Vous êtes sur la page 1sur 57

Cours de recherche

oprationnelle I
Mariem Trojet
mariemtrojet@hotmail.com

A.U: 2015/2016
Introduction la R.O Applications Outils Rfrences

Plan
1. Introduction la recherche oprationnelle
2. Applications
3. Outils
4. Rfrences
Introduction la R.O Applications Outils Rfrences

Plan
I. Introduction la recherche oprationnelle
II. Applications
III. Outils
IV. Rfrences
Introduction la R.O Applications Outils Rfrences

Plan
I.1. Dfinitions
I.2. Quelques exemples de modles mathmatiques
I.3. Modle de recherche oprationnelle
I.4. Techniques de recherche oprationnelle
Introduction la R.O Applications Outils Rfrences

Recherche oprationnelle: discipline des mthodes


scientifiques pour aider mieux dcider.
Recherche oprationnelle: approche scientifique pour la
rsolution de problmes de gestion de systmes
complexes (Roadef)

Objectif de la RO : faire de la recherche scientifique


oprationnelle - utilisable sur le terrain des
oprations - laide des outils informatiques.
Mettre au point des mthodes, les implmenter au sein
doutils (logiciels) pour trouver des rsultats ensuite
confronts la ralit (et repris jusqu satisfaction du
demandeur).
Introduction la R.O Applications Outils Rfrences

Science du comment mieux faire avec moins


Des outils pour
Simuler
Optimiser
Planifier
Larchitecture et le fonctionnement des systmes
industriels et conomiques

Des modles pour analyser des situations complexes


Permet aux dcideurs de faire des choix efficaces et
robustes
Introduction la R.O Applications Outils Rfrences

Approche quantitative pour produire les


meilleures dcisions

Une discipline la croise des mathmatiques et de


l'informatique
domaine d'application de la thorie de la complexit
algorithmique
Une boite outils de mthodes, tant positives que
ngatives, pour aborder sainement et sereinement les
problmes d'optimisation
Introduction la R.O Applications Outils Rfrences

Les outils de RO-AD


o Aident trouver
o Une solution o lhomme nen trouvait pas
o Une solution sur des problmes nouveaux o lhomme
na aucune exprience
o Plusieurs solutions l o lhomme nen envisageait
quune
o Aident juger de la qualit dune solution
o Aident confirmer / justifier des dcisions
Introduction la R.O Applications Outils Rfrences

Plan
I.1. Dfinitions
I.2. Quelques exemples de modles mathmatiques
I.3. Modle de recherche oprationnelle
I.4. Techniques de recherche oprationnelle
Introduction la R.O Applications Outils Rfrences

Exemple 1 (Achat de billets davion).

Un homme daffaires doit effectuer 5 voyages entre


Fayetteville (FYV) et Denver (DEN), en partant le lundi
de FYV et revenant le mercredi de (DEN) (FYV).
Billet aller-retour: 400 $
Rduction de 20% si un weekend est inclus.
Aller simple: 75% du prix aller-retour.
Introduction la R.O Applications Outils Rfrences

Question:
Comment acheter les billets pour les 5 semaines
( prix minimum)?

Aide la dcision: (Problme daide la


dcision)
1. Quelles sont les alternatives possibles?
2. Quelles sont les restrictions cette dcision?
3. Quel est lobjectif utilis pour valuer les
alternatives?
Introduction la R.O Applications Outils Rfrences

Restrictions
FYV-DEN le lundi et DEN-FYV le mercredi de la mme semaine.

Evaluation des alternatives


1re alternative: Acheter 5 FYV-DEN-FYV normaux.
5 x $400 = $2000
2me alternative: Acheter un FYV-DEN, 4 DEN-FYV-DEN
comprenant un weekend et un DEN-FYV.
0.75 x $400 + 4 x 0.8 x $400 + 0.75 x $400 = $1880
3me alternative: Acheter un FYV-DEN-FYV pour le lundi de
la premire semaine et le mercredi de la dernire
semaine, et 4 DEN-FYV-DEN comprenant un weekend pour
les autres voyages.
1 x $400 + 4 x 0.8 x 400 = $1680
Introduction la R.O Applications Outils Rfrences

Ingrdients principaux
Alternatives (variables, inconnues du problme).
Restrictions (contraintes).
Fonction objectif optimiser (minimiser ou
maximiser).
Introduction la R.O Applications Outils Rfrences

Plan
I.1. Dfinitions
I.2. Quelques exemples de modles mathmatiques
I.3. Modle de recherche oprationnelle
I.4. Techniques de recherche oprationnelle
Introduction la R.O Applications Outils Rfrences

Dfinition 1 (solution admissible).


