Cours de recherche opérationnelle I

Dimension: px
Commencer à balayer dès la page:

Download "Cours de recherche opérationnelle I"

Transcription

1 1 Cours de recherche opérationnelle I Nadia Brauner Grenoble,

2 Auteurs Ont participé à la rédaction de ce cours (par ordre d arrivée) Nadia Brauner Christophe Rapine Julien Moncel Laurent Beaudou Ont aidé, corrigé, relu et donné des idées Gerd Finke Yann Kieffer Van Dat Cung Ont donné les TD et proposé des exercices Ayse Akbalik Aline Parreau Sergei Lenglet Guillaume Massonnet 2

3 Formations à Grenoble Formation initiale RO à l UJF (M1 Info, L3 Miage, Polytech RICM4) Gestion de la production à l UJF (M1 Miage) Optimisation pour l énergie (M2 Miage) Outils Formels et Graphes (Polytech RICM2) RO à l ENSIMAG (1A, 2A) RO à l ENSGI (1A, 2A) Master 2 Mathématiques et Informatique, Option Recherche Opérationnelle, Combinatoire et Optimisation Formation continue Recherche opérationnelle (tous les ans, 4 jours) Graphes et optimisation (tous les ans, 3 jours) 3

4 Recherche Opérationnelle : faisons connaissance Nadia Brauner Nadia Professeur Grenoble I Responsable Master 2 R ROCO Recherche Opérationnelle, Combinatoire et Optimisation Laboratoire équipe Recherche Opérationnelle équipe Opti-Com Présidente de la Société Française de RO-AD 4

5 Recherche Opérationnelle : faisons connaissance Problèmes théoriques Ordonnancement high-multiplicity ( NP?) Ordonnancement dans ateliers robotisées OC appliquée à la micro-électronique Contrats industriels ILOG : Problèmes complexes de transport IFP : Planification d expériences chimiques de Facto : Optimisation du test des circuits Participation à la création d une startup OASIC : optimisation de la conception de cellules logiques 5

6 La recherche opérationnelle

7 La Recherche Opérationnelle Applications Outils La RO en France Références Plan 1 La Recherche Opérationnelle 2 Applications 3 Outils 4 La RO en France 5 Références N. Brauner 7

8 La Recherche Opérationnelle Applications Outils La RO en France Références Plan 1 La Recherche Opérationnelle 2 Applications 3 Outils 4 La RO en France 5 Références N. Brauner 8

9 La Recherche Opérationnelle Applications Outils La RO en France Références Recherche Opérationnelle ou Science de la Décision Définitions Cambridge Dictionary Operational research UK (US operations research) The systematic study of how best to solve problems in business and industry Wikipedia Operations research, operational research, or simply OR, is the use of mathematical models, statistics and algorithms to aid in decision-making Roadef Recherche Opérationnelle : approche scientifique pour la résolution de problèmes de gestion de systèmes complexes N. Brauner 9

10 La Recherche Opérationnelle Applications Outils La RO en France Références Recherche Opérationnelle Science du comment mieux faire avec moins Des outils pour rationaliser simuler optimiser planifier l architecture et le fonctionnement des systèmes industriels et économiques. Des modèles pour analyser des situations complexes Permet aux décideurs de faire des choix efficaces et robustes N. Brauner 10

11 La Recherche Opérationnelle Applications Outils La RO en France Références Recherche Opérationnelle Approche quantitative pour produire les meilleures décisions Une discipline à la croisée des mathématiques et de l informatique prolongement de l algorithmique manipulant des structures plus élaborées : graphes, polyèdres... domaine d application de la théorie de la complexité algorithmique Une boite à outils de méthodes, tant positives que négatives, pour aborder sainement et sereinement les problèmes d optimisation N. Brauner 11

12 La Recherche Opérationnelle Applications Outils La RO en France Références Recherche Opérationnelle Les outils de RO-AD aident à trouver une solution où l homme n en trouvait pas une solution sur des problèmes nouveaux où l homme n a aucune expérience plusieurs solutions là où l homme n en envisageait qu une aident à juger de la qualité d une solution aident à confirmer / justifier des décisions N. Brauner 12

13 La Recherche Opérationnelle Applications Outils La RO en France Références Plan 1 La Recherche Opérationnelle 2 Applications 3 Outils 4 La RO en France 5 Références N. Brauner 13

14 La Recherche Opérationnelle Applications Outils La RO en France Références Recherche Opérationnelle Voyageur de commerce (TSP) Un voyageur de commerce, basé à Toulon, doit visiter ses clients à travers la France. Il souhaite effectuer la tournée la plus courte possible. N. Brauner 14

15 La Recherche Opérationnelle Applications Outils La RO en France Références Recherche Opérationnelle Voyageur de commerce Instance : n villes avec une matrice de distances Solution : tournée visitant chaque ville et revenant à Toulon N. Brauner 15

16 La Recherche Opérationnelle Applications Outils La RO en France Références Recherche Opérationnelle Algorithme Glouton pour le TSP N. Brauner 16

17 La Recherche Opérationnelle Applications Outils La RO en France Références Recherche Opérationnelle Transport de marchandises des entrepôts vers les clients coûts de transport, distance sur les arcs trouver le meilleur plan de distribution a i i c ij j b j A B min c ij x ij x ij a i j B x ij b j i A x ij 0 N. Brauner 17

18 La Recherche Opérationnelle Applications Outils La RO en France Références Recherche Opérationnelle Applications Plus court chemin Quel est le trajet le plus court entre Grenoble et Nice en voiture? N. Brauner 18

19 La Recherche Opérationnelle Applications Outils La RO en France Références Recherche Opérationnelle 24h de RO 8h : optimisation de la récolte et du dépôt des déchets recyclables... 15h : placement automatique des véhicules pour une association de partage de voitures 16h : gestion des retards dans les transports publics pour minimiser l impact sur les passagers... N. Brauner 19

20 La Recherche Opérationnelle Applications Outils La RO en France Références Recherche Opérationnelle le 15 octobre 2012 : N. Brauner 20

21 La Recherche Opérationnelle Applications Outils La RO en France Références The Sveriges Riksbank Prize in Economic Sciences in Memory of Alfred Nobel 2012 Alvin E. Roth, Lloyd S. Shapley English English (pdf) Swedish Swedish (pdf) Press Release 15 October 2012 The Royal Swedish Academy of Sciences has decided to award The Sveriges Riksbank Prize in Economic Sciences in Memory of Alfred Nobel for 2012 to Alvin E. Roth Harvard University, Cambridge, MA, USA, and Harvard Business School, Boston, MA, USA and Lloyd S. Shapley University of California, Los Angeles, CA, USA "for the theory of stable allocations and the practice of market design". N. Brauner 21

22 La Recherche Opérationnelle Applications Outils La RO en France Références Mariages stables Mariages stables Des femmes : Alice, Bénédicte, Camille Des hommes : Elie, François, Gondran Préférences des femmes A : G E F B : F E G C : G E F Préférences des hommes E : A B C F : B C A G : A C B Comment faire les couples? N. Brauner 22

23 La Recherche Opérationnelle Applications Outils La RO en France Références Mariages stables Un couplage est instable s il contient deux personnes A et B non mariées ensemble qui se préfèrent mutuellement à leurs conjoints : F est mariée avec g G est marié avec f F préfère G à g G préfère F à f Questions Comment vérifier qu un couplage est stable? Est-ce qu il existe toujours un couplage stable? Est-ce qu on sait trouver un couplage stable quand il existe? N. Brauner 23

24 La Recherche Opérationnelle Applications Outils La RO en France Références Mariages stables Applications Situations où les mécanismes de marchés traditionnels ne fonctionnent pas Répartition de biens rares, hétérogènes, indivisibles Affectations de candidats sur des places élèves - écoles d ingénieur travailleurs - postes internes - hôpitaux étudiants - universités Dons d organes (reins) N. Brauner 24

25 La Recherche Opérationnelle Applications Outils La RO en France Références Recherche Opérationnelle Les challenges ROADEF Gestion d énergie (EDF) 2009 Gestion des perturbations dans le transport aérien (Amadeus) 2007 Planification des techniciens et des interventions pour les télécommunications (France Telecom) 2005 Ordonnancement de véhicules pour une chaîne de montage automobile (Renault) 2003 Gestion des prises de vue réalisées par un satellite d observation de la Terre (ONERA et CNES) 2001 Allocation de fréquences avec polarisation (CELAR, armée) 1999 Gestion de stock de matériels (Bouygues) N. Brauner 25

26 La Recherche Opérationnelle Applications Outils La RO en France Références Recherche Opérationnelle Le challenges ROADEF/EURO 2012 Réaffectation de machines Proposé par Google 82 équipes enregistrées dans 33 pays 30 équipes qualifiées Vainqueur Junior : équipe polonaise Vainqueur Open Source et Senior : équipe bosniaques N. Brauner 26

27 La Recherche Ope rationnelle Applications Outils La RO en France Re fe rences Recherche Ope rationnelle Le challenges ROADEF/EURO 2014 Trains don t vanish! Propose par SNCF 35 e quipes enregistre es Vainqueur Sprint : e tudiants du Master N. Brauner 27

28 La Recherche Opérationnelle Applications Outils La RO en France Références Introduction et historique de la RO Mesure de performance de la RO Ingrédients d une bonne approche RO L enseignement de la RO Le serious game, un outil pour convaincre Faut-il un modèle simple ou haute fidélité? Solutions robustes RO, SI et capacités de calcul N. Brauner 28

29 La Recherche Ope rationnelle Applications Outils La RO en France Re fe rences Emmanuel Guyot, Directeur Marketing et Revenue Management TF1 PUBLICITE Yves Caseau, Executive Vice-Pre sident BOUYGUES TELECOM Animation : Denis Montaut, Pre sident d Eurode cision Nadia Brauner, Pre sidente de la Roadef, G-SCOP Yvon Que rou, Directeur Informatique AIR FRANCE Jean-Charles Billaut, Professeur a l Universite de Tours Jean-Paul Hamon, ex Executive Vice-Pre sident De veloppement AMADEUS N. Brauner 29

30 La Recherche Opérationnelle Applications Outils La RO en France Références Recherche Opérationnelle Domaines d application Conception, configuration et exploitation de systèmes techniques complexes (réseaux de communication, systèmes d information) Gestion de la chaîne logistique (transports, production, stocks... ) Gestion stratégique d investissements et aussi santé, instruction publique, voirie, ramassage et distribution de courrier, production et transport d énergie, télécommunications, banques, assurances... N. Brauner 30

