Le problème du

voyageur de
commerce
Réaliser par:
IND5031--REHCERCHE OPERATIONNELLE • Goudimi rida
• Belkadi karim

2024/2025
PLAN

problème du voyageur de commerce

IND5031--REHCERCHE OPERATIONNELLE
I. Introduction
II. L’origine du problème
III. La modélisation du problème
IV. Une présentation générale des différents champs
d'application
V. La complexité
VI. Les méthodes de résolutions
VII. Conclusion
Introduction

Ce problème est l'un des plus célèbres et des plus étudiés en mathématiques et en informatique, en raison de sa simplicité conceptuelle
et de sa complexité computationnelle.
Le TSP pose une question simple : 'Étant donné une liste de villes et les distances entre chacune d'elles, quel est l'itinéraire le plus court
possible qui visite chaque ville une fois et retourne à la ville de départ ?' Malgré sa formulation simple, le TSP est un défi complexe et a
des implications profondes dans des domaines aussi variés que la logistique, la planification de routes, l'intelligence artificielle, et bien
d'autres.
Dans cette présentation, nous allons explorer les origines de ce problème fascinant, sa modélisation mathématique, ses diverses
applications, sa complexité intrinsèque, ainsi que les méthodes développées pour le résoudre. Commençons par découvrir l'histoire et
l'origine de ce problème classique en optimisation."
03
Modélisation 04

du problème

Modélisation en graphe
IND5031--REHCERCHE OPERATIONNELLE

Villes représentées par des sommets, chemins par des arêtes.

Objectif
Trouver le parcours le plus court visitant toutes les villes une fois et revenant au départ.

Complexité croissante avec le nombre de villes

Même pour un petit nombre de villes, le nombre d'itinéraires possibles augmente rapidement.

Applications pratiques
Utilisation en logistique pour optimiser les itinéraires de livraison, réduisant temps et coûts.
 05 Graphe Initial :

Les villes A, B, C et D sont représentées comme des

sommets d'un graphe.
Les arêtes du graphe indiquent les chemins possibles
Imaginons une situation où un entre chaque paire de villes avec les distances associées.

voyageur doit visiter quatre villes :

IND5031--REHCERCHE OPERATIONNELLE
A, B, C et D. Le but est de trouver le Calcul des Itinéraires :

chemin le plus court pour visiter Tous les itinéraires possibles qui visitent chaque ville

toutes les villes une fois et de revenir une fois sont calculés. Par exemple :
A→ B → C → D→A
à la ville de départ. Supposons que A→ C → B → D→A

les distances entre chaque paire de A→ D→ B → C →A

...et ainsi de suite pour toutes les combinaisons.
villes soient connues.
Comparaison des Distances :

Les distances totales de chaque itinéraire sont calculées.

L'itinéraire avec la distance totale la plus courte est
sélectionné comme solution optimale.

Pour illustrer le problème :

Application Pratique
 Logistique et Transport

06 e TSP est fondamental dans l'optimisation des itinéraires de livraison pour minimiser le
temps de parcours et les coûts. Par exemple, les entreprises de livraison utilisent des
variantes du TSP pour planifier les itinéraires des véhicules de livraison.

IND5031--REHCERCHE OPERATIONNELLE
Fabrication et Assemblage
Une présentation Dans l'industrie manufacturière, le TSP aide à optimiser les parcours des machines
automatisées, comme les bras robotiques, pour améliorer l'efficacité de l'assemblage.

générale des
différents champs
d'application Informatique et Télécommunications
Le TSP est utilisé pour optimiser les parcours de câblage et la maintenance des
réseaux.

Sciences et Recherche
Dans des domaines comme la génomique, le TSP aide à résoudre des problèmes
complexes de séquençage.
 07

La
complexité
Abordons maintenant l'un des aspects les plus
intrigants du Problème du Voyageur de
Commerce : sa complexité. Classifié difficile, le
TSP représente un défi majeur en informatique et
en optimisation.
Mathematics Class | East Cordale School 08

Pourquoi est-ce si complexe ?

Imaginons un exemple simple avec seulement 5 villes. Le nombre total

d'itinéraires possibles que le voyageur peut emprunter pour visiter toutes les
villes une fois est de 120 (calculé comme 5! / 2, car le chemin A-B-C-D-E est le
même que E-D-C-B-A). Si nous augmentons le nombre de villes à 10, le nombre
d'itinéraires possibles explose à 181,440.
Cette augmentation exponentielle du
nombre d'itinéraires possibles avec chaque Les méthodes de résolutions :
ville supplémentaire souligne pourquoi
une solution exhaustive n'est pas réalisable
dans la pratique, surtout pour un grand Examinons maintenant les différentes méthodes développées pour
nombre de villes. Cela explique pourquoi
résoudre le Problème du Voyageur de Commerce, en tenant
des méthodes heuristiques et des
algorithmes approchés sont souvent compte de sa complexité .
utilisés pour trouver des solutions Algorithmes Exactes : Pour de petites instances du TSP, des algorithmes
'suffisamment bonnes' en un temps
exacts comme le Branch and Bound sont utilisés. Ces méthodes
raisonnable, plutôt que de chercher la
solution optimale qui serait trop coûteuse
garantissent de trouver la meilleure solution, mais leur temps
en termes de temps et de ressources. d'exécution augmente rapidement avec le nombre de villes.

