Académique Documents
Professionnel Documents
Culture Documents
Cdric Joncour
Bureau B112 (aile B, 1er tage)
cedric.joncour@univ-lehavre.fr
http://lmah.univ-lehavre.fr/~joncour
Cdric Joncour
Bureau B112 (aile B, 1er tage)
cedric.joncour@univ-lehavre.fr
http://lmah.univ-lehavre.fr/~joncour
Rfrences bibliographiques
Recherche Oprationnelle - Tome 1
de Jacques Teghem
Programmation mathmatique
de Michel Minoux
Optimisation combinatoire 1-5
de Vangelis Th. Paschos
Optimisation discrte
dAlain Billionnet
Combinatorial Optimization : Theory
and applications (traduction)
de Bernhard Korte et Jens Vygen
Integer Programming
de Laurence A. Wolsey
Integer and Combinatorial Programming
de George L. Nemhauser et Laurence A. Wolsey
Computers and intractibility : a guide
to the theory of NP-completeness
de Michael R. Garey et David S.
Johnson
Linear Programming : Foundations
and extensions
de Robert J. Vanderbei
Introduction
Introduction
Introduction
Terminologie
Problme doptimisation : problme de la forme
min / max{f (x) : x S}
Variable de dcision : lment x
Rn reprsentant linconnu
Etant donn f : S
x S
Introduction
Objectif du cours
Etude de problmes combinatoires classiques
Introduction
Sommaire du cours
Premire partie I
T ECHNIQUES
DE MODLISATION
Graphes
6
7
10
9
4
8
3
{6, 8}, {6, 9}, {7, 9}, {7, 10}, {8, 10}
Graphes
Graphes orients
Graphe orient
Graphes
Graphes pondrs
Graphe pondr
cuv
pv
15
10
10
4
30
45
10
3
10
3
5
25
5
9
10
Optimisation combinatoire
Optimisation combinatoire
X N
jX
Optimisation combinatoire
Optimisation combinatoire
Le problme de sac--dos
Problme du sac--dos (knapsack problem)
Gestion de portefeuille
Dcoupe de matriaux
Chargement de camions
Placement de botes
Optimisation combinatoire
10
1
7
7
5
10
Applications
5
2
3
Optimisation combinatoire
2
5
3
6
4
2
5
3
Applications
Optimisation combinatoire
Applications
5
3
1
4
Tournes de vhicules
Connection de composants dans
un circuit intgr
Ordonnancement des tches avec
de changement de configuration
Optimisation combinatoire
Le problme de recouvrement
Problme de recouvrement (covering problem)
Localisation dentrepts/antennes
Gestion demploi du temps
Plannification/ordonnancement
Coloration de graphe
Tournes de vhicule
Donnes : N = {1, . . . , n} : ensemble de secteurs couvrir
M : ensemble de sites potentiels avec, pour tout i N,
ci le cot dinstallation du site i
et Ei N le sous ensemble de secteurs couvert par i
Problme : choisir des lments de M pour couvrir N moindre cot
Optimisation combinatoire
Trouver un tour de cot minimal tel que chaque client est visit une et
une seule fois
Reprsentation : chaque permutation des indices dfinit un tour :
= (1 , 2 , . . . , k , . . . , n )
o k = i indique que la ville i est visite en k e position
Le cot associ une solution est :
cot() = c1 2 + c2 3 + + cn1 n + cn 1
Nombre de solutions possibles
10
> 106
20
> 1018
100
> 10157
(n1)!