31 La Recherche Opérationnelle Applications Outils La RO en France Références Recherche Opérationnelle Domaines d application Production : maximiser le profit selon disponibilité de la main d œuvre, demande du marché, capacité de production, prix de revient du matériau brut... Transport : minimiser distance totale parcourue selon quantités de matériaux à transporter, capacité des transporteurs, points de ravitaillement en carburant... grande importance dans le milieu industriel : production, transport, emploi du temps, finance... N. Brauner 31

32 La Recherche Opérationnelle Applications Outils La RO en France Références Recherche Opérationnelle Face à un problème pratique de décision Aspects mathématiques contraintes, objectifs, simplifications Modélisation graphes, programmation linéaire, PPC... Analyse des modèles et résolution étude de complexité : que peut-on espérer pour le temps de résolution imparti? mise au point d algorithmes Implémentation et analyse des résultats valider par rapport à la demande itérer avec le demandeur si nécessaire Déploiement des solutions Intégration logicielle N. Brauner 32

33 La Recherche Opérationnelle Applications Outils La RO en France Références Plan 1 La Recherche Opérationnelle 2 Applications 3 Outils 4 La RO en France 5 Références N. Brauner 33

34 La Recherche Opérationnelle Applications Outils La RO en France Références Recherche Opérationnelle Programmation linéaire min le coût / max le profit min / max c 1 x 1 + c 2 x 2... c n x n satisfaire la demande a 1 x 1 + a 2 x 2... a n x n b 1 avec des ressources limitées a 1 x 1 + a 2 x 2... a nx n b 1 quantités produites x 1, x 2... x n 0 N. Brauner 34

35 La Recherche Opérationnelle Applications Outils La RO en France Références Recherche Opérationnelle Optimisation Combinatoire Trouver la meilleure solution parmi un nombre fini mais très grand de choix Un problème d OC se caractérise par : La présence de choix, à faire parmi un ensemble fini d alternatives Une notion de coût, ou de gain, ou de perte La nécessité de faire globalement les bons choix, de manière à optimiser la valeur objectif exemples : emplois du temps... Combinatoire échiquier tronqué N. Brauner 35

36 La Recherche Opérationnelle Applications Outils La RO en France Références Recherche Opérationnelle Graphes a 5 sommet b arête Valuation des arêtes = coûts, temps, distance, capacités... meilleur chemin de i à j meilleurs parcours passant par chaque ville passant par chaque arête... Représentation de réseaux, de précédences en ordonnancement, de compatibilité de produits... N. Brauner 36

37 La Recherche Opérationnelle Applications Outils La RO en France Références Recherche Opérationnelle Autre outils Files d attente Stochastique Simulation À l interface de Informatique : algorithmique Mathématiques : modélisation Économie : gestion, stratégie dessin de Lionel Lagarde N. Brauner 37

38 La Recherche Opérationnelle Applications Outils La RO en France Références Plan 1 La Recherche Opérationnelle 2 Applications 3 Outils 4 La RO en France 5 Références N. Brauner 38

39 La Recherche Opérationnelle Applications Outils La RO en France Références Recherche Opérationnelle : entreprises en France Grands groupes avec un pôle R&D en RO Airfrance La SNCF EDF France Telecom Bouygues GDF Suez La poste Renault Air Liquide SFR Google N. Brauner 39

40 La Recherche Opérationnelle Applications Outils La RO en France Références Recherche Opérationnelle : entreprises en France Pour les autres entreprises Sociétés de conseil spécialisées Logiciels sur étagère Laboratoires académiques N. Brauner 40

41 La Recherche Opérationnelle Applications Outils La RO en France Références Recherche Opérationnelle : entreprises en France Sociétés de conseil accompagnent les industriels pour mettre en place des systèmes d aide à la décision EURODECISION Conseil en optimisation des ressources et planification de la production, outils d aide à la décision ARTELYS Solutions en optimisation... N. Brauner 41

42 La Recherche Opérationnelle Applications Outils La RO en France Références Recherche Opérationnelle : entreprises en France Éditeurs de logiciels librairies dédiées à des problèmes mathématiques ILOG (IBM) Optimization tools and engines, Visualization software components, Supply chain applications COSYTEC offrir des solutions logicielles, à base de technologie de programmation par contraintes, pour résoudre des problèmes d optimisation des ressources FICO et ARTELYS Fico XPress : logiciels de modélisation de problèmes linéaires ou quadratiques avec variables réelles ou entières Knitro : optimiseur non linéaire Artelys Kalis : Programmation par contraintes... N. Brauner 42

43 La Recherche Opérationnelle Applications Outils La RO en France Références Recherche Opérationnelle : entreprises en France Éditeurs de logiciels librairies dédiées à des problèmes métiers ALMA : Placement et découpe ex : petit bateau (habits), chantiers navals AMADEUS : Voyage plateforme de réservation centralisée pour l industrie du voyage et outils de gestion des compagnies aériennes Optilogistics : transport et logistique progiciels d optimisation de tournées et de planification du transport Ordecsys, Oracle... N. Brauner 43

44 La Recherche Ope rationnelle Applications Outils La RO en France Re fe rences Recherche Ope rationnelle : entreprises en France Alma : De coupe N. Brauner 44

45 La Recherche Opérationnelle Applications Outils La RO en France Références Recherche Opérationnelle : en France Et dans le monde académique enquête 2010 de la Roadef 75 équipes ou laboratoires 1400 membres 700 chercheurs, enseignants chercheurs, ingénieurs de recherche permanents 500 doctorants N. Brauner 45

46 La Recherche Ope rationnelle Applications Outils La RO en France Re fe rences Recherche Ope rationnelle : pour en savoir plus Le Livre Blanc de la Recherche Ope rationnelle en France Comment les industriels s organisent D incontestables re ussites Socie te s de conseil et e diteurs de logiciels N. Brauner 46

47 La Recherche Opérationnelle Applications Outils La RO en France Références Plan 1 La Recherche Opérationnelle 2 Applications 3 Outils 4 La RO en France 5 Références N. Brauner 47

48 La Recherche Opérationnelle Applications Outils La RO en France Références Bibliographie de Werra, D., Liebling, T.-M., and Hêche, J.-F. Recherche Opérationnelle pour Ingénieurs, Tome 1. Presses Polytechniques et Universitaires Romandes, Sakarovitch, M. Optimisation Combinatoire, Graphes et Programmation Linéaire. Hermann, Enseignement des sciences, Paris, Sakarovitch, M. Optimisation Combinatoire, Programmation Discrète. Hermann, Enseignement des sciences, Paris, Wolsey, L. A. Integer Programming. Wiley-Interscience, N. Brauner 48

49 La Recherche Opérationnelle Applications Outils La RO en France Références Webographie Cours Poly de cours Compléments au cours M2R de Recherche Opérationnelle, Combinatoire et Optim. Vie de la RO en France Société française de RO Groupe de Recherche en RO du CNRS Séminaire de recherche en optim. combinatoire à Grenoble N. Brauner 49

50 La Recherche Opérationnelle Applications Outils La RO en France Références Webographie Collection de ressources pour la RO Logiciels pour la RO Blogs sur la RO Des challenges industriels internationaux en RO N. Brauner 50

51 La Recherche Opérationnelle Applications Outils La RO en France Références Recherche Opérationnelle En conclusion faire le mieux coût min, meilleur profit, plus courte distance, le plus rapide... avec les ressources disponibles temps machine, postes de travail, mémoire, ressource homme, matière première, camions... Dessins de L. Lagarde N. Brauner 51

52 Programmation linéaire

53 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Plan 6 Introduction à la programmation linéaire 7 Interprétation géométrique 8 Bases et points extrêmes 9 L algorithme du simplexe N. Brauner 53

54 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Plan 6 Introduction à la programmation linéaire 7 Interprétation géométrique 8 Bases et points extrêmes 9 L algorithme du simplexe N. Brauner 54

55 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Programmation linéaire Cadre de la PL Programmation linéaire nombre fini de variables réelles, contraintes linéaires, objectif linéaire Variables x 1, x 2... x n réelles Contrainte générique (contrainte i) : n a ij x j b i j=1 Fonction-objectif générique (à maximiser / minimiser) : n f (x 1, x 2... x n ) = c j x j j=1 N. Brauner 55

56 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Programmation linéaire Exemple : culture de courgettes et navets Contraintes concernant les quantités d engrais et d anti-parasites 8l engrais A disponible 2l/m 2 nécessaires pour courgettes, 1l/m 2 pour navets 7l engrais B disponible 1l/m 2 nécessaires pour courgettes, 2l/m 2 pour navets 3l anti-parasites disponible 1l/m 2 nécessaires pour navets Objectif : produire le maximum (en poids) de légumes, sachant que rendements = 4kg/m 2 courgettes, 5kg/m 2 navets N. Brauner 56

57 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Programmation linéaire Exemple : culture de courgettes et navets Variables de décision x c : surface de courgettes x n : surface de navets Fonction objectif max 4x c + 5x n Contraintes 2x c + x n 8 (engrais A) x c + 2x n 7 (engrais B) x n 3 (anti-parasites) x c 0 et x n 0 N. Brauner 57

58 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Programmation linéaire Intérêt de la PL Problème général d optimisation sous contraintes AUCUNE méthode GÉNÉRALE de résolution!! Problème linéaire quelconque existence de méthodes de résolution générales et efficaces Ces méthodes sont efficaces en théorie et en pratique existence de nombreux logiciels de résolution : Excel, CPLEX, Mathematica, LP-Solve... Cadre restrictif variables réelles contraintes linéaires objectif linéaire N. Brauner 58

59 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Programmation linéaire Représentation in extenso max 4x c + 5x n 2x c + x n 8 (engrais A) x c + 2x n 7 (engrais B) x n 3 (anti-parasites) x c 0 et x n 0 Représentation matricielle ( ) xc max (4 5) ( xc x n x n ) x c 0 x n 0 N. Brauner 59

60 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Programmation linéaire Représentation in extenso max z = s.c. j c jx j j a ijx j = b i i = 1, 2... m x j 0 j = 1, 2... n N. Brauner 60

61 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Programmation linéaire second membre b = b 1 b 2. b m matrice de format m n a 11 a a 1n a 21 a a 2n A =... a m1 a m2... a mn coût (ou profit) c = (c 1, c 2... c n ) n var. de décision X = Représentation matricielle max z = cx s.c. Ax = x 1 x 2. x n b x 0 N. Brauner 61

