Vous êtes sur la page 1sur 28

Mathmatiquespourl'Optimisation

LPSIL I.SauetC.Molle

Planducours

Sance1:Introductionl'Optimisation, ModlisationdeproblmesenProgrammation Linaire,etRsolutiongraphique

Sance2:AlgorithmeduSimplexe Sance3:Notiond'optimalitetDualit

Objectifs

Introduirelesdiffrentsaspectsde l'optimisationdanslecadredel'optimisation linaire. Prsenterlesoutilsetlesalgorithmesdebase enoptimisationlinaire:

Apprendrecommentmodliserunproblme touchantdiversdomaines. Savoirrsoudreunproblmesimpled'optimisation linairesouscontraintes.

Introductionl'Optimisation

DFINITIONS

Applicationdemthodes,techniques,instruments scientifiquespourmodliseretrsoudrelesproblmes danstouslesdomaines. Approchegnralistequirelvedessciencesdela dcisionetquicombine:

savoirfairepratique(commentformulerunproblme d'optimisation,commentrsoudreunproblmel'aide d'algorithmesnumriques) connaissancesthoriques(commentcaractriserlessolutions optimales,quenousapprennentlesconditionsd'optimalitsur lespropritsqualitativesetquantitativesdessolutions)

Introductionl'Optimisation

APPLICATIONS

Applicationsauxproblmesrelsdegrande envergure

arrivedesprocesseursrapides dveloppementdesbasesdedonnes techniquesdoptimisationappliquesdenombreuxdomaines

Domainesdutilisation:

militaire transport(aroport,route,trajet,livraison,horaire) contrledesrseaux(infrastructures,distribution) etc.

Problmedusacdos

Donnes:

unsacdosdepoids 15kg 12objetsayantchacun:

unpoids unevaleur

choisirafindemaximiserla valeuremportetoutenne dpassantpasles15kg autoriss?

Objectif:quellesobjets

Ordonnancement

3machines 8tches Chaquetcheutilise xunitsdetemps

Objectif:affecterlestchesauxmachinesde manireminimiserletempsutilis

Ici,les8tchessontaccompliesauboutde7 unitsdetempssur3machines.

Ordonnancement

etl,les8tchessontaccompliesauboutde6,5 unitsdetemps:OPT?Ilyam^npossibilits

Conceptionderseau

Donnes:

villes(A,B...), matricedetrafic, matricededistance, fibreoptique:

I,:cap.16,cot100, II:cap.32,cot175,

rseaudecotminimum coulanttoutletrafic.

Objectif:Installerun

Conceptionderseau

Conceptionderseau

ProblmesDifficiles

Objectif:MinimiserouMaximiserunefonctiondecot Choisirlameilleuresolutionparmi2noun!possibles: onnepeutlesnumrertoutes Complexitdesproblmes(voircoursAlgoet Complexit):P,NP,NPComplet LaplupartdesproblmestudissontNPComplets:on cherchedesapproximations Trouverunesolution:certifiersaqualitparrapportla solutionoptimaleOPT Sinononpeututiliserdes(meta)heuristiques

LaProgrammationLinaire
Problmedoptimisationconsistant:

maximiser(ouminimiser)unefonctionobjectif linaire denvariablesdedcision soumisesunensembledecontraintes exprimessousformedquationsou dinquationslinaires

LaterminologieestdueGeorgeB.Dantzig,

inventeurdelalgorithmedusimplexe(1947)

MiseenformeMathmatique

Dfinirlesvariablesdedcision

ensembledesvariablesquirgissentlasituationmodliser variablesrelles,entires,binaires fonctionmathmatiquecomposedesvariablesdedcisionqui reprsentelemodlephysiquemodlis fonctionlinaire ensembledesparamtresquilimitentlemodleralisable quationsouinquationscomposesdesvariablesdedcision constantesassociesauxcontraintesetlafonctionobjective