2
1000
> 102567
Mthodes de modlisation
cj : X S
min
X N
jX
xj =
1,
0,
j N
Mthodes de modlisation
Variables : xi =
Objectif :
nP
wi : X est un stable
iX
i V
Contraintes :
Mthodes de modlisation
Variables : xi =
Objectif :
nP
pi :
iX
wi W
iX
i I
Contraintes :
Respect
X de la capacit du sac :
wi xi W
iI
Mthodes de modlisation
X A
Variables : xij =
Objectif :
n P
(i,j)X
(i, j) A
cij xij
(i,j)A
Contraintes :
1 si i = s
X
X
xji
xij = 0 si i 6= s, t ,
1 si i = t
jV + (i)
jV (i)
Domaine de dfinition des variables :
xij {0, 1},
(i, j) A
i V
Mthodes de modlisation
Variables : xe =
Objectif :
n P
eX
e E
pe xe
eE
Contraintes :
Choisir
X|V | 1 artes pour former un arbre :
xe = |V | 1
eE
Eviter X
dobtenir un sous-graphe non connexe :
xe |S| 1, S V
eE(S)
Mthodes de modlisation
Variables : xe =
Objectif :
n P
eX
e E
ce xe
eE
Contraintes :
VisiterX
chaque sommet une fois :
xe = 2,
i V
eE(i)
Eliminer
Xles sous-tours non connects :
xe |S| 1, S V : 2 |S| |V | 1
eE(S)
Mthodes de modlisation
X M
Variables : xi =
Objectif :
nP
iX
ci :
Ei = N
iX
i M
ci xi
iM
Contraintes :
Couvrir
X chaque lment de base au moins une fois :
aij xi 1
j N
iM
Mthodes de modlisation
Problmes de recouvrement/partitionnement/remplissage
Problme de recouvrement (set covering) : min
nP
X M
min
ci xi :
iM
ci xi :
iM
nP
iX
iM
ci xi :
ci :
Ei = N,
iX
o
Ei =
iX
aij xi = 1 j N; xi {0, 1} i M
X
iM
iM
X M
max
iX
aij xi 1 j N; xi {0, 1} i M
X M
iX
Ei = N
iM
min / max
ci :
nP
iX
ci :
Ei =
iX
aij xi 1 j N; xi {0, 1} i M
Mthodes de modlisation
Colorier avec le moins de couleur tous les sommets dun graphe tel que
chaque paire de sommets adjacents nont pas la mme couleur
Mthodes de modlisation
5
4
5
1
W =6
Mthodes de modlisation
min f (x) : x P
Zn
Objectif de ce cours
Apprendre :
modliser nos problmes par des programmes linaires en
nombres entiers
rsoudre des programmes linaires en nombres entiers de faon
exacte
Programmation linaire
La programmation linaire
Programme linaire
(PL)
max
s. c.
cx
Ax b
x 0
P = {x
Rn : Ax b, x 0n }
Programmation linaire
Reprsentation graphique
Programme linaire
(PL)
avec P = {x
Z PL = max {cx : x P}
Rn : Ax b, x 0n }
cx = z
cx = z1
Programmation linaire
Ide de la rsolution
Remarques
Ax b
x P
(PLE)
x 0n
x n
Problmatique
Zn
difficile rsoudre
Variables : xi =
Objectif :
i V
Contraintes :
i = 1, . . . , n
n
P
|ei | :
i=1
rajouter n variables yi
R avec
i = 1, . . . , n
n
yi
i=1
i = 1, . . . , n
Remarque
n
P
i=1
i=1
e l My
(ei vi ) :
i=1
xPL
xPLE
Zn }
Rn : Ax b, x 0n }
Vocabulaire
Rn }
Polydre entier : Polydre tel que tous les points extrmes sont des
points entiers (polydre entier : contour pointill gris)
o ZPLE
et ZPLE
= Z
ZPLE
= cxPLE
cxPL
PL
sont les valeurs de loptimum et de la relaxation linaire
Exemple 1 :
max
x1 + x2
s. c. 2x1 + 2x2 1
8x1 6x2 3
x1 , x2
xPL
xPLE
x1
Exemple 2 :
max 25x1 + 16x2
s. c. 50x1 + 31x2 250
3x1 2x2 4
x1 ,
x2
xPL
xPLE
x1
Formulation : max
px
P iN i i
s. c.
