OPTIMISATION 1ère année ingénieurs rachid.chelouah@eisti.fr.

Slides:



Advertisements
Présentations similaires
Programmation linéaire et Recherche opérationnelle
Advertisements

La Méthode de Simplexe Standardisation
3. Variantes de l’algorithme
A.Faÿ 1 Recherche opérationnelle Résumé de cours.
5. Algorithme du simplexe
Optimisation linéaire
Méthode du Simplex (Dantzig)
Systèmes d’équations linéaires
Rappel... Solution itérative de systèmes linéaires (suite et fin).
Optimisation linéaire
l’algorithme du simplexe
MAXIMISER les RESULTATS
ASI 3 Méthodes numériques pour l’ingénieur
Master 1 en informatique Juin 2007 Visualisation d'un ensemble convexe en 2D et en 3D pour la programmation linéaire 2 / 30.
Programmation linéaire en nombres entiers
2. Méthode du simplexe et son analyse.
3. Variantes de l’algorithme
Pierre Joli Cours de Mathématique Pierre Joli
1 UE Intro. Optimisation L3 INFO UPSud II. Programmation linéaire en variables entières (ou mixtes)
1 UE Intro Opti L3 INFO UPSud Programmation linéaire en variables entières (ou mixtes) : résolution approchée par heuristique
Courbes d'Interpolation Interpolation de Lagrange, et Interpolation B-spline.
Transformation de Laplace - Mr.Retima Abderaouf - Mr.Ghandjoui abderahmane Université 20 aout 1955 Skikda.
Outils de Recherche opérationnelle en Génie MTH 8414
Chapitre 4: Variation dans le temps
Outils de Recherche Opérationnelle en Génie MTH 8414
Outils de Recherche Opérationnelle en Génie MTH 8414
Outils de Recherche opérationnelle en Génie MTH 8414
Pierre Joli Cours de Mathématique Pierre Joli
6. Analyse postoptimale.
Droite de régression avec la méthode de Mayer
Modèles décisionnels en gestion
Chapitre 4: Variation dans le temps
Algorithmique Avancée et Complexité Chap2:Complexité et Optimalité
Représentation de l’information en binaire:
Les inégalités et les inéquations
Université Abou Bakr Belkaid Faculté des Sciences Département d’informatique Algorithmique Avancée et Complexité Chap5: Les méthodes de résolution exactes.
Techniques d’Optimisation Chapitre 2: Problème de flôt
Chapitre 2 Vecteurs et Repérage dans le plan
Techniques d’Optimisation Chapitre 3: Programmation en 0-1 (bivalente)
Programmation linéaire et Recherche opérationnelle Licence d’Econométrie Professeur Michel de Rougemont
Université Abou Bakr Belkaid Faculté des Sciences Département d’informatique Algorithmique Avancée et Complexité Chap7: Les méthodes de résolution exactes.
Fonctions Logiques & Algèbre de BOOLE
La méthode du simplexe. 1) Algorithme du simplexe  Cet algorithme permet de déterminer la solution optimale, si elle existe, d’un problème de programmation.
Structure D’une Base De Données Relationnelle
La gestion optimale de la production électrique : un exemple d’application industrielle de l’algorithme de point intérieur S. Charousset, G. Vignal.
I Définition : Elle est définie ...
OPTIMISATION 1ère année ingénieurs
Résolution d’un problème de diffusion 1D
2.4 La loi de vitesse d’une réaction chimique
Présentation 5 : Sondage à probabilités inégales
Sylvie DELAËT 2002 Architecture des machines Bienvenus en Amphi d’Architecture des Machines.
Variable Neighborhood Descent (VND) Réalisée par Nadia Sassi Eya baghdedi AU
2. Méthode du simplexe et son analyse.
Chapitre 1 Formulation d’un programme linéaire (PL) Georges Abboudeh BUST 347.
l’algorithme du simplexe
CSI 3505 Algorithmes Voraces
Recherche de zero d'une fonction MARMAD ANAS MPSI -2.
PROGRAMMATION SCIENTIFIQUE EN C
Flowchart Itération Cours 04.
Programme d’appui à la gestion publique et aux statistiques
5. Algorithme du simplexe
CSI 3505 / Automne 2005: Conception et Analyse des Algorithmes I.
Programmation linéaire. Introduction  Qu’est-ce qu’un programme linéaire ?  Exemples :  allocation de ressources  problème de recouvrement  Hypothèses.
PROGRAMMATION SCIENTIFIQUE EN C
Introduction  La PLNE regroupe l’ensemble des techniques permettant de résoudre des programmes linéaires dont les solutions doivent être entières.  Formellement,
II Fonctions polynômes degré 2
Oscillations libres des systèmes à deux degrés de liberté 1.
Oscillations libres des systèmes à deux degrés de liberté 1.
Outils de Recherche Opérationnelle en Génie MTH 8414
La programmation dynamique
Transcription de la présentation:

OPTIMISATION 1ère année ingénieurs rachid.chelouah@eisti.fr

OPTIMISATION Concepts de base: recherche opérationnelle Programmation linéaire Méthode du simplexe Logiciels (Scilab, Solveur Excel, Solveur SAS, LINDO, Eclipse) Variables artificielles et pénalités Méthode du grand M Méthode des 2 phases Dualité Programmation en nombres entiers Programmation en nombres binaires Heuristiques Algorithmes génétiques Algorithme de colonie de fourmis Algorithme de recherche tabou

INTRODUCTION développée initialement par George Dantzig en 1947 seule méthode exacte pour solutionner des problèmes linéaires de grande taille méthode itérative algébrique où l’on circule séquentiellement sur les sommets à l’intérieur de la zone de solution jusqu’à l’obtention de la solution optimale

PROPRIÉTÉS DU SIMPLEXE Zone de solution du problème linéaire toujours convexe S’il existe une seule solution optimale au problème linéaire, elle est obligatoirement localisée sur un sommet de la zone de solution S’il existe de multiples solutions optimales, au moins deux d’entre elles doivent être localisées sur des sommets adjacents Le nombre de sommets de la zone de solution est fini Si la solution réalisable localisée à un sommet donné n’a pas de voisin adjacent dont la solution est supérieure, ce sommet est la solution optimale

FORME CANONIQUE PROBLÈME DE MAXIMISATION PROBLÈME DE MINIMISATION

FORME NORMALISÉE PROBLÈME DE MAXIMISATION PROBLÈME DE MINIMISATION

Variables de base et variables hors base Le passage de la forme canonique à la forme normalisée en introduisant des variables d’écart (variables supplémentaires) Variables de base : variables supplémentaires + la variable Z Variables hors base : variables xi du système initial

MÉTHODE DU SIMPLEXE DÉFINITIONS Systèmes d’équations équivalents Systèmes qui possèdent le même ensemble de solutions Variable de base Variable qui a un coefficient unitaire positif dans une des équations du système et un coefficient nul partout ailleurs Opérations pivot Opération de Gauss-Jordan pour transformer un système d’équations équivalent dans lequel une variable devient de base Système canonique Système d’équations où il y a une variable de base par équation Solution de base Système d’équations où les variables hors base sont fixées à zéro résolu pour les variables de base

ALGORITHME DU SIMPLEXE Déterminer une solution de base (sommet du polytope) réalisable (vérifiant toutes les contraintes) Vérifier si la solution actuelle est optimale Déterminer la variable hors base qui va devenir variable de base (accroissement de la fonction objectif) Déterminer la variable de base qui sortira de la solution Effectuer les opérations linéaires (pivots) selon la technique de Gauss-Jordan Répéter (tant que c’est possible)

ALGORITHME DU SIMPLEXE

MÉTHODE DU SIMPLEXE FORME CANONIQUE Max Z = 3 x1 + 5 x2 sujet à x1  4

MÉTHODE DU SIMPLEXE FORME NORMALISÉE Max Z Z - 3 x1 - 5 x2 = 0 (0) 3 x1 + 2 x2 + x5 = 18 (3) avec xj  0, pour j =1, 2, 3, 4, 5

ÉTAPE D’INITIALISATION MÉTHODE DU SIMPLEXE ÉTAPE D’INITIALISATION Déterminer une solution de base réalisable Porter les variables hors base à zéro Solutionner les variables de base Exemple: z, x3, x4 et x5 sont les variables de base x1 et x2 sont les variables hors base On obtient: x1 = 0 et x2 = 0 x3 = 4, x4 = 12 et x5 = 18 z = 0

VARIABLE ENTRANT DANS LA BASE MÉTHODE DU SIMPLEXE VARIABLE ENTRANT DANS LA BASE Variable hors base entrant dans la base Celle qui sera choisie fera augmenter la valeur de la fonction objective le plus rapidement possible Variable ayant le plus grand coefficient négatif (cas de maximisation) de l’équation (0) Exemple: X2 devient variable de base

VARIABLE SORTANT DE LA BASE MÉTHODE DU SIMPLEXE VARIABLE SORTANT DE LA BASE Variable qui limitera le plus rapidement la progression de la nouvelle variable de base Exemple si x2 entre dans la base équation (2) 2 x2 + x4 = 12 x2 max = 6 équation (3) 3 x1 + 2 x2 + x5 = 18 x2 max = 9 limite maximale de x2 égale 6 sinon x4 devient négatif

