Rapport mini-projet : Optimisation

Table des matières

I. Introduction : ..................................................................................................................2
II. Notations et définitions ..................................................................................................2
II.1. La branche d’optimisation : ..........................................................................................2
II.2. Le problème général d’un système linéaire ..................................................................3
III. Formulation algébrique :.................................................................................................3
IV. Le but d’optimisation des structures en génie-civil .........................................................4
V. Les méthodes de résolution : ..........................................................................................4
VI.1 polygone de contraintes : ............................................................................................5
VI.2. Algorithmes de points intérieurs : ...............................................................................6
VI.3. méthode de simplexe : ...............................................................................................7
VI.3.1.Algorithme du simplex sur un exemple : ...............................................................8
VI.4. Méthode simplexe dual : .........................................................................................12
VII. Conclusion : ...............................................................................................................14

1
LEMAISSI KAHINA
ENSTP 2019/2020
Rapport mini-projet : Optimisation

I. Introduction :

De nombreux phénomènes économiques et industriels peuvent se modéliser par des

systèmes mathématiques d’inégalités et d’égalités linéaires conduisant à des problèmes
d’optimisation linéaire. Dans ces problèmes d’optimisation linéaire, on cherche à minimiser
ou maximiser une fonction linéaire sous des contraintes linéaires portant sur les variables du
problème. On parle souvent de système linéaire

Un problème d’optimisation de structures (ou de formes) est défini par trois données:

 un modèle qui permet d’évaluer (on dit aussi d’analyser) le comportement mécanique
d’une structure,
 un critère que l’on cherche à minimiser ou maximiser, et éventuellement plusieurs
critères (on parle aussi de fonction objective ou cout),
 un ensemble admissible de variables d’optimisation qui tient compte d’éventuelles
contraintes que l’on impose aux variables.
L'objectif dans l'optimisation des éléments en béton armé est de trouver les dimensions
optimales et le coût minimum correspondant des matériaux mis en œuvre.
La notion de « meilleure conception » est très ancienne. L’homme a toujours voulu faire
mieux. Mais l’idée de conception optimale des structures, même si elle est vraisemblablement
très ancienne, n’est possible que depuis quelques décennies et ce grâce à l’avènement de
l’ordinateur, c’est alors qu’est née la branche d’Optimisation.

II. Notations et définitions

II.1. La branche d’optimisation :
L'optimisation est une branche des mathématiques cherchant à modéliser, à analyser et à
résoudre analytiquement ou numériquement les problèmes qui consistent à minimiser ou
maximiser une fonction sur un ensemble.

L’optimisation joue un rôle important en :

 Recherche opérationnelle (domaine à la frontière entre l'informatique, les mathématiques

et l'économie) ;

 Dans les mathématiques appliquées (fondamentales pour l'industrie et l'ingénierie) ;  en

analyse et en analyse numérique ;

 En statistique pour l’estimation du maximum de vraisemblance d’une distribution.

2
LEMAISSI KAHINA
ENSTP 2019/2020
Rapport mini-projet : Optimisation

II.2. Le problème général d’un système linéaire

Est la recherche de l'optimum (minimum ou maximum) d'une fonction linéaire de n variables
(j=1,2,..., n) liées par des équations ou inéquations linéaires appelées contraintes.
Parmi les contraintes on distingue généralement celles du type (xj≥ 0) ou (xj ≤ 0), imposant
à une partie ou à l'ensemble des variables d'être non négatives (ou non positives).
Les variables peuvent prendre n'importe quelles valeurs réelles satisfaisant aux contraintes.
Certaines des variables sont remplacées par leurs opposées pour que les contraintes du type
(xj≥ 0), ou ( xj≤ 0) soient toutes des conditions de non-négativité.
Certaines des inéquations peuvent être multipliées par -1 de façon que toutes les inégalités
soient dans le même sens (≥ par exemple).

III. Formulation algébrique :

Un programme ou système linéaire noté (PL) s'écrit sous la forme suivante :

Où les constante ai, bi, et ci sont des nombres réels.