iN wi xi W
xi {0, 1} i N
Explosion combinatoire : Nombre de sous ensembles possibles 2n
complexit
algorithme
n
n2
n3
n5
10
.00001 s
.0001 s
.001 s
.1 s
2n
.001 s
17.9 m
12.7 j
35.7 a
60
.00006 s
.0036 s
.216 s
13.0 m
36600 a
classe N P
N PC
P = NP ?
ou
P=
6 NP ?
max{c(x) : x S}
La classe N P-difficile
Un problme P est N P-difficile ssi il est aussi difficile que tous les
autres problmes de la classe N P :
P 0 P,
P 0 N P
Classes de complexit des problmes doptimisation
(PL)
max{cx : x P}
: Ax b, x 0n }
avec P = {x
max{cx : x P
Rn : Ax b, x 0n }
Zn }
xPL
Rn : Ax
Zn }
xPLE
b, x
Notions de bornes
BI Optimum BS
Borne primale (BP) : Borne infrieure (BI) sur le profit maximum
Exemple : valeur dune solution ralisable
Borne duale (BD) : Borne suprieure (BS) sur le profit maximum
Exemple : valeur dune relaxation du problme
Qualit de formulation : Qualit des bornes (cart faible des bornes)
Exemple : bonne description du polydre entier
Pour un problme de minimisation, les bornes sont BD=BS et BP=BI
Deuxime partie II
T ECHNIQUES
CLASSIQUES DE
RSOLUTION
Mthodes de rsolution
Rn
Objectif
Mthodes de rsolution
Rn
max{f (x) : x S k }
avec S 0 =
Sp
k =1 S
Mthodes de rsolution
max{f (x) : x S 0 }
nud 1
S1
nud 2
S2
nud 3
S3
max{f (x):x S 1 }
max{f (x):x S 2 }
max{f (x):x S 3 }
nud p
Sp
max{f (x):x S p }
S0
S1
S2
S3
Sp
Mthodes de rsolution
Procdures importantes
Procdure dvaluation : recherche dune estimation (borne duale)
Branchement sur des variables : choisir une variable puis fixer une
valeur en traitant les diffrents cas possibles
:
ex : S {xi = 1 } S {xi = 2 } S {xi = p }
Branchement sur des contraintes
:
P
P
ex : S { ni=1 xi = 0} S { ni=1 xi = 1}
Fixer un ordre relatif de certains lments
Procdure dlaguation : rgle de dominance de bornes
Eliminer un nud si :
lvaluation est moins bonne que la meilleure solution trouve
la meilleure solution ralisable du nud courant est connue
le nud courant ne contient pas de solutions ralisables
Mthodes de rsolution
L vide ?
non
quel problme ?
oui
Problme combinatoire
(PO i ) Z i = max{cx : x S i }
Arrt: retourner (Z , x )
Sk = ?
non
oui
Zk Z ?
oui
oui
non
xk
comment sparer ?
ralisable ?
