Intro Exemples Formulation

Des mots pour le dire...
minimiser f (x1, . . . , xn)

sous la contrainte (x1, . . . , xn) 2 ⌦
Les scalaires x1, . . . , xn 2 R sont les variables de décision, f est la fonction objectif
(fonction coût, fonction profit) et ⌦ est le domaine admissible.
Un élément de Rn est une solution. Une solution x 2 Rn est une solution admissible si
x 2 ⌦. Si une solution admissible x? est telle que f (x?)  f (x) pour toute autre
solution admissible x, on dit que la solution x? est optimale. Le coût optimal est alors
donné par f (x?).
Si pour tout K il existe une solution admissible x 2 ⌦ telle que f (x)  K, le coût
optimal est non borné; on dit aussi que le coût optimal est égal à 1. Lorsqu’un
problème de minimisation ne possède pas de solution admissible, on dit aussi que son
coût optimal est égal à +1.
Lorsqu’il existe, le coût optimal d’un problème d’optimisation est toujours unique. Par
contre, il peut y avoir de nombreuses solutions optimales.
Introduction 1–11
Problème du mélange
Le problème du mélange (ou problème diététique) est celui d’un diététicien qui doit
sélectionner pour un coût minimum une combinaison d’aliments en vue d’obtenir un
contenu nutritif donné.
Soit n aliments et m éléments nutritifs. L’aliment i contient une quantité aji de

l’élément nutritif j.
aliment 1 ··· aliment n
élément nutritif 1 a11 ··· a1n
.. .. ..
élément nutritif m am1 ··· amn
Soit ci le coût unitaire de l’aliment i et soit bj le contenu nutritif recherché de l’élément
j.
Le problème consiste à déterminer le mélange à e↵ectuer pour synthétiser b pour un coût

minimum (dans une variante, on spécifie les contenus nutritifs minimaux de l’aliment de
synthèse).
Introduction 1–12
Variables. Soit xi la quantité de l’aliment i utilisée pour la synthèse.
Contraintes. On souhaite synthétiser le contenu nutritif idéal

P
ajixi = bj
Objectif. On cherche à minimiser le coût total

P
i ci xi .
Introduction 1–13
Problème de transport
Un produit est transporté de m origines vers n destinations. Le produit est disponible en

quantités a1, a2, . . . , am aux origines et les demandes aux destinations sont de
b1, b2, . . . , bn. Le coût de transport d’une unité du produit de l’origine i à la destination j
est de cij .
On désire déterminer les quantités du produit à transporter de i à j de manière à

satisfaire les demandes tout en minimisant le coût total des transports.
Introduction 1–14
Variables. xij la quantité de produit à transporter de i à j.
Contraintes. On ne peut pas dépasser les disponibilités aux origines

P
j xij  ai
Les demandes aux destinations sont satisfaites

P
i xij bj
P
Objectif. Le coût total i,j cij xij est minimum.
Introduction 1–15
Problème de flot dans un réseau
On considère un réseau de communication de n noeuds. Les noeuds sont connectés entre

eux par des liens de communication. Un lien entre le noeud i et le noeud j est représenté
par le couple (i, j). Nous supposons que chaque lien (i, j) possède une capacité
maximale de uij unités de flot (uij = 0 en cas d’absence de lien). La transmission sur le
lien (i, j) coûte cij par unité de flot tranmise.
Le noeud 1 génère b unités qui doivent être transmises au noeud n. La transmission se

fait, soit par un lien direct (1, n), soit par une suite de liens.
On désire trouver le flot qui permet la transmission pour un coût minimum.
Introduction 1–16
Variables. Soit xij la quantité de flot qui traverse le lien (i, j).
Contraintes. Bilan au noeud 1

