Diapo Optimisation Combinatoire

U NIVERSIT DU H AVRE - UFR DES S CIENCES ET T ECHNIQUES
Cours dOptimisation Combinatoire et Mtaheuristiques

Approches avances de rsolution exacte - Partie 3
Cdric Joncour
Bureau B112 (aile B, 1er tage)
cedric.joncour@univ-lehavre.fr
http://lmah.univ-lehavre.fr/~joncour
Master 2 - Anne 2013 - Semestre 2
U NIVERSIT DU H AVRE - UFR DES S CIENCES ET T ECHNIQUES
Cours dOptimisation Combinatoire et Mtaheuristiques

Approches avances de rsolution exacte - Partie 3
Cdric Joncour
Bureau B112 (aile B, 1er tage)
cedric.joncour@univ-lehavre.fr
http://lmah.univ-lehavre.fr/~joncour
Master 2 - Anne 2013 - Semestre 2
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
Pour plus dinfos... en.wikipedia.org & www.roadef.org/

Livre blanc de la recherche oprationnelle dit par la ROADEF
Introduction
Le contexte de loptimisation 1/2

Dfinition de loptimisation
La science cherchant analyser et rsoudre analytiquement ou

numriquement les problmes qui consistent dterminer le meilleur
lment dun ensemble, au sens dun critre quantitatif donn
Un problme : Question que lon se pose lie une situation ?
Analyser et rsoudre : Comprendre le problme puis proposer une
ou des solutions pour rpondre au problme
Critre quantitatif : Toutes les solutions nont pas la mme importance
Meilleur lment : Chercher la solution la plus intressante
Domaines dapplications
Civil (services publics, hopitaux, transport public, informatique)

Industriel (automobile, aviation, nergie, tlcom, production)
Financier (gestion de portefeuille)
Militaire (gestion des ressources, logistique)
Introduction
Le contexte de loptimisation 2/2

Loptimisation et la recherche oprationnelle
Prendre des dcisions : choix faire/dcider

organiser un plan, contrler les oprations
allouer des ressources, ranger des tches
dfinir des chemins ou des tournes
En optimisant un critre (ou objectif) : but cherch du problme

Et en respectant des contraintes : restrictions lies au problme
Quelques exemples simples
Organiser sa journe de travail pour finir temps chaque tche

Plannifier ses dpenses pour rpondre ses principaux besoins
Trouver le plus court chemin entre son appartement et luniversit
But recherch de loptimisation
Trouver la meilleure solution ralisable pour un problme donn
Introduction
Terminologie
Problme doptimisation : problme de la forme
min / max{f (x) : x S}
Variable de dcision : lment x
Rn reprsentant linconnu
Rgion ralisable : ensemble des solutions (affectation de valeur x)

vrifiant les contraintes du problme
ensemble S
Solution ralisable : solution vrifiant les contraintes du problme
x est ralisable x S
Critre optimiser : fonction objectif f : S
Solution optimale : meilleur solution ralisable selon lobjectif f

x S est optimale f (x ) f (x ), x S
But recherch de loptimisation
Etant donn f : S
R, trouver x S tel que f (x ) f (x),
x S
En pratique, la solution x peut savrer difficile trouver
Introduction
Objectif du cours
Etude de problmes combinatoires classiques
Problme du sac--dos et du placement de botes

Problme du plus court chemin et du voyageur de commerce
Problme de coloration de graphe
Mthodes avances de rsolution exacte
Notion de qualit de formulation

Rsolution des problmes de grand taille (variables/contraintes)
Mthodes de dcomposition des problmes
Approche polydrale
Quelques algorithmes ddis (si on a le temps)
Classification des problmes

Problmes dordonnancement
Introduction
Sommaire du cours
Premire partie I
T ECHNIQUES
DE MODLISATION
Graphes
Graphes non orients

Graphe non orient
Un graphe non orient G est un couple (V , E) tel que

E {X V : |X | = 2}
V : ensemble des sommets
E : ensemble des artes
Une arte est une paire de sommets :
{u, v } E avec u, v V
1
5
6
7
10
9
4
8
3
Soit le graphe non orient G = (V , E) avec

V ={1, 2, 3, 4, 5, 6, 7, 8, 9, 10}
{1, 2}, {2, 3}, {3, 4}, {4, 5}, {5, 1}

E = {1, 6}, {2, 7}, {3, 8}, {4, 9}, {5, 10}
{6, 8}, {6, 9}, {7, 9}, {7, 10}, {8, 10}
Graphes
Graphes orients
Graphe orient
Un graphe orient G est un couple (V , A) tel que A V V

V : ensemble de sommets
A : ensemble darcs
Chaque arc est un couple de sommets :
(u, v ) A avec u, v V
1
5
Soit le graphe orient G = (V , A) avec

V =n{1, 2, 3, 4, 5}
o
A = (1, 2), (2, 3), (3, 4), (4, 5), (5, 1)
Graphes
Graphes pondrs
Graphe pondr
Un graphe pondr est un graphe auquel on a associ une (ou

plusieurs) fonction de valuation
Un graphe peut tre pondr/valu sur ses sommets et/ou ses artes
15
pu
cuv
pv
15
10
10
4
30
45
10
3
10
3
5
25
5
9
10
Optimisation combinatoire
Schma dtude dun problme doptimisation

Quelles sont les donnes du problme ?
rcolter les donnes du problme, comprendre le problme,...
Comment modliser le problme ?
Quelles dcisions doit-on prendre ?
slectionner/placer des objets, dfinir un ordre ou une quantit,
choisir un vnement, effectuer une opration particulire...
Quel est lobjectif recherch ?
maximiser un profit, minimiser des cots ou une quantit,...
Quels sont les contraintes du problme ?
respecter des capacits ou des contraintes de prcdence,...
Quelle est la complexit de ce problme ?

Comment rsoudre le problme ?
concevoir des algorithmes (exacts vs approchs) donnant des
solutions ralisables/optimales, dvelopper des mthodes
alternatives ou hybrides,...
Quest ce quun problme doptimisation combinatoire ?

Loptimisation combinatoire/discrte
Soit N = {e1 , . . . , en } un ensemble fini discret avec :

cj un cot de llment j N
Soit S un ensemble de sous-ensembles ralisables de N
Trouver unensolution X de
maximum :
o S de cot minimum/profit
X
min / max c(X ) : X S
avec c(X ) =
cj fonction de cot
X N
X N
jX
N : ensemble des dcisions possibles

S : ensemble des solutions ralisables (ensemble de dcisions)
Comme lespace des candidats solutions est discret fini, il est possible
dnumrer chacune des solutions ralisables
de vrifier quune solution est ralisable
de calculer le cot dune solution ralisable
de conserver la meilleure solution aprs numration exhaustive
Le problme de la recherche densemble stable

Problme densemble stable de poids max (max weight independant set)
Trouver un sous ensemble de sommets S dun graphe, de poids max,

tel que chaque sommet de S nest reli aucun autre sommet de S
Applications
Stable de cardinalit maximale

Allocation de frquences
Gestion de conflit
Coloration de graphe
Donnes : G = (V , E) graphe non orient avec
wi poids du sommet i V
Objectif :
slectionner des sommets du graphe dont le poids total est

maximale
Contraintes : choisir un seul sommet entre deux sommets adjacents
Le problme de sac--dos
Problme du sac--dos (knapsack problem)
source : wikipdia - auteur : Dake
Choisir un sous-ensemble dobjets dutilit maximale placer dans un

sac tel que la capacit du sac soit respecte
Applications
Gestion de portefeuille
Dcoupe de matriaux
Chargement de camions
Placement de botes
Donnes : W : capacit maximale du sac

I : ensemble de n objets avec, pour chaque objet i I,
pi lutilit et wi le poids
Objectif :
choisir des objets afin de maximiser lutilit totale
Contraintes : ne pas dpasser la capacit du sac
Le problme du plus court chemin

Problme du plus court chemin (shortest path problem)
Trouver un chemin de longueur minimale entre deux villes donnes :

une ville de dpart (source s) et une ville destination (puits t)
10
1
7
7
5
10
Applications
5
Route la moins coteuse

t
2
3
Route la rapide dans un rseau

Transfert de ressource/information
Problme de flot de cot minimum
Donnes : G = (V , A) graphe orient avec deux sommets s et t, et

cij longueur de larc (i, j) A
Objectif :
choisir des artes en minimisant la longueur totale
Contraintes : former un chemin entre s et t
Le problme darbre couvrant de poids minimum

