Vous êtes sur la page 1sur 55

OPTIMISATION

et
SIMULATION
des
PROCESSUS

Belkacem OULD BOUAMAMA


Professeur : Ecole Polytechnique de Lille (poltech-lille.fr )
Recherche : Laboratoire d'Automatique, Gnie Informatique et Signal (LAGIS - UMR CNRS 8021)
Coordonnes :
belkacem.bouamama@univ-lille1.fr
Tel: (33) (0) 3 28 76 73 97 , mobile : (33) (0) 6 60 12 30 20

PRESENTATION
Du
COURS

Chap1 : METHODES STATISTIQUES


DIDENTIFICATION

Chap.
1/3

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Chapitre 1: INTRODUCTION
Dfinitions & but de la simulation et de l'optimisation de processus
Importance et rle de l'optimisation dans la protection de
l'environnement
Etapes de rsolution d'un problme d'optimisation d'un processus

Chap1 : METHODES STATISTIQUES


DIDENTIFICATION

Chap.
Chap
1/4

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

TRAITEMENT DE DONNEES EXPERIMENTALES D'UN PROCESSUS


Mthodes statistiques de modlisation : Dfinitions & but
Modles de rgression
Principe des mthodes des moindres carrs (MMC)
Rgression linaire multiple
Adquation des modles et signification des coefficients
Vrification des hypothses de rgression
Mthodes de corrlation
Exemple d'application
Estimation rcursive
MMC avec facteur de pondration
Mthode des MC avec fentre glissante
Exemple d'application

Chap1 : METHODES STATISTIQUES


DIDENTIFICATION

Chap.
1/5

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Chap3: OPTIMISATION DES PROCESSUS


TECHNOLOGIQUES
Problmatique de l'optimisation des processus technologiques
Mthodes analytiques d'optimisation
Programmation linaire

APPLICTION :
TD de 4h : utilisation du logiciel Matlab pour la simulation d'un
problme d'optimisation d'un processus chimique en vue de
minimiser le taux de pollution

CHAP1

INTRODUCTION

Chap1 : METHODES STATISTIQUES


DIDENTIFICATION

Chap.
Chap1
1/7

:
Introduction

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Dfinitions & but de la simulation et de l'optimisation de


processus
Importance et rle de l'optimisation dans la protection de
l'environnement
Etapes de rsolution d'un problme d'optimisation d'un
processus

Chap1 : METHODES STATISTIQUES


DIDENTIFICATION

Chap.
objectifs
1/8

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Importance &
des modles
statistiques

Caractre stochastique de la majorit des phnomnes;


" L'intelligence des statistiques sera un jour une comptence aussi
indispensable l'exercice de la citoyennet que la lecture ou
l'criture". (H.G.Wells).

Objectifs
Fournir des lois, de nature "statistique", l o il n'est pas
possible d'en fournir qui soient de nature certaine ou
dterministe.

Applications
Sondage, prvision, contrle des processus indust. Lois empiriques

Chap1 : METHODES STATISTIQUES


DIDENTIFICATION

Chap.
Modlisatio
1/9

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

n?

Dfinitions
Modlisation ? : Ensemble des procdures permettant dobtenir un modle
Modliser un systme = capable de prdire le comportement du systme
Subjectivisme de la modlisation : modle = intersection du systme et du
modlisateur
Modle jamais "exact"?

Importance
Outil d'aide la dcision., Support de la simulation,
Reprsente 50 % dun projet de commande
Perspectives grce l'informatisation

Un modle pourquoi faire ?


Concevoir, Comprendre, Prvoir, Commander (dcider).

Chap1 : METHODES STATISTIQUES


DIDENTIFICATION

Un

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Chap.
modle
1/10comment

faire ?

1. MODELE DE CONNAISSANCE

Obtenu sur la base des lois physiques, conomiques etc..


Difficults de dcrire fidlement les phnomnes complexes;
Hypothses simplificatrices;
Dilemme- prcision-simplicit
Un modle simple est faux, un modle compliqu est inutilisable.
Les paramtres ont un sens physique donc modle commode pour l'analyse.

2. MODELE DE REPRESENTATION

Systme "boite noire";


Exprience active (systme drang) ou passive (alatoire);
Etape qualitative (connaissances a priori) et quantitative;
Paramtres du modle n'ont aucun sens physique;
Modle de conduite (modle E/S) utile pour la commande;
Complment du modle de reprsentation.

