Académique Documents
Professionnel Documents
Culture Documents
CAHIER D’ACCOMPAGNEMENT
Simulation et optimisation
MATH 10605 Simulation et optimisation Avant-séance
2
MATH 10605 Simulation et optimisation Avant-séance
Introduction
L’objectif de cette capsule est de montrer qu’il peut arriver que l’optimisation et la simulation se côtoient dans
un même modèle.
En se basant sur l’historique des ventes en saison des dernières années, le gérant estime que la quantité
demandée, que nous dénoterons D, est modélisée adéquatement par la loi normale, avec une moyenne de 30
vestes demandées, et un écart-type de 5,5 vestes (D ~ N(30 ; 5,5)). Cette distribution sur la quantité demandée
induit une distribution sur le profit, d’où il devrait être possible de calculer 0000000000000
la moyenne de cette distribution
(ou profit espéré).
espéré Dit autrement, on 000000000000
ne peut pas maximiser directement le profit, car il n’est pas
n'est pas
calculable, mais on peut maximiser la valeur espéréeespérée de la variable profit. Un dernier élément que le gérant
doit prendre en compte est que les vestes lui sont vendues par ballots de 5. Remarque : Pour obtenir une quantité
demandée entière, on arrondira les valeurs de la loi normale à l’entier le plus près.
Pour voir clair, il faut 00000000000
modéliser cette situation.
3
MATH 10605 Simulation et optimisation Avant-séance
Modèle d’optimisation
Puisque l’on souhaite maximiser 00000000000000000000,
le profit espéré nous sommes en présence d’un modèle
d’optimisation.
Examinons maintenant le cas où la quantité commandée excède la demande (q > D), par exemple q = 3 vestes
sont commandées, mais seulement D = 2 clients y sont intéressés en saison.
Les deux clients achètent.
Le nombre de vestes vendues en saison est alors égal à la quantité 00000000000
demandée : V = 000
D = 000.
2
V = La plus 00000000
petite des deux valeurs (entre q et D).
Dans un cas comme dans l’autre, le nombre de vestes vendues correspond à la plus petite
petite des valeurs entre le
nombre commandé et la quantité demandée V = mi
minn (q ; D ) .
Maintenant, puisque le prix de vente des vestes est de 50$ en saison, et de 25$ en fin de saison, alors le profit
est donné par l’équation ci-dessous :
Nombre écoulé
en fin de saison
Profit = 5
0 0000
V
* 0000
+ 25 000
* q 0000(–
V ) 0000
– 3
0 000
* q
Profit en saison Coût
Profit en fin de saison d'approvisionnement
4
MATH 10605 Simulation et optimisation Avant-séance
Nous avons maintenant une vision claire du problème à résoudre. La fonction-objectif est en effet bien définie.
Il s’agit de 0000000000000
la moyenne (valeur espérée)
espérée du profit. Le profit s’exprime lui-même en fonction de la variable
de décision, soit q le nombre de vestes commandées, et de la quantité demandée D, de loi normale.
Pour aller plus loin, nous devons être en mesure de calculer la valeur espérée,
espérée mais ce n’est pas évident étant
donné que le profit est une fonction relativement compliquée de la variable aléatoire D. On peut alors penser à
utiliser la simulation Monte-Carlo comme outil pouvant nous permettre d’estimer la valeur de la fonction-
objectif.
= − 30 × q
Une fois la distribution du profit établie, du moins approximativement, on peut en estimer lala moyenne
moyenne, qui
correspond à la fonction-objectif. Bref, on a estimé la valeur de la fonction-objectif, du moins pour la valeur de
q que nous avons fixée au départ, donc q = 25. Or, si cette stratégie d’évaluation fonctionne pour q = 25, elle
fonctionnerait également pour toute autre valeur de q pour laquelle nous souhaiterions évaluer la fonction-
objectif.
5
MATH 10605 Simulation et optimisation Avant-séance
Si on récapitule, on est en présence d’un modèle d’optimisation qui vise à maximiser 00000000000000000000
le profit espéré
en fonction de 00000000000000000000.
la quantité commandée Optimiser une fonction nécessite que pour toutes valeurs des
variables de décision, q ici, il y ait une formule, ou du moins une procédure qui nous permette de calculer la
valeur de la fonction-objectif correspondante, le le profit espéré ici. Dans le cas présent, ce n’est pas si
profit espéré
simple, puisque l’expression du profit est relativement compliquée et dépend d’une variable normale.
Heureusement, il s’avère que pour chaque valeur de q, tous les ingrédients sont en place pour que la simulation
soit adéquate comme procédure pour calculer la valeur correspondante du profit espéré.
N ( µ 30
D = = ; σ 5, 5)
Le prix à payer pour utiliser cette procédure qui repose sur la génération de scénarios aléatoires est que la
fonction-objectif ne sera pas évaluée exactement, mais elle sera plutôt approximée.
