Vous êtes sur la page 1sur 30

INTRODUCTION A L’OPTIMISATION

2ème Année de l’EIGSICA

Année universitaire : 2014 - 2015

1
Plan du cours
 Introduction à l’optimisation

 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

DR vide PL non réalisable

30

Vous aimerez peut-être aussi