Académique Documents
Professionnel Documents
Culture Documents
Prof. D. Tuyttens
– p. 1/??
Partie I
Modélisations simples
– p. 2/??
Modélisation sous forme de problème linéaire
– p. 3/??
Problème I de modélisation
Une compagnie aérienne doit décider pour les 12 mois à venir la
politique d’engagement et de licenciement de son personnel de bord.
Exprimés en heures de travail par mois, les besoins à bord des avions :
Janvier : 7500 Mai : 6000 Septembre : 10500
Février : 9000 Juin : 7200 Octobre : 12000
Mars : 10500 Juillet : 12000 Novembre : 9000
Avril : 9000 Août : 15000 Décembre : 10500
– p. 6/??
Problème II de modélisation
– p. 7/??
Problème II de modélisation
– p. 8/??
Problème II de modélisation
Minimiser les pertes
min 0.1 x1 + 1.3 x2 + 0.3 x3 + 0.42 x4 + 0.8 x5 + 0.3 x6 + 0.5 x7 +
0.0 x8 + 1.5 x9 + 0.62 x10 + 0.12 x11 + 1.0 x12 + 0.5 x13 +
0.0 x14 + 0.74 x15 + 0.24 x16 + 1.62 x17 + 1.12 x18 + 0.62 x19 +
0.12 x20 + 2.0 x21 + 1.5 x22 + 1.0 x23 + 0.5 x24 + 0.0 x25
2 x1 + x2 + x3 + x4 + x5 + x6 = 10
x3 + 2 x7 + 2 x8 + x9 + x10 + x11 + x12 + x13 + x14 = 15
x4 + x10 + x11 + 2 x15 + 2 x16 + x17 + x18 + x19 + x20 = 30
x5 + 2 x6 + x8 + x11 + x12 + 2 x13 + 3 x14 + x16 +
x18 + 2 x19 + 3 x20 + x21 + 2 x22 + 3 x23 + 4 x24 + 5 x25 = 8
xi ≥ 0 i = 1, . . . , 25 et entières
– p. 9/??
Problème II de modélisation
Minimiser les découpes nécessaires
min 2 x1 + 1 x2 + 2 x3 + 2 x4 + 2 x5 + 3 x6 + 2 x7 +
2 x8 + 1 x9 + 2 x10 + 3 x11 + 2 x12 + 3 x13 +
3 x14 + 2 x15 + 3 x16 + 1 x17 + 2 x18 + 3 x19 +
4 x20 + 1 x21 + 2 x22 + 3 x23 + 4 x24 + 4 x25
2 x1 + x2 + x3 + x4 + x5 + x6 = 10
x3 + 2 x7 + 2 x8 + x9 + x10 + x11 + x12 + x13 + x14 = 15
x4 + x10 + x11 + 2 x15 + 2 x16 + x17 + x18 + x19 + x20 = 30
x5 + 2 x6 + x8 + x11 + x12 + 2 x13 + 3 x14 + x16 +
x18 + 2 x19 + 3 x20 + x21 + 2 x22 + 3 x23 + 4 x24 + 5 x25 = 8
xi ≥ 0 i = 1, . . . , 25 et entières
– p. 10/??
Problème II de modélisation
– p. 11/??
Problème IIIa de modélisation
– p. 12/??
Problème IIIa de modélisation
min x1 + x2 + x3 + x4 + x5 + x6
x1 + x2 ≥ 8
x2 + x3 ≥ 10
x + x ≥ 8
3 4
x4 + x5 ≥ 14
x5 + x6 ≥ 5
x6 + x1 ≥ 3
xi ≥ 0, i = 1, . . . , 6 et entières
– p. 13/??
Problème IIIa de modélisation
min 16 x1 + 12 x2 + 8 x3 + 8 x4 + 12 x5 + 16 x6
x1 + x2 ≥ 8
x2 + x3 ≥ 10
x + x ≥ 8
3 4
x4 + x5 ≥ 14
x5 + x6 ≥ 5
x6 + x1 ≥ 3
xi ≥ 0, i = 1, . . . , 6 et entières
– p. 14/??
