Optimisation dans les réseaux

Save this PDF as:
 WORD  PNG  TXT  JPG

Dimension: px
Commencer à balayer dès la page:

Download "Optimisation dans les réseaux"

Transcription

1 Optimisation dans les réseaux Recherche Opérationnelle GC-SIE Le problème de transbordement

2 Énoncé sous contraintes Transbordement ichel Bierlaire Lagrangien Dualité Fonction duale Transbordement ichel Bierlaire 4

3 Dualité Comme L(x,p) est séparable en x, avec Transbordement ichel Bierlaire Dualité (a ij -α)x ij (a ij -α)x ij a ij -α a ij -α< b ij c ij x ij b ij c ij x ij Transbordement ichel Bierlaire 6

4 Dualité Condition des écarts complémentaires (CEC) La paire (x,p) vérifie la condition des écarts complémentaires si x vérifie les contraintes de capacité et p i -p j a ij (i,j) Atel que x ij < c ij p i -p j a ij (i,j) Atel que b ij < x ij Note p i -p j =a ij (i,j) Atel que b ij < x ij < c ij Transbordement ichel Bierlaire 7 Théorème : Dualité Un vecteur de flot admissible x* et un vecteur p* satisfont la CEC ssi x* et p* sont solutions primales et duales (resp.) et les coûts optimaux sont égaux. Transbordement ichel Bierlaire 8 4

5 Note : Dualité Si b ij = et c ij = + La CEC p i -p j a ij (i,j) Atel que x ij < c ij p i -p j a ij (i,j) Atel que b ij < x ij s écrit p i -p j a ij (i,j) A p i -p j =a ij (i,j) Atel que x ij > Transbordement ichel Bierlaire 9 Transformations ettre les capacités inférieures à b ij x ij c ij Posons z ij = x ij b ij ou x ij = z ij + b ij Fonction objectif Transbordement ichel Bierlaire

6 Transformations Contraintes d offre-demande Transbordement ichel Bierlaire Transformations Contraintes de capacité b ij x ij c ij b ij z ij +b ij c ij z ij c ij -b ij On peut donc supposer b ij = (i,j) Asans perte de généralité. Transbordement ichel Bierlaire 6

7 Transformations Supprimer les contraintes supérieures de capacité Idée : ajouter des variables d écart x ij + z ij = c ij avec z ij Fonction objectif : inchangée Contraintes de capacité : x ij c ij x ij c ij z ij x ij et z ij Transbordement ichel Bierlaire Transformations Contraintes d offre-demande Transbordement ichel Bierlaire 4 7

8 Interprétation : Transformations s i s j s i -Σ k c ik c ij s j -Σ k c jk i Flot x ij Coût a ij j i Flot z ij Coût Flot x ij Coût a ij j Capacité [,c ij ] Capacité [, [ Transbordement ichel Bierlaire Interprétation : Transformations i Flot Coût a ij j i Flot 9 Coût Flot Coût a ij j Capacité [,] Capacité [, [ Transbordement ichel Bierlaire 6 8

9 Interprétation : Transformations - - i Flot Coût a ij j i Flot Coût Flot Coût a ij j Capacité [,] Capacité [, [ Transbordement ichel Bierlaire 7 Problème transformé sous contraintes Transbordement ichel Bierlaire 8 9

10 Problème transformé Attention : En l absence de capacités supérieures, le problème peut être non borné. Cela n arrive cependant pas s il s agit d un problème transformé. Le problème est non borné ssi il possède au moins un solution admissible, et s il existe un cycle avançant de coût négatif. Transbordement ichel Bierlaire 9 éthode du simplexe Idée : exploiter explicitement la structure de réseau. Élément principal : arbre maximal Définitions : Un arbreest un graphe connexe sans cycle Un arbre maximald un graphe G est un sousgraphe qui soit un arbre et qui inclue tous les nœuds du graphe Une feuilleest un nœud de degré dans un arbre. Transbordement ichel Bierlaire

11 Graphe : éthode du simplexe 4 Transbordement ichel Bierlaire éthode du simplexe Arbre maximal : 4 i = feuilles Transbordement ichel Bierlaire

12 éthode du simplexe Arbre maximal : 4 i = feuilles Transbordement ichel Bierlaire éthode du simplexe Propriétés : Soit T le sous-graphe d un graphe à N nœuds.. Si T est sans cycle et possède au moins un arc, alors il a au moins une feuille.. T est un arbre maximal ssi T est connexe et contient N nœuds et N- arcs.. Si T est un arbre, il y a un chemin unique reliant deux nœuds i et j de cet arbre. 4. Soit e T un arc dont les extrémités sont dans T. Le graphe T {e} contient un cycle simple unique, dont e est un arc avançant.. Si T est un arbre contenant (i,j), et si (i,j) est supprimé, les arcs restant forment deux arbres disjoints, l un contenant i l autre j. Transbordement ichel Bierlaire 4

13 éthode du simplexe La base en programmation linéaire «générale» peut être représentée ici grâce aux arbres maximaux. Pour chaque arbre maximal T, il existe un vecteur de flots unique x tel que x vérifie les contraintes de conservation des flots x i = si i T Transbordement ichel Bierlaire éthode du simplexe Procédure : Soit R=T, x=, w i =s i i. Pas : choisir une feuille i de R. si (i,j) est l unique arc incident à i x ij =w i et w j =w j +w i si (j,i) est l unique arc incident à i x ij =-w i et w j =w j +w i Pas : supprimer i et son arc incident de R. Si R n a plus que nœud, STOP. Sinon retour au pas. Transbordement ichel Bierlaire 6

14 éthode du simplexe Problème : 4 - Sur chaque arc : coût Sur chaque nœud : offre 6 Transbordement ichel Bierlaire éthode du simplexe Problème : () () 4 - (-) Sur chaque arc : - Sur chaque nœud : offre (w i ) () - (-) Transbordement ichel Bierlaire 8 4

15 éthode du simplexe Problème : () () 4 - (-) Sur chaque arc : flot Sur chaque nœud : offre (w i ) () - (-) Transbordement ichel Bierlaire 9 éthode du simplexe Problème : () () 4 - (-) Sur chaque arc : flot Sur chaque nœud : offre (w i ) () - (-) Transbordement ichel Bierlaire

16 éthode du simplexe Problème : () () 4 - (-) Sur chaque arc : flot Sur chaque nœud : offre (w i ) () - (-) Transbordement ichel Bierlaire éthode du simplexe Problème : () () 4 - (-) Sur chaque arc : flot Sur chaque nœud : offre (w i ) () - () Transbordement ichel Bierlaire 6

17 éthode du simplexe Problème : () () 4 () - (-) - (-) Sur chaque arc : flot Sur chaque nœud : offre (w i ) Transbordement ichel Bierlaire éthode du simplexe Problème : () () 4 () - (-) - (-) Sur chaque arc : flot Sur chaque nœud : offre (w i ) Transbordement ichel Bierlaire 4 7

18 éthode du simplexe Problème : () () 4 - () Sur chaque arc : flot Sur chaque nœud : offre (w i ) - () - (-) Transbordement ichel Bierlaire éthode du simplexe Problème : () () 4 - () Sur chaque arc : flot Sur chaque nœud : offre (w i ) - Transbordement ichel Bierlaire 6 - (-) - (-) 8

