Programmation Linéaire - Cours 1
|
|
- Beatrice Rochefort
- il y a 4 ans
- Total affichages :
Transcription
1 Programmation Linéaire - Cours 1 P. Pesneau Université Bordeaux 1 Bât A33 - Bur 265
2 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, Japanese translation published by Keigaku Shuppan, Tokyo, R. J. Vanderbei - Linear Programming, Foundations and, Springer-Verlag, C. Guéret, C. Prins et M. Sevaux - Programmation linéaire : 65 problèmes d optimisation modélisés et résolus avec Visual Xpress, Eyrolles, C. Prins et M. Sevaux - Programmation linéaire avec Excel : 55 problèmes d optimisation modélisés pas à pas et résolus avec Excel, Eyrolles, 2011.
3 Sommaire Quelques exemples Exemple 1 : Production Exemple 2 : Transport Exemple 3 : Planification 1 Quelques exemples Exemple 1 : Production Exemple 2 : Transport Exemple 3 : Planification 2 3 4
4 Problème de production Exemple 1 : Production Exemple 2 : Transport Exemple 3 : Planification Un fabricant produit 2 types de yaourts à la fraise A et B à partir de Fraise, de Lait et de Sucre. Chaque yaourt doit respecter les proportions suivantes de matières premières. A B Fraise 2 1 Lait 1 2 Sucre 0 1 Les matières premières sont en quantité limitée : 800 kilos de Fraises, 700 kilos de Lait et 300 kilos de sucre. La vente des yaourts A rapportent 4e par kilo et les yaourts B 5e.
5 Modélisation : Quelques exemples Exemple 1 : Production Exemple 2 : Transport Exemple 3 : Planification Variables : x i : quantité (en kg) de yaourts du type i = A,B produit Objectif : Maximiser 4x A +5x B Contraintes : 2x A + x B 800 x A + 2x B 700 x B 300 x A, x B 0
6 Problème de transport Exemple 1 : Production Exemple 2 : Transport Exemple 3 : Planification Approvisionner au moindre coût les clients à partir des usines. Usines (i I) Bordeaux Biarritz Toulouse Productions (p i ) Clients (j J) Pau Bayonne Bordeaux Libourne Demandes (d j ) Prix/unité (c i,j ) Pau Bayonne Bordeaux Libourne Bordeaux Biarritz Toulouse
7 Modélisation : Quelques exemples Exemple 1 : Production Exemple 2 : Transport Exemple 3 : Planification Variables : x i,j : quantité transportée de i à j Objectif : Minimiser i I j J c i,jx i,j Contraintes : j J x i,j p i, i I i I x i,j = d j, j J x i,j 0, i I,j J
8 Problème de planification Exemple 1 : Production Exemple 2 : Transport Exemple 3 : Planification Planifier la production d articles à moindre coût pour les 4 prochains mois. Production maximale normale : 1200 articles / mois Production maximale en heure sup : 400 articles / mois Sur-coût heures sup : 7 euros / article Stockage : 3 euros / article / mois mois 1 mois 2 mois 3 mois 4 Demandes
9 Modélisation : Quelques exemples Exemple 1 : Production Exemple 2 : Transport Exemple 3 : Planification Variables : x t : production normale en période t = 1,...,4 y t : production en heure sup en periode t = 1,...,4 s t : stock en fin de période t = 1,...,3 Objectif : Minimiser 7 t=4 t=1 y t +3 t=3 t=1 s t Contraintes : x 1 + y 1 = 900+ s 1 s 1 + x 2 + y 2 = s 2 s 2 + x 3 + y 3 = s 3 s 3 + x 4 + y 4 = x t 1200, t = 1,...,4 0 y t 400, t = 1,...,4 s t 0, t = 1,...,3
10 Sommaire Quelques exemples Hypothèses de base Représentation graphique Résolution graphique 1 Quelques exemples 2 Hypothèses de base Représentation graphique Résolution graphique 3 4
11 Hypothèses de base Représentation graphique Résolution graphique Hypothèses fondamentales pour la programmation linéaire Linéarité : Objectif et contraintes sont des fonctions linéaires par rapport aux variables de décisions (coéfficients de variables constants, pas de produit de variables) Objectif : c 1 x 1 +c 2 x 2 + +c n x n Contraintes : a 1,1 x 1 +a 1,2 x 2 + +a 1,n x n = b 1 a 2,1 x 1 +a 2,2 x 2 + +a 2,n x n b 2 a 3,1 x 1 +a 3,2 x 2 + +a 3,n x n b 3 Continuité : Les variables peuvent prendre n importe quelle valeur réelle (par opposition aux variables entières) x 1, x 2,..., x n IR n
12 Représentation graphique Hypothèses de base Représentation graphique Résolution graphique Revenons au premier exemple : x B 2xA +xb 800 Max 4x A + 5x B 2x A + x B 800 x A + 2x B 700 x B 300 x A, x B 0 x B 300 x A +2x B 700 x A
