{1, . . . , n}
CRITERE maximiser
c(S) =
ci
iS
Lensemble F est en general defini par des contraintes.

Son cardinal peut etre très grand (ici potentiellement 2n )
N. Brauner
320
e
Dominances
Le sac à dos
Un randonneur veut remplir son sac de capacite 4kg avec les
objets les plus utiles
objets
carte
gourde
2ème gourde
pull
Kway
tomme
fruits secs
utilite
10
7
3
6
2
4
5
poids (g)
200
1500
1500
1200
500
800
700
N. Brauner
321
e
Dominances
Le Sac à dos
Problème doptimisation classique
Utiliser au mieux une capacite
Choix dun portefeuille
dinvestissement
Apparat dans des problèmes plus
complexes
Modelisation
INSTANCE :
SOLUTIONS REALISABLES :
CRITERE :
N. Brauner
322
e
Dominances
Methodes enumeratives
Nombre fini de solutions
F = {S1 , S2 , . . . , SN }
- Parcourir toutes les solutions
- Pour chaque S F,
evaluer c(S)
- Retenir la meilleure solution
Problème
Le nombre de solutions potentielles est fini mais gigantesque
Esperance de vie du soleil ' 5 milliards dannees < 258 secondes
N. Brauner
323
e
Dominances
Challenge de loptimisation combinatoire

Comment trouver la meilleure solution sans parcourir toutes les
solutions ?
Utiliser la structure du problème
Enumeration implicite : eliminer a priori des solutions
Detecter que des solutions sont mauvaises ou irrealisables
sans les evaluer explicitement.
Programmation dynamique : reduire lespace de recherche à
des sous-solutions optimales.
N. Brauner
324
e
Dominances
Plan
29
30
31
32
Dominances
N. Brauner
325
e
Dominances
Principe de sous-optimalite
On veut resoudre un problème P sur une instance I
Structure specifique de P
Les morceaux dune solution optimale sont optimaux
P
P1
P2
Le problème P se decompose en sous-problèmes P1 , . . . , Pk .

Loptimum sur P sobtient à partir des optimaux des
sous-problèmes.
N. Brauner
326
e
Dominances
Loptimum sur une instance I peut se construire à partir de
solutions optimales sur des instances plus simples I1 , . . . , Ik
OPT (I ) = f (OPT (I1 ), . . . , OPT (Ik ))
On a une formulation recursive de OPT (I )
Il suffit de calculer loptimum pour OPT (I1 ), . . . , OPT (Ik )
puis dappliquer f
Chaque OPT (Ij ) sexprime à son tour en fonction dinstances
plus simples
Jusquà obtenir une instance de base I directement calculable
N. Brauner
327
e
Dominances
Calcul recursif de loptimum

I1
I
I2
I3
N. Brauner
328
e
Dominances
Decomposition en sous-problèmes
Instance I à resoudre
Partition des solutions selon lobjet n
F 0 = {S F|n
/ S} ne contenant pas n
00
F = {S F|n S} contenant n
On a OPT (I ) = max{c(S 0 ), c(S 00 )}
N. Brauner
329
e
Dominances
Deux sous-problèmes à resoudre

Sur F 0 : problème P restreint aux n 1 premiers objets
Sur F 00 : egalement restreint aux n 1 premiers objets
mais structure des solutions realisables ?
N. Brauner
330
e
Dominances
Decrire F 00 comme {S F|n S} est inefficace

enumeration explicite de toutes les solutions
F 00 doit pouvoir etre decrit comme un sous-problème de P
N. Brauner
331
e
Dominances
Sac à dos
` dos
Sac a
Instance: n objets de poids wi et dutilite ui , un sac de taille
W.
Solution: sous-ensemble S dobjets tel que w (S) W .
Critere: lutilite totale u(S) des objets
Quel est loptimum de OPT (I ) par rapport à lobjet n ?