Problème IIIb de modélisation
et
– p. 15/??
Problème IIIb de modélisation
min 16 x1 + 12 x2 + 8 x3 + 8 x4 + 12 x5 + 16 x6
x1 + x2 ≥ 8 + δ + 2γ
x2 + x3 ≥ 10 − δ + 2γ
≥ 8
x3 + x4 + δ + 4γ
x4 + x5 ≥ 14 − 2δ − 2γ
x5 + x6 ≥ 5 + 2δ − γ
x6 + x1 ≥ 3 + δ − γ
δ + γ ≤ 1
xi ≥ 0, i = 1, . . . , 6 et entières
δ ∈ {0, 1} γ ∈ {0, 1} variables binaires
– p. 17/??
Problème IIIc de modélisation
min 16x1 + 12x2 + 8x3 + 8x4 + 12x5 + 16x6 +13.2s13 + 13.2s14 +
13.2s15 + 13.3s24 + 13.2s25 + 17.6s26 + 8.8s35 + 13.2s36 + 13.2s46
x1 + x2 + s24 + s25 + s26 ≥ 8
x2 + x3 + s13 + s35 + s36 ≥ 10
x3 + x4 + s14 + s24 + s46 ≥ 8
15 + s25 + s35 ≥ 14
x + x + s
4 5
x5 + x6 + s26 + s36 + s46 ≥ 5
x6 + x1 + s24 + s25 + s26 ≥ 3
x3 + x4 ≤ 5
x + x ≤ 5
1 6
x2 + x5 ≤ 5
s13 + s14 + s15 + s24 + s25 + s26 + s35 + s36 + s46 ≤ 15
xi ≥ 0, i = 1, . . . , 6 et entières
s13 , s14 , s15 , s24 , s25 , s26 , s35 , s36 , s46 ≥ 0 et entières
Les variables s13 , s14 , s15 , s24 , s25 , s26 , s35 , s36 , s46 représentent le
nombre de personnes commençant leur travail respectivement aux
périodes(0h, 8h), . . . , (12h, 20h).
– p. 18/??
Problème IV de modélisation
– p. 19/??
Problème IV de modélisation
X n
min (80 Vi + 5 Ri + 200 Ii )
i=1
V1 + V2 + . . . + Vn = 700
V1 + R1 + I1 = 320
Vi+1 + Ri+1 + Ii+1 = Vi + Ri + 21 Ii i = 1, . . . , n − 1
Ri+1 ≥ Vi i = 1, . . . , n − 1
Vi+1 ≥ Vi i = 1, . . . , n − 1
Vi ≥ 0, Ri ≥ 0, Ii ≥ 0, i = 1 . . . , n et entières
Les salaires sont de 600 Euros par semaine pour un travailleur déjà
formé et de 300 Euros par semaine pendant la formation. Le coût de
production est de 5 Euros par radio.
– p. 25/??
Problème VIb de modélisation
8
X 7
X
max (300 VL,t + 125 VS,t ) − 25 (SL,t + SS,t ) − 5000 δ
t=1 t=1
F1 F1
30 PL,t + 10 PS,t ≤ 7200
F2 F2
20 PL,t + 30 PS,t ≤ 6000 + 6000 δ Si t = 6
10 P AS1 + 30 P AS1 ≤ 7800
L,t S,t
AS AS
15 PL,t 2 + 20 PS,t 2 ≤ 6000 + 6000 δ Si t = 6
Fi Fi
20 PL,t + 10 PS,t ≤ 9000
" )
Fi AS1 AS2 F1 F2
PL,t = PL,t + PL,t = PL,t + PL,t
t = 1, . . . , 8
Fi AS1 AS2 F1 F2
P = PS,t + PS,t = PS,t + PS,t
S,t
Fi
PL,1 − VL,1 − SL,1 = 0
Fi
PS,1 − VS,1 − SS,1 = 0
Fi
PL,t + SL,t−1 − VL,t − SL,t = 0 t = 2, . . . , 7
P Fi + S − VS,t − SS,t = 0 t = 2, . . . , 7
S,t S,t−1
Fi
PL,8 + SL,7 − VL,8 − 100 = 0
Fi
h S,8 + SS,7
P − VS,8 − 200 = 0
VL,1 ≤ 500 . . . VL,8 ≤ 475 VS,1 ≤ 300 . . . VS,8 ≤ 350 δ ∈ {0, 1}
F1 ,F 2,AS1,AS2,Fi F1 ,F 2,AS1,AS2,Fi
, VL,t , VS,t , SL,t , SS,t ≥ 0, entières, t = 1, ., 8
PL,t , PS,t
– p. 26/??
