UNIVERSITE MHAMED BOUGARA (UMBB)- BOUMERDES

PROGRAMMATION LINEAIRE DUN

NOMBRE ENTIER

Recherche oprationnelle et applications

(2016 2017)

Ralis par :
- ARGOUB Rochdi
- REGRADJ Samir
( MMI 15 )
 INTRODUCTION

La programmation mathmatique recouvre un ensemble de techniques doptimisation

sous contraintes qui permettent de dterminer dans quelles conditions on peut rendre
maximum ou minimum une fonction objectif Z(Xj ) de n variables Xj lies par m relations ou
contraintes Hi(Xj ) 0. De nombreux problmes de lentreprise peuvent sexprimer en
termes doptimisation contrainte, aussi rencontre t-on de multiples applications de la
programmation mathmatique et ceci dans pratiquement tous les domaines de la gestion.

La gestion de production est le domaine ou ces applications sont les plus nombreuses. On
citera entre-autres :

Llaboration de plans de production et de stockage.

Le choix de techniques de production.
Laffectation de moyens de production.
La dtermination de la composition de produits.

Les applications sont galement nombreuses dans le domaine du marketing avec, en

particulier :

Le choix de plans-media.
La dtermination de politiques de prix.
La rpartition des efforts de la force de vente.
La slection des caractristiques du produit.

On citera encore des applications en matire financire (choix de programmes

dinvestissements), en matire logistique (gestion des transports) et en matire de gestion
des ressources humaines (affectation de personnel).
Si les applications de la programmation mathmatique sont aussi nombreuses, on doit
lattribuer en grande partie la souplesse de ses techniques en ce qui concerne leur
formulation mais aussi la relative simplicit des mthodes de rsolution utilisables dans les
cas les plus courants et pour lesquelles existent des programmes informatiques largement
rpandus.

Parmi les techniques de programmation mathmatique la programmation linaire est la plus

classique.

[2]
 PROGRAMMATION LINEAIRE DUN NOMBRE ENTIER

I. DEFINITIONS ET EXEMPLES
Programmation linaire dun nombre entier
La programmation linaire dun nombre entier par dfinition est un Modle mathmatique
dans lequel la fonction objectif et certaines (ou toutes les) variables sont restreintes des
valeurs entires.

Applications

Choix dune solution optimale parmi un ensemble fini dalternatives. Peuvent gnralement
se formuler comme des programmes en nombres entiers , cest ce quon appelle
Optimisation combinatoire qui est Loptimisation de lusage de ressources limites dans les
domaines militaire, industriel, agricole, conomique, ... Existence dalgorithmes trs
efficaces pour rsoudre des problmes trs difficiles en pratique, mais solveurs de plus en
plus performants.

Dans le cas ou les contraintes et les variables sont toutes deux entiers, on parle de
programmation linaire en nombre entiers (ou simplement programmation en
nombres entiers - IP en anglais).
Dans le cas ou seulement un de ces aspects sexprime en nombre entiers, ou mme
seulement certaines des variables, on parle de programmation linaire mixte (MP
en anglais).

Exemple.1 (Slection de projets) : 5 projets doivent tre valus sur 3 ans. Etant donn le
cot de chaque projet pour chaque anne et le profit obtenu par lexcution dun projet,
dcider quels projets excuter sans dpasser le budget disponible pour chaque anne.

[3]
Variables

Xj = 1 si le projet j est slectionn

0 sinon.

Formulation

Exemple.2 (Problme avec cots fixes) : 3 compagnies de tlphone offrent des tarifs
diffrents pour les communications longue distance.

- Trouver le plan dabonnement optimal pour 200 minutes de communication / mois.

Variables

xi : minutes de communication avec la compagnie i

Yi = 1 si un abonnement est pris auprs de la compagnie i;

0 sinon.

Formulation

[4]
Exemple.3 (Voyageur de commerce): Un reprsentant doit visiter n villes une et une seule
fois, et revenir sa ville de dpart, en minimisant le cot total du trajet.

Le problme revient trouver un tour de cot minimum passant une et une seule fois par
chacun des noeuds dun graphe. Le cot dutilisation de larc (i, j) est Cij .

Variables

Xij = 1 si larc (i, j) appartient au tour optimal,

0 sinon.

Contraintes

Problme : apparition possible de sous-tours

Formulation

[5]
Contraintes disjonctives
Dans un programme linaire, toutes les contraintes doivent tre satisfaites simultanment.
Parfois, il est ncessaire de modliser le fait quune contrainte parmi un ensemble doit tre
satisfaite. Si les contraintes de lensemble sont mutuellement incompatibles, on parle de
contraintes disjonctives.

