Vous êtes sur la page 1sur 28

Mathématiques pour l'Optimisation

LP SIL I. Sau et C. Molle

Plan du cours

S éance 1 : Introduction à l'Optimisation, Mod élisation de probl èmes en Programmation Liné aire, et R é solution graphique

S éance 2 : Algorithme du Simplexe

S éance 3 : Notion d'optimalit é et Dualit é

Objectifs

Introduire les diff érents aspects de l'optimisation dans le cadre de l'optimisation liné aire.

Pré senter les outils et les algorithmes de base en optimisation liné aire :

Apprendre comment mod é liser un probl è me touchant divers domaines.

Savoir r é soudre un problè me simple d'optimisation lin é aire sous contraintes.

Introduction à l'Optimisation

D É FINITIONS

Application de mé thodes, techniques, instruments scientifiques pour mod é liser et r é soudre les problè mes dans tous les domaines.

Approche gé n éraliste qui rel è ve des sciences de la d é cision et qui combine :

savoir­faire pratique (comment formuler un probl ème d'optimisation, comment r ésoudre un probl ème à l'aide d'algorithmes num ériques)

connaissances thé oriques (comment caract ériser les solutions optimales, que nous apprennent les conditions d'optimalit é sur les propri ét é s qualitatives et quantitatives des solutions)

Introduction à l'Optimisation

APPLICATIONS

Applications aux probl è mes ré els de grande envergure

arriv ée des processeurs rapides

d é veloppement des bases de donn é es

techniques d ’optimisation appliqué es à de nombreux domaines

Domaines d’utilisation :

militaire

transport (aéroport, route, trajet, livraison, horaire)

contr ô le des r é seaux (infrastructures, distribution)

etc.

Probl ème du sac à dos

Donn ées :

un sac à dos de poids

15

kg

objets ayant chacun :

12

un poids

une valeur

Objectif : quelles objets choisir afin de maximiser la valeur emporté e tout en ne d é passant pas les 15 kg autoris é s ?

quelles objets choisir afin de maximiser la valeur emport é e tout en ne d é

Ordonnancement

3 machines

8 tâ ches

Chaque tâ che utilise x unit és de temps

ches  Chaque t â che utilise x unit é s de temps Objectif : affecter

Objectif : affecter les t âches aux machines de mani ère à minimiser le temps utilis é

Ici, les 8 t âches sont accomplies au bout de 7 unit é s de temps sur 3 machines.

Ordonnancement

Ordonnancement  et l à , les 8 t â ches sont accomplies au bout de

et l à , les 8 t âches sont accomplies au bout de 6,5 unit é s de temps : OPT ? Il y a m^n possibilit é s

Conception de ré seau

Donn ées :

villes (A, B

matrice de trafic,

matrice de distance,

fibre optique :

),

I,

II : cap. 32, co û t 175,

: cap. 16, co ût 100,

Objectif : Installer un r é seau de co û t minimum é coulant tout le trafic.

: cap. 16, co û t 100,  Objectif : Installer un r é seau de

Conception de ré seau

Conception de r é seau

Conception de ré seau

Conception de r é seau
Conception de r é seau

Probl èmes Difficiles

Objectif : Minimiser ou Maximiser une fonction de co ût

Choisir la meilleure solution parmi 2n ou n! possibles :

on ne peut les é numé rer toutes

Complexit é des problè mes (voir cours Algo et Complexit é ) : P, NP, NP­Complet

La plupart des probl è mes é tudié s sont NP­Complets : on cherche des approximations

Trouver une solution : certifier sa qualité par rapport à la solution optimale OPT

Sinon on peut utiliser des (meta) heuristiques

La Programmation Linéaire

Probl è me d’optimisation consistant à :

maximiser (ou minimiser) une fonction objectif lin é aire

de n variables de dé cision

soumises à un ensemble de contraintes exprimées sous forme d’é quations ou d’in é quations lin é aires

La terminologie est due à George B. Dantzig, inventeur de l’algorithme du simplexe (1947)

Mise en forme Mathé matique

Dé finir les variables de dé cision

ensemble des variables qui r é gissent la situation à mod éliser

variables r éelles, entières, binaires

Pr é ciser la fonction objectif

fonction math ématique compos ée des variables de d é cision qui repr ésente le mod èle physique modélisé

fonction liné aire

Pr é ciser les contraintes du probl è me

ensemble des param ètres qui limitent le mod èle r éalisable

é quations ou iné quations compos ées des variables de décision

Pr é ciser les param è tres du modè le

constantes associé es aux contraintes et à la fonction objective

Formulation math ématique

Fonction Objectif

Maximiser ou minimiser z = c 1 x 1 + c 2 x 2 + c 3 x 3 + … + c n x n

Contraintes

a 11 x 1 + a 12 x 2 + a 13 x 3 + … + a 1n x n

a 21 x 1 + a 22 x 2 + a 23 x 3 + … + a 2n x n

a m1 x 1 + a m2 x 2 + a m3 x 3 + … + a mn x n

( , =, ) b 1

( , =, ) b 2

( , =, ) b m

Contraintes de non­né gativit é

x j 0 ; j = 1, 2, 3, … n

avec

x j

a ij , b i , c j

variables de d é cision (inconnues)

