Optimisation Discrete

ECUE2 - Optimisation Discrète
Méthodes de coupes
Eric Soutil
SUP'COM, ENSTA
2022-2023
ES (Sup'Com, Ensta) Optimisation Discrète 2022-2023 1 / 86

Plan du cours
1 Rappels : Algorithmes fondamentaux de Programmation Linéaire en
Nombres Entiers (PLNE)
2 Notion d'inégalité valide et Méthodes de coupes

Introduction : les inégalités valides
Les coupes de Gomory
L'algorithme dual du simplexe
3 Modélisation de problèmes
Techniques classiques
Modèles de problèmes
4 Présentation d'un langage de modélisation et des logiciels de résolution

des PLNE
5 Relaxation lagrangienne appliquée à la PLNE
6 Résolution des problèmes de grande taille. Génération de colonnes

Plan


des PLNE

Plan


des PLNE

Plan


des PLNE

Les méthodes de coupes
Notion d'inégalité valide
Les méthodes de coupes constituent une seconde catégorie de

méthodes pour résoudre les PLNE.
Soit
X = {x t.q. Ax ≤ b, x entier}
Notion d' inégalité valide :

Dénition
L'inégalite πx ≤ π0 est valide pour X si et seulement si ∀x ∈ X , πx ≤ π0
On parle aussi de coupe ou troncature.

Notion d'inégalité valide Un exemple


 min z = −10x1 −11x2

(P) 10x1 +12x2 ≤ 59

 s.c.
x1 , x2 ≥ 0 et entiers

20x1 + 24x2 ≤ 108 n'est pas valide : pourquoi ?
x1 ≤ 5 est valide
x1 + x2 ≤ 5, 5 est valide

Notion d'inégalité valide
Questions :
▶ Qu'est-ce qu'une bonne coupe ?
▶ Si on connaît une famille de bonne coupes, comment l'utiliser dans la
résolution d'un PLNE ?

Inégalité valide redondante
Une inégalité valide πx ≤ π0 est redondante si X = X ′ avec :

▶ X = {x t.q. Ax ≤ b, x ≥ 0}
▶ X ′ = {x t.q. Ax ≤ b, πx ≤ π0 , x ≥ 0}
Une telle inégalité est non redondante si l'ensemble X ′ est
strictement inclus dans X
Pour prouver qu'une inégalité valide πx ≤ π0 n'est pas redondante, il
sut de trouver un point x̃ ∈ X qui ne vérie pas cette inégalité,
c-à-d : π x̃ > π0

Quelques inégalités valides simples
X = {x ∈ {0, 1}5 : 3x1 − 4x2 + 2x3 − 3x4 + x5 ≤ −2}

▶ x2 = x4 = 0 impossible ⇒ x2 + x4 ≥ 1
3x1 − 4x2 + 2x3 − 3x4 + x5 ≤ −2
▶ X ′ = x ∈ {0, 1}5 :
x2 + x4 ≥ 1
▶ l'inégalité x2 + x4 ≥ 1 est non redondante car
x2 = 14 , x4 = 31 , x1 = x3 = x5 = 0 ∈ X mais ∈/ X′
Toute combinaison linéaire de contraintes est valide. Par exemple :

 7x1 − 2x2 ≤ 14 (1)

x2 ≤ 3 (2)

2
 1
 x − 2 x2 ≤ 3 (3)
x ≥ 0 et entier

▶ (1) + 2 × (2) : 7x1 ≤ 20 ⇒ x1 ≤ 207 : valide et redondante

▶ mais x1 ≤ 2 : valide et non redondante
▶ interprétation géométrique

Quelques inégalités valides simples Interprétation géométrique

Inégalités valides
Idée : ajouter une coupe peut exclure l'optimum de la relaxation

continue du problème, en n'excluant aucun point entier ⇒ on garde le
même optimum entier, mais la relaxation continue du problème
modié a une valeur plus proche de l'optimum entier. Cette idée peut
permettre d'accélérer le Branch-and-Bound.
L'algorithme suivant, dû à Gomory, permet de résoudre un PLNE en

ajoutant itérativement des coupes non redondantes au problème
initial, en excluant à chaque itération l'optimum continu jusqu'à ce
que la relaxation continue admette une solution entière.