Problme de larbre couvrant de poids minimum (min spanning tree)
Choisir un sous-ensemble dartes dun graphe de cot minimum tel

que ce sous-ensemble forme un arbre couvrant du graphe
3
2
5
3
6
4
2
5
3
Applications
Construction dun rseau

Installation dun pipeline
Connection lectrique
Recherche dun arbre de Steiner
Donnes : G = (V , E) graphe non orient, connexe avec

pe poids de larte e E
Objectif :
slectionner des artes afin de minimiser le poids total
Contraintes : former un arbre laide des artes

couvrir tous les sommets laide dun arbre
Le problme du voyageur de commerce

Problme du voyageur de commerce (travelling salesman problem)
Trouver un cycle hamiltonien dans un graphe de longueur minimale :

chaque sommet du graphe est visit une et une seule fois
2
Applications
5
3
1
4
Tournes de vhicules
Connection de composants dans
un circuit intgr
Ordonnancement des tches avec
de changement de configuration

ce longueur de larte e E
Objectif :
choisir des artes afin de minimiser la longueur totale
Contraintes : former une tourne laide des artes

visiter chaque ville une et une seule fois avec un tour
Le problme de recouvrement
Problme de recouvrement (covering problem)
Couvrir cot minimum un ensemble de secteurs laide dun

sous-ensemble de sites potentiellement utilisables
Applications
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
Difficult des problmes doptimisation combinatoire

Problme du voyageur de commerce
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
Si le graphe est complet, le nombre de tours possibles est

n
n!
10
> 106
20
> 1018
100
> 10157
(n1)!
2
1000
> 102567
On ne peut pas numrer toutes les possibilits en pratique !
Mthodes de modlisation
Modlisation par la programmation mathmatique

Problme doptimisation combinatoire
nX
cj : X S
min
X N
jX
Posons x {0, 1}|N| tel que

(
xj =
1,
0,
si llment j est choisi

sinon
j N
Alors le problme se formule

nX
o
min
cj xj : x P {0, 1}|N|
jN
o P espace form par les contraintes exprimant les proprits

satisfaire pour tre dans lensemble S :
x P {0, 1}|N| X S
P {0, 1}|N| : ensemble des solutions ralisables discret et fini
Les points de x s P {0, 1}|N| sont les vecteurs dincidence de la
Modlisation du problme du stable de poids maximum

Problme combinatoire : max
X V
Variables : xi =
Objectif :
nP
wi : X est un stable
iX
1 si le sommet i est choisi

0 sinon
i V
Maximiser le poids des

Xsommets slectionns :
max
wi xi
iV
Contraintes :
Ne pas slectionner deux sommets adjacents :

(xi = 0) (xj = 0),
{i, j} E
[ou]
xi xj = 0,
{i, j} E
Domaine de dfinition des variables :
xi {0, 1},
i V
Est-il possible de formuler ce problme laide de contraintes linaires ?
Modlisation du problme du sac--dos

I : ensemble de n objets avec, pour chaque objet i I,
Problme combinatoire : max
X I
Variables : xi =
Objectif :
nP
pi :
iX
wi W
iX
1 si lobjet i est choisi

0 sinon
i I
Maximiser lutilit desX

objets slectionns :
max
pi xi
iI
Contraintes :
Respect
X de la capacit du sac :
wi xi W
iI

xi {0, 1},
i I
Est-il possible damliorer la formulation ?
Modlisation du problme du plus court chemin

Donnes : G = (V , A) graphe orient avec deux sommets s et t, et
cij longueur de larc (i, j) A
Problme combinatoire : min
X A
Variables : xij =
Objectif :
n P
cij : X forme un chemin s t
(i,j)X
1 si larc (i, j) est choisi

0 sinon
(i, j) A
Minimiser la longueur des arcs choisis : min
cij xij
(i,j)A
Contraintes :
Contraintes de respect du flot

:
1 si i = s
X
X
xji
xij = 0 si i 6= s, t ,
1 si i = t
jV + (i)
jV (i)
xij {0, 1},
(i, j) A
Existe-t-il une formulation idale du problme ?
i V
Modlisation du problme de larbre couvrant de poids m

Donnes : G = (V , E) graphe non orient, connexe avec
pe poids de larte e E
X E
Variables : xe =
Objectif :
n P
pe : X forme un arbre couvrant
eX
1 si larte e est choisie

0 sinon
e E
Minimiser le poids des artes choisies : min
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)

xe {0, 1},
e E
Comment rsoudre une formulation avec un nombre lev de contraintes ?
Modlisation du problme de voyageur de commerce

ce cot de larte e E
X E
Variables : xe =
Objectif :
n P
ce : X est un cycle hamiltonien
eX
1 si larte e est choisie

0 sinon
e E
Minimiser les cots des artes choisies : min
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)

xe {0, 1},
e E
Est-il possible de formuler le problme autrement ?
Modlisation du problme de recouvrement

Donnes : N = {1, . . . , n} : ensemble de base couvrir
{Ei N}iM ensemble de sous-ensembles de N avec
ci cot associ lensemble Ei , pour i M
et ai n un vecteur des lments de Ei (aij = 1 si j Ei )
X M
Variables : xi =
Objectif :
nP
iX
ci :
Ei = N
iX
1 si llment Ei est choisi

0 sinon
i M
Minimiser les cots des ensembles choisis :
ci xi
iM
Contraintes :
Couvrir
X chaque lment de base au moins une fois :
aij xi 1
j N
iM

xi {0, 1}
i M
Comment rsoudre une formulation avec un nombre lev de variables ?
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
Problme de remplissage (set packing) : max
iX
aij xi 1 j N; xi {0, 1} i M
X M
iX
Ei = N
iM
Problme de partitionnement : min / max
min / max
ci :
nP
iX
ci :
Ei =
iX
aij xi 1 j N; xi {0, 1} i M
Cas particuliers du problme de recouvrement 1/2

Problme de coloration de graphe (graph coloring problem)
Colorier avec le moins de couleur tous les sommets dun graphe tel que
chaque paire de sommets adjacents nont pas la mme couleur
Donnes : G = (V , E) graphe non orient

Objectif :
chercher une coloration minimale des sommets
Contraintes : deux couleurs diffrentes pour les sommets adjacents

Cas particuliers du problme de recouvrement
N : ensemble des sommets du graphe

M : ensemble des stables du graphe avec ci = 1, i M
Cas particuliers du problme de recouvrement 2/2

Problme de placement de botes (bin packing problem)
Placer un ensemble de botes de longueurs diffrentes dans le moins

de cartons possible de longueur fixe
Botes
1
wi : 4
5
4
5
1
W =6
Donnes : N : ensemble de n botes avec

wi longueur de la bote i N et W longueur des cartons
Objectif : minimiser le nombre de cartons utiliss
Contraintes : ne pas dpasser la capacit dun carton
Cas particuliers du problme de partitionnement
N : ensemble des botes

M : ensemble des remplissages possibles du carton
Forme gnrale dun problme combinatoire

Un problme doptimisation
n Xcombinatoire se modlise
o comme suit :
|N|
min
cj xj : x P {0, 1}
jN
Cependant, certaines dcisions seront similaires

Forme gnrale dune modlisation dun problme combinatoire
n
o
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
Optimiser une fonction linaire sous des contraintes linaires
(PL)
max
s. c.
cx
Ax b
x 0
Rn , b Rm et A Rmn : donnes du problme

x Rn : variables/inconnus du problme
c
cx : fonction objectif du problme (fonction linaire)

Ax b, x 0n : contraintes linaires du problme
Polydre/Rgion ralisable : ensemble des solutions ralisables
P = {x
Rn : Ax b, x 0n }
Reprsentation graphique
Programme linaire
(PL)
avec P = {x
Z PL = max {cx : x P}
Rn : Ax b, x 0n }
cx = z
cx = z1
Pour une solution x donn, on notera z = cx la valeur de cette solution
Ide de la rsolution
Remarques
Contraintes et objectif linaire existence dun optimum sur un point

extrme de la rgion ralisable
Donc, il suffit dexaminer les points extrmes
Ide de rsolution
optimum
Passer de points extrmes en points

extrmes jusqu loptimum
Programmation linaire en nombres entiers
Extension de la programmation linaire

Soit le programme linaireen nombres entiers :
max cx
Ax b
x P
(PLE)
x 0n
x n
Problmatique
Certaines valeurs ne peuvent tre fractionnaires : dcision oui/non,

quantit indivisible,...
Rajouter une condition supplmentaire : x
Zn
difficile rsoudre
Modlisation par la programmation linaire entire