Problème VIb de modélisation
8
X 7
X
max (300 VL,t + 125 VS,t ) − 25 (SL,t + SS,t ) − 5000 δ − 7500 γ
t=1 t=1
F1 F1
30 PL,t + 10 PS,t ≤ 7200
F2 F2
20 PL,t + 30 PS,t ≤ 6000 + 6000 δ + 6000 γ Si t = 6, t = 4
10 P AS1 + 30 P AS1 ≤ 7800
L,t S,t
AS AS
15 PL,t 2 + 20 PS,t 2 ≤ 6000 + 6000 δ + 6000 γ Si t = 6, t = 4
Fi Fi
20 PL,t + 10 PS,t ≤ 9000
" )
Fi AS1 AS2 F1 F2
PL,t = PL,t + PL,t = PL,t + PL,t
t = 1, . . . , 8
Fi AS1 AS2 F1 F2
P = PS,t + PS,t = PS,t + PS,t
S,t
Fi
PL,1 − VL,1 − SL,1 = 0
Fi
PS,1 − VS,1 − SS,1 = 0
Fi
PL,t + SL,t−1 − VL,t − SL,t = 0 t = 2, . . . , 7
P Fi + S − VS,t − SS,t = 0 t = 2, . . . , 7
S,t S,t−1
Fi
PL,8 + SL,7 − VL,8 − 100 = 0
Fi
h S,8 + SS,7
P − VS,8 − 200 = 0 δ + γ≤1
VL,1 ≤ 500 . . . VL,8 ≤ 475 VS,1 ≤ 300 . . . VS,8 ≤ 350 δ, γ ∈ {0, 1}
F1 ,F 2,AS1,AS2,Fi F1 ,F 2,AS1,AS2,Fi
, VL,t , VS,t , SL,t , SS,t ≥ 0, entières, t = 1, ., 8
PL,t , PS,t
– p. 27/??
Problème VIIa de modélisation
L’entreprise désire appliquer une maintenace préventive à ses cinq
ateliers A1 , A2 , A3 , A4 et A5 . La maintenance de l’atelier A1 requiert 2
personnes la première semaine de maintenance, 2 personnes la
seconde semaine et une personne la troisième semaine. Ce service
de maintenance préventif peut commencer au plus tôt la première
semaine et au plus tard la quatrième semaine. Les données
concernant les autres ateliers figurent dans le tableau suivant :
Ateliers Sem 1 Sem 2 Sem 3 Au plus tôt Au plus tard
A1 2 2 1 1 4
A2 3 2 1 1 3
A3 4 2 2 2 5
A4 1 1 3 2 6
A5 2 2 2 3 5
Sachant qu’au début de la semaine 1 il y a 7 ouvriers d’entretien et
qu’il doit y en avoir 9 au début de la semaine 9, trouver la politique
d’embauche et de licenciement minimisant les coûts salariaux si le
coût hebdomadaire d’un ouvrier est de 600 Euros et les frais
d’embauche et de licenciement s’élèvent respectivement à 300 Euros
et 1200 Euros par ouvrier.
– p. 28/??
