Recherche Opérationnelle
|
|
- Stéphanie Ruel
- il y a 6 ans
- Total affichages :
Transcription
1 Université Mohammed Premier ENSAO Cours du module Recherche Opérationnelle Cycle ingénieur Génie Télécommunications et Réseaux (GTR) Génie Electrique (GE) Semestre 2 Pr. Omar ANANE
2 Programme du module Partie1: Programmation linéaire Introduction Théorème fondamental de la programmation linéaire Algorithme du simplexe Pratique de la méthode du simplexe Dualité en programmation linéaire Partie2: Théorie des graphes et applications Eléments de théorie des graphes Problème de recherche des chemins optimaux Problème d ordonnancement Problème de transport Problème d affectation Phénomènes d attente Gestion scientifique des stocks
3 1- Introduction a) Un exemple Position du problème: Une entreprise fabrique deux produits P 1 et P 1 dans trois ateliers A 1, A 2 et A 3. La production d une unité de P 1 (resp. P 2 ) nécessite une 1 minute de travail dans l atelier A 1, 1 mn dans A 2 et 4 mn dans A 3. (resp. 2 mn dans A 1, 1 mn dans A 2 et 30s dans A 3 ), La vente d une unité de P 1 (resp. P 2 ) rapporte un bénéfice de 4 Dh (resp. 3 Dh). Les durées de fonctionnement des ateliers A 1, A 2 et A 3 ne peuvent pas excéder respectivement 10h, 6h et 17h par jour. Quelles sont les quantités optimales des produits P 1 et P 2 que l entreprise doit produire par jour? Formulation du problème: Désignons par x 1 et x 2 respectivement les quantités des produits P 1 et P 2 à produire par jour. Les durées de fonctionnement nécessaires à ces productions sont : Pour l atelier A 1 : x 1 +2x 2, Pour l atelier A 2 : x 1 +x 2 Pour l atelier A 3 : 4x 1 +0,5x 2 x 1 +2x x Les contraintes de production sont : (I) 1 + x x 1 +0,5x x 1 0 et x 2 0 Posons x=(x 1 ;x 2 ) et désignons par K l ensemble des point x de R 2 vérifiant les inégalités (I) Le bénéfice à la ventes des quantités produites par jour est : c(x) = 4x 1 +3x 2 Le problème se formule donc de la façon suivantes : P : Trouver x K tel que: c x = max {c x, x K}
4 Résolution graphique du problème: 1- Introduction K C
5 1- Introduction b) Remarques: La fonctionnelle à maximiser et les contraintes sont linéaires ( de ce fait, le problème (P) est dit programme linéaire); L ensembles des contraintes K est un polyèdre (intersection de demis-espaces); La droite (hyperplan) c(x) = α (α constante) est orthogonale au vecteur c = (4;3). Le bénéfice α augmente lorsqu on déplace cette droite dans le sens du vecteur c ; La droite optimale (qui correspond à un bénéfice maximale) est celle qui passe par le point (240,120) qui est un sommet du polyèdre K; Lorsque le nombre de variables est réduit à 2, la résolution graphique est possible, Une solution du problème (P) est un sommet du polyèdre K. Cette constatation est en fait générale : c est le théorème fondamental de la programmation linéaire; Pour un problème donné, si on arrive à énumérer l ensembles des sommets du polyèdre de ses contraintes, ont peut trouver un sommet optimal. Cette méthode n est pas envisageable dans les problèmes rencontrés dans la pratique qui comprennent plusieurs dizaines de variables et de contraintes; Pour résoudre un programme linéaire, l algorithme du simplexe permet, en partant d un sommet initial, construire par un procédé itératif, une suite de sommets qui améliorent progressivement la fonction objectif, pour aboutir après un nombre fini d itérations à une solution du problème.
6 1- Introduction c) Taille des PL: On considère que des PL comportant m=1000 contraintes et n= variables sont de dimension courante (pour l algorithme du simplexe). On parle de gros problèmes à partir de m = contraintes et n = variables. De très gros PL ont été résolus opérationnellement : un PL avec m = et n = pour la gestion intégrée de la firme américaine NABISCO, et à la NASA n = et m = Pour une compagnie aérienne, un problème avec n = variables (mais seulement m=850 contraintes) a aussi été résolu. Avec des PL dont les données ont des structures particulières, on a pu même dépasser les de variables! Pour n variables et m contraintes explicites, il y a m+n! m!n! sommets possibles. Cette valeur croissant très vite avec m et n, l énumération est impraticable pour des problèmes de taille industrielle. Ainsi pour un petit PL comportant m = 20 contraintes et n = 30 variables il y a 4,7129x1013 sommets possibles : même en calculant un million de sommets par seconde il faudrait un an et demi pour résoudre par ordinateur ce tout petit problème d) Rentabilité: L emploi de la PL permet d optimiser des systèmes et de réaliser des économies de pouvant dépasser 10% sur le coût de fonctionnement du système. L optimisation de l achat de pneumatiques pour équiper des véhicules chez un grand constructeur avait permis une économie de 0,5% sur un coût mensuel de 12 millions d euros soit /mois Il n est pas rare qu une optimisation à l aide de la P.L. permette des gains annuels représentant 200 à 300 fois le coût de l étude. Les «retours sur investissement» se comptent plus souvent en semaines ou en mois, qu en années
7 2- Théorème fondamental de la programmation linéaire a) Définitions et notations x 1 Les éléments de R n sont notés x= (vecteur colone), le produit scalaire euclidien est noté ( ) x n Les éléments du dual R n * de R n (ensemble des formes linéaires sur R n ) sont notés a=(a 1,, a n ) (vecteur ligne), le produit de dualité est noté <, > ( a(x) < a, x > avec a R n * et x R n ) La transposé d un vecteur colonne x= x 1 x n vecteur ligne a=(a 1,, a n ) est le vecteur colonne a = est le vecteur ligne x =(x 1,, x n ) et la transposé d un a 1 a n. On a < a, x >=(a x) L ensemble des matrices réelles à m lignes et n colonnes est noté M m,n Soit a R n * et b R, l hyperplan H={ x R n : < a, x > = b} est noté H={a= b}, il est orthogonal au vecteur a et partage l espace R n en deux demi-espaces fermés : H + = { x R n : < a, x > b} {a b} et H - = { x R n : < a, x > b} {a b} Un polyèdre K de R n est une intersection d un nombre fini de demis espaces fermés : K = {a i b i } { x R n : < a i, x > b i, i=1,, m} 1 i m Où les a i sont des formes linéaires non nulles et b i des scalaires.