19 éthode du simplexe Problème : () () () Sur chaque arc : flot Sur chaque nœud : offre (w i ) - Transbordement ichel Bierlaire 7 - (-) - (-) éthode du simplexe Ce vecteur de flots est appelé une solution de base Si, de plus, le vecteur de flots vérifie les contraintes de capacité x ij, il est appelé une solution de base admissible. Un arbre maximal sera dit admissiblesi le vecteur de flots correspondant est une solution de base admissible. Transbordement ichel Bierlaire 8 9

20 éthode du simplexe Aperçu de la méthode Soit un arbre maximal admissible initial. Chaque itération (pivotage) génère un autre arbre admissible dont le coût n est pas plus élevé que le précédent. Chaque itération est composée de trois opérations principales. Ajout d un arc à l arbre afin de former un cycle à coût négatif. Envoyer le plus de flot possible le long de ce cycle, sans violer les contraintes. Supprimer un arc du cycle pour obtenir à nouveau un arbre. Transbordement ichel Bierlaire 9 éthode du simplexe Arbre maximal initial : () 4 6 () () Sur chaque arc : coût (flot) Sur chaque nœud : offre - Transbordement ichel Bierlaire 4 - () () -

21 éthode du simplexe Formation d un cycle. Coût = -9 () 4 6 () () Sur chaque arc : coût (flot) Sur chaque nœud : offre - Transbordement ichel Bierlaire 4 - () () - éthode du simplexe Envoi d une unité de flot () 4 () 6 () () Sur chaque arc : coût (flot) Sur chaque nœud : offre - Transbordement ichel Bierlaire 4 - () () -

22 éthode du simplexe Suppression d un arc du cycle 4 () 6 () () Sur chaque arc : coût (flot) Sur chaque nœud : offre - Transbordement ichel Bierlaire 4 - () () - éthode du simplexe Questions : Comment choisir l arc entrant? Comment choisir l arc sortant? Comment gérer les cas de dégénérescence? Transbordement ichel Bierlaire 44

23 Choix de l arc entrant Idée: utiliser la condition des écarts complémentaires p i -p j a ij (i,j) A p i -p j =a ij (i,j) Atel que x ij > Nous allons affecter des prix p i aux nœuds tels que p i -p j =a ij (i,j) T Transbordement ichel Bierlaire 4 Choix de l arc entrant Procédure récursive : Soit un nœud r arbitraire (racine). p r est initialisé à une valeur quelconque. p i = +, i r CalculeVoisins(r) ; Transbordement ichel Bierlaire 46

24 CalculVoisins(i) Choix de l arc entrant Pour tout j adjacent à i t.q. p j = + Si (i,j) T, alors p j = p i -a ij Si (j,i) T, alors p j = p i +a ij CalculVoisins(j) Transbordement ichel Bierlaire 47 Choix de l arc entrant Arbre maximal : () 6 () 4 - Sur chaque arc : coût (flot) Sur chaque nœud : offre [pi] () Transbordement ichel Bierlaire 48 - () - 4

25 Choix de l arc entrant Calcul des prix : () - 6 () racine - Sur chaque arc : coût (flot) Sur chaque nœud : prix () () - Transbordement ichel Bierlaire 49 Choix de l arc entrant Arbre maximal : - () - 6 () racine - Sur chaque arc : coût (flot) Sur chaque nœud : prix () () - Transbordement ichel Bierlaire

26 Choix de l arc entrant Arbre maximal : - () - 6 () racine - - Sur chaque arc : coût (flot) Sur chaque nœud : prix () () - Transbordement ichel Bierlaire Choix de l arc entrant Arbre maximal : () - -7 racine 6 () - - Sur chaque arc : coût (flot) Sur chaque nœud : prix () Transbordement ichel Bierlaire - () - 6

27 Choix de l arc entrant Arbre maximal : () racine 6 () - - Sur chaque arc : coût (flot) Sur chaque nœud : prix () Transbordement ichel Bierlaire - () - Choix de l arc entrant Calcul des prix (autre racine) : () 6 () - () () - Sur chaque arc : coût (flot) Sur chaque nœud : prix - racine Transbordement ichel Bierlaire 4 7

28 Choix de l arc entrant Calcul des prix (autre racine) : () 6 () - () () 6 - Sur chaque arc : coût (flot) Sur chaque nœud : prix - racine Transbordement ichel Bierlaire Choix de l arc entrant Calcul des prix (autre racine) : () 6 () - () () 6 - Sur chaque arc : coût (flot) Sur chaque nœud : prix - racine Transbordement ichel Bierlaire 6 8

29 Choix de l arc entrant Calcul des prix (autre racine) : () 6 () - 6 () () - Sur chaque arc : coût (flot) Sur chaque nœud : prix - racine Transbordement ichel Bierlaire 7 Choix de l arc entrant Calcul des prix (autre racine) : () 6 () racine Sur chaque arc : coût (flot) Sur chaque nœud : prix () Transbordement ichel Bierlaire 8 - () - 9

30 Choix de l arc entrant Notes : Les prix dépendent du choix de la racine du prix de la racine La différence de prix entre deux nœuds quelconques est indépendantes des décisions liées à la racine. Notamment, la quantité r ij = a ij + p j p i dépend uniquement de l arbre maximal T Transbordement ichel Bierlaire 9 Choix de l arc entrant Par définition des prix, r ij = a ij + p j p i = si (i,j) T Si, de plus, r ij (i,j) A, la CEC est vérifiée p i -p j a ij (i,j) A p i -p j =a ij (i,j) Atel que x ij > Dans ce cas, x est une solution optimale du primal, et p du dual. r ij est appelé le coût réduit de (i,j) Transbordement ichel Bierlaire 6

31 Choix de l arc entrant Dans le cas contraire, il existe (k,l) tel que (k,l) A, (k,l) T r kl = a kl + p l -p k < Si l on rajoute (k,l) à l arbre, on crée un cycle. Par convention, (k,l) doit être avançant dans le cycle. Transbordement ichel Bierlaire 6 Choix de l arc entrant Coût du cycle formé : Cycle à coût négatif Transbordement ichel Bierlaire 6

32 Choix de l arc entrant Solution de base admissible : () [-9] [-] racine 6 () - - [-] [9] - Sur chaque arc : coût (flot) [r ij ] Sur chaque nœud : prix () () [] - Transbordement ichel Bierlaire 6 Cycle Soit C le cycle formé par T et (k,l) Si C est vide, tous les arcs sont orientés comme (k,l) C est donc un cycle à coût négatif, le long duquel le flot peut être augmenté arbitrairement. Le problème est donc non-borné. Transbordement ichel Bierlaire 64

33 Cycle Si C n est pas vide, notons δ= min (i,j) C x ij le plus petit flot sur les arcs reculant. Il n est pas possible d envoyer plus que δ unités de flots sans violer les contraintes de non négativité. Transbordement ichel Bierlaire 6 Cycle Flot maximum le long du cycle : δ= () [-9] [-] racine 6 () - - [-] [9] - Sur chaque arc : coût (flot) [r ij ] Sur chaque nœud : prix () () [] - Transbordement ichel Bierlaire 66

34 Cycle Flot maximum le long du cycle : () [-9] [-] racine 6 () - - [-] [9] - Sur chaque arc : coût (flot) [r ij ] Sur chaque nœud : prix () δ= () [] - Transbordement ichel Bierlaire 67 Choix de l arc sortant Le nouveau vecteur de flot sera Tout arc (i,j) du cycle tel que x ij+ = est candidat pour sortir. Transbordement ichel Bierlaire 68 4