Chap1 : METHODES STATISTIQUES


DIDENTIFICATION

Chap.
Classification
1/11

modles

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

des

selon le caractre des rgimes de fonctionnement


statique et dynamique

selon la description mathmatique


linaire, non linaire

selon les proprits dynamiques


paramtres localiss, paramtres distribus

selon lvolution des paramtres :


stochastique , dterministe

selon le nombre de variables :


monovariable (SISO) , multivariable (MIMO)

Chap1 : METHODES STATISTIQUES


DIDENTIFICATION

Chap. de
tapes
1/12
modlisation

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Chapitre 3

OPTIMISATION
13

Chap3 : OPTIMISATION

Chap.3/

14

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

INTRODUCTION
OPTIMISATION : Obtention d'un meilleur rsultat sous
quelques conditions.
Critre d'optimalit : Fonction conomique ou de but.
Reprsentation quantitative du but d'optimisation.
Importance du modle mathmatique.
Formes de la f-n de but (Algbrique, diff-elles..)

CONTRAINTES (Restrictions) : Limitations des ressources

disponibles.
EXEMPLES : Maximum de profit avec ressources limites etc..

Chap3 : OPTIMISATION

Chap.3/

15

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

CONDITIONS
D'OPTIMISATION

Optimisation d'une seule grandeur :


Impossible de maximiser le profit avec minimum de ressources .
Degr de libert suffisant du systme a optimiser
Ressources suffisantes pour satisfaire le but d'optimisation.

EVALUATION QUANTITATIVE DE LA QUALITE


D'OPTIMISATION
Formulation mathmatique du critre;
Comparer les effets des diffrentes actions de commande.

Chap3 : OPTIMISATION

Chap.3/

16

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

METHODES
D'OPTIMISATION
METHODES ANALYTIQUES

Utilisent les mthodes classiques de l'analyse mathmatique


(Extremum d'une f-n)
Utilises dans le cas d'un critre d'optimalit d'expression simple;
Emploi limit : Difficults avec apparition de contraintes et plusieurs
variables.

METHODES DU CALCUL VARIATIONNEL


Critre est sous forme de fonctionnelle ou dont la solution est une
fonction inconnue;
Utilises pour l'optimisation statique des systmes paramtres
distribus ou dans la programmation dynamique;
Permettent de rsoudre le problme optimale en intgrant le systme
d'quations diffrentielles;
Rsolution en prsence de contraintes type galit ou ingalit.

Chap3 : OPTIMISATION

Chap.3/

17

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

METHODES
D'OPTIMISATION
PROGRAMMATION DYNAMIQUE

Rsolution des problmes d'optimisation de processus discontinus;


Critre d'optimalit est le rsultat de la somme de plusieurs critres
de chaque stade;
La mthode se prsente sous forme d'un algorithme pour la
dtermination d'une stratgie de commande optimale de tous les
stades du processus en tenant compte de toutes les contraintes;

PRINCIPE DU MAXIMUM
Utiliss pour les problmes dcrits par des systmes d'quations
diffrentielles;
La solution optimale est la rsolution des quations diffrentielles
dcrivant le processus et celui des contraintes pour des conditions
aux limites reprsentant le domaine de l'intervalle d'intgration.

Chap3 : OPTIMISATION

Chap.3/

18

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

METHODES
D'OPTIMISATION

PROGRAMMATION NON LINEAIRE


Pour la rsolution de problmes ayant une fonction but non
linaire;
Contraintes peuvent aussi tre non linaires sous forme galit ou
ingalit;
Utilises en pratique lorsque le problme ne peut tre rsolu par
d'autres mthodes;
Plusieurs algorithmes numriques existent pour la rsolution de
ce type de problme;
Mthode indirecte : L'action de la recherche de l'optimum
(direction et module) dpend des informations prcdentes
recueillies sur le calcul du critre

Chap3 : OPTIMISATION

Chap.3/

19

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

PROGRAMMATION LINEAIRE
(PL)

DFINITION
Mthode de recherche de l'extremum du critre d'optimalit dans
les problmes dont les quations sont linaires.

FORMULATION MATHEMATIQUE
Fonction conomique : Elle associe linairement les quantits de
facteurs utiliss et les profits unitaires correspondants
F C1 X 1 C2 X 2 ... Cn X n
Avec: X i : Quantits du i ime facteur; Ci : Marge (Cot) du i ime facteur.

