Cours de recherche opérationnelle I

Transcription

1 Cours de recherche opérationnelle I Nadia Brauner [email protected] Programmation dynamique

2 Programmation dynamique

3 Plan 1 Jeux introductifs 2 Principe de sous-optimalité 3 Programmation dynamique 4 Le sac-à-dos en détails 5 Problèmes typiques 3

4 Plan 1 Jeux introductifs 2 Principe de sous-optimalité 3 Programmation dynamique 4 Le sac-à-dos en détails 5 Problèmes typiques 4

5 Jeux introductifs Pyramide de nombres Trouver un chemin de haut en bas qui maximise la somme des nombres traversés

6 Jeux introductifs Pyramide de nombres

7 Jeux introductifs Partager un sac de pièces Partager les n pièces suivantes en deux ensembles égaux { } V V 2 V V V V 3 V V V V V V V 4 V V V V V V V V V Construire le tableau : m(i, j) = V si je peux avoir j avec les i premières pièces m(i, 0) = V pour i = 0 à n m(i, j) = m(i 1, j) ou m(i 1, j pièce(i)) i = 1 à n et j = pièce(i) à 16. 7

8 Jeux introductifs Programmation dynamique ou l art de la récursion Terme introduit par Bellman en 1950 Programmation, à la mode Dynamique, positif, modéliser des processus qui évoluent Méthode générale (pas dédiée à un problème) Problèmes ayant des propriétés structurelles 8

9 Plan 1 Jeux introductifs 2 Principe de sous-optimalité 3 Programmation dynamique 4 Le sac-à-dos en détails 5 Problèmes typiques 9

10 Principe de sous-optimalité On veut résoudre un problème P sur une instance I Structure spécifique de P Les morceaux d une solution optimale sont optimaux P P1 P2 P 3 Le problème P se décompose en sous-problèmes P 1,..., P k L optimum sur P s obtient à partir des optimaux des sous-problèmes 10

11 Principe de sous-optimalité Principe de sous-optimalité L optimum sur une instance I peut se construire à partir de solutions optimales sur des instances plus simples I 1,..., I k OPT (I ) = f (OPT (I 1 ),..., OPT (I k )) On a une formulation récursive de OPT (I ) Il suffit de calculer l optimum pour OPT (I 1 ),..., OPT (I k ) puis d appliquer f Chaque OPT (I j ) s exprime à son tour en fonction d instances plus simples Jusqu à obtenir une instance de base I directement calculable 11

12 Principe de sous-optimalité Calcul récursif de l optimum I 1 I 2 I I 3 I 12

13 Plan 1 Jeux introductifs 2 Principe de sous-optimalité 3 Programmation dynamique 4 Le sac-à-dos en détails 5 Problèmes typiques 13

14 Programmation dynamique Trouver le plus court chemin dans un DAG est facile DAG En DP DAG : Directed Acyclic Graph les noeuds peuvent être mis sur une ligne tous les arcs vont de gauche à droite le DAG est implicite noeuds : sous-problèmes edges : dépendances entre les sous problèmes si on voit les sommets de gauche à droite, on est sur que les prédécesseurs ont été vus : l information nécessaire est disponible Tout DP a une structure de DAG sous-jacente 14

15 Programmation dynamique On regarde des problèmes de plus en plus grands augmente valeur des nombres ou nombre d information nécessaires pour le calculer Paradigme : identifier une collection de sous problème et les résoudre un par un (les plus petits d abord) utiliser les infos sur les plus petits pour résoudre les plus grands. 15

16 Programmation dynamique Problème classiques en informatique (Algorithms par Dasgupta, Papadimitriou and Vazirani, Chapitre 6) plus longue sous-sequence croissante alignement de sequences et génétique multiplication de matrices plus courts chemins Stables dans les arbres 16

17 Programmation dynamique Les étapes Trouver les sous problèmes Trouver la relation (écrire la formule de récurrence) Trouver un ordre qui respecte la récurrence Définir les cas de base 17

18 Programmation dynamique Quelques principes En général ne pas utiliser la récursion risque de calculer trop de fois le même sous-problème on dérécursive si pas trop de sous problèmes distincts Sinon, memoïsation lorsque la récursivité est intéressante, si on ne doit résoudre qu une partie des sous problèmes Dans un état, stocker l information dont on a besoin pour aller jusqu à l optimum Propriétés de dominances pour diminuer le nombre d états 18

19 Programmation dynamique Complexité Complexité temps : souvent basée sur le nombre total d états (noeuds du DAG) Complexité mémoire : à réfléchir. Ne pas toujours garder tous les états... Voir page 178 du livre Algorithms de Dasgupta et al. 19

20 Plan 1 Jeux introductifs 2 Principe de sous-optimalité 3 Programmation dynamique 4 Le sac-à-dos en détails 5 Problèmes typiques 20

21 Problèmes combinatoires Un problème d optimisation combinatoire typique INSTANCE : Un ensemble d objets 1,..., n, avec des poids c i SOLUTIONS REALISABLES : Un ensemble F de parties de {1,..., n} CRITERE maximiser c(s) = i S c i L ensemble F est en général défini par des contraintes. Son cardinal peut être très grand (ici potentiellement 2 n ) 21

22 Sac-à-dos Un randonneur veut remplir son sac de capacité 4kg avec les objets les plus utiles objets utilité poids (g) carte gourde ème gourde pull Kway tomme fruits secs