non
Mthodes de rsolution
Zn }
avec P = {x
Rn : Ax b, x 0}
N pour la relaxation
xi bc
nud 1
S 1 = P {xi bc}
Z 1 = max
S0 = P n
= max cx : x P
S0
S
xi de
Zn
cx : x P {xi bc}
nud 2
S 2 = P {xi de}
Z 2 = max
Zn
cx : x P {xi de}
Mthodes de rsolution
avec P =
(x1 , x2 )
R2
Z2
x x2 3, 6x1 + 5x2 36
: 1
0 x1 ,
0 x2 4
51 18
11 , 11
de valeur
6x1 + 5x2 = 36
x1 = 4
x1 x2 = 3
x1
120
11
Mthodes de rsolution
x1 , x2 0
rsoudre max{z}
x2
xP
Nud 0 0
Eval : Z0 = 10.91
x = (4.64, 1.64)
Z0
x1
Mthodes de rsolution
x1 , x2 0
rsoudre max{z}
Nud 0 0
Eval : Z0 = 10.91
x = (4.64, 1.64)
x2 b1.64c
rsoudre
max z : x2 1
xP
x2
xP
Nud 1 1
Eval : Z1 = 9
x = (4, 1)
Solution ralisable
x2 d1.64e
2
Z2
Nud 2 2 rsoudre
Eval : Z2 = 10.67 max z : x2 2
xP
x = (4.33, 2)
Z1
x2 2
x2 1
x1
Mthodes de rsolution
x1 , x2 0
xP
Nud 0 0
Eval : Z0 = 10.91
x = (4.64, 1.64)
Nud 1 1
Eval : Z1 = 9
x = (4, 1)
max z :
xP
x1 4
x2 2
4 =
3
Z3
x2 d1.64e
Z1
x1
Nud 2 2 rsoudre
Eval : Z2 = 10.67 max z : x2 2
xP
x = (4.33, 2)
Solution ralisable
x1 b4.33c
rsoudre
n
x1 4 x1 5
xP
x2 b1.64c
rsoudre
max z : x2 1
x2
rsoudre max{z}
Nud 3 3
Eval : Z3 = 10.4
x = (4, 2.4)
x1 d4.33e
Nud 4 4 rsoudre
n
o
Eval : Z4 = max z : x1 5
x2 2
xP
Irralisable
Elaguer par irralisibilit
Mthodes de rsolution
x1 , x2 0
rsoudre max{z}
xP
Nud 1 1
Eval : Z1 = 9
x = (4, 1)
max z :
xP
x1 4
x2 2
max z :
xP
x1 4
x2 = 2
x2 3
Z5
x2 2
Z1
x1
Nud 2 2 rsoudre
Eval : Z2 = 10.67 max z : x2 2
xP
x = (4.33, 2)
x1 d4.33e
Nud 3 3
Eval : Z3 = 10.4
x = (4, 2.4)
x2 b2.4c
rsoudre
n
Z6
x2 d1.64e
Solution domine
x1 b4.33c
rsoudre
n
Nud 0 0
Eval : Z0 = 10.91
x = (4.64, 1.64)
x2 b1.64c
rsoudre
max z : x2 1
x2
xP
Nud 4 4 rsoudre
n
o
Eval : Z4 = max z : x1 5
x2 2
xP
Irralisable
Elaguer par irralisibilit
x2 d2.4e
Nud 5 5
Eval : Z5 = 10
x = (4, 2)
Nud 6 6
Eval : Z6 = 10
x = (3.5, 3)
Solution ralisable
rsoudre
n
max z :
xP
x1 4
x2 3
Mthodes de rsolution
Mcanismes importants
1
Initialisation :
calculer une solution ralisable initiale (heuristique gloutonne)
simplifier la formulation par des pr-traitements
Autres procdures :
utiliser des heuristiques primales : construire une solution partir
dune relaxation
nettoyer la formulation aprs branchement
Qualit de formulation
Rn
Qualit de formulation
Variables : xic =
(
yc =
Objectif :
Contraintes :
c K
P
cK
yc
Qualit de formulation
Variables : wij =
wii =
Objectif :
i V
wii
iV
Contraintes :
Qualit de formulation
Rn
Qualit de formulation