MÉTHODE DU SIMPLEXE OPÉRATIONS PIVOT Système d’équations original (variables de base en gras) Z - 3 x1 - 5 x2 = 0 (0) x1 + x3 = 4 (1) 2 x2 + x4 = 12 (2) 3 x1 + 2 x2 + x5 = 18 (3) Pour revenir à la forme canonique, il faut que les variables de base aient un coefficient unitaire dans une équation et nul dans les autres Équation (2) multipliée par ½ 2 x2/2 + x4/2 = 12 /2 (2) x2 + ½ x4= 6 (2) Il faut éliminer les termes x2 des autres équations

OPÉRATIONS PIVOT (suite) MÉTHODE DU SIMPLEXE OPÉRATIONS PIVOT (suite) Équation (0) = ancienne (0) + 5 équation (2) Z - 3 x1 - 5 x2 = 0 (0) 5 x2 + 5/2 x4 = 30 (2) Z - 3 x1 + 5/2 x4 = 30 (0) Équation (3) = ancienne (3) – 2 équation (2) 3 x1 + 2 x2 + x5 = 18 (3) - 2 x2 - x4 = -12 (2) 3 x1 - x4 + x5 = 6 (3)

OPÉRATIONS PIVOT (suite) MÉTHODE DU SIMPLEXE OPÉRATIONS PIVOT (suite) Nouveau système équivalent d’équations Z - 3 x1 - 5/2 x4 = 30 (0) x1 + x3 = 4 (1) x2 + ½ x4 = 6 (2) 3 x1 - x4 + x5 = 6 (3)

MÉTHODE DU SIMPLEXE CRITÈRE D’OPTIMALITÉ Optimalité assurée lorsqu’il est impossible de faire augmenter (cas de maximisation) la valeur de z Exemple: x1 peut faire augmenter z Variable entrante x1 Variable sortante x5 équation (1) x1 + x3 = 4 x1 max = 4 équation (3) 3 x1 – x4 + x5 = 6 x1 max = 2

MÉTHODE DU SIMPLEXE SOLUTION OPTIMALE Système équivalent d’équations Z + 3/2 x4 + x5 = 36 (0) x3 + 1/3 x4 - 1/3 x5 = 2 (1) x2 + ½ x4 = 6 (2) x1 - 1/3 x4 +1/3 x5 = 2 (3) Variables hors base x4 = 0, x5 = 0 Variables de base x1 = 2, x2 = 6, x3 = 2 Fonction objective z = 36

SIMPLEXE SOUS FORME TABULAIRE Méthode essentiellement identique Informations Coefficients des variables Constantes des équations Variables de base de chaque équation Variables de décision (x1, x2)

SIMPLEXE SOUS FORME TABULAIRE Initialisation Critère d’optimalité Coefficients de l’équation (0) non négatifs ? Itération # 1 Dans la dernière ligne, on a 2 coefficients négatifs. On prends le plus grands en valeur absolue c’est-à-dire –5, et on définit la variable entrante Variable entrante x2 Entourer la colonne pivot Variable sortante x4 Entourer la ligne pivot Point pivot à l’intersection Transformation de Gauss-Jordan

SIMPLEXE SOUS FORME TABULAIRE Itération #1 (suite) Diviser la ligne pivot par le nombre pivot Appliquer les transformations Nouvelle solution z = 30 Solution (0, 6, 4, 0, 6)

SIMPLEXE SOUS FORME TABULAIRE Itération # 2 Dans la dernière ligne, on trouve encore un coefficient négatif (-3) Cette colonne nous donne x1 comme variable entrante La variable x5 est sortante Le pivot est 3

SIMPLEXE SOUS FORME TABULAIRE Ensemble complet Solution (2, 6, 2, 0, 0) z = 36

SITUATIONS PARTICULIÈRES Égalité des profits relatifs Choix aléatoire de la variable Égalité des ratios Choix aléatoire Situation de dégénérescence: remonter à l’étape des ratios identiques Solution non bornée En pratique, une contrainte est absente Solutions multiples Variables hors base avec des coefficients nuls dans la fonction objective Présence de cyclage Certaines variables de base sont nulles Règle de Blanc : choisir comme colonne entrante celle de profit marginal positif de plus petit indice

SIMPLEXE SOUS FORME MATRICIELLE Forme canonique

SIMPLEXE SOUS FORME MATRICIELLE Forme normalisée

SIMPLEXE SOUS FORME MATRICIELLE Problème

SIMPLEXE SOUS FORME MATRICIELLE Itération 0 X2 entre X4 sort

SIMPLEXE SOUS FORME MATRICIELLE Itération 1 X1 entre X5 sort

SIMPLEXE SOUS FORME MATRICIELLE Itération 2

LOGICIELS

RÉSOLUTION AVEC MICROSOFT EXCEL

RÉSOLUTION AVEC SCILAB

RÉSOLUTION AVEC LINDO