paramè tres du programme liné aire

Terminologie de la solution

Solution r é alisable

Solution o ù toutes les contraintes du modè le sont satisfaites

Zone de solution

Ensemble de toutes les solutions ré alisables

Solution optimale

Solution r é alisable o ù la fonction objectif atteint la meilleure valeur, maximum ou minimum

Plusieurs solutions optimales possibles

Terminologie du probl è me

Problè me irr é alisable

s'il n'admet pas de solutions r é alisables

Problè me non borné

si aucune des solutions r é alisables n'est optimale

Problè me sous forme standard

Max (c 1 x 1 + c 2 x 2 + c 3 x 3 + … + c n x n ) a i1 x 1 + a i2 x 2 + a i3 x 3 + … + a in x n x j 0 ; j = 1, 2, 3, … n

b i ; i = 1, 2, 3, … m

Exemple

MAX: 350X 1 + 300X 2

T.Q.: 1X 1 + 1X 2 9X 1 + 6X 2

<= 200 <= 1566

12X 1 + 16X 2 <= 2880 X 1 >= 0 X 2 >= 0

Solution R é alisable

Posons X 2 = 0

1è re contrainte :

2è contrainte :

3è contrainte :

1X 1 <= 200 9X 1 <=1566 12X 1 <= 2880

ou X 1 <=174

ou

X 1 <= 240

Si X 2 =0, la valeur maximale de X 1 est 174 et la valeur de l'objective est:

(350 * 174) + (300 * 0) = 60 900

C’est une solution possible mais est­elle optimale?

Non!

Résolution problème PL: approche graphique

Les contraintes d'un programme liné aire d é finissent une zone de solution.

Le meilleur point dans la zone de solution correspond à la solution optimale.

Pour des problè mes à 2 variables, il est facile de tracer la zone de solution et de trouver la solution optimale graphiquement.

X 2

250

200

150

100

50

0

Tracé de la premiè re contrainte (0, 200) X 1 + X 2 = 200
Tracé de la premiè re contrainte
(0, 200)
X 1 + X 2 = 200
(200, 0)
0
50
100
150
200
250
X
1
Trac é de la deuxième contrainte X 2 (0, 261) 250 9X 1 + 6X
Trac é de la deuxième contrainte
X 2
(0, 261)
250
9X 1 + 6X 2 = 1566
200
150
100
50
(174, 0)
0

0

50

100

150

200

250

X 1

X 2

250

200

150

100

50

0

Tracé de la troisiè me contrainte (0, 180) 12X 1 + 16X 2 = 2880
Tracé de la troisiè me contrainte
(0, 180)
12X 1 + 16X 2 = 2880
Zone de solution
(240, 0)
0
50
100
150
200
250
X 1

X 2

250

200

150

100

50

0

Tracé d’une droite de la fonction objectif

(0, 116.67) Fonction objectif 350X 1 + 300X 2 = 35000 (100, 0) 0 50
(0, 116.67)
Fonction objectif
350X 1 + 300X 2 = 35000
(100, 0)
0
50
100
150
200
250
X 1

Un deuxième tracé de la fonction objectif

X 2 250 (0, 175) 200 Fonction objectif 350X 1 + 300X 2 = 35000
X 2
250
(0, 175)
200
Fonction objectif
350X 1 + 300X 2 = 35000
150
Fonction objectif
350X 1 + 300X 2 = 52500
100
(150, 0)
50
0
0
50
100
150
200
250
X 1
Tracé de la solution optimale X 2 250 200 Fonction objectif 350X 1 + 300X
Tracé de la solution optimale
X 2
250
200
Fonction objectif
350X 1 + 300X 2 = 35000
150
Solution optimale
100
Fonction objectif
350X 1 + 300X 2 = 52500
50
0

0

50

100

150

200

250

X 1

Calcul de la solution optimale

La solution optimale se trouve à l’intersection des contraintes :

X 1 + X 2 = 200 9X 1 + 6X 2 = 1566

De (1) nous avons:

X 2 = 200 ­X 1

(1)

(2)

(3)

En substituant (3) pour X 2 dans (2) nous avons:

9X 1 + 6 (200 ­X 1 ) = 1566

ce qui fait

X 1 = 122

Calcul de la solution optimale

La solution optimale est :

X 1 = 122 X 2 = 200­X 1 =78

Objective = (350*122) + (300*78) = 66 100