Qualit de formulation
iV
iV :ji
Qualit de formulation
Qualit de formulation
P2
P1
P 1 P 2 P 1, P 2
conv (S)
conv (S) P 1 , P 2
Formulation idale
Qualit de formulation
P1
(PO) max{cx : x S}
conv (S)
Qualit de formulation
Zn }
Zm alors xPL Zn
Qualit de formulation
(1, 3)
+1
0
1
0
(2, 1)
1
+1
0
0
(2, 4)
0
+1
0
1
(3, 1)
1
0
+1
0
0 0 1 1 0 0 0
0 1 1 1 1 1 1
0
Applications
Problmes de flot
Problmes de couplage
(3, 4)
0
0
+1
1
DE RSOLUTION PAR
Thorie polydrale
Hyperplan : H = {x
Demi-espace ferm :
Rn : Pnj=1 j xj P
= , 6= 0n }
n
D = {x R : nj=1 j xj , 6= 0n }
Polydre : intersection
de demi-espaces ferms et dhyperplans
n
o
P
P = x n : nj=1 aij xj bi i = 1, . . . , m
x2
x1 + 2x2 = 8
2x1 x2 = 0
Un hyperplan : 2x2 + x1 8 = 0
Un demi-plan ferm :
2x2 + x1 8 0
Un
( polydre born :
)
x1 + 2x2 8, 5x1 5x2 18
x2 + x1 3, 2x1 x2 0, x2 1
x2 = 1
x2 + x1 = 3
5x1 5x2 = 18
x1
Thorie polydrale
Rn : Ax b}
Polydres borns
Polydre born
Thorie polydrale
Notations
(A= , b= ) : matrice
correspondant aux lignes de (A, b) dincides
=
M = i M : Ai x = bi , pour tout point x P
(A , b ) :matrice correspondant aux lignes de (A, b) dindices
M = i M : Ai x < bi , pour au moins un point x P
n
Ainsi, P se rcrit P = x
Rn : A=x = b=, Ax b
Thorie polydrale
tel que
k = 0 et
k =1
k x k = 0
est
k = 0, k
k =1
R du systme
k v k = 0
est
k = 0, k
k =1
Proposition
Thorie polydrale
Rn : A=x = b=, Ax b} =6
x2
x2 dim(Q) = 1
dim(P) = 0
x1
x2
x1
dim(R) = 2
x1
Thorie polydrale
conv(S) = x
Rn : x =
p
P
s x s ,
s=1
p
P
s = 1, s 0 s = 1, . . . , p
s=1
Rn tel que
cone(V) = r
Rn : r = P t r t , r 0 r = 1, . . . , q
q
t=1
0n
Enveloppe convexe
Enveloppe conique
ou cne gnr par V
Thorie polydrale
Remarque
Si S
Consquence
Thorie polydrale
Soit le polydre P = {x n : Ax b} =
6
Quelles sont les ingalits ncessaires la description de P ?
Ingalits linaires valides
R
R
Consquence
Thorie polydrale
5x1 + x2 20
(c)
x1 , x2 0
(d) (e)
x1 = 12
4x1 + 3x2 = 24
(a)
P
(b)
+ 32 (b) donne x1 1
ici u = ( 23 , 32 , 0, 0, 0)
(c)
x1
Thorie polydrale
Rn : Ax b, A=x = b=} =6
Faces
Face :
face propre
P
facette
face non propre
Remarques
Thorie polydrale
Rn : Ax b, A=x = b=} =6
Facettes
Facette :
Remarque
Les facettes sont les faces propres maximales (au sens de linclusion)
Proposition (condition suffisante la description de P)
Thorie polydrale
Thorie polydrale
Soit le polydre P = {x n : Ax b} =
6
Quels sont les points ncessaires la description de P ?