Heuristiques : Lorsque le nombre de villes devient grand, des

heuristiques comme l'algorithme du plus proche voisin, l'insertion la
moins coûteuse, ou la méthode de l'échange sont utilisées. Ces méthodes
ne garantissent pas la meilleure solution, mais elles fournissent des
solutions de bonne qualité en un temps beaucoup plus court.
Méthodes Approchées :
Des algorithmes comme la recherche
tabou, l'algorithme génétique, ou la
programmation par contraintes sont
utilisés pour des instances plus
grandes. Ils explorent l'espace des
solutions de manière intelligente pour
trouver des solutions de haute qualité.
Les méthodes de résolutions :
Recherche Tabou : Cette technique utilise une liste tabou pour garder une trace des mouvements
précédemment effectués et éviter de revenir immédiatement sur ces mouvements, permettant ainsi une
exploration plus approfondie de l'espace des solutions.
Exemple : Imaginez un scénario où un voyageur a déjà exploré certains itinéraires entre les villes A, B et C.
La recherche tabou empêche le retour immédiat à ces itinéraires, poussant le voyageur à explorer d'autres
options comme A-C-B, même si A-B-C semblait initialement prometteur.
Algorithme Génétique : Inspiré de la théorie de l'évolution, cette méthode utilise des concepts comme la
sélection, la mutation, et le croisement pour trouver des solutions optimales en simulant des processus
naturels.
Exemple : Considérez plusieurs itinéraires initiaux comme des "individus". À chaque génération, ces
itinéraires "s'accouplent" et "mutent", produisant de nouveaux itinéraires. Ceux qui sont les plus courts (les
plus "fit") sont sélectionnés pour les générations suivantes, affinant progressivement la solution.
Programmation par Contraintes : Cette approche se concentre sur la définition et la résolution des contraintes
spécifiques du problème, permettant de réduire l'espace de recherche et de trouver des solutions de manière
plus efficace.
Exemple : Si nous savons que le voyageur doit être dans la ville D le jour 3, cette contrainte est utilisée pour
éliminer tous les itinéraires qui ne répondent pas à ce critère, réduisant l'espace de recherche.
10
Optimisation par essaim
particulaire et réseaux
neuronaux :
Des approches plus modernes
impliquent des techniques
d'intelligence artificielle et de machine
learning, offrant de nouvelles
perspectives dans la résolution du TSP.
Les méthodes de résolutions :
Optimisation par Essaim Particulaire : Cette méthode s'inspire du comportement collectif
des essaims d'animaux. Elle utilise un ensemble de solutions potentielles (particules), qui
s'adaptent et se déplacent dans l'espace de recherche en fonction de leur expérience et de
celle des autres particules.
Exemple : Imaginez un groupe de voyageurs (particules) explorant différents itinéraires.
Chacun ajuste son parcours en fonction de son meilleur itinéraire trouvé et de celui du
groupe, convergeant progressivement vers l'itinéraire optimal.
Réseaux Neuronaux : L'utilisation de réseaux neuronaux, en particulier les réseaux de
neurones profonds, pour résoudre le TSP est une approche moderne. Elle consiste à
entraîner un réseau neuronal à reconnaître des patterns efficaces pour optimiser les
itinéraires.
Exemple : Un réseau neuronal est entraîné sur un ensemble de données d'itinéraires
connus. Après l'entraînement, le réseau peut prédire des itinéraires efficaces pour de
nouvelles combinaisons de villes, apprenant des motifs .
11
 12

Conclusion

Pour conclure notre exploration du Problème du Voyageur de Commerce, il est important de souligner l'impact et la
pertinence continue de ce défi classique en optimisation. Bien que le TSP soit théoriquement simple, sa complexité NP-
difficile et la diversité des méthodes développées pour le résoudre témoignent de sa profondeur et de son importance.

Le TSP n'est pas seulement un problème académique ; il a des implications réelles et pratiques dans de nombreux
domaines, de la logistique et du transport à l'intelligence artificielle et au-delà. Les stratégies développées pour
résoudre le TSP ont stimulé des avancées significatives en algorithmique, en recherche opérationnelle et en
informatique.

Enfin, le TSP continue d'être un terrain fertile pour la recherche et l'innovation. Les défis qu'il pose et les solutions qu'il
inspire contribuent à façonner l'avenir de l'optimisation et de la résolution de problèmes complexes. Ainsi, le TSP reste
un sujet d'étude fascinant et pertinent, démontrant comment un problème apparemment simple peut ouvrir la porte à
un monde d'exploration et de découverte.
Le problème du
voyageur de
commerce
Réaliser par:
IND5031--REHCERCHE OPERATIONNELLE • Goudimi rida
• Belkadi karim

2024/2025