Exemple.4 (Contraintes disjonctives) :Une machine est utilise pour 3 tches diffrentes.
Pour chaque tches i, une dure pi et une date limite di sont donnes, ainsi quune pnalit
par jour de retard.

- Comment arranger les tches sur la machine pour minimiser la pnalit totale ?
- Variables : xi : temps de fin de la tche i (xi pi).
- Deux tches i et j ne peuvent tre excutes simultanment, donc
xi xj + pi ou xj xi + pj .

Pour introduire ces contraintes disjonctives, nous faisons appel des variables binaires
auxiliaires :

yij = 1 si i prcde j 0 si j prcde i

- Contrainte de date limite : introduction dune variable dcart non restreinte

xi + si = di .
- Une pnalit apparat uniquement si si < 0.
- Remplacement par deux variables non ngatives reprsentant les parties positive et
ngative.

[6]
Objectif : min z = 19 s 1 + 12 s 2 + 34 s

Formulation

II. Complexit des problmes et efficacit des algorithmes

La thorie de la complexit sattache classifier les problmes selon leur difficult.

Un problme est facile sil existe un algorithme efficace pour le rsoudre.

Exemples de problmes faciles : programmation linaire, affectation, plus courts
chemins, . . .
Un problme est difficile sil appartient la classe des problmes NP-complets, pour
lesquels il est peu probable de trouver un jour un algorithme efficace.
Exemple de problmes difficiles : programmes en nombres entiers, voyageur de
commerce, . . .

Algorithmes efficaces et explosion combinatoire

Lefficacit dun algorithme est mesure par lordre de grandeur du nombre doprations
lmentaires quil effectue en fonction
de la taille des donnes ; Un algorithme
sera efficace si le nombre doprations
lmentaires est polynomial (i.e. born
suprieurement par un polynme) en la
taille de problme.

[7]
Autre perspective : supposons que trois ordinateurs M1, M2 et M3 effectuent respectivement
10000, 20000 et 40000 oprations par seconde.

Quelle taille maximum de problme n peut-on rsoudre en une minute par des
algorithmes effectuant respectivement n, n 2, n 3 et 2 n oprations ?

III. Problmes polynomiaux

1. Le problme daffectation

Cest un Exemple de problme combinatoire pour lequel il existe un algorithme efficace.par

dfinition :

La meilleure personne pour chaque tche.

n personnes doivent effectuer n tches.
Un cot cij est associ laffectation de la personne i la tche j.

Formulation

- Proprit : la relaxation linaire du problme est toujours entire.

- Algorithme : mthode hongroise.

Exemple.5 (problme daffectation) : Un pre propose 3 travaux ses enfants : tondre la

pelouse, peindre le garage et laver la voiture. Il demande chaque enfant combien il
voudrait tre pay pour chaque travail.

[8]
 Tondre Peindre Laver
Med 15 10 9
Karim 9 15 10
Tarik 10 12 8

Mthode hongroise

1. Slectionner le prix minimum dans chaque ligne.

Tondre Peindre Laver

Med 15 10 9 9
Karim 9 15 10 9
Tarik 10 12 8 8

2. Soustraire ce prix de chaque ligne et slectionner le prix minimum dans chaque

colonne.

Tondre Peindre Laver

Med 6 1 0 9
Karim 0 6 1 9
Tarik 2 4 0 8
0 1 0

3. Soustraire ce prix de chaque colonne.

Tondre Peindre Laver

Med 6 0 0 9
Karim 0 6 1 9
Tarik 2 4 0 8
0 1 0

- Les "0" en bleu donnent une affectation admissible optimale.

- Loptimalit est assure par la valeur des variables duales (en rouge).
- Nombre doprations : O(n 2 ).
- Il arrive que les valeurs nulles du tableau ne permettent pas de trouver de solution
admissible.

[9]
 4. Slectionner un nombre minimum de lignes et colonnes couvrant tous les 0.

5. Slectionner le plus petit lment non couvert, le soustraire tous les lments non
couverts et lajouter aux intersections.

6. Rpter jusqu trouver une solution admissible.

2. Modle de transport

Le modle de transport est un produit doit tre transport de sources (usines) vers des
destinations (dpts, clients).

Lobjectif est de dterminer la quantit envoye de chaque source chaque

destination en minimisant les cots de transport. Les cots sont proportionnels aux
quantits transportes.
Les contraintes doffre sont limites aux sources et de demande satisfaire aux
destinations.

Exemple.6 (modle de transport) : Une firme automobile a trois usines Alger, Oran et
Bejaia, et deux centres de distribution Allemagne et France.

Les capacits des trois usines sont de 1000, 1500 et 1200 respectivement, et les demandes
aux centres de distribution sont de 2300 et 1400 voitures.

