Académique Documents
Professionnel Documents
Culture Documents
I – Concept d’optimisation
Plusieurs problèmes de prise décision peuvent être résolue grâce à la théorie de l’optimisation.
Un problème d’optimisation consiste à déterminer les valeurs des variables décisionnelles permettant
d’optimiser une fonction objectif définie.
On distingue :
L'optimisation linéaire étudie le cas où la fonction objectif et les contraintes sont des expressions
linéaires des variables. La programmation linéaire et des méthodes heuristiques permettent la
résolution des problèmes correspondant.
L’optimisation non linéaire étudie le cas général dans lequel la fonction objectif et/ou les
contraintes sont des expressions non linéaires des variables.
Tout problème d’optimisation comporte une étape essentielle à savoir la modélisation mathématique qui
consiste en trois étapes :
1- Identification des variables de décisions qui très souvent sont des éléments de l’ensemble
. Ce sont les paramètres sur lesquels l’utilisateur peut agir pour faire évoluer le système
considéré.
2- Définition de la fonction objectif (fonction coût) permettant d’évaluer l’état du système
(exemple rendement, performance)
3- Description des contraintes imposées aux variables
Tout problème d’optimisation consiste alors à déterminer les variables de décisions conduisant aux
meilleurs conditions de fonctionnement du système ; ce qui revient à minimiser ou à maximiser la
fonction objectif tout en respectant les contraintes imposées.
II – Optimisation linéaire sous contraintes
Parmi les problèmes de prise décision qui peuvent être modélisés en problèmes d’optimisation linéaire, on
a le problème d’affectation des ressources à différentes activités en cherchant à minimiser ou ^maximiser
une fonction objectif.
II –1 Présentation et formulation mathématique
Il s’agit, par exemple, d’un problème où on dispose de ressources (matérielles ou humaines) qui
durée totale de réalisation sachant qu’une ressource ne peut être affectée qu’à une et une seule activité et
qu’une activité ne peut être réalisée par une et une seule ressource. On suppose connues les durées de
réalisation de chaque activité par chaque ressource.
Pour la formulation mathématique, on a:
1
Variables : si la ressource est affecté à l’activité et sinon
,
- La contrainte assurant que chaque activité est réalisée par une seule ressource et une seule :
Un des algorithmes permettant de trouver une solution est l’algorithme Khün connu sous l’appellation
de la méthode hongroise
T1 T2 T3 T4
P1 60 170 330 360
P2 130 200 200 400
P3 50 300 170 180
P4 120 90 250 300
Résolution
Etape 0
Réduction en ligne
T1 T2 T3 T4
P1 0 110 270 300
P2 0 70 70 270
P3 0 250 120 130
P4 30 0 160 110
Réduction en colonne : obtention du tableau réduit
T1 T2 T3 T4
P1 0 110 200 190
P2 0 70 0 160
P3 0 250 50 20
P4 30 0 90 0
Itération 1 :
Etape 1
En gras zéro encadré et en rouge zéro barré
T1 T2 T3 T4
P1 0 110 200 190
P2 0 70 0 160
P3 0 250 50 20
P4 30 0 90 0
La ligne P3 et la colonne T4 n’ont pas de zéro encadré donc on passe à l’étape 2
Etape 2
On marque la ligne P3 et ensuite la colonne P1.
3
On trace un trait sur les lignes P1, P2 et P4 puis sur la colonne P1.
Etape 3
Le tableau partiel obtenu est le suivante
T2 T3 T4
P3 250 50 20
Le plus petit élément est 20
2 f
- Si 0 et 0 alors on a un minimum au point ( x0 , y0 ) ayant pour
x 2
valeur f ( x0 , y0 )
- Si 0 alors on a ni maximum ni maximum au point ( x0 , y0 )
- Si 0 alors cette méthode n’est pas adapté pour
Exemple :
Une entreprise doit s’approvisionner en deux produits A et B pour des quantités désignées respectivement
par x et y . Le coût total d’approvisionnement dépend des quantités commandées et livrées. Elle est exprimée par le
fonction f ( x, y ) x 3 y 3 6 xy .
Cette entreprise cherche à déterminer les quantités à commander des deux produits pour optimiser le coût
total d’approvisionnement. Résoudre ce problème
Résolution :
Variables : Les quantités des produits à commander : x et y
Fonction Objectif : Coût total d’approvisionnement f ( x, y ) x 3 y 3 6 xy
Formulation du problème :
Optimiser f ( x, y ) x 3 y 3 6 xy
x 0
et s/c
y 0
Recherche des points critiques :
f
3x 2 6 y 0
x
f
3 y2 6x 0
y
On trouve deux points critiques (0, 0) et (2, 2)
Détermination de l’optimum :
6
2 f
2 6x
x
f
2
2 6y
y
2 f
6
x y 2
2
2 f 2 f 2 f
On a 36 xy 36 36( xy 1)
x 2 y 2 xy
2 f
On retient le point (2, 2) et on a 108 0 et 12 0
x 2
On a donc un minimum qui a pour valeur f ( x0 , y0 ) 8
L’entreprise doit commander la quantité x0 2 du produit A et la quantité y0 2 du produit B pour
un coût total d’approvisionnement de f ( x0 , y0 ) 8
7
où 1 , 2 ,..., n sont de nouvelles variables introduites appelées multiplicateurs de Lagrange.
En appliquant le principe de résolution d’un problème d’optimisation non linéaire sans contraintes, on
pourra résoudre le problème initial.
Exemple :
Une entreprise doit s’approvisionner en deux produits A et B pour des quantités désignées respectivement
par x et y . Le coût total d’approvisionnement dépend des quantités commandées et livrées. Elle est exprimée par le
fonction f ( x, y ) x 3 y 3 6 xy .
Cette entreprise cherche à déterminer les quantités à commander des deux produits pour optimiser le coût
total d’approvisionnement sachant sa capacité de stockage et le besoin en ces produits se traduisent par la
contrainte x y 10 .
Résoudre ce problème
Résolution :
Contrainte non logique : h( x, y ) x y 10
Formulation du problème :
Optimiser f ( x, y ) x 3 y 3 6 xy
s/c h( x, y ) x y 10 0
x 0
et s/c
y 0
Transformation du problème :
On a une seule contrainte don on introduit un seul multiplicateur de Lagrange .
La formulation du problème devient donc :
Optimiser L( x, y, ) x3 y 3 6 xy ( x y 10)
x 0
et s/c
y 0
Recherche des points critiques :
L
x 3 x 6 y 0
2
L
3 y 6x 0
2
y
L
x y 10 0
On trouve un point critique x0 5 , y0 5 et 0 45
8
Détermination de l’optimum :
2 f
Au point (5,5, 45) on a 36(25 1) 0 , 30 0 et
x 2
2 f
30 0
y 2
On a donc un minimum qui a pour valeur f ( x0 , y0 ) 100
L’entreprise doit commander la quantité x0 5 du produit A et la quantité y0 5 du produit B pour
un coût total d’approvisionnement de f ( x0 , y0 ) 100