62 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Programmation linéaire Vocabulaire x i variable de décision du problème x = (x 1,..., x n ) solution réalisable (admissible) ssi elle satisfait toutes les contraintes ensemble des solutions réalisables = domaine ou région admissible x = (x 1,..., x n ) solution optimale ssi elle est réalisable et optimise la fonction-objectif contraintes inégalité ou égalité linéaire a 11 x 1 + a 12 x a 1n x n b 1 a 21 x 1 + a 22 x a 2n x n b 2 a 31 x 1 + a 32 x a 3n x n = b 3 fonction objectif (ou fonction économique) linéaire max / min c 1 x 1 + c 2 x c n x n N. Brauner 62

63 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Programmation linéaire Applications Feuille de TD : Programmation linéaire Exercice Production de vins Exercice Publicité Exercice Compagnie aérienne Exercice Fabrication d huile d olives Exercice Laiterie Exercice Bergamote N. Brauner 63

64 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Programmation linéaire Forme canonique d un PL maximisation toutes les variables sont non négatives toutes les contraintes sont des inéquations du type max z = j c jx j s.c. j a ijx j b i i = 1, 2... m forme matricielle x j 0 j = 1, 2... n max z = cx s.c. Ax b x 0 N. Brauner 64

65 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Programmation linéaire Forme standard d un PL maximisation toutes les variables sont non négatives toutes les contraintes sont des équations max z = j c jx j s.c. j a ijx j = b i i = 1, 2... m forme matricielle x j 0 j = 1, 2... n max z = cx s.c. Ax = b x 0 N. Brauner 65

66 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Programmation linéaire Passage entre les formes équation inéquation ax = b { ax b ax b max min max f (x) = min f (x) inéquation équation : ajouter une variable d écart ax b ax + s = b, s 0 ax b ax s = b, s 0 variable non contrainte variables positives x 0 { x = x + x x +, x 0 N. Brauner 66

67 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Programmation linéaire Passage entre les formes Feuille de TD : Programmation linéaire Exercice Formes linéaires et canoniques N. Brauner 67

68 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Programmation linéaire Linéariser un problème non linéaire e i : expression linéaire des variables de décision obj : min max{e 1, e 2... e n } { min y y e i i = 1, 2... n obj : max min{e 1, e 2... e n } { max y y e i i = 1, 2... n obj : min e 1 e = max(e, e) min y y e 1 y e 1 min e + + e e 1 = e + e e +, e 0 N. Brauner 68

69 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Programmation linéaire Linéariser un problème non linéaire Feuille de TD : Programmation linéaire Exercice Linéarisation N. Brauner 69

70 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Programmation linéaire Un peu d histoire années : Kantorovitch, économiste soviétique modèles linéaires pour la planification et l optimisation de la production années : Dantzig, mathématicien américain algorithme du simplexe application historique Opérations Vittles et Plainfare pour ravitaillement de la trizone pendant le blocus de Berlin par pont aérien (23 juin mai 1949) simplexe exécuté à la main (des milliers de variables), jusqu à tonnes de matériel par jour! 1975 : prix Nobel économie Kantorovitch XXIème siècle : logiciels de PL disponibles partout, utilisation de la PL dans tous les domaines industriels... N. Brauner 70

71 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Plan 6 Introduction à la programmation linéaire 7 Interprétation géométrique 8 Bases et points extrêmes 9 L algorithme du simplexe N. Brauner 71

72 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Interprétation géométrique Exemple : culture de courgettes et navets Variables de décision x c : surface de courgettes x n : surface de navets Fonction objectif max 4x c + 5x n Contraintes 2x c + x n 8 (engrais A) x c + 2x n 7 (engrais B) x n 3 (anti-parasites) x c 0 et x n 0 N. Brauner 72

73 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Interprétation géométrique Interpréter les contraintes courgettes et navets 2x + y 8 demi-plan de R 2 x + 2y 7 demi-plan y 3 demi-plan x 0 et y 0 demi-plans Ensemble des solutions réalisables = intersection de ces demi-plans : polyèdre y x N. Brauner 73

74 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Interprétation géométrique Optimiser l objectif Les lignes de niveau {4x + 5y = constante} sont des droites parallèles y 4x 5y=10 4x 5y=18 4x 5y=22 4x 5y=25 x N. Brauner 74

75 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Interprétation géométrique Géométrie d un PL L ensemble des solutions réalisables est toujours un polyèdre (intersection de demi-espaces) Les lignes de niveau {f = constante} de la fonction-objectif f sont des hyperplans affines (n = 2 droite, n = 3 plan...) N. Brauner 75

76 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Interprétation géométrique Géométrie d un PL Optimum atteint au bord L optimum de la fonction-objectif, s il existe, est atteint en (au moins) un sommet du polyèdre. Justification mathématique : les dérivées partielles de f (x) = c.x ne s annulent jamais, et le domaine {x n j=1 a ijx j b i, i = 1,..., m} est compact l optimum est atteint au bord... N. Brauner 76

77 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Programmation linéaire Solutions d un PL La région admissible peut être vide nb solutions optimales : 0 non vide, bornée nb solutions optimales : 1 ou non vide, non bornée nb solutions optimales : 0 ou 1 ou Proposer des exemples de PL pour chacun des cas Feuille de TD : Programmation linéaire Exercice Résolution graphique Exercice Toujours plus de bénéfices! N. Brauner 77

78 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Plan 6 Introduction à la programmation linéaire 7 Interprétation géométrique 8 Bases et points extrêmes 9 L algorithme du simplexe N. Brauner 85

79 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Bases et points extrêmes Rappels max z = cx s.c. Ax b x 0 Les contraintes définissent un polyèdre A matrice m n x = (x 1 x 2... x n ) b = (b 1 b 2... b m ) c = (c 1 c 2... c n ) La solution optimale est un sommet du polyèdre Comment énumérer les sommets d un polyèdre? N. Brauner 86

80 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Bases et points extrêmes Passage à la forme standard Forme standard On peut rajouter des variables d écart : n a ij x j b i j=1 n a ij x j + e i = b i, e i 0 j=1 PL standard : max z(x) = c.x s.c Ax = b x 0 On travaille dans un espace de dimension plus grande, mais toutes les contraintes sont des égalités. Manipulations algébriques plus aisées N. Brauner 87

81 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Bases et points extrêmes Passage à la forme standard max z = 4x + 5y s.c. 2x + y 8 x + 2y 7 y 3 x, y 0 y max z = 4x + 5y s.c. 2x + y + e 1 = 8 x + 2y + e 2 = 7 y + e 3 = 3 x, y, e 1, e 2, e points intéressants (intersection de contraintes) 5 points admissibles x énumération de ces 9 points comme solution de la forme standard (solutions de base) N. Brauner 88

82 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Bases et points extrêmes s.c. 2x + y + e 1 = 8 x + 2y + e 2 = 7 y + e 3 = 3 x, y, e 1, e 2, e 3 0 x y e 1 e 2 e 3 sol de base admiss. pt extrême (0,0) (0,3) (4,0) (3,2) (1,3) {points extrêmes} {solutions de base admissibles} N. Brauner 89

83 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Bases et points extrêmes Système linéaire Ax=b A format m n, rang A = m n Base de A : sous-matrice B(m m) inversible de A A = (B, N) ( ) xb (B, N) = b ou Bx B + Nx N = b x N x B = B 1 b B 1 Nx N Solution de base associée à B : x N = 0 variables hors base x B = B 1 b variables de base N. Brauner 90

84 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Bases et points extrêmes Applications Feuille de TD : Programmation linéaire Exercice Bases *2 Exercice Solutions de bases et points extrêmes N. Brauner 91

85 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Bases et points extrêmes Base et solution de base 2x + y + e 1 = 8 x + 2y + e 2 = 7 y + e 3 = 3 x, y, e 1, e 2, e 3 0 Base initiale? {e 1, e 2, e 3 } par exemple : 2x + y + e 1 = 8 x + 2y + e 2 = 7 y + e 3 = 3 e 1 = 8 2x y e 2 = 7 x 2y e 3 = 3 y e 1, e 2, e 3 = variables de base, x, y = variables hors base N. Brauner 92

86 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Bases et points extrêmes Base et solution de base e 1 = 8 2x y e 2 = 7 x 2y e 3 = 3 y on met les variables hors base à 0 on en déduit les valeur des variables de base e 1 = 8 2x y = 8 x = y = 0 e 2 = 7 x 2y = 7 e 3 = 3 y = 3 N. Brauner 93

87 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Bases et points extrêmes Ax = b, x 0 (x B, 0) associée à B est une solution de base admissible si x B 0 {points extrêmes du polyèdre} {solutions de base admissibles du système linéaire correspondant} nombre de points extrêmes C m n = n! m!(n m)! solution de base dégénérée : certaines variables de base sont nulles si A est inversible : solution de base unique N. Brauner 94

88 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Bases et points extrêmes Base voisine et pivotage Bases voisines Deux sommets voisins correspondent à deux bases B et B telles qu on remplace une variable de B pour obtenir B passer à un sommet voisin = changer de base (base voisine) principe du pivotage N. Brauner 95

89 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Bases et points extrêmes Qui faire entrer dans la base? Essayons avec y : quelle est la valeur max que pourra avoir y? e 1 = 8 2x y 0 y 8 e 2 = 7 x 2y 0 y 3.5 e 3 = 3 y 0 y 3 Bilan : y max = 3, pour y = y max on a e 1 = 5 2x, e 2 = 1 x, et e 3 = 0 candidat pour une nouvelle base : {e 1, e 2, e 3 } {y} \ {e 3 } = {e 1, e 2, y} (x, y, e 1, e 2, e 3 ) = (0, 3, 5, 1, 0) N. Brauner 96

90 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe Plan 6 Introduction à la programmation linéaire 7 Interprétation géométrique 8 Bases et points extrêmes 9 L algorithme du simplexe N. Brauner 97

91 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe Vers un algorithme de résolution Méthode de résolution naïve : énumérer tous les sommets, calculer f sur ces points, prendre le sommet pour lequel f est optimisé : fonctionne : nombre fini de sommets limitation : ce nombre peut être très grand en général... L algorithme du simplexe (G. B. Dantzig 1947) Algorithme itératif permettant de résoudre un problème de programmation linéaire. N. Brauner 98