Nous considérons qu’il existe trois formulations du programme linéaire avec la condition de
non-négativité (ou de positivité ou de réalisabilité) de l'ensemble des variables suivantes :
x1≥ 0, x2≥ 0, …, xn ≥ 0

o La première forme est la " forme standard " :

Min (Z) = C. X
A.X = B
X≥0
o La seconde est la " forme canonique " :

Min (Z) = C.
A.X ≥ B
X ≥ 0.
3
LEMAISSI KAHINA
ENSTP 2019/2020
Rapport mini-projet : Optimisation

o La troisième forme est la "forme générale" :

Min (Z)= CX.

ai X ≥ bi ; i∈ M1
ai X = bi i ∈ M – M1
X ≥ 0.
Avec :
- M = {1, …, m} ensemble des indices de contraintes.
- M1 ⊂ M un sous ensemble de M.
- C= (c1, c2 …cn) t
- X un vecteur colonne à n composantes, x1, x2 …xn
- B = (b1, b2 …bn) t
- A = [aij , i = 1, 2, ..., m et j = 1, 2, ..., n] est une matrice de dimension m x n.
ai la ième ligne de A, un vecteur ligne.

On peut ramener les formes générales à la forme standard ou à la forme canonique

et on peut passer de la forme standard à la forme canonique et vice-versa par des
opérations élémentaires

IV. Le but d’optimisation des structures en génie-civil

Optimiser c’est trouver un meilleur compromis entre les coûts, le délai et la qualité. Dans le
domaine du BTP l’optimisation commence dès la phase de conception jusqu'à la réalisation.
Pour cela lors de la conception, il faut garder à l'esprit les notions de :

 Coût des matériaux.

 Nombre de matériaux.
 Volume des matériaux.

V. Les méthodes de résolution :

Les méthodes utilisées pour la résolution des problèmes d’optimisation linéaire :

 Polygone de contrainte (méthode graphique)

 Algorithme du SIMPLEX
 Algorithme du SIMPLEXE DUAL
 Algorithme de points intérieurs
 Algorithme pour problème de grande taille décomposition de Benders «
génération de lignes »
 décomposition de Dantzig-Wolfe « génération de colonnes »

4
LEMAISSI KAHINA
ENSTP 2019/2020
Rapport mini-projet : Optimisation

VI.1 polygone de contraintes :

Problème : contraintes :
Forme canonique : demi-espaces fermés
Forme standard : hyperplans

La méthode de polygone de contrainte s’applique aux problèmes de système linéaire ayant

au plus 3 variables principales. On reporte sur un graphique chacune des contraintes du
problème et on détermine la région commune à l'ensemble de ces contraintes.

La région commune, si elle existe, constitue la région des solutions réalisables.

Les étapes de résolution graphique :

Les étapes suivantes permettent de résoudre un problème d'optimisation:

1- Identifier les variables.

2-Traduire les contraintes de la situation par un système d'inéquations.

3- Établir la règle de la fonction à optimiser.

4- Tracer le polygone de contraintes.

5- Déterminer les coordonnées des sommets du polygone de contraintes.

6- Évaluer la fonction à optimiser en chaque sommet du polygone de contraintes.

7- Déduire le ou les sommets dont les coordonnées maximisent (ou minimisent) la fonction à
optimiser et donner la réponse.

Il existe deux cas de solutions possibles:

- Les coordonnées d'un seul point du polygone de contraintes engendrent la solution

optimale. Ce point correspond généralement à un sommet du polygone.
- Les coordonnées de plusieurs points du polygone de contraintes engendrent la
solution optimale. Ces points forment généralement un côté du polygone.

Lorsqu'on veut déterminer les sommets qui engendrent la solution optimale, on peut
procéder de deux façons:

- La technique de la droite baladeuse permet de repérer graphiquement les

coordonnées du sommet qui engendrent la valeur optimale.
- La technique des sommets du polygone de contraintes permet de repérer
algébriquement les coordonnées du sommet qui engendrent la valeur optimale

5
LEMAISSI KAHINA
ENSTP 2019/2020
Rapport mini-projet : Optimisation

VI.2. Algorithmes de points intérieurs :

Le premier algorithme polynomial pour l'OL a été proposé par Leonid Khatchian en 1979. Il est
fondé sur la méthode de l'ellipsoïde en optimisation non linéaire précédemment proposée
par Naum Z. Shor. Cette méthode est elle-même une généralisation de la méthode de
l'ellipsoïde en optimisation convexe due à Arkadi Nemirovski (Prix John von Neumann 2003),
et à David B. Yudin. L'efficacité pratique de l'algorithme de Khachiyan est décevante :
l'algorithme du simplexe est pratiquement toujours plus rapide. Cependant, ce résultat a
encouragé la recherche sur les méthodes de points intérieurs.