13 Terminologie Quelques exemples Hypothèses de base Représentation graphique Résolution graphique Solution : Affectation de valeurs numériques aux variables du problème. Solution réalisable : Une solution est réalisable si les valeurs numériques associées aux variables satisfont à l ensemble des contraintes du programme linéaire Région réalisable : Ensemble des solutions réalisables. x B 2xA +xb 800 x B 300 x A +2x B 700 x A
14 Résolution graphique Hypothèses de base Représentation graphique Résolution graphique x B 2x A +x B 800 Max 4x A + 5x B 2x A + x B 800 x A + 2x B 700 x B 300 x A, x B 0 x B 300 4x A +5x B = 2900 x A +2x B 700 4x A +5x B = x A +5x B = 1000 x A 4x A +5x B = 0
15 Quelques observations Hypothèses de base Représentation graphique Résolution graphique La solution optimale (s il en existe une) se trouve sur la frontière de la région réalisable Quand il en existe, il existe toujours une solution optimale sur un sommet (point extrême) de la région réalisable Il suffit d examiner les points extrêmes de la région réalisable (la PL est un problème d optimisation combinatoire) x B 2x A +x B 800 x B 300 4x A +5x B = 2900 x A +2x B 700 4x A +5x B = x A +5x B = x A +5x B = 0 x A
16 Sommaire Quelques exemples Résolution géométrique Terminologie 1 Quelques exemples 2 3 Résolution géométrique Terminologie 4
17 Algorithme géométrique Résolution géométrique Terminologie 1 Partir d un point extrême x de la région réalisable 2 Déterminer une arête le long de laquelle l objectif augmente. S il n en existe pas, x est optimal, STOP 3 Se déplacer le long de l arête jusqu au point extrême y suivant. S il n existe pas, le problème est non borné, STOP Sinon, poser x y et revenir en 2 x B 14x A +5x B = x A
18 Algorithme géométrique Résolution géométrique Terminologie x B Theorem L optimum local ainsi obtenu (meilleur que ses voisins) est un optimum global 14x A +5x B = x A
19 Résolution géométrique Terminologie Variables d écart / Forme standard Max 4x A + 5x B + 0s 1 + 0s 2 + 0s 3 2x A + x B + s 1 = 800 x A + 2x B + s 2 = 700 x B + s 3 = 300 x A, x B, s 1, s 2, s 3 0 Chaque variable peut être associée à une contrainte n variables m contraintes n+m variables m contraintes
20 Résolution géométrique Terminologie Forme normale / Forme Standard Normale Max cx s.c. Ax b x 0 Ajout variables d écart = Standard Max cx s.c. Ax = b x 0 Transformation en forme normale : Min cx Max c x où c = c ax b a x b où a = a et b = b ax = b ax b et ax b Variable x i 0 : on définit une nouvelle variable x i 0 et on pose x i = x i Variable x i non restreinte : on définit deux nouvelles variables x + i,x i 0 et on pose x i = x + i x i
21 Interprétation géométrique Résolution géométrique Terminologie Chaque inégalité linéaire définit un demi-espace dans IR n L intersection de ces demi-espaces définit un polyèdre dans IR n qui corespond à la région réalisable Chaque face du polyèdre est un sous ensemble de points qui satisfont une des inégalités à l égalité x B 2xA +xb 800 x B 300 x A +2x B 700 x A
22 Résolution géométrique Terminologie Définition géométrique d un sommet Les points extrêmes du polyèdre sont les points qui se trouvent à l intersection d au moins n hyperplans Ils sont donc caractérisés par n variables de valeur 0 (celles associées aux hyperplans qui forment l intersection) Si l intersection est définie par plus de n hyperplans, alors la solution est dite dégénérée Idée naïve pour obtenir une solution à partir de la forme standard : 1 Choisir n hyperplans 2 Mettre les variables associées à 0 3 Résoudre le système linéaire à m variables et m equations Attention, le système n a pas nécessairement de solution. Si oui, la solution n est pas forcement réalisable
23 pivotage Quelques exemples Résolution géométrique Terminologie le pivotage consiste à passer d un point extrême à un point extrême voisin en longeant une arête Deux solutions voisines ne difèrent que par un hyperplan L opération consiste à choisir deux hyperplans (et donc deux variables) qui vont pivoter pour la description du point voisin.
