Académique Documents
Professionnel Documents
Culture Documents
2
Table des matières
Remerciements:........................................................................2
Introduction:.............................................................................4
Application 1:.........................................................................5
Application 2:.........................................................................13
Conclusion:.............................................................................19
Références bibliographiques:.................................................20
3
Introduction:
En optimisation linéaire en nombres entiers, la méthode des plans sécants,
ou cutting plane method, est une méthode utilisée pour trouver une solution
entière d'un problème d'optimisation linéaire. Elle fut introduite par Ralph E.
Gomory puis étudiée par Gomory et Václav Chvátal.
Le principe de la méthode est d'ajouter des contraintes au programme linéaire
pour le raffiner, et le rapprocher des solutions intégrales. Plus précisément, étant
donné un ensemble de contraintes, et une solution optimale x* au problème
d'optimisation linéaire, la méthode consiste à créer de nouvelles contraintes, telle
que la solution entière optimale est conservée, mais x* viole l'une des nouvelles
contraintes.
Afin de mieux comprendre la méthode de cutting plane, nous allons traiter
quelques exemples et applications.
Idée principale:
L'ajout de nouvelles contraintes, une à la fois, conduit finalement à une solution
optimale avec des coordonnées intégrales.
Les étapes de l’algorithme de Gomory’s Cut peuvent se résumer comme suite:
1-D'abord on résoud le problème LP en négligeant la contrainte entière. Si la
solution optimale a des coordonnées intégrales, STOP.
2- Sinon, on ajoute une nouvelle contrainte, avec les propriétés suivantes:
4
La solution optimale non entière de l'ancien LP ne satisfait pas la nouvelle
contrainte.
Toutes les solutions réalisables intégrales de l'ancien LP resteront
réalisables dans le nouveau LP.
La nouvelle contrainte "coupe" une partie de la région réalisable qui ne contient
pas de solutions réalisables intégrales.
3- Si la solution au nouveau LP est entière, alors STOP, sinon, on répète l'étape
précédente au besoin.
5
Maximiser Z=-x1+3x2
Sous contraintes :
x1-x2≤2
2*x1+4*x2≤15
x1,x2≥0
x1 x2 x3 x4 bi bi/a i,k
x3 1 -1 1 0 2 -2
x4 2 4 0 1 15 3,75
Z -1 3 0 0 0 0
Colonne Pivot
La colonne pivot représente la colonne dont la valeur de Z est maximale, la ligne
pivot correspond à la ligne dont le rapport bi/a i,k est plus grand dans notre cas
c’est 3,75.
x1 x2 x3 x4 bi bi/ ai,k
x3 1 -1 1 2 2 -2
6
x4 2 4 0 15 15 3,75
Z -1 3 0 0 0 0
Ligne de pivot
Colonne Pivot
x1 x2 x3 x4 bi
La ligne de Z contient des coefficients qui sont tous négatifs donc on a attaint
l’optimalité.
Zmin=45/4, x*= (0,15/4,23/4,0) non entière.
3 1 23
x 1 + ¿ x 3+ x 4 =
2 4 4
7
1 1 3
(1+ 2 ¿ x 1+¿ x 3+ 4 x 4= 5+ 4
1 1 −3
x 1+¿ x 3+ x 4 = 5- x 1- x 3
2 4 4
Discussion:
⇒ Le plus petit entier que LHS peut etre égale à 0. Donc LHS ≥ 0
Nouvelle contrainte:
Soit LHS= x 5et x 5≥ 0. Cela donne:
1 1 3 −1 1 −3
2
x 1+ x 4 −x5 =
4 4
⇒ 2 x 1 − 4 x 4 + x 5= 4
Sous contrainte :
3 1 23
x 1 + ¿ x 3+ x 4 =
2 4 4
8
1 1 15
x 1+¿ x 2+ x 4=
2 4 4
−1 1 3
x 1+ ¿ x 5−¿ x 4= -
2 4 4
x 1, ……., x 5 ≥ 0, entières
X1 X2 X3 x4 x5 bi
x3 1 0 1 0 1 5
x2 0 1 0 0 1 3
x4 2 0 0 1 -4 3
9
Z 1 0 0 0 3 9
Explication géométrique:
On considère notre problème:
Min (x1-3x2)
s.c
x1-x2 ≤2
2*x1+4*x2≤15
x1,x2 ≥0 , integral
(0,3.75)
10
Ainsi, on ajoute la nouvelle contrainte au graphe qui va éliminer la solution
optimale non entière.