Plan


des PLNE

Considérons le PLNE sous forme standard où
 A, b et c sont entiers :
 min z = cx

(P) Ax = b
 s.c.

xj ≥ 0 et entier, ∀j ∈ 1, ..., n
La relaxation continue de ce problème est :

 min z = cx

(P) Ax = b
 s.c.

x ≥0
L'idée principale des méthodes de coupes est d'ajouter des contraintes
qui n'excluent aucun point entier admissible. La méthode
consistera à ajouter de telles contraintes linéaires une après une,
jusqu'à ce que la solution optimale de la relaxation continue soit
entière.
Les contraintes ajoutées sont appelées troncatures ou coupes. La

méthode a été proposée conjointement par Chvàtal et Gomory, on
parle souvent de coupes de Chvàtal-Gomory.
Description de la méthode
Commençons par résoudre la relaxation continue par l'algorithme

du simplexe et considérons le tableau obtenu à l'optimum (Ax = b).
Soit B l'ensemble des indices des variables de base et N l'ensemble
des indices des variables hors-base.
Parmi les variables de base, choisissons une variable xi , i ∈ B ,

fractionnaire (s'il n'y en a pas, on est à l'optimum entier).
La contrainte correspondant à xi se lit directement sur le tableau

optimal :
X
xi + aij xj = b i ∀i ∈ B (1 )
j∈N
Notation : étant donné un réel y , ⌊y ⌋ désigne le plus grand entier q

tel que q ≤ y. (Par exemple, ⌊2, 7⌋ = 2, ⌊−8, 1⌋ = −9, ⌊0⌋ = 0).

Puisque toutes les variables sont ≥0 dans (1), on a :
X X
⌊aij ⌋xj ≤ aij xj
j∈N j∈N
Donc on a : X
xi + ⌊aij ⌋xj ≤ b i
j∈N
La partie gauche de cette inéquation est entière. Le second membre

(partie droite) peut donc être remplacé par ⌊b i ⌋ :
X
xi + ⌊aij ⌋xj ≤ ⌊b i ⌋ ∀i ∈ B (2)
j∈N

(2) − (3) donne :
X
(aij − ⌊aij ⌋)xj ≥ b i − ⌊b i ⌋
j∈N
Posons :
▶ fij = aij − ⌊aij ⌋ → partie fractionnaire de aij : 0 ≤ fij < 1
▶ fi = b i − ⌊b i ⌋ → partie fractionnaire de b i : 0 ≤ fi < 1
Finalement, nous obtenons la contrainte :
X
fij xj ≥ fi
∈N
j
C'est la coupe (ou troncature) de Gomory.

Nous voulons ajouter cette coupe au problème initial. Pour avoir

l'expression des variables de base en fonction des variables hors-base,
nous multiplions cette dernière inéquation par −1 et ajoutons une
variable d'écart s. On obtient :
X
− fij xj + s = −fi (3)
∈N
j
Propriété
Si la coupe (3) est ajoutée au tableau optimal du simplexe d'un PL, aucun
point admissible entier n'est exclu, le nouveau tableau est de base (la
matrice de base est la matrice identité), non primal réalisable si bi était
bien fractionnaire et dual réalisable.

Considérons dans le nouveau tableau ...

Âx = b̂ (tableau à l'optimum)
P
−
j∈N fij xj + s = −fi
x ≥ 0, s ≥ 0
... la base suivante :

C'est bien une base. On a drirectement l'expression des variables de

base en fonction des variables hors-base.
Cependant cette base n'est pas (primal) réalisable puisque s = −fi

dans la solution de base associée (et s ≥ 0).
Remarquons que la fonction objectif ne change pas. La solution de
base considérée est donc duale admissible (puisque ∆ ≥ 0).
→ on peut appliquer l'algorithme dual du simplexe pour trouver le
nouvel optimum de la relaxation continue.

Remarque
La nouvelle variable s est bien entière comme toutes les autres variables du
problème ;
X X
xi = − (−fi + fij xj ) + (⌊b i ⌋ − ⌊aij ⌋xj )
|{z}
j∈N j∈N
entier | {z } | {z }
s entier
Par ce procédé, on ajoute ainsi des coupes une par une, jusqu'à
obtention d'une solution de base entière, solution optimale du PLNE
de départ.

Un exemple

Propriété
Propriété
L'optimum fractionnaire de la relaxation continue ne vérie pas la coupe de
Gomory, qui l'exclut.
En eet, ce point optimal fractionnaire est tel que tous les xj sont égaux à
0 et on a 0 < fi < 1.

Algorithme de résolution d'un PLNE basé sur les coupes de Gomory
algorithme Gomory
début
Résoudre la relaxation continue;
tant qu' il existe une composante fractionnaire dans la sol. opt. faire
Ajouter une coupe de Gomory
Résoudre par l'algorithme dual du simplexe
fait
fin

Plan


des PLNE

Il arrive fréquemment que l'on ait à résoudre un programme linéaire tel
que ...

 min z = cx

(P) Ax = b
 s.c.

x ≥0
B non
... soit écrit sous forme canonique par rapport à une base
réalisable (certaines composantes de b sont < 0) et vériant les
conditions d'optimalité, c'est-à-dire c ≥ 0 (c ≤ 0 pour un problème
de maximisation)
On peut alors déterminer la solution optimale de (P) par l'algorithme

dual du simplexe.
À chaque étape de l'algorithme, (P) est écrit sous forme canonique
par rapport à la base courante et on s'arrange pour que les conditions
d'optimalité soient vériées à chaque étape.

