Groupe

Université Hassan II de Casablanca
Ecole Normale Supérieur de

‫جامعة الحسن الثاني بالدار البيضاء‬
L’Enseignement Technique ‫المدرسة العليا العادية للتعليم التقني شعبة‬
Département Génie mécanique ‫الهندسة الميكانيكية‬
MASTER MECANIQUE, ROBOTIQUE ET MATERIAUX

INNOVANTS
Module : Recherche Opérationnelle
Rapport
PROGRAMMATION DYNAMIQUE
Le 28 Décembre 2023
Réalisé par : Professeur :
- ELMOKADDEM Faissal
- EL HAIMER Mohamed
- EZZALMADI Abdessamad - Mme. Fatiha AKEF
- ALAMI CHENTOUFI Abdelilah
- BOUHLALA Nizar
- ELMEKKAOUI Mostafa
Année universitaire 2023-2024

Problème du voyageur de commerce
•
Entrée :un ensemble de villes{c 1 ,c 2 , . . . ,c n }et une
fonction de distanced(c i ,c j ) definie pour tous les couples (ci
,c j ).
2/10
•
,c j ).
Définition (Tour et tour minimum)

Un tour est une permutationπ= (c π(1) ,c π(2) , . . . ,c π(n)) des
villes. La longueur d’un tourπest
Σ d(cπ(i) ,c π(i+1) ) +d(c π(n) ,c π(1)).
Un tour
i∈�1 ,n− minimum est un tour dont la longueur est minimum.
1�
2/10
•
,c j ).

Σ d(cπ(i) ,c π(i+1) ) +d(c π(n) ,c π(1)).
Un tour
i∈�1 ,n− minimum est un tour dont la longueur est minimum.
1�
2/10
•
,c j ).

Σ
d(cπ(i) ,c π(i+1) ) +d(c π(n) ,c π(1)).
i∈�1 ,n−
1�
Un tour minimum est un tour dont la longueur est minimum.
•
Sortie :un tour minimum de{c 1,c 2, . . . ,c n}.
2/10
Applications classiques :
•
en logistique : optimisation des transports
3/10
•
•
en electronique : minimisation des cablages entre composants
des circuits integres
3/10
•
•
Difficulte de calcul : NP-complet
3/10
•
•
Difficulte de calcul : NP-complet
On va faire un algorithme exponentiel (O∗(2n)) pour le resoudre,

par la programmation dynamique.
3/10
Approche brute force
Algo brute force :
•
on essaye un par un tous les tours (= permutations des villes),
•
pour chacun, on calcule sa longueur,
•
on garde un tour qui realise le minimum de la longueur.
4/10
Algo brute force :
•
•
•
Complexite :
•
il y an! tourπde{c 1,c 2, . . . ,c n}(nombre de permutations
surnelements)
4/10
Algo brute force :
•
•
•
Complexite :
•
surnelements)
•
calculer la longueur
deπprendO(n) Total :O(n·n!)
4/10
Algo brute force :
•
•
•
Complexite :
•
surnelements)
•
calculer la longueur
deπprendO(n)
· Total :O(n n!)
On va faire un algo en 2n par la programmation dynamique.
4/10
Gain de complexite
Note importante :taille den! comparee a 2 n ?
5/10
Gain de complexite
√ nn
Maths(Stirling)n!∼ 2πn( e )
Retenezn! =n : enorme, bien plus gros que 2n
n
5/10
Gain de complexite
√ nn
Maths(Stirling)n!∼ 2πn( e )
Retenezn! =n : enorme, bien plus gros que 2n
n
Conclusion :complexite enn! est redhibitoire.

On va faire un algo exponentiel, en 2n, par la
programmation dynamique.
5/10
Programmation dynamique
Idee generale :stocker dans une table tous les
resultats intermediaires
6/10
Conditions de mise en oeuvre :il faut une ”formule de

reccurence” qui permette, a partir des resultats intermediaires
plus petits, de deduire les resultats intermediaires un peu plus
gros
6/10

gros
•
avec peu de temps de calcul (ici, polynomial)
6/10

gros
•
•
et surtout, sans stocker trop de resultats intermediaires
6/10

gros
•
•
gain r/t a brute force :comme on stocke, on ne perd pas de

temps a recalculer les resultats intermediaires
6/10

gros
•
•
gain r/t a brute force :comme on stocke, on ne perd pas de

temps a recalculer les resultats intermediaires
contrepartie :ca prend beaucoup d’espace (en fait on echange

