Groupe 13 Rela

REPUBLIQUE DU CAMEROUN
REPUBLIC OF CAMEROON
PAIX-TRAVAIL-PATRIE
PEACE-WORK-FATHERLAND
UNIVERSITE DE YAOUNDE I
UNIVERSITY OF YAOUNDE I
ECOLE NATIONALE
SUPERIEURE NATIONAL ADVANCED
POLYTECHNIQUE SCHOOL OF ENGINEERING
DEPARTEMENT DU GENIE DEPARTMENT OF CIVIL

ENGINEERING
CIVIL
P.O. BOX: 8390 YAOUNDE
BP : 8390 YAOUNDE
PHONE/FAX: 222.22.45.47
TEL/ FAX : 222.22.45.47
THEME: LA RELAXATION LANGRAGIENNE
Réalisé par le groupe 5:
 NDJENDOH MEDJO Guy Armel

 SIYAPZE Franck Bertin Jovial
 TINDO TCHINDA Brice Nadel
Niveau : IV
Sous la supervision de :
Pr. Thomas TAMO TATIETSE
Polytechnicien ( 𝑋𝑌 ), Ing., PhD., HDR
Professeur Titulaire des Universités
Année académique : 2019/2020

SOMMAIRE 2
SOMMAIRE
SOMMAIRE ....................................................................................................................... 2
ABREVIATIONS ................................................................................................................ 4
INTRODUCTION ............................................................................................................... 5
I. PRESENTATION GLOBALE DE LA RELAXATION LANGRANGIENNE :
problème résolu et nécessité ................................................................................................ 6
1. Problème d’optimisation ........................................................................................ 6
2. Description mathématique...................................................................................... 6
1. Problème d’optimisation ........................................................................................ 7
2. Description mathématique...................................................................................... 7
II. PRESENTATION DETAILLEE DE LA TECHNIQUE DE RELAXATION
LAGRANGIENNE .............................................................................................................. 9
1. Prérequis mathématique ......................................................................................... 9
2. Principes ................................................................................................................. 9
3. Présentation de la méthode ..................................................................................... 9
4. Quelques Propriétés de la relaxation lagrangienne ................................................ 9
1. Prérequis mathématique ....................................................................................... 10
a) Lagrangien et fonction duale ............................................................................ 10
b) Point-selle du Lagrangien ................................................................................. 10
c) Différentiablilite de la fonction duale ............................................................... 11
d) Dualité et perturbation de contrainte................................................................. 11
2. Principes ............................................................................................................... 12
3. Présentation de la méthode ................................................................................... 15
4. Quelques Propriétés de la relaxation lagrangienne .............................................. 17
III. LES APPLICATIONS DE LA RELAXATION LAGRANGIENNE ..................... 19
1. Gestion Réseau Téléinformatique ........................................................................ 19
Réalisé par groupe 13 / 4GC /Promotion 2021

SOMMAIRE 3
2. Domaine Energie Electrique ................................................................................ 19

3. Production de Matériaux de carrière pour les travaux routiers ............................ 19
4. Maximisation du prix De revient ......................................................................... 19
5. Applications classiques de la relaxation lagrangienne ......................................... 19
1. Gestion Réseau Téléinformatique ........................................................................ 20
2. Domaine Energie Electrique ................................................................................ 24
3. Production de Matériaux de carrière pour les travaux routiers ............................ 25
4. Maximisation du prix De revient ......................................................................... 25
5. Applications classiques de la relaxation lagrangienne ......................................... 25
a) Plus court chemin sous contraintes de temps.................................................... 25
b) Voyageur de commerce .................................................................................... 26
c) Bin packing ....................................................................................................... 26
IV. AVANTAGES, LIMITES DE LA METHODE, ET AMELIORATIONS ............. 27
1. Avantages de la relaxation Lagrangienne ............................................................ 27
2. Limites : Notes importantes ................................................................................. 27
3. Améliorations ....................................................................................................... 27
1. Avantages de la relaxation Lagrangienne ............................................................ 28
2. Limites : Notes importantes ................................................................................. 28
3. Améliorations ....................................................................................................... 28
CONCLUSION .................................................................................................................. 29
BIBLIOGRAPHIE ............................................................................................................. 30

ABREVIATIONS 4
ABREVIATIONS
S.C. Sous contraintes

S.T. Sous contraintes de Temps

INTRODUCTION 5
INTRODUCTION
La Recherche Opérationnelle constitue l’ensemble des méthodes quantitatives ayant

pour objectif la détermination de la meilleure solution à apporter à des problèmes de
gestion et de décision. Son champ d’action est particulièrement vaste couvrant les
problèmes de logistique, de planification, d’organisation des services, de réseaux de
télécommunication. Dans un contexte économique instable, nombreuses sont les
entreprises qui constatent les limites de l’optimisation seule de leur système et cherche à
explorer de nouvelles sources de compétitive à travers l’optimisation de l’objectif à
atteindre. La fonction objectif ou fonction économique est utilisée en recherche
opérationnelle pour désigner une fonction qui sert de critère pour déterminer la meilleure
solution à un problème d’optimisation. Parmi les techniques de résolution il existe des
techniques dites de relaxation qui consiste à remplacer une contrainte stricte en contrainte
moins stricte, voire à la supprimer. Les techniques de relaxation sont largement utilisées
dans les méthodes de séparation et évaluation. L’une d’entre elle que nous étudierons est
la relaxation lagrangienne. La relaxation lagrangienne est donc une technique de
relaxation qui consiste à supprimer des contraintes difficiles en les intégrant dans la
fonction objective et en la pénalisant si ces contraintes ne sont respectées. Pour mieux
appréhender cette technique, nous présenterons la nécessité du concept et le problème
qu’elle vient résoudre, puis nous présenterons la technique de relaxation Lagrangienne,
ensuite les différentes applications de cette technique et enfin nous montrerons les limites
de la méthode, perspectives et améliorations.