Comment ecrire le principe de sous-optimalite ?
N. Brauner
332
e
Dominances
Parametrisation
Principe de sous-optimalite : les problèmes qui apparaissent dans la
decomposition correspondent au problème initial sur des instances
plus simples
Instance I 0 pour un sous-problème
I 0 diffère de I par certains paramètres (entiers) p1 , . . . , pl
Pour le Sac à dos : les objets consideres et la taille du sac
On decrit I 0 par la valeur de ses paramètres (x10 , . . . , xl0 )
Definition
On appelle etat le vecteur de paramètres (x1 , . . . , xl ) decrivant une
sous-instance.
N. Brauner
333
e
Dominances
Graphe dEtat
Vecteur de paramètres (x1 , . . . , xl ) : etat
Dependance entre les instances (calcul de f )
parametre 2
I
3
2
1
0
0
parametre 1
N. Brauner
334
e
Dominances
Plan
29
30
31
32
Dominances
N. Brauner
335
e
Dominances
` dos
Sac a
Instance: n objets de poids wi et dutilite ui , un sac de taille
W.
Solution: sous-ensemble S dobjets tel que w (S) W .
Critere: lutilite totale u(S) des objets
Dessinez le graphe detat pour 4 objets de poids 1 et un sac

de capacite 3.
Que remarque-t-on ?
N. Brauner
336
e
Dominances
Un etat peut etre calcule un très grand nombre de fois
Idee : on derecursive
On memorise les etats au lieu de les recalculer
Il suffit de parcourir les etats dans un ordre topologique
inverse du graphe detat
Evaluer les
etats de base OPT [0, . . . , 0].
Parcourir les
etats jusqu`
a X
Pour chaque
etat X , dependant de
X1 , . . . , Xk dejà evalues, m
emoriser
OPT [X ] = f (OPT [X1 ], . . . , OPT [Xk ))
]
Retourner OPT [X
N. Brauner
337
e
Dominances
Sac à dos
Sac à dos de taille 7, avec 4 objets
valeurs des objets 2
poids des objets
4
3
5
4
6
5
Calculer le tableau OPT
N. Brauner
338
e
Dominances
Efficacite
Quel est le temps de resolution ?
Depend
du nombre detats
du temps t pour evaluer la fonction f en chaque etat.
Le temps de resolution est alors

X
t(x1 , . . . , xl )
(x1 ,...,xl )Etats
Souvent on a une borne uniforme sur t(x1 , . . . , xl ) T

Le temps de resolution est majore par
T #Etats
N. Brauner
339
e
Dominances
Sac à dos
Temps de resolution du sac à dos
Quel est le temps pour evaluer un etat (i, w ) ?
Quel est le nombre detats ?
N. Brauner
340
e
Dominances
Calcul dune solution optimale

La programmation dynamique fournit OPT (I )
Comment obtenir une solution S ?
Conserver des pointeurs dans le tableau : chemin dans le
graphe detat
Methode de Backtracking
Les 2 methodes consistent à remonter le calcul de OPT (I )
Donner une solution optimale pour le sac à dos à partir du
tableau OPT de la programmation dynamique
N. Brauner
341
e
Dominances
Plan
29
30
31
32
Dominances
N. Brauner
342
e
Dominances
Dimensionnement de lots
Co
Co
uts ?
N. Brauner
343
e
Dominances
demande
production
stock
N. Brauner
344
e
Dominances
Comment exprimer un principe de sous-optimalite ?
Quels paramètres sont necessaires ?
Quel est le temps de resolution ?
N. Brauner
345
e
Dominances
Dominance
Definition (Dominance)
Une dominance est une propriete D verifiee par au moins une
solution optimale.
Proprit D
Solutions
ralisables
Solutions
optimales
N. Brauner
346
e
Dominances
Politiques ZIO
Une politique ZIO consiste à ne produire que si le stock est vide
si It > 0, alors xt = 0
Si pour chaque instant at + ht at+1 , alors les politiques ZIO sont
dominantes
Argument dechange
On considère un planning (optimal) qui ne verifie pas la
dominance
On montre quon peut le modifier en preservant lobjectif
N. Brauner
347
e
Dominances
Algorithme de Wagner & Within

