Programmation linéaire
|
|
- Anne-Laure Bordeleau
- il y a 6 ans
- Total affichages :
Transcription
1 Programmation linéaire Pierre Coupechoux Nicolas Jozefowiez 12 octobre 2015
2 Quelques exemples Exemple 1 : problème de production Exemple 2 : problème de transport Exemple 3 : Planification Pierre Coupechoux 2 / 103
3 Problème de production Un fabriquant 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 : 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 rapporte 4 euros par kilo et les yaourts B 5 euros. Il faut maximiser le revenu du fabriquant. Pierre Coupechoux 3 / 103
4 Modélisation Variables de décision? (Ce que l on doit décider) Objectif? (Ce que l on doit optimiser) Contraintes? (Ce que l on doit respecter) Pierre Coupechoux 4 / 103
5 Problème de transport Approvisionner à 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 ij ) Pau Bayonne Bordeaux Libourne Bordeaux Biarritz Toulouse Ecrire un modèle générique Pierre Coupechoux 5 / 103
6 Problème de planification Planifier la production d articles à moindres 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 Pierre Coupechoux 6 / 103
7 Modélisation Variables x t : production normale en période t = 1,..., 4 y t : production en heure sup en période 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 =1100+s 2 s 2 +x 3 +y 3 =1700+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 Pierre Coupechoux 7 / 103
8 Hypothèses fondamentales Linéarité L objectif et les contraintes sont des fonctions linéaires par rapport aux variables (coefficient de variables constants, pas de produit de variables...) Objectif : c 1 x 1 + c 2 x c n x n Contraintes : a 1,1 x 1 +a 1,2 x a 1,n x n =b 1 a 2,1 x 1 +a 2,2 x a 2,n x n b 2 a 3,1 x 1 +a 3,2 x 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 R n Pierre Coupechoux 8 / 103
9 Terminologie Solution : affectation de valeurs numériques aux variables du problèmes 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 Pierre Coupechoux 9 / 103
10 Notions de base Un ensemble S est convexe si et seulement si toute combinaison convexe de points de S appartient à S. Soient x k S, α k [0, 1], k = 1,..., K, Si S convexe, alors K α k x k S avec k=1 K α k = 1 k=1 L intersection finie de plusieurs ensembles convexes est un ensemble convexe. Un point extrême d un ensemble convexe S est un point qui n est situé à l intérieur d aucun segment joignant deux points de S. Pierre Coupechoux 10 / 103
11 Notions de base Hyperplan de R n : sous-espace affine de dimension n 1. Demi-espace de R n : partie de R n délimitée par un hyperplan. Tout demi-espace (ouvert ou fermé) de R n est convexe. x 2 a1 x 1 + a 2 x 2 = b Sous forme canonique, une contrainte inégalité large d un programme linéaire définit donc un demi-espace fermé de R n. x 1 Pierre Coupechoux 11 / 103
12 Polyèdres L intersection d un nombre fini de demi-espaces fermés est un ensemble convexe appelé polyèdre. Un point extrême ou sommet d un polyèdre de R n est un point du polyèdre situé à l intersection de n hyperplans, parmi ceux qui définissent le polyèdre. a x 31 x 1 + a 32 x 2 = b 3 2 a 11 x 1 + a 12 x 2 = b 1 a 21 x 1 + a 22 x 2 = b 2 x 1 Pierre Coupechoux 12 / 103
13 Ensemble des solutions admissibles L ensemble des solutions admissibles d un programme linéaire est un polyèdre convexe K (en vert sur la figure). x 2 a 31 x 1 + a 32 x 2 = b 3 a 11 x 1 + a 12 x 2 = b 1 K a 21 x 1 + a 22 x 2 = b 2 x 2 = 0 x 1 = 0 x 1 Tout point de l ensemble des solutions admissibles peut donc être défini par une combinaison convexe des points extrêmes du polyèdre. Pierre Coupechoux 13 / 103
14 Solution optimale et optimum Solution optimale : Une solution réalisable tel que l objectif pour cette solution est meilleur ou égal à la valeur de l objectif pour toutes les solutions réalisables Il peut y avoir : aucune solution optimale (région réalisable vide ou non bornée) une seule solution optimale une infinité de solutions optimales Optimum : Meilleure valeur possible pour l objectif. Il est unique. S il existe au moins une solution optimale, il en existe toujours au moins une sur un sommet (point extrême) de la région réalisable Il suffit d examiner les points extrêmes de la région réalisable (problème d optimisation combinatoire) Graphiquement : considérer la droite c 1 x 1 + c 2 x c n x n = k Pierre Coupechoux 14 / 103
15 Résolution graphique On trace les droites isocritères z = c T x = C ste en balayant l ensemble des solutions admissibles x 2 Solution optimale x 1 Pierre Coupechoux 15 / 103
16 Configurations particulières x 2 x 2 Pas de solution x 1 Infinité de solutions x 1 x 2 x 2 Sommet dégénéré Solution non bornée x 1 Dégénerescence x 1 Pierre Coupechoux 16 / 103
17 Exemple des yaourts Max 4x A +5x B 2x A + x B 800 x A +2x B 700 x B 300 x A, x B 0 Pierre Coupechoux 17 / 103
18 Algorithme géométrique 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 en existe pas le problème est non borné, STOP. Sinon, x y et revenir en 2. Théorème L optimum local ainsi obtenu (meilleur que ses voisins) est un optimum global Algorithme du simplexe Pierre Coupechoux 18 / 103
19 Notations et formes particulières Programme linéaire Notation matricielle Forme canonique Forme standard Transformation Pierre Coupechoux 19 / 103
20 Programme linéaire générique Min. ou Max. f 1 x 1 + f 2 x f n x n ou f 1 x 1 + f 2 x f n x n = z[min] ou z[max] a i,1 x 1 + a i,i x a i,n x n = a i (1 i p) a j,1 x 1 + a j,2 x a j,n x n b j (1 j q) a k,1 x 1 +a k,2 x a k,n x n c k (1 k r) x 1,..., x s 0 x s+1,..., x t 0 x t+1,..., x n de signe quelconque Pierre Coupechoux 20 / 103
21 Ecriture matricielle t fx = z[min] ou z[max] Ax = a Bx b Cx c x 1,..., x s 0 x s+1,..., x t 0 Exercice : Donner l écriture matricielle de l exemple du problème de production Pierre Coupechoux 21 / 103
22 Formes particulières Forme canonique t fx = z[max] Bx b x 0 t fx = z[min] Bx b x 0 Forme standard t fx = z[max] Ax = a x 0 Pierre Coupechoux 22 / 103
23 Règles de transformation min cx max c x où c = c ax b a x b avec a = a et b = b ax = b ax b et ax b ax b ax + x e = b : introduction d une variable d écart x e 0 ax b ax x e = b : introduction d une variable d écart x e 0 x i 0 : on définit une nouvelle variable x i 0 et on pose x i = x i x i de signe quelconque : on définit deux nouvelles variables x + i, xi 0 et on pose x i = x i + x i. Pierre Coupechoux 23 / 103
24 Exercice Min 2x 1 3x 2 2x 1 x 3 5 x 1 +2x 2 = 8 x 2 0 x 1 0 Pierre Coupechoux 24 / 103
25 Simplexe et yaourt Forme normale : Max z = 4x A +5x B 2x A + x B 800 x A +2x B 700 x B 300 x A, x B 0 Forme standard : Max z = 4x A +5x B +0x 1 +0x 2 +0x 3 2x A + x B + x 1 =800 x A +2x B + x 2 =700 x B + x 3 =300 x A, x B, x 1, x 2, x 3 0 Pierre Coupechoux 25 / 103
26 Initialisation Max z = 4x A +5x B +0x 1 +0x 2 +0x 3 2x A + x B + x 1 =800 x A +2x B + x 2 =700 x B + x 3 =300 x A, x B, x 1, x 2, x 3 0 Reformulation de l objectif et des variables d écart en fonction des autres variables z = 0+4x A +5x B x 1 =800 2x A x B x 2 =700 x A 2x B x 3 =300 x B Pierre Coupechoux 26 / 103
27 Une première solution Posons x A = x B = 0 On obtient x 1 = 800, x 2 = 700, x 3 = 300 La solution (0, 0, 800, 700, 300) est réalisable La fonction objectif vaut 0 On est sur un sommet du polyèdre (la région réalisable) Pierre Coupechoux 27 / 103
28 Choix de l arête de déplacement z = 0+4x A +5x B x 1 =800 2x A x B x 2 =700 x A 2x B x 3 =300 x B Il faut améliorer l objectif Il faut donc augmenter une variable fixée à 0 x A ou x B Quelle variable choisir? Parmi les variables ayant un impact positif sur l objectif dont le coût est positif Ici on peut prendre x B qui a le plus grand impact positif (choix heuristique) Pierre Coupechoux 28 / 103