PRESENTATION GLOBALE DE LA RELAXATION LANGRANGIENNE :
6
problème résolu et nécessité
I. PRESENTATION GLOBALE DE LA RELAXATION

LANGRANGIENNE : problème résolu et nécessité
1. Problème d’optimisation
2. Description mathématique

7
Les techniques de bases de l’optimisation combinatoire sont limitatives La relaxation

lagrangienne est un outil pour trouver les limites supérieures pour la valeur optimale d’un
problème donné (arbitraire) de maximisation
1. Problème d’optimisation
La relaxation lagrangienne est une manipulation classique en optimisation sous
contraintes. Bien qu’intimement liée à la convexité, elle est couramment utilisée dans le
cas non convexe. En particulier, elle permet d’obtenir des bornes de la valeur optimale de
certains problèmes d’optimisation combinatoire durs. L’idée consiste à relaxer une partie
des contraintes (en principe, celles qui rendent le problème compliqué) qui sont introduites
dans la fonction objective sous la forme d’une pénalité qui combine linéairement les
contraintes relaxées. Les coeﬃcients de cette combinaison linéaire sont appelées les
variables duales associées à la relaxation lagrangienne. Considérons le problème
d’optimisation dans IRn suivant :
𝑀𝑖𝑛𝑖𝑚𝑖𝑠𝑒𝑟 𝑓 (𝑥)
(P) { 𝑔 (𝑥 ) ≤ 0
𝑥∈𝑆
Où S est un sous-ensemble de IRn ,𝑓: 𝑆 ↦ IRP où (P) sera appelé le problème primal. Ici,
les contraintes g(x) ≤ 0 sont considérées comme les contraintes complicantes (on dit aussi
couplantes) dans le sens où on suppose que l’on dispose d’un algorithme efficace pour
minimiser une fonction de IRn sur l’ensemble S. Observez qu’aucune hypothèse
particulière n’a été formulée sur le problème primal.
2. Description mathématique
Globalement si nous avons un problème de minimisation cela revient à maximiser (-
f)
Étant donné un problème d'optimisation linéaire 𝑥 ∈ IRn et 𝐴 ∈ IRm,n sous la forme

suivante :
max 𝑐 𝑇 𝑥
S.C. 𝐴𝑥 ≤ 𝑏
Si on sépare les contraintes de A en 𝐴1 ∈ IRm1,n , 𝐴2 ∈ IRm2 ,n avec 𝑚1 et 𝑚2 tels
que on peut réécrire le système sous la forme :

8
max 𝑐 𝑇 𝑥
S.C. (1) 𝐴𝑥1 ≤ 𝑏
(2) 𝐴𝑥2 ≤ 𝑏
Supposons que les contraintes (2) soient difficiles, on les introduit dans la fonction
objectif:
max 𝑐 𝑇 𝑥 + 𝜆𝑇 (𝑏2 − 𝐴2 𝑥)
S.T.
(1) 𝐴𝑥1 ≤ 𝑏
Si 𝜆 = (𝜆1 , … , 𝜆𝑚2 ) sont des pénalités positives, on est pénalisé si la contrainte (2) est
violée. D'un autre côté, si on veut garder une fonction objectif linéaire, on est récompensé
si on suit strictement la fonction objectif. Le système ci-dessus est appelé la relaxation
lagrangienne du problème.
On cherchera alors à résoudre le dual de cette relaxation par différentes méthodes comme
la méthode des faisceaux, la génération de colonnes ou la plus utilisée, la descente de
sous-gradient et ses variations.

PRESENTATION DETAILLEE DE LA TECHNIQUE DE RELAXATION
9
LAGRANGIENNE
II. PRESENTATION DETAILLEE DE LA TECHNIQUE

DE RELAXATION LAGRANGIENNE
1. Prérequis mathématique
2. Principes
3. Présentation de la méthode
4. Quelques Propriétés de la relaxation lagrangienne

10
1. Prérequis mathématique
a) Lagrangien et fonction duale
On définit le Lagrangien du problème (P) comme la fonction 𝐿 = ∶ 𝑆 × 𝑅𝑃 → 𝑅

suivante : 𝐿(𝑥, 𝑢) = 𝑓 (𝑥) + 〈𝑢, 𝑔(𝑥)〉
Où u est 𝑢 𝜖 𝑅𝑃 , 𝑢 ≥ 0 est appelé le vecteur des multiplicateurs
Ou vecteur des variables duales. On appelle alors fonction duale associée au problème (P)
la fonction ℎ: 𝑅𝑃 → 𝑅 telle que : ℎ(𝑢) = 𝑖𝑛𝑓𝑥𝜖 𝑆 (𝐿(𝑥, 𝑢) définie sur U= {𝑢 𝜖 (𝑅𝑃 )+ /
𝑖𝑛𝑓𝑥𝜖 𝑆 (𝐿(𝑥, 𝑢) > −∞}
Théorème : La fonction h est concave sur tout sous-ensemble convexe de U. En plus de
cette propriété remarquable, la fonction duale fournit une borne inférieure pour le
problème (P) :
Théorème : 𝒉(𝒖) ≤ 𝒇(𝒙), ∀ 𝒖 𝝐 𝑼 𝒆𝒕 ∀ 𝒙 𝝐 𝑺 𝒕𝒆𝒍 𝒒𝒖𝒆 𝒈(𝒙) ≤ 𝟎
Corollaire : en notant 𝑆𝑢𝑝ℎ = +∞, le problème primal n’a pas de solution réalisable.
𝑠𝑖 𝑖𝑛𝑓 = −∞, 𝑙𝑒 𝑝𝑟𝑜𝑏𝑙𝑒𝑚𝑒 𝑑𝑢𝑎𝑙 𝑛′ 𝑎𝑝𝑎𝑠 𝑑𝑒 𝑠𝑜𝑙𝑢𝑡𝑖𝑜𝑛 𝑟𝑒𝑎𝑙𝑖𝑠𝑎𝑏𝑙𝑒. Le problème dual

associe à (P) est donc
(𝐷 ) {𝑀𝑎𝑥𝑖𝑚𝑖𝑠𝑒𝑟 𝒉(𝒖)
𝒖𝝐𝑼
On appellera solution primale réalisable ou P-réalisable tout x ∈ S tel que g(x) ≤ 0.

De même, tout u ∈ U est une solution duale réalisable ou D-réalisable.
b) Point-selle du Lagrangien
Définition : On appelle point-selle de la fonction Lagrangien L toute paire (𝑥 ∗ , 𝑢) telle

que par rapport à S telle que : ∀ 𝒖 ≥ 𝟎, 𝑳(𝑥 ∗ , 𝑢), ≤ 𝑳(𝑥 ∗ , 𝑢∗ ) ≤ 𝑳(𝑥, 𝑢 ∗ ), ∀ 𝒙 𝝐 S
Le point-Selle signifie donc que 𝑥 ∗ minise 𝑳(𝑥, 𝑢), par rapport à x sur S et que 𝑢∗
maximise L(x, u) par rapport à u sur u ≥ 0

11
Théorème : (x∗, u∗) est un point-selle de L(x, u) si et seulement si :
𝑥 ∗ 𝑚𝑖𝑛𝑖𝑚𝑖𝑠𝑒 𝑳(𝑥, 𝑢∗ )𝑠𝑢𝑟 𝑆

{ 𝑔(𝑥 ∗ ) ≤ 𝟎
〈𝑢∗ , 𝑔(𝑥 ∗ )〉 = 0
Théorème : Si (x∗, u∗) est un point-selle de L, alors x∗ est solution de (P).