35 Choix de l arc sortant Avant d envoyer le flot : δ= () 6 () [-9] [-] racine - - [-] [9] - Sur chaque arc : coût (flot) [r ij ] Sur chaque nœud : prix () () [] - Transbordement ichel Bierlaire 69 Choix de l arc sortant Après avoir envoyé le flot : δ= () 6 () () [-9] racine - - Sur chaque arc : coût (flot) [r ij ] Sur chaque nœud : prix () - [-] () [9] [] [-] - Transbordement ichel Bierlaire 7

36 Choix de l arc sortant Nouvelle solution de base admissible : δ= () racine 6 () - - Sur chaque arc : coût (flot) - () () - Transbordement ichel Bierlaire 7 ise à jour des prix Soit (k,l) l arc entrant Soit e l arc sortant Soit T + =T+(k,l)-e l arbre correspondant à la nouvelle base. Considérons le sous-graphe T-e. Il est composé de deux arbres : T k contient le nœud k T l contient le nœud l Transbordement ichel Bierlaire 7 6

37 ise à jour des prix arc sortant T k () arc entrant (k,l) 6 () - Sur chaque arc : coût (flot) - - () T l () - Transbordement ichel Bierlaire 7 éthode p i+ = p i si i T k p i + = p i -r kl si i T l éthode K p i+ = p i + K si i T k p i + = p i -r kl + K si i T l éthode [K=r kl ] p i+ = p i +r kl si i T k p i + = p i si i T l ise à jour des prix Transbordement ichel Bierlaire 74 7

38 Dégénérescence Impossible d envoyer du flot () [-9] [-] racine 6 () - - [-] [9] - Sur chaque arc : coût (flot) [r ij ] Sur chaque nœud : prix () δ= () [] - Transbordement ichel Bierlaire 7 Dégénérescence On change de base mais la fonction objectif ne change pas. Risque que l algorithme cycle. Pour garantir l absence de cyclage, on introduit la notion de base fortement admissible. Transbordement ichel Bierlaire 76 8

39 Définition Dégénérescence Soit T un arbre admissible. Soit r la racine de l arbre. On dit que (i,j) T s écarte de la racine si le seul chemin entre r et j passe par i. Un arbre admissible T est fortement admissiblesi tous les arcs (i,j) tels que x ij = s écartent de la racine. Transbordement ichel Bierlaire 77 Dégénérescence Arbre admissible, mais pas fortement () [-9] [-] racine 6 () - - [-] [9] - Sur chaque arc : coût (flot) [r ij ] Sur chaque nœud : prix () () [] - Transbordement ichel Bierlaire 78 9

40 Dégénérescence Arbre fortement admissible () 6 () [-9] [-] - - [-] [9] - Sur chaque arc : coût (flot) [r ij ] Sur chaque nœud : prix () () [] - racine Transbordement ichel Bierlaire 79 Théorème Dégénérescence Si les arbres admissibles générés par la méthode du simplexe sont tous fortement admissibles, alors tous ces arbres sont distincts. Dans ce cas, l algorithme effectuera un nombre fini d itérations. Transbordement ichel Bierlaire 8 4

41 Dégénérescence Supposons que l on dispose au début d un arbre fortement admissible. Il faut s arranger pour que le nouvel arbre produit soit aussi fortement admissible. Il faut choisir l arc sortant de manière appropriée. Transbordement ichel Bierlaire 8 Dégénérescence Procédure de choix de l arc sortant Soit T un arbre fortement admissible Soit (k,l) l arc entrant Soit C le cycle formé par T et (k,l) Supposons que C est non vide. Soit δ= min (i,j) C x ij Soit C*={(i,j) C x ij = δ} l ensemble des candidats à sortir. Transbordement ichel Bierlaire 8 4

42 Dégénérescence Procédure de choix de l arc sortant (suite) Le jointde C est le premier nœud du cycle sur le chemin entre r et k. Choisir comme arc sortant le premier arc de C* rencontré lorsque l on parcourt le cycle en partant du joint. Dans ce cas, le nouvel arbre sera également fortement admissible. Transbordement ichel Bierlaire 8 Dégénérescence r Flot = joint Flot = Flot = Flot = Flot = k Flot = l arc sortant Transbordement ichel Bierlaire 84 4

43 Initialisation Comment trouver un premier arbre fortement admissible? Idée: ajouter un nœud artificiel avec s = ajouter un arc entre et chaque nœud i Arc (i,) si s i > Arc (,i) si s i coût des arcs artificiels : >, très grand Transbordement ichel Bierlaire 8 Initialisation Transbordement ichel Bierlaire 86 4

44 Initialisation Arbre initial : Uniquement les arcs artificiels. Racine : nœud Par construction, les arcs transportant un flot nul s éloignent de la racine Il s agit donc bien d un arbre fortement admissible Transbordement ichel Bierlaire 87 Initialisation 4 () 6 - () - () () - () Transbordement ichel Bierlaire 88 44

45 Calcul des prix - - () 6 - () - () () () Transbordement ichel Bierlaire 89 réduits - - [-+] () 6 δ= - () Transbordement ichel Bierlaire 9 - () () () 4

46 ise à jour des flots - - () () 6 δ= - () Transbordement ichel Bierlaire 9 - () () () ise à jour des prix r kl = - + T k - - () () 6 - () Transbordement ichel Bierlaire 9 - () () T l () 46

47 Nouvel arbre () 6 - () Transbordement ichel Bierlaire 9 - () () () réduits () 6 - () Transbordement ichel Bierlaire 94 - () [-+] () () δ= 47

48 ise à jour des flots () 6 - () Transbordement ichel Bierlaire 9 - () () () () δ= ise à jour des prix r kl = - + T k () 6 - () Transbordement ichel Bierlaire 96 - () () () () T l 48

49 Nouvel arbre () 6 () - -+ () () -+ () δ= Transbordement ichel Bierlaire 97 réduits () 6 () - [-+] -+ () () -+ () δ= Transbordement ichel Bierlaire 98 49

50 ise à jour des prix r kl = - + T k () () T l () -+4 () () -4+4 () Transbordement ichel Bierlaire 99 Nouvel arbre () 6 () - () -+4 () () -4+4 Transbordement ichel Bierlaire

51 réduits 6[-+6] () () - () -+4 () () -4+4 δ= Transbordement ichel Bierlaire ise à jour des flots () 6() () - () -+4 () () -4+4 δ= Transbordement ichel Bierlaire

52 Choix de l arc sortant () 6() () - () -+4 () () -4+4 arc sortant racine=joint Transbordement ichel Bierlaire ise à jour des prix r kl = - +6 T k T l () 6() -+4 () Transbordement ichel Bierlaire 4 - () -4+4 () racine=joint () arc sortant

53 Nouvel arbre () 6() () - () -+4 () -4+4 Transbordement ichel Bierlaire réduits () 6() -[-4] () () -+4 () -4+4 δ= Transbordement ichel Bierlaire 6

54 ise à jour des prix r kl = () 6() -() T k () T l () -+4 () -4+4 Transbordement ichel Bierlaire 7 Nouvel arbre () 6() -() () - () -4 Transbordement ichel Bierlaire 8 4

55 réduits () 6() -() [-6] () - () -4 δ= Transbordement ichel Bierlaire 9 ise à jour des flots () 6() -() () () - () -4 δ= Transbordement ichel Bierlaire

56 ise à jour des prix r kl = T l () 6() - -() () () () Transbordement ichel Bierlaire -4 T k Nouvel arbre () 6 -() () () - () -4 Transbordement ichel Bierlaire 6