92 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe Principe d amélioration locale À partir d un sommet, chercher un sommet voisin qui améliore l objectif. Principe d amélioration locale (maximisation) : Soit x 0 sommet non optimum. Alors il existe x, un sommet voisin de x 0, tel que f (x) > f (x 0 ). Méthode de résolution : on part d un sommet x 0 quelconque, on passe à un sommet voisin pour lequel f augmente, et ainsi de suite. Remarque : on passe d un problème continu (variables réelles) à un problème discret (nombre fini de sommets)... N. Brauner 99

93 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe Illustration 2D : courgettes et navets x 0 = (0, 0), z = 0 x = (0, 3), z = 15 x 0 = (0, 3), z = 15 x = (1, 3), z = 19 x 0 = (1, 3), z = 19 x = (3, 2), z = 22 y z = 4x + 5y x = 3,2, z =22 x plus d amélioration locale possible optimum N. Brauner 100

94 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe Illustration concrète Standardisation : Maximiser z = 4x + 5y 2x + y 8 x + 2y 7 s.c. y 3 x, y 0 Maximiser z = 4x + 5y 2x + y + e 1 = 8 x + 2y + e s.c. 2 = 7 y + e 3 = 3 x, y, e 1, e 2, e 3 0 Base initiale? {e 1, e 2, e 3 } par exemple : 2x + y + e 1 = 8 x + 2y + e 2 = 7 y + e 3 = 3 e 1 = 8 2x y e 2 = 7 x 2y e 3 = 3 y e 1, e 2, e 3 = variables de base, x, y = variables hors base N. Brauner 101

95 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe Solution de base associée on met les variables hors base à 0 on en déduit : valeur des variables de base valeur de z e 1 = 8 2x y = 8 ici : x = y = 0 e 2 = 7 x 2y = 7 e 3 = 3 y = 3 et z = 4x + 5y = 0 N. Brauner 102

96 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe Changement de base Observation essentielle : z = 4x + 5y = 0 on peut augmenter z si x ou y rentre dans la base. Essayons avec y : quelle est la valeur max que pourra avoir y? e 1 = 8 2x y 0 y 8 e 2 = 7 x 2y 0 y 3.5 e 3 = 3 y 0 y 3 Bilan : y max = 3, pour y = y max on a e 1 = 5 x, e 2 = 1 x, et e 3 = 0 candidat pour une nouvelle base : {e 1, e 2, e 3 } {y} \ {e 3 } = {e 1, e 2, y} N. Brauner 103

97 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe Nouvelle base {e 1, e 2, y} e 1 = 8 2x y e 2 = 7 x 2y e 3 = 3 y e 1 = 8 2x y = 5 2x + e 3 e 2 = 7 x 2y = 1 x + 2e 3 y = 3 e 3 Exprimons z en fonction des variables hors base z = 4x + 5y = x 5e 3 Solution de base associée e 1 = 5 2x + e 3 = 5 x = e 3 = 0 e 2 = 1 x + 2e 3 = 1 y = 3 e 3 = 3 et z = 15 N. Brauner 104

98 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe Itération z = x 5e 3 peut encore augmenter si x entre dans la base Si x entre, qui sort? Valeur max de x : e 1 = 5 2x + e 3 0 x 2.5 e 2 = 1 x + 2e 3 0 x 1 y = 3 e 3 0 aucune contrainte sur x Bilan : x max = 1 et e 2 sort. Nouvelle base {e 1, y, x} e 1 = 3 + 2e 2 3e 3 x = 1 e 2 + 2e 3 y = 3 e 3 z = 19 4e 2 + 3e 3 N. Brauner 105

99 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe Itération (suite) z = 19 4e 2 + 3e 3 peut encore augmenter si e 3 entre dans la base Si e 3 entre, qui sort? Valeur max de e 3 : e 1 = 3 + 2e 2 3e 3 0 e 3 1 x = 1 e 2 + 2e 3 0 aucune contrainte sur e 3 y = 3 e 3 0 e 3 3 Bilan : e 3max = 1, e 1 sort. Nouvelle base {e 3, y, x} : e 3 = 1 + 2/3e 2 1/3e 1 x = 3 + 1/3e 2 2/3e 1 y = 2 2/3e 2 + 1/3e 1 z = 22 2e 2 e 1 N. Brauner 106

100 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe Terminaison On a z = 22 2e 2 e 1, donc z 22 Or la solution de base x = 3, y = 2, e 3 = 1 donne z = 22 optimum La condition de terminaison concerne les coefficients de z exprimée avec les variables hors base. N. Brauner 107

101 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe max z = 20x x 2 s.c. x 1 + 2x x 1 + x x 1 70 x 2 50 x 1, x 2 0 forme standard max z s.c. z 20x 1 10x 2 = 0 x 1 + 2x 2 + s 1 = 120 x 1 + x 2 + s 2 = 100 x 1 + s 3 = 70 x 2 + s 4 = 50 N. Brauner 108

102 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe Forme standard max z s.c. z 20x 1 10x 2 = 0 x 1 + 2x 2 + s 1 = 120 x 1 + x 2 + s 2 = 100 x 1 + s 3 = 70 x 2 + s 4 = 50 Forme tableau z x 1 x 2 s 1 s 2 s 3 s 4 z s s s s N. Brauner 109

103 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe Coûts réduits B, une base de Ax = b la fonction objectif : z = cx = c B x B + c N x N = c B B 1 b (c B B 1 N c N )x N n = z 0 (c B B 1 a j c j )x j = z 0 j=1 n (z j c j )x j j=1 z j c j = c B B 1 a j c j est le coût réduit de la variable hors base x j N. Brauner 110

104 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe à chaque itération z x N x B z 1 coûts réduits 0 z 0 0 x B.... Id + 0 à l optimum z x N x B z z0 0 x B.... Id + 0 N. Brauner 111

105 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe Principe heuristique : faire rentrer en base la variable avec le coefficient le plus négatif x 1 z x 1 x 2 s 1 s 2 s 3 s 4 z s s s s Qui faire sortir? N. Brauner 112

106 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe Principe du quotient minimal colonne pivot x 1 second membre 0 quotient a 1 0 b 1 - b a 2 > 0 b 2 2 a 2 b a 3 > 0 b 3 3 a 3 a 4 = 0 b 4 - { } ligne r = min bi a i a i > 0 faire sortir s 3 b r a r z x 1 x 2 s 1 s 2 s 3 s 4 z s s s s N. Brauner 113

107 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe exprimer la contrainte z avec les variables hors base x 2 et s 3 z 10x s 3 = 1400 diviser la ligne pivot par le coefficient de la variable entrante x 1 + s 3 = 70 supprimer x 1 des autres contraintes 2x 2 + s 1 s 3 = 50 c a.. ligne pivot p b colonne pivot x 2 + s 2 s 3 = 30 = a a b p c N. Brauner 114

108 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe z x 1 x 2 s 1 s 2 s 3 s 4 z s s x s x 1, s 1, s 2, s 4 en base et x 2, s 3 hors base sol de base (70, 0, 50, 30, 0, 50) de valeur 1400 Faire rentrer x 2 quotient min faire sortir s 1 N. Brauner 115

109 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe z x 1 x 2 s 1 s 2 s 3 s 4 z s s x s z x 1 x 2 s 1 s 2 s 3 s 4 z x s x s x 1, x 2, s 2, s 4 en base et s 1, s 3 hors base sol de base (70, 25, 0, 5, 0, 25) de valeur 1650 optimale car z = s 1 15s 3 et s 1 = s 3 = 0 N. Brauner 116

110 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe Phase II Données : un programme linéaire et une solution de base admissible Résultat : une solution de base admissible optimale ou déclarer PL non borné 1 Choix d une colonne (variable) entrante choisir une variable hors base x j (colonne) ayant un coût réduit négatif s il n existe pas de colonne entrante : STOP, la solution de base est optimale 2 Choix d une ligne (variable) sortante Choisir une ligne r minimisant le quotient s il n existe pas de ligne sortante : STOP le tableau courant est non borné 3 Mise à jour de la base et du tableau pivoter autour de a rj et retourner en (1) N. Brauner 117

111 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe Solution de base dégénérée si une ou plusieurs variables de base sont zéros (plus de bijection entre les solutions de base admissibles et les points extrêmes) Si toutes les solutions de base admissibles sont non dégénérées, l algorithme du simplexe termine après un nombre fini d itérations N. Brauner 118

112 Programmation linéaire Interprétation géométrique Bases et points extrêmes L algorithme du simplexe L algorithme du simplexe Phase I Feuille de TD : Programmation linéaire Exercice Phase 1 du simplexe N. Brauner 119

113 Dualité

114 Illustration économique Comment prouver l optimalité? Écrire le dual Propriétés Plan 10 Illustration économique 11 Comment prouver l optimalité? 12 Écrire le dual 13 Propriétés N. Brauner 121

115 Illustration économique Comment prouver l optimalité? Écrire le dual Propriétés Dualité Nouveau concept en Programmation Linéaire Primal données A, b, c minimiser Dual mêmes données A, b, c maximiser N. Brauner 122

116 Illustration économique Comment prouver l optimalité? Écrire le dual Propriétés Plan 10 Illustration économique 11 Comment prouver l optimalité? 12 Écrire le dual 13 Propriétés N. Brauner 123

117 Illustration économique Comment prouver l optimalité? Écrire le dual Propriétés Plan 10 Illustration économique 11 Comment prouver l optimalité? 12 Écrire le dual 13 Propriétés N. Brauner 124

118 Illustration économique Comment prouver l optimalité? Écrire le dual Propriétés Problème primal (P) Une famille utilise 6 produits alimentaires comme source de vitamine A et C produits (unités/kg) demande (unités) vitamine A vitamine C Prix par kg But : minimiser le coût total Modélisation N. Brauner 125

119 Illustration économique Comment prouver l optimalité? Écrire le dual Propriétés Problème dual (D) associé à (P) Un producteur de cachets de vitamine synthétique veut convaincre la famille d acheter ses vitamines. Quel prix de vente w A et w C? pour être compétitif et maximiser le profit Modélisation N. Brauner 127

120 Illustration économique Comment prouver l optimalité? Écrire le dual Propriétés Modélisation matricielle Problème primal famille : acheter des produits alimentaires à coût minimum et satisfaire la demande en vitamine A et C Modélisation sous forme matricielle Problème dual producteur de vitamines synthétiques : être compétitif vis-à-vis des produits alimentaires comme source de vitamine et maximiser le profit de vente Modélisation sous forme matricielle N. Brauner 129