Corollaire : S’il existe x∗ P-réalisable et u∗ D-réalisable tels que h (u∗) = f (x∗), alors (x∗,
u∗) est un point-selle de L. Par conséquent, x∗ est solution optimale de (P) et u∗ est solution
optimale de (D).
Il est difficile de donner une condition nécessaire et suffisante d’existence d’un point selle.
Théorème : Supposons S convexe et les fonctions f, 𝑔1 ,…, 𝑔𝑝 convexes sur S. Supposons
de plus qu’il existe x0 ∈ S tel que g(x0) < 0. Si x∗ ∈ S est une solution optimale de (P),
alors il existe un vecteur de multiplicateurs u∗ ≥ 0 tel que (x∗, u∗) est un point-selle du
Lagrangien L(x, u).
c) Différentiablilite de la fonction duale

Pour simplifier l’étude, on suppose S compact et les fonctions 𝑓, 𝑔𝑝 , . . . , 𝑔𝑝 continues sur
S. Cela implique 𝑈 = (𝑅 𝑃 )+ . La fonction h est alors sous-différentiable sur U
Soit X(u) = {x ∈ S | x minimise L(x, u) sur S}.
Soit X(u) = {x ∈ S | x minimise L(x, u) sur S}. D’après le Théorème de Danskin, on a
:
𝜕ℎ(𝑢) = 𝑐𝑜𝑛𝑣(𝑔(𝑥)/𝑥 ∈ X(u)} donc h est différentiable en u ∈ U si g(x) est

constant sur X(u), ou de manière plus pratique, si le sous-problème 𝑖𝑛𝑓𝑥∈S 𝑓(𝑥) +
〈𝑢∗ , 𝑔(𝑥 ∗ )〉 possède un unique minimum. Comme cela sera le cas en particulier si f est
strictement convexe, 𝑔𝑝 , . . . , 𝑔𝑝 convexes sur S convexe borné
d) Dualité et perturbation de contrainte

On associe à (P) le problème perturbé suivant :
Minimiser 𝒇(𝒙)
(py) sous 𝒈(𝒙) ≤ 𝒚
𝒙∈S

12
Où y ∈ 𝑅𝑛 est un vecteur de perturbations du second membre. Le problème (P)

correspond bien sûr à y = 0.
Soit w(y) la fonction perturbation : 𝑤(𝑦) = min{𝑓(𝑥)/𝑔(𝑥) ≤ 𝒚 , 𝒙 ∈ S}
définie sur :
𝑌 = {𝑦 ∈ 𝑅𝑛 / ∃ 𝑥 ∈ 𝑆 𝑡𝑒𝑙 𝑞𝑢𝑒 𝑔(𝑥) ≤ 𝒚}
Proposition :
– La fonction w est monotone non croissante sur Y
– Si f, g sont des fonctions convexes et S est convexe fermé, alors Y est un ensemble
convexe et w est convexe sur Y.
Théorème: La fonction duale h associée à (P) satisfait :
ℎ(𝑢) = −𝜔∗ (−𝑢)
2. Principes
Pour certains problèmes d’optimisation combinatoire connus comme NP-difficile où

les fonctions à minimiser sont à variables discrètes, l'enjeu d'obtention rapide de bonnes
bornes inférieures est considérable pour garantir la qualité des solutions réalisables. Dans
ce cadre, la relaxation lagrangienne est un outil puissant et abondamment employé par les
chercheurs. Cette notion peut s’appliquer à un grand nombre de problèmes d’optimisation,
qu’ils soient quadratiques, linéaires ou simplement convexes, etc. Elle se base sur la
maximisation d'une fonction duale du problème, concave, en général non différentiable,
mais dotée d'un sous gradient en chaque point du domaine où la fonction est définie. A
chaque itération de l’algorithme de résolution du problème dual, un appel du problème
relâché doit être fait (en général plus facile à résoudre que le problème initial et traitable
en utilisant des d'algorithmes simples) fournissant à la fois un sous gradient du dual et une
borne inférieure pour le problème combinatoire traité. Dans cette section, nous abordons
la relaxation lagrangienne uniquement dans le cadre de la minimisation d’une fonction
(pas nécessairement linéaire).

13
Considérons le problème d’optimisation dans 𝑅𝑛 suivant :

(p) 𝒋∗ = 𝒎𝒊𝒏𝒙 ∈ 𝐗 𝒇(𝒙)
𝑨𝒙 ≤ 𝒃
Sous contraintes {
𝑪𝒙 ≤ 𝒅
Où X est un sous ensemble de 𝑅𝑛 et f une fonction définie dans X et à valeurs dans 𝑅𝑛 ,
Ax et Cx les fonctions définies de 𝑋 → 𝑅𝑃 , avec p≤ n. Le problème (P) est appelé le
problème primal. Supposons que la contrainte Ax ≤ b complique la résolution du problème
(P) dans le sens où sans cette contrainte, on dispose d’un bon algorithme pour résoudre le
problème (P). Nous supposons que la contrainte d’inégalité Cx ≤ d ne complique pas la
résolution du problème (P). L’idée consiste à relaxer la contrainte Ax ≤ b et à
l’introduire dans la fonction objective sous forme d’une pénalité par une combinaison
linéaire de coefficients appelés variables duales (multiplicateurs de Lagrange) associées à
la relaxation lagrangienne. Cette opération est aussi dite dualisation des contraintes Ax ≤
b. Nous en déduisons la définition suivante :
Définition : Soit λ un vecteur de poids non négatif appelé multiplicateur de Lagrange. Le

problème relaxé (LRλ) du problème primal (P) est défini par :
(L𝑅𝜆 ) 𝑳(𝝀) = 𝐦𝐢𝐧𝒙∈ 𝐗 {𝒇(𝒙) + 𝝀(𝑨𝒙 − 𝒃)/𝐂𝐱 ≤ 𝐝}
Par FS(P) nous désignons la suite des solutions admissibles au problème primal (𝑃)
Nous remarquons que (𝐿𝑅𝜆 ) est bien une relaxation du problème (𝑃) puique :
i) FS(L𝑅𝜆 ) ⊆ FS(P)
ii) ∀ la solution admissible du problème (P) et ∀ λ≥0, f (x) +λ (Ax −b) ≤ f (x)
(puisque nous sommes en présence d’un problème de minimisation). Donc, il
s’en suit qu’une solution optimale au problème relaxé est inférieure à J* (∀
λ≥0, L(λ) ≤ J*). Ainsi, L(λ) est une borne inférieure à la valeur optimale du
problème (P).
Remarque : Supposons que pour un multiplicateur de Lagrange λ, xλ est la solution

optimale au problème relaxé (LRλ) appelé « solution lagrangienne ». Si la solution xλ