Le problme du stable de poids maximum
Question : Quels sommets slectionner afin de maximiser le poids
total tel que les sommets slectionns soient non
adjacents ?
(
Variables : xi =
Objectif :
1 si le sommet i est choisi

0 sinon
i V
Maximiser le poids des

Xsommets choisis :
max
wi xi
iV
Contraintes :
Ne pas slectionner deux sommets adjacents :

xi + xj 1,
{i, j} E
xi {0, 1},
i V
Quelques astuces de modlisation : objectifs particuliers

Soient e1 , . . . , en des expressions linaires
1
modlisation dun objectif du type min max {ei } :

i=1,...,n
rajouter une variable y

remplacer lobjectif par min y
rajouter les contraintes y ei ,
i = 1, . . . , n
une modlisation similaire est possible pour max min {ei }

i=1,...,n
modlisation dun objectif du type min
n
P
|ei | :
i=1
rajouter n variables yi
R avec
i = 1, . . . , n
n
remplacer lobjectif par min
yi
i=1
rajouter les contraintes yi ei , yi ei ,
i = 1, . . . , n
Remarque
La linarisation de min min {ei } et de max

i=1,...,n
n
P
i=1
|ei | est plus difficile
Quelques astuces de modlisation : variables particulire

Soient v1 , . . . , vn , l, u des valeurs relles quelconques
Soit M une valeur numrique suffisamment grande
1
modlisation dune variable discrte x {v1 , . . . , vn } :
rajouter n variables binaires yi {0, 1} avec i = 1, . . . , n
n
n
P
P
yi = 1
utiliser les contraintes x =
vi yi et
i=1
2
i=1
modlisation dune variable binaire y {0, 1} dactivation de

bornes :
si y = 1 alors l x u, sinon x = 0
utiliser la contrainte ly x uy
souvent utilis pour modliser des cots fixes dutilisation dune

ressource
modlisation de variables incompatibles xi , xj :
(xi = 0) (xj = 0)
rajouter deux variables binaires yi , yj {0, 1}

utiliser les contraintes xi M(1 yi ), xj M(1 yj ), yi + yj 1
Quelques astuces de modlisation : contraintes logiques

Soient e, e1 , . . . , en des expressions linaires
Soient l, u, v1 , . . . , vn des valeurs relles quelconques
Soit M une valeur suffisamment grande
1
modlisation dune contrainte disjonctive exclusif (e u) (e l) :
rajouter une variable binaire y {0, 1}
utiliser les contraintes e u + M(1 y ),
2
e l My
modlisation dune contrainte disjonctive exclusif du type

n
W
(ei vi ) :
i=1
rajouter n variables binaires yi {0, 1} avec i = 1, . . . , n

n
P
utiliser les contraintes
yi = 1, ei vi + M(1 yi ), i = 1, . . . , n
i=1
3
modlisation dun produit de variables binaires xi xj avec

xi , xj {0, 1} :
rajouter une variable binaire yij {0, 1}
remplacer le produit xi xj par yij dans les contraintes
rajouter les contraintes xi yij , xj yij , xi + xj 1 + yij
Vocabulaire en programmation linaire entire
xPL
(PLE) Z = max {cx : x P

o P = {x
xPLE
Zn }
Rn : Ax b, x 0n }
Vocabulaire
Solution ralisable : Solution x P n

(solutions ralisables : points bleus)
Relaxation linaire : Problme max{cx : Ax b, x 0n , x
(valeur de la relaxation linaire : carr vert)
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
Arrondir la solution de la relaxation linaire ?

x2
Exemple 1 :
max
x1 + x2
s. c. 2x1 + 2x2 1
8x1 6x2 3
x1 , x2
xPL
xPLE
x1
Arrondir la solution donne pas forcment de solutions ralisables !

x2
Exemple 2 :
max 25x1 + 16x2
s. c. 50x1 + 31x2 250
3x1 2x2 4
x1 ,
x2
xPL
xPLE
x1
Arrondir la solution donne pas forcment une solution optimale !
Enumrer exhaustivement toutes les solutions ?

Problme du sac--dos
Choisir un sous-ensemble dobjets dutilit maximale respectant une

contrainte de capacit
Variables : xi = 1 si lobjet i N est rang dans le sac ; 0 sinon
P
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
taille instance/temps rsolution

20
30
40
50
.00002 s .00003 s .00004 s .00005 s
.0004 s
.0009 s
.0016 s
.0025 s
.008 s
.027 s
.064 s
.124 s
3.2 s
24.3 s
1.7 m
5.2 m
1s
17.9 m
12.7 j
35.7 a
60
.00006 s
.0036 s
.216 s
13.0 m
36600 a
On ne peut pas numrer toutes les solutions en pratique !
Classes de complexit des problmes 1/2

Problme dcisionnel
Problme dcisionnel : problme algorithmique pos sous la forme

de question dont la rponse est soit oui, soit non :
tant donn une instance du problme, dire si elle vrifie les conditions
La classe N P
Un problme dcisionnel appartient la classe N P ssi il existe un

algorithme non dterministe rsolvant le problme en temps polynomial
Pour les problmes de la classe N P, il existe un certificat qui dtermine,
en temps polynomial, la vracit dune solution
Classification des problmes
classe N P
N PC
Classes de complexit des problmes 2/2

La classe P : problmes faciles de la classe N P
Un problme dcisionnel (PD) appartient la classe P ssi il existe un

algorithme dterministe rsolvant le problme en temps polynomial
Les problmes de la classe P appartiennent la classe N P : P N P
La classe N P-complet : problmes de N P connus comme difficiles
Un problme dcisionnel (PD) appartient la classe N PC ssi

le problme (PD) appartient la classe N P et
il est aussi difficile que tous les autres problmes de la classe N P
P PD,
P N P
Les problmes de la classe N P-complet (ou N PC) sont les problmes
les plus difficile de la classe N P
Question ouverte ?
P = NP ?
ou
P=
6 NP ?
Difficult des problmes doptimisation

Soit le problme doptimisation cominatoire (PO) :
(PO)
max{c(x) : x S}
Problme dcisionnel (PD) dun problme doptimisation (PO)
Question : tant donn z
R, existe-t-il x S tel que cx z ?
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
Un problme doptimisation (PO) appartient la classe N P-facile

si son problme dcisionnel (PD) associ appartient la classe P
Un problme doptimisation (PO) appartient la classe N P-difficile
si son problme dcisionnel (PD) associ appartient la classe
N PC
Difficult de la programmation linaire

Soit le programme linaire :
avec P = {x
(PL)
max{cx : x P}
: Ax b, x 0n }
Problme dcisionnel dun programme linaire
Question : Etant donn z
R, existe-t-il x P tel que cx z ?
Classe de complexit dun programme linaire
Le problme dcisionnel dun programme linaire appartient la classe

P (dmonstration par lalgorithme de lellipsode)
Les programmes linaires sont N P-faciles ! !
Remarques
En pratique, lalgorithme du simplexe converge plus rapidement

Un programme linaire a un nombre infini de solutions ralisables
Difficult de la programmation linaire en nombres entier

Soit le programme linaire en nombres entiers :
(PLE)
avec P = {x
max{cx : x P
Rn : Ax b, x 0n }
Zn }
Problme dcisionnel dun programme linaire en nombres entiers
Question : Etant donn z
R, existe-t-il x P Zn tel que cx z ?
Classe de complexit dun programme linaire en nombres entiers
Le problme dcisionnel dun programme linaire en nombres entiers

appartient en gnral la classe N P-complet
Les programmes linaires entiers sont en gnral N P-difficiles ! !
Remarques
Certains problmes appartiennent cependant la classe P

Un programme linaire entier a un nombre dnombrable (voire fini)
de solutions ralisables
Quelques concepts de la programmation linaire entire
xPL
(PLE) Z = max {cx : x P

avec P = {x
0n }
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
Rsolution par numration intelligente

Soit le problme doptimisation combinatoire initial :
(PO)
max{f (x) : x S} avec S
Rn
Objectif
Eviter une numration exhaustive

Rsolution exacte dun programme linaire entier
Procder des numrations intelligentes pour trouver loptimum

en fixant des valeurs aux variables au fur et mesure
Algorithme de sparation et valuation (Branch-and-Bound) :
numration base sur le principe de bornes
Programmation dynamique (Dynamic Programming) :
numration base sur le principe de dominance de solutions
Programmation par contraintes (Constraint Programming) :
numration base sur la dtection dirralisabilit
Algorithme de sparation et valuation