121 Illustration économique Comment prouver l optimalité? Écrire le dual Propriétés Généralisation de l illustration économique ressource i demande j produit j a ij c j coût i b i Problème primal (demandeur de produit) : quelle quantité x i de ressource i acheter pour satisfaire la demande à coût minimum? min b i x i s.c. a ij x i c j j i i Problème dual (vendeur de produit) : à quel prix proposer les produits pour maximiser le profit tout en restant compétitif? max j c j w j s.c. a ij w j b i j i N. Brauner 131

122 Illustration économique Comment prouver l optimalité? Écrire le dual Propriétés Plan 10 Illustration économique 11 Comment prouver l optimalité? 12 Écrire le dual 13 Propriétés N. Brauner 132

123 Illustration économique Comment prouver l optimalité? Écrire le dual Propriétés Comment prouver l optimalité? Objectif : démontrer l optimalité d une solution max z = x 1 + x 2 4x 1 + 5x x 1 + x 2 6 x 2 2 x 1, x 2 0 Idée : trouver une combinaison valide des contraintes permettant de borner terme à terme la fonction objectif N. Brauner 133

124 Illustration économique Comment prouver l optimalité? Écrire le dual Propriétés Comment prouver l optimalité? max z = x 1 + x 2 4x 1 + 5x 2 20 y 1 2x 1 + x 2 6 y 2 x 2 2 y 3 (4y 1 + 2y 2 )x 1 + (5y 1 + y 2 + y 3 )x 2 20y 1 + 6y 2 + 2y 3 y 1, y 2, y 3 0 Finalement, min 20y 1 + 6y 2 + 2y 3 (borne sup minimale) s.c. (borner terme à terme l objectif) 4y 1 + 2y 2 1 5y 1 + y 2 + y 3 1 y i 0 N. Brauner 136

125 Illustration économique Comment prouver l optimalité? Écrire le dual Propriétés Plan 10 Illustration économique 11 Comment prouver l optimalité? 12 Écrire le dual 13 Propriétés N. Brauner 137

126 Illustration économique Comment prouver l optimalité? Écrire le dual Propriétés Forme canonique de dualité Donnée A, b, c (P) min s.c. z = cx Ax b x 0 (D) max s.c. v = wb wa c w 0 N. Brauner 138

127 Illustration économique Comment prouver l optimalité? Écrire le dual Propriétés Tableau des signes min primal dual max dual primal variable 0 contrainte variable 0 contrainte = variable 0 contrainte contrainte variable 0 contrainte = variable 0 contrainte variable 0 L écriture du Dual est automatique : les variables la fonction objectif les contraintes N. Brauner 141

128 Illustration économique Comment prouver l optimalité? Écrire le dual Propriétés Écrire le dual Écrire le programme dual max z = 4x 1 + 5x 2 + 2x 3 2x 1 + 4x 2 = 3 2x 3 2 3x 1 + x 2 + x 3 2 x 2 + x 3 1 x 1 0 x 2 0 x 3 0 N. Brauner 142

129 Illustration économique Comment prouver l optimalité? Écrire le dual Propriétés Plan 10 Illustration économique 11 Comment prouver l optimalité? 12 Écrire le dual 13 Propriétés N. Brauner 143

130 Illustration économique Comment prouver l optimalité? Écrire le dual Propriétés Propriétés Propriété Le dual du dual est équivalent au primal vérifier sur un exemple max z = 2x 1 + 3x 2 + 4x 3 2x 1 + x 2 3 x 3 2 3x 1 + x 2 + x 3 2 x 2 1 x 1, x 2, x 3 0 N. Brauner 144

131 Illustration économique Comment prouver l optimalité? Écrire le dual Propriétés Propriétés (P) min s.c. z = cx Ax b x 0 (D) max s.c. v = wb wa c w 0 Théorème de dualité faible Pour chaque paire de solutions admissibles x de (P) et w de (D) z = cx wb = v Conséquence : que se passe-t-il si l un est non borné? N. Brauner 146

132 Illustration économique Comment prouver l optimalité? Écrire le dual Propriétés Et l optimalité? Certificat d optimalité Si z = cx = wb = v pour des solutions admissibles x de (P) et w et (D), alors x et w sont optimales Théorème de dualité forte Si (P) a des solutions et (D) a des solutions, alors cx = w b N. Brauner 147

133 Illustration économique Comment prouver l optimalité? Écrire le dual Propriétés Propriété des écarts complémentaires Pour l exemple des vitamines écrire le primal avec les variables d écart (s i ) écrire le dual avec les variables d écart (t i ) trouver une solution du primal optimale trouver une solution du dual optimale écrire les paires de variables (s i, w i ) et (x j, t j ) que remarquez-vous? N. Brauner 148

134 Illustration économique Comment prouver l optimalité? Écrire le dual Propriétés Propriété Propriété des écarts complémentaires Pour x optimale de (P) et w optimale de (D) alors une contrainte de (P) est serrée à égalité OU la variable associée à cette contrainte est nulle dans w idem dans l autre sens preuve x j t j = 0 et s i w i = 0 N. Brauner 150

135 Illustration économique Comment prouver l optimalité? Écrire le dual Propriétés Propriété des écarts complémentaires Intérêt Si on connaît x optimal de (P), alors on peut trouver y en appliquant le théorème des écarts complémentaires (et ainsi prouver l optimalité de x ) essayer sur un exemple max z = x 1 + x 2 4x 1 + 5x x 1 + x 2 6 x 2 2 x 1, x 2 0 avec x 1 = 2 et x 2 = 2 N. Brauner 152

136 Illustration économique Comment prouver l optimalité? Écrire le dual Propriétés Petite philosophie de la dualité À quoi servent les trois théorèmes de dualité Dualité faible : pour faire la preuve d optimalité Écarts complémentaires : pour trouver une solution optimale du dual connaissant une solution optimale du primal Dualité forte : garantit qu une preuve d optimalité (utilisant la dualité) est possible N. Brauner 154

137 Excel et analyse post-optimale

138 Solveur d Excel Analyse post-optimale Découpe de rouleaux Plan 14 Solveur d Excel 15 Analyse post-optimale 16 Application : la découpe de rouleaux N. Brauner 156

139 Solveur d Excel Analyse post-optimale Découpe de rouleaux Plan 14 Solveur d Excel 15 Analyse post-optimale 16 Application : la découpe de rouleaux N. Brauner 157

140 Solveur d Excel Analyse post-optimale Découpe de rouleaux Utilisation du solveur d Excel Résoudre l exercice Vitamines avec le solveur d Excel Description des données N. Brauner 158

141 Solveur d Excel Analyse post-optimale Découpe de rouleaux Utilisation du solveur d Excel Formules N. Brauner 159

142 Solveur d Excel Analyse post-optimale Découpe de rouleaux Utilisation du solveur d Excel Paramétrage du solveur N. Brauner 160

143 Solveur d Excel Analyse post-optimale Découpe de rouleaux Utilisation du solveur d Excel Options du solveur N. Brauner 161

144 Solveur d Excel Analyse post-optimale Découpe de rouleaux Utilisation du solveur d Excel Résultat N. Brauner 162

145 Solveur d Excel Analyse post-optimale Découpe de rouleaux Utilisation du solveur d Excel Rapport de réponse N. Brauner 163

146 Solveur d Excel Analyse post-optimale Découpe de rouleaux Utilisation du solveur d Excel Rapport de sensibilité N. Brauner 164

147 Solveur d Excel Analyse post-optimale Découpe de rouleaux Plan 14 Solveur d Excel 15 Analyse post-optimale 16 Application : la découpe de rouleaux N. Brauner 165

148 Solveur d Excel Analyse post-optimale Découpe de rouleaux Analyse post-optimale On modifie légèrement les coefficients de l objectif ou des contraintes : doit-on refaire un simplexe? Variation des seconds membres Variation des coefficients de la fonction objectif Coûts réduits N. Brauner 166

149 Solveur d Excel Analyse post-optimale Découpe de rouleaux Analyse post-optimale Exemple : produire des confitures de rhubarbe et de fraise Un pot de rhubarbe nécessite 1kg de rhubarbe et 3kg de sucre et rapporte (marge) 3 euros Un pot de fraise nécessite 2kg de fraise et 2kg de sucre et rapporte (marge) 5 euros Les quantités disponibles sont 4kg de rhubarbe, 12kg de fraise et 18kg de sucre Modéliser le problème avec un programme linéaire Trouver la solution optimale graphiquement N. Brauner 167

150 Solveur d Excel Analyse post-optimale Découpe de rouleaux Analyse post-optimale Résoudre à l aide du solveur d Excel N. Brauner 168

151 Solveur d Excel Analyse post-optimale Découpe de rouleaux Variation des seconds membres Si on augmente la capacité disponible d une ressource, quel est l impact sur la valeur optimale de la fonction objectif? Le prix caché y i mesure l augmentation de la fonction objectif si l on accroît d une unité la capacité disponible b i. Augmenter la quantité de rhubarbe à 5 kg disponibles calculer le point optimal calculer l objectif calculer le prix caché N. Brauner 169

152 Solveur d Excel Analyse post-optimale Découpe de rouleaux Variation des seconds membres Augmenter la quantité de fraise à 13 kg disponibles calculer le point optimal calculer l objectif calculer le prix caché Augmenter la quantité de sucre à 19 kg disponibles calculer le point optimal calculer l objectif calculer le prix caché N. Brauner 170

153 Solveur d Excel Analyse post-optimale Découpe de rouleaux Variation des seconds membres : analyse de sensibilité Calcul des limites de validité des prix cachés Jusqu où peut-on monter (ou descendre) ces valeurs avec les mêmes coûts réduits? De combien peut-on diminuer la quantité de rhubarbe avec le même prix caché? Donner le domaine de validité du prix caché de la rhubarbe. Calculez les intervalles pour les fraises et le sucre. Pour les contraintes non serrées, quel est le prix caché? Ça vous rappelle quelque chose? N. Brauner 171

154 Solveur d Excel Analyse post-optimale Découpe de rouleaux Variation des coefficients objectifs Si on augmente le prix de vente unitaire ou si l on diminue le coût de production unitaire, quel est l impact sur la valeur de l objectif? La valeur de la j-ème variable à l optimum (x j ) mesure l augmentation de la fonction objectif si l on accroît d une unité la marge unitaire c j. Augmenter la marge du pot de rhubarbe à 4 euros calculer le point optimal calculer l objectif calculer l augmentation de l objectif N. Brauner 172

155 Solveur d Excel Analyse post-optimale Découpe de rouleaux Variation des coefficients objectifs : analyse de sensibilité Variation maximum de c 1 autour de 3 tel que le sommet optimal ne change pas. De combien peut-on diminuer c 1? De combien peut-on augmenter c 1? Idem pour c 2 N. Brauner 173

156 Solveur d Excel Analyse post-optimale Découpe de rouleaux L analyse de sensibilité dans Excel N. Brauner 174

Programmation Linéaire - Cours 1

Programmation Linéaire - Cours 1 Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.

