Programmation Linéaire Chapitre 1 : Introduction à la programmation linéaire Chapitre 2 : Résolution d’un programme linéaire : méthode de simplexe Chapitre 3 : Dualité et analyse de sensibilité dans la programmation linéaire 2 Introduction à l’Optimisation
3 RO : Recherche Opérationnelle Origines de la RO - Période : 2ème guerre, - Responsable : armée britannique - Problèmes posés : implantation optimale de radars de surveillance, le management des bombardements anti sous-marins Etc…
RO = Application des mathématiques et des méthodes scientifiques
aux opérations militaires
RO = Approche scientifique à la prise des décisions, qui cherche à
déterminer comment concevoir et faire fonctionner un système4 d’une façon optimale Introduction à l’optimisation Techniques de la RO La programmation mathématique programmation linéaire programmation quadratique programmation en nombres entiers Analyses de réseaux et graphes Théories des files d’attentes Simulation Analyse statistique
Champs d’application de la RO - Industries - Gouvernement - Agences - Hôpitaux - Institutions d’éducation… 5 Introduction à l’optimisation Méthodologie de la RO (1) Identification du problème
(2) Collecte des données
(3) Modélisation (Formulation
mathématique)
(4) Vérification du modèle
(5) Recherche des solutions
(6) Présentation des solutions
(7) Implémentation et 6
recommandations Programmation Linéaire
7 Chapitre 1
Introduction à la programmation linéaire
8 Chapitre 1 Introduction à la PL
La programmation linéaire = méthode permettant d’optimiser, c'est-à-
dire rendre le plus grand ou le plus petit possible, une fonction linéaire, cela sous certaines contraintes définies par des inégalités.
Les exemples habituels d’optimisation sont la recherche d’un bénéfice
maximal ou d’un coût minimal.
Remarque : C’est grâce à cette méthode que les problèmes de
ravitaillement étaient résolus pendant la seconde guerre mondiale.
9 Chapitre 1 Introduction à la PL Exemple Une compagnie est spécialisée dans la production de deux types de produits : des climatiseurs et des ventilateurs. Les deux produits nécessitent un certain nombre d’heures de main d’œuvre. Le tableau suivant donne les informations nécessaires sur les deux produits, c’est-à- dire les nombres d’heures machine et d’heures main d’œuvre nécessaires à la fabrication d’une unité de chacun de ces produits, ainsi que le profit généré par la production d’une unité de ce produit. Le tableau nous donne aussi le nombre total d’heures machines et d’heures main d’œuvre disponibles.
Heures Main d’œuvre Profit
machine Climatiseur 2 h/unité 3 h/unité 25 DT/unité Ventilateur 2 h/unité 1 h/unité 15 DT/unité Total disponible 240 h 140 h 10 Chapitre 1 Introduction à la PL I. Formulation du programme linéaire
a) Variables de décision : doivent complètement décrire les
décisions à prendre.
La compagnie veut décider du nombre de climatiseurs et du
nombre de ventilateurs à produire pour maximiser le profit. Ceci nous amène à choisir les deux variables de décision suivantes : x1 = nombre de climatiseurs x2 = nombre de ventilateurs
11 Chapitre 1 Introduction à la PL b) Fonction objectif : dans n’importe quel programme linéaire, le responsable de décision veut maximiser (en général, le revenu ou profit) ou minimiser (en général le coût) une fonction des variables de décisions. Cette fonction est appelée “ fonction objectif ”.