Prciserlafonctionobjectif

Prciserlescontraintesduproblme

Prciserlesparamtresdumodle

Formulationmathmatique

FonctionObjectif

Maximiserouminimiserz=c1x1+c2x2+c3x3++cnxn a11x1+a12x2+a13x3++a1nxn(,=,)b1 a21x1+a22x2+a23x3++a2nxn(,=,)b2 am1x1+am2x2+am3x3++amnxn(,=,)bm xj0;j=1,2,3,n xj variablesdedcision(inconnues)

Contraintes

Contraintesdenonngativit

avec

aij,bi,cj paramtresduprogrammelinaire

Terminologiedelasolution

Solutionralisable

Zonedesolution

Solutionotouteslescontraintesdumodle sontsatisfaites Ensembledetouteslessolutionsralisables Solutionralisableolafonctionobjectifatteint lameilleurevaleur,maximumouminimum Plusieurssolutionsoptimalespossibles

Solutionoptimale

Terminologieduproblme

Problmeirralisable

s'iln'admetpasdesolutionsralisables

Problmenonborn

siaucunedessolutionsralisablesn'estoptimale

Problmesousformestandard
Max(c1x1+c2x2+c3x3++cnxn) xj0;j=1,2,3,n ai1x1+ai2x2+ai3x3++ainxnbi;i=1,2,3,m

Exemple
MAX:350X1+300X2 T.Q.: 1X1+1X2 <=200 9X1+6X2 <=1566 12X1+16X2<=2880 X1>=0 X2>=0

SolutionRalisable
PosonsX2=0
1recontrainte: 2contrainte: 3contrainte: 1X1<=200 9X1<=1566 ouX1<=174 12X1<=2880ouX1<=240

SiX2=0,lavaleurmaximaledeX1est174etla valeurdel'objectiveest:
(350*174)+(300*0)=60900

Cestunesolutionpossiblemaisestelleoptimale?

Non!

RsolutionproblmePL:approchegraphique

Lescontraintesd'unprogrammelinairedfinissentune zonedesolution. Lemeilleurpointdanslazonedesolutioncorrespond lasolutionoptimale. Pourdesproblmes2variables,ilestfaciledetracer lazonedesolutionetdetrouverlasolutionoptimale graphiquement.

X2
250

Tracdelapremirecontrainte
(0,200)

200 150 100 50 (200,0) 0 0 50 100 150 200 250 X1+X2=200

X1

X2
250 200 150 100 50

Tracdeladeuximecontrainte
(0,261)

9X1+6X2=1566

(174,0) 0 0 50 100 150 200 250

X1

X2
250

Tracdelatroisimecontrainte
(0,180)

200 150 100 50 0 0


Zonedesolution

12X1+16X2=2880

(240,0) 50 100 150 200 250

X1

X2
250 200 150 100 50

Tracdunedroitedelafonctionobjectif

(0,116.67)

Fonctionobjectif 350X1+300X2=35000

(100,0)

0 0

50

100

150

200

250

X1

X2
250 200 150 100 50

Undeuximetracdelafonctionobjectif

(0,175)

Fonctionobjectif 350X1+300X2=35000 Fonctionobjectif 350X1+300X2=52500

(150,0)

0 0

50

100

150

200

250

X1

X2
250 200 150

Tracdelasolutionoptimale
Fonctionobjectif 350X1+300X2=35000

Solutionoptimale 100 50 0 0 Fonctionobjectif 350X1+300X2=52500

50

100

150

200

250

X1

Calculdelasolutionoptimale
Lasolutionoptimalesetrouvelintersectiondes contraintes: X1+X2=200 (1) 9X1+6X2=1566 (2) De(1)nousavons: X2=200X1 (3)

Ensubstituant(3)pourX2dans(2)nousavons: 9X1+6(200X1)=1566 cequifaitX1=122

Calculdelasolutionoptimale
Lasolutionoptimaleest: X1=122 X2=200X1=78 Objective=(350*122)+(300*78)=66100

Vous aimerez peut-être aussi