Problème VIIa de modélisation
9
X
min (600 Ti + 300 Ei + 1200 Li )
i=1
T1 ≥ 2 δ11 + 3 δ21
T2 ≥ 2 δ11 + 3 δ12 + 2 δ21 + 3 δ22 + 1 δ42
T3 ≥ 1 δ11 + 2 δ12 + 2 δ13 + . . . + 2 δ53
T ≥ 1 δ + 2 δ + 2 δ + ...+ 2 δ + 2 δ
4 12 13 14 53 54
T5 ≥ 1 δ13 + 2 δ14 + . . . + 2 δ53 + 2 δ54 + 2 δ55
T6 ≥ 1 δ14 + . . . + 2 δ54 + 2 δ55
T7 ≥ 2 δ35 + 3 δ45 + 1 δ46 + 2 δ55
T8 ≥ 3 δ46
δ11 + δ12 + δ13 + δ14 = 1
T1 = 7 + E1 − L1
δ +δ +δ =1
21 22 23
T2 = T1
+ E2 − L2
δ32 + δ33 + δ34 + δ35 = 1
.
.
.
δ42 + δ43 + δ44 + δ45 + δ46 = 1
δ53 + δ54 + δ55 = 1 9 = T8 + E9 − L9
T ≥ 0,
i Ei ≥ 0, Li ≥ 0 et entières δij ∈ {0, 1}
– p. 29/??
Problème VIIa de modélisation
T1 ≥ 2 δ11
+ 3 δ21
– p. 30/??
Problème VIIa de modélisation
T2 ≥ 2 δ11 + 2 δ12
+ 2 δ21 + 3 δ22
+ 1 δ42
– p. 31/??
Problème VIIa de modélisation
– p. 32/??
Problème VIIa de modélisation
– p. 33/??
Problème VIIa de modélisation
T5 ≥ 1 δ13 + 2 δ14
+ 1 δ23
+ 2 δ33 + 2 δ34 + 4 δ35
+ 3 δ43 + 1 δ44 + 1 δ45
+ 2 δ53 + 2 δ54 + 2 δ55
– p. 34/??
Problème VIIa de modélisation
T6 ≥ 1 δ14
+ 2 δ34 + 2 δ35
+ 3 δ44 + 1 δ45 + 1 δ46
+ 2 δ54 + 2 δ55
– p. 35/??
Problème VIIa de modélisation
T7 ≥ 2 δ35
+ 3 δ45 + 1 δ46
+ 2 δ55
– p. 36/??
Problème VIIa de modélisation
T8 ≥ 3 δ46
– p. 37/??
Problème VIIb de modélisation
– p. 38/??
Problème VIIb de modélisation
min X
X ≥ 2 δ11 + 3 δ21
X ≥ 2 δ11 + 3 δ12 + 2 δ21 + 3 δ22 + 1 δ42
X ≥ 1 δ11 + 2 δ12 + 2 δ13 . . . + 2 δ53
X ≥ 1 δ + 2 δ + 2 δ ... + 2 δ + 2 δ
12 13 14 53 54
X ≥ 1 δ13 + 2 δ14 + . . . + 2 δ53 + 2 δ54 + 2 δ55
X ≥ 1 δ14 + . . . + 2 δ54 + 2 δ55
X ≥ 2 δ35 + 3 δ45 + 1 δ46 + 2 δ55
X ≥ 3 δ46
δ11 + δ12 + δ13 + δ14 = 1
δ +δ +δ =1
21 22 23
δ32 + δ33 + δ34 + δ35 = 1
δ42 + δ43 + δ44 + δ45 + δ46 = 1
δ53 + δ54 + δ55 = 1
X≥0 et entière δij ∈ {0, 1}
– p. 39/??
Problème VIIb de modélisation
– p. 40/??
Problème VIIb de modélisation
– p. 41/??
Problème VIIb de modélisation
– p. 42/??
Problème VIIb de modélisation
– p. 43/??
Problème VIII de modélisation
M1 , M2 , M3 , M4 , M5
M1 M2 M3 M4 M5 Coût
E1 1 0 1 1 0 6
E2 0 1 1 1 0 8
E3 1 1 0 0 1 2
E4 0 0 1 1 1 7
E5 1 1 0 1 0 6
(x1 = 1, x2 = 0, x3 = 1, x4 = 0, x5 = 1) z = 14
Modélisations particulières
– p. 46/??