Contraintes : La manire dont les facteurs peuvent tre combins


pour utiliser les ressources et gnrer un rsultat au travers de F
ou

a X a X ... a X B
1 1 2 2
n n
a X a X ... a X B
1 1 2 2
n n

en plus :

X 1, X 2 ,... X n 0

ai : Nombre d'heures de travail ncessaires


pour fabriquer une unit du produit i;
B : Total des heures disponibles pour la
fabrication des n produits.

Chap3 : OPTIMISATION

Chap.3/

20

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Problmatique de
la PL

But :
Optimiser les rsultats conomiques tout en tenant compte
strictement des contraintes
Dterminer

X X 1

X 2 ... X n

tel que:
F Ci X i Max.( Min.)

et

ai X i () B.

Chap3 : OPTIMISATION

Chap.3/

21

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Niveaux d'apprhension de
la PL
FONCTION
CONOMIQUE

FORME DES
CONTRAINTES

Peut-on amliorer la solution


du problme en modifiant la
structure des contraintes
Modification de technologie
ou de produits fabriqus?.

La f-n conomique peut-elle tre


modifie pour une meilleure
utilisation
des
ressources
:
modifier les prix, les marges

NIVEAU DES
RESSOURCES

Le desserrement des contraintes par


un accroissement des ressources
permet-il d'amliorer la f-n conomique
d'un montant suprieur aux ressources
engags ?

Chap3 : OPTIMISATION

Chap.3/

22

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

RESOLUTION DUN
PROBLEME PL

1. METHODE GRAPHIQUE
Lorsque le nombre de variables est limit (< 2), il est possible de
rsoudre un problme d'optimisation linaire graphiquement

EXEMPLE
Une socit fabrique 2 produits P1 et P2. Il faut leur faire subir des
oprations dans 3 ateliers diffrents o ils doivent tre progressivement
monts.
Soit A1, A2 et A3 les 3 ateliers : Estampage, reprise et Assemblage.
Les profits unitaires raliss sur les produits P1 et P2 sont
respectivement 15 F et 12,5 F.

Chap3 : OPTIMISATION

Chap.3/

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

23

Mthode graphique de
la PL

Capacits d'usinage (en nbre de pices)


Estampage

Reprise

Assemblage P1

Assemblage P2

Produit P1

25 000

33 333

22 500

Produit P2

35 000

16 667

15 000

Les pourcentages (% du temps d'occupation disponible) des


capacits totales utilises pour chaque fabrication unitaire sont :
(Calculs : pour estampage : 100/25000 = 0.004 % de la capacit totale pour chaque
unit)
Estampage

Reprise

Assemblage P1

Assemblage P2

Produit P1

0,004

0,003

0,0044

Produit P2

0,00286

0,006

0,00667

Capacit unitaire tot.


utilis [%]

100

100

100

100

Chap3 : OPTIMISATION

Chap.3/

24

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Mthode graphique de
la PL

Question :
Quantit de produits P1 et P2 produire de telle sorte que :
Le profit soit maximal;
Tout en respecter les limitations de capacit de production

1. Formulation mathmatique
Soit X1 et X2 les quantits des produits P1 et P2 produire
Fonction de profit : F 15 X1 12,5 X 2 Max.
Contraintes (Limitation des capacits de production) :
0,004 X1 0,00286 X 2 100 : Estampage

0,003 X 1 0,0060 X 2 100 : reprise

0,0044 X 1 0 X 2 100 : Asemblage P1


0 X 0,00667 X 100 : Asemblage P2
1
2

X1, X 2 , X 3 0

Chap3 : OPTIMISATION

Chap.3/

25

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

2. RESOLUTION GEOMETRIQUE
On trace sur le plan OX1 et OX2 trace les droites :

(1)....0,004 X 1 0,00286 X 2 100


( 2)....0,003 X 1 0,0060 X 2 100
(3)...0,0044 X 1 0 X 2 100
( 4).... 0 X 1 0,00667 X 2 100

X2

Les valeurs des var. X1 et X2 au


dessous des droites (1), (2) et (4),
et gauche de (3);

E s ta m p a g e (S a tu r a tio n )

(1 )

35

30

O P T IM A L
A s s e m b la g e P 1 (N o n s a tu r a tio n )

