Académique Documents
Professionnel Documents
Culture Documents
programme linéaire :
méthodologie
Méthodologie de la RO
(programmation mathématique)
Identifier le problème et
Valider le modèle
collecter les données
Implémentation du système
Résoudre le modèle
d’aide à la décision
2
Identification du problème et
collecte des données
Les problèmes réels sont flous, non clairs
L’équipe de RO est appelée à bien identifier le problème :
L’objectif, les contraintes, le temps limité pour la prise
de décision, etc.
La définition du problème est une étape cruciale
puisqu’elle affecte les décisions à prendre : on ne peut
pas avoir des « bonnes » réponses suite à un problème
« mal défini »
3
Identification du problème et
collecte des données
4
Étape 2 : formulation
mathématique du problème
5
Étape 2 : formulation
mathématique du problème
6
Étape 2 : formulation
mathématique du problème
Soient n décisions liées et quantifiables à prendre ; elles sont présentées
par (x1, x2, . . . , xn) : nommées les variables de décisions dont les valeurs
sont à déterminer.
La mesure de la performance appropriée (exemple profit) est exprimée
par une fonction mathématique en fonction de ces variables de
décisions (exemple, P= 3x1 + 2x2 + …+ 5xn) : cette fonction est appelée
fonction objectif (fonction économique).
Des restrictions sur les valeurs des variables de décisions sont exprimés
mathématiquement, particulièrement par des inégalités (exemple,
x1+3x1x2+ 2x2≤10) : appelées des contraintes.
Les constantes (coefficients et les valeurs du côté droite: RHS (Right
Hand Side) dans les contraintes et la fonction objectif sont appelés des
paramètres.
7
Étape 2 : formulation
mathématique du problème
8
Étape 2 : formulation
mathématique du problème
9
Étape 2 : formulation
mathématique du problème
Une des formulations mathématiques :
programmation linéaire
Toutes les équations sont linéaires
Avantages :
Possibilité de l’obtention de la solution optimale.
10
Programmation Linéaire : Exemple*
Train 21 D 9D 10 D 1h 1h
12
Programmation Linéaire : Exemple
13
Forme du Programme Linéaire
(PL) est un problème mathématique de la forme :
Max ct x
s.c Ax≤b
x≥0
″Max″ signifie maximiser, c ∊ ℜn, b ∊ ℜm
A est une matrice réelle (m, n).
La fonction à maximiser (ct x) : fonction objectif ou fonction
économique.
Les inégalités définies par le système linéaire (A x ≤ b) : les
contraintes du problèmes.
Les n composantes du vecteur x : les variables de décision.
Une solution réalisable x* est optimale si la valeur de ct x* est la
meilleure des valeurs de ct x pour tous les vecteurs réalisables. 14
Variables de décisions
Dans un PL, les variables de décisions doivent
complètement décrire les décisions à prendre
La compagnie doit déterminer le nombre de
soldats et de trains à fabriquer par semaine
On définit alors :
X1 = nombre de soldats fabriqués par semaine,
X2 = ˶ trains ˶ ˶
15
Fonction objectif
Dans n’importe quel programme linéaire :
Le responsable de décision veut :
16
Fonction objectif
Profit hebdomadaire
= contribution des soldats au profit hebd. +
contribution des trains au profit hebd.
= (contr. Au profit/soldat) x1 + contr. au profit/train) x2
17
Fonction objectif
Profit hebdomadaire
Z(x)= 3x1 + 2x2
où x = (x1, x2)
L’objectif de la compagnie consiste à choisir
les quantités x1 et x2 qui maximisent la
fonction 3x1 + 2x2
Max Z(x) = 3x1 + 2x2 (1)
18
Contraintes
19
Contraintes
Chaque semaine, pas plus que 80 heures
de menuiserie peuvent être effectuées :
Contraintes de ressources
x1 + x2 ≤ 80 (2)
20
Contraintes
Chaque semaine, pas plus que 100
heures de finition peuvent être effectuées :
21
Contraintes
Contrainte dû à la limitation de la demande, au
plus 40 soldats doivent être produits par
semaine :
Contraintes d’environnement
x1 ≤ 40 (4)
22
Contraintes
Contraintes de signes
Pour compléter la formulation d’un PL, on doit
répondre à la question suivante :
Est-ce que les variables de décision peuvent
prendre seulement des valeurs non-négatives (≥ 0),
ou
Est-ce qu’elles n’ont pas de restriction de signe ?