Une solution admissible est un ensemble de valeurs
donnes aux variables qui satisfait toutes les
contraintes.
Dfinition 2 (solution optimale).
Une solution optimale est une solution admissible
qui optimise la fonction objectif.
Dfinition 3 (Modle de recherche
oprationnelle). Maximiser ou minimiser
(fonction objectif) Sujet { contraintes }
Introduction la R.O Applications Outils Rfrences

Variables : continues (relles), entires,


boolennes (0/1), . . .
Objectif : linaire/non-linaire,
concave/convexe, . . .
Contraintes : linaire/non-linaire,
concave/convexe, galits/ingalits, . . .
Paramtres : connus avec certitude (modles
dterministes) / incertains (modles
stochastiques)
Introduction la R.O Applications Outils Rfrences

Plan
I.1. Dfinitions
I.2. Quelques exemples de modles mathmatiques
I.3. Modle de recherche oprationnelle
I.4. Techniques de recherche oprationnelle
Introduction la R.O Applications Outils Rfrences

Etapes pratiques
Aspects mathmatiques:
1 Dfinition du problme contraintes, objectifs,
simplifications

Graphe, programmation
linaire, programmation
2 Construction dun modle par contraintes
- tude de complexit:
que peut-on esprer
3 pour le temps de
Validation du modle rsolution imparti?
- Mise au point
dalgorithmes
- Itrer avec le
Implmentation et analyse demandeur si
4
des rsultats ncessaire
Introduction la R.O Applications Outils Rfrences

Mthodologie:
Les tapes les plus importantes:
la dfinition du problme (suppose un dialogue avec le
dcideur)
la construction du modle (prendre en conscience des
hypothses simplificatrices et de leur impact)
La phase de validation doit permettre de remettre
en cause la validit du modle
Une approche globale ncessite donc un aller-
retour constant entre le modle et les attentes du
dcideur.
Introduction la R.O Applications Outils Rfrences

Techniques principales
Programmation linaire
Programmation linaire en nombre entiers
Programmation dynamique
Optimisation combinatoire
Modles stochastiques
Simulation
Introduction la R.O Applications Outils Rfrences

Plan
I. Introduction la recherche oprationnelle
II. Applications
III. Outils
IV. Rfrences
Introduction la R.O Applications Outils Rfrences

Recherche Oprationnelle: Domaines dapplication

Conception, configuration et exploitation


De systmes techniques complexes
(rseaux de communication, systme dinformation)
Gestion de la chane logistique (transports,
production, stocks)
Production: maximiser le profit selon disponibilit de la
main duvre, demande du march, capacit de
production, prix de revient du matriau brut
Transport: minimiser distance totale parcourue selon
quantits de matriaux transporter, capacit des
transporteurs, points de ravitaillement en carburant
Introduction la R.O Applications Outils Rfrences

Plan
I. Introduction la recherche oprationnelle
II. Applications
III. Outils
III.1. Programmation linaire
III.2. Programmation linaire en nombre entiers
IV. Rfrences
Introduction la R.O Applications Outils Rfrences

Plan
III.1. Programmation linaire
III.1.1. Dfinition
III.1.2. Hypothses fondamentales
III.1.3. Exemple de modle linaire
III.1.4. Forme standard / forme canonique dun PL
III.1.5. Forme standard/canonique dun PL
(Problme de production de peinture)
III.1.6. Rsolution du programme linaire
Introduction la R.O Applications Outils Rfrences

Un programme linaire est un modle mathmatique


qui consiste optimiser (maximiser ou minimiser) une
fonction linaire de plusieurs variables qui sont relies
par des relations linaires appeles contraintes.
Introduction la R.O Applications Outils Rfrences

