Introduction aux méthodes

d’optimisation
Définition
L'optimisation est une branche des mathématiques et de
l’informatique en tant que disciplines, cherchant à
• modéliser,
• à analyser et
• à résoudre analytiquement ou numériquement les problèmes
réels :
• qui consistent à déterminer quelles sont la ou les solution(s)
(Inconnues) satisfaisant un objectif quantitatif tout en respectant
d’éventuelles contraintes.
• Donc cela revient à Résoudre un problème d’optimisation.
Problème d'optimisation
• Un problème d’optimisation = minimisation (ou maximisation) d'une
fonction objectif (de coût) sous des contraintes
• Cette fonction comporte des paramètres et est généralement soumise à des
contraintes
• En fonction des caractéristiques du problèmes (domaines discrets, types de
contraintes, etc.), le problème peut être difficile à résoudre
⇒ Nécessite des outils avancés pour la modélisation et la résolution
➥ Variables (paramètres)
➥ Fonction objectif
➥ Contraintes
Domaines d’application d’un PO
• Économie/Finances
• Biologie
• Transport
• Organisation/Logistique
• Robotique/Intelligence artificielle
• Ingénierie . . .
 Processus d’optimisation

- Analyse du problème
- Modélisation et choix de
méthode
- Résolution
- Interprétation des résultats
Modélisation
Les étapes suivantes permettent de modéliser notre problème par
un problème d'optimisation:
• Identifier les variables et leurs domaines de définitions.
• Traduire les contraintes de la situation par un système
d'inéquations.
• Établir la règle de la fonction à optimiser.
Résolution géométrique

• Tracer le graphe représentant les différentes contraintes.

• Déterminer les coordonnées des sommets du polygone de
contraintes.
• Évaluer la fonction à optimiser en chaque sommet du polygone de
contraintes.
• Déduire le ou les sommets dont les coordonnées maximisent (ou
minimisent) la fonction à optimiser et trouver géométriquement la
ou les solutions.
• Et il y’a aussi la résolution algorithmique par une méthode
d’optimisation.
Méthode d’optimisation
• Une méthode d’optimisation est une technique de résolution d’un
problème d’optimisation mathématique désignant :
la transformation du problème d’origine en un problème équivalent
(modèle),
une méthode théorique dont la description permet l’élaboration d’un
algorithme numériquement applicable.
des outils d’implémentation.
Le choix d’une technique appropriée dépend de :
• la nature de la fonction objectif 𝑓 , de sa régularité (continuité,
dérivabilité), de propriétés spécifiques (parité, convexité), de la
connaissance de voisinages de ses extrema,
• des contraintes caractérisant l'ensemble D des points admissibles
(réalisables).
Classification des méthodes d’optimisation
Exemple illustratif
Un fabricant produit un article. Il souhaite vendre plusieurs unités de cet article à trois
magasins T1, T2 et T3. Il a deux entrepôts d'où réaliser l'envoi, A et B. Dans le premier il a 5
unités de cet article et dans le deuxième 10. La demande de chaque magasin c'est de 8, 5, et
2 unités respectivement. Les coûts de transport d'un article de chaque entrepôt à chaque
magasin sont montrés dans le tableau:

Comment il faut le transporter pour être le plus économique possible?

1ère étape : Lire bien l’exercice et le comprendre.
2ème étape: On modélise sous forme d’un problème d’optimisation.
Modélisation
• Comprendre la problématique,
• Quelles sont les données connues?
• Quelles sont les données inconnues?
• Quel est le résultat demandé (la solution)?
• Notre modèle est un Problème d’Optimisation:
• Ressortir les concepts du modèle: (les variables, leurs domaines,
les contraintes et l’objectif)
Modélisation
• Notre problématique est un problème de transport .
• Les données connues:
 La capacité de stockage des entrepôts
 Les quantités demandées par les magasins
 Le coût de transport entre les entrepôts et les magasins
• Les données inconnues: quelles sont les quantités transporté des
entrepôts vers les magasins?
• L’objectif : trouver les quantités transportées des entrepôts vers la
magasins qui minimisent le coût de transport tout en respectant la
demande des magasins et la capacité des entrepôts (les contraintes).
Modélisation
• Étape 1 : Déterminer les variables de décision et les représenter
de manière algébrique. Dans ce cas:
• Xi: numéro d'unités transportés de chaque entrepôt à chaque
magasin
• X1: numéro d'unités transportées de l'entrepôt A au magasin T1
• X2: numéro d'unités transportées de l'entrepôt A au magasin T2
• X3: numéro d'unités transportées de l'entrepôt A au magasin T3
• X4: numéro d'unités transportées de l'entrepôt B au magasin T1
• X5: numéro d'unités transportées de l'entrepôt B au magasin T2
• X6: numéro d'unités transportées de l'entrepôt B au magasin T3
Modélisation
• Étape 2 : Déterminer la fonction objectif:
Minimiser f(X) = X1 + 2·X2 + 4·X3 + 3·X4 + 2·X5 + X6
• Étape 3 : Déterminer les contraintes et les formuler comme équation ou
inéquations dépendants des variables de décision.
• Ces contraintes sont déduites de la disponibilité d'unités qu'il y a dans
chaque entrepôt de même que la demande de chaque magasin:
• Disponibilité dans l'entrepôt A: X1 + X2 + X3 = 5
• Disponibilité dans l'entrepôt B: X4 + X5 + X6 = 10
• Demande du magasin T1: X1 + X4 = 8
• Demande du magasin T2: X2 + X5 = 5
• Demande du magasin T3: X3 + X6 = 2
Modélisation
• Les domaines des variables: Présenter toutes les conditions
implicitement établies conformément à la nature des variables:
 qu'elles ne peuvent pas être négatives,
 qu'elles soient entières,
 qu'elles ne peuvent que prendre des valeurs déterminées,
• Dans ce cas les conditions sont que la quantité d'unités ne peut
pas être négative et doit être, en plus, un numéro entier:
Modèle
• On obtient le modèle : Problème d’optimisation suivant:

• La nature de ce PO: c’est un PO linéaire