Le problème du voyageur

de commerce

Réalisé par : Rida Goudimi et Karim Belkadi Encadré par :Mm Malika El Kiyal

Année universitaire :2023/2024

Plan :
 I. Introduction
II. L’origine du problème
III. La modélisation du problème
IV. Une présentation générale des différents champs d'application
V. La complexité
VI. Les méthodes de résolutions
VII. Conclusion

Introduction :
Le Problème du Voyageur de Commerce (TSP) se présente comme un défi mathématique
captivant qui a engagé l'esprit de nombreux mathématiciens et scientifiques pendant des
décennies. Au-delà de sa nature de puzzle, le TSP est une question fondamentale en recherche
opérationnelle et en informatique théorique, reflétant un défi profond dans la compréhension
et la manipulation des systèmes complexes. Le problème, en apparence simple, consiste à
déterminer le chemin le plus court permettant à un voyageur de passer par un ensemble défini
de villes, en visitant chacune d'elles une seule fois, et de revenir au point de départ. Cette
question simple cache une complexité surprenante, illustrant parfaitement la difficulté de
certains problèmes algorithmiques.

Objectif du Rapport :
Ce rapport vise à fournir une exploration approfondie du TSP, en s'immergeant dans ses divers
aspects et dimensions. Nous débuterons par un voyage à travers l'histoire fascinante du TSP,
retraçant ses origines et son évolution au fil du temps. Ensuite, nous plongerons dans la
modélisation mathématique du problème, dévoilant la manière dont il est formulé et structuré
dans un contexte théorique.

Nous explorerons également les nombreuses applications pratiques du TSP, allant de la

logistique et la planification de routes à la conception de circuits électroniques et au-delà. Ces
applications illustrent comment un problème théorique peut avoir des répercussions
significatives dans le monde réel.

Un autre aspect crucial de ce rapport concerne la complexité du TSP. Nous analyserons

pourquoi il est classé comme un problème NP-difficile et quelles sont les implications de cette
classification en termes de recherche de solutions.

Enfin, nous examinerons les diverses méthodes développées pour résoudre le TSP. De
l'approche traditionnelle avec des méthodes exactes aux techniques modernes utilisant des
heuristiques et des métaheuristiques, nous explorerons comment ces méthodes se comparent
en termes d'efficacité, de vitesse et de proximité avec la solution optimale, soulignant ainsi
l'évolution continue dans la recherche de solutions à ce problème classique mais toujours
pertinent.

Origine du Problème :

 Historique :
Le Problème du Voyageur de Commerce (TSP) trouve ses racines au 18ème siècle, époque à
laquelle des mathématiciens tels que Sir William Rowan Hamilton et Thomas Penyngton
Kirkman ont commencé à explorer des problèmes similaires. Hamilton et Kirkman
s'intéressaient aux jeux de puzzles basés sur des voyages autour d'un graphe, ce qui a jeté les
bases conceptuelles du TSP.

Le TSP tel que nous le connaissons aujourd'hui a été formulé de manière plus explicite au
début du 20ème siècle. En 1930, le mathématicien autrichien Karl Menger dans ses cours à
Vienne, a décrit le problème du "voyageur commerçant" cherchant un itinéraire le plus court.
Cette formulation a attiré l'attention des chercheurs en mathématiques et en logistique,
marquant le début de l'étude formelle du TSP.

 Évolution :

Au fil des ans, le TSP a évolué de sa conceptualisation initiale en tant que curiosité
mathématique à un problème central dans les domaines de la recherche opérationnelle et de
l'informatique théorique. Sa popularité a explosé dans les années 1950 et 1960, coïncidant
avec le développement de l'ordinateur, ce qui a permis de traiter des instances de plus en plus
grandes du problème.

Le TSP a servi de catalyseur pour le développement de nombreuses méthodes en optimisation

combinatoire et en théorie de la complexité. Il a été l'un des premiers problèmes à être classé
comme NP-difficile, une découverte qui a eu un impact significatif sur la compréhension des
limites des algorithmes informatiques et sur la distinction entre les problèmes "faciles" et
"difficiles" en informatique.