Exprimer un principe de sous-optimalite en utilisant la
dominance
Quel est maintenant le temps de resolution ?
N. Brauner
348
e
Dominances
Bilan de la programmation dynamique

Paradigme pouvant etre très efficace
Pas de condition sur la forme de la fonction objectif...
. . .mais la propriete de sous-optimalite doit etre verifiee
Gourmand en memoire
Devient inoperant si lespace des etats est grand
Necessite de trouver des dominances pour le reduire
N. Brauner
349
Methodologie et etudes de cas
M
ethodologie
D
ecoupe de rouleaux
Charbon
Localisation
Planification dexp
eriences
Plan
33
Methodologie
34
Decoupe de rouleaux
35
Charbon
36
Localisation
37
Planification dexperiences
N. Brauner
351
M
ethodologie
D
ecoupe de rouleaux
Charbon
Localisation
Planification dexp
eriences
Plan
33
Methodologie
34
Decoupe de rouleaux
35
Charbon
36
Localisation
37
N. Brauner
352
M
ethodologie
D
ecoupe de rouleaux
Charbon
Localisation
Planification dexp
eriences
Methodologie
Face à un problème pratique de decision :
Comprendre le problème
En degager les aspects mathematiques
Reconnatre un type de problème classique
informs
http://www2.informs.org/Resources/
wikipedia (portail RO fait et corrige par des chercheurs)
N. Brauner
353
M
ethodologie
D
ecoupe de rouleaux
Charbon
Localisation
Planification dexp
eriences
Methodologie
Analyser la complexite
que peut-on esperer pour le temps de resolution imparti ?
solution exacte, approchee, avec performance...
problèmes NP-complets
http://www.nada.kth.se/viggo/problemlist/
ordonnancement
http://www.mathematik.uni-osnabrueck.de/
research/OR/class/
N. Brauner
354
M
ethodologie
D
ecoupe de rouleaux
Charbon
Localisation
Planification dexp
eriences
Methodologie
Proposer une formulation
graphes, programmation lineaire, PPC...
Implementer une solution

solveurs, librairies, algorithmes connus, heuristiques,
metaheuristiques, programmation dynamique,
programme ad hoc
Analyser et interpreter les resultats

Valider par rapport à la demande initiale
Iterer avec le demandeur si necessaire
N. Brauner
355
M
ethodologie
D
ecoupe de rouleaux
Charbon
Localisation
Planification dexp
eriences
Plan
33
Methodologie
34
Decoupe de rouleaux
35
Charbon
36
Localisation
37
N. Brauner
356
M
ethodologie
D
ecoupe de rouleaux
Charbon
Localisation
Planification dexp
eriences
Decoupe
Rouleaux de papier de longueur standard 180 cm
Couteaux de decoupe (nombre et position arbitraires)
Couper des rouleaux de meme diamètre
Liste des commandes pour la prochaine periode
longueur
80
45
27
nombre de rouleaux
200
120
130
Trouver les schemas de decoupe qui minimisent la perte
N. Brauner
357
M
ethodologie
D
ecoupe de rouleaux
Charbon
Localisation
Planification dexp
eriences
Decoupe
Etapes
de la r
esolution
Solution manuelle
Borne inferieure
Schemas de decoupe
Variables et contraintes
Fonction objectif 1, resolution et analyse
Fonction objectif 2, interpretation et resolution
. . . et la contrainte dintegralite ?
N. Brauner
358
M
ethodologie
D
ecoupe de rouleaux
Charbon
Localisation
Planification dexp
eriences
Plan
33
Methodologie
34
Decoupe de rouleaux
35
Charbon
36
Localisation
37
N. Brauner
359
M
ethodologie
D
ecoupe de rouleaux
Charbon
Localisation
Planification dexp
eriences
Fabrication de charbon
On melange des charbons dans un haut fourneau o`
u ensuite, une
reaction à haute temperature produit le coke. Il y a 8 charbons
disponibles. Ces charbons sont entres par des bandes porteuses
qui sont au nombre de 4 (au maximum 4 charbons differents
dans le melange). Si un charbon est dans le melange, il doit
letre à hauteur de minimum 5%. On exige que la teneur du
melange en Silicium soit dau plus 1,8 %. Le tableau suivant
reprend les prix et teneur en Si des charbons.
Charbon
Prix Teneur Si
Charbon
Prix Teneur Si
Charbon 1 12
2%
Charbon 5 13
1%
Charbon 2 14
2,5 %
Charbon 6
9
5%
Charbon 3 17
1%
Charbon 7 15
2%
Charbon 4 10
5%
Charbon 8 11
1,5 %
On veut determiner un melange qui est de co
ut minimum.
(exo de D. de Wolf)
N. Brauner
360
M
ethodologie
D
ecoupe de rouleaux
Charbon
Localisation
Planification dexp
eriences
Plan
33
Methodologie
34
Decoupe de rouleaux
35
Charbon
36
Localisation
37
N. Brauner
361
M
ethodologie
D
ecoupe de rouleaux
Charbon
Localisation
Planification dexp
eriences