Modélisations particulières (I)
– p. 47/??
Modélisations particulières (I)
min x1 + 4 x2 + 2 x3 + 4 x4 + 2 x5
x1 ≥ 5
+ ≥ 11
x1 x2
x1 + x2 + x3 ≥ 19
x1 + x2 + x3 + x4 ≥ 25
x1 + x2 + x3 + x4 + x5 = 30
xi ≥ 0 i = 1, . . . , 5 et entières
– p. 48/??
Modélisations particulières (II)
– p. 49/??
Modélisations particulières (II)
min x1 + 4 x2 + 2 x3 + 4 x4 + 2 x5
4 x1 + 3 x2 + 2 x3 + − 60
x4
−2 x1 + 2 x5
x1 ≥ 5
x1 + x2 ≥ 11
x1 + x2 + x3 ≥ 19
x1 + x2 + x3 + x4 ≥ 25
x1 + x2 + x3 + x4 + x5 = 30
x2 ≥ x1
x3 ≥ x2
x4 ≥ x3
x5 ≥ x4
xi ≥ 0 i = 1, . . . , 5
et entières
– p. 50/??
Modélisations particulières (III)
– p. 51/??
Modélisations particulières (III)
min x1 + 4 x2 + 2 x3 + 4 x4 + 2 x5
4 x1 + 3 x2 + 2 x3 + x4 − 60
c1 + c2 + c3 + c4
x1 ≥ 5
x1 + x2 ≥ 11
x1 + x2 + x3 ≥ 19
+ + + ≥ 25
x1 x2 x3 x4
x1 + x2 + x3 + x4 + x5 = 30
≥ 4 (x2 − x1 ) ≥ 2 (x1 − x2 )
c1 c1
c2 ≥ 4 (x3 − x2 ) c2 ≥ 2 (x2 − x3 )
c3 ≥ 4 (x4 − x3 ) c3 ≥ 2 (x3 − x4 )
c4 ≥ 4 (x5 − x4 ) c4 ≥ 2 (x4 − x5 )
xi ≥ 0 i = 1, . . . , 5 et entières
ci ≥ 0 i = 1, . . . , 4
– p. 52/??
Modélisations particulières (IV)
– p. 53/??
Modélisations particulières (IV)
min x1 + 4 x2 + 2 x3 + 4 x4 + 2 x5
4 x1 + 3 x2 + 2 x3 + x4 − 60
2 c1 − 2 c2
x1 ≥ 5
x1 + x2 ≥ 11
x1 + x2 + x3 ≥ 19
x1 + x2 + x3 + x4 ≥ 25
x +1 x + 2 x 3 + x4 + x5 = 30
c1 ≥ x1 c2 ≤ x1
c1 ≥ x2 c2 ≤ x2
c1 ≥ x3 c2 ≤ x3
c1 ≥ x4 c2 ≤ x4
c1 ≥ x5 c2 ≤ x5
xi ≥ 0 i = 1, . . . , 5 et entières
ci ≥ 0 i = 1, 2
– p. 54/??
Modélisations particulières (V)
– p. 55/??
Modélisations particulières (V)
min x1 + 4 x2 + 2 x3 + 4 x4 + 2 x5
4 x1 + 3 x2 + 2 x3 + − 60
x4
x1 ≥ 5
x1 + x2 ≥ 11
x1 + x2 + x3 ≥ 19
x1 + x2 + x3 + x4 ≥ 25
x1 + x2 + x3 + x4 + x5 = 30
x1 − x2 ≤ 2
x2 − x1 ≤ 2
x3 − x4 ≥ 3−M δ
x4 − x3 ≥ 3 − M (1 − δ)
xi ≥ 0 i = 1, . . . , 5 et entières
δ ∈ {0, 1} variable binaire
– p. 56/??
Modélisations particulières (VI)
– p. 57/??