29 Déplacement le long de l arête Jusqu où augmenter x B? Selon l impact sur x 1, x 2 et x 3. Il n y a pas d impact sur x A qui reste nulle. x 1 = 800 x B 0 x B 800 x 2 = 700 2x B 0 x B 350 x 3 = 300 x B 0 x B 300 x B augmente de 300 afin que toutes les variables restent 0 La variable s 3 va s annuler et on a x A = s 3 = 0 On se trouve à l intersection des hyperplans formés par les contraintes x A 0 et x B 300 Pierre Coupechoux 29 / 103
30 Pivotage z = 0+4x A +5x B x 1 =800 2x A x B x 2 =700 x A 2x B x 3 =300 x B Réécrire le système avec les variables non nulles en fonction des variables fixées à 0 z =1500+4x A 5x 3 x 1 = 500 2x A + s 3 x 2 = 100 x A +2x 3 x B = 300 x 3 Solution associée? Pierre Coupechoux 30 / 103
31 Faut-il continuer? z =1500+4x A 5x 3 x 1 = 500 2x A + s 3 x 2 = 100 x A +2x 3 x B = 300 x 3 Peut-on encore améliorer l objectif? Oui car x A a un impact (un coût) positif sur l objectif Ici, il n y a pas d autre choix (x 3 a un impact négatif) Jusqu où augmenter x A? x 1 = 500 2x A 0 x A 250 x 2 = 100 x A 0 x A 100 x A n a aucun impact sur x B x A augmente de 100 afin que toutes les variables restent 0 La variable x 2 va s annuler et on a x 2 = x 3 = 0 On se trouve à l intersection des hyperplans formés par les contraintes x A + 2x B 700 et x B 300 Pierre Coupechoux 31 / 103
32 Pivotage z =1500+4x A 5x 3 x 1 = 500 2x A + s 3 x 2 = 100 x A +2x 3 x B = 300 x 3 Réécrire le système avec les variables non nulles en fonction des variables fixées à 0 z =1900 4x 2 +3x 3 x 1 = 300+2x 2 3x 3 x A = 100 x 2 +2x 3 x B = 300 x 3 Solution associée? Pierre Coupechoux 32 / 103
33 On continue? z =1900 4x 2 +3x 3 x 1 = 300+2x 2 3x 3 x A = 100 x 2 +2x 3 x B = 300 x 3 Peut-on encore améliorer l objectif? Oui car x 3 a un impact positif sur l objectif Jusqu où peut-on augmenter x 3? x 1 = 300 3x 3 0 x Quand x 3 augment, x A augmente et reste donc positif x B = 300 x 3 0 x x 3 augmente de 100 afin que toutes les variables restent 0 La variable x 1 va s annuler et on a x 1 = x 2 = 0 On se trouve à l intersection des hyperplans formés par 2x A + x B 800 et x A + 2x B 700 Pierre Coupechoux 33 / 103
34 Pivotage z =1900 4x 2 +3x 3 x 1 = 300+2x 2 3x 3 x A = 100 x 2 +2x 3 x B = 300 x 3 Réécrire le système avec les variables non nulles en fonction des variables fixées à 0 z =2200 2x 2 x 1 x 3 = x x 1 x A = x x 1 x B = x x 1 Solution associée? Pierre Coupechoux 34 / 103
35 On continue? z =2200 2x 2 x 1 x 3 = x x 1 x A = x x 1 x B = x x 1 Peut-on encore améliorer l objectif? Non car toutes les variables fixées à 0 ont un impact négatif sur l objectif Nous avons la solution optimale x A = 300 et x B = 200 (x 3 = 100 et x 1 = x 2 = 0), optimum = 2200 Pierre Coupechoux 35 / 103
36 Application du simplexe Max z = x + 2 y s.t. x + e 1 = 4 y + e 2 = 4 - x + y + e 3 = 3 x y + e 4 = 11.5 Choix de la variable entrante : y Contraintes sur y : y + e 2 = 4 y 4 x + y + e 3 = 3 y 3 x + 2.5y + e 4 = 11.5 y 4.6 y=3+x-e 3 Pierre Coupechoux 36 / 103
37 Application du simplexe Max z = 3 x - 2 e s.t. x + e 1 = 4 x + e 2 - e 3 = 1 - x + y + e 3 = x e 3 + e 4 = 4 Choix de la variable entrante : x Contraintes sur x : x + e 1 = 4 x 4 x + e 2 e 3 = 1 x 1 x + y + e 3 = 3 Pas de limite 3.5x 2.5e 3 + e 4 = 4 x 4 x=1-e 2 +e 3 Pierre Coupechoux 37 / 103
38 Application du simplexe Max z = -3e 2 +e 3 +9 s.t. e 1 -e 2 +e 3 =3 x +e 2 -e 3 =1 y +e 2 =4-3.5e 2 +e 3 + e 4 =0.5 Choix de la variable entrante : e 3 Contraintes sur e 3 : e 1 e 2 + e 3 = 3 e 3 3 x + e 2 e 3 = 1 Pas de limite 3.5e 2 + e 3 + e 4 = 0.5 e e 3 = e 2 -e 4 Pierre Coupechoux 38 / 103
39 Application du simplexe Max z = 0.5e 2 -e s.t. e e 2 -e 4 =2.5 x -2.5e 2 +e 4 =1.5 y +e 2 =4-3.5e 2 + e 3 +e 4 =0.5 Choix de la variable entrante : e 2 Contraintes sur e 2 : e e 2 e 4 = 2.5 e 2 1 x 2.5e 2 + e 4 = 1.5 Pas de limite y + e 2 = 4 e e 2 + e 3 + e 4 = 0.5 Pas de limite e 2 = 1 0.4e e 4 Pierre Coupechoux 39 / 103
40 Application du simplexe Max z = -0.2e 1-0.8e s.t. e e 2 -e 4 =2.5 x +e 1 =4 y -0.4e e 4 =3 1.4e 1 + e e 4 =4 Pas de variable entrante algorithme terminé Solution optimale : e 1 = e 4 = 0 x = 4, y = 3 e2 = 1, e3 = 4 z = 10 Pierre Coupechoux 40 / 103
41 Simplexe par la méthode des dictionnaires Programme linéaire sous la forme max j c jx j j a i,jx j b i (i = 1,..., m) x j 0 (j = 1,..., n) Ajout des variables d écart et d une variable objectif z = nj=1 c j x j x n+i = b i n j=1 a i,j x j (i = 1,..., m) Le problème revient à maximiser z en gardant les variables x j 0 pour j = 1,..., n + m Pierre Coupechoux 41 / 103
42 Dictionnaires A chaque itération, la solution courante est associée à un système d équations qui la définit : z = z + j N c jx j x i = b i j N a i,jx j (i B) Ce système s appelle un dictionnaire Les variables de gauche sont appelées variable de base et notées x B R m + (il y a une variables de base par contrainte) L ensemble des variable de base est appelé base B représente les indices des variables en bases Les autres variables sont appelées variables hors-base et notées x N R n + N représente l ensemble des indices des variables hors-base Pierre Coupechoux 42 / 103
43 Dictionnaires z = z + j N c jx j x i = b i j N a i,jx j (i B) B et N forment une partition de l ensemble des indices : B N = {1,..., n, n + 1,..., n + m} B N = Chaque solution définit une solution de base que l on obtient en posant x N = 0 Le dictionnaire, la base et la solution de base associées sont dits réalisables si x B 0 Pierre Coupechoux 43 / 103
44 Réécriture matricielle en fonction d une base Soit B(m m) une base de A. En réorganisant les colonnes de A sous la forme [B N], ainsi que les lignes de x, le système s écrit : Ax = Bx B + Nx N = b x B : variables de base ; x N : variables hors base Ce système est équivalent au système suivant : x B = B 1 b B 1 Nx N Le système est alors sous la forme simpliciale. La solution (x B, x N ) = (B 1 b, 0) est appelée solution de base associée à B. Pierre Coupechoux 44 / 103
45 Valeur du critère Expression du critère sous la forme simpliciale : z = c T x = c T B x B + c T N x N En remplaçant x B par sa valeur en fonction des variables hors base : z = c T B B 1 b + (c T N c T B B 1 N)x N Qu on note également z = z 0 + c T N x N Les c N sont appelés coûts réduits relatifs aux variables hors base. Pierre Coupechoux 45 / 103
46 Dictionnaire final en fonction de la base optimale x N x B b = B 1 b B 1 N z z = c T B B 1 b c N = c T N ct B B 1 N 0 Pierre Coupechoux 46 / 103
47 Dictionnaire initial z = nj=1 c j x j x n+i = b i n j=1 a i,j x j (i = 1,..., m) La base initiale est formée des variables d écart x n+1,..., x n+m, c est-à-dire B = {n + 1,..., n + m} Les variables hors-base sont les variables initiales du problèmes N = {1,..., n} A-t on nécessairement un base initiale réalisable? Si non, que peut-on faire? Pierre Coupechoux 47 / 103
48 Solution de base Toutes les solutions réalisables ne sont pas associées à une base (ou un dictionnaire) Chaque point extrême réalisable est représenté par au moins un dictionnaire L algorithme du simplexe considère exclusivement les solutions de base réalisables Théorème fondamental : si un PL admets une solution optimale, alors il en existe une en un point extrême Itération Choix d une variable à faire entrer dans la base Choix d une variable à faire sortir de la base Cela revient à se déplacer d une point extrême à un point extrême voisin le long d une arête du polyèdre Pierre Coupechoux 48 / 103
49 Choix de la variable entrante z = z + j N c jx j x i = b i j N a i,jx j (i B) Les coefficients c j, j N sont appelés les coûts réduits. Ils représentent l impact de l augmentation d une variable sur l objectif. Condition d optimalité La solution de base est optimale si et seulement si tous les coûts réduits sont négatifs ou nuls : c j 0, j N Pierre Coupechoux 49 / 103