Soit le problme doptimisation combinatoire initial :
(PO 0 )
max{f (x) : x S 0 } avec S 0
Rn
Ide de rsolution : diviser pour mieux rgner
Rsoudre p problmes indpendants (PO k ) plus restreints :

(PO k )
max{f (x) : x S k }
avec S 0 =
Sp
k =1 S
Algorithme de sparation et valuation
A chaque tape, subdiviser lensemble S k en utilisant les procdures :

Evaluation : estimer la valeur de la meilleure solution ralisable
possible dun ensemble de solutions S k
Sparation : sparer lensemble des solutions ralisables courant S k
en p sous-ensembles indpendants S n+1 , . . . , S n+p
Elaguation : liminer les ensembles de solutions S l pour lesquels on
garantit quils ne contiennent pas loptimum
Cheminement : choisir le prochain ensemble de solutions S l tudier
Algorithme de sparation et valuation : reprsentation

Reprsentation graphique dun algorithme de sparation et valuation
Utiliser un arbre enracin (appel arbre de sparation et valuation) :

un nud reprsente un sous-ensemble de solutions S rsoudre
un arc est cr entre deux nuds chaque sparation
nud 0
S0
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
Procdures importantes
Procdure dvaluation : recherche dune estimation (borne duale)
Calculer une borne duale (rsoudre une relaxation du problme)

Procdure de sparation : choix et fixation de dcision (branchement)
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
Diagramme dun algorithme de sparation et valuation

Initialisation problme (PO 0 )
n = 0, L = {(PO 0 )}, Z = , x = vide
quoi initialiser ?
L vide ?
non
quel problme ?
oui
Problme combinatoire
(PO i ) Z i = max{cx : x S i }
Arrt: retourner (Z , x )
Choisir un problme (PO k ) de L

Poser L = L \ {(PO k )}
Rsoudre une relaxation sur (PO k )

Soit Z k la valeur de la relaxation
et x k la solution de la relaxation
quelle relaxation ?
Sk = ?
non
oui
Problme lagu (PO k )
Zk Z ?
oui
oui

Poser Z = Z k , x = x k
non
xk
comment sparer ?
ralisable ?
non
Sparer (PO k ) en p problmes (PO n+1 ), . . . , (PO n+p )

Poser L = L {(PO n+1 ), . . . , (PO n+p )}, n = n + p
Arbre de sparation et valuation pour un PLE

Soit le programme linaire entier :
max{cx : x S = P
Zn }
avec P = {x
Rn : Ax b, x 0}
Algorithme de sparation et valuation utilisant une relaxation linaire
Evaluation : utiliser une relaxation linaire :

rsoudre max{cx : x P}
choisir une variable xi tel que xi =
/
N pour la relaxation
Sparation : sparer le domaine P en deux en ajoutant une contrainte

disjonctive sur la variable
xi :

S {xi bc} S {xi de}
nud 0
Z
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}
Exemple de rsolution exacte

Rsolvons le programme linaire entier suivant :
n
max z = 2x1 + x2 : (x1 , x2 ) P

(
avec P =
(x1 , x2 )
R2
Z2
x x2 3, 6x1 + 5x2 36
: 1
0 x1 ,
0 x2 4
Procdure dvaluation choisie
Evaluation : relaxation linaire

La solution de la relaxation linaire est
x2
51 18
11 , 11
de valeur
6x1 + 5x2 = 36
x1 = 4
x1 x2 = 3
x1
120
11
Exemple darbre de sparation et valuation 1/4

z=
2x1 + x2
x1 x2 3
6x1 + 5x2 36
P=
x2 4
x1 , x2 0
rsoudre max{z}
x2
xP
Nud 0 0
Eval : Z0 = 10.91
x = (4.64, 1.64)
Z0
x1

z=
2x1 + x2
x1 x2 3
6x1 + 5x2 36
P=
x2 4
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

z=
2x1 + x2
x1 x2 3
6x1 + 5x2 36
P=
x2 4
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

z=
2x1 + x2
x1 x2 3
6x1 + 5x2 36
P=
x2 4
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
Elaguer par dominance
rsoudre
n
max z :
xP
x1 4
x2 3
Mcanismes importants
1
Initialisation :
calculer une solution ralisable initiale (heuristique gloutonne)
simplifier la formulation par des pr-traitements
Choix des bornes :

choisir une bonne relaxation (qualit relaxation vs temps calcul)
calculer la valeur dun problme dual (existe pas toujours)
ajouter des contraintes valides (amlioration des bornes)
choisir une formulation de qualit (optimum proche relaxation)
Choix des branchements :

variable la plus prioritaire ou la plus fractionnaire (pour la relaxation)
favoriser lmergence de solutions entires
Choix du cheminement des nuds :

Parcours en profondeur : mergence de solutions ralisables
Parcours des meilleurs nuds (valeur de la borne duale) : limiter le
nombre de nuds tudier
Autres procdures :
utiliser des heuristiques primales : construire une solution partir
dune relaxation
nettoyer la formulation aprs branchement
Qualit de formulation
Formulation valide dun problme doptimisation comb.

Soit le problme doptimisation combinatoire :
(PO) max{cx : x S} avec S
Rn
Notons S = {x s }ps=1 lensemble des points entiers ralisables (en bleu)

P2
P1
Contrairement la programmation linaire, un problme entier

peut se formuler de diffrentes manires
Formulation valide
Un polydre P = {x n : Ax b} tel que les seuls points entiers

contenus dans le polydre P sont les solutions ralisables au problme
S=P n
Formulation naturelle du problme de coloration de graph

variables modlisant laffectation dune couleur chaque sommet
Donnes : G = (V , E) graphe non orient avec V = {1, . . . , n}
K = {1, . . . , k } ensemble de k couleurs (ex : k = n)
(
1 si la couleur c est affecte au sommet i

0 sinon
i V , c K
Variables : xic =
(
yc =
Objectif :
1 si la couleur c est utilise

0 sinon
minimiser le nombre de couleur utilise : min
Contraintes :
c K
P
cK
yc
affectation dune couleur chaque sommet :

P
xic = 1,
i V
cK
les sommets adjacents nont pas la mme couleur :

xic + xjc 1,
{i, j} E, c K
naffecter des couleurs que si la couleur est utilise :
P
xic nyc ,
c K
iV
Formulation par lots du problme de coloration de graphe

variables modlisant des lots de sommets avec une mme couleur
Donnes : G = (V , E) un graphe non orient avec V = {1, . . . , n}
(
Variables : wij =
1 si i est dans le lot de sommet de rfrence j

0 sinon
i, j V : {i, j}
/ E, i j
wii =
Objectif :
1 si le sommet i est la rfrence dun lot

0 sinon
minimiser le nombre de sommets rfrence :
i V
wii
iV
Contraintes :
affectation dune couleur chaque sommet :

P
wij = 1,
i V
jV :ji
les sommets adjacents nont pas la mme couleur :

wik + wjk 1,
{i, j} E, k V (k i, j)
naffecter des couleurs que si la couleur est utilise :
P
wij nwjj ,
j V
iV :ji
Qualit de formulation dun problme entier

Soit le problme doptimisation combinatoire :
(PO) Z = max{cx : x S} avec S
Rn
Dominance entre formulations
Soient P 1 et P 2 deux polydres valides du problme (PO)

P 1 domine P 2 ssi tout point de P 1 est dans P 2 : P 1 P 2
Comparaison des relaxations linaires
Soient P 1 et P 2 deux polydres valides de (PO) tel que P 1 P 2

Z Z PL (P 1 ) Z PL (P 2 )
Bonne formulation
Formulation dont la relaxation linaire issu du polydre associ donne

une enveloppe assez ajuste des solutions entires
Pour une bonne formulation, la relaxation linaire
donne une borne duale proche de loptimum entier
offre ventuellement une approximation (par arrondi) de loptimum
Qualit des formulations pour le problme de coloration
La formulation par lot domine-t-elle la formulation naturelle ?

