CHAPITRE 3 OPTIMISATION - PowerPoint PPT Presentation

About This Presentation
Title:

CHAPITRE 3 OPTIMISATION

Description:

CHAPITRE 3 OPTIMISATION Concepts de base: recherche op rationnelle Programmation lin aire Programmation en nombre entier Logiciel LINDO CONCEPTS DE BASE RECHERCHE ... – PowerPoint PPT presentation

Number of Views:132
Avg rating:3.0/5.0
Slides: 94
Provided by: Clau4162
Category:

less

Transcript and Presenter's Notes

Title: CHAPITRE 3 OPTIMISATION


1
CHAPITRE 3OPTIMISATION
  • Concepts de base recherche opérationnelle
  • Programmation linéaire
  • Programmation en nombre entier
  • Logiciel LINDO

2
CONCEPTS DE BASE RECHERCHE OPÉRATIONNELLE
  • Définitions
  • Origines
  • Applications
  • Méthodes
  • Modèles

3
RECHERCHE OPÉRATIONNELLE
  • DÉFINITIONS
  • Application de méthodes, techniques, instruments
    scientifiques pour modéliser et résoudre les
    problèmes dans tous les domaines
  • Application de la méthode scientifique pour
    modeler et résoudre les problèmes dans tous les
    domaines
  • Art de donner des mauvaises réponses à des
    problèmes auxquels autrement de pires réponses
    seraient données

4
RECHERCHE OPÉRATIONNELLE
  • ORIGINES
  • Développement durant la seconde guerre mondiale
  • applications aux opérations militaires
  • répartition des troupes, du matériel, des
    ressources
  • approvisionnement en vivres, en pièces, en
    armement
  • Scientifiques et ingénieurs applications civiles
  • programmation linéaire (1ère publication en 1939)
  • développement du simplexe par G. Dantzig (1947)
  • développement des techniques classiques en
    programmation linéaire, non-linéaire, dynamique,
    théorie des files dattente, etc.
  • ralentissement des recherches généré par le
    manque doutils de calcul

5
RECHERCHE OPÉRATIONNELLE
  • APPLICATIONS
  • Applications aux problèmes réels de grande
    envergure
  • arrivée des processeurs rapides
  • développement des bases de données
  • techniques d optimisation appliquées à de
    nombreux domaines
  • Domaines dutilisation
  • militaire
  • transport
  • aéroport
  • route, trajet, livraison
  • horaire
  • contrôle des réseaux
  • infrastructures, distribution
  • etc.

6
RECHERCHE OPÉRATIONNELLE
  • 2 importants centres de recherche à Montréal
  • CRT Centre de Recherche sur les Transports
  • GÉRAD Groupe dÉtude et de Recherche en Analyse
    des Décisions

7
RECHERCHE OPÉRATIONNELLE
  • CONCEPT DE SYSTÈME
  • Système
  • Agrégat ou assemblage dobjets joints par des
    interactions ou interdépendances régulières
  • Activité
  • Processus qui crée un changement de létat du
    système
  • Entité
  • Objet dintérêt dans un système
  • Attribut
  • Propriétés relatives à une entité

8
RECHERCHE OPÉRATIONNELLE
  • EXEMPLE DE SYSTÈME
  • SYSTÈME ACTIVITÉ ENTITÉ ATTRIBUT
  • circulation mouvements véhicules vitesse
  • trajets routes distances
  • banque dépôts clients état de crédit
  • communications transmission message priorité

9
RECHERCHE OPÉRATIONNELLE
  • MÉTHODES
  • Techniques mathématiques
  • Techniques statistiques
  • Modèles de gestion des stocks
  • Modèles daffectation
  • Modèles de programmation dynamique
  • Modèles de files dattente
  • Modèles séquentiels
  • Modèles de remplacement
  • Modèles de compétition
  • Techniques de simulation
  • Méthodes heuristiques