50 Choix de la variable entrante z = z + j N c jx j x i = b i j N a i,jx j (i B) On choisit une variable dont le coût réduit est positif : choisir x k, k N tel que c k > 0 Que faire en cas de choix multiples Il peut y avoir plusieurs variables candidates pour entrer en base. Choix heuristique Choisir la variable de plus grand coût réduit Choisir la variable d indice le plus petit Pierre Coupechoux 50 / 103
51 Choix de la variable sortante z = z + j N c jx j x i = b i j N a i,jx j (i B) Le choix dépend de la variable x k qui va entrer en base On regarde l impact sur les variables en base en fonction du vecteur a i,k, i B Si a i,k 0, l augmentation de x k entrainera une augmentation de x i Si a i,k > 0, l augmentation de x k entrainera une diminution de x i x i doit rester positive x i = b i a i,k x k 0 x k b i a i,k Pierre Coupechoux 51 / 103
52 Choix de la variable sortante z = z + j N c jx j x i = b i j N a i,jx j (i B) Première variable à s annuler Choisir s B tel que s = arg min i B { b i a i,k : a i,k > 0} Si plusieurs variables sont candidates pour sortir, la base suivante sera dégénérée. Problème non-borné Si a i,k 0 pour tout i B, il n y a pas de candidat pour sortir de la base et le problème est non-borné. Pierre Coupechoux 52 / 103
53 Pivotage z = z + j N c jx j x i = b i j N a i,jx j (i B) Il faut réécrire le système par rapport à la nouvelle base. C est le pivotage. x k = b s a s,k z = z + c k b s a s,k a s,j j N \{k} x j a s,k 1 a s,k x s j N \{k} (c j c k a s,j a s,k )x j c k 1 a s,k x s x i = b i a i,k b s a s,k j N \{k} (a i,j a i,k a s,j a s,k )x j + a i,k 1 a s,k x s i B \ {s} Pierre Coupechoux 53 / 103
54 Cas particuliers Problème de démarrage : Phase I Bases dégénérées Solutions optimales multiples Terminaison Pierre Coupechoux 54 / 103
55 Problème de démarrage : Phase I du simplexe Cette phase permet de trouver une solution de base réalisable initiale lorsque la base donnée par les variables d écart n est pas réalisable D où vient le problème? j a i,jx k b i avec b i < 0 Après ajout de la variable d écart et écriture sous forme de dictionnaire, on obtient : x n+i = b i j a i,jx j Comme b i < 0 la solution n est pas réalisable Pierre Coupechoux 55 / 103
56 Que faire? 1 Pour chaque contrainte telle que b i < 0, on ajoute une variable artificielle x n+i avec un coefficient -1 en plus de la variable d écart : j a i,j + x n+i x n+i = b i 2 Remplacer l objectif initial par min i:b i <0 x n+i 3 Eliminer les variables en base de l objectif en les remplaçant par l expression donnée par le dictionnaire 4 La base initiale est donnée par les variables artificielles des contraintes avec b i > 0 et les variables d écart des contraintes avec b i 0 5 Résoudre le programme linéaire artificielle ainsi obtenu Pierre Coupechoux 56 / 103
57 Exemple x 1 x 2 = z[max] 3x 1 4x x 1 + x 2 4 x 1, x 2 0 Pierre Coupechoux 57 / 103
58 Problème irréalisable Si à la fin de la résolution du programme artificielle, il existe au moins un i tel que x n+i > 0, alors les variables artificielles sont nécessaires pour avoir une solution réalisable. Alors il n existe pas de solution réalisable au problème initial Le problème initial est irréalisable Pierre Coupechoux 58 / 103
59 Retour au problème initial Si x n+i = 0 pour tout i tel que b i < 0, toutes les variables artificielles sont hors-base On a une solution de base réalisable pour le problème initial donnée par la base optimale de la Phase I 1 Supprimer les variables artificielles 2 Reprendre l objectif initial 3 Eliminer les variables en base de l objectif en les remplaçant par leur expression donnée par le dictionnaire 4 Reprendre la résolution normale du simplexe Pierre Coupechoux 59 / 103
60 Et les contraintes d égalité? j a i,jx j = b i On peut se ramener au cas précédent en remplaçant la contrainte par { j a i,jx j b i j ( a i,j)x j b i L une des deux contraintes posera problème et fera intervenir une variable artificielle Il n est pas nécessaire de passer par cette étape On peut ajouter directement la variable d écart avec le coefficient 1 si b i 0 ou -1 sinon Pierre Coupechoux 60 / 103
61 Bases dégénérées Quand plusieurs variables sont candidates pour sortir de la base, la nouvelle solution de base aura une (ou plusieurs) variables de base prenant la valeur 0. On dit que la solution de base est dégénérée Exemple z = 0 + 2x 1 x 2 + 8x 3 x 4 = 1 2x 3 x 5 = 3 2x 1 + 4x 2 6x 3 x 6 = 2 + x 1 3x 2 4x 3 Solution : (0, 0, 0, 1, 3, 2) et z = 0 On fait entre x 3 en base x 4, x 5 et x 6 sont candidates pour sortir de la base Choisissons x 4 Pierre Coupechoux 61 / 103
62 Solution : (0, 0, 1 2, 0, 0, 0) et z = 4 x 2 entre en base et x 6 sort Pierre Coupechoux 62 / 103 Bases dégénérées z = 4 + 2x 1 x 2 4x 4 x 3 = x 4 x 5 = 0 2x 1 + 4x 2 3x 4 x 6 = 0 + x 1 3x 2 2x 4 Solution : (0, 0, 1 2, 0, 0, 0) et z = 4 x 1 entre en base et x 5 sort z = 4 x 5 + 3x 2 x 4 x 3 = x 4 x 1 = x 5 + 2x x 4 x 6 = x 5 x x 4
63 Bases dégénérées z = x 5 3x x 4 x 3 = x 4 x 1 = x 5 2x x 4 x 2 = x 5 x x 4 Solution : (0, 0, 1 2, 0, 0, 0) et z = 4. x 4 entre en base et x 3 sort. z = x 5 3x 6 19x 3 x 4 = 1 2x 3 x 1 = 17 2 x 2 = x 5 2x 6 17x x 5 x 6 7x 4 Solution optimale : ( 17 2, 17 2, 0, 1, 0, 0) et z = 27 2 Pierre Coupechoux 63 / 103
64 Solutions optimales multiples Il peut arriver que dans le dictionnaire optimal des variables hors-bases possèdent des coûts réduits nuls : c i = 0 pour i N En effectuant une itération supplémentaire où l on fait entre une variable x i telle que c i = 0, on obtient une nouvelle solution optimale associée à une nouvelle base. Si x1 et et x 2 sont deux solutions optimales, alors toutes solutions obtenues par une combinaison convexe de x1 et x 2 est également une solution optimale : x = αx1 + (1 α)x 2, α [0, 1] est une solution optimale. Pierre Coupechoux 64 / 103
65 Terminaison Le nombre de dictionnaire possible est ( ) m n + m En cas de dégénérescence, l algorithme peut revenir sur une solution de base déjà visitée ( cycle). En pratique, cela se passe rarement. Il existe des règles de picotage limitant les risques de cycle : règle de plus petit indice perturbation des données : ajouter au membres de droites des contraintes des 0 < ɛ << coefficients Pierre Coupechoux 65 / 103
66 Théorèmes fondamentaux Finitude Si l algorithme du simplexe ne se termine pas, c est qu il cycle entre bases dégénérées Garantie de finitude L algorithme termine si, à chaque itération, les variables entrante et sortante sont choisies parmi les candidats possibles selon la règle du plus petit indice. Pierre Coupechoux 66 / 103
67 Théorèmes fondamentaux Cas possibles Tout programme linéaire (mis sous forme standard) est : soit irréalisable soit non bornée soit il admet une solution optimale Existence d une solution optimale Si un programme linéaire (sous forme standard) admet une solution réalisable, alors il existe une solution de base réalisable. un programme linéaire admet une solution optimale, alors il existe une solution de base optimale. Pierre Coupechoux 67 / 103
68 Complexité du simplexe Pire des cas L algorithme se termine après un nombre fini d itérations ( C m n+m) On connaît des exemples "pathologiques" qui demandent effectivement de l ordre de C m n+m itérations (exponentiel) Empiriquement Nombre d opérations de l ordre de Θ(m + log n) Programmation linéaire Le problème général de résoudre un programme linéaire est polynomial Méthode du point intérieur Pierre Coupechoux 68 / 103