P P
j xj1 j x1j = b
Bilan au noeud i (i = 2, . . . , n 1)
P P
j xji j xij = 0
Bilan au noeud n
P P
j xjn j xnj = b
P
Objectif. Minimiser le coût total i,j cij xij
Introduction 1–17
Dualité
Introduction 1–23
Problème de planification
Un hopital planifie les horaires de ses infirmières. Une infirmière travaille cinq jours
d’affilée et se repose ensuite durant deux jours avant de recommencer.
La demande d’infirmières pour le jour i (i = 1, . . . , 7) est de di.
Combien d’infirmières faut-il pour satisfaire cette demande?
Introduction 1–24
Variables. Soit xi le nombre d’infirmières démarrant leur semaine le jour i.
Le problème s’écrit
minimiser x1 + x2 + x3 + x4 + x5 + x6 + x7
x1 + x4 + x5 + x6 + x7 d1
x1 + x2 + x5 + x6 + x7 d2
x1 + x2 + x3 + x6 + x7 d3
x1 + x2 + x3 + x4 + x7 d4
x1 + x2 + x3 + x4 + x5 d5
x2 + x3 + x4 + x5 + x6 d6
x3 + x4 + x5 + x6 + x7 d7
xi 0
Introduction 1–25
Solution Matlab
X=LINPROG(f,A,b) solves the linear programming problem: min f’*x subject to: A*x <=
b
A =
-1 0 0 -1 -1 -1 -1
-1 -1 0 0 -1 -1 -1
-1 -1 -1 0 0 -1 -1
-1 -1 -1 -1 0 0 -1
-1 -1 -1 -1 -1 0 0
0 -1 -1 -1 -1 -1 0
0 0 -1 -1 -1 -1 -1
b =
-20 -21 -19 -23 -18 -20 -17
f =
1 1 1 1 1 1 1
Introduction 1–26
>> linprog(f, A, b) Optimization terminated successfully.
ans =
1.8000 8.8000 -1.2000 7.8000 0.8000 3.8000 5.8000
Introduction 1–27
Exemple
Soit le problème
maximiser 3x1 + 5x2
x1  4
2x2  12
3x1 + 3x2  22
x1, x2 0
xi entiers
Solution du problème relaxé (sans la contrainte “xi entiers”): (4/3, 6), coût optimal 34.
Solution du problème non relaxé (1, 6), coût optimal 33.
Introduction 1–28
Problème relaxé
Une manière de procéder pour résoudre un problème en nombres entiers consiste à

ignorer la contrainte “xi entier”. On obtient ainsi une relaxation du problème.
Si une solution optimale du problème relaxé est entière, alors c’est aussi une solution
optimale du problème en nombres entiers.
Si les solutions du problème relaxé ne sont pas entières, alors le coût optimal pour le
problème relaxé permet seulement de borner le coût optimal du problème initial.
Introduction 1–29
Problème du sac à dos
On rempli un sac à dos d’objets. Il y a n objets susceptibles de rentrer dans le sac.

L’objet i est de poids ai et procure une satisfaction ci. Parmi les ensembles d’objets dont
la somme des poids ne dépasse pas b trouvez ceux pour lesquels la somme des
satisfactions est maximum.
Introduction 1–30
Problème du sac à dos
(Knapsack problem)
Variables. Soit xi = 1 si l’objet i est inclus et xi = 0 sinon.
Equations. Le poids du sac ne dépasse pas b.

Pn
i=1 ai xi  b
Les variables sont binaires
xi 2 {0, 1}
Objectif. La satisfaction globale est maximum

Pn
maximiser i cixi
Introduction 1–31
Optimisation entière, binaire ou mixte
Minimisation (ou maximisation) d’une fonction objectif linéaire sous des contraintes
d’égalité et d’inégalité linéaires, avec la contrainte supplémentaire que certaines des
variables sont entières ou binaires.
maximiser cT x
Ax  b
x 0
Optimisation entière: xi entiers.
Optimisation mixte: xi entiers pour i 2 N .
Optimisation en variables binaires: xi 2 {0, 1}.
Introduction 1–32
Problème d’a↵ectation
(Assignment problem)
Répartition optimale de tâches
Il y a n personnes disponibles et n tâches a accomplir. A chaque personne on a↵ecte

exactement une tâche. On souhaite que toutes les tâches soient a↵ectées. Le coût de la
réalisation de la tâche j par la personne i est de cij . On cherche une a↵ectation des
tâches qui minimise le coût total.
Problème équivalent: Dans une matrice carrée on choisit exactement un élément par
ligne et un élément par colonne. La somme des éléments choisis est minimum.
Introduction 1–33
Problème d’a↵ectation
Variables. Soit xij = 1 si la personne i e↵ectue la tâche j et xij = 0 sinon.
Equations. Chaque personne e↵ectue exactement une tâche

Pn
j=1 xij = 1 i = 1, . . . , n
Chaque tâche est e↵ectuée par exactement une personne

Pn
i=1 xij = 1 j = 1, . . . , n
Les variables sont binaires
xij 2 {0, 1}
Objectif. Le coût total est minimum