La marche à suivre est maintenant claire. En effet, puisque la quantité q est un multiple de 5, nous allons procéder
par énumération. Ainsi, l’idée est de créer un tableau comportant les valeurs de q (5, 10, 15, etc.) sur sa première
ligne. Sur la seconde ligne, on souhaite estimer la valeur de la fonction-objectif. Pour ce faire, on utilisera la
simulation comme mécanisme de calcul. C’est à ce moment que l’on utilisera la relation connue entre la quantité
q, la demande aléatoire D et le profit (voir équation ci-dessus).
Quantité commandée q 5 10 15 20 25 30 35 40 45 50 55 60
E[Profit] estimé
À terme, on devrait obtenir une approximation du profit espéré pour chaque valeur de q dans le tableau. C’est
en examinant ces valeurs que l’on parvient à déterminer le nombre optimal de vestes à commander.
Quantité commandée q 5 … 30 35 40 … 60
E[Profit] estimé 100,00 $ … 544,75 $ 561,41 $ 548,38 $ … 450,31 $
6
Correction 1
MATH 10605 Simulation et optimisation Avant-séance
Résumé de la capsule 1
Il arrive que la modélisation d’une situation exige à la fois des éléments d’optimisation et de simulation. C’est
notamment le cas quand une simulation est nécessaire pour calculer la fonction-objectif d’un problème
d’optimisation, comme dans l’exemple Gilet Mignon présenté dans cette capsule.
Les exercices reliés à cette capsule sont disponibles dans le fichier Excel associé à ce document de préparation.
7
MATH 10605 Simulation et optimisation Avant-séance
Rappel – Lien vers la capsule : Implantation d’une simulation dans un modèle d’optimisation – Durée ≈ 9 minutes
Introduction
L’objectif de cette capsule est de voir comment développer correctement un modèle de simulation imbriqué
dans un modèle d’optimisation.
Rappelons que ce qui complique le problème est la nature 00000000000 aléatoire de la quantité demandée,
déterminante dans le calcul du profit. En effet, on doit, pour optimiser, savoir comment calculer, pour chaque
valeur de la variable de décision, la valeur correspondante de la fonction-objectif. Cela exige ici de calculer une
valeur espérée, ce qui n’est pas simple.
L’outil qui nous permettra de réaliser ce calcul, du moins approximativement, est la simulation.
simulation
N ( µ 30
D = = ; σ 5, 5)
8
MATH 10605 Simulation et optimisation Avant-séance
Nous allons commencer par construire un modèle de simulation Excel pour q = 25. Nous avons inscrit cette valeur
dans la cellule C16 de la feuille C2 - Différents du fichier Excel.
Puisque la quantité demandée est 00000000000
aléatoire et obéit à la loi normale, on doit générer des scénarios de cette
quantité. On prévoit une 000000000
ligne par scénario (la demande simulée et les numéros de cellules sont différents
de ceux montrés dans la capsule).
Les 8 premières lignes (sur 10 000) sont ici représentées.
Le gabarit Simulateur permet de générer les 10 000 scénarios
souhaités de la quantité demandée (colonne B). Rappel : Ce sont les
fonctions LOI.NORMALE.INVERSE.N et TABLEAU.ALEA qui sont
utilisées dans cette situation, vous devez être en mesure de les
utiliser par vous-même.
On peut ensuite calculer le profit (colonne C). Par exemple, pour le
premier scénario, voici la formule Excel qui découle directement de
l’expression mathématique que nous avons établie lors de la
modélisation :
Profit = 50 × min ( q ; D ) + 25 × ( q − min ( q ; D ) ) − 30 × q
= $D$9 *MIN ( C$16, B21 )
Maintenant, notre objectif est d’évaluer la valeur espérée du profit. On estime cette valeur en calculant la
moyenne de tous les scénarios de profits. Cela donne 486,19$ (avec les nombres de la feuille C2 – Différents).
Nous avons ainsi construit un modèle de simulation qui permet de calculer la fonction-objectif lorsque q = 25.
Nous pouvons maintenant construire un modèle similaire pour chaque valeur de q.
9
MATH 10605 Simulation et optimisation Avant-séance
Modèle de simulation pour chaque q
Par exemple, nous pouvons construire le modèle de simulation pour q = 5, 10, 15, etc. Voir la feuille
C2 – Différents, la demande simulée diffère (pour le moment) de simulation en simulation et diffère des images
de la capsule.
Fixons pour un moment notre attention sur les modèles pour q = 25 et q = 30.
Ainsi, nous sommes heureux d’avoir mis en place un mécanisme qui serve ce but. Cependant, la 0000000000seconde
source de variations est nuisible. Elle 0000000000
augmente l’incertitude et vient réduire notre capacité à comparer le
profit moyen selon les valeurs de q. Il faut donc l’éliminer.