10
RECHERCHE OPÉRATIONNELLE
  • MODÈLE
  • Moyen pour mieux comprendre la réalité utilisée
    pour représenter les propriétés fondamentales
    dun certain phénomène
  • Problèmes de gestion souvent complexes
  • Nécessité fréquente dignorer certains paramètres
    pour tirer une version idéale, épurée cest un
    modèle

11
RECHERCHE OPÉRATIONNELLE
  • CLASSIFICATION DES MODÈLES
  • Modèles physiques
  • Modèles iconiques
  • Pour visualiser une solution pratique
  • Modèles réduits, maquettes
  • Modèles analogiques
  • Phénomène quon étudie pour représenter un autre
  • Analogie électrique en hydraulique
  • Modèles symboliques
  • Modèles mathématiques
  • Déterministiques
  • Probabilistes ou stochastiques
  • Modèles verbaux

12
RECHERCHE OPÉRATIONNELLE
  • Modèles mathématiques
  • Modèles déterministiques
  • Incertitude négligeable
  • Résultats du phénomène prévu avec certitude
  • Modèles probabilistes ou stochastiques
  • Incertitude considérée comme facteur important du
    phénomène ou système analysé
  • Classe de modèles déterministiques
  • Modèles de programmation linéaire
  • Équations ou inéquations du premier degré
    représentant les contraintes du problème
  • Fonction économique qui traduit lobjectif de
    lentreprise

13
RECHERCHE OPÉRATIONNELLE
  • Méthode scientifique
  • Expériences vécues
  • Critères qui permettent de juger si le problème
    est résolu
  • Principaux aspects de la réalité
  • Paramètres du modèle
  • Méthodes appropriées
  • Conclusions obtenues versus opinions des
    personnes
  • Implantation de la décision

14
RECHERCHE OPÉRATIONNELLE
  • Formulation du modèle mathématique
  • Définir le problème
  • Quelle est la nature exacte du problème?
  • Quel est lobjectif recherché?
  • Quelles sont les conditions dopération?
  • Quels sont les paramètres à considérer? Quelle
    influence?
  • Quel est le degré de précision requis?

15
PROGRAMME LINÉAIRE
  • PL
  • problème doptimisation consistant à
  • maximiser (ou minimiser) une fonction objectif
    linéaire
  • de n variables de décision
  • soumises à un ensemble de contraintes exprimées
    sous forme déquations ou dinéquations linéaires
  • La terminologie est due à George B. Dantzig,
    inventeur de lalgorithme du simplexe (1947)

16
PROGRAMMATION LINÉAIRE
  • Hypothèses
  • La linéarité des contraintes et de la fonction
    objectif
  • La proportionnalité des gains/coûts et des
    consommation de ressources
  • La divisibilité des variables
  • Le déterminisme des données
  • Lors de la modélisation d'un problème réel,
    l'impact de ces hypothèses sur la validité du
    modèle mathématique doit être étudié
  • Cette analyse peut mener à choisir un modèle
    différent (non linéaire, stochastique, ...) et
    est essentielle pour la phase d'interprétation
    des résultats fournis par le modèle

17
MISE EN FORME MATHÉMATIQUE
  • Définir les variables de décision
  • ensemble des variables qui régissent la situation
    à modéliser
  • variables réelles, entières, binaires
  • Préciser la fonction objectif
  • fonction mathématique composée des variables de
    décision qui représente le modèle physique
    modélisé
  • fonction linéaire, non-linéaire
  • Préciser les contraintes du problème
  • ensemble des paramètres qui limitent le modèle
    réalisable
  • équations ou inéquations composées des variables
    de décision
  • Préciser les paramètres du modèle
  • constantes associées aux contraintes et à la
    fonction objective

18
PROGRAMMATION LINÉAIRE
  • Validation du modèle et des résultats
  • Sassurer
  • que le modèle développé est conforme à la réalité
  • que les résultats sont valides dans toutes les
    conditions
  • Conception du système dapplication
  • Possibilité dutiliser des logiciels spécialisés
  • Implantation