Cette évolution a également conduit à des applications pratiques dans de nombreux domaines
tels que la logistique, la planification de routes, la conception de circuits électroniques et la
bio-informatique. Le TSP continue d'être un domaine de recherche actif, motivant les
chercheurs à développer de nouvelles approches algorithmiques et heuristiques pour sa
résolution.
 Modélisation du Problème du Voyageur de
Commerce
 Description Formelle

Le Problème du Voyageur de Commerce (TSP) est élégamment modélisé dans le cadre de la

théorie des graphes. On considère un graphe pondéré G= (V, E), où V est l'ensemble des
nœuds représentant les villes, et E est l'ensemble des arêtes représentant les chemins entre ces
villes, chacun avec un coût ou une distance associée. L'objectif du TSP est de trouver un cycle
hamiltonien, un circuit qui visite chaque ville une et une seule fois et retourne à la ville de
départ avec le coût total minimal.

Cette modélisation met en lumière la complexité du TSP : il ne s'agit pas seulement de trouver
n'importe quel circuit fermé, mais le plus économique en termes de coût total. La complexité
augmente exponentiellement avec le nombre de villes, rendant le problème intrinsèquement
difficile à résoudre pour de grandes instances.

 Exemple Pratique avec Solution :

Considérons quatre villes nommées A, B, C, et D. Les distances entre chaque paire de villes
sont données par la matrice suivante :

A B C D
A 0 20 35 42
B 20 0 30 34
C 35 30 0 12
D 42 34 12 0

L'objectif est de trouver l'itinéraire le plus court qui passe par toutes ces villes une fois et
retourne à la ville de départ.

Une méthode pour résoudre ce TSP est d'utiliser l'algorithme du plus proche voisin, qui
consiste à choisir le chemin le plus court à chaque étape. Supposons que le voyage commence
à la ville A. L'itinéraire possible serait :

· De A à B (20 km)
· De B à C (30 km)
 · De C à D (12 km)
· Et enfin de D à A (42 km)

Cela donne un itinéraire total de 104 km. Cependant, cet itinéraire n'est pas nécessairement le
plus court. Des algorithmes plus sophistiqués, tels que la programmation dynamique ou les
heuristiques métaheuristiques, pourraient trouver un itinéraire plus court. Par exemple, un
algorithme pourrait trouver que l'itinéraire A → D → C → B → A, avec une distance totale de
98 km, est en fait optimal.

Dans les grandes instances du TSP, les méthodes exactes deviennent rapidement
impraticables, et des heuristiques ou des méthodes d'approximation sont utilisées pour obtenir
des solutions proches de l'optimum en un temps raisonnable.

Champs d'Application du Problème du

Voyageur de Commerce
  Domaines d'Application

Le Problème du Voyageur de Commerce (TSP) est bien plus qu'un puzzle mathématique ; il a
des implications pratiques dans divers secteurs. Voici quelques-uns des domaines les plus
significatifs :

 Planification de Routes et Logistique: Dans le secteur des transports, le TSP est

utilisé pour optimiser les itinéraires de livraison, réduisant ainsi le temps de trajet et
les coûts. Ceci est crucial pour les entreprises de livraison, les services postaux, et les
flottes de véhicules.
 Conception de Circuits Électroniques : Le TSP joue un rôle essentiel dans la
conception de circuits imprimés (PCB). Ici, le problème consiste à minimiser le
chemin des fils électriques entre différents composants, réduisant ainsi les coûts de
matériel et améliorant l'efficacité du circuit.
 Tournées de Livraison : Les entreprises qui gèrent des flottes de véhicules pour la
livraison de produits utilisent le TSP pour définir les itinéraires les plus efficaces, ce
qui permet de servir plus de clients en moins de temps.
 Bio-informatique: Dans le séquençage d'ADN, le TSP aide à déterminer l'ordre le
plus efficace pour analyser les fragments de séquences génétiques, optimisant ainsi le
temps et les ressources nécessaires pour le séquençage.