Une compagnie petrolière souhaite determiner les emplacements
possibles pour ses dep
ots (destines à fournir ses stations
service). Les stations service sont au nombre de n et on a m
depots. On a un seul produit.
cij : co
ut unitaire de transport entre un dep
ot i et la station
service j
fi : co
ut fixe douverture du dep
ot i
si : capacite du dep
ot i
dj : demande de la station service j (peut etre satisfaite par
plusieurs depots)
Determiner les emplacements des stations services qui
permettent de minimiser les co
uts pour les donnees suivantes.
N. Brauner
362
M
ethodologie
D
ecoupe de rouleaux
Charbon
Localisation
Planification dexp
eriences

6 depots possibles, 7 stations services
depot
A
B
C
D
E
F
co
ut ouverture
7
8
4
28
20
10
capacite
70
70
40
110
50
50
station
1
2
3
4
5
6
7
demande
30
30
30
10
20
10
10
N. Brauner
363
M
ethodologie
D
ecoupe de rouleaux
Charbon
Localisation
Planification dexp
eriences

Co
uts de transport
1
2
3
4
5
6
7
A
10
10
20
100
100
60
30
B
10
10
10
50
80
60
40
C
30
25
10
10
30
60
60
D
35
30
10
10
10
20
20
E
35
30
30
20
10
10
10
F
100
95
50
30
10
10
20
N. Brauner
364
M
ethodologie
D
ecoupe de rouleaux
Charbon
Localisation
Planification dexp
eriences
Plan
33
Methodologie
34
Decoupe de rouleaux
35
Charbon
36
Localisation
37
N. Brauner
365
M
ethodologie
D
ecoupe de rouleaux
Charbon
Localisation
Planification dexp
eriences
Dans une industrie chimique, une phase amont teste differents
produits de synthèse pour determiner les meilleures
compositions.
Les reactions se font à temperature elevee dans un four de
cuisson
Le process :
Remplissage
1/2 journee
Cuisson
de 3 à 14 jours
Filtrage
2 jours
N. Brauner
366
M
ethodologie
D
ecoupe de rouleaux
Charbon
Localisation
Planification dexp
eriences
Cuisson
Un robot a ete achete pour automatiser la cuisson
Chaque experience est chargee dans une barre de cuisson
On dispose de 8 barres de cuisson