19
FORMULATION MATHÉMATIQUE DUN PROGRAMME LINÉAIRE
  • FONCTION OBJECTIF
  • Maximiser ou minimiser
  • z c1x1 c2x2 c3x3 cnxn
  • Contraintes
  • a11x1 a12x2 a13x3 a1nxn (?, , ?) b1
  • a21x1 a22x2 a23x3 a2nxn (?, , ?) b2
  • am1x1 am2x2 am3x3 amnxn (?, , ?) bm
  • Contraintes de non-négativité
  • xj ? 0 j 1, 2, 3, n
  • avec
  • xj variables de décision (inconnues)
  • aij, bi, cj paramètres du programme linéaire

20
TERMINOLOGIE DU MODÈLE
  • Activités
  • Ensemble des actes et opérations à effectuer
  • j 1,n activités
  • Ressources
  • Moyens disponibles pour effectuer les activités
  • bi, i 1,m ressources
  • Quantité requise de ressource
  • Quantité unitaire de ressources consommées pour
    chaque activité aij
  • Niveau activation
  • Quantité de ressources affectée à une activité
  • xj niveau dactivation de lactivité j
  • Coût ou profit
  • Mesure de performance de lallocation des
    ressources aux activités cj

21
TERMINOLOGIE DE LA SOLUTION
  • Solution réalisable
  • Solution où toutes les contraintes du modèle sont
    satisfaites
  • Zone de solution
  • Ensemble de toutes les solutions réalisables
  • Solution optimale
  • Solution réalisable où la fonction objectif
    atteint la meilleure valeur, maximum ou minimum
  • Plusieurs solutions optimales possibles

22
EXEMPLE PROBLÈME D'ALLOCATION DE RESSOURCES
  • Vous disposez de
  • 8 kg de pommes
  • 2,5 kg de pâte
  • 6 plaques
  • pour confectionner des chaussons et des tartes
  • Pour faire un chausson, il vous faut
  • 150 g de pommes
  • et 75 g de pâte
  • Chaque chausson est vendu 3
  • Pour faire une tarte, il vous faut
  • 1 kg de pommes
  • 200 g de pâte
  • et 1 plaque
  • Chaque tarte est divisée en 6 parts vendues
    chacune 2
  • Que faut-il cuisiner pour maximiser le chiffre
    d'affaires de la vente ?

23
PROBLÈME D'ALLOCATION DE RESSOURCES
  • Définissons 2 variables de décision
  • x1 le nombre de chaussons confectionnés
  • x2 le nombre de tartes confectionnées
  • Le chiffre daffaires associé à une production
    (x1 x2) est
  • z 3x1 (6 x 2)x2 3x1 12x2
  • Il ne faut pas utiliser plus de ressources que
    disponibles
  • 150x1 1000x2 ? 8000 (pommes)
  • 75x1 200x2 ? 2500 (pâte)
  • x2 ? 6 (plaques)
  • On ne peut pas cuisiner des quantités négatives
  • x1 et x2 ? 0

24
MODÈLE PROBLÈMED'ALLOCATION DE RESSOURCES
  • Pour maximiser le chiffre daffaires de la vente,
    il faut déterminer les nombres x1 et x2 de
    chaussons et de tartes a cuisiner, solution du
    problème
  • Max z 3x1 12x2
  • Sujet à
  • 150x1 1000x2 ? 8000
  • 75x1 200x2 ? 2500
  • x2 ? 6
  • x1 x2 ? 0
  • En fait, il faudrait également imposer à x1 et x2
    de ne prendre que des valeurs entières

25
EXEMPLE PROBLÈME DE RECOUVREMENT
  • DONNÉES Les demandes journalières en chauffeurs
    dans une entreprise de transport
  • Lu Ma Me Je Ve Sa Di
  • 13 18 21 16 12 25 9
  • Les chauffeurs travaillent 5 jours d'affilée (et
    peuvent donc avoir leurs 2 jours adjacents de
    congé n'importe quand dans la semaine)
  • OBJECTIFS Déterminer les effectifs formant les
    7 équipes possibles de chauffeurs de manière à
  • couvrir tous les besoins
  • engager un nombre minimum de chauffeurs