Soit Pnat (resp. Plot ) le polydre associ la formulation naturelle (resp.
par lot).
Lemme
Le polydre Plot domine le polydre Pnat

Cependant, Plot est loin de la meilleure formulation
Amlioration des formulations du problme de coloration
Amlioration de la formulation naturelle
Remplacer xic + xjc 1, {i, j} E, c K par :

xic + xjc yc , {i, j} E, c K
Remplacer
iV
xic nyc , c K par :

xic yc , i V , c K
Amlioration de la formulation par lots
Remplacer wik + wjk 1, {i, j} E, k V (k i, j) par :

wik + wjk wkk , {i, j} E, k V (k i, j)
Remplacer
wij n wjj , j V par :

wij wjj , i, j V (j i)
iV :ji
Remarques sur les symtries dans les formulations

Symtries des solutions
Permutation des valeurs affectes aux variables correspondant une

solution similaire
Pour viter dnumerer plusieurs solutions quivalentes, il est
intressant de rajouter des contraintes supplmentaires
Exemple du problme de coloration de graphes
La formulation naturelle possde des symtries de solution :

chaque permutation de couleur sur les sommets donne
des solutions ralisables quivalentes
Nouvelles contraintes pour la formulation naturelle
Ne pas utiliser la c e couleur si la c 1e nest pas utilise :

yc yc1 , c K \ {1}
Colorier moins de sommets avec la c e couleur quavec la c 1e :
P
P
c K \ {1}
iV xic
iV xi,c1 ,
Formulation idale dun problme entier

Soit le problme combinatoire
(PO) max{cx : x S}
Notons S = {x s }ps=1 lensemble des points entiers ralisables (en bleu)
P2
P1
P 1 P 2 P 1, P 2
conv (S)
conv (S) P 1 , P 2
Formulation idale
Polydre dcrivant lenveloppe convexe des solutions entires :

P = conv(S)
Cest--dire que les points extrmes de P sont entiers
Obtention de la formulation idale dun problme entier

Soit le problme combinatoire
P1
(PO) max{cx : x S}
conv (S)
Comment obtenir une description complte de la formulation

idale pour un problme ?
Motivations
Si lenveloppe convexe des points entiers est connu, il suffit de rsoudre

un problme linaire (simplex retourne un point extrme)
Dbut de rponse
Il est aussi difficile dobtenir une description de la formulation idale

dun problme entier que de rsoudre ce problme entier
Obtention de la formulation idale dun problme entier

Soit un programme entier : max{cx : Ax b, x 0, x
Zn }
Solution de la relaxation linaire
La solution de la relaxation linaire est de la forme (xB , xN ) = (B 1 b, 0)

Daprs la rgle de Cramer
B 1 = com(B)
avec com(B) comatrice de B
det(B)
Consquence
Si det(B) = 1 pour toute base B et b
Zm alors xPL Zn
Matrices totalement uni-modulaire (TU)
Une matrice A est totalement uni-modulaire (TU) ssi toutes

sous-matrices carres de A a un dterminant gal 1 ou 0
Proprit des matrices totalement uni-modulaire
(PL) max{cx : Ax b, x 0} a une solution optimale entire pour tout

b m ssi A est totalement uni-modulaire
Matrice totalement uni-modulaire

Exemples de matrice totalement uni-modulaire
Matrice dincidence dun graphe

(1, 2)
1 +1
2 1
3
0
4
0
(1, 3)
+1
0
1
0
(2, 1)
1
+1
0
0
(2, 4)
0
+1
0
1
(3, 1)
1
0
+1
0
Matrice avec la proprit

de uns-conscutifs
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
Troisime partie III

T ECHNIQUES
DE RSOLUTION PAR
PLANTS COUPANTS / PAR GNRATION DE

COLONNES
Thorie polydrale
Aspects gomtriques : polydres

Hyperplans et polydres
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
Soit M = {1, . . . , m} est lensemble des indices des contraintes

P
chaque ingalit nj=1 aij xj bi sera not Ai x bi avec i M
Thorie polydrale
Aspects gomtriques : polytopes

Soit le polydre P = {x
Rn : Ax b}
Polydres borns
Polydre born (ou polytope) : P est born si

il existe u 0 tel que x P, |xi | u, i = 1, . . . , n
Polydre born
Polydre non born
Caractrisation des polydres non borns
Le polydre P est non born ssi il existe un point x P et une direction

d 6= 0n n tel que
x + d P, pour tout 0
Thorie polydrale
Aspects gomtriques : points particuliers dun polydre
Un polydre est de la forme P = {x n : Ax b} =

6
Pour la suite, on considre seulement des polydres rationnels
Cest--dire que A mn , b m
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
Points particuliers dun polydre
Point intrieur du polydre P : point x P tel que i M , Ai x < bi

Proposition
Si P est non vide, alors P contient un point intrieur
Thorie polydrale
Aspects gomtriques : points affinements indpendants

Points affinements indpendants
Soient E un ensemble de n et x 1 , . . . , x des points de E

Les points x 1 , . . . , x sont affinements indpendants si lunique solution
(1 , . . . , )
tel que
k = 0 et
k =1
k x k = 0
est
k = 0, k
k =1
Vecteurs linairements indpendants
Soient E un espace vectoriel de n et v 1 , . . . , v des vecteurs de E

Les vecteurs v 1 , . . . , v sont linairements indpendants si la solution
(1 , . . . , )
R du systme
k v k = 0
est
k = 0, k
k =1
Proposition
les points x 1 , . . . , x sont affinements indpendants ssi

les vecteurs x 2 x 1 , . . . , x x 1 sont linairements indpendants
Thorie polydrale
Aspects gomtriques : dimension dun polydre

Rn : A=x = b=, Ax b} =6
Dimension dun polydre
Dimension du polydre P : dim(P) = k si le nombre maximum de

points de P affinement indpendants est k + 1
Polydre de pleine dimension : polydre P tel que dim(P) = n
Proposition
La dimension de P est dim(P) = n rang(A= )

Do, un polydre P est de pleine dimension si
P na pas de contraintes satisfaites lgalit pour tout point x P
P admet une description minimale unique P = {x n : A0 x b0 }
x2
x2 dim(Q) = 1
dim(P) = 0
x1
x2
x1
dim(R) = 2
x1
Thorie polydrale
Aspects gomtriques : enveloppes convexe et conique

Espace convexe
Combinaison convexe des points S = {x s }ps=1 : x n tel que

P
P
x = ps=1 s x s avec ps=1 s = 1 et s 0, s = 1, . . . , p
Enveloppe convexe des points S = {x s }ps=1 :
n
conv(S) = x
Rn : x =
p
P
s x s ,
s=1
p
P
s = 1, s 0 s = 1, . . . , p
s=1
Combinaison positive des vecteurs V = {r t }qt=1 : r

P
r = qt=1 t v t avec t 0, t = 1, . . . , q
Rn tel que
Enveloppe conique des vecteurs V = {r t }qt=1 :

n
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
Lien entre optimisation combinatoire et prog. linaire

Proposition
Soient S n un ensemble fini, dnombrable de points ralisables et

c n un vecteurnde cot, alors
o
n
o
max cx : x S = max cx : x conv(S)
Remarque
Si S
Rn est un ensemble fini, alors conv(S) est un polydre born
Consquence
Si conv(S) est connu, alors il suffit de rsoudre un programme linaire

pour rsoudre le problme max{cx : x S}
Il est donc utile de sintresser la gomtrie des polydres
Thorie polydrale
Ingalits valides en programmation linaire 1/2
Soit le polydre P = {x n : Ax b} =
6
Quelles sont les ingalits ncessaires la description de P ?
Ingalits linaires valides
R
R
Ingalit valide : x avec n et est valide pour P si

P {x n : x }
Cest--dire que lingalit est satisfaite par tous les points de P
Proposition
x est une ingalit valide pour P ssi

il existe u m
+ tel que uA et ub
Consquence
Toute combinaison dingalits de P est une ingalit valide :

pour tout vecteur u m
+ , (, ) = (uA, ub) est valable
Thorie polydrale
Ingalits valides en programmation linaire 2/2

Soit Z PL = max{4x1 + 3x2 : (x1 , x2 ) P}
avec(
x1 + 2x2 4 (a),
P = (x1 , x2 ) 2 :
2x1 + 2x2 7 (b),
5x1 + x2 20
(c)
x1 , x2 0
(d) (e)
Exemples dingalits valides pour P

x2
x1 = 12
4x1 + 3x2 = 24
(a)
P
(b)
2x1 1 valide car :

en posant u = ( 32 , 23 , 0, 0, 0) on a
uA = (2, 0) et ub = 2
et ainsi = uA et ub
2
3 (a)
+ 32 (b) donne x1 1
ici u = ( 23 , 32 , 0, 0, 0)
(c)
x1
(a) + (c) donne 4x1 + 3x2 24

ici u = (1, 0, 1, 0, 0)
remarque : Z PL 24 et u reprsente
une solution duale
Thorie polydrale
Aspects gomtriques : faces dun polydre