25

(3 )

X1 et X2 ne peuvent tre < 0


car ce serait un non-sens du
point de vue conomique ;

20
R

15

(4 )

10

A s s e m b la g e P 2
(N o n s a tu r a tio n )

(2 )

R e p r is e
(S a tu r a tio n )

N
0

10

15

20

Toute solution doit se


trouver dans la zone
ombre
X1

25

30

x1000

Chap3 : OPTIMISATION

Chap.3/

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

26

Mthodologie :
On dplace paralllement elle mme la droite F jusqu'au point extrme
P, o la droite F cesse d'avoir un point commun avec le domaine du
polydre OMNPQR, form par le plan associ aux contraintes en ce point
X2
35

Point optimal P
X1opt=20363
X2opt=6485
Fmax=159271 FF

E s ta m p a g e (S a tu r a tio n )

(1 )

30

O P T IM A L
A s s e m b la g e P 1 (N o n s a tu r a tio n )

25

(3 )

20
R

15

(4 )

10

A s s e m b la g e P 2
(N o n s a tu r a tio n )

(2 )

R e p r is e
(S a tu r a tio n )

N
0

10

15

20

X1

25

30

x1000

Chap3 : OPTIMISATION

Chap.3/

27

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

ANALYSE DES RESULTATS


En ce point P les capacits limites ne sont pas toutes atteintes :
0,004 20363 0,00286 6485 100 Saturation
0,003 20363 0,0060 6485 100 Saturation
0,0044 20363 89,60 Non saturation
0,00667 6485 43,25 Non saturation

En produisant 20363 produits de P1 et 6485 de P2, le profit sera optimal,


les capacits d'estampage et de reprise seront satures tandis que celles
d'assemblage ne le seront pas.

Propositions :
Diminuer la capacit d'assemblage de P2 (si c'est possible) ce qui diminuera
le prix de revient donc augmenter le profit.
Augmenter le profit en variant le profit unitaire correspondant chacune des
fabrication (ceci se traduit par une plus grande inclinaison de F sur la figure).

Chap3 : OPTIMISATION

Chap.3/

28

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

LIMITES DE LA SOLUTION GRAPHIQUE


Si nombre de variables > 3 problme de reprsentation
Si par ex. n=15 et m (nombre de contraintes) =10, la mthode
graphique conduit plus de 3 millions de points d'intersection.

Chap3 : OPTIMISATION

Chap.3/

29

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

ALGORITHME DU
SIMPLEXE

Mthode dite simpliciale ou mthode du simplexe,


labore par George Dantzig (USA).
Utilise la procdure employe par le graphe :
On value les performances de chaque sommet du polydre dlimit par les
contraintes en n dimensions : La sol. opt. est acquise lorsque aucune
modification ne permet d'amliorer la valeur de la fonction conomique.

Chap3 : OPTIMISATION

Chap.3/

30

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

EXEMPLE
Une entreprise peut fabriquer sur une seule machine fonctionnant
45h/semaine 3 produits P1,P2,P3.
Les profits nets sont respectivement : 4F, 12F et 3F.
Rendement de la machine (Nbre d'article/h) : 50 P1/h, 25 P2/h, 75
P3/h.
Possibilits de ventes : 100 P1, 500 P2, 1500 P3.

Question :
Rpartir la capacit de production entre les 3 produits pour
maximiser le profit

Chap3 : OPTIMISATION

Chap.3/

31

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

FORMULATION MATHEMATIQUE
X1, X2 et X3 : Quantit des produits P1, P2 et P3
F : La fonction conomique
F 4 X 1 12 X 2 3 X 3 Max.

Contraintes:

0 X1 1000
0 X 2 500
0 X 3 1500
X1 X 2 X 3
453 X1 6 X 2 2 X 3 6750
50 25 75

Variables d'cart (V.E.) : X4, X5 , X6 et X7


Elles permettent de transformer les ingalits en galits afin de prendre en compte la
saturation d'une contrainte (V.E. = 0) ou la non saturation (V.E. > 0).
V.E. = La diffrence entre les valeurs des 1er et 2-me membres des 3 inquations

Chap3 : OPTIMISATION

Chap.3/

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

32

MISE EN EQUATION AVEC LES V.E

X1 X 4 1000
X 2 X 5 500
X 3 X 6 1500
3 X16 X 2 2 X 3 X 7 6750

FORME MATRICIELLE
1
0

0
1
0
6

0
0
1
2

1
0
0
0

0
1
0
0

(1) (2) (3) (4) (5) (6) (7)

0
0
1
0

0
0

X1
X
2 1000
X3

500
X 4
1500
X5

6750
X6
X 7

X 4 , X 5 , X 6 , X 7: Variables de BASE;
X1, X 2 , X 3: Variables hors base.