26
PROBLÈME DE RECOUVREMENTMODÉLISATION
  • Variables de décision On associe une variable
    de décision à chacune des 7 équipes possibles
  • x1 nombre de chauffeurs dans léquipe du lundi
    (repos le samedi et le dimanche),
  • x2 nombre de chauffeurs dans léquipe du mardi,
    ...
  • x7 nombre de chauffeurs dans léquipe du
    dimanche.
  • Fonction objectif On veut minimiser le nombre
    total de chauffeurs engagés
  • z x1 x7

27
PROBLÈME DE RECOUVREMENTCONTRAINTES
  • Contraintes Le nombre de chauffeurs présents
    chaque jour doit être suffisant
  • x1 x4 x5 x6 x7 ? 13 (lundi)
  • x1 x2 x5 x6 x7 ? 18 (mardi)
  • x3 x4 x5 x6 x7 ? 9
    (dimanche)
  • Contraintes de bornes Le nombre de chauffeurs
    dans chaque équipe doit non seulement être non
    négatif mais également entier
  • xi ? 0 et entier i 1 7

28
PROBLÈME DE RECOUVREMENT FORMULATION
  • Min z x1 x2 x3 x4 x5 x6 x7
  • Sujet à
  • x1 x4 x5 x6 x7 ? 13
  • x1 x2 x5 x6 x7 ? 18
  • x1 x2 x3 x6 x7 ? 21
  • x1 x2 x3 x4 x7 ? 16
  • x1 x2 x3 x4 x5 ?
    12
  • x2 x3 x4 x5 x6 ? 25
  • x3 x4 x5 x6 x7 ? 9
  • x1 x2 x3 x4 x5 x6 x7 ? 0 entiers
  • Ce problème n'est pas un PL mais un programme
    linéaire en nombres entiers (PLNE)

29
MODÉLISATION
  • Exemple production de portes et fenêtres
  • 3 usines
  • 1 cadres d aluminium
  • 2 cadres de bois
  • 3 vitres et assemblages des produits
  • 2 produits
  • A portes vitrées avec cadrage d aluminium
  • B fenêtres avec cadrage en bois
  • demande illimitée pour les produits
  • profits par lot A 3000 B 5000
  • temps de production pour chaque lot produit par
    heure
  • 1 A 1 B 0
  • 2 A 0 B 2
  • 3 A 3 B 2
  • temps de production disponible par semaine
  • 1 4 2 12 3 18

30
FORMULATION DU PROBLÈME
  • PRODUCTION DE PORTES ET FENÊTRES
  • Temps de production
  • Usine 1 2 Temps disponible par semaine
  • 1 1 0 4
  • 2 0 2 12
  • 3 3 2 18
  • Profit 3000 5000

31
FORMULATION DU PROBLÈME
  • Objectif
  • Maximiser les profits
  • Variables de décision
  • x1 quantité du produit A fabriquée
  • x2 quantité du produit B fabriquée
  • Fonction objectif
  • MAXIMISER z 3x1 5x2
  • Contraintes
  • usine 1 1x1 0x2 ? 4
  • usine 2 0x1 2x2 ? 12
  • usine 3 3x1 2x2 ? 18
  • Contraintes de non-négativité
  • x1 ? 0
  • x2 ? 0

32
PROGRAMMATION LINÉAIRE
  • Résolution selon les techniques appropriées
  • Exemple
  • MAXIMISER z 3x1 5x2
  • SUJET À
  • x1 ? 4
  • 2x2 ? 12
  • 3x1 2x2 ? 18
  • x1 ? 0 x2 ? 0
  • Solutions optimales
  • programmation linéaire simplexe
  • programmation en nombre entier branch-and-bound
  • programmation dynamique
  • Solutions sous-optimales heuristiques