Modélisations particulières (VI)
min x1 + 4 x2 + 2 x3 + 4 x4 + 2 x5
4 x1 + 3 x2 + 2 x3 + x4 − 60
x1 ≥ 5
x1 + x2 ≥ 11
x1 + x2 + x3 ≥ 19
x1 + x2 + x3 + x4 ≥ 25
x1 + x2 + x3 + x4 + x5 = 30
x1 ≤ M δ1
x2 ≤ M δ2
x3 ≤ M δ3
x4 ≤ M δ4
x5 ≤ M δ5
δ1 + δ2 + δ3 + δ4 + δ5 ≤ 3
xi ≥ 0 i = 1, . . . , 5 et entières
δi ∈ {0, 1} i = 1, . . . , 5 variables binaires
– p. 58/??
Modélisations particulières (VII)
– p. 59/??
Modélisations particulières (VII)
min x1 + 4 x2 + 2 x3 + 4 x4 + 2 x5
4 x1 + 3 x2 + 2 x3 + x4 − 60
x1 ≥ 5
x1 + x2 ≥ 11
x1 + x2 + x3 ≥ 19
x1 + x2 + x3 + x4 ≥ 25
x1 + x2 + x3 + x4 + x5 = 30
x1 ≤ M δ1 δ1 ≤ x1
x2 ≤ M δ2 δ2 ≤ x2
x3 ≤ M δ3 δ3 ≤ x3
x4 ≤ M δ4 δ4 ≤ x4
x5 ≤ M δ5 δ5 ≤ x5
δ1 + δ2 + δ3 + δ4 + δ5 = 3
xi ≥ 0 i = 1, . . . , 5 et entières
δi ∈ {0, 1} i = 1, . . . , 5 variables binaires
– p. 60/??
Modélisations particulières (VII)
x ≤ Mδ
δ=0 ⇒ x=0
δ = 0 6⇐ x = 0
δ=1 ⇐ x>0
δ = 1 6⇒ x > 0
– p. 61/??
Modélisations particulières (VIII)
– p. 62/??
Modélisations particulières (VIII)
min x1 + 4 x2 + 2 x3 + 4 x4 + 2 x5
4 x1 + 3 x2 + 2 x3 + x4 − 60
≥
x1 5
x1 + x2 ≥ 11
x1 + x2 + x3 ≥ 19
x1 + x2 + x3 + x4 ≥ 25
x1 + x2 + + + = 30
x3 x4 x5
x1 ≤ M δ1 δ1 ≤ x1
x2 ≤ M δ2 δ2 ≤ x2
x3 ≤ M δ3 δ3 ≤ x3
x4 ≤ M δ4 δ4 ≤ x4
δ4 ≥ δ1 + δ2 + δ3 − 2
xi ≥ 0 i = 1, . . . , 5 et entières
δi ∈ {0, 1} i = 1, . . . , 4 variables binaires
– p. 63/??
Modélisations particulières (IX)
– p. 64/??
Modélisations particulières (IX)
min x1 + 4 x2 + 2 x3 + 4 x4 + 2 x5
4 x1 + 3 x2 + 2 x3 + x4 − 60
x1 ≥ 5
x1 + x2 ≥ 11
x1 + x2 + x3 ≥ 19
x1 + x2 + x3 + x4 ≥ 25
x1 + x2 + x3 + x4 + x5 = 30
x4 ≤ M x1
x4 ≤ M x2
x4 ≤ M x3
xi ≥ 0 i = 1, . . . , 5 et entières
– p. 65/??
Modélisations particulières (X)
– p. 66/??
Modélisations particulières (X)
min x1 + 4 x2 + 2 x3 + 4 x4 + 2 x5
4 x1 + 3 x2 + 2 x3 + x4 − 60
x1 ≥ 5
x1 + x2 ≥ 11
x1 + x2 + x3 ≥ 19
x1 + x2 + x3 + x4 ≥ 25
x1 + x2 + x3 + x4 + x5 = 30
x4 ≤ M x2 + M x3
xi ≥ 0 i = 1, . . . , 5 et entières
– p. 67/??
Modélisations particulières (XI)
– p. 68/??