1 Choisir un indice r tel que br < 0 (si un tel indice n'existe pas, on est
à l'optimum puisque c ≥ 0.
2 Si les coecients de la r ième ligne sont tous positifs ou nuls, (P)
ième
n'admet pas de solution. En eet, cette r contrainte s'écrit :
n
X
arj xj = br
j=1
Elle ne peut donc pas être satisfaite puisque br < 0 et toutes les
variables doivent être ≥0

3 Soit s la variable entrant dans la base. On doit choisir s de telle sorte

que ars soit < 0, pour obtenir après pivotage une nouvelle variable de
′
base positive. Le vecteur coût c relatif à la nouvelle base
B ′ = B + {s} − {r } sera :
c ′ = c − (cs /ars ).ligne r de A
c′ restera ≥0 si s est choisi tel que :

cs cj
= maxj|arj <0
ars arj
(transformer max en min pour un problème de maximisation)
4 On eectue alors le pivotage et on itère le procédé (retour en )

Justication de l'algorithme dual du simplexe
La matrice de base B′ déduite de la matrice de base B par substitution
s
de la colonne A à Ar est une matrice de base puisque ars ̸= 0.
Si le second membre est positif, on a une solution optimale du
problème.
Sinon, on peut itérer le procédé (ou conclure que (P) n'a pas de
solution réalisable).
La variation de la fonction objectif d'une itération à l'autre est :

br
cs × ars . En l'absence de dégénérescence (duale), cs est > 0 (< 0 pour
un problème de maximisation). D'autre part, br et ars sont, à chaque
itération, < 0. La variation de la fonction objectif est donc < 0 (> 0
en cas de maximisation), ce qui assure la convergence du procédé
puisque le nombre de bases est ni (on peut tramsposer les règles de
Bland pour se prémunir du cyclage).
Il faut également préciser que (P) ne peut avoir d'optimum non borné
puisqu'on connaît, au départ, une solution réalisable du dual de (P)
(la trouver).

Interprétation de l'algorithme dual du simplexe
L'algorithme dual du simplexe consiste à appliquer l'algorithme du

simplexe au problème dual, les opérations de changement de base
étant eectuées sur le tableau primal.
À une itération quelconque de l'algorithme du simplexe, on peut

interpréter les variables de base comme des variables d'écart u réelles
et écrire le primal sous la forme suivante puisque le problème est écrit
sous forme canonique par rapport à une base B (non réalisable) :

 min cx

(P) Ax + Im u = b
 s.c.
x, u ≥ 0


Plan


des PLNE

Modélisation de problèmes par la PLNE
Dans cette section, nous nous intéressons à la modélisation de

problèmes à l'aide la PLNE
Nous verrons dans un premier temps des techniques classiques utilisées

fréquemment lorsqu'on modélise un problème
Puis nous passerons en revue des modèles classiques de problèmes

d'optimisation combinatoire

Plan


des PLNE

Dans la suite : exemples de modélisation d'évènements a, b et c

avec des variables binaires xa , xb et xc ∈ {0, 1}

a et b ne peuvent se produire tous les deux :

xa + xb ≤ 1

xa + xb ≤ 1
Au moins un évènement parmi a et b doit se produire :

xa + xb ≤ 1
xa + xb ≥ 1

xa + xb ≤ 1
xa + xb ≥ 1
Si a se produit alors b doit se produire :

xa + xb ≤ 1
xa + xb ≥ 1
xa ≤ xb

xa + xb ≤ 1
xa + xb ≥ 1
xa ≤ xb

xa + xb ≤ 1
xa + xb ≥ 1
xa ≤ xb
xa ≤ xb

Si a se produit, alors b et/ou c doivent se produire :

xb + xc ≥ xa

xb + xc ≥ xa
Si a ne se produit pas, alors une quantité y doit être nulle, sinon y est
libre dans IR :

xb + xc ≥ xa
Si a ne se produit pas, alors une quantité y doit être nulle, sinon y est
libre dans IR :
▶ On suppose qu'on connaît M tel que y ≤M à l'optimum du problème

▶ Un tel M existe, sinon le problème est non borné
▶ Modéliser par : y ≤ M xa

Maximiser la valeur minimale d'un ensemble de fonctions linéaires
▶ On veut maximiser la plus petite valeur prise par un ensemble de
fonctions linéaires ai x , i = 1, . . . , m