33
ZONE DE SOLUTION RÉALISABLE
  • Zone limitée par lensemble des équations de
    contraintes du problème et par les limites des
    variables de décision

x2
8
6
4
2
x1
0
2
4
6
8
10
34
FONCTION OBJECTIVE
  • Déplacement de la fonction objective à
    lintérieur de la zone de solution réalisable
    pour atteindre un extremum

x2
8
Solution x1 2 x2 6 z 36
(2,6)
6
4
2
x1
0
2
4
6
8
10
35
PROGRAMMATION LINÉAIRE
  • PHASES DUNE ÉTUDE DE R.O.
  • Formulation du problème
  • Construction du modèle mathématique
  • Identification des variables associées au
    problème
  • Formulation des contraintes qui délimitent les
    valeurs que peuvent prendre les variables
  • Formulation de la mesure defficacité associée
    aux variables (fonction linéaire dite fonction
    objectif)
  • Obtention dune solution optimale à partir du
    modèle
  • Vérification du modèle et de la solution
  • Établissement de contrôles sur la solution
  • Mise en œuvre de la solution

36
RÉSULTAT DUNEOPTIMISATION LINÉAIRE
  • Le domaine admissible dun PL peut être
  • vide dans un tel cas, le problème est sans
    solution admissible (pas de solution optimale)
  • borné (et non vide) le problème possède
    toujours au moins une solution optimale
  • non borné dans ce cas, selon la fonction
    objectif
  • le problème peut posséder des solutions optimales
  • il peut exister des solutions admissibles de
    valeur arbitrairement grande (ou petite)
  • dans un tel cas, le PL n'admet pas de solution
    optimale finie et est dit non borné

37
FORMULATION DU PROBLÈME
  • PROGRAMMATION LINÉAIRE
  • Ressources par activité
  • Activités
  • Ressources 1 2 n Ressource disponible
  • 1 a11 a12 a1n b1
  • 2 a21 a22 a2n b2
  • . .
  • m am1 am2 amn bm
  • Contribution c1 c2 cn

38
PROBLÈME DE MAXIMISATION
  • Maximiser
  • Z x1 2x2
  • Sujet à
  • 2x1 x2 ? 4
  • x1 x2 ? 8
  • -x1 x2 ? 4
  • x1 ? 5
  • x1 ? 0, x2 ? 0

39
PROBLÈME DE MAXIMISATION
x2
X1 2 X2 6 Z 14
-x1 x2 4
8
6
x1 5
4
x1 x2 8
2
2x1 x2 4
x1
0
2
4
6
8
10
40
PROBLÈME DE MINIMISATION
  • Minimiser
  • Z x1 - x2
  • Sujet à
  • ½x1 x2 ? 8
  • -x1 8x2 ? 40
  • x1 ? 8
  • x2 ? 8
  • x1 ? 0, x2 ? 0

41
PROBLÈME DE MINIMISATION
X1 8 X2 6 Z 2
x2
x2 8
8
6
-x1 8x2 40
4
x1 8
2
½x1 x2 8
0
2
4
6
8
10
x1
12
14
16
18
20
42
MÉTHODE DU SIMPLEXE
  • INTRODUCTION
  • développée initialement par George Dantzig en
    1947
  • seule méthode exacte pour solutionner des
    problèmes linéaires de grande taille
  • méthode itérative algébrique où lon circule
    séquentiellement sur les sommets à lintérieur de
    la zone de solution jusquà lobtention de la
    solution optimale

43
PROPRIÉTÉS DU SIMPLEXE
  • Zone de solution du problème linéaire toujours
    convexe
  • une surface est convexe si elle est située toute
    entière du même coté d un plan tangent
  • Sil existe une seule solution optimale au
    problème linéaire, elle est obligatoirement
    localisée sur un sommet de la zone de solution
  • Sil existe de multiples solutions optimales, au
    moins deux dentre elles doivent être localisées
    sur des sommets adjacents
  • Le nombre de sommets de la zone de solution est
    fini
  • Si la solution réalisable localisée à un sommet
    donné na pas de voisin adjacent dont la solution
    est supérieure, ce sommet est la solution optimale