Plan
III.1. Programmation linaire
III.1.1. Dfinition
III.1.2. Hypothses fondamentales
III.1.3. Exemple de modle linaire
III.1.4. Forme standard / forme canonique dun PL
III.1.5. Forme standard/canonique dun PL
(Problme de production de peinture)
III.1.6. Rsolution du programme linaire
Introduction la R.O Applications Outils Rfrences

Linarit: objectif et contraintes sont des fonctions


linaires par rapport aux variables de dcisions
(coefficients de variables constants, pas de produit
de variabes)
Objectif: C1X1 + C2X2 + + CnXn
Contraintes: a1,1X1 + C1,2X2 + + C1,nXn = b1
a2,1X1 + C2,2X2 + + C2,nXn b2
a3,1X1 + C3,2X2 + + C3,nXn b3

Continuit: Les variables peuvent prendre nimporte


quelle valeur relle (par opposition aux variables
entires)
X1, X2, , Xn Rn
Introduction la R.O Applications Outils Rfrences

Plan
III.1. Programmation linaire
III.1.1. Dfinition
III.1.2. Hypothses fondamentales
III.1.3. Exemple de modle linaire
III.1.4. Forme standard / forme canonique dun PL
III.1.5. Forme standard/canonique dun PL
(Problme de production de peinture)
III.1.6. Rsolution du programme linaire
Introduction la R.O Applications Outils Rfrences

Une socit produit de la peinture dintrieur


et dextrieur partir de deux produits de
base M1 et M2.

1. Donnes
Quantit utilise par Quantit
tonne disponible par jour
Extrieure Intrieure
M1 6 4 24
M2 1 2 6
Profit par tonne 5 4
Introduction la R.O Applications Outils Rfrences

2. Contraintes supplmentaires

Demande maximum en peinture dintrieur: 2 tonnes/jour.

La production en peinture dintrieur ne dpasse que


dune tonne celle dextrieur
Introduction la R.O Applications Outils Rfrences

3. Formulation / Modlisation

Alternatives (variables, inconnues du problme)


x1 = tonnes de peinture dextrieur produites par jour

x2 = tonnes de peinture dintrieur produites par jour

Fonction objectif optimiser


max z = 5x1 + 4x2
Introduction la R.O Applications Outils Rfrences

4. Restrictions (contraintes)

61 + 42 24
1 +22 6
2 2
2 1 1
1 , 2 0
Introduction la R.O Applications Outils Rfrences

5. Solutions et mthodes de rsolution


Solution admissible: satisfait toutes les contraintes
---------------------> 1 = 3, 2 = 1 = 19

Non!
Une seule solution
admissible? Infinit de solutions
admissibles!

6. Mthodes pour trouver la solution


(admissible) optimale?
Introduction la R.O Applications Outils Rfrences

Mthode graphique
Simplexe
Introduction la R.O Applications Outils Rfrences

Plan
III.1. Programmation linaire
III.1.1. Dfinition
III.1.2. Hypothses fondamentales
III.1.3. Exemple de modle linaire
III.1.4. Forme standard / forme canonique dun PL
III.1.5. Forme standard/canonique dun PL
(Problme de production de peinture)
III.1.6. Rsolution du programme linaire
Introduction la R.O Applications Outils Rfrences

1. Forme standard
Un programme linaire est sous forme standard
lorsque toutes ses contraintes sont des galits et
toutes ses variables sont non-ngatives
Reprsentation matricielle

s.c. =
0
, , < , , , ,
.
Introduction la R.O Applications Outils Rfrences

2. Forme canonique
Un programme linaire est sous forme canonique
lorsque toutes ses contraintes sont des ingalits et
toutes ses variables sont non-ngatives
Reprsentation matricielle

s.c.
0
, , , , , .
Introduction la R.O Applications Outils Rfrences

3. Thorme (Equivalence des formes


canoniques et standard)

Tout programme linaire peut scrire


sous forme standard et sous forme
canonique
Introduction la R.O Applications Outils Rfrences

