UNIVERSITE DE NGAOUNDERE

ENSAI DE NGAOUNDERE

EXPOSÉ DE OPTIMISATION ET RECHERCHE

OPERATIONNELLE/Master IEAI

Thème: Problèmes et outils stochastiques

en recherche opérationnelle

Présenté par le groupe 10

Superviseur :
Dr. FOTSA MBOGNE
Jaures
Année académique 2018/2019
 PROBLEMES ET OUTILS STOCHASTIQUES

PLAN DE L’EXPOSE
Introduction
Modèles stochastiques
Processus Markovien
Chaînes de Markov
Méthodes d’optimisation stochastique
Méthode de Monte-Carlo
Recuit Simulé
Algorithme génétique
Essaim de particule
Programmation dynamique stochastique
Etude de cas : stratégie de remplacement
Conclusion
2
 PROBLEMES ET OUTILS STOCHASTIQUES

Introduction Contexte et Problématique

3
 PROBLEMES ET OUTILS STOCHASTIQUES

Introduction OBJECTIFS

Rechercher un optimum
global d’une fonction
objectif

Diminuer le temps de temps

Élaborer de meilleures de recherche de la solution
décisions optimale

S’attaquer aux problèmes

complexes .

4
 PROBLEMES ET OUTILS STOCHASTIQUES

Modèles stochastiques Définitions

Système stochastique

système évoluant de manière probabiliste dans le temps.

Exemple: la température quotidienne , un centre d’appels téléphoniques.

Modèle et processus stochastique

Un modèle stochastique est une représentation mathématique d’un

système stochastique.
processus stochastique: est une suite de variables aléatoires évoluant
dans le temps, On se donne un ensemble de variables aléatoires {X ( t ), t
∈T}
5
 PROBLEMES ET OUTILS STOCHASTIQUES

Modèles stochastiques Processus Markovien

Définition

{X (t), t ∈ T } est dit markovien si, pour tout n ∈ N,

pour tout t1 < t2 < ··· < tn < tn+1,
Pr(X ( tn+1) ∈ A|X ( t1), X ( t2), . . ., X ( tn)) = Pr(X ( tn+1) ∈ A|X (tn))

Processus de Poisson : processus Markovien homogène d’états discret, mais

d’ensemble des paramètres est continu.
{X (t), t ∈ [0, +∞[ }, où X ( t ) est le nombre d’événements qui se sont produits
Entre l’instant 0 et l’instant t
Pm(t) = Pr(X (t) = m): probabilité que m événements se produisent entre
les instants 0 et t

(𝛌𝐭 )𝒎 𝒆−𝝀𝒕
𝑷𝒎 (𝐭) = (E1)
𝐦!
6
 ANALYSE DISCRIMINANTE ET ANALYSE FACTORIELLE DISCRIMINANTE

Modèles stochastiques Processus Markovien

Processus de naissance : généralisation du processus de poisson.

{X (t), t ∈ [0, +∞[ }, où X ( t ) est l’effectif d’une population à l’instant t
Pm(t) = Pr(X (t) = m): probabilité que l’effectif de la population soit égale à
𝒎 𝒆−𝝀𝒌 𝒕
m à l’instant t. 𝑷𝒎 𝒕 = ς𝒎−𝟏
𝒊=𝟎 𝝀𝒊 σ𝒌=𝟎 𝒋=𝟎 (E2)
ς𝒋≠𝒌 𝝀𝒋 −𝝀𝒌
𝒆−𝝀𝒕
𝑷𝒎 𝒕 = 𝛌𝐭 si les λi sont égaux (E3)
𝐦!
Processus de naissance et de mort : {X (t), t ∈ [0, +∞[ }, où X ( t ) est
l’effectif d’une population à l’instant t Pm(t) = Pr(X (t) = m): probabilité que
l’effectif de la population soit égale à m à l’instant t.
𝑷𝒎 = 𝝅𝒎 𝟏 + σ+∞ 𝝅
𝒊=𝟎 𝒊
−𝟏 (E4)

Si λ0= λ1= ··· = λ et µ0= µ1= ··· = µ alors,

𝝀 𝒎
𝑷𝒎 = 𝑷𝟎 (E5)
µ
7
 PROBLEMES ET OUTILS STOCHASTIQUES

Modèles stochastiques Chaine de Markov

Définition
Il s’agit d’un processus de Markov dont l’ensemble des indices est discret
(contrairement aux processus de Markov), mais l’espace des états est
toujours discret. On note une telle chaîne {Xn; n = 0, 1, 2, . . .}

Soit n ≥ 1 et 𝑗𝑘 𝑘∈ 0,𝑛 ∈ 𝑆 𝑛 Alors

Pr 𝑋𝑛 = 𝑗𝑛 𝑋𝑖 = 𝑗𝑖 𝑖 ∈ 0, 𝑛 − 1 = Pr 𝑋𝑛 = 𝑗𝑛 𝑋𝑖 = 𝑗𝑛−1
Pr 𝑋𝑛 = 𝑗 𝑋𝑛−1 = 𝑖 ne dépend pas de n et est notée Pi j
Cette grandeur est appelle probabilité de transition.