44
ALGORITHME DU SIMPLEXE
  1. Déterminer une solution de base réalisable
  2. Vérifier si la solution actuelle est optimale
  3. Déterminer la variable hors base qui va devenir
    variable de base
  4. Déterminer la variable de base qui sortira de la
    solution
  5. Effectuer les opérations linéaires (pivots) selon
    la technique de Gauss-Jordan

45
ALGORITHME DU SIMPLEXE
46
MÉTHODE DU SIMPLEXE DÉFINITIONS
  • Systèmes déquations équivalents
  • Systèmes qui possèdent le même ensemble de
    solutions
  • Variable de base
  • Variable qui a un coefficient unitaire positif
    dans une des équations du système et un
    coefficient nul partout ailleurs
  • Opérations pivot
  • Opération de Gauss-Jordan pour transformer un
    système déquations équivalent dans lequel une
    variable devient de base
  • Système canonique
  • Système déquations où il y a une variable de
    base par équation
  • Solution de base
  • Système déquations où les variables hors base
    sont fixées à zéro résolu pour les variables de
    base

47
FORME CANONIQUE
  • PROBLÈME DE MAXIMISATION
  • PROBLÈME DE MINIMISATION

48
FORME NORMALISÉE
  • PROBLÈME DE MAXIMISATION
  • PROBLÈME DE MINIMISATION

49
MÉTHODE DU SIMPLEXE
  • FORME CANONIQUE
  • Max Z 3 x1 5 x2
  • sujet à
  • x1 ? 4
  • 2 x2 ? 12
  • 3 x1 2 x2 ?18
  • et
  • x1 ? 0, x2 ? 0

50
MÉTHODE DU SIMPLEXE
  • FORME NORMALISÉE
  • Max Z
  • Z - 3 x1 - 5 x2 0 (0)
  • x1 x3 4 (1)
  • 2 x2 x4 12 (2)
  • 3 x1 2 x2 x5 18 (3)
  • avec
  • xj ? 0, pour j 1, 2, 3, 4, 5

51
MÉTHODE DU SIMPLEXE
  • ÉTAPE DINITIALISATION
  • Déterminer une solution de base réalisable
  • Porter les variables hors base à zéro
  • Solutionner les variables de base
  • Exemple
  • z, x3, x4 et x5 sont les variables de base
  • x1 et x2 sont les variables hors base
  • On obtient
  • x1 0 et x2 0
  • x3 4, x4 12 et x5 18
  • z 0

52
MÉTHODE DU SIMPLEXE
  • VARIABLE ENTRANT DANS LA BASE
  • Variable hors base entrant dans la base
  • Celle qui sera choisie fera augmenter la valeur
    de la fonction objective le plus rapidement
    possible
  • Variable ayant le plus grand coefficient négatif
    (cas de maximisation)de léquation (0)
  • Exemple
  • X2 devient variable de base

53
MÉTHODE DU SIMPLEXE
  • VARIABLE SORTANT DE LA BASE
  • Variable qui limitera le plus rapidement la
    progression de la nouvelle variable de base
  • Exemple
  • si x2 entre dans la base
  • équation (2)
  • 2 x2 x4 12
  • x2 max 6
  • équation (3)
  • 3 x1 2 x2 x5 18
  • x2 max 9
  • limite maximale de x2 égale 6 sinon x4 devient
    négatif

54
MÉTHODE DU SIMPLEXE
  • OPÉRATIONS PIVOT
  • Système déquations original (variables de base
    en gras)
  • Z - 3 x1 - 5 x2 0 (0)
  • x1 x3 4 (1)
  • 2 x2 x4 12 (2)
  • 3 x1 2 x2 x5 18 (3)
  • Pour revenir à la forme canonique, il faut que
    les variables de base aient un coefficient
    unitaire dans une équation et nul dans les autres
  • Équation (2) multipliée par ½
  • 2 x2/2 x4/2 12 /2 (2)
  • x2 ½ x4 6 (2)
  • Il faut éliminer les termes x2 des autres
    équations