Points extrmes dun polydre
Proposition
Thorie polydrale
Rn : Ax b} et le cne C = {r Rn : Ar 0m }
cne de rcession : C = {r : Ar 0m }
x1
Proposition
e
r C est un rayon extrme ssi {er : 0} est une face de C de dim 1
Thorie polydrale
Rn : Ax b} =6
aucun rayons
max{cx : x P} admet une solution optimale en un point extrme
pour tout point extrme x , il existe un vecteur cot c
x est optimal pour max{cx : x P}
Rn tel que :
Thorie polydrale
Thorme
Si P 6= 0, alors
(
P=
x=
p
X
s=1
s x +
q
X
t=1
t r :
p
X
s = 1, s 0 s, t 0 t
s=1
Thorie polydrale
Rsum de la situation
1
Gnration de coupes
Gnration de colonnes
Soit
(PO)
max{cx : x conv(S})
Thorie polydrale
Optimisation et Sparation
Soit le problme doptimisation :
(PO) min{cx : x P}
avec P = {x n : Ax b}
Thorme optimisation/sparation
Approche polydrale
jS
o
N = {e1 , . . . , en } est un ensemble de base fini
S est une famille de sous-ensemble de N formant lensemble des
solutions ralisables
vecteur dincidence
Approche polydrale
conv(S) =
s
s=1 s x :
Pp
s=1 s = 1, s 0 s = 1, . . . , p
Proposition
Si xe
/ conv(S), alors il existe une ingalit qui spare xe et conv(S)
Thorme
Approche polydrale
Z2
P=
avec
R2
(x1 , x2 )
x1 + 2x2 4 (a),
:
2x1 + 2x2 7 (b),
5x1 + x2 20
(c)
x1 , x2 0
(d) (e)
x2
(a)
()
()
()
conv (S)
(c)
(b)
Ici, S =
()
x1
conv(S) =
(x1 , x2 )
x + x2 4
(),
: 1
3x1 + x2 12 (),
x1 2 ()
x2 3 ()
Approche polydrale
e b}
e
Rn : Ax
Conjecture
Approche polydrale
conv (S)
une ingalit valide est valide pour S ssi elle est valide pour le polydre
conv(S) : conv(S) {x n : x }
Approche polydrale
P=
(x1 , x2 )
Z2
x1 + 2x2 4 (a),
:
2x1 + 2x2 7 (b),
Z2 et
5x1 + x2 20
(c)
x1 , x2 0
(d) (e)
x1 + x2 = 4
Z
(a)
PL
x2 = 3
x1 + x2 = 6
(c)
(b)
x1
Z
Comme x 2 ,
7
(b) : x1 + x2
l 2m
x1 + x2 40
11 = 4 valide
40
11
= 3 valide
76
11
76
11
= 6 valide
Approche polydrale
Approche polydrale
Approche polydrale
Le problme de sparation
Approche polydrale
Soit S = {y
Exemple
Proposition
Pn
i=1 buA
i cx
bubc
Approche polydrale
Soit S = P 2 avec
P = {x 2+ : 7x1 2x2 14 (a), 2x1 2x2 3 (b), x2 3 (c)}
x2
(c)
x1 = 2
x1 x2 = 1
(a)
(b)
x1
En prenant u =
En prenant u =
( 17 , 0, 72 ), on obtient lingalit x1 20
7
1
(0, 2 , 0), on obtient lingalit x1 x2
=2
j k
3
2
=1
Soit S = P
avec
3
P = {x + : 13x1 + 20x2 + 11x3 30 (a), x1 + x2 1 (b)}
1 2
32
En prenant u = ( 11
, 11 ), on obtient 15
11 x1 + 2x2 + x3 11
Et donc,
32
x1 + 2x2 + x3 d 11
e=3
Approche polydrale
Approche polydrale
Zn avec P = {x Rn : Ax b, x 0n }
, 6=
m
X
i=1
i i ,
m
X
i=1
i i ,
m
X
i=1
i i
et
m
X
i i
i=1
Approche polydrale
e b}
e
Rn : Ax
Approche polydrale
P(G) = conv x S
Modlisation : max{
uV
xu : x P(G)}
Proposition
Soit
uV
Approche polydrale
n P
uV
Proposition
= |C|1
est valide
uC u
2
2
Approche polydrale
n P
uV
v1
v2
v0
v6
v5
v3
v4
Gnration de coupes
Notons P F = P {x n : x , (, ) F}
Etudier le polydre P F plutt que le polydre P ?