8 2- Théorème fondamental de la programmation linéaire Une face d un polyèdre K est une partie frontalière F de K de la forme : F J = { x K : < a i, x > = b i, i J} Où J est un sous ensemble de { 1,, m} Il résulte de cette définition qu une face d un polyèdre est un polyèdre et qu une face d une face d un polyèdre est une face de ce polyèdre Un sommet de K est une face réduite à un singleton (un point) Une arrête de K est une face réduite à une portion de droite Un polyèdre est dit saillant s il contient au moins un sommet
9 2- Théorème fondamental de la programmation linéaire Un programme linéaire (PL) est un problème qui s exprime sous la forme générale : Où c, a i R n * et b i R P : Trouver x tel que: < c, x >= min < c, x > < a i, x >= b i, i = 1,, m La forme linéaire est dite fonction objectif ou fonction coût Les inégalités < a i, x > b i, i=1,, m s appelles contraintes du problème (P) Le polyèdre K = { < a i, x > b i, i=1,, m} s appelle ensemble des contrainte de (P) Les éléments x K s appellent solutions admissibles de (P) et une solution x de (P) s appelle solution optimale de (P) b 1 Soit A=(a i ) 1 i m la matrice de M m,n formée des vecteurs lignes a i et soit b =, le polyèdre des contrainte K s écrit K={ x R n : Ax b } et le problème (P) s écrit sous la forme générale : minimiser < c, x > P : Ax b Remarque : Le problème de minimisation (P) est équivalent au problème de maximisation : b m P : maximiser < c, x > Ax b
10 2- Théorème fondamental de la programmation linéaire b) Théorème fondamental de la programmation linéaire Théorème 1.2 : (1) Si une forme linéaire atteins son minimum sur un polyèdre saillant de R n, alors le minimum est atteint en un sommet de ce polyèdre. (2) Si une forme linéaire est minorée sur un polyèdre de R n, alors elle atteins son minimum sur ce polyèdre. Démonstration: (1) Soient c ϵ R n* et K={x ϵ R n : <a i. x> bi, i=1 m} un polyèdre, où a i ϵ R n* et bi ϵ R, i=1 m. Soient J {1,,m} et F J ={x ϵ K : <a i. x> = bi, i ϵ J} une face de K (F = K) et montrons que si c n est pas constante sur F J et atteins son minimum en un point x 1 de F J, alors il existe i J tel que x 1 ϵf J {i}. Supposons, par l absurde, que <a i.x 1 > < bi, i J. Soit x 2 ϵ F J tel que <c. x 2 > > <c. x 1 >. Posons v = x 2 - x 1 et t = min b i < a i. x 1 > < a i. v >, i J et < a i. v > < 0 si { i J et < a i. v > < 0} t = 17 sinon On a par construction t > 0, x 1 tv ϵ F J et <c. x 1 tv > =<c. x 1 > - t<c. v > < <c. x 1 >. Ceci contredit le fait que le minimum est atteint au point x 1.
11 2- Théorème fondamental de la programmation linéaire Posons J 0 =, F J 0 = K et d = min{<c. x>, x ϵ F J0 }. Soit x ϵ F J0 tel que <c. x > =d. D après ce qui précède, si c n est pas constante sur F J 0, il existe i 1 J 0 tel que x ϵ F J 0 {i1} On pose J 1 =J 0 {i 1 }. Si c n est pas constante sur F, il existe i J 1 2 J 1 tel que x ϵ F J 1 {i2} En procédant ainsi, on construit une suite K= F F J 0 J1 F Jk avec J 0 J 1 J k avec c constante sur F J (car le nombre de faces d un polyèdre est fini). On a alors, k - ou bien F est un singleton, dans ce cas F J ={ x} est un sommet de K, k Jk - ou bien admet F n est pas un singleton, dans ce cas F J admet un sommet {x } (qui est également k Jk un sommet de K) et on a <c. x > = <c. x > =d. L assertion (2) est admise.