On se ramène à un graphe qui contient les solutions optimales et entières:
(0,3)
Exemples:
Si a =3,25 alors [a]=3 et a - [a]=0,25
Si a =-3,25 alors [a]=-4 et a - [a]=0,75
Et on a toujours:
0≤a - [a]<1
-Choisissons une ligne du tableau finale issues de l’algorithme de simplex où b i
n’est pas un entier:
∑ aij x j=b i
j
11
f ij= a ij−[a¿¿ ij]¿ , gi = b i−[b¿¿ i]¿ alors a ij= f ij +[a¿¿ ij]¿, b i= gi +[b ¿¿ i]¿
Terme de gauche= ∑
j
(f ij )x j−¿ g =[b¿¿ i]¿- ∑ ¿¿ ¿ = terme de droite
i
j
Le terme de droite est entier et puisque 0≤ f ij <1, x j ≥ 0 est 0 ≤ g i<1, donc Terme de
gauche≥ - gi>-1
-Ainsi, le plus petit entier que peut prendre le terme de gauche est 0.
Application 2:
La société TELFA fabrique des tables et des chaises. Une table nécessite 1
heure de travail et 9 pieds carrés de planche de bois, et une chaise nécessite 1
12
heure de travail et 5 pieds carrés de planche de bois. Actuellement, 6 heures
de travail et 45 pieds carrés de planche de bois sont disponibles,
Chaque table contribue 8$ au profit, et chaque chaise contribue 5$ au profit.
Formuler et résoudre un problème IP pour maximiser le profit de Telfa.
Solution:
On considère les variables suivantes:
x 1 =nombre de tables fabriquées
x 2= nombre de chaises fabriquées
On peut formuler le problème comme suite:
Maximiser z= 8 x 1+5 x 2
Sous contraintes:
x 1- x 2≤6 (labor constraint)
9* x 1+5* x 2 ≤ 45 ( Wood constraint)
x 1, x 2≥0, integer
Après avoir ajouté des variables d'écart, nous obtenons le tableau optimal:
Z x1 x2 s1 s2 bi
13
0 1 0 -1,25 0,25 3,75
Donc:
0,75-0,75s1 -0,25s2 ≤0
-0,75s1 -0,25s2 ≤-0,75
z X1 X2 s1 s2 s3 bi
14
0 0 1 2,25 -0,25 0 2,25
z X1 X2 s1 s2 s3 bi
1 0 0 0 0,33 1,67 40
0 0 1 0 -1 3 0
0 1 0 0 0,67 -1,67 5
0 0 0 1 -0,33 -1,33 1
15
Résolution par la méthode graphique:
Maximize z= 8x1+5x2
Sous contrainte
x1-x2≤6
9*x1+5*x2 ≤45
x1,x2≥0 , integer
s1=6-x1-x2
s2=45-9x1-5x2
La coupe:
-0,75s1 -0,25s2 ≤-0,75
3*x1+2*x2≤ 15
16
17
Recapitulatif:
Pour récapituler ce qu’on est en train de faire, on commence par un problème
linéaire avec restriction entière, on résoud le problème comme s’il était sans
restriction avec la méthode primaire de simplexe si ce n’est pas réalisable, on
vérifie la solution si la solution est entière on a fini sinon on procède au
simplexe dual et on recommence le procédé jusqu’à trouver l’optimum.
LP relaxation
ILP LP
problem problem
Optimum
Primal
Simplex yes
yes
Feasible? Integral?
Dual
no
Simplex
Gomory’s
derivation
18
Conclusion:
19
Références bibliographiques:
- https://bdesgraupes.pagesperso-orange.fr/UPX/Master1/MNM1_corr_doc1.pdf
- https://faculty.math.illinois.edu/~mlavrov/docs/482-fall-2019/lecture35.pdf
-https://sites.ju.edu.jo/sites/Alzalg/Documents/973/CPpres.pdf
20