de l’espace contre du temps de calcul)
6/10
Programmation dynamique pour le voyageur de commerce
Remarque
On peut toujours commencer le tour sur la ville de notre choix : on
choisit c1.
7/10
Remarque
On peut toujours commencer le tour sur la ville de notre choix : on
choisit c1.
Définition
PourS⊆{c 2, . . . ,c n}etci ∈S, on noteOPT[S,c i ] la longueur
minimum d’un parcours qui :
•
commence enc 1
•
parcours les villes deS, dans un ordre libre
•
finit enc i
7/10
La formule de recurrence :
•
si|S|= 1, c.a.d.S={c i },i�= 1, on aOPT[S,c i ] =d(c 1,c j ).
8/10
•
si|S|= 1, c.a.d.S={c i },i�= 1, on aOPT[S,c i ] =d(c 1,c j ).
•
si|S|>1, alors
OPT[S,c i ] = min
c j ∈S\{ci {OPT[S\ {c i },c j ] +d(c j ,c i )}
}
8/10
•
si|S|= 1, c.a.d.S={c i 1, on aOPT[S,c i ] =d(c 1,c j ).
},i
•
si|S|>1, alors
OPT[S,c i ] = min
}
La reponse au probleme :la longueur d’un tour minimum est

OPT= min {OPT[{c 2 , . . . ,c n },c i ] +d(c i ,c 1 )}.
i∈�2,n�
8/10
•
si|S|= 1, c.a.d.S={c i 1, on aOPT[S,c i ] =d(c 1,c j ).
},i
•
si|S|>1, alors
OPT[S,c i ] = min
}
La reponse au probleme :la longueur d’un tour minimum est

OPT= min {OPT[{c 2 , . . . ,c n },c i ] +d(c i ,c 1 )}.
i∈�2,n�
8/10
Algorithme pour le voyageur de commerce
Algorithme 1 :Algorithme pour TSP

1 pouri de2a nfaire
2OPT[{c i },c i ]←d(c 1,c i );

3 fin
4 pourj de2a n−1faire
5 pourtous les S⊆{c 2 , . . . ,c n }avec|S|=jfaire
6 pourtous les c i ∈Sfaire
7 OPT[S,c i ] = min
8 fi }
n
9 fin
10 fin
11 retournermin {OPT[{c 2 , . . . ,c n },c i ] +d(c i ,c 1 )};
i∈�2,n�
9/10
Algorithme pour le voyageur de commerce
Algorithme 1 :Algorithme pour TSP

1 pouri de2a nfaire
2 OPT[{c i },c i ]←d(c 1,c i );
3 fin
4 pourj de2a n−1faire
5 pourtous les S⊆{c 2 , . . . ,c n }avec|S|=jfaire
6 pourtous les c i ∈Sfaire
7 OPT[S,c i ] = min
8 fi }
n
9 fin
10 fin
11 retournermin {OPT[{c 2 , . . . ,c n },c i ] +d(c i ,c 1 )};
i∈�2,n�
9/10
Analyse de la complexite
Complexite temporelle :
•
pour unSde taillek, les lignes 6 a 8 prennent un temps
O(k 2)
10/10
•
O(k 2)
•
combien d’ensembleSa considerer ?
10/10
•
O(k 2)
•
combien d’ensembleSa considerer ?−→2 n−1
−(n−1)
10/10
•
O(k 2)
•
−(n−1)
•
Total :O(n 2
·2 ) =O (2 ) ... beaucoup mieux queO(n!)
n ∗ n
10/10
•
O(k 2)
•
−(n−1)
•
Total :O(n 2
·2 ) =O (2 ) ... beaucoup mieux queO(n!)
n ∗ n
Complexite spatiale :
•
le tableauOPT[S,c i ] a une case pour chaque couple (S,c i )
10/10
•
O(k 2)
•
−(n−1)
Total :O(n 2 ·2 n) =O ∗(2n) ... beaucoup mieux queO(n!)
•
•
mais... quand on en est aj, on peut ne conserver que
lesSde taillejetj−1
10/10
•
O(k 2)
•
−(n−1)
•
Total :O(n ·2 ) =O (2 ) ... beaucoup mieux queO(n!)
2 n ∗ n
•
•
•
re-mais... ca fait quand memeΩ(2 n) pourj=n/2.
10/10
•
O(k 2)
•
−(n−1)
•
2 n ∗ n
•
•
•
•
au pire de l’algo :espaceΩ(n·2 n
)... c’est la ou le bat blaisse
10/10
•
O(k 2)
•
−(n−1)
•
2 n ∗ n
•
•
•
•
au pire de l’algo :espaceΩ(n·2 n )... c’est la ou le bat blaisse
Conclusion :la prog dynamique permet de gagner du temps en
consommant de l’espace
10/10
•
O(k 2)
•
−(n−1)
•
2 n ∗ n
•
•
•
•
au pire de l’algo :espaceΩ(n·2 n )... c’est la ou le bat blaisse
Conclusion :la prog dynamique permet de gagner du temps en
consommant de l’espace
Limites :l’espace est aussi une quantite critique dans les
ordinateurs (au moins autant que le temps)
I. Introduction et principe d’optimalité de Bellman
Programmation dynamique :
Programmation dynamique inventée par Bellman (∼ 1954) pour
résoudre des pb de chemins optimaux (longueur max. ou min.)
R. Bellman (1920-1984)
La programmation dynamique est une méthode de construction
d’algorithme très utilisée en optimisation combinatoire ( → recherche
de solution optimale dans un ensemble fini de solutions mais très
grand).
4
La programmation dynamique est une méthode de construction
d’algorithme très utilisée en optimisation combinatoire ( → recherche
de solution optimale dans un ensemble fini de solutions mais très
grand).
Il s’agit d’une méthode d’énumération implicite (idem PSE) : on retient ou