12 3- Algorithme du simplexe a) Forme standard d un programme linéaire La forme standard d un PL est : La forme symétrique d un PL est : où c ϵ R n*, A ϵ M m,n ( R) et b ϵ R n. P 1 P 2 minimiser < c. x > Ax = b et x 0 minimiser < c. x > Ax b et x 0 Proposition 1.3: Les formes générale, standard et symétrique d un PL sont équivalentes. Démonstration : On considère un PL écrit sous forme générale : minimiser < c. x > Pg Ax b avec c ϵ R n*, A ϵ M m,n (R) et b ϵ R n Tout réel a s écrit a= a - a avec a 0 et a 0 (on peut prendre a =max (a, 0) et a =max (-a,0)) Donc un point x ϵ R n s écrit x= x x avec x 0 et x 0. Posons X=(x ; x ), on a ϵ R 2n et X 0. On a Ax= A(x -x )=Ax -Ax. Posons A =[A, -A], on a A ϵ M m,2n (R) et A X=Ax. On a <c.x> = <c. x -x >=<c. x > - <c. x >. Posons c = (c, -c), on a c ϵ R 2n* et <c. X> =<c.x>
13 3- Algorithme du simplexe Le PL général (Pg) est donc équivalant au PL symétrique : P sym minimiser <c. X> A X b et X 0 On considère maintenant un PL écrit sous forme symétrique: minimiser < c. x > P 2 Ax b et x 0 avec c ϵ R n*, A ϵ M m,n (R) et b ϵ R n Pour tout x ϵ R n, posons x = b -Ax, X=(x ; x ) ϵ R n+m, A = [A, I m ] ϵ M m,n+m (R), c =(c,0 m )où 0 m est le vecteur ligne nul de R n*. On a pour tout x ϵ R n <c,x> = <c.x> et : Ax b et x 0 A X = b et X 0. Donc, le PL symétrique P 2 est équivalant au PL standard: minimiser <c. X> P std A X = b et X 0 On considère maintenant un PL écrit sous forme standard: minimiser < c. x > P 1 Ax = b et x 0 avec c ϵ R n*, A ϵ M m,n (R) et b ϵ R n
14 3- Algorithme du simplexe Posons A = [A, -A, -I n ] ϵ M 2m+n,n (R), b =(b;-b;0 n )où 0 n est le vecteur colonne nul de R n. On a pour tout x ϵ R n : Ax = b et x 0 A x b. Donc, le PL symétrique P 1 est équivalant au PL général: minimiser <c. x> P g A x b b) Caractérisation des sommets On considère un PL en forme standard : où c ϵ R n*, A ϵ M m,n ( R) et b ϵ R m. P minimiser < c. x > Ax = b et x 0 On peut toujours supposer, sans perte de généralité, que b 0, rang(a)=m et m<n. Pour tout i ϵ {1,,n}, A i désigne le i ème vecteur colonne de A. Posons K={x ϵ R n : Ax = b et x 0} et pour tout x ϵ K, I x = { i ϵ {1,,n} : x i 0 } et S x ={A i, i ϵ I x }. Remarque : On peut supposer que 0 K, sinon on a b=0 et par suite 0 est une solution de (P) si elle existe. Proposition 2.3: Un point x de K est un sommet de K si et seulement si la famille S x est libre. Démonstration : voir TD
15 3- Algorithme du simplexe Soit x un sommet de K. Il résulte de la proposition précédente que (I x ) m. Si (I x ) = m, alors S x est une base de R m. Dans ce cas x est dit sommet non dégénéré, I x est noté β x et S x est noté B x Si (I x ) < m, x est dit sommet dégénéré. On peut compléter S x en une base de R m par des vecteurs colonnes de la matrice A. càd il existe J x {1,,n}\I x tel que la famille B x = { A i, i ϵ β x }, avec β x = I x J x, est une base de R m. Dans les deux cas β x ( resp. B x ) est dit ensemble de base (resp. base) associé à x. Pour tout j ϵ {1,,n} le vecteur A j s exprime d une façon unique dans la base B x sous la forme : A j = γ i j A i On note z j = c j i βx γ i j c i i β x. Les z j sont dits coûts marginaux. Notons que si j ϵ β x, alors γ i j = δ i,j (symbole de Kronecker) et z j = 0. Le calcul des coefficients γ i j nécessite d inverser la matrice M x =( A i ) i ϵ βx.