Modélisations particulières (XI)
min x1 + 4 x2 + 2 x3 + 4 x4 + 2 x5
4 x1 + 3 x2 + 2 x3 + x4 − 60
x1 ≥ 5 +2δ
+ ≥ 11 +δ
x1 x2
x1 + x2 + x3 ≥ 19 −4δ
x1 + x2 + x3 + x4 ≥ 25 −δ
x1 + x2 + x3 + x4 + x5 = 30
xi ≥ 0 i = 1, . . . , 5 et entières
δ ∈ {0, 1} variable binaire
– p. 69/??
Partie III
Problèmes classiques en
Optimisation Combinatoire
– p. 70/??
Le problème d’affectation
– p. 71/??
Le problème d’affectation
X n Xn
min cij xij
i=1 j=1
Xn
x =1 j = 1, . . . , n
ij
AP i=1
Xn
xij = 1 i = 1, . . . , n
j=1
xij ∈ {0, 1} i = 1, . . . , n j = 1, . . . , n
0 0 1 0 0 1 0 0 1
– p. 72/??
Une variante du problème d’affectation
– p. 73/??
Le problème de transport simple
Le problème de transport simple consiste à déterminer comment
approvisionner des centres de consommation à partir de centres de
production de manière à minimiser le coût total de transport. Ce
problème est aussi nommé : TP ou "Transportation Problem".
Xr X s
min cij xij
i=1 j=1
X s
xij = qi i = 1, . . . , r
TP j=1
r
X
xij = dj j = 1, . . . , s
i=1
xij ≥ 0, entières i = 1, . . . , r j = 1, . . . , s
– p. 75/??
Le problème du voyageur de commerce
Ce problème consiste à déterminer un tour (circuit d’un seul tenant)
passant une et une seule fois par n villes qui soit de coût minimum. Ce
problème est aussi nommé : TSP ou "Travelling Salesman Problem".
n X
X n
min cij xij
i=1 j=1
n
X
xij = 1 j = 1, . . . , n
i=1
T SP Xn
xij = 1 i = 1, . . . , n
X Xj=1
xij ≤ |Q| − 1 2 ≤ |Q| ≤ n − 2
i∈Q j∈Q
xij ∈ {0, 1} i = 1, . . . , n j = 1, . . . , n
– p. 76/??
Le problème du voyageur de commerce
Ce problème consiste à déterminer un tour (circuit d’un seul tenant)
passant une et une seule fois par n villes qui soit de coût minimum. Ce
problème est aussi nommé : TSP ou "Travelling Salesman Problem".
X n X n
min
cij xij
i=1 j=1
n
X
xij = 1 j = 1, . . . , n
i=1
n
T SP X
xij = 1 i = 1, . . . , n
j=1
yj ≥ yi + 1 − n (1 − xij ) i = 1, . . . , n j = 2, . . . , n i 6= j
xij ∈ {0, 1} i = 1, . . . , n j = 1, . . . , n
yi ≥ 0 i = 1, . . . , n
– p. 77/??
Solution AP et solution TSP
3 4 3 4
2 5 2 5
AP TSP
1 6 1 6
wi ≤ W ∀ i et
wi > W
i=1
avec
( (
1 l’objet j ∈ chargement i 1 le chargement i 6= ∅
xij = yi =
0 sinon 0 sinon
– p. 80/??
Le problème de l’équilibrage des charges
Le problème de l’équilibrage des charges consiste à équilibrer au
mieux un nombre fixe de chargements contenant tous les objets. Ce
problème est aussi nommé : LBP ou "Line Balancing Problem".
min (Cmax − Cmin )
Xn
wj xij ≥ Cmin i = 1, . . . , m
j=1
Xn
wj xij ≤ Cmax i = 1, . . . , m
LBP j=1
m
X
xij = 1 j = 1, . . . , n
i=1
xij ∈ {0, 1} i = 1, . . . , m j = 1, . . . , n
Cmin ≥ 0, Cmax ≥ 0
avec (
1 l’objet j ∈ chargement i
xij =
0 sinon
– p. 81/??