69 Introduction de la dualité Caractérisation de la solution optimale z d une maximisation par un intervalle [z inf ; z sup ]. Borne inférieure : toute solution admissible constitue une borne inférieure de z. Borne supérieure : déterminer une valeur z sup telle que z z sup. z inf z z sup z Solutions admissibles Recherche de l intervalle [z inf ; z sup ] le plus petit possible pour situer l optimum. Pierre Coupechoux 69 / 103
70 Combinaisons linéaires et bornes Théorème Toute combinaison linéaire de contraintes du programme linéaire donne une contrainte valide (satisfaite par toutes les solutions réalisables) Que cherche-t on? Trouver des multiplicateurs y 1 0,..., y m 0 afin d obtenir une nouvelle inégalité valide bornant la fonction objectif. a 11 x a 1n x n b 1 y a m1 x a mn x n b m y m mi=1 (y i a i1 )x m i=1 (y i a in )x n m i=1 y i b i Pierre Coupechoux 70 / 103
71 Généralisation Pour des valeurs x 1 0,..., x n 0, on aura n m m m z = c j x j (y i a i1 )x (y i a in )x n y i b i j=1 i=1 i=1 i=1 si on vérifie c 1 m i=1 y i a i1 c n. m i=1 y i a in. Pour trouver la meilleure borne supérieure (la plus petite), il faut minimiser m i=1 y i b i c est-à-dire... Pierre Coupechoux 71 / 103
72 Généralisation... résoudre le programme linéaire suivant : min t = sous m y i b i i=1 m y i a i1 c 1 i= m y i a in c n i=1 y 1,..., y m 0 Ce problème est appelé problème dual du problème canonique de départ. Pierre Coupechoux 72 / 103
73 Problème dual (forme canonique) Primal max z = c T x Sous Ax b x 0 c et x vecteurs n 1 A matrice m n b vecteur m 1 Dual min t = b T y Sous A T y c y 0 b et y vecteurs m 1 A T matrice n m c vecteur n 1 Remarque : le problème dual du dual est le problème primal. Pierre Coupechoux 73 / 103
74 Dualité du yaourt Max z = 4x 1 + 5x 2 2x 1 + x (y 1 ) x 1 + 2x (y 2 ) x (y 3 ) x 1, x 2 0 Solution optimale : x 1 = 300, x 2 = 200, z = 2200 Min w = 800y y y 3 2y 1 + y 2 4 (x 1 ) y 1 + 2y 2 + y 3 5 (x 2 ) y 1, y 2, y 3 0 Solution optimale : y 1 = 1, y 2 = 2, y 3 = 0, w = 2200 Pierre Coupechoux 74 / 103
75 Dualité faible Quel que soient x et y solutions admissibles respectivement du primal et du dual, on a n m z = c j x j b i y i = t j=1 i=1 En particulier, z t. z t Primal Dual Corollaire 1 : s il existe x et y admissibles et telles que nj=1 c j x j = m i=1 b i y i, alors ces solutions sont optimales. Pierre Coupechoux 75 / 103
76 Théorème de la dualité (Gale, Kuhn, Tucker, 1951) Théorème de la dualité Si le problème primal a une solution optimale, alors le problème dual a une solution optimale telle que z = n j=1 c j x j = m i=1 b i y i = t z Primal t Dual Pierre Coupechoux 76 / 103
77 Relations dual-primal Existence d une solution optimale Si le primal et le dual ont chacun au moins une solution réalisable, alors les deux programmes sont bornés et réalisent le même objectif à l optimum Si l un des deux programmes admet au moins une solution réalisable mais n est pas borné, l autre programme n admet pas de solution réalisable Le primal et le dual n admettent pas de solution réalisable Cas particulier Si le problème primal a une infinité de solutions optimales, alors le programme duale est dégénéré, et réciproquement. Pierre Coupechoux 77 / 103
78 Théorème des écarts complémentaires Soit un PL sous forme canonique de n variables x i et m contraintes Son dual comporte m variables y j et n contraintes A chaque variables x i correspond une variable d écart y m+i A chaque variables y j correspond une variable d écart x n+1 Soit x et y des solutions réalisables du primal et du dual respectivement Théorème x et y sont optimales si et seulement si xi y m+i = yj x n+j = 0 pour tous 1 i n et 1 j m Calcul de la solution optimale du dual à partir de la solution optimale du primal (ou inversement) Pierre Coupechoux 78 / 103
79 Application aux yaourts Max z = 4x 1 + 5x 2 2x 1 + x 2 + x 3 = 800 x 1 + 2x 2 + x 4 = 700 x 2 + x 5 = 300 x 1, x 2, x 3, x 4, x 5 0 Solution optimale : x = (300, 200, 0, 0, 100), z = 2200 Min w = 800y y y 3 2y 1 + y 2 + y 4 = 4 y 1 + 2y 2 + y 3 + y 5 = 5 y 1, y 2, y 3, y 4, y 5 0 x 1 y 4, x 2 y 5, x 3 y 1, x 4 y 2, x 5 y 3 Pierre Coupechoux 79 / 103
80 Application aux yaourts Le théorème des écarts complémentaires dit : On en déduit : y 4 = y 5 = y 3 = 0 y 1 et y 2 doivent vérifier x 1 y 4 = 300 y 4 = 0 x 2 y 5 = 200 y 5 = 0 x 3 y 1 = 0 y 1 = 0 x 4 y 2 = 0 y 2 = 0 x 5 y 3 = 100 y 3 = 0 2y 1 + y 2 = 4 y 1 + 2y 2 = 5 On trouve alors y = (1, 2, 0, 0, 0), w = 2200 Pierre Coupechoux 80 / 103
81 Conditions d optimalité Théorème des écarts complémentaires (version avancée) Soit x solution admissible du problème primal et y solution admissible du dual. Les conditions nécessaires et suffisantes à l optimalité de x et y sont : nj=1 a ij x j = b i ou y i = 0 (ou les deux) pour i = 1 à m et mi=1 a ij yi = c j ou xj = 0 (ou les deux) pour j = 1 à n Interprétation : La variable duale correspondant à une contrainte non saturée est nécessairement nulle. A une variable duale strictement positive correspond nécessairement une contrainte saturée (variable d écart nulle). Pierre Coupechoux 81 / 103
82 Exemple Primal : n = 2 variables, m = 3 contraintes. Dual : m = 3 variables, n = 2 contraintes. x 2 Dictionnaire final : x1 = 0 x 4 = 0 x 5 = 0 x 2 = x3 = 0 x 1 x 4 x 5 x x x z Variables duales : y 1 = 0, y 2 = 2/3, y 3 = 5/3 Pierre Coupechoux 82 / 103
83 Cas général Maximisation Minimisation i e contrainte de type Variable y i 0 i e contrainte de type = Variable y i R i e contrainte de type Variable y i 0 Variable x j 0 j e contrainte de type Variable x j R j e contrainte de type = Variable x j 0 j e contrainte de type Pierre Coupechoux 83 / 103
84 Analyse post-optimale Que devient la solution optimale si les paramètres du problème sont modifiés? Modification de la borne b i d une contrainte Modification des coefficients c j de la fonction objectif x 2 ±δb 3 ±δb1 x 2 ±δb 2 ±δc x 1 x 1 Pierre Coupechoux 84 / 103
85 Modification de l objectif x N x B b = B 1 b B 1 N z z = c T B B 1 b c N = c T N ct B B 1 N 0 c c = c + 1 Est-ce que la base reste réalisable? Oui : b = B 1 b 0 est indépendant de c 2 Est-ce que la base reste optimale? Vérifier que c = c T N c T B B 1 N 0 Pierre Coupechoux 85 / 103
86 Exemple Base optimale = {2, 1} Dictionnaire final : Max z = 3x 1 2x 2 2x 1 x 2 30 x 1 x 2 10 x 1, x 2 0 z =40 x 3 x 4 x 2 =10 (x 3 2x 4 ) x 1 =20 (x 3 x 4 ) Pierre Coupechoux 86 / 103
87 Modification du coût c 1 de x 1 z = c 1 x 1 2x 2 On réécrit la fonction objectif en fonction des variables hors-base (ici x 3 et x 4 ) On peut appliquer les formules, ici on peut le faire en lisant x 1 et x 2 dans le dictionnaire final car on dispose de ce dernier z = c 1 x 1 2x 2 = c 1 (20 x 3 + x 4 ) 2(10 x 3 + 2x 4 ) =20(c 1 1) + (2 c 1 )x 3 + (c 1 4)x 4 Il faut que le critère d optimalité reste respecter (que les coûts réduits restent négatifs ou nuls) { 2 c1 0 c 1 [2, 4] c Exercice : faire l étude pour c 2 le coût de x 2 Pierre Coupechoux 87 / 103
88 Modification de la borne d une contrainte (capacité) x N x B b = B 1 b B 1 N z z = c T B B 1 b c N = c T N ct B B 1 N 0 b b = b + δ 1 Est-ce que la base reste optimale? Oui : c N = cn T ct B B 1 N 0 est indépendant de b 2 Est-ce que la base reste réalisable? Vérifier que b = B 1 b 0 Pierre Coupechoux 88 / 103
89 Exercice : calculer l interval de valeurs de b 2 pour lequel la base reste réalisable Pierre Coupechoux 89 / 103 Un premier exemple Max z = 3x 1 2x 2 2x 1 x 2 b 1 x 1 x 2 10 x 1, x 2 0 Base optimale = {2, ( 1} ) ( ) 2 1 b1 On a donc ici B = et b = la solution de base reste réalisable si x B = B 1 b 0 soit ici : ( ) ( ) { 1 1 b1 b x B = 0 b ]20, + [ b
90 Second exemple max z = 4x 1 + 3x 2 Sous x1 + x 3 = 8 x1 + 2x 2 + x 4 = 15 2x1+ x 2 + x 5 = 18 x 0 x 2 x 4 x 5 x x x z Variation de b i : Contrainte i non saturée : seule la valeur de x n+i est affectée Contrainte i saturée : toutes les valeurs de x B et z sont affectées x1 = 0 x 4 = 0 x 2 = 0 x 5 = x3 = 0 x 1 Pierre Coupechoux 90 / 103