16 3- Algorithme du simplexe c) Algorithme du simplexe Théorème 1.3 : Soit x un sommet de K, B x et β x une base et un ensemble de base associé à x. et soit : Pour tout j β x, soit z j = c j Une des trois alternatives suivantes a lieu: (1) Si z j 0 j β x, alors x est une solution de (P); γ j j i βx i c i où les γ i sont donnés par : A j = i β γ j i A i x (2) Si J { j β x, tel que z j < 0} et si kϵ J : γ i k 0 i ϵ β x, alors (P) n admet pas de solution ; j (3) Si j ϵ J, i ϵ β x : γ i >0, soit j + ϵ J, on pose : θ + x i j = min, i ϵ β γ j + x et γ + i > 0. Soit j ϵ β tel que γ x j j+ > 0 et θ + = i et on considère le point x + défini par : x + i = x i θ + j γ + i si i ϵ β x x + j + = θ+ x + i = si i β x {j + } x + est un sommet de K et β x + = ( β x \ { j } ) {j + } est un ensemble de base associé à x. De plus θ + >0 x + x et dans ce cas on a : <c. x + > < <c. x >. x j γ j j+
17 3- Algorithme du simplexe Démonstration : Soit x ϵ K, on a Ax n = x j A j n j=1 = x j i β γ j i A i n j=1 x = ( j=1 x j γ j i ) Or Ax = i β x i β x i A i = Ax x = b et B est une base, donc x j x i = j=1 x j γ i i ϵ β x Par suite <c. x' > - <c. x> = n n = x j c j n j=1 x j c j i βx c i x i = x j c j c i ( x j j=1 jγ i n j=1 x j n (1) On a x ϵ K <c. x' > <c. x> = j=1 x j j=1 ( γ i j c i ) = i β x n n i β x A i j=1 x j z j = j βx x j z j z j 0. Donc x est une solution de (P). (2) Soit kϵ J : γ i k 0 i ϵ β x. Soit θ >0, on considère le point x θ défini par : x θ k i = x i θ γ i si i ϵ β x x θ k = θ x θ i = 0 si i β x {k} On a x θ 0 et Ax θ n = i=1 x θ ia i = x i A i θ γ k i A i + θa k i β x Donc x θ ϵ K θ >0. On a, d après ce qui précède : < c. x θ n > = <c. x> + i=1 x θ i z i = <c. x> + i β x θ x i i β x z i +θz k = <c. x> +θz k Or z k <0, donc lim θ + < c. xθ > =. D où (P) n admet pas de solution. n j=1 ) = Ax θa k + θa k = b
18 3- Algorithme du simplexe (3) Montrer que x + est un sommet de K revient à montrer que B x + est libre car I x + β x + Par l absurde, supposons qu il existe des réels α i, i ϵ β x + On a α j + 0, car sinon on aura α i =0 i ϵ β x +. A j+ = i ϵ β x \ { j } tels que α ia i i ϵ β x+ = 0. i ϵ β α i A i x \ { j } = 0 par suite α i =0 i ϵ β x \ { j }, on aura donc α i α j + Donc γ j j+ = 0, d où la contradiction. A i = Il est claire que θ + >0 x + x et dans ce cas on a : j γ + i A i = γ i i β x i ϵ β x \ { j } j + A i <c. x + > - <c. x > = x + jz j j βx = θ + z j + < 0. + γ j j+ A j
19 3- Algorithme du simplexe d) Initialisation de l algorithme du simplexe On considère un PL : P minimiser < c. x > xϵ K où K = x ϵ R n Ax = b et x 0, c ϵ R n*, A ϵ M m,n ( R) et b ϵ R m. On associe à (P) le PL suivant : où K 0 = x v ϵ Rn x R n : A 0 x v P 0 minimiser < c 0. x v ϵ K 0 x v > = b et x v 0, A0 x v = Ax + v, < c0. x m i=1. v > = v i Théorème 2.3 : (1) P 0 admet une solution optimale; (2) 0 b est un sommet de K 0; (3) Soit x v un sommet optimal de P 0, on a: Si v 0, alors (P) n admet pas de solutions admissibles (K= ); Si v =0, alors x est un sommet de K.
20 3- Algorithme du simplexe Démonstration : (1) On a < c 0 x. v > = m v x i=1 i 0 v ϵ K 0. Donc c 0 est minorée sur K 0. Par suite, d après le théorème fondamental de la PL, P 0 admet une solution optimale. (2) On a A 0 0 b = b et 0 b 0, donc 0 b est une solution admissible de P 0. (3) - Si v 0 et K, soit x ϵ K, on a x 0 ϵ K 0 et < c 0. - Si v = 0, on a A 0 x 0 I x 0 x 0 > 0 < < c0. =Ax =b et x 0, par suite x ϵ K. De plus, on a : = I x { i ϵ {1,,n} : x i 0 }, par suite S x 0 Donc, d après la proposition 2.3, x est un sommet de K. x v >, ce qui est absurde. = S x {A i, i ϵ I x } est une famille libre de R m.
21 4- Pratique de la méthode du simplexe a) Forme canonique On considère un PL : P minimiser < c. x > +d xϵ K où K = x ϵ R n Ax = b et x 0, c ϵ R n*, A ϵ M m,n ( R) et b ϵ R m, d ϵ R. Le programme (P) est dit canonique si que b 0, rang(a)=m, m<n et : B c {A i, i =1,,n} où B c ={e i, i =1,,m} est la base canonique de R m ; c i =0 pour tout i ϵ {1,, n} tel que A i ϵ B c. Les indices j tels que A j ϵ B c s appellent indices canoniques. On définit une application col :{1,,m} {1,,n} par j=col(i) si A j = e i Remarque : Si (P) est canonique, alors le point x défini par : x j = b i si j est canonique j = col(i) et x j =0 sinon, est un sommet de K associé à la base B c. De plus, on a: γ i j = a k j avec i =col(k) ; z j = c j ; <c.x> = 0.
