Académique Documents
Professionnel Documents
Culture Documents
Cours: Recherche Operationnelle: Albert Mekwontchou
Cours: Recherche Operationnelle: Albert Mekwontchou
SOMMAIRE :
Chap4 : Dualité
On considère une famille de 8 personnes qui prennent ensembles deux repas par jour.
Déterminer le temps minimal qu’il faudrait au membre de cette famille pour occuper toutes
les positions possibles autours de cette table.
hj(x) =0 j= 1, ………..,m
Minimiser F(x) , il s’agit de déterminer les valeurs de x(x1,x2 ,x3……..,xn) Rn rendant F(x)
minimale et vérifiant les équations gi(x) >0 et hj(x) =0
x(x1,x2 ,x3……..,xn) est un vecteur de variable ce sont souvent les variables dites de
conception ou de décision selon la nature du problème posé.
Le problème peut être perçu comme la traduction d’un modèle prévisionnel pour lequel
- Nature de la fonction F
- Nature de variable
- Nature des contraintes
Leurs propriétés de continuité et de différentiabilité.
Remarque1 :
Remarque2 :
Ce sont des méthodes qui ne font intervenir que des valeurs de S pour approcher x*
minimisant F. Autrement dit
min F(x) = F(x*) Ʉ x ϵ D ={ x/x vérifiant les contraintes en (2) }
Les méthodes d’ordre 1 sont construites à partir du vecteur gradient de F(x) ce qui
suppose que F(x) est une fonction continument différentiable.
Ce sont les méthodes qui font intervenir les dérivées partielles secondes.
1.3.1 Typologie
Ils dépendront de : F, gi , S
Cette méthode a été créé pour traiter les problèmes d’optimisation séquentiels dans le
temps, elle est basée sur la recherche d’une politique optimale depuis un point de départ
jusqu'à un point d’arrivé et ceci sur le principe de BELLMAN « Toute politique optimale ne
peut être forée que de sous politiques optimales »
Cette méthode est applicable à une fonction F(x) avec F(x) =∑ fi(x) ou F(x) =∏ fi(x) i=1……n.
3.1 Introduction
Afin d’illustrer ce qu’est la « programmation linéaire », commençons par un exemple
simple. Celui-ci nous permettra en outre d’introduire certaines propriétés des problèmes
relevant de ce domaine, propriétés qui seront ensuite exploitées pour fonder l’algorithme du
simplexe.
P1 P2
m1 30 20
m2 40 10
X ≥0 , y≥0
Aléatoires
8.1.1 Définition
Un problème est dit stochastique lorsque le hasard intervient comme difficulté majeur.
De la même manière si l’on recherche une règle de gestion de stocks il conviendra par
exemple de trouver un équilibre d’autant plus onéreux du stock de sécurité que ce dernier
est plus élevé et le cout estimé de rupture de aléatoire.
Dans un problème d’entretien des équipements c’est l’issu qui est aléatoire et c’est sa
connaissance stochastique qui peut permettre de fixer les taux d’approvisionnement de
façon à obtenir le meilleur compromis entre le cout d’arrêt du matériel et celui du stockage
des pièces de rechange.
Pr (Δt) = λk. Δt
Elle est indépendante de l’intervalle Δt
Dans ce qui suit on se propose de connaître le nombre d’évènement qui se produit dans
l’intervalle [ 0, t ]
f(t) = λ e-λt
8.1.3.4 Processus de mort
Les hypothèses sont semblables à celles formulés dans le processus de naissance ( λ = taux
d’arrivée, μ= taux de mort ou la probabilité pour qu’une disparition ait lieu entre t et t + Δt
V(t) = Pr ( t ≤ T)
Où V(t) est le probabilité pour que l’équipement accomplisse sans défaillance des
fonctions bien déterminées pendant le temps t. Pour cette raison cette probabilité prend le
nom de fiabilité car elle caractérise le degré de confiance qu’on peut accorder à cet
équipement.
Remarque
Pa = 1 – [n(t) / n(t-1)]
Elle correspond dans le cas continu à la probabilité conditionnelle pour qu’un équipement
d’âge t subisse une défaillance entre t et t+Δt.
Exercice :
Etablir la courbe de survie d’un équipement dont le taux d’avarie est constant c'est-à-dire : λ(t) = λ0
Etablir la courbe de survie d’un équipement dont le taux d’avarie est variable et vaut :
λ(t) = λ0t