91 Exemple : contrainte non saturée Contrainte 1 : x 1 + x 3 = 8 + δb 1 Non saturée x3 = 1 x 2 x 4 x 5 x x x z Le sommet reste optimal tant que x 3 = 8 + δb 1 x1 0 d où δb 1 [ 1, + ] et δz = x1 = 0 x 5 = 0 x 4 = 0 x 2 = x 1 Pierre Coupechoux 91 / 103
92 Exemple : contrainte saturée Contrainte 3 : 2x 1 + x 2 + x 5 = 18 + δb 3 Saturée x 5 = 0 (hors base) Lorsque b 3 varie de δb 3, le sommet optimal se déplace sur la droite x 4 = 0. Le sommet reste optimal tant que : x 1 = ( δb 3) 0 D où x 3 = ( δb 3) 0 x 2 = ( δb 3) 0 21/2 δb 3 3/2 x x1 = 0 x 4 x 5 x x x z x 4 = 0 x 2 = 0 x 5 = x3 = 0 x 1 Pierre Coupechoux 92 / 103
93 Exemple : contrainte saturée Variations admissibles : x 4 x 5 x x x /2 δb 3 3/2 Fonction objectif : δz = 5 3 δb 3 d où 35/2 δz 5/2 x x1 = 0 z x 4 = 0 x 2 = 0 x 5 = x3 = 0 x 1 Pierre Coupechoux 93 / 103
94 Récapitulatif Au sommet optimal, si la contrainte i n est pas saturée : La variable d écart x i est dans la base (x i 0) y i = 0 d où z = 0 l intervalle de variation admissible est δ [ x i ; + ]. Au sommet optimal, si la contrainte est saturée : La variable d écart x i est hors base (x i = 0) z = δ.y i δ doit respecter les relations suivantes : δ(b 1 ) i B 1 b où (B 1 ) i est la i e colonne de B 1. Ces valeurs se lisent directement dans le tableau final du simplexe. Pierre Coupechoux 94 / 103
95 Interprétation économique Primal : problème de production x j : quantité de produit j réalisée, a ij : quantité de ressource i nécessaire à la réalisation d un produit j, b i : quantité totale de ressource i disponible, c j : profit réalisé lors de la vente d un produit j. Problème : maximiser le profit en respectant les contraintes de ressource. max c T x sous Ax b, x 0 Pierre Coupechoux 95 / 103
96 Interprétation économique Dual : on propose de racheter les ressources i au prix y i. Comment fixer ce prix? Point de vue du vendeur Pour tout produit j qu on ne fabrique pas, on souhaite récupérer au moins autant que le profit qu on aurait réalisé : a ij y i c j i Point de vue de l acheteur : on souhaite payer le moins cher possible les ressources : j min i b i y i Pierre Coupechoux 96 / 103
97 Valeur marginale d une contrainte La valeur marginale d une contrainte i correspond à la valeur de sa variable duale à l optimum, y i : 1 Analyse de sensibilité : variation de l objectif si on modifie la quantité de ressource i disponible 2 Prix minimum auquel on accepterait de vendre une unité de ressource 3 Prix maximum qu on accepterait de payer pour acheter une unité de ressource complémentaire. 4 Valorisation d une activité nouvelle : étude d opportunité de la fabrication d un nouveau produit. Pierre Coupechoux 97 / 103
98 Ajout d une contrainte L ajout d une contrainte non redondante augmente la dimension de la base. La variable d écart x n+m+1 de la nouvelle contrainte m + 1 est dans la nouvelle base puisqu elle n apparaît dans aucune autre contrainte et son coefficient est 1. Pour l ajouter dans le tableau optimal du simplexe, on exprime cette variable x n+m+1 en fonction des variables hors de la base optimale. Deux possibilités : la valeur de x n+m+1 est positive ou nulle : la solution actuelle est admissible, l optimum est inchangé (la contrainte m + 1 est saturée ou non) la valeur de x n+m+1 est négative : la solution actuelle n est plus admissible (la contrainte m + 1 est violée). Pierre Coupechoux 98 / 103
99 Exemple Nouvelle contrainte : x 1 6. Forme standard : x 1 + x 6 = 6. x x 4 = 0 x6 = 0 x3 = 0 x x z x 2 = 0 x Solution non admissible La solution duale reste admissible (yi 0) mais non optimale. Un pivot dans le problème dual nous ramène à la solution optimale. x1 = 0 x 5 = 0 x 4 x 5 x x Pierre Coupechoux 99 / 103
100 Exemple Nouvelle contrainte : x 1 6. Forme standard : x 1 + x 6 = 6. x x1 = 0 x 5 = 0 x 4 = 0 x3 = 0 x6 = 0 x 2 = x 1 x 4 x 6 x x x x z 37, Solution admissible optimale. Pierre Coupechoux 100 / 103
101 Algorithme du tableau simplicial Dictionnaire : z = z + j N c jx j x i = b i j N a i,jx j (i B) Tableau simplicial : x t x B A b c z Utilisation pour regrouper toutes les données du problème Tous ce qui a été dit pour les dictionnaires est vrai pour le tableau simplicial Pivotage Pivot de Gauß-Jordan Pierre Coupechoux 101 / 103
102 Forme canonique par rapport à une base Un programme linéaire est dit sous forme canonique par rapport à une base si et seulement si 1 Forme standard 2 Les coefficients associés aux variables en base sont égaux à 0 3 La sous-matrice formée par les colonnes associées aux variables de base forme la matrice identité (à une permutation près) Il s agit en fait d un système sous forme canonique dont les variables d écart associées forment la base Pierre Coupechoux 102 / 103
103 Invariants de boucle 1 Le programme linéaire est sous forme canonique par rapport à la base 2 La base est réalisable (les éléments de la dernière colonne sont positifs ou nuls) 3 Les variables de base sont listées sur la première colonne 4 La case en bas à droite vaut z où z est la valeur de la fonction objectif pour la solution de base courante Pierre Coupechoux 103 / 103
Programmation Linéaire - Cours 1
Programmation Linéaire - Cours 1 P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Université Bordeaux 1 Bât A33 - Bur 265 Ouvrages de référence V. Chvátal - Linear Programming, W.H.Freeman, New York, 1983.
Plus en détailSouad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en détailProgrammation linéaire
1 Programmation linéaire 1. Le problème, un exemple. 2. Le cas b = 0 3. Théorème de dualité 4. L algorithme du simplexe 5. Problèmes équivalents 6. Complexité de l Algorithme 2 Position du problème Soit
Plus en détailProgrammation linéaire et Optimisation. Didier Smets
Programmation linéaire et Optimisation Didier Smets Chapitre 1 Un problème d optimisation linéaire en dimension 2 On considère le cas d un fabricant d automobiles qui propose deux modèles à la vente, des
Plus en détailLa programmation linéaire : une introduction. Qu est-ce qu un programme linéaire? Terminologie. Écriture mathématique
La programmation linéaire : une introduction Qu est-ce qu un programme linéaire? Qu est-ce qu un programme linéaire? Exemples : allocation de ressources problème de recouvrement Hypothèses de la programmation
Plus en détailProgrammation linéaire
Programmation linéaire DIDIER MAQUIN Ecole Nationale Supérieure d Electricité et de Mécanique Institut National Polytechnique de Lorraine Mathématiques discrètes cours de 2ème année Programmation linéaire
Plus en détailExercices du Cours de la programmation linéaire donné par le Dr. Ali DERBALA
75. Un plombier connaît la disposition de trois tuyaux sous des dalles ( voir figure ci dessous ) et il lui suffit de découvrir une partie de chacun d eux pour pouvoir y poser les robinets. Il cherche
Plus en détailCours 02 : Problème général de la programmation linéaire
Cours 02 : Problème général de la programmation linéaire Cours 02 : Problème général de la Programmation Linéaire. 5 . Introduction Un programme linéaire s'écrit sous la forme suivante. MinZ(ou maxw) =
Plus en détailOptimisation Discrète
Prof F Eisenbrand EPFL - DISOPT Optimisation Discrète Adrian Bock Semestre de printemps 2011 Série 7 7 avril 2011 Exercice 1 i Considérer le programme linéaire max{c T x : Ax b} avec c R n, A R m n et
Plus en détailOptimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications
Optimisation non linéaire Irène Charon, Olivier Hudry École nationale supérieure des télécommunications A. Optimisation sans contrainte.... Généralités.... Condition nécessaire et condition suffisante
Plus en détailCalcul matriciel. Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes.