Le robot peut traiter les 8 barres simultanement
La temperature et la duree de chaque barre est programmable.
N. Brauner
367
M
ethodologie
D
ecoupe de rouleaux
Charbon
Localisation
Planification dexp
eriences
Remplissage
Cette etape correspond
A la preparation dune barre de cuisson
Au melange des differents constituants
Pour la realiser, 3 postes de travail ont ete installes,
chacun pouvant traiter une barre.
Un operateur est requis pour surveiller le deroulement des
operations.
N. Brauner
368
M
ethodologie
D
ecoupe de rouleaux
Charbon
Localisation
Planification dexp
eriences
Filtrage
Cette etape correspond
A lanalyse des resultats de lexperience
Elle est realisee de manière semi-automatique
Un operateur doit surveiller le deroulement des analyses
Les 8 barres de cuisson peuvent etre analysees simultanement
N. Brauner
369
M
ethodologie
D
ecoupe de rouleaux
Charbon
Localisation
Planification dexp
eriences
Operateur
La presence dun chimiste qualifie est requise
Pendant le remplissage
Pendant le filtrage
Au demarrage de la cuisson (programmation du robot)
A la fin de la cuisson
lancer le filtrage pour arreter la reaction
le filtrage peut ensuite etre interrompu
Seule la cuisson peut
etre r
ealis
ee sans la pr
esence du
chimiste
N. Brauner
370
M
ethodologie
D
ecoupe de rouleaux
Charbon
Localisation
Planification dexp
eriences
Disponibilites
Le planning des absences du chimiste est connu à lavance
(week-end, conges, autres obligations)
L M M
J V S
D L
J V S
D L
matin
apresmidi
V S
D L M M J
S D
L M
matin
apresmidi
N. Brauner
371
M
ethodologie
D
ecoupe de rouleaux
Charbon
Localisation
Planification dexp
eriences
Les buts de lindustriels

Planifier les experiences à effectuer sur un horizon de lordre de 1
mois afin de
Maximiser lutilisation du robot (investissement important)
Finir au plus tot pour obtenir les resultats des tests
De nouvelles experiences sont à planifier chaque mois
N. Brauner
372
M
ethodologie
D
ecoupe de rouleaux
Charbon
Localisation
Planification dexp
eriences
Jeu de donnees
Vous devez planifier 17 experiences
6 avec un temps de cuisson de 14 jours
Le planning des disponibilites de loperateur
L M M
J V S
semaine 1
semaine 2
semaine 3
semaine 4
semaine 5
N. Brauner
373

Cours de Recherche Op Erationnelle I: Grenoble, 2008-2009

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

Cours de Recherche Op Erationnelle I: Grenoble, 2008-2009

Transféré par

Droits d'auteur :

Formats disponibles

Cours de recherche operationnelle I

Recherche Operationnelle ou Science de la Decision

Une boite `a outils de methodes, tant positives que negatives,

Analyse des mod`eles et resolution

Implementation et analyse des resultats

Deploiement des solutions

avec des ressources limitees

a10 x1 + a20 x2 . . . an0 xn b10

exemples : emplois du temps. . .

Valuation des aretes = co

avec les ressources disponibles

Programmation par contraintes

Programmation par contrainte

Programmation par contrainte

Programmation par contrainte

Precis de Sudoku, N. Jussien

Programmation par contrainte

Raisonnement local : contraintes considerees independamment

Transmission des deductions aux autres regions

= principes au cur de la programmation par contraintes

Programmation par contrainte

Programmation par contrainte

Programmation par contrainte

La PPC, quest-ce que cest ?

Programmation par contrainte

La PPC, quest-ce que cest ?

Programmation par contrainte

Programmation par contrainte

Programmation par contrainte

Conception dhoraires academiques

Programmation par contrainte

Construction dhoraires de personnel

Programmation par contrainte

Programmation par contrainte

Programmation par contrainte

La programmation par contraintes

Avec des ensembles de valeurs possibles

Programmation par contrainte

Programmation par contrainte

Programmation par contrainte

Une contrainte restreint les valeurs que lon peut affecter

(ABC ) forme un triangle isoc`ele

x, y , z distincts deux `a deux

Programmation par contrainte

intension : on utilise les signes mathematiques connus

Programmation par contrainte

declarative : specifie la relation entre les variables, sans donner

Programmation par contrainte

Programmation par contrainte

Programmation par contrainte

Probl`eme de satisfaction de contraintes

X = {X1 , X2 , . . . , Xn } lensemble des variables

C = {C1 , C2 , . . . , Cm } lensemble des contraintes

Programmation par contrainte

Solution dun CSP

Programmation par contrainte

Solution dun CSP

A1 = {(a, 1), (b, 0), (c, 0), (d, 0)}

Programmation par contrainte

Le jeu du : CSP, pas CSP !

Programmation par contrainte

Programmation par contrainte

Programmation par contrainte