Plan
III.1. Programmation linaire
III.1.1. Dfinition
III.1.2. Hypothses fondamentales
III.1.3. Exemple de modle linaire
III.1.4. Forme standard / forme canonique dun PL
III.1.5. Forme standard/canonique dun PL
(Problme de production de peinture)
III.1.6. Rsolution du programme linaire
Introduction la R.O Applications Outils Rfrences

Forme canonique Forme standard

max = 51 + 42 max = 51 + 42
s.c. 61 + 42 + 1 = 24
s.c. 61 + 42 24 1 + 22 + 2 =6
1 + 22 6 2 + 3 =2
2 2 1 + 2 + 4 =1
2 1 1
1 , 2 0 1 , 2 , 1 , 2 , 3 , 4 0
Introduction la R.O Applications Outils Rfrences

Plan
III.1. Programmation linaire
III.1.1. Dfinition
III.1.2. Hypothses fondamentales
III.1.3. Exemple de modle linaire
III.1.4. Forme standard / forme canonique dun PL
III.1.5. Forme standard/canonique dun PL
(Problme de production de peinture)
III.1.6. Rsolution du programme linaire
III.1.6.1. Lalgorithme du simplexe
III.1.6.2. Lalgorithme du simplexe: un aperu par lexemple
Introduction la R.O Applications Outils Rfrences

Dfinition
Algorithme itratif permettant de rsoudre un problme
de programmation linaire (G. B. Dantzig 1947).

Ide de base
Solution optimale: sommet (point extrme).
Ide fondamentale du simplexe: dplacement de
sommet en sommet adjacent de manire
amliorer la fonction objectif.
Transformation des ingalits en galits: forme
standard du programme linaire systme de m
quations n inconnues (m < n).
Introduction la R.O Applications Outils Rfrences

Dtermination de la solution de base optimale


!
Nombre maximum de solutions de base
! !
Algorithme bte et mchant : numration de
toutes les bases.
Mthode du simplexe: partir dune solution de
base admissible et passer une solution de base
voisine qui amliore la valeur de lobjectif.
Solution voisine: changement dune variable en
base.
Introduction la R.O Applications Outils Rfrences

Etapes de rsolution

Tableau initial

Solution Oui
Pivotage Stop
optimale?

Non

Choix de la variable entrante

Choix de la variable sortante


Introduction la R.O Applications Outils Rfrences

Plan
III.1. Programmation linaire
III.1.1. Dfinition
III.1.2. Hypothses fondamentales
III.1.3. Exemple de modle linaire
III.1.4. Forme standard / forme canonique dun PL
III.1.5. Forme standard/canonique dun PL
(Problme de production de peinture)
III.1.6. Rsolution du programme linaire
III.1.6.1. Lalgorithme du simplexe
III.1.6.2. Lalgorithme du simplexe: un aperu par lexemple
Introduction la R.O Applications Outils Rfrences

= 10001 + 12002 = 10001 + 12002


. . 101 + 52 200 . . 101 + 52 + 1 = 200
21 + 32 60 21 + 32 + 2 = 60
1 34 1 + 3 = 34
2 14 2 + 4 = 14
1 , 2 0 1 , 2 , 1 , 2 , 3 , 4 0
Introduction la R.O Applications Outils Rfrences

Etape A : Tableau initial (1re itration)


X1 X2 E1 E2 E3 E4 bi
coefff. Dans Z 1000 1200 0 0 0 0 0
Var.
base
0 E1 10 5 1 0 0 0 200
0 E2 2 3 0 1 0 0 60
0 E3 1 0 0 0 1 0 34
0 E4 0 1 0 0 0 1 14
zj 0 0 0 0 0 0 0
Cj - z j 1000 1200 0 0 0 0
Introduction la R.O Applications Outils Rfrences

Etape B : Choix de la variable entrante en base

Maximum des (Cj - zj ) pour des problmes de


maximisation.
Minimum des (Cj - zj) pour des problmes de
minimisation.
--------- Dans notre exemple, x2 a le plus grand
(Cj zj) donc, il entre dans la base.
Introduction la R.O Applications Outils Rfrences