1 Définitions, notations Calcul matriciel Définition 1 Une matrice de format (m,n) est un tableau rectangulaire de mn éléments, rangés en m lignes et n colonnes. On utilise aussi la notation m n pour le
Plus en détailRésolution de systèmes linéaires par des méthodes directes
Résolution de systèmes linéaires par des méthodes directes J. Erhel Janvier 2014 1 Inverse d une matrice carrée et systèmes linéaires Ce paragraphe a pour objet les matrices carrées et les systèmes linéaires.
Plus en détailChapitre 5 : Flot maximal dans un graphe
Graphes et RO TELECOM Nancy A Chapitre 5 : Flot maximal dans un graphe J.-F. Scheid 1 Plan du chapitre I. Définitions 1 Graphe Graphe valué 3 Représentation d un graphe (matrice d incidence, matrice d
Plus en détailLES MÉTHODES DE POINT INTÉRIEUR 1
Chapitre XIII LES MÉTHODES DE POINT INTÉRIEUR 1 XIII.1 Introduction Nous débutons par un rappel de la formulation standard d un problème d optimisation 2 linéaire et donnons un bref aperçu des différences
Plus en détailOptimisation 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
Plus en détailCours de Recherche Opérationnelle IUT d Orsay. Nicolas M. THIÉRY. E-mail address: Nicolas.Thiery@u-psud.fr URL: http://nicolas.thiery.
Cours de Recherche Opérationnelle IUT d Orsay Nicolas M. THIÉRY E-mail address: Nicolas.Thiery@u-psud.fr URL: http://nicolas.thiery.name/ CHAPTER 1 Introduction à l optimisation 1.1. TD: Ordonnancement
Plus en détailCours d analyse numérique SMI-S4
ours d analyse numérique SMI-S4 Introduction L objet de l analyse numérique est de concevoir et d étudier des méthodes de résolution de certains problèmes mathématiques, en général issus de problèmes réels,
Plus en détailAnalyse en Composantes Principales
Analyse en Composantes Principales Anne B Dufour Octobre 2013 Anne B Dufour () Analyse en Composantes Principales Octobre 2013 1 / 36 Introduction Introduction Soit X un tableau contenant p variables mesurées
Plus en détailCours de recherche opérationnelle I
1 Cours de recherche opérationnelle I Nadia Brauner Nadia.Brauner@imag.fr Grenoble, 2014-2015 Auteurs Ont participé à la rédaction de ce cours (par ordre d arrivée) Nadia Brauner Christophe Rapine Julien
Plus en détailCalcul différentiel sur R n Première partie
Calcul différentiel sur R n Première partie Université De Metz 2006-2007 1 Définitions générales On note L(R n, R m ) l espace vectoriel des applications linéaires de R n dans R m. Définition 1.1 (différentiabilité
Plus en détailExercices - Polynômes : corrigé. Opérations sur les polynômes
Opérations sur les polynômes Exercice 1 - Carré - L1/Math Sup - Si P = Q est le carré d un polynôme, alors Q est nécessairement de degré, et son coefficient dominant est égal à 1. On peut donc écrire Q(X)
Plus en détail* très facile ** facile *** difficulté moyenne **** difficile ***** très difficile I : Incontournable T : pour travailler et mémoriser le cours
Exo7 Continuité (étude globale). Diverses fonctions Exercices de Jean-Louis Rouget. Retrouver aussi cette fiche sur www.maths-france.fr * très facile ** facile *** difficulté moyenne **** difficile *****
Plus en détailRECHERCHE OPERATIONNELLE
RECHERCHE OPERATIONNELLE 0. Introduction. Ce cours a été enseigné jusqu en 2002, en année de licence, à la MIAGE de NANCY. L objectif principal de ce cours est d acquérir une connaissance approfondie de
Plus en détailExo7. Matrice d une application linéaire. Corrections d Arnaud Bodin.
Exo7 Matrice d une application linéaire Corrections d Arnaud odin. Exercice Soit R muni de la base canonique = ( i, j). Soit f : R R la projection sur l axe des abscisses R i parallèlement à R( i + j).
Plus en détailBien lire l énoncé 2 fois avant de continuer - Méthodes et/ou Explications Réponses. Antécédents d un nombre par une fonction
Antécédents d un nombre par une fonction 1) Par lecture graphique Méthode / Explications : Pour déterminer le ou les antécédents d un nombre a donné, on trace la droite (d) d équation. On lit les abscisses
Plus en détailINFO-F-310 - Algorithmique 3 et Recherche Opérationnelle
INFO-F- - Algorithmique et Recherche Opérationnelle Yves De Smet Bernard Fortz - Table des matières I Introduction Aide à la décision et modèles mathématiques Quelques exemples de modèles mathématiques
Plus en détail3 Approximation de solutions d équations
3 Approximation de solutions d équations Une équation scalaire a la forme générale f(x) =0où f est une fonction de IR dans IR. Un système de n équations à n inconnues peut aussi se mettre sous une telle
Plus en détailRésolution d équations non linéaires
Analyse Numérique Résolution d équations non linéaires Said EL HAJJI et Touria GHEMIRES Université Mohammed V - Agdal. Faculté des Sciences Département de Mathématiques. Laboratoire de Mathématiques, Informatique
Plus en détailCommunications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes
Loris MARCHAL Laboratoire de l Informatique du Parallélisme Équipe Graal Communications collectives et ordonnancement en régime permanent pour plates-formes hétérogènes Thèse réalisée sous la direction
Plus en détailChapitre 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
Plus en détailSujet 4: Programmation stochastique propriétés de fonction de recours
Sujet 4: Programmation stochastique propriétés de fonction de recours MSE3313: Optimisation Stochastiqe Andrew J. Miller Dernière mise au jour: October 19, 2011 Dans ce sujet... 1 Propriétés de la fonction
Plus en détailPolynômes à plusieurs variables. Résultant
Polynômes à plusieurs variables. Résultant Christophe Ritzenthaler 1 Relations coefficients-racines. Polynômes symétriques Issu de [MS] et de [Goz]. Soit A un anneau intègre. Définition 1.1. Soit a A \
Plus en détailFonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples
45 Fonctions de plusieurs variables : dérivés partielles, diérentielle. Fonctions composées. Fonctions de classe C 1. Exemples Les espaces vectoriels considérés sont réels, non réduits au vecteur nul et
Plus en détailExamen optimisation Centrale Marseille (2008) et SupGalilee (2008)
Examen optimisation Centrale Marseille (28) et SupGalilee (28) Olivier Latte, Jean-Michel Innocent, Isabelle Terrasse, Emmanuel Audusse, Francois Cuvelier duree 4 h Tout resultat enonce dans le texte peut
Plus en détailDérivées d ordres supérieurs. Application à l étude d extrema.