[10]
 Cots :
Allemagne France
Alger 80 215
Oran 100 108
Bejaia 102 68

Formulation

(Alger)
(Oran)
(Bejaia)
(Allemagne)
(France)

Reprsentation tableau
Allemagne France offre
Alger 80 215 1000
1000
Oran 100 108 1500
1300 200
Bejaia 102 68 1200
1200
demande 2300 1400

Problmes non balancs

Si loffre nest pas gale la demande : modle non balanc.
Introduction dune source ou destination artificielle.

Allemagne France offre

Alger 80 215 1000
1000
Oran 100 108 1300
1300
Bejaia 102 68 1200
1200
Artif. 0 0 200
200
demande 2300 1400

[11]
Variantes
Le modle de transport nest pas limit au transport de produits entre des sources et
destinations gographiques.

Exemple .7 (Maintenance dquipements) : Une scierie prpare diffrents types de bois sur
base dun plan hebdomadaire.

Pour satisfaire la demande, dpendant du type de bois, la scierie utilise un nombre donn
de lames.
Pour satisfaire la demande, deux possibilits :
acheter une lame ($12) ;
faire aiguiser la lame (service express : $6 en une nuit, sinon $3 en 2 jours).
Demande :

Modle de transport

8 sources : achat de nouvelles lames (offre = demande totale), 7 jours de la semaine (offre =
nombre de lames utilises).
8 destinations : 7 jours de la semaine (demande = nombre de lames utilises) + surplus de
lames non achetes /
Aiguises (demande = nombre total de lames).

[12]
Algorithme pour le problme de transport

Bas sur lalgorithme du simplexe en tenant compte de la structure du problme.

1. Dtermination dune solution de base admissible.
2. Dtermination de la variable entrant en base.
3. Dtermination de la variable sortant de base.

Exemple.8 (Algorithme pour le problme de transport) :

1. Dtermination dune solution de base admissible

Heuristiques "gloutonnes", pas besoin de mthode des deux phases.

Variantes :
a. Coin Nord-Ouest
b. . Mthode des moindres cots
c. . Approximation de Vogel (VAM)

a. Coin Nord-Ouest : Partir du coin suprieur gauche du tableau.

Allouer le plus possible la

cellule courante et ajuster
loffre et la demande ;
Se dplacer dune cellule vers
la droite (demande nulle) ou le
bas (offre nulle) ;
Rpter jusquau moment o
toute loffre est alloue.

b. Moindres cots : Slectionner la cellule de cot minimum.

Allouer le plus possible la cellule

courante et ajuster loffre et la
demande ;
Slectionner la cellule de cot
minimum ayant une demande et
une offre non nulles ;
Rpter jusquau moment o
toute loffre est alloue.

[13]
 c. Approximation de Vogel (VAM) :

Pour chaque ligne (colonne) avec une offre (demande) non-nulle, calculer une
pnalit gale la diffrence
Entre les deux cots les plus petits
dans la ligne (colonne) ;
Slectionner la ligne ou colonne
avec la pnalit maximale et
slectionner la cellule de cot
minimum dans
La ligne ou colonne ;
Allouer le plus possible la cellule
courante ;
Lorsquil ne reste quune ligne ou colonne : moindre cots.

Formulation

Problme dual

Adaptation du simplexe

Critre doptimalit :

Complmentarit :

Trois tapes :
1. dtermination des variables duales (multiplicateurs) ;
2. vrification du critre doptimalit et dtermination de la variable entrante ;
3. dtermination de la variable sortante pour prserver ladmissibilit et pivotage.

[14]
Dtermination des variables duales
1. m + n - 1 quations m + n inconnues : fixer u1 = 0.
2. Rsoudre rcursivement le systme

Exemple.9 (Dtermination des variables duales) :

2. Vrification du critre doptimalit et dtermination de la variable entrante

3. Dtermination de la variable sortante pour prserver ladmissibilit et pivotage

Objectifs :
1. loffre et la demande doivent continuer tre satisfaites ;
2. les quantits transportes doivent rester positives.

Mthode :
1. construction dun cycle parcourant des variables en base en partant de et revenant la
variable entrante ;
2. dplacement le long de lignes et colonnes en alternant ajout et retrait dune mme
quantit.

[15]
 Extension du modle de transport : il est parfois ncessaire (ou moins cher) dutiliser des
noeuds intermdiaires pour le transport.
Deux usines P1 et P2 servent 3 vendeurs D1, D2 et D3, via deux centres de transit T1 et T2.