Maximiser la valeur minimale d'un ensemble de fonctions linéaires
▶ On veut maximiser la plus petite valeur prise par un ensemble de
fonctions linéairesai x , i = 1, . . . , m
▶ Ajouter une variable z
▶ Ajouter les contraintes z ≤ ai x , i = 1, . . . , m
▶ Maximiser z

k contraintes parmi n
▶ On a n contraintes ai x ≤ bi , i = 1, . . . , n
▶ k au moins doivent être satisfaites
▶ Pour chacune des contraintes on suppose qu'il existe Mi tel que
ai x ≤ bi + Mi , soit satisfaite ∀x

k contraintes parmi n
▶ On a n contraintes ai x ≤ bi , i = 1, . . . , n
▶ k au moins doivent être satisfaites
▶ Pour chacune des contraintes on suppose qu'il existe Mi tel que
ai x ≤ bi + Mi , soit satisfaite ∀x
▶ On pose y1 , . . . , yn des variables binaires
ai x ≤ bi + Mi yi ∀i = 1, . . . , n
Pn
i=1 yi ≤ n − k

Implication entre contraintes
▶ Soient a1 x ≤ b1 et a2 x ≤ b2 deux contraintes

▶ Si a1 x ≤ b1 n'est pas satisfaite alors a2 x ≤ b2 doit être satisfaite
▶ On suppose qu'il existe M tel que −a1 x ≤ b1 + M et a2 x ≤ b2 + M
soient vériées ∀x


▶ On ajoute une variable de décision binaire y
▶ On ajoute :
−a1 x ≤ b1 + M(1 − y )
a2 x ≤ b2 + My


▶ On ajoute une variable de décision binaire y
▶ On ajoute :
−a1 x ≤ b1 + M(1 − y )
a2 x ≤ b2 + My
▶ Si a1 x > b1 , alors nécessairement y =0 et la deuxième contrainte est

vériée

Techniques classiques Linéarisation
Linéarisation : méthode permettant de transformer un Programme

Mathématique Discret en un PL ou un PLNE
Généralement, ces transformations demandent l'ajout de nombreuses

variables et contraintes supplémentaires
Voyons quelques exemples

Exemple : linéariser une variable à valeurs dans un espace discret

▶ Soit x une variable prenant ses valeurs parmi les n possibilités
v1 , v2 , . . . , vn ∈ IR
▶ Trouver une linéarisation de x

Exemple : linéariser une variable à valeurs dans un espace discret

▶ Soit x une variable prenant ses valeurs parmi les n possibilités
v1 , v2 , . . . , vn ∈ IR
▶ Trouver une linéarisation de x
▶ On introduit n variables de décision binaires y1 , . . . , yn telles que yi = 1
si x = vi , et 0 sinon.
▶ On modélise alors par les deux contraintes :
n
X n
X
x= vi yi et yi = 1
i=1 i=1

L'opérateur logique ou entre deux contraintes :

▶ On a une variable x =0 ou x ≥L
▶ ... avec L et x bornés par une valeur M.


▶ On ajoute une variables y ∈ {0, 1} et on ajoute :
x ≥ Ly et x ≤My
Carré d'une variable binaire :
▶ Soit x ∈ {0, 1}. Linéariser x 2.


▶ On ajoute une variables y ∈ {0, 1} et on ajoute :
x ≥ Ly et x ≤My
Carré d'une variable binaire :
▶ Soit x ∈ {0, 1}. Linéariser x 2 .
▶ La variable x est équivalente à la variable x 2.

Produit de deux variables binaires [Glover, 1975] :

▶ Soit x ∈ {0, 1} et y ∈ {0, 1}, on veut obtenir une variable e = xy .

Produit de deux variables binaires [Glover, 1975] :

▶ Soit x ∈ {0, 1} et y ∈ {0, 1}, on veut obtenir une variable e = xy .
▶ On a le résultat suivant :

e≤x

e≤y



e = xy ⇔ e ≥x +y −1
e≥0




e ∈ IR


Généralisation :
▶ produit d'une variable binaire par une variable entière (bornée)
▶ produit de plusieurs variables binaires
▶ au carré de variables entières, ...
Toute forme quadratique peut se ramener à un PLNE binaire... mais

en ajoutant de nombreuses variables et contraintes.


 e≤x
e≤y



e = xy ⇔ e ≥x +y −1
e≥0




e ∈ IR


Plan


des PLNE

Optimisation combinatoire et modélisations
La formulation en PLNE permet de modéliser un grand nombre de

problèmes combinatoires.
Une fois une bonne modélisation trouvée, un solveur de PLNE est le

seul outil nécessaire
Malheureusement, les seuls algorithmes connus pour résoudre les

PLNE sont exponentiels (Branch and Bound)
On peut l'enrichir par un algorithme de coupes.
Quand on n'a pas de formulation compacte, ou peut avoir :

▶ un nombre exponentiel de variables : génération de colonnes (Branch
and Price)
▶ un nombre exponentiel de contraintes : génération de coupes (Branch
and Cut)

Aectation
un groupe d'employés et de tâches à accomplir
chaque tâche doit être accomplie
chaque employé ne peut pas faire plus d'une tâche
aecter un employé à une tâche coûte un prix
Minimiser le prix total

Aectation
employés : i =1 à n
tâches : j =1 à m
coût d'aecter l'employé i à la tâche j : cij
variable de décision : xij = 1 si l'employé i est aecté à la tâche j, 0
sinon.