57 réduits () 6 -() () () [-] - () -4 δ= Transbordement ichel Bierlaire ise à jour des flots () 6 -() () () () - () -4 δ= Transbordement ichel Bierlaire 4 7

58 ise à jour des prix r kl = T k () 6 - () -() () () () Transbordement ichel Bierlaire -4 T l Nouvel arbre () 6 -() () () -- () -4- Transbordement ichel Bierlaire 6 8

59 réduits () 6 -() () () -- () -4- [-] δ= Transbordement ichel Bierlaire 7 ise à jour des prix r kl = () 6 -() () T l () T k () δ= Transbordement ichel Bierlaire 8 9

60 Nouvel arbre () 6 -() () () () Transbordement ichel Bierlaire 9 réduits : optimum [] () 6[6] [6] -() () [] () [] [-] -- [-] [] -4- [] () Transbordement ichel Bierlaire 6

61 Propriété d intégralité Si les s i sont tous entiers, alors la solution optimale primale sera aussi entière. De plus, si le prix arbitraire initial de la racine est entier, et que tous les coefficients de coût sont entiers, alors la solution optimale duale sera aussi entière. Transbordement ichel Bierlaire 6

Optimisation dans les réseaux

Optimisation dans les réseaux Optimisation dans les réseaux Recherche Opérationnelle GC-SIE Le problème du flot maximal 1 Introduction Données : Graphe (N,A) Capacités : x ij [b ij,c ij ] Un nœud source s Un nœud puits t Problème :

Plus en détail

Optimisation dans les réseaux

Optimisation dans les réseaux Optimisation dans les réseaux GC-SIE Graphes et flots 1 Graphes Un graphe orienté G=(N,A) consiste en un ensemble de N nœudsnet un ensemble de A arcs A. On supposera 1 N < et 0 A < il existe un seul arc

Plus en détail

Algorithme du plus court chemin

Algorithme du plus court chemin Algorithme du plus court chemin p. /47 Algorithme du plus court chemin Michel Bierlaire michel.bierlaire@epfl.ch EPFL - Laboratoire Transport et Mobilité - ENAC Algorithme du plus court chemin p. /47 Le

Plus en détail

Optimisation linéaire

Optimisation linéaire Optimisation linéaire Recherche opérationnelle GC-SIE Algorithme du simplexe 1 Rappel Si un problème de programmation linéaire en forme standard possède une solution optimale, alors il existe une solution

Plus en détail

se trouve en un sommet de l ensemble convexe des solutions admissibles K = {x 0 Ax =

se trouve en un sommet de l ensemble convexe des solutions admissibles K = {x 0 Ax = Chapitre 3 Méthode du simplexe Comme toujours, on suppose que A une matrice de format m n et b R m. On notera les colonnes de A par [a 1, a 2,..., a n ]. Aussi, on fera l hypothèse que le rang de la matrice

Plus en détail

Modèles de Flot - Cours 3

Modèles de Flot - Cours 3 Modèles de Flot - Cours 3 P. Pesneau pierre.pesneau@math.u-bordeaux.fr Université de Bordeaux Bât A33 - Bur 265 P. Pesneau pierre.pesneau@math.u-bordeaux.fr Modèles de Flot - Cours 3 1 / 34 Sommaire 1

Plus en détail

Réseaux de transports

Réseaux de transports Réseaux de transports Marie-Pierre Béal Université Paris-Est Marne-la-Vallée. L3 Informatique Bibliographie V. Chávtal. Linear Programming, W.H. Freeman, 1983. Exemple de problèmes de transport Example

Plus en détail

Unité d Enseignement RCP101 : Recherche Opérationnelle et Aide à la Décision. Cours 5 Programmation linéaire (suite)

Unité d Enseignement RCP101 : Recherche Opérationnelle et Aide à la Décision. Cours 5 Programmation linéaire (suite) Unité d Enseignement RCP101 : Recherche Opérationnelle et Aide à la Décision Cours 5 Programmation linéaire (suite) Conservatoire National des Arts et Métiers E. Soutil 2 UE RCP101 Recherche Opérationnelle

Plus en détail

1. Théorie et algorithmes

1. Théorie et algorithmes Flots dans les réseaux Flots maximum 1. Théorie et algorithmes Considérons un graphe orienté R=(V,E) contenant un sommet s sans prédécesseur, appelé source, et un sommet t sans successeur, appelé puits.

Plus en détail

Graphes et réseaux. Michel Bierlaire. EPFL - Laboratoire Transport et Mobilité - ENAC. Graphes et réseaux p.

Graphes et réseaux. Michel Bierlaire. EPFL - Laboratoire Transport et Mobilité - ENAC. Graphes et réseaux p. Graphes et réseaux p. 1/44 Graphes et réseaux Michel Bierlaire michel.bierlaire@epfl.ch EPFL - Laboratoire Transport et Mobilité - ENAC Graphes et réseaux p. 2/44 Réseaux Réseaux routiers Graphes et réseaux

Plus en détail

Optimisation Linéaire - TD 2 (Corrigé)

Optimisation Linéaire - TD 2 (Corrigé) Optimisation Linéaire - TD (Corrigé) Exercice 1 : Mise sous forme canonique Mettre les problèmes linéaires suivants sous forme canonique. Problème 1 : max 3x 1 x + x 3 (1) 5x 1 + x + x 3 5 () 3x 1 4x =

Plus en détail

Dualité en Programmation Linéaire Algorithmes primal et dual du simplexe. Alain Faye Option 3A Optimisation 1

Dualité en Programmation Linéaire Algorithmes primal et dual du simplexe. Alain Faye Option 3A Optimisation 1 Dualité en Programmation Linéaire lgorithmes primal et dual du simplee lain Fae Option 3 Optimisation Dualité lagrangienne Dualité lagrangienne Problème Primal min f() s.c. g i, i =,, m X &h j () =, j

Plus en détail

Optimisation linéaire

Optimisation linéaire Optimisation Recherche opérationnelle GC-SIE Géométrie de la programmation 1 Polyèdres Définitions : Un polyèdreest un ensemble qui peut être décrit comme P={x IR n Ax b} où A est une matrice m x n et

Plus en détail

Introduction à l optimisation discrète

Introduction à l optimisation discrète Ecole Nationale Supérieure de Techniques Avancées (ENSTA) -http://www.ensta.fr Adam Ouorou France Télécom Division R&D ENSTA - Mars 2006 Plan 1 Ecole Nationale Supérieure de Techniques Avancées (ENSTA)

Plus en détail

Programmation linéaire

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

Plus en détail

6. Graphes et arbres. Graphes et informatique. Graphes. Exemples

6. Graphes et arbres. Graphes et informatique. Graphes. Exemples Graphes et informatique. Graphes et arbres Modélisation par les graphes : gestion des réseaux routage dans les circuits VLSI autres routages automates Graphes comme structures de données : arbres (binaires)

Plus en détail

1.7 Arbres 40 CHAPITRE 1. GRAPHES NON ORIENTÉS

1.7 Arbres 40 CHAPITRE 1. GRAPHES NON ORIENTÉS 40 CHAPITRE. GRAPHES NON ORIENTÉS.7 Arbres Un arbre est un graphe connexe sans cycle. En particulier, les chaînes élémentaires et les étoiles sont des arbres. Voir Fig..46 pour quelques exemples d arbres.