22 4- Pratique de la méthode du simplexe On associe à (P) le tableau suivant qui représente toutes ses données : (T) a 1 1 n a 1 b 1 1 a m n a m b m c 1 c n d b) Opération pivotage Soit a r s un terme de la matrice A tel que a r s 0. On effectue sur (T) les opérations suivantes : on divise la ligne T r par a r s : a r s = a r j a r s, j=1 n et b r = b r a r s ; pour i r et i m+1, à la ligne T i on retranche a i s T j a s r : a j i =ai a s i a r a s r j, j=1 n et b i = b i a s i b r a s r ; r au vecteur ligne c on retranche c s a r s a r : à la constante d on ajoute c s a r s b r : c j =c j c s a r s a r j, j = 1 n ; d =d+ c s a r s b r. Remarque : Les transformations effectuées ne modifient pas le problème (P). En effet, on passe du système Ax=b à un système équivalent A x=b et la fonction objectif ne change pas : <c.x>+d=<c.x>+d. Si T est canonique et b 0, alors le nouveau tableau T est canonique.
23 4- Pratique de la méthode du simplexe b) Exemple On considère le programme linéaire : (P) maximiser (x 1 + 3x 2 ) x 1 + x 2 4 x 1 + 3x 2 24 x 1 6 4x 1 + 3x 2 12 x 1 0, x 2 0 (1) Standardisation : Le problème (P) s écrit sous la forme standard : (P) minimiser ( x 1 3x 2 ) x 1 + x 2 + x 4 = 4 x 1 + 3x 2 +x 5 = 24 x 1 +x 6 = 6 4x 1 + 3x 2 x 3 = 12 x i 0, i = 1,, 6
24 4- Pratique de la méthode du simplexe (2) Initialisation (phase 1) : Puisque la matrice A comprend 3 vecteurs canoniques, il a suffit de rajouter une seule variable (x 7 ) pour initialiser le problème. On associe à (P) le problème initial (P 0 ) : (P 0 ) minimiser (x 7 ) x 1 + x 2 + x 4 = 4 x 1 + 3x 2 + x 5 = 24 x 1 +x 6 = 6 4x 1 + 3x 2 x 3 + x 7 = 12 x i 0, i = 1,, 6 (3) Formation du tableau initial : On associe à (P 0 ) le tableau suivant : T b c c
25 4- Pratique de la méthode du simplexe (4) Canonisation : Les indices 4,5 et 6 sont canoniques mais l indice j=7 n est pas canonique ( c 7 0 0). Pour le rendre canonique, on retranche a 4 à c 0 et on ajoute b 4 à d. On obtient le tableau suivant : T 0, b β x x i γ i j c c (5) Traitement du tableau (T 0,1 ) Sommet : x 0,1 = (0; 0; 0; 4; 24; 6; 12), base associée β x 0,1= (4, 5, 6, 7) ; Test d optimalité : x 0,1 n est pas optimal, car c 1 0 < 0; Premier critère de Dantzig : l indice entrant j + = 1; Deuxième critère de Dantzig : l indice sortant j - = 7; Opération pivotage (4,1).
26 4- Pratique de la méthode du simplexe T 0, b 1 0 7/4-1/ / /4 1/ / /4 1/ / /4-1/ /4 3 β x c 0-9/4-1/ /4-3 c (6) Traitement du tableau (T 0,2 ) Sommet : x 0,2 = (3; 0; 0; 7; 21; 3; 0), base associée β x 0,2 = (1,4, 5, 6) ; Test d optimalité : x 0,2 est optimal (fin de la phase1 ); (P) admet des solutions admissibles (car d=0 ).
27 4- Pratique de la méthode du simplexe Phase 2: T b β x x i γ i j 1 0 7/4-1/ /4 1/ /4 1/ /4-1/ c 0-9/4-1/ /3-4 (7) Traitement du tableau (T 1 ) : (T 1 =T 0,2 auquel on supprime la ligne c 0 et la colonne de la variable 7 ) Sommet : x 1 = (3; 0; 0; 7; 21; 3), base associée β x 1 = (1,4, 5, 6) ; Test d optimalité : x 1 n est pas optimal, car c 2 < 0 ; Premier critère de Dantzig : l indice entrant j + = 2; Deuxième critère de Dantzig : l indice sortant j - = 1; Opération pivotage (4,2).
28 4- Pratique de la méthode du simplexe T b β x x i γ i j 1-7/3 0 1/ / / c (8) Traitement du tableau (T 2 ) Sommet : x 2 = (0; 4; 0; 0; 12; 6), base associée β x 2 = (2,4, 5, 6) ; Test d optimalité : x 2 n est pas optimal, car c 3 < 0 ; Premier critère de Dantzig : l indice entrant j + = 3; Deuxième critère de Dantzig : l indice sortant j - = 4; Opération pivotage (1,3).
29 4- Pratique de la méthode du simplexe T b β x x i γ i j c (9) Traitement du tableau (T 3 ) Sommet : x 3 = (0; 4; 0; 0; 12; 6), base associée β x 3 = (2,3, 5, 6) ; Test d optimalité : x 3 n est pas optimal, car c 1 < 0 ; Premier critère de Dantzig : l indice entrant j + = 1; Deuxième critère de Dantzig : l indice sortant j - = 5; Opération pivotage (2,1).