24 Sommaire Quelques exemples Extension 1 : Programme linéaire en nombres entiers Extension 2 : Objectif quadratique 1 Quelques exemples Extension 1 : Programme linéaire en nombres entiers Extension 2 : Objectif quadratique
25 Problème de localisation de dépôts Extension 1 : Programme linéaire en nombres entiers Extension 2 : Objectif quadratique Parmi un ensemble de sites potentiels, choisir où construire des dépôts et affecter les magasins aux dépôts pour leur réapprovisionnement. Minimiser le coût de construction et la distance parcourrue. Données : I = {1,...,n} : ensemble des sites potentiels J = {1,...,m} : ensemble des magasins f i : coût de construction du dépôt i I d i,j : distance entre le dépôt i I et le magasin j J
26 Modélisation : Quelques exemples Extension 1 : Programme linéaire en nombres entiers Extension 2 : Objectif quadratique Variables {: 1 si on construit en i I x i = 0 sinon { 1 si le dépôt i I dessert le magasin j J y i,j = 0 sinon Objectif : Minimiser i I f ix i + i I j J d i,jy i,j Contraintes : i I y i,j = 1, j J y i,j x i, i I,j J x i {0,1}, i I y i,j {0,1}, i I,j J
27 Composition de portefeuille financier Extension 1 : Programme linéaire en nombres entiers Extension 2 : Objectif quadratique Problème : Déterminer un ensemble d avoirs financiers qui vont composer le portefeuille, minimisant les risques et assurant une certaine rentabilité. Données : I = {1,..., n} ensemble d avoirs financiers possibles C i,j, i,j I covariance entre les avoirs p i profit généré par l avoir i I R rentabilité minimum du portefeuille
28 Modélisation continue : Extension 1 : Programme linéaire en nombres entiers Extension 2 : Objectif quadratique Variables : x i = Proportion de l avoir i I dans le portefeuille Objectif : Minimiser i I j I C i,jx i x j Contraintes : i I p ix i R i I x i = 1 x i 0, i I
29 Modélisation entière : Extension 1 : Programme linéaire en nombres entiers Extension 2 : Objectif quadratique Variables {: 1 si on prend l avoir i I x i = 0 sinon Objectif : Minimiser i I j I C i,jx i x j Contraintes : i I p ix i R x i {0,1}, i I
30 Extension 1 : Programme linéaire en nombres entiers Extension 2 : Objectif quadratique Modélisation entière : linéarisation de l objectif Variables {: 1 si on prend l avoir i I x i = 0 sinon { 1 si les avoirs i,j I sont pris ensemble y i,j = 0 sinon Objectif : Minimiser i I j I C i,jx i x j Minimiser i I j I C i,jy i,j Contraintes : y i,j x i i,j I y i,j x j i,j I y i,j x i +x j 1 i,j I y i,j {0,1}, i,j I i I p ix i R x i {0,1}, i I
Programmation Linéaire Cours 1 : programmes linéaires, modélisation et résolution graphique
Programmation Linéaire Cours 1 : programmes linéaires, modélisation et résolution graphique F. Clautiaux francois.clautiaux@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 Motivation et objectif du cours
Programmation Linéaire - Cours 2
Programmation Linéaire - Cours 2 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Sommaire 1 2 3 Retournons dans le yaourt! Reprenons l exemple du 1er cours Forme normale
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
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
La notion de dualité
La notion de dualité Dual d un PL sous forme standard Un programme linéaire est caractérisé par le tableau simplexe [ ] A b. c Par définition, le problème dual est obtenu en transposant ce tableau. [ A
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
Recherche opérationnelle. Programmation linéaire et recherche opérationnelle. Programmation linéaire. Des problèmes de RO que vous savez résoudre
Recherche opérationnelle Programmation linéaire et recherche opérationnelle Ioan Todinca Ioan.Todinca@univ-orleans.fr tél. 0 38 41 7 93 bureau : en bas à gauche Tentative de définition Ensemble de méthodes
Programmation linéaire
Programmation linéaire NICOD JEAN-MARC Master 2 Informatique Université de Franche-Comté UFR des Sciences et Techniques septembre 2008 NICOD JEAN-MARC Rappels sur les graphes 1 / 47 Sommaire 1 Exemple
Chapitre 2: Modélisation
2013 2014 RCP104 Optimisation en Informatique Chapitre 2: Dr. Nazih OUWAYED nazih.ouwayed@gmail.com http://nouwayed.yolasite.com Sommaire Comment décrire un porblème Principe Cas réel par un programme
Sujet 2 : Programmation linéaire: applications et propriétés
Sujet 2 : Programmation linéaire: applications et propriétés MHT 423 : Modèles et méthodes d optimisation Andrew J. Miller Dernière mise à jour: March 10, 2010 Dans ce sujet... 1 Application : problème
Ax = b iff (B + N) x N
Chapitre 3 Algorithme du simplexe 3.1 Solution de base admissible P en forme standard. A = (a 1,...,a n ) Hypothèse : n m (plus de variables que d équations) et rg(a)=m (pas d équation inutile). Donc après
Chapitre 1 : Programmation linéaire