Plus en détail

Des problèmes sur les réseaux Classement

Des problèmes sur les réseaux Classement Des problèmes sur les réseaux Classement Affectation Réseau trivial? ensemble de sources (disponibilité = 1) et de puits (demande = 1) et où chaque arc est d une source à un puits Transport Demandes, disponibilités

Plus en détail

Solutions Feuille de Travaux Dirigés n 1

Solutions Feuille de Travaux Dirigés n 1 Université Francois Rabelais de Tours Département de Mathématiques Solutions Feuille de Travaux Dirigés n 1 Mimats Semestre 10 Exercice 1 Soit G un graphe acyclique (et donc nécessairement simple). Montrer

Plus en détail

Programmation Linéaire : Résumé examen janvier 08

Programmation Linéaire : Résumé examen janvier 08 Programmation Linéaire : Résumé examen janvier 08 Introduction aux problèmes linéaires On nous donne un problème industriel, il faut le modéliser en problème linéaire afin de le résoudre et de trouver

Plus en détail

La dualité en programmation linéaire

La dualité en programmation linéaire La dualité en programmation linéaire Motivation : recherche de bornes Dual d un problème canonique Règles de dualisation Théorèmes de dualité faible et forte Théorèmes des écarts complémentaires Interprétation

Plus en détail

Programmation linéaire et Méthode du simplexe (en bref)

Programmation linéaire et Méthode du simplexe (en bref) Université de Versailles Saint-Quentin-en-Yvelines Tahar Z. BOULMEZAOUD boulmeza@math.uvsq.fr Programmation linéaire et Méthode du simplexe (en bref) On appelle programme linéaire un problème d optimisation

Plus en détail

Optimisation linéaire

Optimisation linéaire Cours 1 Optimisation linéaire L optimisation linéaire est un domaine de la recherche opérationnelle. Elle consiste à modéliser des problèmes de recherche opérationnelle à l aide d inégalités linéaires

Plus en détail

Max z = cx Ax b x 0. x 1.. x n

Max z = cx Ax b x 0. x 1.. x n Chapitre 2 Dualité 21 Introduction Avant de donner la definition formelle d un problème dual, nous allons expliquer comment il s explique en terme de problème de production Une entreprise I fabrique n

Plus en détail

Matroïdes. Le résultat suivant caractérise les structures pour lesquelles l algorithme glouton fournit une solution optimale

Matroïdes. Le résultat suivant caractérise les structures pour lesquelles l algorithme glouton fournit une solution optimale Matroïdes Définition Soit E un ensemble fini et soit F une famille de sous-ensembles de E. Le couple (E,F ) est un matroïde si (a) F (b) si F F et F F alors F F (c) si F, F F avec F = F +1, alors il existe

Plus en détail

Chapitre 8 : Flots dans les réseaux

Chapitre 8 : Flots dans les réseaux Chapitre 8 : Flots dans les réseaux Algorithmique de graphes Sup Galilée-INFO2 Sylvie Borne 2011-2012 Chapitre 8 : Flots dans les réseaux - 1/57 1 Flot réalisable Plan 2 Le problème du flot maximum Exemple

Plus en détail

3. Optimisation de réseaux a. Graphes et réseaux b. Plus courts chemins c. Arbres de poids minimum d. Flot maximum

3. Optimisation de réseaux a. Graphes et réseaux b. Plus courts chemins c. Arbres de poids minimum d. Flot maximum IFT1575 Modèles de recherche opérationnelle (RO) 3. Optimisation de réseaux a. Graphes et réseaux b. Plus courts chemins c. Arbres de poids minimum d. Flot maximum Graphe orienté Exemple : réseau de distribution

Plus en détail

PARTIE I. Optimisation linéaire : Algorithme du simplexe

PARTIE I. Optimisation linéaire : Algorithme du simplexe PARTIE I Optimisation linéaire : Algorithme du simplexe (Cours 5) Exercice 2 Exercice 2 Soit le problème d optimisation à résoudre par la forme matricielle du simplexe max x R 3 42x 1 + 39x 2 + 52x 3 sous

Plus en détail

Cours 4: Programmation linéaire

Cours 4: Programmation linéaire Cours 4: Programmation linéaire Position du problème Algorithme du simplexe générique Dualité. Dégénérescence et terminaison de l algorithme 1-1 Cours 4: Programmation linéaire Position du problème Algorithme

Plus en détail

Formation CNAM 1. Plan du chapitre 4 Principes de base de la PL. 1. Introduction à la Programmation Linéaire. Exemple d un modèle de PL

Formation CNAM 1. Plan du chapitre 4 Principes de base de la PL. 1. Introduction à la Programmation Linéaire. Exemple d un modèle de PL Optimisation en Informatique RCP04 Cours 3 Principes de base de la Programmation Linéaire (PL) Plan du chapitre 4 Principes de base de la PL. Introduction à la programmation linéaire. Modélisation de problèmes

Plus en détail

I - Programmation linéaire

I - Programmation linéaire EOAA - 2009/10 Préliminaires Formulation Exemple de problème bidimensionnel Généralisation Problème sous forme normale Résolution dans le cas général Programmation linéaire en nombres entiers Exercice

Plus en détail

Construire des espaces triangulés avec des graphes colorés

Construire des espaces triangulés avec des graphes colorés 25 janvier 2016 Soient x 0,..., x D des points linéairement indépendants dans R n, avec D n. Le simplexe σ(x 0,..., x D ) défini par x 0,..., x D est leur enveloppe convexe, i.e. : { } σ(x 0,..., x D )

Plus en détail

Chapitre 5. Théorie des graphes

Chapitre 5. Théorie des graphes Chapitre 5 Théorie des graphes 206 Plan 1. Définitions 2. Connexité 3. Arbres et forêts 4. Distance et diamètre 5. Coloriage de graphes 6. Graphes bipartis et appariement 7. Réseaux de communication Sources

Plus en détail

Unité d Enseignement RCP101 : Recherche Opérationnelle et Aide à la Décision. Cours 2 Chemins de longueur optimale

Unité d Enseignement RCP101 : Recherche Opérationnelle et Aide à la Décision. Cours 2 Chemins de longueur optimale Unité d Enseignement RCP101 : Recherche Opérationnelle et Aide à la Décision Cours 2 Chemins de longueur optimale Conservatoire National des Arts et Métiers 2 UE RCP101 Recherche Opérationnelle et Aide

Plus en détail

Dualité et programmation linéaire: Énoncé et guide

Dualité et programmation linéaire: Énoncé et guide Dualité et programmation linéaire: Énoncé et guide Cours MAP 557, «Recherche Opérationnelle : aspects mathématiques et applications» Séance 2, 23 Septembre 2016 Acquisition du cours Signalons quelques

Plus en détail

Méthode du simplexe Analyse algébrique

Méthode du simplexe Analyse algébrique Analyse algébrique Illustration des théorèmes On reprend l exemple des ceintures de cuir, c- à-d maximiser z, avec : z = 4x + 3x 2 x + x 2 + s = 40 2x + x 2 + s 2 = 60 x, x 2, s, s 2 0 Solution optimale

Plus en détail

Unité d Enseignement RCP101 : Recherche Opérationnelle et Aide à la Décision. Cours 6 Programmation linéaire (suite) - Dualité