Localisation d'usines
N = {1, . . . , n} les emplacements possibles
I = {1, . . . , m} les clients
cj le coût de positionner une usine à l'emplacement j

hij le coût de satisfaire le client i depuis l'usine j
variable de décision : xj = 1 si une usine est positionnée en j, 0 sinon.
variable de décision : yij la fraction de la demande du client i satisfaite

par l'usine j.

Formulation :
n m Xn

 X X
min cj xj + hij yij






 j=1 i=1 j=1


 X n
yij = 1, ∀i


 j=1
yij ≤ xj , ∀i, ∀j







 x ∈ {0, 1}, 0 ≤ y ≤ 1
j ij

Formulation :
n m Xn

 X X
min cj xj + hij yij






 j=1 i=1 j=1


 X n
yij = 1, ∀i


 j=1
yij ≤ xj , ∀i, ∀j







 x ∈ {0, 1}, 0 ≤ y ≤ 1
j ij
Que se passe-t-il si on remplace, pour un j n

donné, la série de
Pm
contraintes yij ≤ xj ∀i par l'unique contrainte y
i=1 ij ≤ m × xj ?
Est-ce que les deux formulations sont valides ? Laquelle est préférable ?

Les deux formulations donnent le même ensemble de solutions
Mais si on relâche la contrainte xj ∈ {0, 1}, alors on a deux espaces de

solutions diérents
L'un est plus petit que l'autre (et même inclus dans l'autre). Lequel ?
Que peut-on en conclure ?

La meilleure formulation est celle dont la valeur de la relaxation

continue est le plus proche de l'optimum entier (donc celle de valeur
de relaxation la plus élevée).
Il s'agit de la première formulation : yij ≤ xj , ∀i

... même si elle contient plus de contraintes.

Le problème du sac-à-dos
Soit n objets, notés i = 1, . . . , n , de bénéce ci (≥ 0), de poids ai

(≥ 0).
On veut ranger ces objets dans un sac
Poids maximum du sac : b

Le problème de sac-à-dos (knapsack) :
▶ choisir certains parmi les n objets
▶ maximiser le bénéce
▶ respecter la contrainte de poids maximum
▶ chaque objet i, i ∈ {1, . . . , n}, doit être sélectionné au moins pi fois
▶ chaque objet i, i ∈ {1, . . . , n}, doit être sélectionné au plus qi fois
Problème utilisé pour remplir les camions de transport, les avions ou

bateaux de fret, et aussi pour gérer la mémoire d'un microprocesseur

Le problème du sac-à-dos
Formulation du problème de sac-a-dos par un PLNE :
Pour chaque objet i , i ∈ {1, . . . , n}, on crée une variable entière xi ,

correspondant au nombre de fois où l'objet i est choisi.
(2) est appelée contrainte de sac-à-dos.
Une seule contrainte, mais problème NP-complet.

Recouvrement, pavage et partition


Modélisation :
des variables binaires x1 , . . . , xm associées aux sous-ensembles

E1 , . . . , Em
Soit A = [Aij ] la matrice binaire dont les lignes correspondent aux
éléments x1 , . . . , xm et les colonnes aux sous-ensembles E1 , . . . , Em
Ses coecients sont Aij = 1 si i ∈ Ej et 0 sinon.
Recouvrement : m

 X


 min cj xj

j=1


X

 Aij xj ≥ 1, ∀i

j



x ∈ {0, 1}m


Pavage : espace Partition :
m
X m
X
min cj xj max (ou min) cj xj
j=1 j=1
X X
Aij xj ≤ 1, ∀i Aij xj = 1, ∀i
j j
x ∈ {0, 1}m x ∈ {0, 1}m
→ De nombreuses applications

→ De nombreuses applications

Stable maximum et Coloration minimale
c.f. TD

Le problème du voyageur de commerce
TSP : traveling salesman Problem
Soit G = (V , E ) un graphe non-orienté
Soit c(e) un coût associé à la liaison e , ∀e ∈ E .

Le problème du voyageur de commerce : trouver un cycle passant par
chaque sommet une et une seule fois
On appelle ce cycle hamiltonien
Cas assymétrique : graphe orienté
Version pondérée : on cherche le cycle de poids minimum

Modélisation
Soient les variables xij = 1 si l'arc (i, j) est dans le tour, 0 sinon.