rejette des sous-ensembles de solutions mais on ne construit pas toutes les
solutions. On rejette certaines solutions sans les avoir contruites explicitement
si elles appartiennent à un sous-ensemble qui n’est pas intéressant.
4
Principe d’optimalité de Bellman
Un chemin optimal est formé de sous-chemins optimaux : Si (C) est un
chemin optimal allant de A à B et si C appartient à (C) alors les
sous-chemins de (C) allant de A à C et de C à B sont optimaux.
C B
A
(C )
Démonstration par l’absurde.
5
Principe d’optimalité de Bellman
Un chemin optimal est formé de sous-chemins optimaux : Si (C) est un
chemin optimal allant de A à B et si C appartient à (C) alors les
sous-chemins de (C) allant de A à C et de C à B sont optimaux.
C B
A
(C )
Démonstration par l’absurde.
Ce principe appliqué de façon séquentielle fournit des formules récursives

pour la recherche de chemins optimaux.
5
Un exemple.
On cherche le chemin le plus court allant de x0 fixé à y quelconque dans un graphe
valué.
z1
..
....
z2 ... y
x0
z3
6
Un exemple.
On cherche le chemin le plus court allant de x0 fixé à y quelconque dans un graphe
valué.
z1
..
....
z2 ... y
x0
z3
On note F (y ) la longueur minimale de tous les chemins allant de x0 à y .
Formule récursive
F (y ) = min (F (z ) + L(z, y ))(1)

z =/ y
où L(z, y ) est la longueur minimale de tous les chemins allant de z à y .
6
Démonstration de la formule récursive (1).
Soit un point z fixé dans le graphe. On considère un chemin minimal (Cz ) allant
de x0 à y et passant par z . Par le principe d’optimalité de Bellman, le sous-
chemin allant de x0 à z est minimal et a pour longueur F (z ). De même, le
sous-chemin allant de z à y est minimal et a pour longueur L(z, y ).
(C z )
longueur F(z) longueur L(z,y)
z y
x0
Donc la longueur du chemin (Cz ) est F (z ) + L(z, y ). On conclut en prenant le

minimum sur z ⇒ F (y ) = minz (F (z ) + L(z, y )) Q
La programmation dynamique appliquée à un problème donné, consiste à
trouver une formulation récursive du problème.
En procédant ensuite à un découpage étape par étape, on obtient une formule de

récurrence.
II. Programmation dynamique pour la PL en nombres entiers
Un exemple de Programmation linéaire en nombres entiers. Pb avec
coefficients positifs dans les contraintes :
max [F (x) = 6x1 + 9x2 + 8x3 + 4x4]
x
(PLNE 4x1 + 6x2 + 5x3 + 4x4 ≤ 8
) 3x1 + 6x2 + 4x3 + 3x4 ≤ 7
xi entiers, ∀i
9
max [F (x) = 6x1 + 9x2 + 8x3 + 4x4]
x
(PLNE 4x1 + 6x2 + 5x3 + 4x4 ≤ 8
) 3x1 + 6x2 + 4x3 + 3x4 ≤ 7
xi entiers, ∀i
Pour 1 ≤ k n = 4, on cherche la solution de (PLNE ) pour un second

T
membre d quelconque ( d ≤ (8, 7) ) et en supposant que les
variables au delà de la k-ième sont nulles.
9
max [F (x) = 6x1 + 9x2 + 8x3 + 4x4]
x
(PLNE 4x1 + 6x2 + 5x3 + 4x4 ≤ 8
) 3x1 + 6x2 + 4x3 + 3x4 ≤ 7
xi entiers, ∀i
Pour 1 ≤ k n = 4, on cherche la solution de (PLNE ) pour un second