Unité d Enseignement RCP101 : Recherche Opérationnelle et Aide à la Décision. Cours 6 Programmation linéaire (suite) - Dualité Unité d Enseignement RCP0 : Recherche Opérationnelle et Aide à la Décision Cours 6 Programmation linéaire (suite) - Dualité Conservatoire National des Arts et Métiers E. Soutil 2 UE RCP0 Recherche Opérationnelle

Plus en détail

Optimisation Linéaire

Optimisation Linéaire Optimisation Linéaire Cours 2 : algorithme du simplexe Adrien Goëffon Bureau H207 / adrien.goeffon@univ-angers.fr Algorithme du simplexe On souhaite résoudre le programme linéaire suivant (ici sous forme

Plus en détail

Arborescences et représentations informatiques des graphes

Arborescences et représentations informatiques des graphes Arborescences et représentations informatiques des graphes robillard@ensiie.fr 13 décembre 2007 Plan Arborescences 1 Arborescences 2 Matrice d adjacence Liste d adjacence Avantages et inconvénients de

Plus en détail

UNIVERSITE SAAD DAHLAB DE BLIDA

UNIVERSITE SAAD DAHLAB DE BLIDA Cours 05 : Initialisation de l'algorithme du simplexe. Méthode des deux phases Cours 05 : Initialisation de l'algorithme du simplexe. 49 Dans ce cours 05, nous supposons que pour notre problème de P.L

Plus en détail

IV. PROGRAMMATION LINEAIRE. Forme standard Résolution graphique Définitions et théorèmes Algorithme du simplexe Dualité Approches non linéaires

IV. PROGRAMMATION LINEAIRE. Forme standard Résolution graphique Définitions et théorèmes Algorithme du simplexe Dualité Approches non linéaires Forme standard Résolution graphique Définitions et théorèmes Algorithme du simplexe Dualité Approches non linéaires IV.1 Forme standard (1) Minimiser avec Il est toujours possible de revenir à la forme

Plus en détail

Introduction à la programmation en variables entières Cours 5

Introduction à la programmation en variables entières Cours 5 Introduction à la programmation en variables entières Cours 5 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Sommaire 1 Relaxation Lagrangienne 2 Relaxation Pour

Plus en détail

Introduction à la programmation en variables entières Cours 2

Introduction à la programmation en variables entières Cours 2 Introduction à la programmation en variables entières Cours 2 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Sommaire Relaxation Linéaire et dualité 1 Relaxation

Plus en détail

Problème du plus court chemin : Algorithmes et complexité

Problème du plus court chemin : Algorithmes et complexité Problème du plus court chemin : Algorithmes et complexité MSEA: Flot et Routage (d après Ahuja, R.K., T.L. Magnanti and J.B. Orlin, Prentice Hall, 99, et d après les notes des cours de L.A. Wolsey et F.

Plus en détail

Algorithme du Simplexe

Algorithme du Simplexe MATH-F-306 Optimisation chapitre 3 Algorithme du Simplexe 20 avril 2007 Optimisation MATH-F-306 MATH-F-306 3. Algorithme du Simplexe RAPPEL au TABLEAU : Algorithme du Simplexe TODO step 0 : step 1 : step

Plus en détail

Licence Informatique Université de Bordeaux. 4TIN501U Algorithmique et structures de données 2 Feuille 1

Licence Informatique Université de Bordeaux. 4TIN501U Algorithmique et structures de données 2 Feuille 1 Licence Informatique Université de Bordeaux 4TIN501U Algorithmique et structures de données 2 Feuille 1 Exercice 1 Montrer que dans un graphe non orienté la somme des degrés des sommets est un nombre pair.

Plus en détail

Complexité du coloriage de graphes

Complexité du coloriage de graphes omplexité du coloriage de graphes orrection. NB: l unique question importante de cet énoncé est la question 7. Elle sera la question qui aura le plus fort coefficient, de loin. ans tout le problème, un

Plus en détail

Modèle dual. Programmation linéaire (dualité et analyse de sensibilité) Dualité : exemple Wyndor Glass. Modèle dual (suite)

Modèle dual. Programmation linéaire (dualité et analyse de sensibilité) Dualité : exemple Wyndor Glass. Modèle dual (suite) Modèle dual Modèles de recherche opérationnelle (RO Programmation linéaire (dualité et analyse de sensibilité Variables de décision : y i = prix ($/h pour louer du temps à l usine i Dual Glass cherche

Plus en détail

A chaque problème d optimisation linéaire, nous allons définir un nouveau problème appellé le dual. Le problème original est le primal.

A chaque problème d optimisation linéaire, nous allons définir un nouveau problème appellé le dual. Le problème original est le primal. Chapitre 4 Dualité 4.1 Problème dual On suppose que A est une matrice de format m n et b R m. A chaque problème d optimisation linéaire, nous allons définir un nouveau problème appellé le dual. Le problème

Plus en détail

Dualité lagrangienne. Deuxième partie. 3 Relaxation lagrangienne. Problèmes considérés Programme en nombres entiers. z = max cx

Dualité lagrangienne. Deuxième partie. 3 Relaxation lagrangienne. Problèmes considérés Programme en nombres entiers. z = max cx Deuxième partie Dualité lagrangienne 3 Relaxation lagrangienne Problèmes considérés Programme en nombres entiers Exemple : z = max cx Ax b, contraintes faciles Dx d, x Z n +. Voyageur de commerce (TSP)

Plus en détail

Problèmes de Flots, Problèmes de couplage, Problèmes d affectation

Problèmes de Flots, Problèmes de couplage, Problèmes d affectation Problèmes de Flots, Problèmes de couplage, Problèmes d affectation 0/oo / 0/ /oo 0/ / 0/oo / / / /oo /oo 0/oo / 0/ Plan : Maximisation de flot : Algorithme de Ford-Fulkerson Problème de couplage Problème

Plus en détail

Recherche Opérationnelle I

Recherche Opérationnelle I Recherche Opérationnelle I Nadia Brauner Nadia.Brauner@imag.fr Programmation linéaire Programmation linéaire Plan 1 Introduction à la programmation linéaire 2 Interprétation géométrique 3 Bases et points

Plus en détail

T-JOINTS (NOTES DE COURS)

T-JOINTS (NOTES DE COURS) T-JOINTS (NOTES DE COURS) FRÉDÉRIC MEUNIER 1. OUTILS ET NOTATIONS 1.1. Différence symétrique. La différence symétrique de deux ensembles A et B est l ensemble (A \ B) (B \ A) = (A B) \ (A B) et est notée

Plus en détail

Cours 2. Partie 1: Introduction à l algorithmique Graphes. Arbres.