Modélisation
Soient les variables xij = 1 si l'arc (i, j) est dans le tour, 0 sinon.
La relaxation linéaire est entière (car matrice totalement

unimodulaire).
Mais, la solution peut contenir plusieurs cycles

Élimination des sous-tours par la formulation MTZ
Pour éliminer les sous-tours, on peut utiliser la formulation de

Miller-Tucker-Zemlin (MTZ).
On ajoute de nouvelles variables réelles ui , i = 1 à n, pour chaque

sommet
On ajoute les contraintes :
u1 = 1
2 ≤ ui ≤ n, ∀i ̸= 1
ui − uj + 1 ≤ n (1 − xij ), ∀i ̸= 1, j ̸= 1
Pour tout arc (i, j) où xij = 1, elles forcent uj ≥ ui + 1,

si une solution du PLNE précédent contient plus d'un sous-tour, alors
l'un d'eux au moins ne contient pas le sommet 1 et, sur ce sous-tour,
les variables ui s'incrémentent à l'inni.

Élimination des sous-tours par la formulation MTZ
La formulation MTZ a l'énorme avantage d'être compacte
On peut donc directement utiliser une procédure de branchement et

séparation (Branch & Bound)
... et donc un solveur entier
Mais cette formulation est plus faible que la formulation par les coupes

Élimination des sous-tours en brisant les sous-tours
Ajouter les contraintes :

X
xij ≤ |S| − 1, ∀S ⊂ V , |S| ≥ 2, S ̸= V
i∈S, j∈S
Elles empêchent les solutions d'avoir des sous-tours
Mais en nombre exponentiel

Utilisation des algorithmes de coupes (grâce à une étude polyédrale)
Ajouter progressivement les inégalités dans la formulation
Un algorithme de séparation, qui revient à détecter des cycles, ajoute

des coupes (contraintes)

Élimination des sous-tours par la connexité et les coupes
Une solution du TSP est un ensemble d'arcs C qui forme un

sous-graphe partiel connexe
Il y a donc au moins un arc sortant de chaque ensemble de sommets
donc au moins une arête par coupe du graphe.
P
e∈δ + (W ) x(e) ≥ 1 ∀W ⊊ V et W ̸= ∅
P
e∈δ − (W ) x(e) ≥ 1 ∀W ⊊ V et W ̸= ∅
où δ + (W ) (resp. δ − (W )) désigne l'ensemble des arcs sortant de
(resp. entrant dans) W

Nombre exponentiel de contraintes de connexité.
Utiliser un algorithme de coupes et branchement
C'est actuellement la méthode la plus ecace.

Cas symétrique : modélisation
le nombre d'arétes incidentes à un sommet = 2
l'ensemble des arêtes choisies doit être connexe
nombre exponentiel de contraintes (diciles à trouver)
Comment résoudre un tel programme ?
Comment produire les contraintes d'un tel programme ?

Plan


des PLNE

Plan


des PLNE

Relaxation lagrangienne appliquée à la PLNE
Introduction
On considère le problème (P) ayant n variables et deux ensembles de

contraintes.
On suppose ici que toutes les variables sont entières par facilité de
notation mais une partie des variables peut représenter des réels :

Relaxation lagrangienne appliquée à la PLNE
Introduction
On suppose que les contraintes Ax ≤ b sont compliquantes dans le

sens où si elles n'étaient pas là, le problème (P) serait plus facile à
résoudre (un problème de chemin le plus court, d'aectation, d'arbre
couvrant, etc).
La suppression simple de ces contraintes s'appelle relaxation

combinatoire et aboutit en général à des bornes de faible qualité.
Par la relaxation lagrangienne, on tient compte de ces contraintes

compliquantes pour calculer de meilleures bornes.
Mais cela nécessite de résoudre plusieurs fois le problème simplié.

Relaxation lagrangienne
Dénitions et propriétés
Dénition Fonction de Lagrange

La fonction de Lagrange associée au problème (P) est :
L(x, λ) = f (x) + λ(Ax − b)
où λ≥0 est le vecteur des multiplicateurs de Lagrange associé aux

contraintes Ax ≤ b .
Propriété 1
∀x solution réalisable de (P) et ∀λ ≥ 0, L(x, λ) ≤ f (x).
Preuve
La propriété est vraie puisque λ≥0 et Ax ≤ b

Dénition Fonction duale

La fonction duale associée au problème (P), dénie ∀λ ≥ 0 est :
ω(λ) = min L(x, λ)

x:Cx≤d, x∈Zn+
où λ≥0 est le vecteur des multiplicateurs de Lagrange associé aux

contraintes Ax ≤ b .
Propriété 2
Soit x∗ une solution optimale de (P). ∀λ ≥ 0, ω(λ) ≤ f (x ∗ )
Preuve
En eet, ∀λ ≥ 0, ω(λ) ≤ L(x ∗ , λ) ≤ f (x ∗ )

Ainsi, pour chaque valeur de λ, ω(λ) fournit un minorant de la valeur

optimale de (P).
Le problème dual consiste à trouver le meilleur des minorants ainsi
calculés.
Dénition Problème dual lagrangien (D)

(D) : max ω(λ)
λ≥0
Propriété
La valeur optimale de (D) est une borne inférieure de la valeur optimale de
(P).