Graphes et RO TELECOM Nancy 2A Chapitre 1 : Programmation linéaire J.-F. Scheid 1 I. Introduction 1) Modélisation En Recherche Opérationnelle (RO), modéliser un problème consiste à identifier: les variables
(i) Le nombre de travailleurs commencant leur service est positif ou nul : x i 0 i = 1,...,7
Chapitre 1 Modelisation 11 Exemples de Problèmes 111 La Cafétaria Cafétaria ouverte toute la semaine Statistique sur le personnel requis : Jour Lundi Mardi Mercredi Jeudi Vendredi Samedi Dimanche Nombre
LES ÉTAPES DE L ALGORITHME DU SIMPLEXE
LES ÉTAPES DE L ALGORITHME DU SIMPLEXE Sommaire 1. Introduction... 1 2. Variables d écart et d excédent... 2 3. Variables de base et variables hors base... 2 4. Solutions admissibles... 3 5. Résolution
Programmation Linéaire - Cours 4
Programmation Linéaire - Cours 4 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Sommaire Dualité 1 Dualité 2 3 Primal / Dual Dualité Les PL vont toujours par paires
Optimisation en nombres entiers
Optimisation en nombres entiers p. 1/83 Optimisation en nombres entiers Michel Bierlaire michel.bierlaire@epfl.ch EPFL - Laboratoire Transport et Mobilité - ENAC Optimisation en nombres entiers p. 2/83
Mathématique pour l informatique Examen durée : 3 heures. Question 1. Mettre ce problème en forme standard en introduisant des variables d écarts.
Mathématique pour l informatique Examen durée : 3 heures. Université de Provence Licence Informatique Année 2001-2002 Exercice 1 (Simplexe : 10 points) On donne le problème de programmation linéaire (P)
Cours de mathématiques - Alternance Gea
Cours de mathématiques - Alternance Gea Anne Fredet 3 novembre 2005 1 programmation linéaire à deux variables 1.1 Partitionnement du plan Une droite permet de découper un plan en plusieurs parties. Droite
Recherche Opérationnelle
Chapitre 2 : Programmation linéaire (Introduction) Vendredi 06 Novembre 2015 Sommaire 1 Historique 2 3 4 5 Plan 1 Historique 2 3 4 5 La programmation linéaire est un cadre mathématique général permettant
Optimisation linéaire
Optimisation linéaire Recherche opérationnelle GC-SIE Algorithme du simplexe Phase I 1 Introduction Algorithme du simplexe : Soit x 0 une solution de base admissible Comment déterminer x 0? Comment déterminer
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) =
LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION
LA PROGRAMMATION LINEAIRE : UN OUTIL DE MODELISATION Dans les leçons précédentes, nous avons modélisé des problèmes en utilisant des graphes. Nous abordons dans cette leçon un autre type de modélisation.
Sujet 6: Dualité interpretations intuitives
Sujet 6: Dualité interpretations intuitives MHT 423: Modélisation et optimisation Andrew J. Miller Dernière mise à jour: March 31, 2010 Dans ce sujet... 1 L analyse de sensibilité 2 1 L analyse de sensibilité
Programmation linéaire
Programmation linéaire Pierre Coupechoux Nicolas Jozefowiez 12 octobre 2015 Quelques exemples Exemple 1 : problème de production Exemple 2 : problème de transport Exemple 3 : Planification Pierre Coupechoux
La gestion des ventes.
I. La prévision des ventes. A. Principe. La gestion des ventes. Elle consiste à déterminer les ventes futures à la fois en quantité et en valeur en tenant compte des tendances et contraintes imposées à
Chapitre 6. Modélisation en P.L.I. 6.1 Lien entre PL et PLI. 6.1.1 Approximation de la PLI
Chapitre 6 Modélisation en P.L.I. 6.1 Lien entre PL et PLI (P) problème de PL. On restreint les variables à être entières : on a un problème de PLI (ILP en anglais). On restreint certaines variables à
Algorithme du simplexe
Algorithme du simplexe Une solution à la programmation linéaire Hugues Talbot Laboratoire A2SI 18 mars 2008 Plan Algèbre linéaire Algorithme du simplexe Formulation et forme standard Notations Recherche
UNIVERSITE IBN ZOHR Année Universitaire 2014-2015 Faculté des Sciences Juridiques Economiques et Sociales Agadir
UNIVERSITE IBN ZOHR Année Universitaire 2014-2015 Faculté des Sciences Juridiques Economiques et Sociales S5 Agadir Recherche Opérationnelle Corrigé de la série1: Traduction des problèmes en language mathématique
www.almohandiss.com Recherche opérationnelle EXERCICES DE Serveur d'exercices 1/16
EXERCICES DE RECHERCHE OPERATIONNELLE Serveur d'exercices 1/16 EXERCICE 1. Niveau : Gymnase (Lycée) Auteur : Vincent Isoz (isozv@hotmail.com Mots-clés : recherche opérationnelle Enoncé : Supposons qu'une
Exercices de Programmation Linéaire Modélisation
Modélisation exercice 1 : On veut préparer 500 litres de punch à partir de cinq boissons A, B, C, D et E. Le punch doit comporter au moins 20% de jus d orange, 10% de jus de pamplemousse et 5% de jus de
Programmation linéaire (PL) 2. Programmation linéaire a. Modélisation. Exemple d un modèle de PL. Exemple d un modèle de PL (suite)