Rn : Ax b, A=x = b=} =6
Faces
Face :
F est une face de P sil existe une ingalit valide x

(induisant la face) tel que :
F = {x P : x = }
Face propre : F est une face propre de P si F 6= et F 6= P
face propre
P
facette
face non propre
Remarques
Toute face propre dfinit un polydre tel que dim(F ) dim(P) 1

Une face F = {x P : x = } est non vide ssi max{x : x P} =
Thorie polydrale
Aspects gomtriques : facettes dun polydre

Rn : Ax b, A=x = b=} =6
Facettes
Facette :
F est une facette de P si F est une face propre de P telle

que :
dim(F ) = dim(P) 1
Remarque
Les facettes sont les faces propres maximales (au sens de linclusion)
Proposition (condition suffisante la description de P)
Supposons que P 6= . Alors toute contrainte de A x b qui ninduit

pas une facette est redondante
Thorie polydrale
Description du polydres par les facettes

Proposition
Un sous-ensemble F non vide de P est une face ssi il existe un

sous-systme A0 x b0 de A x b tel que F = {x P : A0 x = b0 } =
6
Proposition (condition ncessaire la description de P)
Pour toute facette F de P, une des ingalits dfinissant F est

ncessaire la description de P
Thorme
Le polydre P dfinissant P est minimal si et seulement si

les lignes de A= sont linairement indpendantes
toute ingalit de A x b dfinit une facette distincte de P
Corollaire
Si P est un polydre de pleine dimension, alors il existe un systme

linaire minimal unique qui dcrit P
Thorie polydrale
Aspects gomtriques : points extrmes
Soit le polydre P = {x n : Ax b} =
6
Quels sont les points ncessaires la description de P ?
Points extrmes dun polydre
Point extrme du polydre P : xe P point extrme de P si

il nexiste pas x 1 , x 2 P (x 1 6= x 2 ) tel que xe = 21 x 1 + 12 x 2
Lensemble convexe des points

extrmes de P est not :
conv(P) = conv({x s }ps=1 )
Proposition
xe P est un point extrme ssi {xe } est une face de dimension 0

Remarque
Les points extrmes sont les faces propres minimales
Thorie polydrale
Aspects gomtriques : rayons extrmes

Rn : Ax b} et le cne C = {r Rn : Ar 0m }
Rayons dun polydre
Rayon du polydre P : er rayon de P si er C \ {0n } (er 6= 0n )

Rayon extrme du polydre P : er C rayon extrme de P si
il nexiste pas r 1 , r 2 (r 1 6= r 2 ) rayons de P tel que er = 12 r 1 + 12 r 2
x2
Lensemble conique des rayons

extrmes de P est not :
P
cne de rcession : C = {r : Ar 0m }
x1
cone(P) = cone({r t }qt=1 )

En particulier, le cne de rcession de P vrifie cone(P) = C
Proposition
e
r C est un rayon extrme ssi {er : 0} est une face de C de dim 1
Thorie polydrale
Proprits diverses sur les polydres

Soit P = {x
Rn : Ax b} =6
Proprits des polydres borns
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 :
Proprits des polydres non borns
r cone(P) est un rayon de P ssi

{y n : y = x + r , 0} P pour tout x P
Cest--dire que tout dplacement suivant un rayon est ralisable
si lobjectif crot le long dun rayon r cone(P) de P alors le

problme est non born : sil existe r cone(P) tel que cr > 0 alors
x P, (x + r )
Thorie polydrale
Description du polydre par les points et rayons

Soit un polydre P = {x
Rn : Ax b} tel que rang(A) = n
Thorme
Soient X = {x s }ps=1 et R = {r t }qt=1 les points et rayons extrmes de P

Alors, pour tout vecteur c n , le problme max{cx : x P}
est irralisable ssi p = 0

est non born ssi p > 0 et il existe t tel que cr t > 0
a une solution optimale z ssi p > 0 et cr t 0 pour tout t
Thorme de Minkowski
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
Avec {x s }ps=1 et {r t }qt=1 lensemble des points et rayons extrmes de P

P = conv(P) + cone(P)
Thorie polydrale
Rsum de la situation
1
Un polydre peut tre dcrit de deux faons diffrentes :

soit laide de facettes
soit laide de points/rayons extrmes
Application loptimisation combinatoire :

essayer de dterminer des facettes de conv(S)
essayer de connatre les points extrmes de conv(S)
Chacune de ces visions donne des mthodes diffrentes :

1
Gnration de coupes
Gnration de colonnes
Soit
(PO)
max{cx : x conv(S})
Comment trouver des ingalits valides pour (PO) ?

Comment montrer que ces ingalits sont des facettes ?
Thorie polydrale
Optimisation et Sparation
Soit le problme doptimisation :
(PO) min{cx : x P}
avec P = {x n : Ax b}
Problme de sparation (PS)
Etant donn x n , dterminer si x P

Et si x
/ P, dterminer un hyperplan sparant x de P
Cest--dire chercher une ingalit valide x de P tel que x >
x
P
x =
Thorme optimisation/sparation
Le problme doptimisation (PO) est rsolu en temps polynomial ssi le

problme de sparation (PS) est rsolu en temps polynomial
Approche polydrale
Application loptimisation combinatoire

Soit un problme doptimisation
combinatoireo:
nX
cj : S S
max
SN
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
A chaque lment S de lensembe S est associ un vecteur dincidence

x S {0, 1}|N| :
(
1 si j S
xjS =
0 sinon
Ainsi, lensemble des solutions ralisables S est dcrit par :
S = {x s }ps=1
o x s est un vecteur dincidence dune solution ralisable S
Approche polydrale
Description du polytope des solutions

Soit un problme doptimisation combinatoire :
max{cx : x S}
avec S = {x s }ps=1
Polytope des solutions
nP
p
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
Un ensemble non vide de points P n est un polytope ssi il existe un

ensemble de points S tel que P = conv(S)
Consquences
Si S est fini, conv(S) est donc un polytope

On a quivalence entre max{cx : x S} et max{cx : x conv(S)}
Approche polydrale
Motivations dune tude polydrale 1/2

Soit S = P
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)
()
S = {x t }Tt=1 : points ralisables entiers
()
()
conv (S)
(c)
(b)
Ici, S =
()
(2, 2), (2, 3), (3, 1)

(3, 2), (3, 3), (4, 0)
x1
conv(S) =
(x1 , x2 )
x + x2 4
(),
: 1
3x1 + x2 12 (),
x1 2 ()
x2 3 ()
Est-il possible de trouver rapidement lenveloppe convexe des

solutions ralisables ?
Approche polydrale
Motivations dune tude polydrale 2/2

Soit un problme doptimisation combinatoire
(POC) max{cx : x S}
avec S = {x s }ps=1 un ensemble fini de points ralisables
Condition de rsolution de (POC) par la programmation linaire
Connatre les ingalits linaires dcrivant conv(S)

Objectif : dcrire le polydre conv(S)
e b
e tel que conv(S) = {x
Trouver A,
e b}
e
Rn : Ax
Conjecture
Pour les problmes linaires entiers difficile , il nexiste pas de

description compact de conv(S) (nombre polynomial de contraintes)
Cependant on peut tenter dobtenir une meilleure approximation de
conv(S) (surtout autour de lobjectif) par lajout dingalits valides
Approche polydrale
Ingalits valides en programmation linaire entire 1/2

Soit un problme doptimisation combinatoire
(POC) max{cx : x S}
avec S = {x s }ps=1 un ensemble fini de points ralisables
Ingalits valides pour un problme doptimisation combinatoire
Ingalit valide : x avec n et est valide pour S si

x est satisfaite pour tout point x S
conv (S)
Lien avec le polytope des solutions
une ingalit valide est valide pour S ssi elle est valide pour le polydre
conv(S) : conv(S) {x n : x }
Approche polydrale
Ingalits valides en programmation linaire entire 2/2