Pn
minimiser i,j=1 cij xij
Introduction 1–34
Problème d’a↵ectation (examen Juin 2002)
Il y a 50 groupes d’étudiants en première candidature FSA. On souhaite a↵ecter un

projet par groupe. Il y a 10 projets disponibles et chaque projet peut être a↵ecté à au
plus 10 groupes. On a demandé à chaque groupe de classer les trois projets qui ont leur
préférence. On souhaite a↵ecter à chaque groupe un des projets qu’il a classés et
maximiser le nombre de groupes qui recoivent leur premier choix. S’il y a plusieurs
a↵ectations qui satisfont cette contrainte, on souhaite, parmi l’ensemble de ces
a↵ectations, choisir celle qui maximise le nombre de groupes qui recoivent leur deuxième
choix. Vous êtes coordinateur d’année en FSA; proposez une manière pour résoudre ce
problème.
Introduction 1–35
Optimisation de portefeuille
Harry M. MARKOWITZ. 1990 Nobel Laureate in Economics.
Un investisseur désire maximiser le rendement attendu de ses investissements tout en en

contrôlant le risque. Il répartit ses ressources entre plusieurs produits financiers.
Introduction 1–39
Le graal
Les problèmes d’optimisation possèdent souvent des milliers de variables et de

contraintes. Ils possèdent rarement une solution analytique.
Nous souhaitons des algorithmes d’optimisation rapides, faciles à mettre en oeuvre, peu
gourmands en temps calcul, peu gourmands en mémoire, peu sensibles aux erreurs
d’arrondis, dont la convergence est assurée et qui permettent une analyse post-optimale.
Introduction 1–43
Taxinomie
minimiser f (x1, . . . , xn)

sous la contrainte (x1, . . . , xn) 2 ⌦
Variables: réelles, entières, booléennes.
Objectif: linéaire, quadratique, non-linéaire, convexe.
Contraintes: (sans), linéaires, convexe.
Mais aussi...
Modèles: Optimisation multicritère, modèles stochastiques, modèles temporels, etc.
Méthodes: Optimisation quadratique, optimisation de réseaux, optimisation convexe,

dérivation symbolique, programmation dynamique, méthodes de points intérieurs, etc.
Introduction 1–44
Bref historique
• 1907. de la Vallée Poussin. Solution de kAx bk1.

• 1930s. Kantorovich (Union soviétique). Applications à l’économie. Plannification de production.
• 1940s. Dantzig. Problèmes logistiques militaires durant la deuxième guerre mondiale. (1947:
Algorithme du simplexe.)
• 1950s–60s. Identification d’applications dans beaucoup d’autres domaines. Optimisation de structures,
théorie du contrôle, conception de filtres, etc.
• 1979. Algorithme de l’ellipsoide (Khachiyan). Plus efficace que l’algorithme du simplexe dans le pire
des cas, mais moins rapide en pratique.
• 1984. Algorithme de point intérieur (Karmarkar). Complexité polynomiale. Plus efficace en pratique.
• 1984–aujourd’hui. Beaucoup de variations des méthodes de point intérieur. Logiciels spécialisés pour
des problèmes de grande taille.
Introduction 1–45
Les logiciels
Microsoft Excel. Le Solveur de Microsoft Excel utilise le code d’optimisation non

linéaire Generalized Reduced Gradient (GRG2) mis au point aux Etats-Unis par Leon
Lasdon, University of Texas (Austin) et Allan Waren, Cleveland State University. Les
problèmes linéaires et de nombres entiers utilisent la méthode simplexe, avec des bornes
sur les variables, ainsi que la méthode branch-and-bound mise en oeuvre par John
Watson et Dan Fylstra, Frontline Systems, Inc.
Matlab
X=LINPROG(f,A,b) solves the linear programming problem:
min f’*x subject to: A*x <= b
X=QUADPROG(H,f,A,b) solves the quadratic programming problem:
min 0.5*x’*H*x + f’*x subject to: A*x <= b x
X = FMINSEARCH(FUN,X0) returns a vector X that is a local minimizer of the function that is described in FUN (usually an
M-file: FUN.M) near the starting vector X0.
Introduction 1–46
Introduction 1–47
Le cours
1. Optimisation linéaire.
2. Géométrie des polyèdres.
3. Algorithme du simplexe.
4. Dualité.
5. Optimisation en nombres entiers.
Ensuite: Optimisation non-linéaire.
Introduction 1–48
Ouvrages élémentaires généraux
Linear and Nonlinear Programming (Second Edition), David Luenberger, Addison

Wesley, 1984.
Linear and Nonlinear Programming, Stephen Nash and Ariela Sofer, McGraw-Hill,
1996.
Introduction to Mathematical Programming (Second Edition), Frederick Hillier and