14
satisfait la condition λ (Axλ - b) ≤ 0, alors xλ est solution optimale au problème primal (P).
Par contre, si xλ n’est pas une solution admissible au problème (P), alors des méthodes
heuristiques sont souvent utilisées pour modifier la solution inadmissible à (P) pour la
rendre admissible. Généralement, les solutions obtenues des sous problèmes lagrangiens
sont des solutions approximées. Ainsi, une méthode heuristique de relaxation pour générer
de bonnes solutions est adoptée.
Deux questions se posent dans le principe de relaxation lagrangienne :
(i) Comment choisir le vecteur des multiplicateurs pour obtenir la meilleure

borne inférieure ?
(ii) (ii) Quelles contraintes doit-on relâcher ? Répondre à la première question
revient à résoudre un problème appelé Problème dual lagrangien donné par
la définition suivante.
Définition : le problème dual lagrangien consiste à rechercher la meilleure et borne

inferieure 𝐿∗ telle que :
(DL) 𝑳∗ = 𝑴𝒂𝒙𝑴𝒊𝒏𝝀≥𝟎 𝒆𝒕 𝑥 ∈ 𝑋1 {𝒇(𝒙) + 𝝀(𝑨𝒙 − 𝒃)/𝑪𝒙 ≤ 𝒅} 𝜟
La fonction objective du problème dual lagrangien (DL) est généralement concave et

partout non différentiable. Les techniques de programmation non linéaire pour la résolution
des problèmes d’optimisation différentiable sont alors inopérantes et des méthodes
adaptées doivent par conséquence être mises au point pour traiter les problèmes de type 𝜟.
Donc, malgré la simplicité de l’écriture du problème (DL), résoudre ce problème est
souvent une tâche très difficile. Dans la littérature, il existe plusieurs méthodes permettant
la résolution du problème 𝜟 . Ces méthodes diffèrent par la structure de la fonction
objective et pour la plupart des cas, beaucoup de chercheurs ont trouvé certaines méthodes
plus efficaces que d’autres. On distingue la méthode du sous-gradient, la méthode de
recherche de <<pas >> d’Armijo, la méthode d’Armijo Subgradient et la méthode des
faisceaux. La méthode des faisceaux et la méthode du sous-gradient sont les plus utilisées.

15
Pour ces méthodes l’idée principale est de mettre à jour itérativement le vecteur des
multiplicateurs 𝝀 en fonction, notamment de la valeur de L(𝝀). A chaque itération de
l’algorithme dual, l’idée des deux méthodes évoquées ci haut est de résoudre jusqu’à
l’optimalité les problèmes ( 𝐿𝑅 𝝀 ). Ceci présuppose que les problèmes relaxés ( 𝐿𝑅 𝝀 )
peuvent être résolus très rapidement. Le choix des contraintes relaxés est donc guidé par
cette première observation. De plus en pratique, il est important de préserver une taille
raisonnable au vecteur des multiplicateurs. Par conséquent, nous sommes souvent
contraints de limiter le nombre de contraintes à relaxer. Ce choix doit tenir compte de la
qualité des bornes inferieures que nous allons obtenir. Il est connu que, quelles que soient
les contraintes relaxées, la valeur maximale de L(𝝀) est supérieure ou égale à la borne
inferieure que nous aurions obtenue à l’aide de la relaxation de (P). Ainsi trouver une
réponse à la deuxième question n’est pas évident.
3. Présentation de la méthode
Considérons le problème de programmation mathématique suivant :

(𝑷) 𝑴𝒊𝒏 𝒇(𝒙)
𝒙 ∈ 𝑿𝟏 ⊂ 𝑹𝒏
Sujet à { 𝒙 ∈ 𝑿𝟐 ⊂ 𝑹𝒏
𝒙 ∈ 𝐗 ⊂ 𝑹𝒏
Ou f : 𝑹𝑷 → 𝑹
Supposons que X1 et X2 sont engendrés respectivement comme suit :
𝑋1 = { 𝑥 ∈ 𝑅𝑛 : 𝑓𝑖 (𝑥) ≤ 0, 𝑖 = 1, … , 𝑚}
𝑋2 = { 𝑥 ∈ 𝑅𝑛 : 𝑔𝑖 (𝑥) ≤ 0, 𝑖 = 1, … , 𝑞}.
Si les contraintes 𝑥 ∈ 𝑋1 et 𝑥 ∈ X sont des contraintes faciles à traiter, alors il est
intéressant de trouver un moyen d’en tirer d’avantage en éliminant 𝑥 ∈ 𝑋2 .
Par contre il faut trouver un moyen de simuler leur présence dans le problème résultant
Le principe de la relaxation lagrangienne consiste à remplacer la résolution de (P) par

celle d’une suite de problème de la forme suivante : (dénotés relaxations
lagrangiennes)

16
𝒒
(𝑷𝝀 ) G (𝝀) =Min {f(x) +∑𝒊=𝟏 𝝀𝒊 𝒈𝒊 (𝒙)}
𝒇 ≤𝟎 𝒊 = 𝟏, … . . 𝒎
Sujet à { 𝒊
𝒙∈𝑿
Obtenus en utilisant diverses valeurs pour les multiplicateurs

𝜆 = [𝜆1 , … , 𝜆𝑞 ]𝑇 ≥ 0.
Se référant à la théorie de la dualité lagrangienne, nous donnons que G (𝜆) est
la fonction économique du Dual lagrangien (D) des problèmes (P) par rapport
aux contraintes 𝑔1 (𝑥), … , 𝑔𝑞 (𝑥) :
(𝑫) 𝑴𝑨𝑿𝝀≥𝟎 {𝑮(𝝀)} = 𝑴𝑨𝑿𝝀≥𝟎 {𝑴𝒊𝒏{𝒙 ∈ 𝑿𝟏 {{𝒇(𝒙) + ∑ 𝝀𝒊 𝒈𝒊 (𝒙)}}

𝒙∈𝐱
𝒊=𝟏
Ainsi par le théorème de la dualité faible, la valeur optimale 𝑮(𝝀) des

problèmes (𝑃𝜆 ) est une borne inferieure sur sa valeur optimale (P).
C’est dans ce sens que (𝑃𝜆 ) est une relaxation de (P).
De plus, se référant aux conditions d'optimalité du théorème du lagrangien, si

nous pouvons identifier un vecteur de multiplicateurs 𝜆 ≥ 0 tel que la solution
optimal 𝑥 𝜆 de (𝑃𝜆 ) satisfait les conditions :
 𝑔𝑖 (𝒙𝝀 ) ≤ 𝟎 𝒊 = 𝟏, … , 𝒒 (Réalisabilité)
 𝝀𝑖 𝑔𝑖 (𝒙𝝀 ) = 𝟎 𝒊 = 𝟏, . . , 𝒒 (Complémentarité)
Alors, 𝑥 𝜆 est une solution optimale de (P).