T
membre d quelconque ( d ≤ (8, 7) ) et en supposant que les
variables au delà de la k-ième sont nulles.
~ On note Fk (d) la valeur maximale de la fonction objectif pour ce nouveau
problème :
Fm∗ ax = F4 (8, 7) = max F (x)
7
x∈N4
9
Par le principe d’optimalité de Bellman, on peut alors écrire
Fm∗ ax = F4 (8, 7) = max [4x4 + F3(8 − 4x4, 7 − 3x4)]

 — x4 ≥
8 44≥00
7−3x
x
4
entier≥0
où
F3(8 − 4x4, 7 − 3x4) =  max

4x +6 ≤8−4x
4 F J = 6x1 + 9x2 + 8x3
3x1+6xx2+4x
1
+5x3≤7−3x
2 3 4
x1, x2, x3 entiers≥0



⇒ formule de récurrence
F4 (8,7)
8 12
10
2x4+F3 (0,1) 1x4+F3 (4,4) 0x4+F3 (8,7)
0 6 8 12
0x8+F2(0,1)
0x8+F2 (4,4) 1x8+F2(3,3) 0x8+F2 (8,7)
0 6 0 9 12
0x9+F 1(0,1)
0x9+F1 (4,4) 0x9+F1(3,3) 1x9+F1 (2,1) 0x9+F1 (8,7)
0
6 0 0 12
0x6=0
1x6=6 0x6=0 0x6=0 2x6=12
Calculs par remontée.

Solution optimale entière : x1∗ = 2, x2∗ = x3∗ = x4∗ = 0 avec max F = 12
Généralisation
PL en nombres entiers avec des coefficients positifs A ≥ 0

maxx∈Rn F (x) = cTx
Ax ≤ b
(PLNE ) 
x≥0
 x entiers


Principe : on cherche la solution de (PLNE ) pour un second membre

d ≤ b quelconque en supposant que les variables au delà de la k-ième sont nulles.
On note Fk∗(d) la valeur maximale de la fonction objectif de ce nouveau problème
:  
x1
..
F ∗ (d) = max F x
 k
(x¯k ) avec k
x¯ = 0


k
.
A¯xk ≤d 
¯xk ∈Nn 0
Formule de récurrence
Fk∗(d) = h + F ∗(d − Ak xk )i
maxck xk
k−1
xk entier≥0
Ak xk ≤d
où Ak est le vecteur de la k-ième colonne de la matrice A i.e. (Ak )i = aik
Pour obtenir la solution optimale en utilisant les k premières variables, on examine

toutes les valeurs possibles pour la k-ième variable xk .
III. Problèmes de cheminement dans un graphe
1) Optimisation "passé → futur"
On cherche les plus courts chemins de x0 fixé (racine du graphe) à y
quelconque.
1
1) Optimisation "passé → futur"
On cherche les plus courts chemins de x0 fixé (racine du graphe) à y
quelconque.
On note F (y ) la longueur de ces chemins minimaux. D’après le principe de
Bellman,
F (y ) = min (F (z ) + L(z, y ))
z ∈P(y )
où L(z, y ) est la longueur de l’arête allant de z à y P(y )

est l’ensemble des sommets prédécesseurs de y .
z1
x0 ... z y
fixé F(z)
z2
1
Formule de récurrence (passé→futur)
F0(x0) = 0,F0(y ) = +∞, y =/x0
Fk (y ) = min (Fk−1(z ) + L(z, y ))
z ∈P(y )
z1
x0 ... z y
fixé Fk−1(z)
z2
(k−1) (k)
1
Formule de récurrence (passé→futur)
F0(x0) = 0,F0(y ) = +∞, y =/x0
Fk (y ) = min (Fk−1(z ) + L(z, y ))
z ∈P(y )
z1
x0 ... z y
fixé Fk−1(z)
z2
(k−1) (k)
Interprétation.
Fk (y ) = +∞ s’il n’y a pas de chemin entre x0 et y avec au plus k
arêtes.
Fk (y ) représente la longueur minimale entre x0 et y , de tous les chemins qui
vont de x0 à y et ayant au plus k arêtes. 15
Chemin minimal. Pour déterminer le chemin minimal, on considère l’ensemble
des sommets
Pk (y ) = {z ∈ P(y ) tel que Fk (y ) = Fk−1(z ) + L(z, y )}
C’est l’ensemble des prédécesseurs de y qui réalisent le minimum.
1
Chemin minimal. Pour déterminer le chemin minimal, on considère l’ensemble
des sommets
Pk (y ) = {z ∈ P(y ) tel que Fk (y ) = Fk−1(z ) + L(z, y )}
C’est l’ensemble des prédécesseurs de y qui réalisent le minimum.
Chemin minimal
xN = y ;
xk ∈ Pk+1(xk+1) (jusqu’à la racine x0)
1
Algorithme de Bellman
P(y ) désigne l’ensemble des prédécesseurs du sommet y au sens large i.e.
y ∈ P(y ) ⇒ Fk est toujours décroissante.
N : nb de sommets
x0 : racine du graphe
P : ens. des prédécesseurs (sens large)
l(z,y) : longueur de l’arête (z,y)
F0(x0)=0, F0(y) = ∞ pour y /=