L’objectif de l’entreprise est de déterminer le programme de
production qui maximisera son profit (Z=profit). La fonction objectif s’écrit alors:
Max Z = 25x1 + 15x2
12 Chapitre 1 Introduction à la PL c) Contraintes du modèle : La limitation des ressources contraint l’entreprise de la manière suivante : 1) Contraintes heure machine 2x1 + 2x2 ≤ 240 2) Contrainte main d’œuvre 3x1 + x2 ≤ 140 3) Contraintes de non-négativité (exprimant que les niveaux d’activité ne peuvent être négatifs) x1 ≥ 0, x2 ≥ 0
Modèle complet : x1 = nbre de climatiseurs, x2 = nbre de ventilateurs
Max Z = 25 x1 + 15 x2 s.c. 2x1 + 2x2 ≤ 240 3x1 + x2 ≤ 140 x1 ≥ 0, x2 ≥ 0 s.c = sous contraintes 13 Exemples de PL: Calculez le mélange le moins cher à donner à nos cobayes
Afin d’assurer une bonne santé de cobayes, il faut les nourrir en leur donnant un minimum de 24 grammes de lipides, 36 grammes de glucides et 4 grammes de protéines par jour. Nous disposions de deux sources d’alimentation. Les croquettes royal cobaye qui contiennent 8 grammes de lipides, 12 grammes de glucides et 2 grammes de protéines et qui coûtent 0,3 euros le gramme, et les boulettes « vite se casse » qui contiennent 12 grammes de lipides, 12 grammes de glucides et 1 gramme de protéines et qui coûtent 0,2 euros le gramme.
14 Modélisation: Mélange le moins cher à donner à nos cobayes Variables quantité de royal cobaye x1 en gramme quantité de « vite se casse » x2 en gramme Objectif : minimiser par rapport à x = (x1, x2)
la fonction coût J(x) = 0,3x1 + 0,2 x2
Contraintes
lipides 8x1 + 12 x2 >= 24
glucides 12x1 + 12x2 >=36 protéines 2x1 + x2 >= 4 Ces quantités sont positives : x1 >=0 et x2 >=0
15 Exemples de PL: Problème de Production
Un fabricant produit 2 types de yaourts à la fraise A et
B à partir de Fraise, Lait et Sucre. Chaque yaourt doit respecter les proportions suivantes des matières premières : A B Fraise 2 1 Lait 1 0 Sucre 0 1
Les matières premières sont en quantité limitée : 800
Kilos de Fraises, 700 Kilos de Lait et 300 Kilos de sucre. La vente des yaourts A rapportent 40 DH par Kilo et les yaourts B 50 DH 16 Modélisation: Problème de Production Variables x1 : quantité en Kg de yaourt de type A x2 : quantité en Kg de yaourt de type B Objectif: Maximiser le profit par rapport à x = (x1, x2) la fonction profit J(x) = 40x1 + 50 x2 Contraintes Fraise 2x1 + x2 <= 800 Lait x1 + 2x2 <= 700 Sucre x2 <= 300
Ces quantités sont positives : x1 >=0 et x2 >=0
17 Exemples de PL: Problème de Transport Une entreprise dispose de deux dépôts D1 et D2 contenant chacun un certain nombre de containers (D1 : 200 et D2 : 500). Trois magasins (M1, M2 et M3) commandent des containers. On connaît le coût de transport de chaque dépôt aux magasins : M1 M2 M3 Disponibilité D1 5 3 4 200 D2 6 7 2 500 Demande 150 200 400 Magasins
Quelle est l’organisation des livraisons des containers
pour minimiser le coût total de transport? 18 Généraliser le cas à n Dépôts et m Magasins Chapitre 1 Introduction à la PL Domaine réalisable et solutions optimales : Ce sont deux concepts fondamentaux associés avec un PL. Pour les définir, on va utiliser le terme point (x1,x2), qui désigne une spécification de la valeur de chaque variable de décision.
Le domaine réalisable (DR) est l’ensemble de tous les points
satisfaisant toutes les contraintes du PL. Dans notre Premier Exemple, le point (20,40) (Z= 1100) appartient au DR. Ce point est dit réalisable.
Pour un problème de maximisation (min), une solution optimale est un
point du DR qui donne la valeur la plus large (faible) de la fonction objective.