Chap3 : OPTIMISATION

Chap.3/

33

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

INITIALISATION
Solution vidente mais sans intrt :
X 1 X 2 X 3 0
Alors: X 4 1000, X 5 500, X 6 1500, X 7 6750

Sens : Profit nul (Valable lors de a fermeture annuelle pour cong pay)

Cette solution donne le sommet 0 du polydre.


Passons de ce sommet initial un sommet voisin, en augmentant la
valeur de F, si possible.

Chap3 : OPTIMISATION

Chap.3/

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

34

FORMULES DE CHANGEMENT DE COORDONNEES


j
C i In d ic e
( C o t b a s e ) V .E .

Colonne j=2, ligne i=5

A1

X j

A2

A3

A4

A5

A6

A 7

A 0

X i

C j
S o lu tio n
j

4
0
4

12
0
12

3
0

0
3

1000
0

0
500

0
0
1500 6750
0
0
0

C o e ffic ie n ts d e F
F=0
C o ts m a r g in a u x

Chap3 : OPTIMISATION

Chap.3/

35

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

COUTS MARGINAUX j : Coefficients de la fonction conomique


F 4 X1 12 X 2 3 X 3 1 4, 2 12, 3 3.

Sortie d'un vecteur Ai de la base et entree d'un vecteur Aj dand la


base : Xij "PIVOT". (Intersection ligne i et colonne j)

CRITERES DE DANTZIG
Pour dterminer la colonne Aj qui doit ENTRER dans la base, on
slectionne celle qui compte le cot marginal le PLUS GRAND.
(Pour amliorer la solution initial, il est judicieux de faire d'abord entrer dans
cette solution la variable qui apporte la marge la plus grande.)
2 12 grand ( j 2) 2mecolonne

Chap3 : OPTIMISATION

Chap.3/

36

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Pour dterminer la colonne Ai qui doit SORTIR de la base, on choisit


celle d'indice i telle que
Voir tableau : i=ligne
Xi
Soit le PLUS PETIT parmi ceux positifs
X ij

n5, j=2 colonne

0
1

1000
500 X i
1000 500 1500 3750
j max=12 j 2 X ij , X i
;
(i 4,5,6,7) ,
,
,
0
1500 Xi 2
1 0
6
0
6
3750

La colonne i=5 va sortir de la base car x5 /x52 est le plus petit. Alors :
La colonne i=5 va sortir de la base (i=5);
La colonne j=2 va entrer dans la base (dj choisi celle qui compte le cot marginal
le plus grand j=2);
L'lment X52 est le pivot de la transformation (ici X 52 =1)
X2 va entrer dans la base;
Nouvelle base (4), (2),(6),(7).

Chap3 : OPTIMISATION

Chap.3/

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

37

ETAPE 1 : i = 5, j = 2
TABLEAU N 1 : Nouvelle base (4,2,6,7)
j
C i I n d ic e
( C o t b a s e ) V .E .

A1

X j

A2

A3

A4

A5

A6

A 7

X 2 e n tr e
d a n s la b a s e

A 0

X i

C j
S o lu tio n
j

4
0
4

12
500
0

3
0
3

0
1000
0

0
0
0
1500
-1 2
0

0
3750
0

C o e ffic ie n ts d e F
F=6000
C o ts m a r g in a u x

Chap3 : OPTIMISATION

Chap.3/

38

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Comment calculer les nouvelles valeurs du tableau ?


On se base sur le tableau initial tel prsent plus haut

Nouvelle valeur de la fonction economique F

F (ancienne valeur de la f-n conomique) = 0;


j (cot marginal maximal) = 12
i 5 X i X 5 500

j 2 X ij X 25 1

Alors : F' = 0+(500/1).12 = 6000

F F

Xi
. j
X ij

Chap3 : OPTIMISATION

Chap.3/

39

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Valeur de l'lment de la ligne K dans la colonne A0


X K X K X KJ .
X i

Xi
X ij

Xi
si K i
X ij

si K i

X 4 X 4 X 42 .
X 5 .