Ainsi λ≥ 0 est modifié à chaque itération de sorte à optimiser le problème dual (𝐷) et
par le fait même à générer la meilleure borne inférieure sur la valeur optimale du
problème (P).
Comme nous l'avons observé dans la section sur la dualité lagrangienne, la
fonction G (𝜆)
𝒒
(𝑷𝝀 ) G (𝝀) =Min {f(x) +∑𝒊=𝟏 𝝀𝒊 𝒈𝒊 (𝒙)}

17
𝒇 ≤𝟎 𝒊 = 𝟏, … . . 𝒎
Sujet a { 𝒊
𝒙∈𝑿
Est concave en 𝜆.
Si la fonction G (𝜆) était continument différentiable, il suffirait de résoudre le
dual (𝐷) avec une méthode itérative où à chaque itération la solution actuelle
est modifiée en se déplaçant dans une direction s'alignant sur le gradient de la
fonction évalué à la solution actuelle.
Du fait que G(λ) est concave, il s'ensuit que cette fonction atteint un minimum global
en un point où le gradient s'annule.
Mais la fonction G(λ) n’est pas continument différentiable en général. Pour ce genre
de problème, des méthodes itératives ont été développées où le gradient est remplacé
par le sous-gradient de la fonction.
Heureusement il est facile d'identifier un sous-gradient pour la fonction G(λ) à une

solution actuelle λ̃ du dual.
̃ ̃ ̃
 Si 𝒙𝝀 dénote une solution optimale de (𝑝̃λ ), alors le vecteur [𝑔𝑖 (𝒙λ ), … , 𝑔𝑞 (𝒙λ )]
est un sous gradient de G au point λ̃.
𝑻
̃ ̃
En effet, pour tout λ≥0, G ( λ̃) + [𝑔𝑖 (𝒙λ ), … , 𝑔𝑞 (𝒙λ )] (λ − λ̃)
̃ 𝒒 ̃ 𝒒 ̃
= 𝑓(𝒙λ ) + ∑𝒊=𝟏 λ̃𝒊 𝒈𝒊 (𝒙λ ) + ∑𝒊=𝟏(λ𝑖 − λ̃𝒊 )𝒈𝒊 (𝒙λ )
̃ 𝒒 ̃
= 𝑓(𝒙λ ) + ∑𝒊=𝟏 λ𝒊 𝒈𝒊 (𝒙λ )
̃ 𝒒
≥ 𝒊𝒏𝒇{𝑓(𝒙λ ) + ∑𝒊=𝟏 λ𝒊 𝒈𝒊 (𝒙): 𝒇𝒊 (𝒙) ≤ 𝟎, 𝒊 = 𝟏, . . , 𝒎 }
= 𝐆( λ)
4. Quelques Propriétés de la relaxation lagrangienne

Interprétation géométrique de la relaxation lagrangienne
Il existe un problème primal, (PR), équivalent à (LR), i.e., tel que

V(LR) = v(PR)

18
Conséquences de l’interprétation géométrique :

v(LP) £ v(LR) =v(PR) £ v(P)
Propriété d’Intégralité :
Si l’enveloppe convexe des points entiers des contraintes que l’on garde est égale au
polyèdre des contraintes que l’on garde autrement dit, si
Co{x∈X | Cx ≤ d} = {x∈Rn | Cx ≤ d} Conséquences (malheureuses !) de la
propriété d’intégralité: v(LR)=v(PR)=v(LP)
Conséquences de la propriété d’intégralité (PI):

Si l’un des sous-problèmes à la PI, alors v(LD)=v(PR)=v(LR2)
Si les deux sous-problèmes ont la PI, alors v(LD)=v(PD)=v(LR1)=v(LR2)=v(LP)

LES APPLICATIONS DE LA RELAXATION LAGRANGIENNE 19
III. LES APPLICATIONS DE LA RELAXATION

LAGRANGIENNE
1. Gestion Réseau Téléinformatique
2. Domaine Energie Electrique
3. Production de Matériaux de carrière pour les travaux routiers
4. Maximisation du prix De revient
5. Applications classiques de la relaxation lagrangienne

L’objectif des grandes entreprises est d’établir le lien entre la ressource naturelle
disponible, sa transformation et l’obtention du produit sollicité afférent aux problèmes que
solutionne l’entreprise. Généralement on désire minimiser la production (matière première,
sa transformation), et satisfait la consommation. Pour atteindre le but et rester dans la
logique dans une perspective durable, certaines entreprises disposent des départements
d’études spécifiques dont le rôle est de maximiser certains paramètres et de minimiser
d’autres ; en d’autres termes améliorer le rendement. La traduction du problème en
équations mathématiques s’avère plus ou moins complexe suivant les domaines, et les
méthodes de résolution qui ne sont pas toujours disponibles sont très cruciales pour
l’entreprise. En effet la solution fournie fera suite à une série des décisions et des
contraintes à prendre en compte pour atteindre l’objectif escompté. Ainsi, nous présentons
ci-après quelques problèmes que vient résoudre l’algorithme de relaxation lagrangienne en
termes d’optimisation et d’efficacité.
1. Gestion Réseau Téléinformatique

Un réseau téléinformatique est constitué de deux parties : un réseau
d’interconnexion reliant les calculateurs entre eux et des réseaux arborescents reliant les
terminaux au calculateur auquel ils sont affectés (réseaux d’accès). Etant donné
l’emplacement du site central (calculateur ou concentrateur), l’emplacement des sites
terminaux et l’emplacement des nœuds interurbains de liaisons spécialisées (points
d’éclatement des liaisons multipoints), comment constituer un réseau de coût minimum
respectant certaines contraintes du type : limitation du nombre de sorties sur un point
d’éclatement (contrainte de degré) ? En supposant les capacités des liaisons suffisamment
élevées, le réseau optimal est alors un arbre de poids minimum respectant les contraintes
de degré en chacun de ses sommets. Le but est de déterminer un tel arbre par la relaxation
lagrangienne.
On dispose d’un graphe G= (V, U) à n sommets représentant le réseau. Chaque arrête u
est munie d’un coût c(u) positif ou nul. A un arbre A de G, on associe la fonction x de U
dans [0 ;1] définie par
x(u)= 1 si u Є A
x(u)= 0 si non
On note S l’ensemble des fonctions ainsi obtenues (par abus de langage, un élément x de
S est appelé arbre). On appellera 𝑑𝑣 (𝑥) le degré du sommet v dans l’arbre x, et pour chaque
sommet v du graphe on définit une borne 𝐷𝑣 que ne devra pas dépasser 𝑑𝑣 (𝑥) dans la
solution finale. On note i(u) et j(u) les extrémités de l’arrête u. Avec ces notations, le
problème que l’on veut résoudre s’écrit :

Minimiser ∑ c(u).x(u)
xЄS uЄU
Avec les contraintes pour tout v Є V, 𝑑𝑣 (𝑥)≤ 𝐷𝑣
Définissons le problème dual en relâchant les contraintes. A chaque contrainte, mise sous
la forme 𝑑𝑣 (𝑥)- 𝐷𝑣 ≤ 0, on associe un multiplicateur de Lagrange 𝜆𝑣 ≥0. Notons A le
vecteur dont les composants sont les différents multiplicateurs de Lagrange. La fonction de
Lagrange L(x,A) vaut alors
L(x,A)=∑ c(u).x(u) + ∑ 𝜆𝑣 (𝑑𝑣 (𝑥)- 𝐷𝑣 )
uЄU vЄV
On en déduit l’expression de la fonction duale W(A) :
W(A) = Min {∑ c(u).x(u) + ∑ 𝜆𝑣 (𝑑𝑣 (𝑥)- 𝐷𝑣 )}

xЄS uЄU vЄV
Ou S est l’ensemble des arbres.

