Méthode du Simplex (Dantzig)

Slides:



Advertisements
Présentations similaires
7. Probème de flot à coût minimum.
Advertisements

CHAPITRE 7 DROITES ET SYSTEMES.
Eléments d'algèbre linéaire
La Méthode de Simplexe Standardisation
CHAPITRE 8 Equations - Inéquations
La méthode du simplexe.
l’algorithme du simplexe
3. Variantes de l’algorithme
2. Méthodes du simplexe et son analyse.
Résolution d’un programme linéaire
Simplex en 4 Slides – explication:
Notion d'asservissement
CHAPITRE 8 Equations - Inéquations
5. Algorithme du simplexe
Génération de colonnes
Algorithmique et Programmation
6. Analyse postoptimale. Analyse postoptimale Mesurer linfluence sur la solution optimale de modifier certains coefficients du problème Indiquer à lutilisateur.
CHAPITRE 9 Equations - Inéquations
Optimisation linéaire
Chapitre 5 Choix et demande.
Optimisation non linéaire sans contraintes
Fonction exponentielle: enchaînement de théorèmes
Mais en mathématiques, qu'est ce qu'une ligne de niveau?
Courbes, lecture de courbes :
Problème de flot à coût minimum
La fonction quadratique
La fonction quadratique
7. Problème de flot à coût minimum.
Optimisation linéaire
Optimisation linéaire
4.Convergence de lalgorithme du simplexe. Convergence dans le cas non dégénéré Hypothèse de non dégénérescence: toutes les variables de base sont positives.
3. Convergence de lalgorithme du simplexe. Preuve: En supposant que la matrice A est de plein rang m, chaque solution de base réalisable doit comporter.
Recherche Opérationnelle
Inéquations du second degré à une inconnue
Cours schématique: Semaine #10
Inéquations du second degré à une inconnue
Inéquations du premier degré à une inconnue
Inéquations du premier degré à une inconnue
Programmation linéaire en nombres entiers : les méthodes de troncature
l’algorithme du simplexe
MAXIMISER les RESULTATS
Physique 3 Vibrations et ondes mécaniques
Solution connue à l’avance
Suites numériques Définitions.
Séquence FONCTION DE VARIABLE(S) REELLE(S) :
REGLAGE ECONOMIQUE DES PRODUCTIONS Le réglage tertiaire.
Inéquations du premier degré à une inconnue
Optimisation et complexité
P rogrammation M athématique L inéaire TAI Optimisation & Complexité Adeline Dubois Nicolas Hubert Antonin Lapiche 28/05/2010.
D’ UN CIRCUIT RLC DEGRADE
Programmation linéaire en nombres entiers
Les fonctions Leurs propriétés.
Le cours Les exercices Le formulaire d’examen
Leçon 4 NOTION DE FONCTION Fabienne BUSSAC.
6. Problème de flot à coût minimum.
MATHÉMATIQUES FINANCIÈRES I
Résoudre des équations algébriques
Post-optimisation, analyse de sensibilité et paramétrage
Correction problème 1.
2. Méthode du simplexe et son analyse.
La gestion des stocks (Modèle de Wilson).
Correction du devoir 4 Première S Mathématiques. Exercice 1. Après avoir répondu à la question 1., il y a deux écritures possibles pour f (x) : Il faut.
3. Variantes de l’algorithme
1. Méthode du simplexe et son analyse.
Algorithmique Boucles et Itérations
Pierre Joli Cours de Mathématique Pierre Joli
Chapitre 2 Résolution de Programmes Linéaires. La méthode graphique Cette méthode est simple et s’applique à des problèmes de programmation linéaire à.
1 UE Intro. Optimisation L3 INFO UPSud II. Programmation linéaire en variables entières (ou mixtes)
La méthode du simplexe. 1) Algorithme du simplexe  Cet algorithme permet de déterminer la solution optimale, si elle existe, d’un problème de programmation.
OPTIMISATION 1ère année ingénieurs
Transcription de la présentation:

Méthode du Simplex (Dantzig) La forme standard A différencier de : La forme canonique Inégalités ( ≤ ; ≥ ) Recherche de Maximum pour ≤ et Minimum pour ≥ La forme mixte Egalités en plus (=) Recherche de Maximum et de Minimum Transformation des formes canoniques et mixte : Tout doit être sous forme d’égalités Il y a des règles de transformation

Méthode du Simplex (Dantzig) Règles de transformation Inégalités ≤ Exemple : x1 + x2 ≤ 6 Apparition d’une variable d’écart (VE) supposée ≥0 Mesure pour chaque variable de base (qte de produits) de l’écart entre les disponibilités et les consommations prévues (x1 et x2) dans notre plan (Ouf!) Application à l’exemple : x1 + x2 + e3 = 6

Méthode du Simplex (Dantzig) Règles de transformation Inégalités ≥ Exemple : x1 + x2 ≥ 6 Apparition d’une variable d’écart (VE) supposée ≥0 Et d’une variable artificielle (VA) de même signe que le second membre (ici + 6) Son rôle : rattraper la condition impossible «e3 = - 6» puisque e3 est supposée ≥0 ! Application à l’exemple : x1 + x2 - e3 + e4= 6 La solution initiale recherchée comprendra : 3 variables Hors Base : x1=0 ; x2=0 ; e3=0 1 variable dans la Base : e4=6

Méthode du Simplex (Dantzig) Règles de transformation Egalités = Exemple : x1 + x2 = - 6 Une unique variable artificielle (VA) de même signe que le second membre (ici - 6) Application à l’exemple : x1 + x2 - e3 = - 6 La solution initiale recherchée comprendra : 2 variables HB : x1=0 ; x2=0 1 variable B : e3= - 6

Méthode du Simplex (Dantzig) Obtention de la fonction économique Γ Chaque VE => 0.VE (Recherche de Max ou Min) Chaque VA => ± M . VA +M.VA si recherche d’un minimum - M.VA si recherche d’un maximum M : très grand positif (Hors Base) > Donne une VA nulle à la solution finale (non prise en compte) Remarque : Les VE issues de contraintes = ou ≥ sont HB

Critères de Dantzig Premier critère : la Ve Recherche de minimum Variable entrante = HB au plus petit coeff strictement négatif dans Γ Complément : sans coeff <0 mais un nul : elle est Ve Recherche de maximum Variable entrante = HB au plus grand coeff strictement positif dans Γ Complément : sans coeff >0 mais un nul : elle est Ve Remarque : à la main, exprimer Γ en fonction des variables HB (coeffs comprenant des M)

Critères de Dantzig Deuxième critère : la Vs Recherche de minimum ou de maximum R’ = R/Ve Ve = Var entrante trouvée précédemment R = Valeur du second membre de chaque variable B Vs = plus petite valeur positive dans R’ Correspond au coefficient le plus mineur parmi les variables B après intégration de la Ve

Critères de Dantzig Complément sur les règles Si un coeff nul apparait dans R (disparition d’une var B) = ε petit >0 Donc R’ = ε/aij aij : coeff appartenant à la Ve SSI aij > 0 Si aucun terme de R’ n’est > 0 mais qu’il en existe un nul Il est pris en compte Appelé dégénérescence du problème (plusieurs bases admissibles peuvent avoir un même point extrême) Si tous les coefficients de R’ sont strictement négatifs L’algorithme est fini : la zone admissible des solutions (ZAS) n’est pas bornée !