(20, 40) ≠ solution optimale car (10, 110) est réalisable et donne Z = 1900 meilleur profit que Z= 1100 19 Chapitre 1 Introduction à la PL II. Résolution graphique Méthode de résolution d’un PL ne comportant que 2 variables de décision
Etapes à suivre • Représenter les lignes des contraintes et l’ensemble du domaine réalisable • Localiser la solution optimale • Calculer la solution optimale
20 Chapitre 1 Introduction à la PL 1ère étape : domaine réalisable (PL) Max Z = 25 x1 + 15 x2 s.c. 2x1 + 2x2 ≤ 240 3x1 + x2 ≤ 140 x1 ≥ 0, x2 ≥ 0 Domaine réalisable
21 Chapitre 1 Introduction à la PL 2ème étape : Recherche de la solution optimale (PL) Max Z = 25 x1 + 15 x2
La fonction objectif Z = 25x1 + 15x2 représente pour Z fixé (25x1
+ 15x2 = cte) l’équation des courbes de niveau (des droites de pente -5/3) qu’on appelle aussi ligne d’isoprofit ou isocoût.
Maximiser Z revient à déplacer la ligne d’isoprofit dans la direction
qui augmente la valeur de Z (pour un pb de maximisation). La dernière ligne qui touche le DR définit la plus large valeur de toutes les solutions réalisables, et contient la solution optimale
22 Chapitre 1 Introduction à la PL 2ème étape : Recherche de la solution optimale (suite)
Solution optimale
{B} = D ∩ D’
D’
23 D Chapitre 1 Introduction à la PL 3ème étape : Calcul de la solution optimale
Solution optimale {B} = D ∩ D’ d’équations respectives: 2x1 + 2x2 = 240 3x1 + x2 = 140 Donc x1=10, x2=110 et Z*=1900
D’
24 D Chapitre 1 Introduction à la PL III.Notions de convexité et points extrêmes
Définition : Un ensemble E non vide est dit convexe si et seulement si
pour tout élément x et y de E et pour tout λ Є [0,1], λ x + (1- λ ) y Є E.
Pour toute paire de points P1 et P2, l’ensemble des points qui forment le segment [P1P2] appartient au demi-plan.
Convexes Non convexes
Caractéristique d’un PL: le DR d’un PL est ou bien vide ou convexe.
25 Chapitre 1 Introduction à la PL Définition: E, un ensemble convexe, un point P dans E est appelé point extrême si chaque segment de droite entièrement contenu dans S et contenant le point P, a P comme extrémité. Mathématiquement : Soit x Є E, x est un point extrême ↔ S’il Ǝ y Є E, z Є E et 0<λ<1 tels que x= λy + (1- λ)z alors x=y=z
a x y b
a,b Points x n’est pas un y Point
extrêmes point extrême extrême 26 Chapitre 1 Introduction à la PL Théorème: Pour un PL donné, si un optimum existe, au moins un point extrême est optimal.
Corollaire: Si PL admet un optimum unique, alors cet optimum doit être
un point extrême.
IV.Cas particuliers de PL PL non borné Max Z = x1 + 2x2 s.c. 7x1+2x2 ≥ 28 x1 + 6x2 ≥ 12 x1 ≥ 0, x2 ≥ 0 27 Chapitre 1 Introduction à la PL
14
Lignes d’isoprofit
2 12 x1+6x2 = 12 7x1+2x2 = 28
28 Chapitre 1 Introduction à la PL PL a une infinité de solutions optimales Max Z = x1 + 3x2 s.c. 2x1+6x2 ≤ 30 (1) x1 ≤ 10 (2) x2 ≤ 4 (3) x1 ≥ 0, x2 ≥ 0
Tous les points appartenant
à [AB] sont optimaux
29 Chapitre 1 Introduction à la PL PL non réalisable Max Z = 3x1 + 2x2 s.c. x1+2x2 ≤ 2 (1) 2x1 + 4x2 ≥ 8 (2) x1 ≥ 0, x2 ≥ 0