30 4- Pratique de la méthode du simplexe T b /4 5/ /4 ¼ /4-1/ /4 1/4 0 7 β x c (9) Traitement du tableau (T 4 ) Sommet : x 4 = (3; 7; 21; 0; 0; 3), base associée β x 4 = (1,2, 3, 6) ; Test d optimalité : x 4 est optimal ; Coût optimal = -24.
31 5- Dualité en programmation linéaire Définition : Etant donné un PL sous forme symétrique : minimiser < c. x > P Ax b et x 0 où c ϵ R n*, A ϵ M m,n ( R) et b ϵ R m. On appelle dual de (P) le PL défini (D) par : minimiser < b. y > D A y c et y 0 où A, b et c sont respectivement les transposés de A, b et c. Il est claire que (D) est également sous forme symétrique et que le dual (D) est (P). Théorème 1.5 : Soient x K = x R n : Ax b et x 0 et y K = y R m : A y c et y 0 (1) Les propositions suivantes sont équivalentes : i. x et y sont des solutions de (P) et (D)respectivement; ii. (x. c +A y)=0 et (y. b-ax) =0 (conditions de complémentarité); iii. <c. x>+<b. y> =0. (2) Les propositions suivantes sont équivalentes : i. (P) admet une solution; ii. (D) admet une solution; iii. K et K ne sont non vides.
32 5- Dualité en programmation linéaire Exemple: Un entrepreneur transforme 3 produits P1, P2 et P3 dans deux ateliers A1 et A2. La fabrication d une unité de P1 (resp. P2, P3 ) demande 1 heure de travail dans l atelier A1 et 1 heure dans l atelier A2 (resp. 4h, 1h sur A1 et 1h, 5h sur A2) et rapporte un bénéfice de 1 UM (resp. 2 UM, 2 UM). Les unités A1 et A2 ne peuvent pas fonctionner plus de 15 heures et 6 heures par jour respectivement. A1 A2 Bénéfice unitaire P1 1 h 1 h 1 UM P2 4 h 1 h 2 UM P3 1 h 5 h 2 UM Durée maximale 15 h 6 h Le problème de l entrepreneur est de déterminer les quantités des produits P1, P2 et P3 à transformer de sorte à maximiser le bénéfice. Un intermédiaire propose à l entrepreneur de lui louer ses unités pour réaliser la transformation à sa place. Pour que l entrepreneur accepte l offre, le prix de location doit se faire sur la base de l horaire limite de fonctionnement des deux unités et les prix unitaires de location doivent être plus intéressants que les bénéfices réalisés sur chaque unité des produits transformés. Le problème de l intermédiaire est de déterminer les prix unitaires de location des unités A1 et A2 de sorte à minimiser le coût de location.
33 Formulation des problèmes: 5- Dualité en programmation linéaire Soient x 1, x 2 et x 3 respectivement les quantités des produits P1, P2 et P3 à fabriquer par jour. Le problème de l entrepreneur est P maximiser (x 1 + 2x 2 + 2x 3 ) x 1 + 4x 2 +x 3 15 x 1 + x 2 +4x 3 6 x 1, x 2, x 3 0 Soient y 1 et y 2 respectivement les prix de location de l heure des ateliers A1 et A2. minimiser(15y 1 + 6y 2 ) y 1 + y 2 1 Le problème de l intermédiaire est D 4y 1 + y 2 2 y 1 + 4y 2 2 y 1, y 2 0 Résolution des problèmes: On remarque que le problème de l intermédiaire est dual du problème de l entrepreneur. Le problème (D) à deux variable, sa résolution graphique montre que y = (1/3 ; 1/2) est une solution optimale (D) et le coût de location est de 9 UM par jour. Cette solution sature les deux premières contraintes. D après le théorème de dualité (P) admet une solution optimale.les conditions de complémentarité s écrivent : x 1 + 4x 2 +x 3 = 15 x 1 + x 2 +4x 3 = 6 x 3 = 0 La solution optimale de (P) est donc x= (3; 3; 0) et le bénéfice réalisé par jour est de 9 UM
Souad EL Bernoussi. Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/
Recherche opérationnelle Les démonstrations et les exemples seront traités en cours Souad EL Bernoussi Groupe d Analyse Numérique et Optimisation Rabat http ://www.fsr.ac.ma/ano/ Table des matières 1 Programmation
Plus en 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 - 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 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 détailChapitre 3. Mesures stationnaires. et théorèmes de convergence
Chapitre 3 Mesures stationnaires et théorèmes de convergence Christiane Cocozza-Thivent, Université de Marne-la-Vallée p.1 I. Mesures stationnaires Christiane Cocozza-Thivent, Université de Marne-la-Vallée
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 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 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 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 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 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 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 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 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 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 détailFormes quadratiques. 1 Formes quadratiques et formes polaires associées. Imen BHOURI. 1.1 Définitions
Formes quadratiques Imen BHOURI 1 Ce cours s adresse aux étudiants de niveau deuxième année de Licence et à ceux qui préparent le capes. Il combine d une façon indissociable l étude des concepts bilinéaires
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 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 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 détailContinuité et dérivabilité d une fonction
DERNIÈRE IMPRESSIN LE 7 novembre 014 à 10:3 Continuité et dérivabilité d une fonction Table des matières 1 Continuité d une fonction 1.1 Limite finie en un point.......................... 1. Continuité
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 détailEXERCICE 4 (7 points ) (Commun à tous les candidats)
EXERCICE 4 (7 points ) (Commun à tous les candidats) On cherche à modéliser de deux façons différentes l évolution du nombre, exprimé en millions, de foyers français possédant un téléviseur à écran plat
Plus en détailExtrait du poly de Stage de Grésillon 1, août 2010
MINI-COURS SUR LES POLYNÔMES À UNE VARIABLE Extrait du poly de Stage de Grésillon 1, août 2010 Table des matières I Opérations sur les polynômes 3 II Division euclidienne et racines 5 1 Division euclidienne
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 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 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 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 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 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 détailUne introduction aux codes correcteurs quantiques
Une introduction aux codes correcteurs quantiques Jean-Pierre Tillich INRIA Rocquencourt, équipe-projet SECRET 20 mars 2008 1/38 De quoi est-il question ici? Code quantique : il est possible de corriger
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 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 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 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 mathématiques
DEUG MIAS premier niveau Cours de mathématiques année 2003/2004 Guillaume Legendre (version révisée du 3 avril 2015) Table des matières 1 Éléments de logique 1 1.1 Assertions...............................................