Avantages :
Gnration de coupes
Procdure de sparation
Soit le programme linaire entier :
(PLE) Z = max{cx : x S}
avec S = P n et P = {x n : Ax b}
Soit F = {(, ) : x IV pour S} une famille dingalits valides
Procdure de sparation
Etant donn
une famille dingalits valables (note F) et
une solution de la relaxation linaire de (PLE) (note xb )
algorithme qui cherche et renvoie une ingalit de F viole par xb
Algorithme de sparation pour une famille dingalit F
Gnration de coupes
Zn et P = {x Rn : Ax b, x 0}
conv (S)
Z2PL
Z1PL
Z0PL
Gnration de coupes
k = 0, P 0 = {x n : Ax b, x 0}
Initialisation problme (PL0 )
oui
Arrt : solution
optimale trouve
non
Appeler le problme de sparation :
separation(b
xk )
existence (, 0 ) F
tel que x k > 0 ?
Poser k k + 1
oui
conv(S) P k P 1 P 0
Gnration de coupes
xi bc
nud 1
xi de
nud 2
Rsoudre le PL
Rsoudre le PL
Gnration de coupes
nP
iI pi xi :
iI wi xi W ,
x {0, 1}|I|
Couverture du sac
iC
wi > W
Gnration de coupes
Procdure de sparation
Etant donn xb X PL ,
P
Chercher une couverture C F tel que iC xbi > |C| 1
P
Sil existe une telle couverture, ajouter lingalit iC xbi |C| 1
Recherche dune couverture viole
(
1 si i C
,
0 si i
/C
i I
Gnration de coupes
1
30
2
15
2
28
2
14
3
27
3
9
4
34
4
8.5
5
7
1
7
1
si ki=1 wi W
xk =
Pk 1
i=1
wk
wi
si ki=1 wi > W
sinon
P
et
Pk 1
i=1
wi W
Gnration de coupes
1
30
2
15
2
28
2
14
3
27
3
9
4
34
4
8.5
5
7
1
7
et
W =6
1 = (1, 1, 2 , 0, 0) et Z PL = 76
La solution relle est xPL
1
3
Or w1 + w2 + w3 = 7 > W et x1 + x2 + x3 = 83 > 2
On rajoute donc lingalit :
x1 + x2 + x3 2 (a)
2 = (1, 1, 0, 1 , 0) et Z PL = 75
La nouvelle solution relle est xPL
2
2
Or w1 + w2 + w4 = 8 > W et x1 + x2 + x4 = 25 > 2
On rajoute lingalit :
x1 + x2 + x4 2 (b)
3 = (1, 4 , 1 , 1 , 1) et Z PL = 71.6 Or
La nouvelle solution relle est xPL
3
5 5 5
w1 + w4 + w5 = 7 > W et x1 + x4 + x5 = 11
>
2
5
On rajoute lingalit :
x1 + x4 + x5 2 (c)
Gnration de coupes
1
30
2
15
2
28
2
14
3
27
3
9
4
34
4
8.5
5
7
1
7
et
W =6
4 = (1, 3 , 1 , 1 , 3 ) et Z PL = 71.2
La nouvelle solution relle est xPL
4
4 4 4 4
Aucune ingalit de couverture est viole
x
+
x
+
x
+
x
1
2
3
4
2
2
2
2 = 2 (e)
5 = ( 1 , 1, 0, 1 , 1) et Z PL = 67
La nouvelle solution relle est xPL
5
2
2
Or w2 + w4 + w5 = 7 > W et x1 + x2 + x4 = 25 > 2
On rajoute lingalit :
x2 + x4 + x5 2 (f )
Gnration de coupes
1
30
2
15
2
28
2
14
3
27
3
9
4
34
4
8.5
5
7
1
7
et
W =6
6 = ( 2 , 2 , 1 , 1 , 1) et Z PL = 66
La nouvelle solution relle est xPL
6
3 3 3 3
Aucune ingalit de couverture est viole
x
+
x
+
x
+
2x
+
x
5
1
2
3
4
2
2
2
2
2 =3
8
7 = (1, 1, 0, 0, 1) et Z PL = 65
La nouvelle solution relle est xPL
7
Cette solution est entire donc elle est optimale
(g)
Gnration de coupes
Conclusions et perspectives
Conclusions
Quatrime partie IV
T ECHNIQUES
DE RSOLUTION PAR
DCOMPOSITION