X5
500
10000.
1000 ( K i );
X 52
1

X5
500 ( K i );
X 52

X 6 X 6 X 62 .

X5
500
15000.
1500 ( K i );
X 52
1

X 7 X 7 X 72 .

X5
500
67506.
3750 ( K i ).
X 52
1

Chap3 : OPTIMISATION

Chap.3/

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

40

Valeur de l'element de la ligne K dans la colonne Al


Colonne1l 1(Elmentsinchangs car X il = X 51 = 0):
X 41 X 42 .
X 41

X Kl X KJ .
X Kl
X
X il il
X ij

X il
si K i
X ij

si K i

.
X 51

X 51
0
10. 1 ( K i );
X 52
1

X 51 0
0 ( K i );
X 52 1

.
.
X 71 X 72 .
X 71

X 51
0
30. 3( K i );
X 52
1

.
.
Colonne5,Ligne7 Elment X 75.
X 75 X 72 .
X 75

X 55
1
06.. 6( K i );
X 52
1

Chap3 : OPTIMISATION

Chap.3/

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

41

Nouvelles valeurs des cots marginaux j


j 2 j max 2 12; i 5; K (1,2,3...7) N colonne.
K Ancienne valeur.

K K j .
j 0

X iK
si K j
X ij

si K j

Alors:
1 1 2 .

X 51
0
412. 4 ( K j; )
X 52
1

2 0 ( K j );
3 3 2 .

X 53
0
312. 3 ( K j );
X 52
1

4 4 2 .

X 54
0
012. 0 ( K j );
X 52
1

5 5 2 .

X 55
1
012. 12 ( K j );
X 52
1

6 6 2 .

X 56
0
012. 0 ( K j );
X 52
1

7 7 2 .

X 57
0
012. 0 ( K j ).
X 52
1

Chap3 : OPTIMISATION

Chap.3/

42

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

l'optimum est atteint lorsque tous les couts marginaux J sont


ngatifs ou nuls. Car dans ce cas son passage la base
provoquerait une diminution du critre d'optimalit.

ETAPE 2 : i = 4, j = 1
Sur la base du tableau de l'tape 1 on a :
j max 4 j 1
Xi
X ij

le plus petit 0:

1000 500 1500 3750


,
,
,
i4
1
1
0
3

PIVOT :X 41 : Ligne ayant indicei 4 Colonneayantindice j 2

Les coefficients sont calculs comme prcdemment et on obtient :

Chap3 : OPTIMISATION

Chap.3/

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

43

TABLEAU N 2 : Nouvelle base (1,2,6,7)

j
Ci
(Cot base)

Indice
V.E.

A1

Xj

A2

A3

A4

A5

A6

A 7

A 0

Xi

X1
entre
base

C j
Solution

4 12 3 0 0 0 0
1000 500 0 0 0 1500 750
0 0 3 -4 -12 0 0

Coefficients de F
F = 10000
Cots marginaux

Chap3 : OPTIMISATION

Chap.3/

44

ETAPE 3 : i = 7 , j = 3
Sur la base du tableau de l'tape 2 on a :
j max.=3 j=3;
Xi
750
le plus petit 0est
i7;
Xij
2
PIVOT : X 73 2.

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Chap3 : OPTIMISATION

Chap.3/

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

45

NOUVEAU TABLEAU
Nouvelle base
j (1,2,6,3)
Ci
(Cot base)

Indice
V.E.

A1

Xj

A2

A3

A4

A5

A6

A 7

A 0

Xi
X3 entre
dans base

C j
Solution

4 12 3 0 0 0 0
1000 500 375 0 0 1125 0
0 0 0 1/2 -3 0 - 3/2

Coefficients de F
F = 11125
Cots marginaux
> 0 L'optimum
n'est pas atteind

Chap3 : OPTIMISATION

Chap.3/

46

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

DERNIERE ETAPE : i = 6, j = 4
Sur la base du tableau de l'tape 3 on a :
j max.=1 2 j=4;

Xi
1125
le plus petit 0est
i6;
X ij
32

PIVOT : X ij X 64 3 2 .

Les valeurs des lments XKl , XK K et F sont calcules sur la


base du tableau ci-dessus tel prsent, d'une faon analogue

Chap3 : OPTIMISATION

Chap.3/

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

47

j
C i I n d ic e
(C o t b a s e ) V .E .