Plus en détailRO04/TI07 - Optimisation non-linéaire
RO04/TI07 - Optimisation non-linéaire Stéphane Mottelet Université de Technologie de Compiègne Printemps 2003 I Motivations et notions fondamentales 4 I1 Motivations 5 I2 Formes quadratiques 13 I3 Rappels
Plus en détailCorrigé Problème. Partie I. I-A : Le sens direct et le cas n= 2
33 Corrigé Corrigé Problème Théorème de Motzkin-Taussky Partie I I-A : Le sens direct et le cas n= 2 1-a Stabilité des sous-espaces propres Soit λ une valeur propre de v et E λ (v) le sous-espace propre
Plus en détailQuantification Scalaire et Prédictive
Quantification Scalaire et Prédictive Marco Cagnazzo Département Traitement du Signal et des Images TELECOM ParisTech 7 Décembre 2012 M. Cagnazzo Quantification Scalaire et Prédictive 1/64 Plan Introduction
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 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 détailI - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES
I - PUISSANCE D UN POINT PAR RAPPORT A UN CERCLE CERCLES ORTHOGONAUX POLES ET POLAIRES Théorème - Définition Soit un cercle (O,R) et un point. Une droite passant par coupe le cercle en deux points A et
Plus en détailContexte. Pour cela, elles doivent être très compliquées, c est-à-dire elles doivent être très différentes des fonctions simples,
Non-linéarité Contexte Pour permettre aux algorithmes de cryptographie d être sûrs, les fonctions booléennes qu ils utilisent ne doivent pas être inversées facilement. Pour cela, elles doivent être très
Plus en 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 détailLagrange, où λ 1 est pour la contrainte sur µ p ).
Chapitre 1 Exercice 1 : Portefeuilles financiers Considérons trois types d actions qui sont négociées à la bourse et dont les rentabilités r 1, r 2 et r 3 sont des variables aléatoires d espérances µ i
Plus en détailJournées Télécom-UPS «Le numérique pour tous» David A. Madore. david.madore@enst.fr. 29 mai 2015
et et Journées Télécom-UPS «Le numérique pour tous» David A. Madore Télécom ParisTech david.madore@enst.fr 29 mai 2015 1/31 et 2/31 : définition Un réseau de R m est un sous-groupe (additif) discret L
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 détail[http://mp.cpgedupuydelome.fr] édité le 30 avril 2015 Enoncés 1
[http://mpcpgedupuydelomefr] édité le 3 avril 215 Enoncés 1 Exercice 1 [ 265 ] [correction] On note V l ensemble des matrices à coefficients entiers du type a b c d d a b c c d a b b c d a et G l ensemble
Plus en détailArithmétique binaire. Chapitre. 5.1 Notions. 5.1.1 Bit. 5.1.2 Mot
Chapitre 5 Arithmétique binaire L es codes sont manipulés au quotidien sans qu on s en rende compte, et leur compréhension est quasi instinctive. Le seul fait de lire fait appel au codage alphabétique,
Plus en détail8.1 Généralités sur les fonctions de plusieurs variables réelles. f : R 2 R (x, y) 1 x 2 y 2
Chapitre 8 Fonctions de plusieurs variables 8.1 Généralités sur les fonctions de plusieurs variables réelles Définition. Une fonction réelle de n variables réelles est une application d une partie de R
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 détailRaisonnement par récurrence Suites numériques
Chapitre 1 Raisonnement par récurrence Suites numériques Terminale S Ce que dit le programme : CONTENUS CAPACITÉS ATTENDUES COMMENTAIRES Raisonnement par récurrence. Limite finie ou infinie d une suite.