Le problème dual consiste à maximiser W(A) pour tout A≥0 , c'est-à-dire à résoudre
Maximiser Min {∑ c(u).x(u) + ∑ 𝜆𝑣 (𝑑𝑣 (𝑥)- 𝐷𝑣 )}

A≥0 xЄS uЄU vЄV
L’inconvénient majeur de la forme précédente est qu’elle fait intervenir à la fois les arrêtes
et les sommets du graphe. Ceci empêche de reconnaitre un problème d’arbre de poids
minimum, problème que l’on sait bien résoudre. Transformons le second terme en
éliminant les sommets.
Pour cela, remarquons que le degré d’un sommet v est égal au nombre d’arrêtes qui lui sont
incidentes
𝑑 𝑣 (𝑥 ) = ∑ x(u)
u Є U et [ i(u)= v ou j(u)= v ]
∑ 𝜆𝑣 (𝑑𝑣 (𝑥)- 𝐷𝑣 ) = ∑ 𝜆𝑣 𝑑𝑣 (𝑥)- ∑ 𝜆𝑣 𝐷𝑣

v ЄV vЄV vЄV
=∑ ∑ 𝜆𝑣 x(u)- ∑ 𝜆𝑣 𝐷𝑣

vЄV uЄU vЄV et [ i(u)= v ou j(u)= v ]
Considérons une arrête u quelconque : x(u) apparait à deux endroits dans le dernier membre
de l’expression ci-dessus, correspondant aux deux extrémités de u. par conséquent, si on
regroupe les termes selon les arrêtes u, 𝑥𝑢 aura pour coefficient λi(u)+ λj(u). D’autre part,
faire la somme sur tous les sommets possibles revient à envisager toutes les arrêtes du
graphe. On se trouve donc avec l’expression :
∑ 𝜆𝑣 (𝑑𝑣 (𝑥)- 𝐷𝑣 )= ∑ x(u) [ λi(u)+ λj(u)]- ∑ 𝜆𝑣 𝐷𝑣

vЄV uЄU vЄV
L (x, A) = ∑ x(u) [ c(u) + λi(u)+ λj(u)] - ∑ 𝜆𝑣 𝐷𝑣

uЄU vЄV
Le problème dual devient
Maximiser Min {∑ x(u) [ c(u) + λi(u)+ λj(u)] - ∑ 𝜆𝑣 𝐷𝑣 }

A≥0 xЄS uЄU vЄV
On constate que le terme : Min ∑ x(u) [ c(u) + λi(u)+ λj(u)]

xЄS uЄU
Conduit à chercher un arbre de poids minimum pour les valuations c(u)+ λi(u)+λj(u)
lesquelles changent à chaque itération en fonction des λv. On pourra par conséquent
appliquer un algorithme calculant un arbre couvrant de poids minimum, par exemple celui
de Kruskal, ou encore celui de Prim…
L’application consiste, au moyen de la relaxation à chercher dans le graphe ci-contre un

arbre couvrant de poids minimum (APM) parmi les arbres couvrant x respectant d a(x)=2et
d b(x)=2 ou d’obtenir un minorant de l’optimum cherché. Nous utiliserons les notations
suivantes :
A=(λa, λb) ;𝑍 ∗ représente l’optimum du problème primal ;𝑊 ∗ représente le maximum de
la fonction duale W ; Si on considère k-1 arbres x1 ;…..xk-1,
𝑊𝐾 (A) = Min { L(x1, A),……,L(xk-1, A)} ;
On note 𝑊 ∗ k le maximum de 𝑊𝑘 (A) et Ak la valeur de A telle que 𝑊𝑘 (A)= 𝑊 ∗ k.

On rappelle la relation importante suivante 𝑊𝑘 (A)≤ 𝑊 ∗ ≤𝑊 ∗ k.

Wk.
On détermine un petit nombre d’arbres de façon à initialiser la relaxation. Nous choisissons

ici un arbre de plus petit coût XI et un arbre dont les degrés en a et en b soient minimums,
c'est-à-dire prennent la valeur 1.
C(XI)=5 et c(X2)=12
Toute solution à notre problème aura un coût au moins égal à la solution de coût minimum :
5 𝑍 ∗ , l’arbre x2 de coût 12 est réalisable : 𝑍 ∗ 12.
En ce qui concerne 𝑊 ∗ on peut remarquer que W(0)=c(X1)=5 ; comme on a 𝑊 ∗ W(0),
il vient 𝑊 ∗ 5. Par ailleurs, g : 𝑊 ∗ 12.

On peut en fait considérer que XI est un APM obtenu pour =0, et un arbre correspondant à
des valeurs très grandes de et Rb de telle sorte que le coût devienne négligeable par rapport
aux contraintes dans la fonction de Lagrange. On obtient :
L(XI, A)= c(XI) + 𝜆𝑎 [ 𝑑𝑎 (x1)- Da ] + (XI)-(DI)= 5+2, la L(X2),
Li) = c(X2) + 𝑑𝑎 (x2)- Dal + lb[ db(X2)- Dbl12-λb
On résout Maximiser Min { L(XI, A), L(X2,Ä) ) pour A=0. on est amener à résoudre
Maximiser w avec les contraintes
Application de l’algorithme de
Simplex nous donne les valeurs
optimales recherchées
A3=(7/3,0)
∗
𝑊 3=29/3
2. Domaine Energie Electrique

Les centrales hydrauliques (centrales à réserve pompée, centrales moyennes et hautes
chutes) utilisent l’énergie cinétique de l’eau contenue dans un réservoir. La gestion de la
production annuelle est importante pour assurer l’utilisation optimale des ressources
hydrauliques. Elle consiste à valoriser l’eau disponible dans les barrages, ressource dont la
valeur provient de la rareté. Le but est de prévoir une utilisation des centrales permettant
de réaliser deux objectifs antagonistes : d’une part produire assez d’électricité pour
satisfaire la demande et d’autre part minimiser les dépenses. Il faut trouver l’équilibre entre
produire assez pour satisfaire la demande et produire le moins possible afin de réduire les
dépenses.