En 1984, Narendra Karmarkar propose la méthode projective. C'est le premier algorithme

efficace à la fois en théorie et en pratique. Sa complexité pire-cas est polynomiale et les
expérimentations sur les problèmes pratiques montrent que la méthode peut
raisonnablement être comparée à l'algorithme du simplexe.
Depuis lors, plusieurs méthodes de points intérieurs ont été proposées et étudiées.
Contrairement à l'algorithme du simplexe dont les itérés sont des sommets du polyèdre
convexe défini par les contraintes, appartenant donc à la frontière de ce polyèdre, les
méthodes de points intérieurs (dans leur version admissible) génèrent des itérés dans
l'intérieur relatif de l'ensemble admissible. Une des méthodes les plus couramment mises en
œuvre est l'algorithme prédicteur-correcteur.

Auteur/initiateur Karmarkar (1984)

Concept de base chemin central

Itération d'un voisinage d'un point central à l'autre

par un pas de Newton
Type de convergence Infinie

Polynomialité polynomial : convergence à près en

itérations

6
LEMAISSI KAHINA
ENSTP 2019/2020
Rapport mini-projet : Optimisation

VI.3. méthode de simplexe :

La méthode du Simplexe est une procédure itérative qui permet d'améliorer la résolution de
la fonction objective à chaque étape. Le processus se termine lorsque vous ne pouvez pas
continuer à améliorer la valeur, c'est-à-dire, on a atteint la solution optimale (la valeur la plus
élevée ou la plus basse possible, selon le cas). La méthode du simplexe se décompose en
deux phases essentielles:

Phase I : procédure d’initialisation

Déterminer une première solution de base réalisable, i.e. les coordonnées d’un premier
sommet de l’ensemble des solutions réalisables D. Si cette procédure échoue, cela signifie que
D est vide, sachant que D est l’ensemble des solutions réalisables donc le problème est
impossible (les contraintes ne peuvent être satisfaites simultanément). Sinon, le domaine des
solutions réalisables n’est pas vide ; et soit une (première) solution de base réalisable
(trouvée).

Phase II : procédure itérative

Calculer, à partir d’une solution de base réalisable (trouvée en phase I), une autre solution de
base réalisable donnant une valeur meilleure de la fonction objective. Géométriquement, une
itération consiste à passer d’un sommet de D à un autre sommet de D adjacent au précédent
(dans le sens où elles sont les deux extrémités d’une arête de D). Leurs coordonnées
correspondent à deux solutions de base réalisables dont les ensembles d’indices de base (donc
aussi hors base) ne diffèrent que d’un seul indice. Cette caractéristique permettra de
déterminer relativement aisément la nouvelle solution de base réalisable à partir de
l’ancienne. Comme tout algorithme, il existe une procédure d’arrêt de l’algorithme : deux tests
d’arrêt mettent en évidence, respectivement que :

- une solution optimale est déterminée ;

- il n’existe pas de solution optimale finie : D est non borné et Z peut y tendre vers l’infinie.

7
LEMAISSI KAHINA
ENSTP 2019/2020
Rapport mini-projet : Optimisation

VI.3.1.Algorithme du simplex sur un exemple :

8
LEMAISSI KAHINA
ENSTP 2019/2020
Rapport mini-projet : Optimisation

o 1 ère étape : écrire le système sous forme standard

Il s’agit convertir le programme établi sous forme canonique (système d’inéquation) sous la
forme standard (système d’équation avec variable d’écarts). Les variables d’écart introduit au
cours de cette transformation représentent les contraintes techniques et commerciales
disponibles qu’il convient de saturer

o 2 eme étape : construire le premier tableau correspondant à la forme standard

o 3 eme étape : choisir les variables à introduire dans la base. Pour cela choisir le
coefficient le plus fort de la fonction économique.
Le coefficient de la fonction économique (MAX) est 50. Ainsi il s’agit de la variable y (encadré
rouge) qui rentre en base.

9
LEMAISSI KAHINA
ENSTP 2019/2020
Rapport mini-projet : Optimisation

o 4 eme étape : choisir la variable à enlever de la base (rapport second membres /

coefficient de la variable choisie). Retenir le plus faible.
Le second membre (encadré vert), nous retenons la valeur la plus faible (en orange) du rapport
second membre (en vert) /coefficient de variable choisie (en bleu clair). Ainsi la variable e3
(encadré violet) est la variable à enlever de la base.

o 5 eme etape : encadrer le pivot.