Plus en détail

La programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique

La programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation

Plus en détail

Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/

Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation

Plus en détail

Programmation linéaire

Programmation linéaire 1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit

Plus en détail

Programmation linéaire

Programmation linéaire Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire

Plus en détail

Exercices du Cours de la programmation linéaire donné par le Dr. Ali DERBALA

Exercices du Cours de la programmation linéaire donné par le Dr. Ali DERBALA 75. Un plombier connaît la disposition de trois tuyaux sous des dalles ( voir figure ci dessous ) et il lui suffit de découvrir une partie de chacun d eux pour pouvoir y poser les robinets. Il cherche

Plus en détail

OUTILS EN INFORMATIQUE

OUTILS EN INFORMATIQUE OUTILS EN INFORMATIQUE Brice Mayag brice.mayag@dauphine.fr LAMSADE, Université Paris-Dauphine R.O. Excel brice.mayag@dauphine.fr (LAMSADE) OUTILS EN INFORMATIQUE R.O. Excel 1 / 35 Plan Présentation générale

Plus en détail

Programmation linéaire et Optimisation. Didier Smets

Programmation linéaire et Optimisation. Didier Smets Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des

Plus en détail

Cours de Master Recherche

Cours de Master Recherche Cours de Master Recherche Spécialité CODE : Résolution de problèmes combinatoires Christine Solnon LIRIS, UMR 5205 CNRS / Université Lyon 1 2007 Rappel du plan du cours 16 heures de cours 1 - Introduction

Plus en détail

Optimisation Discrète

Optimisation Discrète Prof F Eisenbrand EPFL - DISOPT Optimisation Discrète Adrian Bock Semestre de printemps 2011 Série 7 7 avril 2011 Exercice 1 i Considérer le programme linéaire max{c T x : Ax b} avec c R n, A R m n et

Plus en détail

Nouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires

Nouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires Nouvelles propositions pour la résolution exacte du problème de sac à dos bi-objectif unidimensionnel en variables binaires Julien Jorge, Xavier Gandibleux Laboratoire d Informatique de Nantes Atlantique

Plus en détail

Exemples de problèmes et d applications. INF6953 Exemples de problèmes 1

Exemples de problèmes et d applications. INF6953 Exemples de problèmes 1 Exemples de problèmes et d applications INF6953 Exemples de problèmes Sommaire Quelques domaines d application Quelques problèmes réels Allocation de fréquences dans les réseaux radio-mobiles Affectation

Plus en détail

Optimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h

Optimisation et programmation mathématique. Professeur Michel de Mathelin. Cours intégré : 20 h Télécom Physique Strasbourg Master IRIV Optimisation et programmation mathématique Professeur Michel de Mathelin Cours intégré : 20 h Programme du cours d optimisation Introduction Chapitre I: Rappels

Plus en détail

Cours de Recherche Opérationnelle IUT d Orsay. Nicolas M. THIÉRY. E-mail address: Nicolas.Thiery@u-psud.fr URL: http://nicolas.thiery.

Cours de Recherche Opérationnelle IUT d Orsay. Nicolas M. THIÉRY. E-mail address: Nicolas.Thiery@u-psud.fr URL: http://nicolas.thiery. Cours de Recherche Opérationnelle IUT d Orsay Nicolas M. THIÉRY E-mail address: Nicolas.Thiery@u-psud.fr URL: http://nicolas.thiery.name/ CHAPTER 1 Introduction à l optimisation 1.1. TD: Ordonnancement

Plus en détail

INFO-F-310 - Algorithmique 3 et Recherche Opérationnelle

INFO-F-310 - Algorithmique 3 et Recherche Opérationnelle INFO-F- - Algorithmique et Recherche Opérationnelle Yves De Smet Bernard Fortz - Table des matières I Introduction Aide à la décision et modèles mathématiques Quelques exemples de modèles mathématiques

Plus en détail

Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications

Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante

Plus en détail

4.2 Unités d enseignement du M1

4.2 Unités d enseignement du M1 88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter

Plus en détail

Baccalauréat ES Pondichéry 7 avril 2014 Corrigé

Baccalauréat ES Pondichéry 7 avril 2014 Corrigé Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient

Plus en détail

Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé

Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé Baccalauréat ES Polynésie (spécialité) 10 septembre 2014 Corrigé A. P. M. E. P. Exercice 1 5 points 1. Réponse d. : 1 e Le coefficient directeur de la tangente est négatif et n est manifestement pas 2e

Plus en détail

Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche

Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines

Plus en détail

Conception de réseaux de télécommunications : optimisation et expérimentations

Conception de réseaux de télécommunications : optimisation et expérimentations Conception de réseaux de télécommunications : optimisation et expérimentations Jean-François Lalande Directeurs de thèse: Jean-Claude Bermond - Michel Syska Université de Nice-Sophia Antipolis Mascotte,

Plus en détail

Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes

Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes Loris MARCHAL Laboratoire de l Informatique du Parallélisme Équipe Graal Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes Thèse réalisée sous la direction

Plus en détail

Calculer avec Sage. Revision : 417 du 1 er juillet 2010

Calculer avec Sage. Revision : 417 du 1 er juillet 2010 Calculer avec Sage Alexandre Casamayou Guillaume Connan Thierry Dumont Laurent Fousse François Maltey Matthias Meulien Marc Mezzarobba Clément Pernet Nicolas Thiéry Paul Zimmermann Revision : 417 du 1

Plus en détail

Travaux dirigés n 1. Programmation linéaire

Travaux dirigés n 1. Programmation linéaire Université de Reims Champagne Ardenne U.F.R. de Sciences Exactes et Naturelles MASTER 1 Informatique - 2014/2015 Pierre Delisle Travaux dirigés n 1 Programmation linéaire Exercice 1 (Résolution d'un programme

Plus en détail

Annexe 6. Notions d ordonnancement.

Annexe 6. Notions d ordonnancement. Annexe 6. Notions d ordonnancement. APP3 Optimisation Combinatoire: problèmes sur-contraints et ordonnancement. Mines-Nantes, option GIPAD, 2011-2012. Sophie.Demassey@mines-nantes.fr Résumé Ce document

Plus en détail

Chapitre 5 : Flot maximal dans un graphe

Chapitre 5 : Flot maximal dans un graphe Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d

Plus en détail

Fonctions de plusieurs variables

Fonctions de plusieurs variables Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme

Plus en détail

Soit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée.

Soit la fonction affine qui, pour représentant le nombre de mois écoulés, renvoie la somme économisée. ANALYSE 5 points Exercice 1 : Léonie souhaite acheter un lecteur MP3. Le prix affiché (49 ) dépasse largement la somme dont elle dispose. Elle décide donc d économiser régulièrement. Elle a relevé qu elle

Plus en détail

Les indices à surplus constant

Les indices à surplus constant Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté

Plus en détail

Cours 02 : Problème général de la programmation linéaire

Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =

Plus en détail

3 Approximation de solutions d équations

3 Approximation de solutions d équations 3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle

Plus en détail

Info0804. Cours 6. Optimisation combinatoire : Applications et compléments

Info0804. Cours 6. Optimisation combinatoire : Applications et compléments Recherche Opérationnelle Optimisation combinatoire : Applications et compléments Pierre Delisle Université de Reims Champagne-Ardenne Département de Mathématiques et Informatique 17 février 2014 Plan de

Plus en détail

Résolution de systèmes linéaires par des méthodes directes

Résolution de systèmes linéaires par des méthodes directes Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.

Plus en détail

Baccalauréat ES/L Amérique du Sud 21 novembre 2013

Baccalauréat ES/L Amérique du Sud 21 novembre 2013 Baccalauréat ES/L Amérique du Sud 21 novembre 2013 A. P. M. E. P. EXERCICE 1 Commun à tous les candidats 5 points Une entreprise informatique produit et vend des clés USB. La vente de ces clés est réalisée

Plus en détail

Lecture graphique. Table des matières

Lecture graphique. Table des matières Lecture graphique Table des matières 1 Lecture d une courbe 2 1.1 Définition d une fonction.......................... 2 1.2 Exemple d une courbe........................... 2 1.3 Coût, recette et bénéfice...........................

Plus en détail

Programmation par contraintes. Laurent Beaudou

Programmation par contraintes. Laurent Beaudou Programmation par contraintes Laurent Beaudou On se trouve où? Un problème, une solution : la solution est-elle une solution du problème? simulation, vérification 2 On se trouve où? Un problème, une solution

Plus en détail

Ordonnancement robuste et décision dans l'incertain

Ordonnancement robuste et décision dans l'incertain Ordonnancement robuste et décision dans l'incertain 4 ème Conférence Annuelle d Ingénierie Système «Efficacité des entreprises et satisfaction des clients» Centre de Congrès Pierre Baudis,TOULOUSE, 2-4

Plus en détail

Sujet 4: Programmation stochastique propriétés de fonction de recours

Sujet 4: Programmation stochastique propriétés de fonction de recours Sujet 4: Programmation stochastique propriétés de fonction de recours MSE3313: Optimisation Stochastiqe Andrew J. Miller Dernière mise au jour: October 19, 2011 Dans ce sujet... 1 Propriétés de la fonction

Plus en détail

1 Définition. 2 Systèmes matériels et solides. 3 Les actions mécaniques. Le système matériel : Il peut être un ensemble.un sous-ensemble..