3. Production de Matériaux de carrière pour les travaux routiers

Une société se consacre à l’excavation et la distribution de matériaux de carrière. Elle
doit s’assurer pour des travaux routiers, la fourniture de graviers en divers calibres. Un
marché a été décerné pour un prix global de facturation portant sur les quantités suivantes :
13500 tonnes de graviers de calibre 1
11300 tonnes de gravier de calibre 2
250 tonnes de graviers de calibre 3
La société exploite deux carrières P1 et P2 louées à une société civile qui perçoit une
redevance par tonne extraite : 15000 FCFA par tonne pour P1 et 13000 FCFA par tonne
extraite pour P2. Après extraction, la pierre est concassée et les graviers ainsi obtenus sont
triés selon leur calibre. Chaque tonne de pierre fournit les quantités suivantes.
Carrière 1 Carrière 2
Graviers calibre 1 0.6t 0.45t
L’objectif est de pouvoir définir un programme d’extraction des carrières P1 et P2 afin de

minimiser le coût des redevances à la société civile.
4. Maximisation du prix De revient

Une firme a le projet de construire deux produits nécessitant l’utilisation de 3 machines.
La machine A ne peut travailler que 200 H par moi, la machine B,210 H, et la machine C
180 H. Le premier produit P1 nécessitent 1H de la machine A et 1 H de la machine B, et il
est vendu à 5000 FCFA l’unité. Le second produit P2 nécessite 1 H de la machine A, et 3H
de la machine B et est vendu à 6500 FCFA l’unité. L’objectif est de pouvoir définir un
programme de fabrication permettant de rendre maximal son prix de revient.
Ainsi listées quelques inquiétudes de la vie courante auxquelles vient répondre

efficacement la méthode de relaxation Lagrangienne. Le monde n’étant pas statique de part
l’évolution des problèmes qui nous cernent, il devient crucial d’élaborer des nouvelles
méthodes pour répondre efficacement à des nouvelles exigences. C’est ainsi que nous
illustrerons les limites de la méthode, et une vision de perfectionnement.
5. Applications classiques de la relaxation lagrangienne

a) Plus court chemin sous contraintes de temps

C’est le problem de la recherché d’un chemin de longueur minimale entre deux

noeuds s et t d’un reseau bien defini dans la mesure ou il n’ya pas de circuit de
longueur negative
b) Voyageur de commerce
En informatique, le problème du voyageur de commerce, ou problème du commis
voyageur, est un problème d'optimisation qui, étant donné une liste de villes, et des
distances entre toutes les paires de villes, détermine un plus court chemin qui visite chaque
ville une et une seule fois et qui termine dans la ville de départ.
Malgré la simplicité de son énoncé, il s'agit d'un problème d'optimisation pour lequel
on ne connait pas d'algorithme permettant de trouver une solution exacte rapidement dans
tous les cas. Plus précisément, on ne connait pas d'algorithme en temps polynomial, et sa
version décisionnelle (pour une distance D, existe-t-il un chemin plus court que D passant
par toutes les villes et qui termine dans la ville de départ ?) est un problème NP-complet,
ce qui est un indice de sa difficulté.
C'est un problème algorithmique célèbre, qui a généré beaucoup de recherches et qui
est souvent utilisé comme introduction à l'algorithmique ou à la théorie de la complexité.
Il présente de nombreuses applications que ce soit en planification et en logistique, ou bien
dans des domaines plus éloignés comme la génétique (en remplaçant les villes par des gènes
et la distance par la similarité)
c) Bin packing
En recherche opérationnelle et en optimisation combinatoire, le bin packing est un
problème algorithmique. Il s'agit de ranger des objets avec un nombre minimum de boîtes.
Le problème classique se définit en une dimension, mais il existe de nombreuses variantes
en deux ou trois dimensions.

AVANTAGES, LIMITES DE LA METHODE, ET AMELIORATIONS 27
IV. AVANTAGES, LIMITES DE LA METHODE, ET

AMELIORATIONS
1. Avantages de la relaxation Lagrangienne
2. Limites : Notes importantes
3. Améliorations

28
1. Avantages de la relaxation Lagrangienne

L’on note parmi les avantages de la relaxation lagrangienne :
 L’heuristique lagrangienne
 La non utilisation de solveur
 Etc…
2. Limites : Notes importantes

Le fait de résoudre le problème dual (D) ne nous assure en rien de trouver une solution
optimale de (P)
A cause du saut de dualité qui peut exister entre les valeurs optimales de (P) et de (D)
lorsque les hypothèses de convexité et de stabilité ne sont pas satisfaites, il se peut que la
borne inferieure obtenue avec la relaxation lagrangienne soit strictement inferieure à la
valeur optimale de (P)
Tout de même a chaque itération de la relaxation lagrangienne, la valeur G() constituant
une borne inferieure sur la valeur optimale de (P) est d’autant meilleure que le
multiplicateur de Langrange 𝜆 se rapproche d’une solution optimale de (D)
3. Améliorations
Relève du domaine de la recherche en optimisation

CONCLUSION 29
CONCLUSION
Au terme de ce travail qui portait sur la relaxation lagrangienne , rappelons qu’il a été
question pour nous de présenter la relaxation lagrangienne de façon globale, puis détaillée,
ensuite nous avons présenté ses nombreuses applications en recherche opérationnelle dans
la résolution des problèmes dans plusieurs domaines notamment en génie civil, électrique,
informatique. Bien que présentant des avantages, la relaxation lagrangienne présente des
limites et ses améliorations peuvent être faites dans le cadre d’une recherche plus poussée
d’optimisation. Toutefois, lors d’une relaxation lagrangienne, on devrait se poser les
questions suivantes : est-ce que le problème à la propriété de linéarisation entière ? Dans
ce cas il se peut que le problème lagrangien soit très facile à résoudre. Est-ce que le
problème lagrangien est décomposable ? Dans ce cas on découper et mélanger les plans
sécants dans une méthode de génération de coupes et de colonnes ou faisceaux. Peut-on
utiliser une substitution ou une décomposition lagrangienne agrégée ? Dans ce cas il se peut
que la borne soit aussi bonne et beaucoup moins couteuse que par la décomposition
lagrangienne. Toutes ces questions sont importantes pour la résolution utilisant la technique
de relaxation lagrangienne.