Transformation en problme de transport

3 types de noeuds :
Noeuds doffre purs : arcs sortants uniquement. offre = offre originale
Noeuds de demande purs : arcs entrants uniquement. demande = demande originale

[16]
Noeuds de transbordement : arcs entrants et sortants. offre/demande = offre/demande
originale + buffer
Les noeuds de transbordement sont la fois sources et destinations pour le problme de
transport.
Buffer : quantit ncessaire pour transporter toute la demande travers le noeud de
transbordement.
Dans notre exemple : B = 2200.

IV. Mthodes de Branch-and-Bound

1. Branch-and-Bound pour les problmes en nombres entiers

Rsoudre un programme linaire consiste dterminer les valeurs des variables qui
permettent doptimiser la fonction conomique. Il existe diverses techniques de rsolution
parmi lesquelles les mthodes de Branch-and-Bound "Diviser pour rgner" qui sont des
mthodes bases sur une numration "intelligente" des solutions admissibles dun
problme doptimisation combinatoire, utilise toute la puissance de la programmation
linaire pour dterminer de bonnes bornes.

Ide : prouver loptimalit dune solution en partitionnant lespace des solutions.

On appelle relaxation linaire dun programme linaire en nombres entiers le

programme linaire obtenu en supprimant les contraintes dintgralit sur les
variables.

Programme en nombres entiers

Relaxation linaire

[17]
Proprits de la relaxation linaire

La valeur de la solution optimale de LP est une borne suprieure sur la valeur de la

solution optimale de P.
La valeur dune solution admissible de P fournit une borne infrieure sur la valeur de
la solution optimale de P.
Si la solution optimale de LP est entire (donc admissible pour P), elle est galement
la solution optimale de P.

Branchement

Si la solution de LP nest pas entire, soit xi une variable prenant une valeur
fractionnaire xi*dans la solution optimale de LP.
Le problme peut tre divis en deux sous-problmes en imposant

xi [xi* ] ou xi [xi* ]+ 1

o x i* est le plus grand entier infrieur xi*.

La solution optimale de P est la meilleure des solutions optimales des deux

problmes

Exemple.10 (Branch-and-Bound) :

[18]
La solution de LP1 est une solution admissible de P et donc z = 23 est une borne infrieure
sur la valeur de la solution optimale de P.
Le noeud correspondant peut tre limin vu quune solution entire optimale satisfaisant
x1 3 a t trouve (solution de P1).

[19]
 - La valeur de la solution de LP, z = 23:75 est une borne suprieure sur la valeur de la
solution optimale de P.

- Vu que tous les coefficients sont entiers, on peut en dduire que la valeur de la
solution optimale de P est infrieure ou gale 23.

- La solution de P1 est donc optimale pour P.

Rgles de branchement

Il ny a pas de rgle gnrale pour le choix de la variable de branchement et de la branche

examiner en premier.
Ce choix peut avoir un impact important sur le nombre de nuds examiner dans larbre
de branch-and-bound.
Exemple : branchement dabord du ct .

[20]
 2. Branch-and-bound pour le voyageur de commerce

Formulation (rappel)

- Si on retire les contraintes dlimination de sous-tours, on obtient le problme

daffectation.
- Cette relaxation a une solution entire qui peut tre obtenue par exemple avec la
mthode hongroise.
- Le branchement est effectu de manire liminer les sous-tours.
- La valeur de la solution optimale du problme daffectation (AP) est une borne
infrieure sur la valeur de la solution optimale du TSP.
- Le cot dun tour fournit une borne suprieure sur la valeur de la solution optimale.
- Si la solution optimale de AP est un tour (i.e. sans sous-tour), elle est galement la
solution optimale du TSP.

[21]
Si un sous-tour apparat :

Dans une solution admissible, un de ces arcs doit tre absent, donc

- Chacune de ces conditions va correspondre une branche de larbre de branch-and-

bound.

Exemple.11 (Voyageur de commerce) :

Solution du problme daffectation

[22]
 3. Branch-and-bound pour les contraintes disjonctives

On peut utiliser une approche classique pour les problmes en nombres entiers en
introduisant des variables supplmentaires (voir formulation en dbut de partie).
On peut galement prendre comme relaxation le problme sans les contraintes
disjonctives, et brancher sur les contraintes non satisfaites.

Exemple .12 (Contraintes disjonctives) : Une machine est utilise pour 3 tches diffrentes.
Pour chaque tches i, une dure pi et une date limite di sont donnes, ainsi quune pnalit
par jour de retard.

- Comment arranger les tches sur la machine pour minimiser la pnalit totale ?

Relaxation du problme

Branchement sur xi xj + pi ou xj xi + pj .
Solution de la relaxation : ordonnancement au plus tt.

[23]
[24]
[25]
[26]
[27]