Soit Z = {7x1 + 2x2 : (x1 , x2 ) S} avec S = P
(
P=
(x1 , x2 )
Z2
x1 + 2x2 4 (a),
:
2x1 + 2x2 7 (b),
Z2 et
5x1 + x2 20
(c)
x1 , x2 0
(d) (e)
Exemples dingalits valides pour S

x2
7x1 + 2x2 30.2
x1 + x2 = 4
Z
(a)
PL
x2 = 3
x1 + x2 = 6
5(a) + (c) :j11x

40 x2 40
11
k2
x2
(c)
(b)
x1
Z
Comme x 2 ,
7
(b) : x1 + x2
l 2m
x1 + x2 40
11 = 4 valide
40
11
= 3 valide
4(a) + 3(c) : xj1 +k x2

x1 + x2
76
11
76
11
= 6 valide
Approche polydrale
Ajout de contraintes simples : contraintes logiques

Arrondissement des bornes
Z : li xi ui }, alors dli e xi bui c est valide

Exemple : soit S = {x Z : 0.2 x 1.3} x = 1
Soit S = {x
Ajout de contraintes logiques
Soit un problme entier avec des variables binaires : xi {0, 1}, i

Dduire des contraintes logiques simples partir de contraintes
impliquant plusieurs variables x
Exemple : considrons
S = {(x1 , x2 , x3 , x4 ) {0, 1}4 : 7x1 + 3x2 4x3 2x4 1}
si x1 = 1, on doit avoir x3 = x4 = 1, donc
x1 x3 et x1 x4
si x2 = 1, on doit avoir x3 = 1 ou x4 = 1, donc
x2 x3 + x4
si x1 = x2 = 1 alors la contrainte est viole, donc
x1 + x2 1
Approche polydrale
Approche polydrale
Le problme de sparation
Etant donn x n , dterminer si x conv(S)

/ conv(S), dterminer un hyperplan sparant x de conv(S)
Et si x
Cest--dire chercher une ingalit valide x de P tel que x >
Cependant, conv(S) nest pas connu a priori. Que faire ?
Approche polydrale
Etude consistant dterminer des ingalits valides pour approximer le

polydre conv(S)
Gnrer des ingalits valides laide de combinaisons de
contraintes et darrondis
Trouver des ingalits valides en tudiant les proprits
combinatoires du problme
Approche polydrale
Ingalits gnriques : coupes de Chvtal-Gomory

Proposition
Soit S = {y
Z : y b}, lingalit suivante est valide pour S :

y bbc
Exemple
Soit S = P 2 la rgion entire avec P = {x 2 : 11x1 + 11x

j 2 k 76}
En posant y = x1 + x2 , on en dduit lingalit x1 + x2 76
11 = 6
Proposition
Soit A est une matrice m n avec (A1 , . . . , An ) les colonnes de A

Soit S = P n avec P = {x n : Ax b, x 0n }
Alors, pour tout u m
+ , lingalit suivante est valide pour S
Pn
i=1 buA
i cx
bubc
Approche polydrale
Exemple de coupes de Chvtal-Gomory
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
Utilisation des coupes de Chvtal-Gomory

Les ingalits de Chvtal-Gomory sont-elles utilisables ?
Thorme
Chaque ingalit valide pour S peut tre obtenue en appliquant la

procdure de Chvtal-Gomory un nombre fini de fois
Applicabilit des ingalits de Chvtal-Gomory
En thorie, toutes les ingalits valides qui dcrivent conv(S)

peuvent tre obtenues laide de la procdure
Cependant, dterminer les bons cfficients u restent difficile
En pratique, cette procdure est utilise pour prouver que des
(familles d)ingalits sont valables
Lobjectif est de trouver des familles dingalits valides
Approche polydrale
Qualit des ingalits valides

Soit S = P
Zn avec P = {x Rn : Ax b, x 0n }
Dominance dingalites valides
Lingalit valide x de S est domine par lensemble des ingalits

valides i x i (i = 1, . . . , m) sil existe m
+ tel que :

, 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
Le rang de Chvtal par rapport P de lingalit valide x est :

0 si elle est quivalente (ou domine) aux ingalits Ax b
k si elle est quivalente (ou domine) une combinaison
dingalits de rang infrieur k 1 et obtenues par la procdure
Plus le rang de lingalit est lev, meilleure sera lingalit
Description des faces du polydre conv(S)
Si F est une face non vide de conv(S) de dimension p 1, alors il existe

p points x 1 , . . . , x p S affinements indpendants tel que x i F , i
Approche polydrale
Techniques de preuves de facettes

Soit x une ingalit valide de conv(S) = {x
Supposons que conv(S) est de pleine dimension
e b}
e
Rn : Ax
Preuve de ncessit : montrer que x est essentielle la

description de conv(S) : montrer quil existe un point x n tel que
x > et
e b
e
x satisfaisait toutes les autres ingalits de Ax
Preuve directe : exhiber n points affinements indpendantes

x 1 , . . . , x n de S tels que
x i ,
i = 1, . . . , n
Preuve par maximalit : montrer que la face F induit par x

nest contenue dans aucune facette :
Supposons quil existe une facette de conv(S) induite par
0 x 0 tel que F {x conv(S) : 0 x = 0 }
montrons que, dans ce cas, 0 = avec > 0
Approche polydrale
Application au polytope des stables 1/3

Etude du problme de la recherche du stable de cardinalit maximal
Donnes : G = (V , E) un graphe non orient
Objectif : trouver un ensemble stable de cardinalit maximale
S
|V | vecteur dincidence du stable S :
Polytope des stables : soit
( x
1 si u S
xuS =
u V
0 sinon
Le polytope des stables est not
P(G) = conv x S
Modlisation : max{
uV
R|V | : S V est un stable
xu : x P(G)}
Proposition
Le polytope P(G) est de pleine dimension

Proposition
P
u xu une ingalit valide de P(G) distincte de xu 0, u V
Soit
uV
Si lingalit induit une facette de P(G), alors u 0, u V
Approche polydrale

max
n P
xu : xu + xv 1, {u, v } E; xu {0, 1}, u V
uV
Proposition
Les ingalits xu 0, u S induisent des facettes de P(G)

Clique
Clique : ensemble C V tel que {u, v } E pour tout u, v C (u 6= v )

Contraintes valides sur les cliques
Soit C V une clique de cardinalit maximale, alors

P
xu 1 est une ingalit valide induisant une facette de P(G)
uC
Contraintes valides sur les cycles impairs
Soit C un cycle de longueur impair,

j k alors
P
|C|
x
= |C|1
est valide
uC u
2
2
Approche polydrale

max
n P
xu : xu + xv 1, {u, v } E; xu {0, 1}, u V
uV
Roue dun graphe
Une roue de longueur k est le graphe suivant :

vk
v1
v2
v0
v6
v5
v3
v4
Cette roue sera not R = {v0 , C} o C = [v1 , . . . , vk , v1 ] est un cycle

Contraintes valides sur les roues impaires
Soit R = {v0 , C} une roue de longueur impaire, alors

P
|C|1
xu + |C|1
est une ingalit valide
2 x0
2
uC
induisant une facette si v0 nest adjacent aucun sommet de V \ R
Gnration de coupes
Motivations dun ajout itrative dingalits valides

Soit le problme linaire entier :
(PLE) Z = max{cx : x S}
n
avec S = P
et P = {x n : Ax b}
Soit F = {(, ) : x IV pour S} une famille dingalits valides
Ajouter toutes ingalits valides de F au dpart ?
Notons P F = P {x n : x , (, ) F}
Etudier le polydre P F plutt que le polydre P ?
Avantages :
obtention de meilleure bornes

diminution de la taille dun arbre de sparation et
valuation
Inconvnients : taille du problme plus important (simplex rsolu avec

plus de contraintes)
nombre souvent trs important dingalits valides
ajouter rsolution trop longue
Gnrer plutt des coupes (ingalits valides) au fur et mesure
Gnration de coupes
Procdure de sparation
Soit le programme linaire entier :
avec S = P n et P = {x n : Ax b}
Soit F = {(, ) : x IV pour S} une famille dingalits valides
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
Entre : la solution de la relaxation linaire xb = argmax{cx : x P}

Sortie : retourner une coupe x F tel que xb >
La procdure de sparation dpend de la famille dingalits considre
Gnration de coupes
Algorithme des plans coupants 1/2

Soit le problme linaire entier :
avec S = P
Zn et P = {x Rn : Ax b, x 0}
Principe de lalgorithme des plans coupants
Etant donn une famille dingalits valides F,

algorithme qui consiste sparer les solutions de la relaxation
linaire par lajout dingalits valides de F
conv (S)
Z2PL
Z1PL
Z0PL
coupe 3 coupe 2 coupe 1
Gnration itrative dingalits valides de F (si la procdure de

sparation en trouvent) coupant les solutions de la relaxation linaire
Gnration de coupes
Algorithme des plans coupants 2/2