BIBLIOGRAPHIE 30
BIBLIOGRAPHIE
 << Langrangian Relaxation>>, Claude LEMARECHAL, INRIA Report, 2000
 << Une approche par relaxation lagrangienne pour l’optimisation d’un réseau de
distribution : modèles stochastiques et fiables>>, Guy Aimé TANONKOU
 << Quelques propriétés particulières de la relaxation lagrangienne. >> Monique
Guignard, The Warton School, Journée Francilienne de Recherche
 << L.S. Lasdon, Optimization for Large Systems >>, Mac Millan, 1970
 << O. Mangasarian, Nonlinear Programming >>, Prentice-Hall, 1969
 << Relaxation Lagrangienne de problème de planification de production d’énergie
>> rapport présenté par Mohamed BOUSSAID et Skander BOURAOUI

Groupe 13 Rela

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

Groupe 13 Rela

Transféré par

Droits d'auteur :

Formats disponibles

REPUBLIQUE DU CAMEROUN

DEPARTEMENT DU GENIE DEPARTMENT OF CIVIL

THEME: LA RELAXATION LANGRAGIENNE

Réalisé par le groupe 5:

 NDJENDOH MEDJO Guy Armel

Année académique : 2019/2020

Réalisé par groupe 13 / 4GC /Promotion 2021

2. Domaine Energie Electrique ................................................................................ 19

Réalisé par groupe 13 / 4GC /Promotion 2021

S.C. Sous contraintes

Réalisé par groupe 13 / 4GC /Promotion 2021

La Recherche Opérationnelle constitue l’ensemble des méthodes quantitatives ayant

Réalisé par groupe 13 / 4GC /Promotion 2021

I. PRESENTATION GLOBALE DE LA RELAXATION

Réalisé par groupe 13 / 4GC /Promotion 2021

Les techniques de bases de l’optimisation combinatoire sont limitatives La relaxation

Étant donné un problème d'optimisation linéaire 𝑥 ∈ IRn et 𝐴 ∈ IRm,n sous la forme

Si on sépare les contraintes de A en 𝐴1 ∈ IRm1,n , 𝐴2 ∈ IRm2 ,n avec 𝑚1 et 𝑚2 tels

que on peut réécrire le système sous la forme :

Réalisé par groupe 13 / 4GC /Promotion 2021

S.C. (1) 𝐴𝑥1 ≤ 𝑏

Réalisé par groupe 13 / 4GC /Promotion 2021

II. PRESENTATION DETAILLEE DE LA TECHNIQUE

4. Quelques Propriétés de la relaxation lagrangienne

Réalisé par groupe 13 / 4GC /Promotion 2021

a) Lagrangien et fonction duale

On définit le Lagrangien du problème (P) comme la fonction 𝐿 = ∶ 𝑆 × 𝑅𝑃 → 𝑅

Théorème : 𝒉(𝒖) ≤ 𝒇(𝒙), ∀ 𝒖 𝝐 𝑼 𝒆𝒕 ∀ 𝒙 𝝐 𝑺 𝒕𝒆𝒍 𝒒𝒖𝒆 𝒈(𝒙) ≤ 𝟎

𝑠𝑖 𝑖𝑛𝑓 = −∞, 𝑙𝑒 𝑝𝑟𝑜𝑏𝑙𝑒𝑚𝑒 𝑑𝑢𝑎𝑙 𝑛′ 𝑎𝑝𝑎𝑠 𝑑𝑒 𝑠𝑜𝑙𝑢𝑡𝑖𝑜𝑛 𝑟𝑒𝑎𝑙𝑖𝑠𝑎𝑏𝑙𝑒. Le problème dual

On appellera solution primale réalisable ou P-réalisable tout x ∈ S tel que g(x) ≤ 0.

Définition : On appelle point-selle de la fonction Lagrangien L toute paire (𝑥 ∗ , 𝑢) telle

Réalisé par groupe 13 / 4GC /Promotion 2021

Théorème : (x∗, u∗) est un point-selle de L(x, u) si et seulement si :

𝑥 ∗ 𝑚𝑖𝑛𝑖𝑚𝑖𝑠𝑒 𝑳(𝑥, 𝑢∗ )𝑠𝑢𝑟 𝑆

Théorème : Si (x∗, u∗) est un point-selle de L, alors x∗ est solution de (P).

c) Différentiablilite de la fonction duale

𝜕ℎ(𝑢) = 𝑐𝑜𝑛𝑣(𝑔(𝑥)/𝑥 ∈ X(u)} donc h est différentiable en u ∈ U si g(x) est

d) Dualité et perturbation de contrainte

Réalisé par groupe 13 / 4GC /Promotion 2021

Où y ∈ 𝑅𝑛 est un vecteur de perturbations du second membre. Le problème (P)

𝑌 = {𝑦 ∈ 𝑅𝑛 / ∃ 𝑥 ∈ 𝑆 𝑡𝑒𝑙 𝑞𝑢𝑒 𝑔(𝑥) ≤ 𝒚}

Théorème: La fonction duale h associée à (P) satisfait :

ℎ(𝑢) = −𝜔∗ (−𝑢)

Pour certains problèmes d’optimisation combinatoire connus comme NP-difficile où

Réalisé par groupe 13 / 4GC /Promotion 2021

Considérons le problème d’optimisation dans 𝑅𝑛 suivant :

Définition : Soit λ un vecteur de poids non négatif appelé multiplicateur de Lagrange. Le

Remarque : Supposons que pour un multiplicateur de Lagrange λ, xλ est la solution

Réalisé par groupe 13 / 4GC /Promotion 2021

Deux questions se posent dans le principe de relaxation lagrangienne :

(i) Comment choisir le vecteur des multiplicateurs pour obtenir la meilleure

Définition : le problème dual lagrangien consiste à rechercher la meilleure et borne

(DL) 𝑳∗ = 𝑴𝒂𝒙𝑴𝒊𝒏𝝀≥𝟎 𝒆𝒕 𝑥 ∈ 𝑋1 {𝒇(𝒙) + 𝝀(𝑨𝒙 − 𝒃)/𝑪𝒙 ≤ 𝒅} 𝜟

La fonction objective du problème dual lagrangien (DL) est généralement concave et

Réalisé par groupe 13 / 4GC /Promotion 2021

Considérons le problème de programmation mathématique suivant :

Supposons que X1 et X2 sont engendrés respectivement comme suit :

Le principe de la relaxation lagrangienne consiste à remplacer la résolution de (P) par

Réalisé par groupe 13 / 4GC /Promotion 2021

Obtenus en utilisant diverses valeurs pour les multiplicateurs

(𝑫) 𝑴𝑨𝑿𝝀≥𝟎 {𝑮(𝝀)} = 𝑴𝑨𝑿𝝀≥𝟎 {𝑴𝒊𝒏{𝒙 ∈ 𝑿𝟏 {{𝒇(𝒙) + ∑ 𝝀𝒊 𝒈𝒊 (𝒙)}}

Ainsi par le théorème de la dualité faible, la valeur optimale 𝑮(𝝀) des

De plus, se référant aux conditions d'optimalité du théorème du lagrangien, si