8
 PROBLEMES ET OUTILS STOCHASTIQUES

Matrice associée à une chaine de

Modèles stochastiques
Markov

Définition
Soit P = (Pi j) une matrice carrée d’ordre r. Cette matrice est dite
stochastique si :
Pour tout 𝑖, 𝑗 ∈ 1, 𝑟 2 , 𝑃𝑖𝑗 ∈ 0, 1
Pour tout 𝑖 ∈ 1, 𝑟 , σ𝑟𝑖=1 𝑃𝑖𝑗 = 1

9
 PROBLEMES ET OUTILS STOCHASTIQUES

Méthodes d’optimisation Présentation générale

stochastique

10
 PROBLEMES ET OUTILS STOCHASTIQUES

Méthodes d’optimisation Monte-Carlo

stochastique

 L’idée est d’utiliser un grand nombre d’essais aléatoires

pour trouver une solution approchée à un problème donné.
 Le degré zéro d’une approche Monte-Carlo est la
recherche aléatoire (on essaie des millions de solutions au
hasard et on garde la meilleure).
Pour augmenter la précision : envoyer plus
de cailloux !

Qualité du résultat dépendant de la qualité

du générateur
de nombres pseudo-aléatoires !

11
 PROBLEMES ET OUTILS STOCHASTIQUES

Méthodes d’optimisation Recuit Simulé

stochastique

◆ Analogie avec procédés métallurgiques pour un « Hill-Climbing

avancé »
◆ Au début, x0 pour lequel on calcul l’ « énergie » E0 (fonction
d’évaluation qu’on cherche à minimiser) et on choisit arbitrairement une
« température » de départ élevée T0.
◆ On se déplace la solution dans Ω dépendant de T.
◆ Si la solution est meilleure, on la garde. Sinon, on prend la nouvelle
solution avec la probabilité e–(ΔE)/T (algode Metropolis/Hastings).
◆ On fait baisser la température, (linéairement ou par paliers).
Variation linéaire : Ti+1 = 0,99 Ti
◆ Sous certaines conditions, on finit par trouver l’optimum global
après une série de mutations de plus en plus faibles (température qui
diminue) en un temps infini.
12
 PROBLEMES ET OUTILS STOCHASTIQUES

Méthodes d’optimisation Recuit Simulé

stochastique

13
 PROBLEMES ET OUTILS STOCHASTIQUES

Méthodes d’optimisation Algorithme génétique

stochastique
Générer aléatoirement suivant la loi
uniforme
puis itérativement une population initiale
Evaluation puis sélection des meilleurs
individus
par des méthodes de sélection telles les
méthodes
de rang, roulette, tournoi et uniforme.
Croisement par paires des différentes
possibilités
Mutation sur une faible partie de la
population
résultante

14
 PROBLEMES ET OUTILS STOCHASTIQUES

Méthodes d’optimisation Essaim de particule

stochastique

Vk+1 = c1*Vk + c2 *(bestparticule - positionparticule) + c3 *(bestvoisin - positionparticule)

Xk+1=Xk+ Vk+1 (E6)

15
 PROBLEMES ET OUTILS STOCHASTIQUES

Méthodes d’optimisation Essaim de particule

stochastique

Initialisation

N= N+1
Mise à jour de la position et de la vitesse de
chaque particule

Evaluation

Terminé ?

Non Oui

Découverte de la meilleure position de

chaque particule du groupe

Stop
 PROBLEMES ET OUTILS STOCHASTIQUES

Programmation dynamique
Méthodes d’optimisation
stochastique stochastique

𝑡−1
Soit un processus DH 𝐸1𝑡−1 , 𝐸2𝑡−1 , … … … . 𝐸𝑖𝑡−1 , … … . . 𝐸𝑝(𝑡) : états dans les
quelles peut se trouver le système au début de la phase t.
𝐷1𝑡 , 𝐷2𝑡 , … … . 𝐷𝑗𝑡 , … … 𝐷𝑞𝑡 : états auxquels le décideur peux
transférer le système
𝐶𝑖𝑗𝑡 :cout de la décision de transférer le système de l’état
𝐸𝑖𝑡−1 en l’état 𝐷𝑗𝑡
𝑡
𝑃𝑖𝑘 probabilité de passer de l’état 𝐷𝑗𝑡 à l’état 𝐸𝑘𝑡 à la fin
𝑡
de la phase t et 𝑟𝑖𝑘 le revenu résultant de ce passage
𝑡−1
nous voulons évaluer les ӯ∗𝑖 espérances mathématiques
optimales lorsqu’au début de la phase t le système se
trouve dans l’état 𝐸𝑖𝑡−1

𝑵−𝟏 ∗ 𝑵
ӯ∗𝒊 = 𝒎𝒊𝒏
𝑵−𝟏
𝒄 𝒊𝒋 + ෍ 𝑷𝒋𝒌 𝜸𝒋𝒌 + ӯ 𝒌
𝑫𝒋
𝒌
 PROBLEMES ET OUTILS STOCHASTIQUES

Etude de Cas Etude de Cas

Considérons un équipement qui peut se trouver dans quatre états. S’il devient
défaillant au cours d’une période, il est remplacé en fin de période. S’il se trouve en
début de période à l’état 0, il a deux chances sur dix d’être défaillant en cours de
période et, par différence, huit chances sur dix de survivre. Dans l’état 1 en début de
période la probabilité qu’il soit défaillant au cours de la période est 0,5 ; la probabilité
de survivre est 0,5. Dans l’état 2, en début de période, les probabilités respectives de
défaillance et de survie sont 0,7 et 0,3. Enfin si l’équipement se trouve dans l’état 3
en début de période il sera surement défaillant avant la fin de la période et remplacé
en fin de période.
Etudions la stratégie de remplacement des équipements de ce type, sachant que le prix
de l’équipement est de 175 000, le prix de la panne 300 000, les prix de l’entretien
40 000, 60 000, 100 000 et 160 000, respectivement durant la première, deuxième,
troisième et dernière période de vie.

16
 PROBLEMES ET OUTILS STOCHASTIQUES

Etude de Cas Etude de Cas

18
20