23 Sac-à-dos Modélisation INSTANCE : SOLUTIONS REALISABLES : CRITERE : Problème d optimisation classique Utiliser au mieux une capacité Choix d un portefeuille d investissement Apparaît dans des problèmes plus complexes 23

24 Sac-à-dos Décomposition en sous-problèmes F Instance I à résoudre Partition des solutions selon l objet n F = {S F n / S} ne contenant pas n F = {S F n S} contenant n On a OPT (I ) = max{c(s ), c(s )} 24

25 Sac-à-dos Décomposition en sous-problèmes F F F Deux sous-problèmes à résoudre Sur F : problème P restreint aux n 1 premiers objets Sur F : également restreint aux n 1 premiers objets mais structure des solutions réalisables? 25

26 Sac-à-dos Décomposition en sous-problèmes F F F Décrire F comme {S F n S} est inefficace énumération explicite de toutes les solutions F doit pouvoir être décrit comme un sous-problème de P 26

27 Sac-à-dos Sac à dos Instance: n objets de poids w i et d utilité u i, un sac de taille W. Solution: sous-ensemble S d objets tel que w(s) W. Critere: l utilité totale u(s) des objets Quelle est la valeur de OPT (I ) par rapport à l objet n? Comment écrire le principe de sous-optimalité? 27

28 Sac-à-dos Paramétrisation Principe de sous-optimalité : les problèmes qui apparaissent dans la décomposition correspondent au problème initial sur des instances plus simples Instance I pour un sous-problème I diffère de I par certains paramètres (entiers) p 1,..., p l Pour le Sac à dos : les objets considérés et la taille du sac On décrit I par la valeur de ses paramètres (x 1,..., x l ) Définition On appelle état le vecteur de paramètres (x 1,..., x l ) décrivant une sous-instance 28

29 Sac-à-dos Graphe d Etat Vecteur de paramètres (x 1,..., x l ) : état Dépendance entre les instances (calcul de f ) parametre 2 3 I parametre 1 29

30 Sac-à-dos Sac à dos Instance: n objets de poids w i et d utilité u i, un sac de taille W. Solution: sous-ensemble S d objets tel que w(s) W. Critere: l utilité totale u(s) des objets Dessinez le graphe d état pour 4 objets de poids 1 et un sac de capacité 3. Que remarque-t-on? 30

31 Sac-à-dos Un état peut être calculé un très grand nombre de fois Idée : on dérécursive On mémorise les états au lieu de les recalculer Il suffit de parcourir les états dans un ordre topologique inverse du graphe d état Evaluer les états de base OPT [0,..., 0]. Parcourir les états jusqu à X Pour chaque état X, dépendant de X 1,..., X k déjà évalués, mémoriser OPT [X ] = f (OPT [X 1 ],..., OPT [X k )) Retourner OPT [ X ] 31

32 Sac à dos Sac à dos de taille 7, avec 4 objets valeurs des objets poids des objets Calculer le tableau OPT 32

33 Sac-à-dos Efficacité Quel est le temps de résolution? Dépend du nombre d états du temps t pour évaluer la fonction f en chaque état. Le temps de résolution est alors t(x 1,..., x l ) (x 1,...,x l ) Etats Souvent on a une borne uniforme sur t(x 1,..., x l ) T Le temps de résolution est majoré par T #Etats 33

34 Sac à dos Temps de résolution du sac à dos Quel est le temps pour évaluer un état (i, w)? Quel est le nombre d états? 34

35 Sac-à-dos Calcul d une solution optimale La programmation dynamique fournit OPT (I ) Comment obtenir une solution S? Conserver des pointeurs dans le tableau : chemin dans le graphe d état Méthode de Backtracking Les 2 méthodes consistent à remonter le calcul de OPT (I ) Donner une solution optimale pour le sac à dos à partir du tableau OPT de la programmation dynamique 35

36 Plan 1 Jeux introductifs 2 Principe de sous-optimalité 3 Programmation dynamique 4 Le sac-à-dos en détails 5 Problèmes typiques 36

37 Problèmes typiques Plus courts chemins Plus courts chemins Chemin le plus fiable Chemin entre toutes les paires (Floyd Warshall) Voyageur de commerce Attention, Il y a des conditions sur les longueurs (positives) ou sur le graphe (pas de circuit absorbant) pour que ça marche... 37

38 Problèmes typiques Problème de stockage temps découpé en périodes demande de chaque période capacité de production limitée coût de production fixes et unitaires capacité de stockage limité coût unitaire de stockage Déterminer pour chaque période la production afin de minimiser les coûts 38

39 Problèmes typiques Répartition de ressources w unités de ressources disponibles T activités auxquelles la ressource peut être allouée Si l activité t est réalisée au niveau x t 0 alors g t (x t ) unités de la ressource sont utilisées, un bénéfice r t (x t ) est obtenu. Objectif : determiner la répartition des ressources qui maximise le benefice total Si g t et r t linéaires PL Si valeurs possibles de x t discrètes DP 39

40 Problèmes typiques Equipment replacement problems Combien de temps garder une machine avant de la remplacer par une nouvelle 40

41 Bilan de la programmation dynamique Paradigme pouvant être très efficace Pas de condition sur la forme de la fonction objectif......mais la propriété de sous-optimalité doit être vérifiée Gourmand en mémoire Devient inopérant si l espace des états est grand Nécessité de trouver des dominances pour le réduire 41