Gerald Lieberman, McGraw-Hill, 1995.
Numerical Optimization, Jorge Nocedal and Stephen Wright, Springer, 1999.
Practical Optimization Methods, A. Bhatti, Springer, 2000.
Convex optimization, S. Boyd, L. Vandenberghe, Stanford University, Lecture Notes,

1998-1999.
Introduction 1–49
Ouvrages élémentaires spécialisés
Optimisation linéaire
Introduction to Linear Optimization, Dimitri Bertsimas and John Tsitsiklis, Athena

Scientific, 1997.
Linear Programming. Foundation and Extensions, Robert Vanderbei, Kluwer

Academic Publishers, 1996.
Optimisation non-linéaire
Nonlinear Programming, Dimitri Bertsekas, Athena Scientific, 1999.
Optimisation en nombres entiers
Integer Programming, Laurence Wolsey, Wiley, 1998.
Introduction 1–50
Ouvrages plus pointus
Theory of Linear and Integer Programming, Alexander Schryver, Wiley, 1986.
Interior-Point Polynomial Algorithms in Convex Programming, Yurii Nesterov and

Arkadi Nemirovskii, SIAM Studies in Applied Mathematics, 1994.
Integer and Combinatorial Optimization, George Nemhauser and Laurence Wolsey,

Wiley, 1988.
Introduction 1–51
Vincent Blondel INMA1702 (2007-2008)
Cours 2
Forme standard et variantes
Beaucoup de problèmes d’optimisation sont linéaires, ce qui en rend la résolution plus

aisée. Le caractère linéaire d’un problème n’est parfois pas immédiatement apparent.
2–1
Forme générale
minimiser (ou maximiser) cT x

aTi x  bi i 2 M1
aTi x bi i 2 M2
aTi x = bi i 2 M3
xi 0 i 2 N1
xi  0 i 2 N2
Forme standard et variantes 2–2

Forme géométrique
Un programme linéaire sous forme géométrique est un problème de la forme

minimiser cT x
Ax b

De la forme générale à la forme géométrique
• max cT x = min( cT x).

• La contrainte aT x  b est équivalente à la contrainte aT x b.
• Les contraintes xi 0 et xi  0 sont des cas particuliers des contraintes de la forme
aT x b.
• La contrainte aT x = b est équivalente aux contraintes conjointes aT x b et aT x  b.
Conclusion. Tout programme linéaire peut s’écrire sous forme géométrique

minimiser cT x
Ax b

Le programme linéaire
maximiser 2x1 x2 + 4x3
x1 + x2 + x4  2
3x2 x3 = 5
x3 + x4 3
x1 0
x3  0
est équivalent (au sens où les objectifs optimaux et les solutions optimales se déduisent
l’une de l’autre) au programme linéaire sous forme géométrique
minimiser 2x1 + x2 4x3

x1 x2 x4 2
3x2 x3 5
3x2 + x3 5
x3 + x4 3
x1 0
x3 0

Forme standard
Un programme linéaire sous forme standard est un problème de la forme

minimiser cT x
Ax = b
x 0

Interprétation de la forme standard
minimiser cT x
Ax = b
x 0
Soit
P Ai la i-ème colonne de A. On cherche des quantités xi 0 pour lesquelles
Aixi = b et telles que cT x est minimum.
Le problème est celui de la synthèse

P du vecteur cible b par un choix de quantités positives
xi qui minimise le coût total cixi.

De la forme géométrique à la forme standard
Forme géométrique
minimiser cT x
Ax b
Forme standard
minimiser cT x
Ax = b
x 0
P
• Elimination des contraintes d’inégalité. Pour chaque inégalité
P de type aij xj bi
nous introduisons
P une variable d’écart si. L’inégalité aij xj bi est remplacée par
les contraintes aij xj si = bi et si 0.
• Elimination des variables libres. Une variable libre xi est remplacée par xi = x+
i xi ,
où x+
i et xi sont de nouvelles variables pour lesquelles nous imposons x+
i 0 et
xi 0.