x0 Pour k de 1 à N-1
Pour tout sommet y
F1(y)= min(F0(z) + l(z,y); z ∈ P(y))
Fin pour
F0=F1
Fin pour
Exemple. Par programmation dynamique, déterminer dans le graphe suivant
le plus court chemin de A à F .
1 7
2
C
1
A 1 F
E
5
6
6
D
Calcul des Fk .
A B C D E F
F0 0 +∞ +∞ +∞ +∞ +∞
F1 0 2 +∞ 6 5 +∞
F2 0 2 3 6 5 6
F3 0 2 3 6 4 6
F4 0 2 3 6 4 5
1
Calcul des Fk .
A B C D E F
F0 0 +∞ +∞ +∞ +∞ +∞
F1 0 2 +∞ 6 5 +∞
F2 0 2 3 6 5 6
F3 0 2 3 6 4 6
F4 0 2 3 6 4 5
• F1 (B) = 2; P1 (B) = {A};

F1 (D) = 6; P1 (D) = {A};
F1 (E ) = 5; P1 (E ) = {A};
1
Calcul des Fk .
A B C D E F
F0 0 +∞ +∞ +∞ +∞ +∞
F1 0 2 +∞ 6 5 +∞
F2 0 2 3 6 5 6
F3 0 2 3 6 4 6
F4 0 2 3 6 4 5
• F1 (B) = 2; P1 (B) = {A};

F1 (D) = 6; P1 (D) = {A};
F1 (E ) = 5; P1 (E ) = {A};
• F2 (C ) = F1 (B) + 1 = 3; P2 (C ) = {B};
F2(F ) = min (F1(F ), F1(B) + 7, F1(D) + 6, F1(E ) + 1)
= min(+∞, 9, 12, 6) = 6; P2 (F ) = {E };
1
Calcul des Fk .
A B C D E F
F0 0 +∞ +∞ +∞ +∞ +∞
F1 0 2 +∞ 6 5 +∞
F2 0 2 3 6 5 6
F3 0 2 3 6 4 6
F4 0 2 3 6 4 5
• F1 (B) = 2; P1 (B) = {A};

F1 (D) = 6; P1 (D) = {A};
F1 (E ) = 5; P1 (E ) = {A};
• F2 (C ) = F1 (B) + 1 = 3; P2 (C ) = {B};
F2(F ) = min (F1(F ), F1(B) + 7, F1(D) + 6, F1(E ) + 1)
= min(+∞, 9, 12, 6) = 6; P2 (F ) = {E };
• F3(E ) = min (F2(E ), F2(A) + 5, F2(C ) + 1)
= min(5, 5, 4) = 4; P3 (E ) = {C };
1
Calcul des Fk .
A B C D E F
F0 0 +∞ +∞ +∞ +∞ +∞
F1 0 2 +∞ 6 5 +∞
F2 0 2 3 6 5 6
F3 0 2 3 6 4 6
F4 0 2 3 6 4 5
• F1 (B) = 2; P1 (B) = {A};

F1 (D) = 6; P1 (D) = {A};
F1 (E ) = 5; P1 (E ) = {A};
• F2 (C ) = F1 (B) + 1 = 3; P2 (C ) = {B};
F2(F ) = min (F1(F ), F1(B) + 7, F1(D) + 6, F1(E ) + 1)
= min(+∞, 9, 12, 6) = 6; P2 (F ) = {E };
• F3(E ) = min (F2(E ), F2(A) + 5, F2(C ) + 1)
= min(5, 5, 4) = 4; P3 (E ) = {C };
• F4(F ) = min (F3(F ), F3(B) + 7, F3(D) + 6, F3(E ) + 1)
= min(6, 9, 12, 5) = 5; P4 (F ) = {E };
1
Chemin optimal.
x4 = F
x3 = P4(F ) =
E x2 = P3(E ) ⇒ chemin optimal (A, B, C, E, F )
= C x1 = P2(C de longueur minimale 5
) = B x0 =
P1(B) = A
B
1 7
2
C
1
A 1 F
E
5
6
6
D
2) Optimisation "futur → passé"
On cherche les plus courts chemins de x quelconque à y0 fixé (antiracine du
graphe).
2
2) Optimisation "futur → passé"
On cherche les plus courts chemins de x quelconque à y0 fixé (antiracine du
graphe).
On note F (x ) la longueur de ces chemins minimaux. D’après le principe de
Bellman,
F (x ) = min (F (z ) + L(x, z ))
z ∈S (x )
où L(x, z ) est la longueur de l’arête allant de x à z S(x )