Chapitre 5 Dérivées d ordres supérieurs. Application à l étude d extrema. On s intéresse dans ce chapitre aux dérivées d ordre ou plus d une fonction de plusieurs variables. Comme pour une fonction d une
Plus en détailThéorème du point fixe - Théorème de l inversion locale
Chapitre 7 Théorème du point fixe - Théorème de l inversion locale Dans ce chapitre et le suivant, on montre deux applications importantes de la notion de différentiabilité : le théorème de l inversion
Plus en détailCCP PSI - 2010 Mathématiques 1 : un corrigé
CCP PSI - 00 Mathématiques : un corrigé Première partie. Définition d une structure euclidienne sur R n [X]... B est clairement symétrique et linéaire par rapport à sa seconde variable. De plus B(P, P
Plus en détailCHOIX OPTIMAL DU CONSOMMATEUR. A - Propriétés et détermination du choix optimal
III CHOIX OPTIMAL DU CONSOMMATEUR A - Propriétés et détermination du choix optimal La demande du consommateur sur la droite de budget Résolution graphique Règle (d or) pour déterminer la demande quand
Plus en détailBaccalauréat S Antilles-Guyane 11 septembre 2014 Corrigé
Baccalauréat S ntilles-guyane 11 septembre 14 Corrigé EXERCICE 1 6 points Commun à tous les candidats Une entreprise de jouets en peluche souhaite commercialiser un nouveau produit et à cette fin, effectue
Plus en détailBaccalauréat ES Pondichéry 7 avril 2014 Corrigé
Baccalauréat ES Pondichéry 7 avril 204 Corrigé EXERCICE 4 points Commun à tous les candidats. Proposition fausse. La tangente T, passant par les points A et B d abscisses distinctes, a pour coefficient
Plus en détailDe même, le périmètre P d un cercle de rayon 1 vaut P = 2π (par définition de π). Mais, on peut démontrer (difficilement!) que
Introduction. On suppose connus les ensembles N (des entiers naturels), Z des entiers relatifs et Q (des nombres rationnels). On s est rendu compte, depuis l antiquité, que l on ne peut pas tout mesurer
Plus en détailExercices - Fonctions de plusieurs variables : corrigé. Pour commencer
Pour commencer Exercice 1 - Ensembles de définition - Première année - 1. Le logarithme est défini si x + y > 0. On trouve donc le demi-plan supérieur délimité par la droite d équation x + y = 0.. 1 xy
Plus en détailThéorèmes de Point Fixe et Applications 1
Théorèmes de Point Fixe et Applications 1 Victor Ginsburgh Université Libre de Bruxelles et CORE, Louvain-la-Neuve Janvier 1999 Published in C. Jessua, C. Labrousse et D. Vitry, eds., Dictionnaire des
Plus en détailEléments de Théorie des Graphes et Programmation Linéaire
INSTITUT NATIONAL POLYTECHNIQUE DE LORRAINE Ecole Nationale Supérieure d Electricité et de Mécanique Eléments de Théorie des Graphes et Programmation Linéaire Didier Maquin Professeur à l INPL Version
Plus en détailThéorie et codage de l information
Théorie et codage de l information Les codes linéaires - Chapitre 6 - Principe Définition d un code linéaire Soient p un nombre premier et s est un entier positif. Il existe un unique corps de taille q
Plus en détailCHAPITRE 5. Stratégies Mixtes
CHAPITRE 5 Stratégies Mixtes Un des problèmes inhérents au concept d équilibre de Nash en stratégies pures est que pour certains jeux, de tels équilibres n existent pas. P.ex.le jeu de Pierre, Papier,
Plus en détailCours de Master Recherche
Cours de Master Recherche Spécialité CODE : Résolution de problèmes combinatoires Christine Solnon LIRIS, UMR 5205 CNRS / Université Lyon 1 2007 Rappel du plan du cours 16 heures de cours 1 - Introduction
Plus en détailCoefficients binomiaux
Probabilités L2 Exercices Chapitre 2 Coefficients binomiaux 1 ( ) On appelle chemin une suite de segments de longueur 1, dirigés soit vers le haut, soit vers la droite 1 Dénombrer tous les chemins allant
Plus en détailLe théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche
Le théorème de Perron-Frobenius, les chaines de Markov et un célèbre moteur de recherche Bachir Bekka Février 2007 Le théorème de Perron-Frobenius a d importantes applications en probabilités (chaines
Plus en détailProgrammation linéaire
CHAPTER 1 Programmation linéaire 1.1. Qu'est-ce que la programmation linéaire 1.1.1. Exemple: le problème du régime de Polly [1, p.3]. Besoins journaliers: Énergie: 2000 kcal Protéines: 55g Calcium: 800
Plus en détailNOMBRES COMPLEXES. Exercice 1 :
Exercice 1 : NOMBRES COMPLEXES On donne θ 0 un réel tel que : cos(θ 0 ) 5 et sin(θ 0 ) 1 5. Calculer le module et l'argument de chacun des nombres complexes suivants (en fonction de θ 0 ) : a i( )( )(1
Plus en détailChp. 4. Minimisation d une fonction d une variable
Chp. 4. Minimisation d une fonction d une variable Avertissement! Dans tout ce chapître, I désigne un intervalle de IR. 4.1 Fonctions convexes d une variable Définition 9 Une fonction ϕ, partout définie
Plus en détailwww.h-k.fr/publications/objectif-agregation
«Sur C, tout est connexe!» www.h-k.fr/publications/objectif-agregation L idée de cette note est de montrer que, contrairement à ce qui se passe sur R, «sur C, tout est connexe». Cet abus de langage se
Plus en détailPour l épreuve d algèbre, les calculatrices sont interdites.
Les pages qui suivent comportent, à titre d exemples, les questions d algèbre depuis juillet 003 jusqu à juillet 015, avec leurs solutions. Pour l épreuve d algèbre, les calculatrices sont interdites.
Plus en détailUne forme générale de la conjecture abc
Une forme générale de la conjecture abc Nicolas Billerey avec l aide de Manuel Pégourié-Gonnard 6 août 2009 Dans [Lan99a], M Langevin montre que la conjecture abc est équivalente à la conjecture suivante
Plus en détailCours d Analyse. Fonctions de plusieurs variables
Cours d Analyse Fonctions de plusieurs variables Licence 1ère année 2007/2008 Nicolas Prioux Université de Marne-la-Vallée Table des matières 1 Notions de géométrie dans l espace et fonctions à deux variables........
Plus en détailLimites finies en un point
8 Limites finies en un point Pour ce chapitre, sauf précision contraire, I désigne une partie non vide de R et f une fonction définie sur I et à valeurs réelles ou complees. Là encore, les fonctions usuelles,
Plus en détailDualité dans les espaces de Lebesgue et mesures de Radon finies
Chapitre 6 Dualité dans les espaces de Lebesgue et mesures de Radon finies Nous allons maintenant revenir sur les espaces L p du Chapitre 4, à la lumière de certains résultats du Chapitre 5. Sauf mention
Plus en détailEnoncé et corrigé du brevet des collèges dans les académies d Aix- Marseille, Montpellier, Nice Corse et Toulouse en 2000. Énoncé.
Enoncé et corrigé du brevet des collèges dans les académies d Aix- Marseille, Montpellier, Nice Corse et Toulouse en 2000. Énoncé. I- ACTIVITES NUMERIQUES (12 points) Exercice 1 (3 points) On considère
Plus en détailÉquations non linéaires
Équations non linéaires Objectif : trouver les zéros de fonctions (ou systèmes) non linéaires, c-à-d les valeurs α R telles que f(α) = 0. y f(x) α 1 α 2 α 3 x Equations non lineaires p. 1/49 Exemples et
Plus en détailLa classification automatique de données quantitatives
La classification automatique de données quantitatives 1 Introduction Parmi les méthodes de statistique exploratoire multidimensionnelle, dont l objectif est d extraire d une masse de données des informations
Plus en détailCorrigé des TD 1 à 5
Corrigé des TD 1 à 5 1 Premier Contact 1.1 Somme des n premiers entiers 1 (* Somme des n premiers entiers *) 2 program somme_entiers; n, i, somme: integer; 8 (* saisie du nombre n *) write( Saisissez un
Plus en détailProgrammation mathématique Discrète et Modèles Linéaires
Université Pierre et Marie Curie Master IAD Module PDML Programmation mathématique Discrète et Modèles Linéaires Pierre Fouilhoux pierre.fouilhoux@lip6.fr 29 septembre 2013 Table des matières I Programmation
Plus en détailComment démontrer des formules sans effort? exposé de maîtrise
Comment démontrer des formules sans effort? exposé de maîtrise Marc Mezzarobba Sam Zoghaib Sujet proposé par François Loeser Résumé Nous exposons un ensemble de méthodes qui permettent d évaluer «en forme
Plus en détailFONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4)
FONCTIONS DE PLUSIEURS VARIABLES (Outils Mathématiques 4) Bernard Le Stum Université de Rennes 1 Version du 13 mars 2009 Table des matières 1 Fonctions partielles, courbes de niveau 1 2 Limites et continuité
Plus en détailFonctions de plusieurs variables
Module : Analyse 03 Chapitre 00 : Fonctions de plusieurs variables Généralités et Rappels des notions topologiques dans : Qu est- ce que?: Mathématiquement, n étant un entier non nul, on définit comme
Plus en détailTravaux dirigés n 1. Programmation linéaire
Université de Reims Champagne Ardenne U.F.R. de Sciences Exactes et Naturelles MASTER 1 Informatique - 2014/2015 Pierre Delisle Travaux dirigés n 1 Programmation linéaire Exercice 1 (Résolution d'un programme
Plus en détailJean-Philippe Préaux http://www.i2m.univ-amu.fr/~preaux
Colonies de fourmis Comment procèdent les colonies de fourmi pour déterminer un chemin presque géodésique de la fourmilière à un stock de nourriture? Les premières fourmis se déplacent au hasard. Les fourmis
Plus en détailI. Polynômes de Tchebychev
Première épreuve CCP filière MP I. Polynômes de Tchebychev ( ) 1.a) Tout réel θ vérifie cos(nθ) = Re ((cos θ + i sin θ) n ) = Re Cn k (cos θ) n k i k (sin θ) k Or i k est réel quand k est pair et imaginaire
Plus en détailOPTIMISATION À UNE VARIABLE
OPTIMISATION À UNE VARIABLE Sommaire 1. Optimum locaux d'une fonction... 1 1.1. Maximum local... 1 1.2. Minimum local... 1 1.3. Points stationnaires et points critiques... 2 1.4. Recherche d'un optimum
Plus en détailIntégration et probabilités TD1 Espaces mesurés Corrigé
Intégration et probabilités TD1 Espaces mesurés Corrigé 2012-2013 1 Petites questions 1 Est-ce que l ensemble des ouverts de R est une tribu? Réponse : Non, car le complémentaire de ], 0[ n est pas ouvert.