Le problème de couverture
avec
( (
1 si j ∈ Pi 1 si Pi appartient à la couverture
tij = xi =
0 sinon 0 sinon
[
Une couverture est une collection de Pi qui vérifie : Pi = {1, . . . , m}
i
– p. 82/??
Le problème de partition
avec
( (
1 si j ∈ Pi 1 si Pi appartient à la partition
tij = xi =
0 sinon 0 sinon
– p. 83/??
Le problème d’emballage
avec
( (
1 si j ∈ Pi 1 si Pi appartient à l’emballage
tij = xi =
0 sinon 0 sinon
– p. 84/??
Le problème d’implantation de dépôts
Le problème d’implantation de dépôts, sans contrainte de capacité,
consiste à déterminer : Quels dépôts ouvrir ? et comment affecter les
clients aux dépôts ? Ce problème est aussi nommé : UFLP ou
"Uncapacited Facility Location Problem".
n X m n
X X
min cij yij + fi xi
i=1 j=1 i=1
n
X
yij = 1 j = 1, . . . , m
U F LP
i=1
yij ≤ xi i = 1, . . . , n j = 1, . . . , m
yij ∈ {0, 1} i = 1, . . . , n j = 1, . . . , m
xi ∈ {0, 1} i = 1, . . . , n
avec
( (
1 client j desservi par dépôt i 1 le dépôt i est ouvert
yij = xi =
0 sinon 0 sinon
– p. 85/??
Le problème d’implantation de dépôts
Le problème d’implantation de dépôts, avec contrainte de capacité,
consiste à déterminer : Quels dépôts ouvrir ? et comment affecter les
clients aux dépôts ? Ce problème est aussi nommé : CFLP ou
"Capacited Facility Location Problem".
Xn X m Xn
min cij yij + fi xi
i=1 j=1 i=1
Xn
yij = dj j = 1, . . . , m
CF LP i=1
m
X
yij ≤ Qi xi i = 1, . . . , n
j=1
yij ≥ 0 et entières i = 1, . . . , n j = 1, . . . , m
xi ∈ {0, 1} i = 1, . . . , n
avec
(
1 le dépôt i est ouvert
yij = quantité du dépot i pour client j xi =
0 sinon
– p. 86/??
Un problème d’ordonnancement
– p. 87/??
Unproblème
d’ordonnancement
tend ≥ t13 + 10
tend ≥ t23 + 34 Temps de fin
≥ + 28
t t33
end
t13 ≥ t11 + 45
23 ≥ t21 + 20
t
Modèles
t21 ≥
t22 + 10
t ≥ t32 + 17
33
t11 + 45 ≤ t21 + M (1 − δ1 )
21 +
t 20 ≤ t11 + M δ1
min tend
t22 + 10 ≤ t32 + M (1 − δ2 )
t32 + 17 ≤ t22 + M δ2
13 +
t 10 ≤ t23 + M (1 − δ3 )
Machines
t23 + 34 ≤ t13 + M δ3
t13 + 10 ≤ t33 + M (1 − δ4 )
t33 + 28 ≤ t13 + M δ4
t23 + 34 ≤ t33 + M (1 − δ5 )
t33 + 28 ≤ t23 + M δ5
tend ≥ 0 tij ≥ 0, i, j = 1, 2, 3 δi ∈ {0, 1}, i = 1, . . . , 5
– p. 88/??
Diagramme de Gantt
6 10 30 75
Mach. 1
Mach. 2
Mach. 3
-
0 27 55 89 99
– p. 89/??
Méthodes de résolution exactes
Les méthodes de résolution exactes se caractérisent par le fait qu’elles
permettent d’obtenir une ou plusieurs solutions dont l’optimalité est garantie.
Parmi ces méthodes, on peut remarquer l’algorithme simplexe.
– p. 90/??
Méthodes de résolution approchées
– p. 91/??
Méthodes de résolution approchées
Les méthodes approchées se classent en différentes catégories dont
les plus connues sont :
– p. 92/??