Programmation linéaire (PL) IFT1575 Modèles de recherche opérationnelle (RO). Programmation linéaire a. Modélisation Problème classique de planification : affecter des ressources limitées à plusieurs activités
Introduction et modélisation
LPSIL Année 2007-2008 TD MathOpt - Feuille 1 Introduction et modélisation Rappel sur les définitions 1. Dites quel(s) problèmes parmi P1,P2,P3 sont sous forme standard? P1 : Maximiser 3x 1 5x 2 Sous les
Exercice : la frontière des portefeuilles optimaux sans actif certain
Exercice : la frontière des portefeuilles optimaux sans actif certain Philippe Bernard Ingénierie Economique & Financière Université Paris-Dauphine Février 0 On considère un univers de titres constitué
Recherche Opérationnelle 1A Programmation Linéaire Résolution d un Programme Linéaire Introduction
Recherche Opérationnelle 1A Programmation Linéaire Résolution d un Programme Linéaire Introduction Zoltán Szigeti Ensimag April 4, 2015 Z. Szigeti (Ensimag) RO 1A April 4, 2015 1 / 16 Forme Générale Définition
- 06 - LA GESTION DE LA PRODUCTION : PARTIE 1
- 06 - LA GESTION DE LA PRODUCTION : PARTIE 1 Objectif(s) : o o Pré requis : o o o Contraintes de production, Optimisation de la gestion de la production. Coût de production, Production sous contraintes,
Sujet 1 : Introduction à l optimisation
Sujet 1 : Introduction à l optimisation MHT 423 : Modèles et méthodes d optimisation Andrew J. Miller Dernière mise à jour: April 7, 2010 Dans ce sujet... 1 Ressources, logiciels et liens 2 Introduction
INTRODUCTION A L OPTIMISATION
INTRODUCTION A L OPTIMISATION Les domaines d application L optimisation est essentiellement un outil d aide à la décision au sein de l entreprise, mais aussi pour des individus. Le terme optimal est souvent
Ce déterminant est non nul donc le système est de Cramer. On a donc. 3 3 1 1 1 2 9 1 5 x = det(m)
Problème ( points) Un capital de 0 000 euros est placé à un taux d intérêts composés de 2%. La valeur récupérée à l issue du placement est 70,2 euros. Quelle est la durée de ce placement? Soit d la durée
Introduction à la programmation en variables entières Cours 3
Introduction à la programmation en variables entières Cours 3 F. Clautiaux francois.clautiaux@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 272 Sommaire Notion d heuristique Les algorithmes gloutons
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
x x² = y x -3-2 -1-0,5 0 0,5 1 2 3 y CHAPITRE 12 I. INTRODUCTION
CHAPITRE 2 FONCTIONS I. INTRODUCTION Une fonction est «une machine à transformer des nombres». Par eemple, la fonction «carré» désigne la «machine» qui transforme les nombres en leurs carrés. Ainsi elle
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
TRAVAUX PRATIQUES : PROGRAMMATION LINEAIRE
Optimisation TP1 - Programmation linéaire 1 TRAVAUX PRATIQUES : PROGRAMMATION LINEAIRE Programmation linéaire Les problèmes de cette partie sont à traiter à l aide du logiciel MATLAB. La fonction à utiliser
Problème combinatoire sur le réseau de transport de gaz. Nicolas Derhy, Aurélie Le Maitre, Nga Thanh CRIGEN Manuel Ruiz, Sylvain Mouret ARTELYS
Problème combinatoire sur le réseau de transport de gaz Nicolas Derhy, Aurélie Le Maitre, Nga Thanh CRIGEN Manuel Ruiz, Sylvain Mouret ARTELYS Au programme Présentation du problème Un problème d optimisation
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
Chapitre 7 : Programmation dynamique
Graphes et RO TELECOM Nancy 2A Chapitre 7 : Programmation dynamique J.-F. Scheid 1 Plan du chapitre I. Introduction et principe d optimalité de Bellman II. Programmation dynamique pour la programmation
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
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
Rappels sur les tableaux et l algorithme du simplexe
Rappels sur les tableaux et l algorithme du simplexe À tout tableau est associée non seulement une base du problème initial (primal) mais également une base du problème dual. Les valeurs des variables
4. Programmation en nombres entiers
IFT575 Modèles de recherche opérationnelle (RO). Programmation en nombres entiers a. Modélisation Terminologie de base Programmation en nombres entiers Programmation linéaire avec certaines variables contraintes
Chapitre 3. Les distributions à deux variables
Chapitre 3. Les distributions à deux variables Jean-François Coeurjolly http://www-ljk.imag.fr/membres/jean-francois.coeurjolly/ Laboratoire Jean Kuntzmann (LJK), Grenoble University 1 Distributions conditionnelles
MATH-F-306 - Optimisation. Prénom Nom Note
MATH-F-306 Optimisation examen de 1 e session année 2009 2010 Prénom Nom Note Répondre aux questions ci-dessous en justifiant rigoureusement chaque étape, affirmation, etc. AUCUNE NOTE N EST AUTORISÉE.