R
k = 0, P 0 = {x n : Ax b, x 0}
Initialisation problme (PL0 )
Problme doptimisation linaire

(PLi ) Z i = max{cx : x P i }
Rsoudre le problme (PLk )

Soit x k la solution du problme
x k entier ?
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
non Arrt : plus

damliorations
Rajouter la coupe :
P k +1 = P k {x n : x 0 }
oui
Amlioration de la relaxation linaire chaque ajout dingalits valides
conv(S) P k P 1 P 0
Z ZkPL Z1PL Z0PL
Gnration de coupes
Algorithme de sparation et coupure

Algorithme de Branch and Cut
combinaison de deux mmthodes :

un algorithme de sparation et valuation
une procdure de plans coupants chaque nud
nud 0
Rsoudre le PL
Gnrer une coupe
xi bc
nud 1
xi de
nud 2
Rsoudre le PL
Rsoudre le PL
Gnrer une coupe
Gnrer une coupe
Gnration de coupes
Ingalits combinatoires pour le problme de sac--dos 1

I : ensemble de n objets avec pour chaque objet i I :
Formulation : max
nP
iI pi xi :
iI wi xi W ,
x {0, 1}|I|
Couverture du sac
Lensemble C I couvre le sac si
iC
wi > W
Ingalit de couverture (cover inequality)
Si lensemble C I couvre le sac, alors

P
iC xi |C| 1 est valide
Remarque
Lingalit se gnralise sur un problme plusieurs contraintes de

sac--dos ; en particulier, pour le polydre P = {x n+ : Ax b}
Gnration de coupes

Soit X PL = {x [0, 1]|I| : iI wi xi W } les solutions relles
P
Soit F = {C I : iC wi > W } la famille des couvertures
P
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
(
Soit C la couverture cherche, posons zi =
1 si i C
,
0 si i
/C
i I
Existe-t-il z {0, 1}|I| t.q. iI wi zi > W et iI xbi zi > iI zi 1 ?

P
P
Rsoudre = min{ iI (1 xbi )zi : iI wi zi > W , z {0, 1}|I| } < 1 ?
si < 1 on ajoute une ingalit viole ; sinon, il en existe pas
P
Trouver revient rsoudre un problme de sac--dos ! !
Gnration de coupes

Soient un sac de capacit 6 (W = 6) et cinq objets (n = 5) :
i
pi
wi
pi /wi
1
30
2
15
2
28
2
14
3
27
3
9
4
34
4
8.5
5
7
1
7
Rappel : calcul de la relaxation linaire pour le problme de sac--dos

1
2
Trier les objets dans lordre dcroissant du rapport profit/poids ( wpii )

Poser, pour
chaque objetPk I :
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
La solution de la relaxation linaire est donc :

1 = (1, 1, 2 , 0, 0) et
Z1LP = 76
xPL
3
wi W
Gnration de coupes

i
pi
wi
pi /wi
1
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
3
5 5 5
w1 + w4 + w5 = 7 > W et x1 + x4 + x5 = 11
>
2
5
x1 + x4 + x5 2 (c)
Gnration de coupes

i
pi
wi
pi /wi
4
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
4
4 4 4 4
Aucune ingalit de couverture est viole
Mais, en combinant les ingalits (a), (b) et (d) : x3 + x4 1

On obtient lingalit :
j k
1
1
1
5
(a)
+
(b)
+
(d)
x
+
x
+
x
+
x
1
2
3
4
2
2
2
2 = 2 (e)
5 = ( 1 , 1, 0, 1 , 1) et Z PL = 67
5
2
2
Or w2 + w4 + w5 = 7 > W et x1 + x2 + x4 = 25 > 2
x2 + x4 + x5 2 (f )
Gnration de coupes

i
pi
wi
pi /wi
7
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
6
3 3 3 3
Aucune ingalit de couverture est viole
Mais, en combinant les ingalits (c), (d), (e) et (f )

On obtient lingalit :
j k
1
1
1
1
7
(c)
+
(d)
+
(e)
+
(f
)
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
7
Cette solution est entire donc elle est optimale
(g)
Gnration de coupes
Conclusions et perspectives
Conclusions
Lalgorithme des plans coupants :

est complmentaire une mthode de sparation et valuation
(ingalits classiques intgres aux logiciels commerciaux)
acclere la rsolution exacte dun programme linaire entier
(ajouter manuellement des ingalits)
permet de rsoudre des formulations avec un nombre lev de
contraintes (exemple : problme du voyageur de commerce)
Aller plus loin
Les problmes de la classe N P-faciles possdent :

une description de lenveloppe convexe de taille polynomial ou
un algorithme de sparation polynomial
Les mthodes de dcompositions :

si S = S 1 S 2 , tudier plutt conv(S 1 ) et conv(S 2 )
dcomposition de Benders (formulation avec variables liantes)
Quatrime partie IV
T ECHNIQUES
DE RSOLUTION PAR
DCOMPOSITION

Diapo Optimisation Combinatoire

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

Diapo Optimisation Combinatoire

Transféré par

Droits d'auteur :

Formats disponibles

U NIVERSIT DU H AVRE - UFR DES S CIENCES ET T ECHNIQUES

Cours dOptimisation Combinatoire et Mtaheuristiques

Master 2 - Anne 2013 - Semestre 2

U NIVERSIT DU H AVRE - UFR DES S CIENCES ET T ECHNIQUES

Cours dOptimisation Combinatoire et Mtaheuristiques

Master 2 - Anne 2013 - Semestre 2

Pour plus dinfos... en.wikipedia.org & www.roadef.org/

Le contexte de loptimisation 1/2

La science cherchant analyser et rsoudre analytiquement ou

Civil (services publics, hopitaux, transport public, informatique)

Le contexte de loptimisation 2/2

Prendre des dcisions : choix faire/dcider

En optimisant un critre (ou objectif) : but cherch du problme

Organiser sa journe de travail pour finir temps chaque tche

Trouver la meilleure solution ralisable pour un problme donn

Rgion ralisable : ensemble des solutions (affectation de valeur x)

Solution optimale : meilleur solution ralisable selon lobjectif f

R, trouver x S tel que f (x ) f (x),

En pratique, la solution x peut savrer difficile trouver

Problme du sac--dos et du placement de botes

Notion de qualit de formulation

Classification des problmes

Graphes non orients

Un graphe non orient G est un couple (V , E) tel que

Soit le graphe non orient G = (V , E) avec

{1, 2}, {2, 3}, {3, 4}, {4, 5}, {5, 1}

Un graphe orient G est un couple (V , A) tel que A V V

Soit le graphe orient G = (V , A) avec

Un graphe pondr est un graphe auquel on a associ une (ou

Schma dtude dun problme doptimisation

Quelle est la complexit de ce problme ?

Quest ce quun problme doptimisation combinatoire ?

Soit N = {e1 , . . . , en } un ensemble fini discret avec :

N : ensemble des dcisions possibles

Le problme de la recherche densemble stable

Trouver un sous ensemble de sommets S dun graphe, de poids max,

Stable de cardinalit maximale

slectionner des sommets du graphe dont le poids total est

Contraintes : choisir un seul sommet entre deux sommets adjacents

source : wikipdia - auteur : Dake

Choisir un sous-ensemble dobjets dutilit maximale placer dans un

Donnes : W : capacit maximale du sac

choisir des objets afin de maximiser lutilit totale

Contraintes : ne pas dpasser la capacit du sac

Le problme du plus court chemin

Trouver un chemin de longueur minimale entre deux villes donnes :

Route la moins coteuse

Route la rapide dans un rseau

Donnes : G = (V , A) graphe orient avec deux sommets s et t, et

choisir des artes en minimisant la longueur totale

Contraintes : former un chemin entre s et t

Le problme darbre couvrant de poids minimum

Choisir un sous-ensemble dartes dun graphe de cot minimum tel

Construction dun rseau

Donnes : G = (V , E) graphe non orient, connexe avec

slectionner des artes afin de minimiser le poids total

Contraintes : former un arbre laide des artes

Le problme du voyageur de commerce

Trouver un cycle hamiltonien dans un graphe de longueur minimale :

Donnes : G = (V , E) graphe non orient avec

choisir des artes afin de minimiser la longueur totale

Contraintes : former une tourne laide des artes

Couvrir cot minimum un ensemble de secteurs laide dun