Cours 2. Partie 1: Introduction à l algorithmique Graphes. Arbres. Cours. Partie : Introduction à l algorithmique Graphes. Arbres. Olivier Bournez bournez@lix.polytechnique.fr LIX, Ecole Polytechnique 0- Algorithmique Aujourd hui Les graphes Les arbres Les arbres binaires

Plus en détail

Mini-projet: Programmation Linéaire et jeux. Jeu coopératif : calcul d une répartition stable

Mini-projet: Programmation Linéaire et jeux. Jeu coopératif : calcul d une répartition stable MAE41 Jeux, graphes et R.O. année 2009 2010 Mini-projet: Programmation Linéaire et jeux Jeu coopératif : calcul d une répartition stable proposé par Pierre Fouilhoux 1 Introduction à la théorie des jeux

Plus en détail

La notion de dualité

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

Plus en détail

IFT2505. Programmation Linéaire

IFT2505. Programmation Linéaire IFT 505 Programmation Linéaire DIRO Université de Montréal http://www.iro.umontreal.ca/~bastin/ift505.php Automne 0 Exemple sur le simplexe dual et primal-dual On considère le problème Le dual est min

Plus en détail

CONTRÔLE DE RECHERCHE OPÉRATIONNELLE

CONTRÔLE DE RECHERCHE OPÉRATIONNELLE CONTRÔLE DE RECHERCHE OPÉRATIONNELLE Tout objet électronique (smartphone, tablette, ordinateur, calculatrice, etc.) interdit. Tout document papier autorisé. 1. Production chimique Une usine de produits

Plus en détail

l algorithme du simplexe

l algorithme du simplexe l algorithme du simplexe Algorithme efficace pour résoudre des problèmes de programmation linéaire (ou de trouver qu il n y a pas de solution) Beaucoup utilisé et réussit sur les problèmes réels Théoriquement

Plus en détail

CONTRÔLE DE RECHERCHE OPÉRATIONNELLE

CONTRÔLE DE RECHERCHE OPÉRATIONNELLE CONTRÔLE DE RECHERCHE OPÉRATIONNELLE FÉVRIER 05 Tout document autorisé. Calculatrices et calculettes interdites. Le total des points fait 30. La note sera laissée sur 0.. PLUS COURT CHEMIN PTS On considère

Plus en détail

Graphes et algorithmes de graphes

Graphes et algorithmes de graphes MP & MP Option Informatique Neuxième TP Caml Mercredis 27 février et 6 mars 2007 Graphes et algorithmes de graphes Les graphes constituent une structure de données extrêmement générale, ce qui lui permet

Plus en détail

Programmation linéaire. Méthode du simplexe.

Programmation linéaire. Méthode du simplexe. Programmation linéaire. Méthode du simplexe. S. EL BERNOUSSI 25 octobre 2010 Table des matières 1 Introduction. 2 2 Notion de programme linéaire. 2 2.1 Exemple................................ 2 2.2 Forme

Plus en détail

Recherche Opérationnelle I

Recherche Opérationnelle I Recherche Opérationnelle I Nadia Brauner Nadia.Brauner@imag.fr Programmation linéaire en nombres entiers Programmation linéaire en nombres entiers Introduction Programmation Linéaire (PL) Variables de

Plus en détail

Déterminants. Chapitre 23. Objectifs. Plan

Déterminants. Chapitre 23. Objectifs. Plan Chapitre 23 Déterminants Objectifs Étudier le groupe des permutations de [[1n]] Définir les notions : de cycles, de transpositions, de décomposition en produit de cylces, de signature Définir les notions

Plus en détail

Automates et matrices pondérés

Automates et matrices pondérés ÉCOLES NORMALES SUPÉRIEURES CONCOURS D ADMISSION 2015 FILIÈRE MP SPÉCIALITÉ INFO COMPOSITION D INFORMATIQUE-MATHÉMATIQUES (ULCR) (Durée : 4 heures) L utilisation des calculatrices n est pas autorisée pour

Plus en détail

Semestre Licence Université Lille 1 Pour toutes remarques : Mathématiques discrètes :

Semestre Licence Université Lille 1 Pour toutes remarques : Mathématiques discrètes : V0 (22-11-2010) théorie Licence Université Lille 1 Pour toutes remarques : Alexandre.Sedoglavic@univ-lille1.fr Semestre 3 2010-2011 Un graphe est l abstraction des relations binaires entre objets. Cette

Plus en détail

Master 1 Maths correction de l examen cc1 d optimisation

Master 1 Maths correction de l examen cc1 d optimisation Master 1 Maths 2013-2014 correction de l examen cc1 d optimisation Exercice 1 Résolution d un.l. par l algorithme du simplexe Dans cet exercice l algorithme du simplexe utilisera la stratégie suivante

Plus en détail

UN PROBLÈME D EMPLOI DU TEMPS

UN PROBLÈME D EMPLOI DU TEMPS UN PROBLÈME D EMPLOI DU TEMPS Des professeurs doivent donner chaque semaine des cours à des classes. La semaine est divisée en tranches horaires dans lesquelles doivent se placer ces cours et chaque professeur

Plus en détail

THÉORIE DES GRAPHES (5)

THÉORIE DES GRAPHES (5) THÉORIE DES GRAPHES (5) Michel Rigo http://www.discmath.ulg.ac.be/ Année 2007 2008 ALGÈBRE D ADJACENCE Soit G = (V, E), un multi-graphe non orienté. A G : algèbre (sur C) des polynômes en la matrice d

Plus en détail

Chapitre 6 : Programmation linéaire, Algorithme du simplexe

Chapitre 6 : Programmation linéaire, Algorithme du simplexe Chapitre 6 : Programmation linéaire, Algorithme du simplexe ENSIIE - Module de Recherche Opérationnelle (dimitri.watel@ensiie.fr) 2016-2017 Objectif Résoudre un programme linéaire quelconque de la forme

Plus en détail

e3a 2017 : option informatique

e3a 2017 : option informatique e3a 2017 : option informatique Exercice 1 On suppose défini le type arbre de la manière suivante : type arbre = Feuille of int Noeud of arbre * arbre ;; On dit qu un arbre est un peigne si tous les noeuds

Plus en détail

Simplexe. Recherche Opérationnelle et Optimisation Master 1 I2L. Sébastien Verel

Simplexe. Recherche Opérationnelle et Optimisation Master 1 I2L. Sébastien Verel Simplexe Recherche Opérationnelle et Optimisation Master 1 I2L Sébastien Verel verel@lisic.univ-littoral.fr http://www-lisic.univ-littoral.fr/~verel Université du Littoral Côte d Opale Laboratoire LISIC

Plus en détail

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. 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)

Plus en détail

Envoi de combinatoire: quelques corrigés

Envoi de combinatoire: quelques corrigés Envoi de combinatoire: quelques corrigés 29 octobre 204 Exercice On considère un échiquier classique 8 8. Un zigzag est un chemin sur les cases blanches, qui part d une case (quelconque) de la ligne du

Plus en détail

La programation dynamique

La programation dynamique La programation dynamique François Lemieux UQAC François Lemieux (UQAC) La programation dynamique 1 / 51 La programmation dynamique 1 Le compromis espace/temps 2 Principes de la programmation dynamique

Plus en détail

Chapitre 2 Arbres et Arborescences

Chapitre 2 Arbres et Arborescences Chapitre 2 Arbres et Arborescences 1. Introduction Ce chapitre présente un type spécial de graphes que l on appelle arbres. Les arbres sont des graphes particulièrement importants qui ont donné lieu à

Plus en détail

Espaces euclidiens, orthogonalité, longueur. Moindres carrés.

Espaces euclidiens, orthogonalité, longueur. Moindres carrés. Université de Nice SL2M 2009-10 Algèbre 2 Espaces euclidiens, orthogonalité, longueur. Moindres carrés. On travaille avec le corps des réels, noté R. Pour tout entier naturel n, on considère l ensemble

Plus en détail

Problème de flot, d affectation et de transport

Problème de flot, d affectation et de transport MASTER MANAGEMENT LOGISTIQUE Problème de flot, d affectation et de transport Réalisé par : OMARI Redouane & DACHRY Abdelfattah Encadré par : Mr. LOUMANI Année universitaire 2008 /2009 Sommaire Introduction...