un repère orthonormé de l espace.
Terminale S GEOMETRIE Ch 13 DANS L ESPACE. Soit ( O ; i, j, k ) un repère orthonormé de l espace. I) Droites et plans dans l espace : Propriété 1 : Soient A et B deux points de l espace. AB est l ensemble
Recherche Opérationnelle Mercredi 06 Novembre 2013 - Contrôle Terminal - Session 1
Master 2 LT, MPM, MIR Pôle Lamartine - ULCO Recherche Opérationnelle Mercredi 06 Novembre 2013 - Contrôle Terminal - Session 1 Durée de l épreuve : 2h00 Documents interdits. Calculatrice autorisée Exercice
1 Programmation linéaire
UNIVERSITÉ PARIS OUEST NANTERRE LA DÉFENSE U.F.R. SEGMI Année universitaire 2012 2013 Master d économie Cours de M. Desgraupes Méthodes Numériques Document 4 : Corrigé des exercices d optimisation linéaire
Exemple d un modèle de PL. 2. Programmation linéaire a. modélisation. Programmation linéaire (PL) Exemple d un modèle de PL (suite)
Exemple d un modèle de PL IFT1575 Modèles de recherche opérationnelle (RO). Programmation linéaire a. modélisation Données du problème (Wyndor Glass, sec..1 H&L): Deux types de produits (produit 1, produit
Chapitre 4 Solutions des problèmes
Chapitre 4 Solutions des problèmes 1. Résolution d'un modèle PLTE à deux variables. (a) La région issible de la relaxation continue ( ) est le polygone ABC représenté à la figure cidessous. La solution
Les outils de planification d achat. Préparé par : Othman karra
Les outils de planification d achat Préparé par : Othman karra plan INTRODUCTION I. Rôle des stocks dans la fonction achat 1. définition des stocks 2. avantages et inconvénients des stocks 3. types de
Généralités sur les graphes
Généralités sur les graphes Christophe ROSSIGNOL Année scolaire 2008/2009 Table des matières 1 Notion de graphe 3 1.1 Un peu de vocabulaire.......................................... 3 1.2 Ordre d un graphe,
Problèmes de transport
Problèmes de transport formulation des problèmes d affectation Hugues Talbot Laboratoire A2SI 31 mars 2009 Problèmes de Transport Introduction Distribution Théorie Équilibrage Modélisation Plan Solution
CHAPITRE 2 APPLICATION AU CHOIX DE PORTEFEUILLE FINANCIER
CHAPITRE 2 APPLICATION AU CHOIX DE PORTEFEUILLE FINANCIER OBJECTIF Décision d'investissement? Comment un individu décide-t-il d'allouer sa richesse entre différents actifs (maison, actions, obligations,
TD 3 : Problème géométrique dual et méthode des moindres carrés
Semestre, ENSIIE Optimisation mathématique 4 mars 04 TD 3 : Problème géométrique dual et méthode des moindres carrés lionel.rieg@ensiie.fr Exercice On considère le programme géométrique suivant : min x>0,y>0
Correction de l épreuve intermédiaire de mai 2009.