55
MÉTHODE DU SIMPLEXE
  • OPÉRATIONS PIVOT (suite)
  • Équation (0) ancienne (0) 5 équation (2)
  • Z - 3 x1 - 5 x2 0 (0)
  • 5 x2 5/2 x4 30 (2)
  • Z - 3 x1 5/2 x4 30 (0)
  • Équation (3) ancienne (3) 2 équation (2)
  • 3 x1 2 x2 x5 18 (3)
  • - 2 x2 - x4 -12 (2)
  • 3 x1 - x4 x5 6 (3)

56
MÉTHODE DU SIMPLEXE
  • OPÉRATIONS PIVOT (suite)
  • Nouveau système équivalent déquations
  • Z - 3 x1 - 5/2 x4 30 (0)
  • x1 x3 4 (1)
  • x2 ½ x4 6 (2)
  • 3 x1 - x4 x5 6 (3)

57
MÉTHODE DU SIMPLEXE
  • CRITÈRE DOPTIMALITÉ
  • Optimalité assurée lorsquil est impossible de
    faire augmenter (cas de maximisation) la valeur
    de z
  • Exemple
  • x1 peut faire augmenter z
  • Variable entrante x1
  • Variable sortante x5
  • équation (1)
  • x1 x3 4
  • x1 max 4
  • équation (3)
  • 3 x1 x4 x5 6
  • x1 max 2

58
MÉTHODE DU SIMPLEXE
  • SOLUTION OPTIMALE
  • Système équivalent déquations
  • Z 3/2 x4 x5 36 (0)
  • x3 1/3 x4 - 1/3 x5 2 (1)
  • x2 ½ x4 6 (2)
  • x1 - 1/3 x4 1/3 x5 2 (3)
  • Variables hors base
  • x4 0, x5 0
  • Variables de base
  • x1 2, x2 6, x3 2
  • Fonction objective
  • z 36

59
SIMPLEXE SOUS FORME TABULAIRE
  • Méthode essentiellement identique
  • Informations
  • Coefficients des variables
  • Constantes des équations
  • Variables de base de chaque équation

60
SIMPLEXE SOUS FORME TABULAIRE
  • Initialisation
  • Critère doptimalité
  • Coefficients de léquation (0) non négatifs ?
  • Itération 1
  • Variable entrante x2
  • Entourer la colonne pivot
  • Variable sortante x4
  • Entourer la ligne pivot
  • Point pivot à lintersection
  • Transformation de Gauss-Jordan

61
SIMPLEXE SOUS FORME TABULAIRE
  • Itération 1 (suite)
  • Diviser la ligne pivot par le nombre pivot

62
SIMPLEXE SOUS FORME TABULAIRE
  • Itération 1 (suite)
  • Appliquer les transformations
  • Nouvelle solution
  • z 30
  • Solution (0, 6, 4, 0, 6)

63
SIMPLEXE SOUS FORME TABULAIRE
  • Itération 2
  • Solution
  • (2, 6, 2, 0, 0)
  • z 36

64
SIMPLEXE SOUS FORME TABULAIRE
  • Ensemble complet

65
SIMPLEXESOUS FORME MATRICIELLE
  • Forme canonique

66
SIMPLEXESOUS FORME MATRICIELLE
  • Forme normalisée

67
SIMPLEXESOUS FORME MATRICIELLE
  • Problème

68
SIMPLEXESOUS FORME MATRICIELLE
  • Itération 0
  • X2 entre
  • X4 sort

69
SIMPLEXESOUS FORME MATRICIELLE
  • Itération 1
  • X1 entre
  • X5 sort

70
SIMPLEXESOUS FORME MATRICIELLE
  • Itération 2

71
RÉSOLUTION AVECMICROSOFT EXCEL
72
RÉSOLUTION AVEC LINDO
73
MÉTHODE DU SIMPLEXE
  • SITUATIONS PARTICULIÈRES
  • Égalité des profits relatifs
  • Choix aléatoire de la variable
  • Égalité des ratios
  • Choix aléatoire
  • Situation de dégénérescence remonter à létape
    des ratios identiques
  • Solution non bornée
  • En pratique, une contrainte est absente
  • Solutions multiples
  • Variables hors base avec des coefficients nuls
    dans la fonction objective