1 Définition. 2 Systèmes matériels et solides. 3 Les actions mécaniques. Le système matériel : Il peut être un ensemble.un sous-ensemble.. 1 Définition GÉNÉRALITÉS Statique 1 2 Systèmes matériels et solides Le système matériel : Il peut être un ensemble.un sous-ensemble..une pièce mais aussi un liquide ou un gaz Le solide : Il est supposé

Plus en détail

Introduction au maillage pour le calcul scientifique

Introduction au maillage pour le calcul scientifique Introduction au maillage pour le calcul scientifique CEA DAM Île-de-France, Bruyères-le-Châtel franck.ledoux@cea.fr Présentation adaptée du tutorial de Steve Owen, Sandia National Laboratories, Albuquerque,

Plus en détail

F1C1/ Analyse. El Hadji Malick DIA

F1C1/ Analyse. El Hadji Malick DIA F1C1/ Analyse Présenté par : El Hadji Malick DIA dia.elmalick1@gmail.com Description sommaire du cours Porte sur l analyse réelle propose des outils de travail sur des éléments de topologie élémentaire

Plus en détail

Théorie des Graphes Cours 3: Forêts et Arbres II / Modélisation

Théorie des Graphes Cours 3: Forêts et Arbres II / Modélisation IFIPS S7 - informatique Université Paris-Sud 11 1er semestre 2009/2010 Théorie des Graphes Cours 3: Forêts et Arbres II / 1 Forêts et arbres II Théorème 1.1. Les assertions suivantes sont équivalentes

Plus en détail

RECHERCHE OPERATIONNELLE

RECHERCHE OPERATIONNELLE RECHERCHE OPERATIONNELLE 0. Introduction. Ce cours a été enseigné jusqu en 2002, en année de licence, à la MIAGE de NANCY. L objectif principal de ce cours est d acquérir une connaissance approfondie de

Plus en détail

Introduction à la Programmation par Contraintes (PPC) Ruslan Sadykov LIX, École Polytechnique

Introduction à la Programmation par Contraintes (PPC) Ruslan Sadykov LIX, École Polytechnique Introduction à la Programmation par Contraintes (PPC) Ruslan Sadykov LIX, École Polytechnique Contenu Introduction Modélisation Problèmes de satisfaction des contraintes Exemples des modèles PPC simples

Plus en détail

Rapport d'analyse des besoins

Rapport d'analyse des besoins Projet ANR 2011 - BR4CP (Business Recommendation for Configurable products) Rapport d'analyse des besoins Janvier 2013 Rapport IRIT/RR--2013-17 FR Redacteur : 0. Lhomme Introduction...4 La configuration

Plus en détail

Exercices - Polynômes : corrigé. Opérations sur les polynômes

Exercices - Polynômes : corrigé. Opérations sur les polynômes Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)

Plus en détail

Plus courts chemins, programmation dynamique

Plus courts chemins, programmation dynamique 1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique

Plus en détail

L apport du HPC pour l optimisation. Eric Jacquet-Lagrèze. FORUM TERATEC 28 juin 2011

L apport du HPC pour l optimisation. Eric Jacquet-Lagrèze. FORUM TERATEC 28 juin 2011 L apport du HPC pour l optimisation Eric Jacquet-Lagrèze FORUM TERATEC 28 juin 2011 Sommaire 1 / Recherche Opérationnelle et calcul scientifique 2 / Où se trouve la complexité et quels enjeux pour le HPC?

Plus en détail

Etude de fonctions: procédure et exemple

Etude de fonctions: procédure et exemple Etude de fonctions: procédure et exemple Yves Delhaye 8 juillet 2007 Résumé Dans ce court travail, nous présentons les différentes étapes d une étude de fonction à travers un exemple. Nous nous limitons

Plus en détail

ÉdIteur officiel et fournisseur de ServIceS professionnels du LogIcIeL open Source ScILab

ÉdIteur officiel et fournisseur de ServIceS professionnels du LogIcIeL open Source ScILab ÉdIteur officiel et fournisseur de ServIceS professionnels du LogIcIeL open Source ScILab notre compétence d'éditeur à votre service créée en juin 2010, Scilab enterprises propose services et support autour

Plus en détail

PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES

PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Leçon 11 PROBLEMES D'ORDONNANCEMENT AVEC RESSOURCES Dans cette leçon, nous retrouvons le problème d ordonnancement déjà vu mais en ajoutant la prise en compte de contraintes portant sur les ressources.

Plus en détail

La NP-complétude. Johanne Cohen. PRISM/CNRS, Versailles, France.

La NP-complétude. Johanne Cohen. PRISM/CNRS, Versailles, France. La NP-complétude Johanne Cohen PRISM/CNRS, Versailles, France. Références 1. Algorithm Design, Jon Kleinberg, Eva Tardos, Addison-Wesley, 2006. 2. Computers and Intractability : A Guide to the Theory of

Plus en détail

Théorie et codage de l information

Théorie et codage de l information Théorie et codage de l information Les codes linéaires - Chapitre 6 - Principe Définition d un code linéaire Soient p un nombre premier et s est un entier positif. Il existe un unique corps de taille q

Plus en détail

BACCALAUREAT GENERAL MATHÉMATIQUES

BACCALAUREAT GENERAL MATHÉMATIQUES BACCALAUREAT GENERAL FEVRIER 2014 MATHÉMATIQUES SERIE : ES Durée de l épreuve : 3 heures Coefficient : 5 (ES), 4 (L) 7(spe ES) Les calculatrices électroniques de poche sont autorisées, conformement à la

Plus en détail

Programmation mathématique Discrète et Modèles Linéaires

Programmation mathématique Discrète et Modèles Linéaires Université Pierre et Marie Curie Master IAD Module PDML Programmation mathématique Discrète et Modèles Linéaires Pierre Fouilhoux pierre.fouilhoux@lip6.fr 29 septembre 2013 Table des matières I Programmation

Plus en détail

Exercices Alternatifs. Quelqu un aurait-il vu passer un polynôme?

Exercices Alternatifs. Quelqu un aurait-il vu passer un polynôme? Exercices Alternatifs Quelqu un aurait-il vu passer un polynôme? c 2004 Frédéric Le Roux, François Béguin (copyleft LDL : Licence pour Documents Libres). Sources et figures: polynome-lagrange/. Version

Plus en détail

Exercices Alternatifs. Quelqu un aurait-il vu passer un polynôme?

Exercices Alternatifs. Quelqu un aurait-il vu passer un polynôme? Exercices Alternatifs Quelqu un aurait-il vu passer un polynôme? c 2004 Frédéric Le Roux, François Béguin (copyleft LDL : Licence pour Documents Libres). Sources et figures: polynome-lagrange/. Version

Plus en détail

FIMA, 7 juillet 2005

FIMA, 7 juillet 2005 F. Corset 1 S. 2 1 LabSAD Université Pierre Mendes France 2 Département de Mathématiques Université de Franche-Comté FIMA, 7 juillet 2005 Plan de l exposé plus court chemin Origine du problème Modélisation

Plus en détail

Vision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007

Vision industrielle et télédétection - Détection d ellipses. Guillaume Martinez 17 décembre 2007 Vision industrielle et télédétection - Détection d ellipses Guillaume Martinez 17 décembre 2007 1 Table des matières 1 Le projet 3 1.1 Objectif................................ 3 1.2 Les choix techniques.........................

Plus en détail

Correction du baccalauréat ES/L Métropole 20 juin 2014

Correction du baccalauréat ES/L Métropole 20 juin 2014 Correction du baccalauréat ES/L Métropole 0 juin 014 Exercice 1 1. c.. c. 3. c. 4. d. 5. a. P A (B)=1 P A (B)=1 0,3=0,7 D après la formule des probabilités totales : P(B)=P(A B)+P(A B)=0,6 0,3+(1 0,6)

Plus en détail

TOUT CE QU IL FAUT SAVOIR POUR LE BREVET

TOUT CE QU IL FAUT SAVOIR POUR LE BREVET TOUT E QU IL FUT SVOIR POUR LE REVET NUMERIQUE / FONTIONS eci n est qu un rappel de tout ce qu il faut savoir en maths pour le brevet. I- Opérations sur les nombres et les fractions : Les priorités par

Plus en détail

Grandes lignes ASTRÉE. Logiciels critiques. Outils de certification classiques. Inspection manuelle. Definition. Test

Grandes lignes ASTRÉE. Logiciels critiques. Outils de certification classiques. Inspection manuelle. Definition. Test Grandes lignes Analyseur Statique de logiciels Temps RÉel Embarqués École Polytechnique École Normale Supérieure Mercredi 18 juillet 2005 1 Présentation d 2 Cadre théorique de l interprétation abstraite

Plus en détail

Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé

Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé Baccalauréat ES Antilles Guyane 12 septembre 2014 Corrigé EXERCICE 1 5 points Commun à tous les candidats 1. Réponse c : ln(10)+2 ln ( 10e 2) = ln(10)+ln ( e 2) = ln(10)+2 2. Réponse b : n 13 0,7 n 0,01

Plus en détail

Jade. Projet Intelligence Artificielle «Devine à quoi je pense»

Jade. Projet Intelligence Artificielle «Devine à quoi je pense» Jade Projet Intelligence Artificielle «Devine à quoi je pense» Réalisé par Djénéba Djikiné, Alexandre Bernard et Julien Lafont EPSI CSII2-2011 TABLE DES MATIÈRES 1. Analyse du besoin a. Cahier des charges

Plus en détail

Intégration et probabilités TD1 Espaces mesurés

Intégration et probabilités TD1 Espaces mesurés Intégration et probabilités TD1 Espaces mesurés 2012-2013 1 Petites questions 1) Est-ce que l ensemble des ouverts de R est une tribu? 2) Si F et G sont deux tribus, est-ce que F G est toujours une tribu?

Plus en détail

Pourquoi l apprentissage?

Pourquoi l apprentissage? Pourquoi l apprentissage? Les SE sont basés sur la possibilité d extraire la connaissance d un expert sous forme de règles. Dépend fortement de la capacité à extraire et formaliser ces connaissances. Apprentissage

Plus en détail

La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1

La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La Licence Mathématiques et Economie-MASS Université de Sciences Sociales de Toulouse 1 La licence Mathématiques et Economie-MASS de l Université des Sciences Sociales de Toulouse propose sur les trois

Plus en détail

Cours Optimisation Partie Optimisation Combinatoire. Année scolaire 2008-2009. Gérard Verfaillie ONERA/DCSD/CD, Toulouse Gerard.Verfaillie@onera.