Plus en détail

Génération de colonnes

Génération de colonnes Génération de colonnes ENSIIE-Master MPRO Alain Faye 1 Introduction On considère le problème: (Pb) max f(x) s.c. g j (x) 0 j J, x X Avec f linéaire, g j affines Avec X={x Z n : h(x) 0 } X partie de Z n,

Plus en détail

Problèmes NP-complets

Problèmes NP-complets Complexité et Graphe 2014-2015 ENSTA Problèmes NP-complets Dire qu un problème est NP-complet, c est à dire qu il est dans NP (borne supérieure) et qu il est difficile pour cette classe (borne inférieure).

Plus en détail

Moca B2. v1.00. Kevin DEHLINGER

Moca B2. v1.00. Kevin DEHLINGER Moca B2 v1.00 Kevin DEHLINGER http://dev.pulsed.net/wp 200 Table des matières Chapitre 1 : Programmation linéaire... 4 1) Exemple... 4 2) Méthode graphique... 5 3) Méthode algébrique... 6 4) Méthode algébrique

Plus en détail

Christophe Gonzales. LIP6 Université Paris 6, France

Christophe Gonzales. LIP6 Université Paris 6, France Cours 3 : Problèmes de dégénérescence Christophe Gonzales LIP6 Université Paris 6, France Éviter les problèmes de dégénérescence Cours 3 : Problèmes de dégénérescence 2/11 Dégénérescence = possibilité

Plus en détail

IFT2505. Programmation Linéaire

IFT2505. Programmation Linéaire IFT 2505 Programmation Linéaire DIRO Université de Montréal http://www.iro.umontreal.ca/~bastin/ift2505.php Automne 2013 Solutions de base min c T x x s.c. Ax = b, x 0. Supposons m n et rang(a) = m. Sans

Plus en détail

Chaînes, connexité, cycles

Chaînes, connexité, cycles Université Pierre et Marie Curie LM226 Combinatoire et Graphes Licence de Mathématiques 2014-2015 D. Bernardi Chaînes, connexité, cycles Feuille 3 - Énoncés Exercice 66 Montrer que si tous les sommets

Plus en détail

Interpolation. Chapitre Introduction

Interpolation. Chapitre Introduction Chapitre 4 Interpolation Dans ce chapitre, on s intéresse au problème suivant Étant donné une fonction continue, comment peut-on l approcher par un polynôme? Plus précisément, on se donne une fonction

Plus en détail

RELAXATION LAGRANGIENNE

RELAXATION LAGRANGIENNE Chapitre 4 RELAXATION LAGRANGIENNE 4.1 Introduction La relaxation lagrangienne est une manipulation classique en optimisation sous contraintes. Bien qu intimement liée à la convexité, elle est couramment

Plus en détail

IFT2505. Programmation Linéaire

IFT2505. Programmation Linéaire IFT 2505 Programmation Linéaire DIRO Université de Montréal http://www.iro.umontreal.ca/~bastin/ift2505.php Automne 2013 Forme matricielle de la méthode du simplexe Utile pour mieux comprendre, et construire

Plus en détail

Arbre couvrant de poids minimum Algorithme de PRIM

Arbre couvrant de poids minimum Algorithme de PRIM Arbre couvrant de poids minimum de PRIM Master I - Le Havre Plan de poids minimum Problème Enoncé du problème Soit G = (S, A) un graphe connexe non orienté, un arbre de recouvrement T = (S, A ) est un

Plus en détail

J.F.C. F.N.P.V. p. 1 EXTREMUM. Dans ce cas le minimum de f sur D est f(a), c est le plus petit élément de f(d) et on le note : Min

J.F.C. F.N.P.V. p. 1 EXTREMUM. Dans ce cas le minimum de f sur D est f(a), c est le plus petit élément de f(d) et on le note : Min 19-3- 2010 J.F.C. F.N.P.V. p. 1 V EXTREMUM 1. Les définitions de base Il convient d avoir une parfaite connaissance des définitions qui suivent Déf. 37 f est une application d une partie D de R n dans

Plus en détail

Olympiades Françaises de Mathématiques Corrigé de l envoi Numéro 4 Combinatoire OFM. Olympiade. Française.

Olympiades Françaises de Mathématiques Corrigé de l envoi Numéro 4 Combinatoire OFM. Olympiade. Française. s s de 015-016 Olympiade Corrigé de l envoi Numéro 4 Combinatoire 1 Exercices du groupe B Exercice 1. Soit n. On place une pièce sur chaque case d un échiquier n n. Un mouvement consiste à déplacer chaque

Plus en détail

Eléments de calcul matriciel

Eléments de calcul matriciel Eléments de calcul matriciel Définition et propriétés des matrices Définition Une matrice (l x c) (lire l croix c) est un ensemble de l fois c nombres, réels ou complexes, regroupés sous la forme d un

Plus en détail

(2) Où trouver une solution de base pour commencer?

(2) Où trouver une solution de base pour commencer? Problèmes avec l algorithme du simplexe p. 1/1 (2) Où trouver une solution de base pour commencer? Modifier le problème de sorte que le nouveau problème auxiliaire aie une solution de base triviale et

Plus en détail

Exercice de recherche opérationnelle

Exercice de recherche opérationnelle Exercice de recherche opérationnelle Problème de transfèrement Marc Roelens Corrigé 1 Rappel du problème Une matière première se trouvée stockée dans 5 dépôts situés à Dunkerque (50 tonnes disponibles),

Plus en détail

Optimisation en nombres entiers

Optimisation en nombres entiers Optimisation en nombres entiers Recherche Opérationnelle GC-SIE Branch & bound Algorithmes On distingue 3 types d algorithmes. Algorithmes exacts Ils trouvent la solution optimale Ils peuvent prendre un

Plus en détail

Cours 7 21 novembre 2007

Cours 7 21 novembre 2007 Introduction aux modèles graphiques 2007/2008 Cours 7 21 novembre 2007 Enseignant: Francis Bach Scribe: Joan Fruitet, Zohra Cherfi 7.1 Arbre de jonction 7.1.1 Le cadre Soit G = (V, E) un graphe non orienté.

Plus en détail

Cours 3. Algorithmes d optimisation sous contraintes

Cours 3. Algorithmes d optimisation sous contraintes Cours 3. Algorithmes d optimisation sous contraintes A. Désilles 2 octobre 2015 A. Désilles Cours 3. Algorithmes d optimisation sous contraintes 2 octobre 2015 1 / 19 Resume Résumé 1 Problème d optimisation

Plus en détail

Plus proche ancêtre commun (X 2010)

Plus proche ancêtre commun (X 2010) option informatique Plus proche ancêtre commun (X 2010) Durée : 4 heures Ce problème s intéresse à la question suivante : étant donné un arbre et deux nœuds dans cet arbre, quel est le plus proche ancêtre

Plus en détail

Graphes et Réseaux Biologiques, Concepts et Algorithmes

Graphes et Réseaux Biologiques, Concepts et Algorithmes 1/27 Graphes et Réseaux Biologiques, Concepts et Algorithmes Graphes et Réseaux Biologiques, Concepts et Algorithmes L. Tichit 18 novembre 2014 2/27 Graphes et Réseaux Biologiques, Concepts et Algorithmes

Plus en détail

Centrale Informatique Un corrigé.

Centrale Informatique Un corrigé. La chasse aux fantômes. Centrale 29 - Informatique Un corrigé. A.. Il y 5 choix pour c[]. Un choix étant fait (c[] = k ), on a c[k] =. Soit j / {, k}. Il reste trois choix pour c[j] = i j (chaque point

Plus en détail