Cas Réel: Optimisation des Itinéraires de Livraison

Prenons l'exemple d'une entreprise de livraison qui doit envoyer un véhicule pour livrer des
colis à plusieurs destinations. Supposons qu'il y ait cinq destinations (A, B, C, D, E) et que les
distances entre elles soient connues. L'entreprise souhaite minimiser le temps total de
livraison.

En utilisant le TSP, l'entreprise peut déterminer l'itinéraire le plus court possible qui passe par
toutes les destinations une fois. Supposons que les distances entre les destinations soient les
suivantes (en kilomètres) :

• A à B: 10 km
• B à C: 15 km
 • C à D: 20 km
• D à E: 25 km
• E à A: 30 km

Une solution possible, en appliquant un algorithme simple comme l'algorithme du plus proche
voisin, pourrait être l'itinéraire A → B → C → D → E → A. Cependant, cette solution n'est
peut-être pas optimale. Des méthodes plus avancées, comme la programmation dynamique ou
les algorithmes génétiques, pourraient trouver un itinéraire plus court.

En optimisant les itinéraires de cette manière, l'entreprise peut réaliser des économies
significatives en termes de temps et de coûts, tout en améliorant la satisfaction client grâce à
des délais de livraison plus rapides.

Complexité du Problème du Voyageur de

Commerce
 Théorie de la Complexité :

Le Problème du Voyageur de Commerce (TSP) est emblématique dans l'étude de la

complexité algorithmique, en particulier en tant que problème NP-difficile. Cette
classification signifie qu'il n'existe pas, à ce jour, d'algorithme connu capable de résoudre
toutes les instances du TSP de manière efficace (c'est-à-dire en temps polynomial) pour de
grandes tailles de données. Plus formellement, bien qu'un algorithme puisse vérifier
rapidement si une solution donnée est correcte (ce qui le rend NP), il n'existe pas de méthode
connue permettant de trouver cette solution rapidement, caractéristique des problèmes NP-
difficiles.

La complexité du TSP provient du nombre exponentiellement croissant de circuits possibles à

mesure que le nombre de villes augmente. Par exemple, pour un graphe avec 5 villes, il y a 12
circuits différents possibles, mais ce nombre passe à 60 pour 6 villes, et à 360 pour 7 villes.
Ce nombre croît plus rapidement que n'importe quelle fonction polynomiale, illustrant
pourquoi le problème devient si complexe à mesure que le nombre de villes augmente.

 Implications Pratiques :

Dans la pratique, la classification NP-difficile du TSP a des implications significatives. Pour

de petites instances (avec un nombre limité de villes), il est possible d'utiliser des méthodes
exactes comme la programmation dynamique ou la méthode des branches et des bornes pour
trouver la solution optimale. Cependant, pour de grandes instances, ces méthodes deviennent
inapplicables en raison du temps de calcul astronomiquement élevé nécessaire.

En conséquence, pour traiter de grandes instances du TSP, des méthodes d'approximation ou

des heuristiques sont souvent utilisées. Ces méthodes, telles que l'algorithme du plus proche
voisin, l'algorithme génétique, ou le recuit simulé, ne garantissent pas de trouver la solution
optimale, mais elles peuvent produire des solutions suffisamment proches de l'optimum en un
temps raisonnable. Ces solutions sont généralement acceptables dans des contextes pratiques
où le coût d'une solution légèrement sous-optimale est largement compensé par la réduction
du temps de calcul nécessaire.

Méthodes de Résolution du Problème du

Voyageur de Commerce
 Méthodes Exactes :

Dans le cas de petites instances du Problème du Voyageur de Commerce (TSP), des méthodes
exactes sont privilégiées pour garantir la découverte de la solution optimale. Parmi ces
méthodes, la programmation dynamique et la méthode des branches et des bornes sont les
plus couramment utilisées.

Programmation Dynamique: Cette approche décompose le problème en sous-problèmes

plus petits et stocke les résultats pour éviter les calculs répétitifs. Bien qu'elle garantisse de
trouver la solution optimale, la complexité en temps et en espace de cette méthode augmente
de manière exponentielle avec le nombre de villes, la rendant impraticable pour des instances
de grande taille.