est l’ensemble des sommets successeurs de x .
z1
x z ... y0 fixé
F(z)
z2
2
Formule de récurrence (futur→passé)
F0(y0) = 0,F0(x ) = +∞, x /= y0
Fk (x ) = min (Fk−1(z ) + L(x, z ))
z ∈S (x )
z1
x z ... y0 fixé
F(z)
z2
(k) (k−1)
Interprétation.
Fk (y ) = +∞ s’il n’y a pas de chemin allant de x à y0 avec au plus k
arêtes.
Fk (y ) représente la longueur minimale entre x et y0, de tous les
chemins qui vont de x à y0 et ayant au plus k arêtes.
3) Remarques sur les formules de récurrence

• Dans les formules de récurrence précédentes, les valuations peuvent être de signes
quelconques.
2

quelconques.
• i Attention aux graphes avec circuit
Circuit dans un graphe
Un circuit dans un graphe est un chemin dont les extrémités sont confondues. La
2

quelconques.
• i Attention aux graphes avec circuit
Circuit dans un graphe
Un circuit dans un graphe est un chemin dont les extrémités sont confondues. La
Si un circuit a une valeur strictement positive, on ne peut pas boucler sur

le circuit car sinon on ne fait qu’augmenter la longueur du chemin.
Si un circuit a une valeur strictement négative, alors la longueur du chemin
n’est plus minorée et on boucle...
2
Quelques algorithmes de programmation dynamique
Les différents algorithmes de programmation dynamique utilisant les formules
de récurrences précédentes pour la recherche de chemins minimaux sont
valables pour des graphes sans circuit de valeur strictement
négative.
1 Algorithme de Bellman. Valuations de signes quelconques sur un
graphe sans circuit de valeur négative. Nécessite une numérotation
topologique des sommets : arêtes (i , j ) avec i < j . Complexité en
O (nm) avec n sommets, m arêtes.
2 Algorithme de Dijkstra. Valuations positives sur un graphe qui peut
comporter des circuits (de valeurs positives). Complexité en
O((n + m) log(n)).
3
··· E. Dijkstra (1930-2002)
24
Tous ces algorithmes diffèrent essentiellement sur la façon de parcourir les sommets.
Par exemple,
Bellman : on choisit un sommet dont tous les prédécesseurs ont déjà été
traités.
Dijkstra : on choisit le sommet avec la plus petite distance.
Algorithme de Dijkstra (Rappel)
E : ens. des sommets du graphe
x0 : racine du graphe
S : ens. des successeurs
l(z,y) : longueur de l’arête (z,y)
F0(x0)=0, F0(y) = ∞ pour y /=

x0 T=E-{x0}
y=x0
Tant que T /= ∅
Pour tout sommet z ∈ S(y)∩T
F0(z)= min(F0(z), F0(y) + l(y,z))
Fin pour
y est le sommet de T tq F0(y)= min(F0(z); z∈
T) T=T-{y}
Fin tant que
IV. Problème du voyageur de commerce
Un voyageur de commerce doit passer une et une seule fois par n villes et revenir à
son point de départ en ayant parcouru la distance la plus petite possible.
2
IV. Problème du voyageur de commerce
Un voyageur de commerce doit passer une et une seule fois par n villes et revenir à
son point de départ en ayant parcouru la distance la plus petite possible.
Modélisation par un graphe.

Graphe G = (E, Γ) complet : ∀(x, y ) ∈ E × E, x /= y , on a (x, y ) ∈ Γ
4
2
2
Chemin hamiltonien : chemin dans un graphe qui passe une et une seule fois
par tous les sommets
3
(1,3,5,4,2,1) circuit hamiltonien
1
(1,5,2,3,5,4,1) circuit non−hamiltonien
4
2
5
Problème du voyageur de commerce
Le problème du voyageur de commerce consiste à chercher un circuit hamilton
Remarque. Il y a (n − 1)! circuits hamiltoniens possibles.