X j
A1 A2

A3

A4

A5

A6

A 0

A 7

X i

C j
S o lu tio n
j

12
250 500
0
0

3
1500
0

0
750
0

0
0
-4

0
0
-1 /3
< 0

0
0
-4 /3

C o e ffic ie n ts d e F
F=11500
C o ts m a r g in a u x

L 'o p tim u m
e s t a tte in d

SOLUTION OPTIMALE:
X1 250, X 2 500, X 3 1500
F 4. X 1 12. X 2 3. X 3 11500 F

Chap3 : OPTIMISATION

Chap.3/

48

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Commentaires :
Saturation de ventes pour les produits P3 et P2
Non-saturation pour le produit P1.
La machine est occup pleinement puisque 3X1+6X2+2X3=
6750h/semaine

Chap3 : OPTIMISATION

Chap.3/

49

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Programme sous MATLAB


% Introduction de donnes :
Home
r=-[4 12 3]; % on met le signe (-) car on maximise et non
minimise
A=[1 0 0;0 1 0;0 0 1;3 6 2];
B=[1000;500;1500;6750];
% Recherche de la solution optimale x=[x1opt x2opt
x3opt]
[xopt,FVAL]=LINPROG(r,A,B)
%valeur maximale de la fonction
fopt=4*xopt(1)+12*xopt(2)+3*xopt(3)

METHODE DE LAGRANGE

50

Chap3 : OPTIMISATION

Chap.3/

51

Problmatiq
ue

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Soit une fonction g(x1, x2, xn) trouver un extremum


Les variables x1, x2, xn ne sont pas indpendantes : elles sont
relies par m relations

CONTRAINTES

1 x1 , x2 ,...xn 0
x , x ,...x 0
2 1 2
n

.
.
m x1 , x2 ,...xn 0

m<n

Introduisons j(j=1,m) de nouvelles variables dites


Multiplicateurs de Lagrange et formons :
x1 ,...xn , 1 ,...m g ( x1 ,...xn ) 11 ( x1 ,...xn ) 2 2 ( x1 ,...xn ) ...m m ( x1 ,...xn ) 0

Chap3 : OPTIMISATION

Chap.3/

52

Conditions
dextremum

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Conditions dextremum :
( x1 , x2 ,...xn )
0

x1

( x1 , x2 ,...xn )
0

x2

.
.

( x1 , x2 ,...xn )
0

xn

1 x1 , x2 ,...xn 0
x , x ,...x 0
2 1 2
n

Equations de contraintes

.
.

m x1 , x2 ,...xn 0

Chap3 : OPTIMISATION

Chap.3/

53

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Problme global doptimisation


( x1, x2 ,...xn )
0

x1

.
.

n quations

( x1, x2 ,...xn )
0

xn

1 x1, x2 ,...xn 0

.
.

m quations

m x1, x2 ,...xn 0

Ce systme (n+m) quations permet de dterminer les variables


technologiques optimales et les valeurs des m multiplicateurs de
Lagrange pour lesquelles la fonction de but est optimale et les
contraintes respectes

Chap3 : OPTIMISATION

Chap.3/

54

Exemple
dapplication

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

EXEMPLE
Dterminer les dimensions dun rservoir cylindrique de volume V
donne, qui possde une surface S minimale.
R

Fonction minimiser : S 2 R 2 Rh g ( R, h ) (1)


Contrainte : V R 2 h 1 ( R, h ) V R 2 h 0 ( 2)

Chap3 : OPTIMISATION

Chap.3/

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

55

Solutio
n

Formulation mathmatique

Fonction minimiser : S 2 R 2 Rh g ( R, h ) (1)


Contrainte : V R 2 h 1 ( R, h ) V R 2 h 0 ( 2)

Dveloppement : mthode de Lagrange


Fonction de Lagrange

(R, h) 2 R 2 Rh V R 2 h (3)
Conditions optimales

Solution
Rsolution du
R1
systme dquations

( R, h)
2 2 R h 2RH 0 (4)

( R, h) 2R R 2 0 (5)

h
(9) dans (7) et (8)

0, Pas d' interet (6), R 2

R 2 (5) h

V
2
V
h 2.3
2

(7 )

4
(8)

(8) et (7) dans (2) 2.3


R3

2
V

(9)