Académique Documents
Professionnel Documents
Culture Documents
Optimisation
Combinatoire
Optimisation Combinatoire
3 Le problème de Voyageur de entier
Commerce Méthode de
séparation et
4 Le problème de Couverture évaluation
Programmati
Les problèmes de tournée de véhicule on
5 dynamique
Méthodes
6 Problème de localisation heuristiques
Présentation générale
la fonction objectif.
Ingénieur EST/2021 - 2022 Optimisation Combinatoire
INTRODUCTION GÉNÉRALE
Face à la résolution d’un problème d’optimisation, il est
important d’identifier à quelle classe de problèmes il
appartient. Nous nous intéressons particulièrement à la classe
des problèmes d’optimisation discrète en variables 0-1.
optimale.
Ingénieur EST/2021 - 2022 Optimisation Combinatoire
CLASSIFICATION DES ALGORITHMES D’OPTIMISATION
13
Exemple:
On considère 4 objets Oi (i=1,2,3,4 ) de poids respectifs
en kg, pi (i=1,2,3,4 ) 13, 12, 8, 10 et de valeurs ci
données 7,4,3,3. On souhaite ranger ces objets dans un
sac de poids maximal 30 Kg. Donner la formulation 4
mathématique de ce problème.
Ingénieur EST/2021 - 2022 Optimisation Combinatoire
PROBLÈMES CLASSIQUES EN OC
Exemple:
Un voyageur de commerce doit visiter n villes données en passant par
chaque ville exactement une fois. Il commence par une ville
quelconque et termine en retournant à la ville de départ. Les distances
entre les villes sont connues. Quel chemin faut-il choisir afin de
minimiser la distance parcourue ?
Chapitre 2:
Problème de Chargement
19
Domaines d’application:
en cryptographie, où il fut à l’origine du premier algorithme de
chiffrement asymétrique en 1976 ;
dans les systèmes financiers, où l’idée est la suivante : étant
donné un certain montant d’investissement dans des projets, quels
projets choisir pour que le tout rapporte le plus d’argent possible ;
pour la découpe de matériaux, afin de minimiser les pertes dues
aux chutes ; 4
dans le chargement de cargaisons (avions, camions, bateaux…) ;
Ingénieur EST/2021 - 2022 Optimisation Combinatoire
PROBLÈME DE CHARGEMENT: VERSION DE BASE
Formulation mathématique
La formulation mathématique de ce problème notée (KP) est
particulièrement simple en considérant les variables binaires:
Xj=
(KP)
4
Sa particularité par rapport à un problème linéaire général en
variables binaires est l’existence d’une contrainte
Ingénieur EST/2021 - 2022
unique
Optimisation Combinatoire
PROBLÈME DE CHARGEMENT: VERSION DE BASE
Autres domaines d’applications du problème (KP)
26
27
28
•FIN
30
34
Relaxation linéaire:
36
Principe:
37
Découpe:
o Résolution de la Relaxation Linéaire (RL) sur X(P)
o si x∗ non entier, on branche sur une variable non entière
o X1= x ∈ X et xi≤ a
o X2= x∈ X et xi ≥ a+1
élagage:
Exemple:
Appliquer l’algorithme de Branch and Bound au programme
suivant:
Max x1 +4x2
5x1+ 8x2 ≤ 40
-2x1 + 3x2 ≤ 9
X1, x2 ≥ 0, entier
39
40
41
42
43
44
Chapitre 3:
Problème de Voyageur de
Commerce
45
49
50
Dans cet exemple, le graphe est « non orienté », cela explique que la
matrice soit symétrique. Cette symétrie n’est pas forcément respectée
dans le cas d’un graphe orienté. Il existe alors deux catégories de
problèmes :
le cas symétrique (le poids de l’arc du sommet X vers Y est égal au
poids de l’arc du sommet Y vers X) et
le cas asymétrique (le poids de l’arc du sommet X vers Y peut être
différent du poids de l’arc du sommet Y vers X). 51
52
53
54
59
Principe :
Le trajet est initialement vide (pas de villes visitées) On part d'une
ville au hasard, que l'on met dans la liste des villes visitées. On
recherche la ville la plus proche que l'on ajoute dans la liste des
villes visitées. On recherche la ville la plus proche de cette nouvelle
ville. Si la ville est déjà dans la liste des villes visitées, on prend la
deuxième ville plus proche, la troisième si besoin, etc. et ainsi de
suite... Une manière d'accélérer fortement le calcul de ces solutions
est de calculer auparavant le tableau des villes les plus proches (pour
chaque ville, contient la liste des autres villes triées dans l'ordre du
plus proche au plus éloigné).
60
61
Définition:
On appelle zéros « 0 » indépendants, les zéros qui
n’appartiennent ni à la même ligne ni à la même colonne
d’une matrice.
Exemple
M=
Les zéros de cette matrice ne sont ni sur une même ligne ni sur une62
même colonne, alors ce sont des zéros indépendants.
Ingénieur EST/2021 - 2022 Optimisation Combinatoire
MÉTHODES DE RÉSOLUTION D’UN PVC
Description globale de la méthode hongroise
La méthode hongroise est applicable sur une matrice
d’affectation de dimension (n*n)
Première étape
Application
Soit M=
1ere étape:
(1)On fait apparaître sur chaque ligne et chaque colonne un zéro
-2 0 0 0 1
-1
M= -2
Chaque ligne et chaque colonne
-2 Les plus petits éléments
retranchés de chaque ligne et colonne Contiennent au moins un zéro
66
Application 2
Déterminer une affectation minimale du problème représenté par la matrice
suivante:
+ +
Chapitre 4:
INTRODUCTION AUX
HEURISTIQUES ET
METAHEURISTIQUES
72
Definitions de la littérature
Principales caractéristiques
Les autres, comme la méthode tabou qui n'a semble-t-il pas été
inspirée par un phénomène naturel (même si il y a l'utilisation
d'une memoire).