Qualité des bornes duales
Théorème (Georion, 1974)

Soit λ∗ une solution optimale de (D). Alors :

 min cx
ω(λ∗ ) = s.c. Ax ≤ b
x ∈ conv ({Cx ≤ d : x ∈ Zn+ })


Qualité des bornes duales Preuve du th. de Georion

 min cx
ω(λ∗ ) = s.c. Ax ≤ b
x ∈ conv ({Cx ≤ d : x ∈ Zn+ })

Preuve
On se met ici dans le cas où {x : Cx ≤ d : x ∈ Zn+ } est un ensemble ni
(mais très grand) de points X 1, X 2, . . . , X K } :
ω(λ∗ ) = max min (cx + λ(Ax − b))

λ≥0 x:Cx≤d, x∈Zn+
= max min{cX 1 + λ(AX 1 − b), . . . , cX K + λ(AX K − b)}

λ≥0

 max η
= η ≤ cX k + λ(AX k − b) k = 1, . . . , K
λ ∈ Rm+, η ∈ R


Preuve (suite)
Ce dernier problème d'optimisation est un programme linéaire avec un
très grand nombre de contraintes K.
Son dual (au sens de la programmation linéaire) est :

Preuve (n)

 min cX
= AX ≤ b
X est une combinaison convexe de X 1 , X 2 , . . . , X K


 min cX
= s.c. AX ≤ b
X ∈ conv ({Cx ≤ d : x ∈ Zn+ })

Corollaire
Si :
conv ({Cx ≤ d : x ∈ Zn+ }) = {Cx ≤ d : x ∈ Rn+ }
... alors ω(λ∗ ) est égale à la valeur de la relaxation continue de (P).

Qualité des bornes duales Conclusion
La borne qu'on obtient par relaxation lagrangienne (si on calcule la

valeur optimale du dual) est donc au moins aussi bonne que celle
qu'on calcule par relaxation continue
...mais il existe plusieurs problèmes pour lesquels il y a égalité des

bornes.
La relaxation lagrangienne est utile :

▶ soit pour calculer une borne meilleure que par relaxation continue
▶ soit pour aller plus vite dans le calcul d'une borne équivalente à cette
dernière.

Résolution du dual lagrangien
Propriété
La fonction duale ω(λ) est linéaire par morceaux et concave.
Propriété
Si, pour un λ̃ ≥ 0, ω(λ̃) est obtenu en x̃ alors Ax̃ − b est un sous-gradient
de ω en λ̃.
→ On peut donc facilement mettre en ÷uvre un algorithme de
sous-gradient pour résoudre (D).

Résolution du dual lagrangien Algorithme de sous-gradient
Algorithme de sous-gradient Résolution approchée de (D)

Initialiser λ0
k ←0
repeat
résoudre ω(λk )
soitx k le point qui optimise ω(λk )
γk = Ax k − b est un sous-gradient de ω en λk
λk+1 ← max(0, λk + θk γ k )
k ←k +1
until condition d'arrêt
retourner le meilleur ω(λk ) obtenu durant les itérations

Résolution du dual lagrangien Algorithme de sous-gradient Convergence
Propriété
Si θ vérie
∞
X
θk = ∞ et lim θk =0
k→∞
k=1
k
alors ω(λ ) converge vers la valeur optimale de (D)
Exemples de telles séquences :
θk = 1/k : convergence lente
θk = θ0 αk , où 0 <α<1
ω−ω(λk )
θk = f ||γ k ||2
, où 0 <f <2 et ω est une estimation de la valeur
optimale. C'est cette dernière séquence qui est le plus souvent utilisée.

Heuristiques lagrangiennes
La première utilisation des relaxations lagrangiennes est donc de

calculer des bornes duales (bornes inférieures pour un problème de
minimisation).
Mais elles peuvent quelquefois donner des indications vers des bornes
primales (valeurs de solutions réalisables) de bonne qualité.
En eet, le vecteur xλ solution optimale du problème ω(λ) pour un λ

donné n'est en général pas réalisable pour le problème (P).
Il arrive qu'on puisse néanmoins en déduire une solution réalisable.

Heuristiques lagrangiennes Exemple
Exemple
Considérons le problème d'afectation généralisée, qui consite à aecter m
objets à n boites sous contrainte de capacité :

Heuristiques lagrangiennes Exemple
Pn
En relâchant les contraintes j=1 xij ≤ 1∀i , la fonction duale pour
tout λ≥0 donné est :
Ainsi, dans la solution optimale xλ , certains objets i vérient

P n P n
j=1 xij ≤ 1, d'autres vérient j=1 xij > 1 et sont donc aectés à
plus d'une boite.
Il sut alors de retirer chaque objet i aecté plus d'une fois de chaque
boite sauf une, celle où cij est le plus élevé.