Le pivot est égal à 1 (encadré en bleu)

10
LEMAISSI KAHINA
ENSTP 2019/2020
Rapport mini-projet : Optimisation

o 6 eme étape : multiplier la ligne du pivot par le rapport : 1/ valeur du pivot (ou diviser
la ligne du pivot par le pivot)

o 7 eme étape : calculer les valeurs des autres lignes

E’ij= Eij-[(Aij/pivot) x lignes du pivot]
Cette opération consiste à transformer Eij des autres lignes en E’ij, nous effectuons un calcul
matriciel.

o 8 eme étape : les coefficients de la fonction économique sont-ils tous nuls ou

négatifs ? (si oui nous sommes à l’optimum, sinon nous effectuons un nouveau
passage)
Les coefficients de la fonction économique ne sont pas tous nuls ou négatifs (30) il convient
d’effectuer un nouveau passage.
Nouveau passage :
 Choisir les variables à introduire dans la base .pour cela choisir le coefficient le plus
fort de la fonction économique.
Le coefficient de la fonction économique (max) est 30. Ainsi il s’agit de la variable x ‘ encadré
rouge) qui rentre en base.

11
LEMAISSI KAHINA
ENSTP 2019/2020
Rapport mini-projet : Optimisation

 Choisir la variable à enlever de la base (rapport : second membres/coefficient de la

variable choisie). Retenir le plus faible.
Le second membre (encadré vert). Nous retenons la valeur la plus faible (en orange du rapport
second membre/ coefficient de la variable choisie (encadré rose). Ainsi la variable e (encadré
en marron) est la variable à enlever de la base.

 Le pivot est égal à 3 (encadré en vert foncé).

 Multiplier la ligne du pivot par 1/3 (ou diviser la ligne du pivot par le pivot : 3).
 Calculer les autres valeurs des lignes.

Les coefficients de la fonction économique sont tous nuls ou négatifs, fin de l’algorithme du
simplexe. La solution qui rend optimal le programme est le suivant :

Max=36000 pour X=200 et y=600.

VI.4. Méthode simplexe dual :

On suppose que A est une matrice de taille m x n et c, b des vecteurs ∈ Rn
A chaque problème d’optimisation linéaire, nous allons définir un nouveau problème appelé
le dual. Le problème original est le primal

Au système linéaire primal on associe le programme linéaire dual (PLD)

max[𝐹(𝑥 ) = 𝐶 𝑇 𝑥 ] min[𝐺 (𝑦) = 𝑏 𝑇 𝑦]
𝑥∈R 𝑦∈R

(Pl) Ax≤b (PLD) 𝐴𝑇 y ≥ c

x ≥0 y≥0

12
LEMAISSI KAHINA
ENSTP 2019/2020
Rapport mini-projet : Optimisation

Max (F) Min (G)

Coefficient c de F second membre c

Second membre b coefficient b de G

m contraintes d’inégalités (Ax ≤ b) m contrainte de positivité (y≥ 0)

n contrainte de positivité (x≥ 0) n contrainte d’inégalités (𝐴𝑇 y ≥ c)

13
LEMAISSI KAHINA
ENSTP 2019/2020
Rapport mini-projet : Optimisation

VII. Conclusion :

L’Optimisation est un vaste domaine qui fait intervenir plusieurs types de compétences, dans
notre mini projet on a entamé les différentes méthodes de résolution des systèmes linéaire
dans le domaine d’optimisation.

Le rôle de l’optimisation dans la construction est capital elle permet de déterminer la

meilleure solution d’un problème est d’aboutir à des coûts minimaux. Le développement des
méthodes d’optimisations n’a servi qu’à rendre explicite la recherche, l’évolution et le
classement des options.

Parmi les méthodes qu’on a bien cité La méthode du simplexe, qui a été présentée pour
résoudre un système linéaire dans lequel on cherche à maximiser une fonction objectif. Il
s'agit d'une méthode itérative qui consiste à examiner les sommets du polyèdre des
contraintes permettant d'augmenter la fonction objectif.

14
LEMAISSI KAHINA
ENSTP 2019/2020
Rapport mini-projet : Optimisation

Bibliographie :
- CONCEPTION OPTIMALE DESTRUCTURES /G.ALLAIRE/ chapitre 1.
- Contrôle de gestion 1/Bernard Auge –Alexandre Vernhet
- Cours de l’EPSTA : informatique 3 /chapitre II : introduction à la programmation
linéaire / partie 04 : dualité.
- Site internet : http://alloprof.qc.ca/BV/pages/vm1092-2.aspx
- https://www2.mat.ulaval.ca/fileadmin/Cours/MAT-
2920/Chapitre4.pdf?fbclid=IwAR3-b044DX8XYRzqzoyKCWdq-
4UlrZ6ozCFt7EVTVZEPSiejQheYmGL6kEk

15
LEMAISSI KAHINA
ENSTP 2019/2020