La manière la plus simple de définir les Tabou est de conserver une liste
T. Quand on explore un voisinage, on choisit le meilleur voisin à
l’exclusion des points de la liste Tabou.
INTRODUCTION AUX HEURISTIQUES ET METAHEURISTIQUES
Liste Tabou
La liste Tabou représente la mémoire à court terme, elle contient les
attributs des mouvements les plus réalisés. Cette liste est maintenue
dans le but d’orienter la recherche.
Critère de diversification
Elle consiste à générer une nouvelle solution, différente de celle déjà explorées,
dans le but de partir dans une nouvelle direction, pour explorer une autre région.
Remarque :
La stratégie d’intensification utilise la mémoire à moyen terme, sert à renforcer la
recherche dans la région des meilleures solutions trouvées récemment.
La stratégie de diversification utilise la mémoire à long terme, sert à guider la
recherche dans des nouvelles régions.
Ingénieur EST/2021 - 2022
INTRODUCTION AUX HEURISTIQUES ET METAHEURISTIQUES
Critère d’arrêt
• i : la solution actuelle
• i' : la prochaine solution atteinte (solution voisine)
• N(i): l'espace de solutions voisines à i (l'ensemble des i')
• m : mouvement de i à i‘
• i globale : la solution optimale globale qui minimise la fonction
objectif f( ).
Étape 4: si f(i) <= f (i*), alors nous avons trouvé une meilleure solution
Appliquer i* := i
Étape 6: si une condition d'arrêt est atteinte, stop. Sinon, retour à Étape 2.
Condition d'arrêt: condition qui régira l'arrêt de l'algorithme.
Ingénieur EST/2021 - 2022
INTRODUCTION AUX HEURISTIQUES ET METAHEURISTIQUES
Domaines d’application
Problèmes de transport :
Tournées de véhicules , Ordonnancement de convois.
Design de réseaux routiers et Problème du voyageur de commerce
La fonction f = somme(collisions)=4
R1
R2
R3
R4
R5
R6
R7
3 6 2 7 4 1 5
La fonction f = somme(collisions)=1
Ingénieur EST/2021 - 2022
INTRODUCTION AUX HEURISTIQUES ET METAHEURISTIQUES
Application de la méthode tabou: problème de reine (suite)
Itération 6 :
Appliquer le critère d’aspiration : l’échange de position des
reines (R1,R3) est le meilleur mouvement.
2 6 3 7 4 1 5
R1
Cette configuration n’admet
R2
aucune collision
R3
La fonction f atteint donc
R4
son minimum
R5
R6
R7
En résumé
La recherche Tabou peut être considérer comme une
généralisation des méthodes d’améliorations locales
traditionnelles.
102
Elle a été réalisée par Metropolis et al. (1953) pour simuler
l'évolution d’un processus de recuit physique (Metropolis53).
104
Diminuer progressivement la température T(n) pour stabiliser
l’algorithme sur un minimum global.
L’algorithme de Metropolis:
3. On calcule
106
la variation de coût ∆ƒ = ƒ(s’) – ƒ(s0) ;
108
cette solution correspond une
Si T est grand, les dégradations sont
énergie initiale E=E0. Cette
acceptées avec une probabilité plus grande.
énergie est calculée en
A la limite, quand T tend vers l’infini, tout
fonction du critère que l'on
voisin est systématiquement accepté.
cherche à optimiser. Une
Inversement, pour T=0, une dégradation
température initiale T=T0
n’est jamais acceptée.
élevée est également choisie.
La température varie au cours de la recherche :
T est élevée au début, puis diminue et finit par
Ingénieur EST/2021 - 2022
INTRODUCTION AUX HEURISTIQUES ET METAHEURISTIQUES
APPLICATION DE L’ALGORITIHME
La méthode du Recuit Simulé permis de résoudre des problèmes très complexes du
type « voyageur de commerce » où les méthodes déterministes sont rapidement
piégées dans des minimums locaux. Le but est alors de trouver le circuit hamiltonien
de coût minimal dans un graphe. L’énergie représentera la distance totale à parcourir,
et un état du système représentera le chemin entre les villes.
Longueur Totale=26
Figure 2: Une première solution (parcours suivant l'ordre des villes).
110
Longueur Totale=21
Figure 3: résultat obtenu: on a déplacé un sommet vers son plus proche voisin.
Longueur Totale=22
Figure 4: Le résultat obtenu en échangeant les sommets 2 et 3.
111
Longueur totale=18
Figure 5: Le résultat obtenu en échangeant les sommets 5 et 2.
Domaine d’application
112
Le traitement d'images (restitution d’images brouillées).
Avantages Inconvénients
113
o Facile à implémenter. o La difficulté de déterminer la
o Donne généralement de température initiale.
bonnes solutions par o Non-convergence vers l'optimum
rapport aux algorithmes peut se rencontrer assez vite.
de recherche classiques. o L'impossibilité de savoir si la
o Peut être utilisé dans la solution trouvée est optimale.
plupart des problèmes o Dégradation des performances
d'optimisation. pour les problèmes où il y a peu
de minimums locaux .
Ingénieur EST/2021 - 2022
INTRODUCTION AUX HEURISTIQUES ET METAHEURISTIQUES
EN RÉSUMÉ
Nous avons vu que les heuristiques classiques n'étaient pas très
satisfaisantes pour résoudre les problèmes d’optimisation, car les
solutions générées n’étaient pas de bonne qualité.
On peut
114 dire que le recuit simulé est une bonne méthode pour