En d’autres mots, pour isoler l’effet de q sur le profit moyen, on veut comparer
différentes valeurs de q, toute autre chose étant maintenue 00000000000.
constante
10
MATH 10605 Simulation et optimisation Avant-séance
Scénarios identiques lorsque q varie
Il est donc primordial de construire le modèle Excel de façon à ce que les scénarios de quantité demandée soient
00000000000
identiques pour les diverses valeurs de q considérées.
On utilise pour cela une seule feuille de calcul Excel (voir la feuille C2 – Identiques). Avec le gabarit, on y génère
uneune
seule fois des scénarios pour les variables aléatoires primaires, ici la quantité demandée (Rappel : Vous
seule fois
devez être en mesure d’utiliser les fonctions Excel appropriées pour simuler ces valeurs par vous-même). Pour
toutes les valeurs de la variable de décision considérée, la mesure de performance, le profit ici, doit être calculé
en utilisant les mêmes scénarios aléatoires. Précisément, on se base ici encore sur l’équation ci-dessous pour
calculer le profit. Nous écrivons la formule Excel pour la cellule C21, en haut à gauche.
= $D$9 *MIN ( C$16, $B21) + $D$10 * ( C$16 − MIN ( C$16, $B21) ) − $D$8 * C$16
Les références à la quantité demandée ($B21) réfèrent aux uniques scénarios aléatoires générés. Notez d’ailleurs
les signes de « $ » pour fixer la 000000000
colonne de la quantité demandée. On réfère similairement à la cellule de la
quantité commandée (C$16), en prenant bien soin de fixer la 000000000
ligne avec un « $ ». Les références aux
cellules de données ($D$8, $D$9, $D$10) sont quant à elles fixées au moyen de deux signes de $. En recopiant la
formule vers la droite puis vers le bas, on obtient le profit sous chaque scénario de demande, simultanément
pour toutes les valeurs de q considérées.
Il est maintenant temps d’estimer la fonction-objectif simultanément pour toutes les valeurs de q. On calcule
d’abord le profit moyen lorsque q = 5 à l’aide de la fonction MOYENNE. Ensuite, on recopie la formule vers la
droite et le tour est joué.
11
MATH 10605 Simulation et optimisation Avant-séance
Rappelons que l’objectif est de maximiser le profit espéré. En examinant tous les profits Profit moyen en fonc�on de la quan�té commandée
espérés estimés, on remarque que le plus grand survient lorsque q = 35 vestes sont $600
commandées (voir le tableau de la page précédente ou le premier tableau plus bas sur cette
$500
$200
Remarque : La stratégie que nous avons privilégiée, soit de conserver des scénarios
$100
aléatoires 00000000000
identiques pour chacune des valeurs de q, a pour effet de lisser la courbe
formée par les valeurs estimées de la fonction-objectif. Cela facilite l’identification du $0
0 5 10 15 20 25 30 35 40 45 50 55 60 65
maximum. Quan�té commandée q
Résultats approximatifs
Autre petite remarque, nos résultats reposent sur une simulation 0000000000000.
aléatoire Cela signifie qu’ils sont approximatifs,
approximatifs et qu’ils peuvent
peuvent varier
selon les scénarios simulés. Par exemple, on a répété ci-dessous deux fois toute la simulation de A à Z. On constate des différences dans les résultats. Par
exemple, pour 50 vestes commandées, le profit espéré a été estimé à un montant entre 498$ et 502$ selon l’essai. Ce qui est toutefois très rassurant est
que la décision demeure stable : on prescrit de commander 35 vestes lors de chacun des essais.
Simulation # 1 (associée au graphique ci-dessus)
Quantité commandée q 5 10 15 20 25 30 35 40 45 50 55 60
E[Profit] estimé $100,00 $200,00 $299,90 $398,29 $486,82 $544,75 $561,41 $548,38 $525,20 $500,31 $475,31 $450,31
12 Correction 2
MATH 10605 Simulation et optimisation Avant-séance
Résumé de la capsule 2
Quand un modèle de simulation est utilisé pour calculer une fonction-objectif dans le but d’en optimiser la valeur,
un principe fondamental doit être respecté :
Cela permet en effet de mieux isoler l’effet des variables de décision sur la valeur de la fonction-objectif.
Remarques :
Puisqu’ils reposent sur la simulation aléatoire de scénarios,
Les résultats sont approximatifs.
Les résultats peuvent changer si on recommence la simulation de zéro.
Les exercices reliés à cette capsule sont disponibles dans le fichier Excel associé à ce document de préparation.
13
MATH 10605 Simulation et optimisation Avant-séance
AUTEUR.E.S.
Réinitialisation du formulaire
Attention : le bouton rouge ci-dessous sert à réinitialiser le formulaire lorsque de la préparation de vos
documents. Cela veut dire que si vous cliquez dessus, vous effacerez toutes les informations préalablement
inscrites dans ce document. Il est donc fortement déconseillé de cliquer dessus, à moins que vous vouliez
volontairement effacer toutes les informations déjà rentrées dans votre version du document.
Reinitialiser le formulaire
14