Plus en détailChapitre 2. Matrices
Département de mathématiques et informatique L1S1, module A ou B Chapitre 2 Matrices Emmanuel Royer emmanuelroyer@mathuniv-bpclermontfr Ce texte mis gratuitement à votre disposition a été rédigé grâce
Plus en détailDOCM 2013 http://docm.math.ca/ Solutions officielles. 1 2 10 + 1 2 9 + 1 2 8 = n 2 10.
A1 Trouvez l entier positif n qui satisfait l équation suivante: Solution 1 2 10 + 1 2 9 + 1 2 8 = n 2 10. En additionnant les termes du côté gauche de l équation en les mettant sur le même dénominateur
Plus en détailChapitre 6. Fonction réelle d une variable réelle
Chapitre 6 Fonction réelle d une variable réelle 6. Généralités et plan d étude Une application de I dans R est une correspondance entre les éléments de I et ceu de R telle que tout élément de I admette
Plus en détailLes indices à surplus constant
Les indices à surplus constant Une tentative de généralisation des indices à utilité constante On cherche ici en s inspirant des indices à utilité constante à définir un indice de prix de référence adapté
Plus en détailLe théorème de Thalès et sa réciproque
Le théorème de Thalès et sa réciproque I) Agrandissement et Réduction d une figure 1) Définition : Lorsque toutes les longueurs d une figure F sont multipliées par un même nombre k on obtient une autre
Plus en détailProbabilités sur un univers fini
[http://mp.cpgedupuydelome.fr] édité le 7 août 204 Enoncés Probabilités sur un univers fini Evènements et langage ensembliste A quelle condition sur (a, b, c, d) ]0, [ 4 existe-t-il une probabilité P sur
Plus en détailDéfinitions. Numéro à préciser. (Durée : )
Numéro à préciser (Durée : ) On étudie dans ce problème l ordre lexicographique pour les mots sur un alphabet fini et plusieurs constructions des cycles de De Bruijn. Les trois parties sont largement indépendantes.
Plus en détail1 Complément sur la projection du nuage des individus
TP 0 : Analyse en composantes principales (II) Le but de ce TP est d approfondir nos connaissances concernant l analyse en composantes principales (ACP). Pour cela, on reprend les notations du précédent
Plus en détailBac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures)
Bac Blanc Terminale ES - Février 2011 Épreuve de Mathématiques (durée 3 heures) Eercice 1 (5 points) pour les candidats n ayant pas choisi la spécialité MATH Le tableau suivant donne l évolution du chiffre
Plus en détailCorrection du bac blanc CFE Mercatique
Correction du bac blanc CFE Mercatique Exercice 1 (4,5 points) Le tableau suivant donne l évolution du nombre de bénéficiaires de minima sociaux en milliers : Année 2002 2003 2004 2005 2006 2007 2008 2009
Plus en détailEteindre. les. lumières MATH EN JEAN 2013-2014. Mme BACHOC. Elèves de seconde, première et terminale scientifiques :
MTH EN JEN 2013-2014 Elèves de seconde, première et terminale scientifiques : Lycée Michel Montaigne : HERITEL ôme T S POLLOZE Hélène 1 S SOK Sophie 1 S Eteindre Lycée Sud Médoc : ROSIO Gauthier 2 nd PELGE
Plus en détailCalcul différentiel. Chapitre 1. 1.1 Différentiabilité
Chapitre 1 Calcul différentiel L idée du calcul différentiel est d approcher au voisinage d un point une fonction f par une fonction plus simple (ou d approcher localement le graphe de f par un espace
Plus en détailContinuité en un point
DOCUMENT 4 Continuité en un point En général, D f désigne l ensemble de définition de la fonction f et on supposera toujours que cet ensemble est inclus dans R. Toutes les fonctions considérées sont à
Plus en détailProblème 1 : applications du plan affine
Problème 1 : applications du plan affine Notations On désigne par GL 2 (R) l ensemble des matrices 2 2 inversibles à coefficients réels. Soit un plan affine P muni d un repère (O, I, J). Les coordonnées
Plus en détail4.2 Unités d enseignement du M1
88 CHAPITRE 4. DESCRIPTION DES UNITÉS D ENSEIGNEMENT 4.2 Unités d enseignement du M1 Tous les cours sont de 6 ECTS. Modélisation, optimisation et complexité des algorithmes (code RCP106) Objectif : Présenter
Plus en détailPremière partie. Préliminaires : noyaux itérés. MPSI B 6 juin 2015
Énoncé Soit V un espace vectoriel réel. L espace vectoriel des endomorphismes de V est désigné par L(V ). Lorsque f L(V ) et k N, on désigne par f 0 = Id V, f k = f k f la composée de f avec lui même k
Plus en détailIntroduction à la théorie des graphes. Solutions des exercices
CAHIERS DE LA CRM Introduction à la théorie des graphes Solutions des exercices Didier Müller CAHIER N O 6 COMMISSION ROMANDE DE MATHÉMATIQUE 1 Graphes non orientés Exercice 1 On obtient le graphe biparti
Plus en détailDéveloppement décimal d un réel
4 Développement décimal d un réel On rappelle que le corps R des nombres réels est archimédien, ce qui permet d y définir la fonction partie entière. En utilisant cette partie entière on verra dans ce
Plus en détailIV- Equations, inéquations dans R, Systèmes d équations
IV- Equations, inéquations dans R, Systèmes d équations 1- Equation à une inconnue Une équation est une égalité contenant un nombre inconnu noté en général x et qui est appelé l inconnue. Résoudre l équation
Plus en détailCHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE. EQUATIONS DIFFERENTIELLES.
CHAPITRE V SYSTEMES DIFFERENTIELS LINEAIRES A COEFFICIENTS CONSTANTS DU PREMIER ORDRE EQUATIONS DIFFERENTIELLES Le but de ce chapitre est la résolution des deux types de systèmes différentiels linéaires
Plus en détaila et b étant deux nombres relatifs donnés, une fonction affine est une fonction qui a un nombre x associe le nombre ax + b
I Définition d une fonction affine Faire l activité 1 «une nouvelle fonction» 1. définition générale a et b étant deux nombres relatifs donnés, une fonction affine est une fonction qui a un nombre x associe
Plus en détailImage d un intervalle par une fonction continue
DOCUMENT 27 Image d un intervalle par une fonction continue La continuité d une fonction en un point est une propriété locale : une fonction est continue en un point x 0 si et seulement si sa restriction
Plus en détailApproximations variationelles des EDP Notes du Cours de M2
Approximations variationelles des EDP Notes du Cours de M2 Albert Cohen Dans ce cours, on s intéresse à l approximation numérique d équations aux dérivées partielles linéaires qui admettent une formulation
Plus en détailCommun à tous les candidats
EXERCICE 3 (9 points ) Commun à tous les candidats On s intéresse à des courbes servant de modèle à la distribution de la masse salariale d une entreprise. Les fonctions f associées définies sur l intervalle
Plus en détailCalcul intégral élémentaire en plusieurs variables
Calcul intégral élémentaire en plusieurs variables PC*2 2 septembre 2009 Avant-propos À part le théorème de Fubini qui sera démontré dans le cours sur les intégrales à paramètres et qui ne semble pas explicitement
Plus en détailINTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES
INTRODUCTION À L ANALYSE FACTORIELLE DES CORRESPONDANCES Dominique LAFFLY Maître de Conférences, Université de Pau Laboratoire Société Environnement Territoire UMR 5603 du CNRS et Université de Pau Domaine
Plus en détailOrdonnancement. N: nains de jardin. X: peinture extérieure. E: électricité T: toit. M: murs. F: fondations CHAPTER 1
CHAPTER 1 Ordonnancement 1.1. Étude de cas Ordonnancement de tâches avec contraintes de précédences 1.1.1. Exemple : construction d'une maison. Exercice. On veut construire une maison, ce qui consiste
Plus en détailMoments des variables aléatoires réelles
Chapter 6 Moments des variables aléatoires réelles Sommaire 6.1 Espérance des variables aléatoires réelles................................ 46 6.1.1 Définition et calcul........................................
Plus en détailFonctions de plusieurs variables
Maths MP Exercices Fonctions de plusieurs variables Les indications ne sont ici que pour être consultées après le T (pour les exercices non traités). Avant et pendant le T, tenez bon et n allez pas les
Plus en détail