Méthode des Branches et des Bornes: Elle explore systématiquement toutes les
possibilités de circuits en éliminant ceux qui ne peuvent pas mener à une solution optimale.
Cette méthode est plus efficace que la programmation dynamique en termes d'espace mémoire
requis, mais peut toujours devenir extrêmement lente pour de grandes instances.

 Heuristiques et Métaheuristiques :

Pour les instances plus importantes du TSP, des méthodes heuristiques et métaheuristiques
sont souvent employées. Ces méthodes ne garantissent pas la solution optimale mais peuvent
produire des résultats suffisamment proches en un temps raisonnable.

Algorithme du Plus Proche Voisin: Il commence par une ville arbitraire et, à chaque
étape, se déplace vers la ville non visitée la plus proche. Bien que simple et rapide, cette
méthode peut souvent aboutir à des solutions loin de l'optimum, surtout pour des instances
irrégulièrement distribuées.

Recuit Simulé: Inspiré par le processus de recuit en métallurgie, cette méthode

explore aléatoirement l'espace des solutions, permettant des mouvements qui ne sont pas
immédiatement bénéfiques pour éviter les minimums locaux. Le recuit simulé est
particulièrement efficace pour trouver de bonnes solutions sur des instances complexes du
TSP.

Algorithme Génétique: Inspiré par le processus de l'évolution biologique, cet algorithme

utilise des techniques telles que la sélection, la croisement et la mutation pour évoluer vers de
meilleures solutions. Il est particulièrement utile pour des instances de très grande taille où
d'autres heuristiques échouent.
  Comparaison :

En comparant ces méthodes, plusieurs facteurs sont à prendre en compte : la vitesse de calcul,
le coût en termes de ressources informatiques, et la proximité de la solution obtenue avec
l'optimum théorique.

 Les méthodes exactes sont lentes et coûteuses en ressources mais garantissent la

solution optimale pour les petites instances.
 Les heuristiques et les métaheuristiques offrent un bon équilibre entre la qualité de
la solution et la vitesse pour les grandes instances, bien qu'elles ne garantissent pas
l'optimalité.

Conclusion du Rapport sur le Problème du

Voyageur de Commerce
 Synthèse

Le Problème du Voyageur de Commerce (TSP) se tient à l'avant-garde de la recherche

opérationnelle et de l'informatique théorique, représentant un défi emblématique à la fois en
termes de complexité algorithmique et de pertinence pratique. Ce problème classique illustre
non seulement les difficultés inhérentes à la résolution de problèmes NP-difficiles, mais met
aussi en évidence l'importance cruciale de développer des méthodes de résolution efficaces et
pratiques.

Le TSP transcende son statut de simple énigme mathématique pour devenir un puissant outil
dans une variété d'applications, allant de la logistique et du transport à la conception de
circuits et à la bio-informatique. La quête continue pour résoudre le TSP de manière plus
efficace et pour des instances de plus en plus grandes a stimulé l'innovation dans plusieurs
domaines, notamment les algorithmes d'optimisation, l'intelligence artificielle et
l'apprentissage machine.

 Perspectives d'Avenir

L'étude du TSP est loin d'être un domaine académique statique ; elle est dynamique et en
constante évolution. La poursuite de la recherche dans ce domaine promet non seulement de
meilleures solutions pour le TSP lui-même mais ouvre également la voie au développement de
techniques avancées en optimisation et en informatique théorique. Ces avancées peuvent
potentiellement s'appliquer à une gamme plus large de problèmes complexes, bien au-delà de
la portée du TSP. Avec l'avancement des technologies informatiques, notamment en matière
de puissance de calcul et d'intelligence artificielle, de nouvelles portes s'ouvrent pour aborder
le TSP de manières innovantes. Par exemple, l'intégration de l'apprentissage machine dans les
algorithmes heuristiques ou l'utilisation du calcul quantique pourraient offrir des percées
significatives dans la résolution de ce problème historique. En conclusion, le TSP reste un
terrain fertile pour la recherche et l'innovation. Son étude continue offre non seulement des
aperçus dans la résolution de problèmes complexes mais sert également de catalyseur pour
l'avancement de divers domaines scientifiques et technologiques.