Formule de récurrence pour le voyageur de commerce
Soit x0 fixé. On cherche le plus court chemin de y quelconque à x0 en passant
une et une seule fois par les k sommets d’un sous-ensemble (Sk ). On note Ck (y,
Sk ) la valeur minimale de ce chemin.
y z x0
...
Sk Sk−{z}
3
Formule de récurrence pour le voyageur de commerce
Soit x0 fixé. On cherche le plus court chemin de y quelconque à x0 en passant
une et une seule fois par les k sommets d’un sous-ensemble (Sk ). On note Ck (y,
Sk ) la valeur minimale de ce chemin.
y z x0
...
Sk Sk−{z}
Formule de récurrence
• C0 (y , ∅) = L(y , x0 ) pour tout y /= x0
• Pour k = 1, · · · , n − 1,
Ck (y , Sk ) = min (Ck −1 (z, Sk − {z }) + L(y , z )) pour y , x0 ∈/ Sk
z
avec y ∈Sk pour la dernière étape.
x0 sauf
3
Etape 0
C0 (y , ∅) = L(y , x0 ) pour tout y /= x0
3
Etape 0
Etape k = 1, · · · , n − 2
Ck (y, Sk ) = min (Ck— 1(z, Sk − {z ) + L(y, z ))
z ∈Sk
}
pour tout y /= x0, pour tout sous-ensemble Sk de k sommets tel que
y , x0 ∈/ Sk .
3
Etape 0
C0 (y , ∅) = L(y , x0 ) pour tout y x0
Etape k = 1, · · · , n − 2
Ck (y, Sk ) = min (Ck— 1{(z,}−Sk z ) + L(y, z ))
z ∈Sk
pour tout y x0, pour tout sous-ensemble Sk de k sommets
tel que y , x0 ∈/ Sk .
Etape n − 1
Cn−1 (x0 , {x1 , · · · , xn−1 })
= min (Cn−2 (z, {x1 , · · · , xn−1 } − {z }) + L(x0 , z ))
z ∈{x1 ,···
,xn−1 }
= longueur minimale du circuit hamiltonien
3
Etape 0
Etape k = 1, · · · , n − 2
Ck (y, Sk ) = min (Ck— 1{(z,}−Sk z ) + L(y, z ))
z ∈Sk
pour tout y /= x0, pour tout sous-ensemble Sk de k sommets tel que
y , x0 ∈/ Sk .
Etape n − 1
Cn−1 (x0 , {x1 , · · · , xn−1 })
= min (Cn−2 (z, {x1 , · · · , xn−1 } − {z }) + L(x0 , z ))
z ∈{x1 ,···
,xn−1 }
= longueur minimale du circuit hamiltonien
Remontée des calculs. On sélectionne les sommets z où les minima sont atteints :
Dk (y, Sk ) = {z ∈ Sk qui minimise Ck−1(z, Sk − {z }) + L(y, z )}
31
Exemple.
Tableau des distances entre villes
B
A B C D
A 0 4 7 2 4 5
8
B 4 0 5 8 A C
7
C 7 5 0 3
D 2 8 3 0 2 3
D
3
Exemple.
Tableau des distances entre villes
B
A B C D
A 0 4 7 2 4 5
8
B 4 0 5 8 A C
7
C 7 5 0 3
D 2 8 3 0 2 3
D
On prend x0 = A
Etape 0 : C0 (B, ∅) = L(B, A) = 4
C0 (C , ∅) = L(C , A) = 7
C0 (D, ∅) = L(D, A) = 2
3
Etape 1 : C1(y, S1) = min (C0(z, ∅) + L(y, z )) , y A
z ∈S 1
∀S1 ∈ {{B}, {C }, {D}} tel que y ∈/ S1 .
C1(B, {C }) = 7 + 5 = 12; D1(B, {C }) = C

C1(B, {D}) = 2 + 8 = 10; D1(B, {D}) = D
C1(C, {B}) = 4 + 5 = 9; D1(C, {B}) = B
C1(C, {D}) = 2 + 3 = 5; D1(C, {D}) = D
C1(D, {B}) = 4 + 8 = 12; D1(D, {B}) = B
C1(D, {C }) = 7 + 3 = 10; D1(D, {C }) = C
Etape 2 : C2(y, S2) = min (C1(z, S2 − {z }) + L(y, z )) , ∀y /= A
z
∈S2
∀S2 ∈ {{B, C }, {B, D}, {C , D}} tel que y ∈/ S2 .
C2 (B, {C , D}) = min(5 + 5, 10 + 8) = 10; D2 (B, {C , D}) = C

C2 (C , {B, D}) = min(10 + 5, 12 + 3) = 15; D2 (C , {B, D}) = {B, D}
C2 (D, {B, C }) = min(12 + 8, 9 + 3) = 12; D2 (D, {B, C }) = C
3
Etape 2 : C2(y, S2) = min (C1(z, S2 − {z }) + L(y, z )) , ∀y /= A
z
∈S2
∀S2 ∈ {{B, C }, {B, D}, {C , D}} tel que y ∈/ S2 .
C2 (B, {C , D}) = min(5 + 5, 10 + 8) = 10; D2 (B, {C , D}) = C