Cours Optimisation Partie Optimisation Combinatoire. Année scolaire 2008-2009. Gérard Verfaillie ONERA/DCSD/CD, Toulouse Gerard.Verfaillie@onera. Cours Optimisation Partie Optimisation Combinatoire 3ième année ISAE Année scolaire 2008-2009 Gérard Verfaillie ONERA/DCSD/CD, Toulouse Gerard.Verfaillie@onera.fr Septembre 2008 Résumé Ce document couvre

Plus en détail

Mon métier, mon parcours

Mon métier, mon parcours Mon métier, mon parcours Anthony, ingénieur d études diplômé d un Master Réseaux, application documentaire, ingénierie et sécurité Les métiers de l Informatique Le domaine Sciences, Technologies, Santé

Plus en détail

Principe de symétrisation pour la construction d un test adaptatif

Principe de symétrisation pour la construction d un test adaptatif Principe de symétrisation pour la construction d un test adaptatif Cécile Durot 1 & Yves Rozenholc 2 1 UFR SEGMI, Université Paris Ouest Nanterre La Défense, France, cecile.durot@gmail.com 2 Université

Plus en détail

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé

Baccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue

Plus en détail

La Recherche Opérationnelle en France

La Recherche Opérationnelle en France La Recherche Opérationnelle en France La Recherche Opérationnelle en France Qu est-ce que la Recherche Opérationnelle? La recherche opérationnelle est une approche quantitative permettant de produire de

Plus en détail

Automatique Linéaire 1 Travaux Dirigés 1A ISMIN

Automatique Linéaire 1 Travaux Dirigés 1A ISMIN Automatique Linéaire 1 Travaux Dirigés Travaux dirigés, Automatique linéaire 1 J.M. Dutertre 2014 TD 1 Introduction, modélisation, outils. Exercice 1.1 : Calcul de la réponse d un 2 nd ordre à une rampe

Plus en détail

Excel Avancé. Plan. Outils de résolution. Interactivité dans les feuilles. Outils de simulation. La valeur cible Le solveur

Excel Avancé. Plan. Outils de résolution. Interactivité dans les feuilles. Outils de simulation. La valeur cible Le solveur Excel Avancé Plan Outils de résolution La valeur cible Le solveur Interactivité dans les feuilles Fonctions de recherche (ex: RechercheV) Utilisation de la barre d outils «Formulaires» Outils de simulation

Plus en détail

UNIVERSITE PARIS VII - DENIS DIDEROT U.F.R. D'INFORMATIQUE THESE

UNIVERSITE PARIS VII - DENIS DIDEROT U.F.R. D'INFORMATIQUE THESE UNIVERSITE PARIS VII - DENIS DIDEROT U.F.R. D'INFORMATIQUE Année 1998 N attribué par la bibliothèque _ THESE pour obtenir le grade de DOCTEUR DE L'UNIVERSITE PARIS VII Discipline : Informatique présentée

Plus en détail

Le Master Mathématiques et Applications

Le Master Mathématiques et Applications Le Master Mathématiques et Applications Franck BOYER franck.boyer@univ-amu.fr Institut de Mathématiques de Marseille Aix-Marseille Université Marseille, 20 Mai 2014 1/ 16 Structure générale Vue d ensemble

Plus en détail

Chapitre 2 Le problème de l unicité des solutions

Chapitre 2 Le problème de l unicité des solutions Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)

Plus en détail

RESUME DESCRIPTIF DE LA CERTIFICATION (FICHE OPERATIONNELLE METIERS)

RESUME DESCRIPTIF DE LA CERTIFICATION (FICHE OPERATIONNELLE METIERS) RESUME DESCRIPTIF DE LA CERTIFICATION (FICHE OPERATIONNELLE METIERS) Intitulé (cadre 1) Master Droit Economie Gestion, mention Management des Systèmes d Information, spécialité Management et Technologies

Plus en détail

Polynômes à plusieurs variables. Résultant

Polynômes à plusieurs variables. Résultant Polynômes à plusieurs variables. Résultant Christophe Ritzenthaler 1 Relations coefficients-racines. Polynômes symétriques Issu de [MS] et de [Goz]. Soit A un anneau intègre. Définition 1.1. Soit a A \

Plus en détail

Théorèmes de Point Fixe et Applications 1

Théorèmes de Point Fixe et Applications 1 Théorèmes de Point Fixe et Applications 1 Victor Ginsburgh Université Libre de Bruxelles et CORE, Louvain-la-Neuve Janvier 1999 Published in C. Jessua, C. Labrousse et D. Vitry, eds., Dictionnaire des

Plus en détail

Tout au long de votre cursus Quel métier futur? Dans quel secteur d activité? En fonction de vos goûts et aptitudes et du «niveau d emploi» dans ce

Tout au long de votre cursus Quel métier futur? Dans quel secteur d activité? En fonction de vos goûts et aptitudes et du «niveau d emploi» dans ce Tout au long de votre cursus Quel métier futur? Dans quel secteur d activité? En fonction de vos goûts et aptitudes et du «niveau d emploi» dans ce «profil» S orienter (éventuellement se réorienter) dans

Plus en détail

Contexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,

Contexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples, Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très

Plus en détail

a et b étant deux nombres relatifs donnés, une fonction affine est une fonction qui a un nombre x associe le nombre ax + b

a et b étant deux nombres relatifs donnés, une fonction affine est une fonction qui a un nombre x associe le nombre ax + b I Définition d une fonction affine Faire l activité 1 «une nouvelle fonction» 1. définition générale a et b étant deux nombres relatifs donnés, une fonction affine est une fonction qui a un nombre x associe

Plus en détail

Sujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes.

Sujet proposé par Yves M. LEROY. Cet examen se compose d un exercice et de deux problèmes. Ces trois parties sont indépendantes. Promotion X 004 COURS D ANALYSE DES STRUCTURES MÉCANIQUES PAR LA MÉTHODE DES ELEMENTS FINIS (MEC 568) contrôle non classant (7 mars 007, heures) Documents autorisés : polycopié ; documents et notes de

Plus en détail

Cours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques

Cours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques Université Mohammed V, Faculté des Sciences de Rabat Laboratoire de Recherche Mathématiques, Informatique et Applications Cours des Méthodes de Résolution Exactes Heuristiques et Métaheuristiques MASTER

Plus en détail

Résolution d équations non linéaires

Résolution d équations non linéaires Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique

Plus en détail

LES MÉTHODES DE POINT INTÉRIEUR 1

LES MÉTHODES DE POINT INTÉRIEUR 1 Chapitre XIII LES MÉTHODES DE POINT INTÉRIEUR 1 XIII.1 Introduction Nous débutons par un rappel de la formulation standard d un problème d optimisation 2 linéaire et donnons un bref aperçu des différences

Plus en détail

Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires

Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires Nouvelles propositions pour la résolution exacte du sac à dos multi-objectif unidimensionnel en variables binaires Julien Jorge julien.jorge@univ-nantes.fr Laboratoire d Informatique de Nantes Atlantique,

Plus en détail

Complément d information concernant la fiche de concordance

Complément d information concernant la fiche de concordance Sommaire SAMEDI 0 DÉCEMBRE 20 Vous trouverez dans ce dossier les documents correspondants à ce que nous allons travailler aujourd hui : La fiche de concordance pour le DAEU ; Page 2 Un rappel de cours

Plus en détail

Implémentation d une solution voyages et notes de frais chez Leoni

Implémentation d une solution voyages et notes de frais chez Leoni Implémentation d une solution voyages et notes de frais chez Leoni A propos de Leoni Equipementier automobile de rang 1 -parmi les plus gros et les plus internationalisés-, Leoni est une société allemande

Plus en détail

Application de K-means à la définition du nombre de VM optimal dans un cloud

Application de K-means à la définition du nombre de VM optimal dans un cloud Application de K-means à la définition du nombre de VM optimal dans un cloud EGC 2012 : Atelier Fouille de données complexes : complexité liée aux données multiples et massives (31 janvier - 3 février

Plus en détail

Objectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2)

Objectifs du cours d aujourd hui. Informatique II : Cours d introduction à l informatique et à la programmation objet. Complexité d un problème (2) Objectifs du cours d aujourd hui Informatique II : Cours d introduction à l informatique et à la programmation objet Complexité des problèmes Introduire la notion de complexité d un problème Présenter

Plus en détail

Filière MMIS. Modélisation Mathématique, Images et Simulation. Responsables : Stefanie Hahmann, Valérie Perrier, Zoltan Szigeti

Filière MMIS. Modélisation Mathématique, Images et Simulation. Responsables : Stefanie Hahmann, Valérie Perrier, Zoltan Szigeti Filière MMIS Modélisation Mathématique, Images et Simulation Responsables : Stefanie Hahmann, Valérie Perrier, Zoltan Szigeti Valerie.Perrier@imag.fr Modélisation mathématique, Images et simulation (MMIS)

Plus en détail

Media planning TV et optimisation : du statique au (très) dynamique

Media planning TV et optimisation : du statique au (très) dynamique Media planning TV et optimisation : du statique au (très) dynamique Thierry Benoist Frédéric Gardi www.innovation24.fr 1/18 Qui sommes-nous? Groupe industriel diversifié présent dans la construction, les

Plus en détail

Les nouveautés de Femap 11.1

Les nouveautés de Femap 11.1 Siemens PLM Software Les nouveautés de Femap 11.1 Amélioration de la productivité des Ingénieurs calcul Avantages Manipulation plus rapide des modèles grâce à des performances graphiques améliorées Flexibilité

Plus en détail

De même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que

De même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer

Plus en détail

Modèles à Événements Discrets. Réseaux de Petri Stochastiques

Modèles à Événements Discrets. Réseaux de Petri Stochastiques Modèles à Événements Discrets Réseaux de Petri Stochastiques Table des matières 1 Chaînes de Markov Définition formelle Idée générale Discrete Time Markov Chains Continuous Time Markov Chains Propriétés

Plus en détail

Algorithmes pour la planification de mouvements en robotique non-holonome

Algorithmes pour la planification de mouvements en robotique non-holonome Algorithmes pour la planification de mouvements en robotique non-holonome Frédéric Jean Unité de Mathématiques Appliquées ENSTA Le 02 février 2006 Outline 1 2 3 Modélisation Géométrique d un Robot Robot

Plus en détail

Département Génie industriel & mathématiques appliquées Option ISDP Ingénierie des systèmes de décision et de production

Département Génie industriel & mathématiques appliquées Option ISDP Ingénierie des systèmes de décision et de production Département Génie industriel & mathématiques appliquées Option ISDP Ingénierie des systèmes de décision et de production Responsable W. RAMDANE CHERIF Objectif de l option ISDP Permettre à des ingénieurs

Plus en détail