Plus en détailItems étudiés dans le CHAPITRE N5. 7 et 9 p 129 D14 Déterminer par le calcul l'antécédent d'un nombre par une fonction linéaire
CHAPITRE N5 FONCTIONS LINEAIRES NOTION DE FONCTION FONCTIONS LINEAIRES NOTION DE FONCTION FONCTIONS LINEAIRES NOTION DE FONCTION Code item D0 D2 N30[S] Items étudiés dans le CHAPITRE N5 Déterminer l'image
Plus en détailFeuille TD n 1 Exercices d algorithmique éléments de correction
Master Sciences, Technologies, Santé Mention Mathématiques, spécialité Enseignement des mathématiques Algorithmique et graphes, thèmes du second degré Feuille TD n 1 Exercices d algorithmique éléments
Plus en détailProgrammes des classes préparatoires aux Grandes Ecoles
Programmes des classes préparatoires aux Grandes Ecoles Filière : scientifique Voie : Biologie, chimie, physique et sciences de la Terre (BCPST) Discipline : Mathématiques Seconde année Préambule Programme
Plus en détailResolution limit in community detection
Introduction Plan 2006 Introduction Plan Introduction Introduction Plan Introduction Point de départ : un graphe et des sous-graphes. But : quantifier le fait que les sous-graphes choisis sont des modules.
Plus en détailTRACER LE GRAPHE D'UNE FONCTION
TRACER LE GRAPHE D'UNE FONCTION Sommaire 1. Méthodologie : comment tracer le graphe d'une fonction... 1 En combinant les concepts de dérivée première et seconde, il est maintenant possible de tracer le
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 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 détailExcel Avancé. Plan. Outils de résolution. Interactivité dans les feuilles. Outils de simulation. La valeur cible Le solveur
Excel Avancé Plan Outils de résolution La valeur cible Le solveur Interactivité dans les feuilles Fonctions de recherche (ex: RechercheV) Utilisation de la barre d outils «Formulaires» Outils de simulation
Plus en 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 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 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 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 détailFonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre
IUFM du Limousin 2009-10 PLC1 Mathématiques S. Vinatier Rappels de cours Fonctions de plusieurs variables, intégrales multiples, et intégrales dépendant d un paramètre 1 Fonctions de plusieurs variables
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 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 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 détailL ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ
L ANALYSE EN COMPOSANTES PRINCIPALES (A.C.P.) Pierre-Louis GONZALEZ INTRODUCTION Données : n individus observés sur p variables quantitatives. L A.C.P. permet d eplorer les liaisons entre variables et
Plus en détailConstruction d un cercle tangent à deux cercles donnés.
Préparation au CAPES Strasbourg, octobre 2008 Construction d un cercle tangent à deux cercles donnés. Le problème posé : On se donne deux cercles C et C de centres O et O distincts et de rayons R et R
Plus en détailArbres binaires de décision
1 Arbres binaires de décision Résumé Arbres binaires de décision Méthodes de construction d arbres binaires de décision, modélisant une discrimination (classification trees) ou une régression (regression
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 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 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 détailChapitre 2 Le problème de l unicité des solutions
Université Joseph Fourier UE MAT 127 Mathématiques année 2011-2012 Chapitre 2 Le problème de l unicité des solutions Ce que nous verrons dans ce chapitre : un exemple d équation différentielle y = f(y)
Plus en détailPlus courts chemins, programmation dynamique
1 Plus courts chemins, programmation dynamique 1. Plus courts chemins à partir d un sommet 2. Plus courts chemins entre tous les sommets 3. Semi-anneau 4. Programmation dynamique 5. Applications à la bio-informatique
Plus en 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 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 détailObjectifs. Clustering. Principe. Applications. Applications. Cartes de crédits. Remarques. Biologie, Génomique
Objectifs Clustering On ne sait pas ce qu on veut trouver : on laisse l algorithme nous proposer un modèle. On pense qu il existe des similarités entre les exemples. Qui se ressemble s assemble p. /55
Plus en détailDérivation : cours. Dérivation dans R
TS Dérivation dans R Dans tout le capitre, f désigne une fonction définie sur un intervalle I de R (non vide et non réduit à un élément) et à valeurs dans R. Petits rappels de première Téorème-définition
Plus en détailL apport du HPC pour l optimisation. Eric Jacquet-Lagrèze. FORUM TERATEC 28 juin 2011
L apport du HPC pour l optimisation Eric Jacquet-Lagrèze FORUM TERATEC 28 juin 2011 Sommaire 1 / Recherche Opérationnelle et calcul scientifique 2 / Où se trouve la complexité et quels enjeux pour le HPC?
Plus en détailVI. COMPLÉMENTS SUR LES MODULES, THÉORÈME CHINOIS, FACTEURS INVARIANTS SÉANCES DU 15, 16 ET 22 OCTOBRE
VI. COMPLÉMENTS SUR LES MODULES, THÉORÈME CHINOIS, FACTEURS INVARIANTS SÉANCES DU 15, 16 ET 22 OCTOBRE 12. Compléments sur les modules 12.1. Théorème de Zorn et conséquences. Soient A un anneau commutatif
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 détailPlan du cours : électricité 1
Semestre : S2 Module Physique II 1 Electricité 1 2 Optique géométrique Plan du cours : électricité 1 Partie A : Electrostatique (discipline de l étude des phénomènes liés aux distributions de charges stationnaires)
Plus en détail