Licence de Gestion. 3ème Année Année universitaire 8-9 Optimisation Appliquée C. Léonard Correction de l épreuve intermédiaire de mai 9. Exercice 1 Avec les notations du cours démontrer que la solution
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
Fonctions de référence Variation des fonctions associées
DERNIÈRE IMPRESSION LE 9 juin 05 à 8:33 Fonctions de référence Variation des fonctions associées Table des matières Fonction numérique. Définition.................................. Ensemble de définition...........................3
Programmation Linéaire - Cours 3
Programmation Linéaire - Cours 3 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Sommaire 1 2 3 4 Comparaison des notations Notation algébrique : z = z + j N c jx
Fonctions Nombre Dérivé Fonction dérivée
Fonctions Nombre Dérivé Fonction dérivée Ce chapitre est le chapitre central de la classe de Terminale STG. Il permet (en partie) de clore ce qui avait été entamé dés le collège avec les fonctions affines
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
Exercice sur l optimisation du PIC Le cas La Main Verte
Prélude 7 ERP Exercice sur l optimisation du PIC Le cas La Main Verte Patrick GENIN - Supmeca 1 Cas La Main Verte 1 Le Groupe La Main Verte a été fondé en 1926 par l ingénieur allemand Andreas Grün, surnommé
Chapitre 6. Programmation Dynamique. Méthodes P.S.E.P. 6.1 Programmation dynamique. 6.1.1 Exemple introductif
Chapitre 6 Programmation Dynamique. Méthodes P.S.E.P. 6.1 Programmation dynamique 6.1.1 Exemple introductif Problème : n matrices M i (m i, m i+1 ) à multiplier en minimisant le nombre de multiplications,
Séance 12: Algorithmes de Support Vector Machines
Séance 12: Algorithmes de Support Vector Machines Laboratoire de Statistique et Probabilités UMR 5583 CNRS-UPS www.lsp.ups-tlse.fr/gadat Douzième partie XII Algorithmes de Support Vector Machines Principe
LA PROGRAMMATION LINEAIRE : ANALYSE DE SENSIBILITE
LA PROGRAMMATION LINEAIRE : ANALYSE DE SENSIBILITE Nous abordons dans cette leçon la partie analyse de sensibilité de la résolution d'un problème de programmation linéaire. Il s'agit d'étudier les conséquences
Quadrature n 74 (2009) 10 22. Online Material
Quadrature n 74 (009) 10 Online Material E. Brugallé, Online Material Un peu de géométrie tropicale Solutions des exercices Erwan Brugallé Université Pierre et Marie Curie, Paris 6, 175 rue du Chevaleret,
TD : Microéconomie de l incertain. Emmanuel Duguet
TD : Microéconomie de l incertain Emmanuel Duguet 2013-2014 Sommaire 1 Les loteries 2 2 Production en univers incertain 4 3 Prime de risque 6 3.1 Prime de risque et utilité CRRA.................. 6 3.2
Prof.É.D.Taillard. Classification automatique @Prof. E. Taillard 1 EIVD, Informatique logiciel, 4 e semestre
INFORMATIQUE ORIENTATION LOGICIELS CLASSIFICATION AUTOMATIQUE Prof.É.D.Taillard Classification automatique @Prof. E. Taillard EIVD, Informatique logiciel, 4 e semestre CLASSIFICATION AUTOMATIQUE But :
Solutions optimales multiples. 3D.1 Unicité de la solution optimale du modèle (FRB)
3D Solutions optimales multiples 3D.1 Unicité de la solution optimale du modèle (FRB) Le modèle (FRB) admet une solution optimale unique. En effet (voir page 182), l'algorithme du simplexe se termine par
DEVOIR SURVEILLE. Durée : 2h00. Matériel autorisé : calculatrice. En aucun cas il ne souhaite dépasser les 200 milliards d euros pour son armée.
2 nde DEVOIR SURVEILLE Durée : 2h00. Matériel autorisé : calculatrice. Exercice 1 (6 points) Dark Vador souhaite conquérir le Monde. Il a créé une armée de soldats. Entre les costumes, l entraînement,
La localisation et le transport
La localisation et le transport Conception des Systèmes Manufacturiers MEC652 Copyright 2012, Dao, Thien-My, École de technologie supérieure 1 Facteurs décisionnels en localisation INTERNATIONNAL Technologie
OPTIMISATION SOUS CONTRAINTES
OPTIMISATION SOUS CONTRAINTES Sommaire 1. Optimisation entre des bornes... 1 2. Exercice... 4 3. Optimisation sous contrainte à variables multiples... 5 Suite à une planification de la production, supposons
Université de Tunis ESSEC Recherche Opérationnelle Série n 2 3 ème Fin et 3 ème EMFB Année Universitaire 20014/2015
Université de Tunis ESSEC Recherche Opérationnelle Série n 3 ème Fin et 3 ème EMFB Année Universitaire 4/5 Exercice : Un artisan fabrique deux articles A et B nécessitant chacun deux opérations: un usinage
Niveau de production croissant
En effet, la fonction de production définit : l ensemble de production l ensemble des paniers de facteurs qui permettent de produire un niveau donné de bien. Cette fonction permet de définir des courbes
TRAVAIL MAJEUR 11B (Fin Bloc 2)
TRAVAIL MAJEUR 11B (Fin Bloc 2) NOM : Finances: 1) André veut s acheter une vieille maison de 175 000 $. Il a fait un versement initial de 15% du prix de la maison. Pour payer le solde, il a contracté
Bases d algorithmique
Bases d algorithmique Christophe ROSSIGNOL Année scolaire 2015/2016 Table des matières 1 Un peu de vocabulaire 2 1.1 Qu est-ce qu un algorithme?....................................... 2 1.2 Variable, affectation...........................................