Plan


des PLNE

Optimisation Discrete

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Optimisation Discrete

Transféré par

Droits d'auteur :

Formats disponibles

ECUE2 - Optimisation Discrète

ES (Sup'Com, Ensta) Optimisation Discrète 2022-2023 1 / 86

2 Notion d'inégalité valide et Méthodes de coupes

4 Présentation d'un langage de modélisation et des logiciels de résolution

5 Relaxation lagrangienne appliquée à la PLNE

6 Résolution des problèmes de grande taille. Génération de colonnes

ES (Sup'Com, Ensta) Optimisation Discrète 2022-2023 2 / 86

2 Notion d'inégalité valide et Méthodes de coupes

4 Présentation d'un langage de modélisation et des logiciels de résolution

5 Relaxation lagrangienne appliquée à la PLNE

6 Résolution des problèmes de grande taille. Génération de colonnes

ES (Sup'Com, Ensta) Optimisation Discrète 2022-2023 3 / 86

2 Notion d'inégalité valide et Méthodes de coupes

4 Présentation d'un langage de modélisation et des logiciels de résolution

5 Relaxation lagrangienne appliquée à la PLNE

6 Résolution des problèmes de grande taille. Génération de colonnes

ES (Sup'Com, Ensta) Optimisation Discrète 2022-2023 4 / 86

2 Notion d'inégalité valide et Méthodes de coupes

4 Présentation d'un langage de modélisation et des logiciels de résolution

5 Relaxation lagrangienne appliquée à la PLNE

6 Résolution des problèmes de grande taille. Génération de colonnes

ES (Sup'Com, Ensta) Optimisation Discrète 2022-2023 5 / 86

Les méthodes de coupes constituent une seconde catégorie de

Notion d' inégalité valide :

On parle aussi de coupe ou troncature.

ES (Sup'Com, Ensta) Optimisation Discrète 2022-2023 6 / 86

20x1 + 24x2 ≤ 108 n'est pas valide : pourquoi ?

ES (Sup'Com, Ensta) Optimisation Discrète 2022-2023 7 / 86

▶ Si on connaît une famille de bonne coupes, comment l'utiliser dans la

résolution d'un PLNE ?

ES (Sup'Com, Ensta) Optimisation Discrète 2022-2023 8 / 86

Une inégalité valide πx ≤ π0 est redondante si X = X ′ avec :

ES (Sup'Com, Ensta) Optimisation Discrète 2022-2023 9 / 86

X = {x ∈ {0, 1}5 : 3x1 − 4x2 + 2x3 − 3x4 + x5 ≤ −2}

▶ (1) + 2 × (2) : 7x1 ≤ 20 ⇒ x1 ≤ 207 : valide et redondante

ES (Sup'Com, Ensta) Optimisation Discrète 2022-2023 10 / 86

ES (Sup'Com, Ensta) Optimisation Discrète 2022-2023 11 / 86

Idée : ajouter une coupe peut exclure l'optimum de la relaxation

L'algorithme suivant, dû à Gomory, permet de résoudre un PLNE en

ES (Sup'Com, Ensta) Optimisation Discrète 2022-2023 12 / 86

2 Notion d'inégalité valide et Méthodes de coupes

4 Présentation d'un langage de modélisation et des logiciels de résolution

5 Relaxation lagrangienne appliquée à la PLNE

6 Résolution des problèmes de grande taille. Génération de colonnes

ES (Sup'Com, Ensta) Optimisation Discrète 2022-2023 13 / 86

Les contraintes ajoutées sont appelées troncatures ou coupes. La

Commençons par résoudre la relaxation continue par l'algorithme

Parmi les variables de base, choisissons une variable xi , i ∈ B ,

La contrainte correspondant à xi se lit directement sur le tableau

Notation : étant donné un réel y , ⌊y ⌋ désigne le plus grand entier q

ES (Sup'Com, Ensta) Optimisation Discrète 2022-2023 15 / 86

Puisque toutes les variables sont ≥0 dans (1), on a :

La partie gauche de cette inéquation est entière. Le second membre

ES (Sup'Com, Ensta) Optimisation Discrète 2022-2023 16 / 86

(2) − (3) donne :

C'est la coupe (ou troncature) de Gomory.

ES (Sup'Com, Ensta) Optimisation Discrète 2022-2023 17 / 86

Nous voulons ajouter cette coupe au problème initial. Pour avoir

ES (Sup'Com, Ensta) Optimisation Discrète 2022-2023 18 / 86

Considérons dans le nouveau tableau ...

... la base suivante :

ES (Sup'Com, Ensta) Optimisation Discrète 2022-2023 19 / 86

C'est bien une base. On a drirectement l'expression des variables de

4 On eectue alors le pivotage et on itère le procédé (retour en )