Exemple: il est clair que x1 et x2 ≥ 0
23
Le Programme Linéaire
En combinant:
La fonction objectif avec
25
Étape 3 : résolution du
problème
26
Étape 3 : résolution du
problème
La recherche d’une solution optimale peut être
dans certains cas coûteuse en termes de temps
(donc argent)
Il suffit de trouver une solution satisfaisante
On recourt à des heuristiques ou des
métaheuristiques
Le travail le plus important ce sont les étapes
suivantes plus particulièrement la post-
optimalité.
27
Étape 3 : résolution du
problème
La post-optimalité : analyse faite après
avoir trouvé la solution optimale
La solution optimale peut ne pas être la
meilleure solution dans la réalité puisque le
modèle ne reflète pas vraiment la réalité
Donc, il faut se poser la question : quand un
paramètre change, quel serait son effet sur
la solution optimale ?
28
Étape 3 : résolution du
problème
L’analyse post-optimalité comprend
l’analyse de sensibilité : il s’agit de
déterminer quels sont les paramètres
critiques (paramètres sensibles) ?
Dans un modèle mathématique, un
paramètre est sensible, si une modification
de sa valeur est accompagnée par un
changement de la solution optimale.
29
Étape 3 : résolution du
problème
L’identification des paramètres sensibles est importante : ceci
permet d’identifier les paramètres auxquels une attention
particulière est accordée afin d’éviter l’obtention des solutions
erronées.
La valeur d’un paramètre est dans la plupart du temps estimée
(ex. profit/unité). Les paramètres sensibles seront identifiés
qu’après avoir développé le modèle mathématique et l’avoir
résolu.
Ainsi, une fois identifié, on tente d’estimer plus efficacement ces
paramètres ou déterminer dans quel intervalle de valeur, il se
situe.
On cherche donc les solutions correspondantes à toute
combinaison des paramètres sensibles. 30
Étape 4 : validation du modèle
Développer un modèle mathématique est analogue au
développement d’un programme informatique.
La première version d’un programme informatique contient
souvent des erreurs (bugs). Ainsi, ce programme doit subir
beaucoup de corrections et des modifications, des
améliorations afin qu’il fournisse à la fin des résultats
logiques
C’est la même chose pour une première version d’un modèle
mathématique. Elle contient des erreurs. Certaines
modifications seront incorporées (ajout d’une équation
exprimant une relation entre variables de décisions oubliées,
paramètres mal estimés…) 31
Étape 4 : validation du modèle
Ainsi, avant d’utiliser le modèle, on le teste afin de
corriger, améliorer jusqu’à ce qu’on obtienne des
résultats logiques.
Le processus de test et d’amélioration du modèle afin
qu’on obtienne des résultats logiques : validation du
modèle.
32
Étape 5 : préparer l’application
L’étape suivante consiste à préparer la
documentation : modèle, procédure pour
l’obtention de la solution, l’analyse post-
optimale, la procédure d’implémentation
Ainsi, si le personnel change, le système peut être
utilisé régulièrement
La documentation prépare à l’implémentation
d’un outil informatique d’aide à la décision.
33
Étape 6 : implémentation
Il s’agit de concevoir un outil informatique
d’aide à la décision
Former le personnel à l’exploitation de cet
outil
Suivre la performance de l’outil (en cas de
nécessité, intégrer des modifications).
34
Conclusion
Nous avons présenté une démarche pour la
résolution d’un problème de décision en
utilisant un outil de la RO : la
programmation linéaire
Ce cours s’intéresse particulièrement à
l’étape 3:
Procédure pour la résolution du problème
Analyse post-optimalité
35