Option Informatique Arbres binaires équilibrés
Option Informatique Arbres binaires équilibrés Sujet novembre 2 Partie II : Algorithmique et programmation en CaML Cette partie doit être traitée par les étudiants qui ont utilisé le langage CaML dans
Sujet 6: MRP/ERP v. optimisation: modélisation et algorithmes
Sujet 6: MRP/ERP v. optimisation: modélisation et algorithmes MSE3312: Planification de production et gestion des opérations Andrew J. Miller Dernière mise au jour: December 12, 2011 Dans ce sujet... 1
4. Programmation en nombres entiers
IFT575 Modèles de recherche opérationnelle (RO). Programmation en nombres entiers b. Séparation et évaluation progressive c. Plans de coupes Résolution de modèles entiers Programmation en nombres entiers
INFO-F-310 (MATH-H404) Algorithmique et Recherche Opérationnelle. Prof. Yves De Smet (co-titulaire Prof. Bernard Fortz)
INFO-F-310 (MATH-H404) Algorithmique et Recherche Opérationnelle Prof. Yves De Smet (co-titulaire Prof. Bernard Fortz) Terminologie Recherche Opérationnelle Méthodes quantitatives de gestion Mathématiques
TRAVAUX DE RECHERCHE
TRAVAUX DE RECHERCHE Jacques TANO (01 282 180) / Jaktano75@yahoo.fr cours RO Page 1 SUJET 1 La société des carrières d AZITO a pour objet l extraction et la distribution de matériaux de carrière. Elle
Cahier de vacances - Préparation à la Première S
Cahier de vacances - Préparation à la Première S Ce cahier est destiné à vous permettre d aborder le plus sereinement possible la classe de Première S. Je vous conseille de le travailler pendant les 0
Le problème des multiplications matricielles enchaînées peut être énoncé comme suit : étant
Licence informatique - L Année 0/0 Conception d algorithmes et applications (LI) COURS Résumé. Dans cette cinquième séance, nous continuons l exploration des algorithmes de type Programmation Dynamique.
INTRODUCTION À OMP PROBLÈME D USINAGE 1 Préambule
1 Préambule 1 sur 7 Le logiciel OMP est un produit de OM Partners. Le version mise à disposition est la version 9.27. OMP comporte : un compilateur de modèles et de données ; un optimiseur ; un générateur
Fonctions. Fonctions linéaires, affines et constantes
linéaires, affines et constantes 1. linéaires Comme il existe une infinité de fonctions différentes, on les classe par catégories. La première catégorie est constituée par les fonctions linéaires. Une
Sujet 6: MRP/ERP v. optimisation: modélisation et algorithmes
Sujet 6: MRP/ERP v. optimisation: modélisation et algorithmes MSE3312: Planification de production et gestion des opérations Andrew J. Miller Dernière mise au jour: December 6, 2010 Dans ce sujet... 1
Cours fonctions, expressions algébriques
I. Expressions algébriques, équations a) Développement factorisation Développer Développer un produit, c est l écrire sous forme d une somme. Réduire une somme, c est l écrire avec le moins de termes possibles.
Licence 2 STPI. TP de gestion de production Tous documents autorisés
Licence 2 STPI TP de gestion de production Tous documents autorisés I Diagramme PERT 1. A partir du tableau suivant, réaliser le diagramme des évènements par la méthode PERT à la date au plus tard jour
Cours de mathématiques - Alternance Gea
Cours de mathématiques - Alternance Gea Anne Fredet 11 décembre 005 1 Calcul matriciel Une matrice n m est un tableau de nombres à n lignes( et m colonnes. 1 0 Par exemple, avec n = et m =, on peut considérer
Terminale STG Chapitre 1 : Droites Régionnement du plan - Optimisation à deux variables
1. EQUATIONS DE DROITES Toute droite du plan a une équation, non unique, de la forme ax + by = c, où a et b sont deux réels non nuls en même temps. Si b = 0, l équation est x = c c'est-à-dire de la forme
Optimisation des fonctions de plusieurs variables
Optimisation des fonctions de plusieurs variables Hervé Hocquard Université de Bordeaux, France 8 avril 2013 Extrema locaux et globaux Définition On étudie le comportement d une fonction de plusieurs variables
Variable Neighborhood Search
Variable Neighborhood Search () Universite de Montreal 6 avril 2010 Plan Motivations 1 Motivations 2 3 skewed variable neighborhood search variable neighborhood decomposition search 4 Le probleme d optimisation.
BREVET PROFESSIONNEL BOULANGER
D r ye er &Herv ém Mey r ie e d i BREVET PROFESSIONNEL BOULANGER Gestion de l entreprise Eyrolles Éducation / Gep Éditions, 2014 ISBN : 978-2-84425-953-0 2 LA GESTION DES STOCKS Les matières premières