Etape C : Choix de la variable sortante

la variable sortante sera le minimum des



| > 0

Coeff. dans Z 1000 1200 0 0 0 0 0
Base X1 X2 E1 E2 E3 E4 bi
Coef. Z Var.
base
0 E1 10 5 1 0 0 0 200
0 E2 2 3 0 1 0 0 60
0 E3 1 0 0 0 1 0 34
0 E4 0 1 0 0 0 1 14
zj 0 0 0 0 0 0 0
Cj - zj 1000 1200 0 0 0 0
Introduction la R.O Applications Outils Rfrences

Etape C : Choix de la variable sortante

200/5=40
60/3=20
14/1=14 ------ cest le minimum, donc E4 est
la variable qui sort de la base
Introduction la R.O Applications Outils Rfrences

Etape D : Pivotage
Colonne pivot

Coeff. dans 1000 1200 0 0 0 0 0


Z
Base X1 X2 E1 E2 E3 E4 bi
Coef. Var.
Z base
0 E1 10 5 1 0 0 0 200
0 E2 2 3 0 1 0 0 0
Ligne
0 E3 1 0 0 0 1 0 34 pivot
0 E4 0 1 0 0 0 1 14
zj 0 0 0 0 0 0 0
Cj - z j 1000 1200 0 0 0 0
Introduction la R.O Applications Outils Rfrences

Etape D : Pivotage

Le pivotage seffectue de la manire suivante :


On commence par diviser la ligne du pivot par le chiffre
du pivot. Dans notre exemple, on divise par 1
Coeff. dans Z 1000 1200 0 0 0 0 0
Base X1 X2 E1 E2 E3 E4 bi
Coef. Z Var.
base
0 E1
0 E2
0 E3
0 X2 0 1 0 0 0 1 14
zj 0 0 0 0 0 0 0
Cj - zj 1000 1200 0 0 0 0
Introduction la R.O Applications Outils Rfrences

Etape D : Pivotage

Dans les lignes restantes, chaque lment est


calcul en tant que :
Nouvel lment ligne = lment ancienne ligne (lment
ancienne ligne en colonne pivot nouvel lment ligne pivot)
Exemple: calcul de la ligne E1
Ancienne ligne E1 10 5 1 0 0 0 200
Elment ancienne 5 5 5 5 5 5 5
ligne en colonne
pivot
Nouvel lment 0 1 0 0 0 1 14
ligne pivot
Nouvelle ligne E1 10 0 1 0 0 -5 130
Introduction la R.O Applications Outils Rfrences

Etape D : Pivotage

Tableau 2me itration


Coeff. dans Z 1000 0 0 0 0 -1200 -16800

Base X1 X2 E1 E2 E3 E4 bi
Coef. Var.
Z base
0 E1 10 0 1 0 0 -5 130
0 E2 2 0 0 1 0 -3 18
0 E3 1 0 0 0 1 0 34
1200 X2 0 1 0 0 0 1 14
zj 0 1200 0 0 0 1200 0
Cj - zj 1000 -1200 0 0 0 -2400
Introduction la R.O Applications Outils Rfrences

Critre darrt (doptimalit)

pour un problme de
maximisation.

pour un problme de
minimisation.
Introduction la R.O Applications Outils Rfrences

Tableau 2me itration


Coeff. dans Z 1000 0 0 0 0 -1200 -16800

Base X1 X2 E1 E2 E3 E4 bi
Coef. Z Var.
base
0 E1 10 0 1 0 0 -5 130
0 E2 2 0 0 1 0 -3 18
0 E3 1 0 0 0 1 0 34
1200 X2 0 1 0 0 0 1 14
zj 0 1200 0 0 0 1200 0
C j - zj 1000 -1200 0 0 0 -2400
C1 z1 = 1000 > 0 -----------> cela veut dire quon na pas obtenu la
solution optimale et quon doit continuer itrer
Introduction la R.O Applications Outils Rfrences

Plan
I. Introduction la recherche oprationnelle
II. Applications
III. Outils
III.1. Programmation linaire
III.2. Programmation linaire en nombre entiers
IV. Rfrences