C2 (C , {B, D}) = min(10 + 5, 12 + 3) = 15; D2 (C , {B, D}) = {B, D}
C2 (D, {B, C }) = min(12 + 8, 9 + 3) = 12; D2 (D, {B, C }) = C
Etape 3 : C3(A, S3) = min (C2(z, S3 — {z ) + L(A, z ))

z ∈S3
}
avec S3 = {B, C , D}
C3 (A, {B, C , D}) = min C2 (B, {C , D}) + L(A, B),

C2 (C , {B, D}) + L(A, C ),
C2(D, {B, C } ) + L(A, D)
= min( 10 + 4, 15 + 7, 12 + 2) = 14
D3 (A, {B, C , D}) = {B, D}
3
On a obtenu 2 circuits hamiltoniens de longueur minimale 14 :
(A, B, C, D, A) et (A, D, C, B, A).
B
4 5
8
A C
7
2 3
D
Remarque : La matrice des longueurs est symétrique on ⇒

doit toujours trouver
un nombre paire de solutions car on peut parcourir le circuit dans les deux
sens.

Groupe

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

Transféré par

Droits d'auteur :

Formats disponibles

Université Hassan II de Casablanca

Ecole Normale Supérieur de

MASTER MECANIQUE, ROBOTIQUE ET MATERIAUX

Module : Recherche Opérationnelle

Réalisé par : Professeur :

Année universitaire 2023-2024

D´eﬁnition (Tour et tour minimum)

D´eﬁnition (Tour et tour minimum)

D´eﬁnition (Tour et tour minimum)

Diﬃculte de calcul : NP-complet

Diﬃculte de calcul : NP-complet

On va faire un algorithme exponentiel (O∗(2n)) pour le resoudre,

Conclusion :complexite enn! est redhibitoire.

Conditions de mise en oeuvre :il faut une ”formule de

Conditions de mise en oeuvre :il faut une ”formule de

Conditions de mise en oeuvre :il faut une ”formule de

Conditions de mise en oeuvre :il faut une ”formule de

gain r/t a brute force :comme on stocke, on ne perd pas de

Conditions de mise en oeuvre :il faut une ”formule de

gain r/t a brute force :comme on stocke, on ne perd pas de

contrepartie :ca prend beaucoup d’espace (en fait on echange

La reponse au probleme :la longueur d’un tour minimum est

La reponse au probleme :la longueur d’un tour minimum est

Algorithme 1 :Algorithme pour TSP

2OPT[{c i },c i ]←d(c 1,c i );

Algorithme 1 :Algorithme pour TSP

Il s’agit d’une méthode d’énumération implicite (idem PSE) : on retient ou

Démonstration par l’absurde.

Démonstration par l’absurde.

Ce principe appliqué de façon séquentielle fournit des formules récursives

F (y ) = min (F (z ) + L(z, y ))(1)

longueur F(z) longueur L(z,y)

Donc la longueur du chemin (Cz ) est F (z ) + L(z, y ). On conclut en prenant le

En procédant ensuite à un découpage étape par étape, on obtient une formule de

Pour 1 ≤ k n = 4, on cherche la solution de (PLNE ) pour un second

Pour 1 ≤ k n = 4, on cherche la solution de (PLNE ) pour un second

Fm∗ ax = F4 (8, 7) = max [4x4 + F3(8 − 4x4, 7 − 3x4)]

F3(8 − 4x4, 7 − 3x4) =  max

x1, x2, x3 entiers≥0

2x4+F3 (0,1) 1x4+F3 (4,4) 0x4+F3 (8,7)

Calculs par remontée.

Principe : on cherche la solution de (PLNE ) pour un second membre

où Ak est le vecteur de la k-ième colonne de la matrice A i.e. (Ak )i = aik

Pour obtenir la solution optimale en utilisant les k premières variables, on examine

où L(z, y ) est la longueur de l’arête allant de z à y P(y )

Pk (y ) = {z ∈ P(y ) tel que Fk (y ) = Fk−1(z ) + L(z, y )}

C’est l’ensemble des prédécesseurs de y qui réalisent le minimum.

Pk (y ) = {z ∈ P(y ) tel que Fk (y ) = Fk−1(z ) + L(z, y )}

C’est l’ensemble des prédécesseurs de y qui réalisent le minimum.

F0(x0)=0, F0(y) = ∞ pour y /=

• F1 (B) = 2; P1 (B) = {A};

• F1 (B) = 2; P1 (B) = {A};

• F1 (B) = 2; P1 (B) = {A};

• F1 (B) = 2; P1 (B) = {A};

où L(x, z ) est la longueur de l’arête allant de x à z S(x )

3) Remarques sur les formules de récurrence

3) Remarques sur les formules de récurrence

3) Remarques sur les formules de récurrence

Si un circuit a une valeur strictement positive, on ne peut pas boucler sur

F0(x0)=0, F0(y) = ∞ pour y /=

Modélisation par un graphe.

Remarque. Il y a (n − 1)! circuits hamiltoniens possibles.

= longueur minimale du circuit hamiltonien