Le programme linéaire
minimiser 2x1 + 4x2
x1 + x2 3
3x1 + 2x2 = 14
x1 0
est équivalent (au sens où les objectifs optimaux et les solutions optimales se déduisent
l’une de l’autre) au programme linéaire sous forme standard
minimiser 2x1 + 4x+

2 4x2
x1 + x+2 x2 s1 = 3
3x1 + 2x+
2 2x2 = 14
x1, +
x2 , x2 , s1 0

Intro Exemples Formulation

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

Intro Exemples Formulation

Transféré par

Droits d'auteur :

Formats disponibles

Des mots pour le dire...

minimiser f (x1, . . . , xn)

Soit n aliments et m éléments nutritifs. L’aliment i contient une quantité aji de

Le problème consiste à déterminer le mélange à e↵ectuer pour synthétiser b pour un coût

Contraintes. On souhaite synthétiser le contenu nutritif idéal

Objectif. On cherche à minimiser le coût total

Un produit est transporté de m origines vers n destinations. Le produit est disponible en

On désire déterminer les quantités du produit à transporter de i à j de manière à

Contraintes. On ne peut pas dépasser les disponibilités aux origines

Les demandes aux destinations sont satisfaites

On considère un réseau de communication de n noeuds. Les noeuds sont connectés entre

Le noeud 1 génère b unités qui doivent être transmises au noeud n. La transmission se

On désire trouver le flot qui permet la transmission pour un coût minimum.

Contraintes. Bilan au noeud 1

La demande d’infirmières pour le jour i (i = 1, . . . , 7) est de di.

Combien d’infirmières faut-il pour satisfaire cette demande?

-20 -21 -19 -23 -18 -20 -17

1.8000 8.8000 -1.2000 7.8000 0.8000 3.8000 5.8000

Solution du problème non relaxé (1, 6), coût optimal 33.

Une manière de procéder pour résoudre un problème en nombres entiers consiste à

On rempli un sac à dos d’objets. Il y a n objets susceptibles de rentrer dans le sac.

Variables. Soit xi = 1 si l’objet i est inclus et xi = 0 sinon.

Equations. Le poids du sac ne dépasse pas b.

Les variables sont binaires

Objectif. La satisfaction globale est maximum

Optimisation mixte: xi entiers pour i 2 N .

Optimisation en variables binaires: xi 2 {0, 1}.

Répartition optimale de tâches

Il y a n personnes disponibles et n tâches a accomplir. A chaque personne on a↵ecte

Variables. Soit xij = 1 si la personne i e↵ectue la tâche j et xij = 0 sinon.

Equations. Chaque personne e↵ectue exactement une tâche

Chaque tâche est e↵ectuée par exactement une personne

Les variables sont binaires

Objectif. Le coût total est minimum

Il y a 50 groupes d’étudiants en première candidature FSA. On souhaite a↵ecter un

Harry M. MARKOWITZ. 1990 Nobel Laureate in Economics.

Un investisseur désire maximiser le rendement attendu de ses investissements tout en en

Les problèmes d’optimisation possèdent souvent des milliers de variables et de

minimiser f (x1, . . . , xn)

Objectif: linéaire, quadratique, non-linéaire, convexe.

Contraintes: (sans), linéaires, convexe.

Modèles: Optimisation multicritère, modèles stochastiques, modèles temporels, etc.

Méthodes: Optimisation quadratique, optimisation de réseaux, optimisation convexe,

• 1907. de la Vallée Poussin. Solution de kAx bk1.

Microsoft Excel. Le Solveur de Microsoft Excel utilise le code d’optimisation non

min f’*x subject to: A*x <= b

X=QUADPROG(H,f,A,b) solves the quadratic programming problem:

min 0.5*x’*H*x + f’*x subject to: A*x <= b x

2. Géométrie des polyèdres.

5. Optimisation en nombres entiers.

Ensuite: Optimisation non-linéaire.

Linear and Nonlinear Programming (Second Edition), David Luenberger, Addison

Introduction to Mathematical Programming (Second Edition), Frederick Hillier and

Numerical Optimization, Jorge Nocedal and Stephen Wright, Springer, 1999.

Practical Optimization Methods, A. Bhatti, Springer, 2000.

Convex optimization, S. Boyd, L. Vandenberghe, Stanford University, Lecture Notes,

Introduction to Linear Optimization, Dimitri Bertsimas and John Tsitsiklis, Athena

Linear Programming. Foundation and Extensions, Robert Vanderbei, Kluwer

Nonlinear Programming, Dimitri Bertsekas, Athena Scientific, 1999.

Optimisation en nombres entiers

Integer Programming, Laurence Wolsey, Wiley, 1998.

Theory of Linear and Integer Programming, Alexander Schryver, Wiley, 1986.

Interior-Point Polynomial Algorithms in Convex Programming, Yurii Nesterov and

min f’x subject to: Ax <= b

min 0.5x’H*x + f’x subject to: Ax <= b x