74
MÉTHODE DU SIMPLEXE
  • VARIABLES ARTIFICIELLES
  • Cas ?
  • ai1 x1 ai2 x2 ai3 x3 ain xn ? bi
  • Ajout dune variable décart
  • ai1 x1 ai2 x2 ai3 x3 ain xn xm bi
  • Coefficient de la variable décart négatif ne
    peut servir comme variable de base
  • Ajout dune variable artificielle
  • ai1 x1 ai2 x2 ai3 x3 ain xn xm xa
    bi

75
MÉTHODE DU SIMPLEXE
  • VARIABLES ARTIFICIELLES
  • Cas
  • Lajout dune variable artificielle permet
    linsertion dune variable de base dans la
    solution de départ
  • Les variables artificielles sont éliminées de la
    solution en leur assignant une pénalité
    importante dans la fonction objective
  • RÉSOLUTION
  • Méthode du grand M
  • Méthode des deux phases

76
DUALITÉ
  • PROBLÈME PRIMAL PROBLÈME DUAL

77
EXEMPLE DE DUALITÉ
  • Le problème dual du programme
  • Max z x1 4x2
  • Sujet à
  • x1 x2 ? 2
  • 2x1 x2 ? 5
  • x2 ? 3
  • x1, x2 ? 0
  • est Min w 2y1 5y2 3y3
  • Sujet à
  • y1 2y2 ? 1
  • -y1 y2 y3 ? 4
  • y1, y2 , y3 ? 0

78
DUALITÉ
79
EXERCICE
  • Utiliser la méthode du simplexe
  • Max Z 4 x1 3 x2 6 x3
  • Sujet à
  • 3 x1 x2 3 x3 ? 30
  • 2 x1 2 x2 3 x3 ? 40
  • et
  • x1 ? 0, x2 ? 0, x3 ? 0

80
PROBLÈME DE TRANSPORT
  • EXEMPLE
  • Une municipalité possède 3 serres pour fournir 4
    parcs
  • Capacité de production des serres C1, C2 et C3
  • Demande hebdomadaire D1, D2 et D3
  • Coût unitaire de transport Cij

81
PROBLÈME DE TRANSPORT
  • FORMULATION DU PROBLÈME

82
EXERCICE
  • 3 serres
  • S1 3
  • S2 7
  • S3 5
  • 4 parcs
  • P1 4
  • P2 3
  • P3 4
  • P4 4
  • Coûts dexpédition

83
EXERCICE
  • 4 usines et 3 centres de distribution

Distribution Usines M1 M2 M3 Disponibilité
W1 4 3 7 140
W2 5 2 10 100
W3 13 8 17 60
W4 9 3 11 40
Demande 120 20 200
84
PROGRAMMATION LINÉAIRE EN NOMBRE ENTIER
  • Max Z 10 x1 50 x2
  • Sujet à
  • -x1 2 x2 ? 5
  • x1 2 x2 ? 14
  • x1 ? 8
  • et
  • x1 ? 0, x2 ? 0
  • x1, x2 entiers

85
PROGRAMMATION LINÉAIRE EN NOMBRE ENTIER
86
PROGRAMMATION LINÉAIRE EN NOMBRE ENTIER
87
PROGRAMMATION LINÉAIRE EN NOMBRE ENTIER
  • Méthode de séparation et dévaluation progressive
    (Branch-and-Bound Technique)
  • Choix de la variable de séparation
  • Critère de la variable la plus distante
  • Critère du meilleur cj

88
Critère de la variable la plus distante Séparation
selon x1
89
Critère de la variable la plus distante Séparation
à partir de P2
90
Critère de la variable la plus distante Séparation
à partir de P1
91
Critère du meilleur cj
92
PROGRAMMATION LINÉAIRE EN NOMBRE ENTIER
93
(No Transcript)
Write a Comment
User Comments (0)
About PowerShow.com