Outils de Recherche Opérationnelle en Génie MTH 8414

Slides:



Advertisements
Présentations similaires
L’ESPRIT DU NOUVEAU PROGRAMME. SERIE SCIENCES ET TECHNOLOGIES DU MANAGEMENT ET DE LA GESTION 1 Document élaboré dans le cadre du cercle de réflexion académique.
Advertisements

I) mesure et erreurs de mesure 1) le vocabulaire à connaitre
Réalisé par : Sébastien Lachance MATHS 3 E SECONDAIRE FONCTIONS polynomiales.
Utilisation du logiciel EduStat © Analyse classique d’items L’examen du rapport.
Les rprésentation des signaux dans le cadre décisionnel de Bayes Jorge F. Silva Shrikanth S. Narayanan.
1. Introduction.
Outils de Recherche Opérationnelle en Génie MTH 8414A
Outils de Recherche opérationnelle en Génie MTH 8414
Outils de Recherche Opérationnelle en Génie MTH 8414
Outils de Recherche Opérationnelle en Génie MTH 8414
Analyse, Classification,Indexation des Données ACID
Pierre Joli Cours de Mathématique Pierre Joli
6. Analyse postoptimale.
Deuxième partie : La courbe d’indifférence
Modèles décisionnels en gestion
Quelques Termes INFORMATIQUE ? ORDINATEUR ( Système Informatique)?
Outils de Recherche Opérationnelle en Génie MTH 6414A
Chapitre 4: Variation dans le temps
Détermination des propriétés texturales d’un solide poreux par traçage
Algorithmique Avancée et Complexité Chap2:Complexité et Optimalité
Représentation de l’information en binaire:
Les inégalités et les inéquations
Microéconomie I.
Techniques d’Optimisation Chapitre 2: Problème de flôt
Mesures de Variation, Coefficient Multiplicateur, Taux de Variation
Analyse en Composantes Principales A.C.P. M. Rehailia Laboratoire de Mathématiques de l’Université de Saint Etienne (LaMUSE).
L’Instruction de Test Alternatif
Précision d'une mesure et chiffres significatifs
Présentation de l'objectif
Chapitre 2: Les équations et les inéquations polynômes
Microéconomie I.
Techniques d’Optimisation Chapitre 3: Programmation en 0-1 (bivalente)
Plans d’experiences : plans de melanges
Calcul littéral 2.
LA THEORIE DU PRODUCTEUR
Technologies de l’intelligence d’affaires Séance 11
Tolérances de fabrication et ajustements Construction mécanique Tolérances de fabricationAjustementsTolérances ISO.
LES PRINCIPES DE LA THERMODYNAMIQUE
Technologies de l’intelligence d’affaires Séance 12
Exploitation de mesures scientifiques.
LIGNE D’INFLUENCE DES POUTRES ISOSTATIQUES 1DEFINITION.
4.3 Estimation d’une proportion
C1 – Interpolation et approximation
L’I NSTRUCTION DE T EST A LTERNATIF Réalisé par : OUZEGGANE Redouane Département de Technologie Faculté de Technologie – Université A.Mira, Bejaia Année.
La méthode du simplexe. 1) Algorithme du simplexe  Cet algorithme permet de déterminer la solution optimale, si elle existe, d’un problème de programmation.
1. Introduction.
GESTION DE PORTEFEUILLE chapitre n° 4 C. Bruneau Rationalisation des choix: référence à l’utilité.
Calculs des incertitudes Lundi 30 Avril 2018 Master de Management de la Qualité, de la Sécurité et de l’Environnement.
Chapitre2: SGBD et Datawarehouse. On pourrait se demander pourquoi ne pas utiliser un SGBD pour réaliser cette structure d'informatique décisionnelle.
OPTIMISATION 1ère année ingénieurs
LA THEORIE DU PRODUCTEUR
Révision – mathématiques 8
Arbres de décision.
2.4 La loi de vitesse d’une réaction chimique
CHAPITRE 8 Equations - Inéquations
CHAPITRE 8 Equations, Inégalités
2. Méthode du simplexe et son analyse.
Niveau 2 : Tables de plongée
Position, dispersion, forme
Chapitre 1 Formulation d’un programme linéaire (PL) Georges Abboudeh BUST 347.
Recherche de zero d'une fonction MARMAD ANAS MPSI -2.
PROGRAMMATION SCIENTIFIQUE EN C
PROGRAMMATION SCIENTIFIQUE EN C
LIGNE D’INFLUENCE DES POUTRES ISOSTATIQUES 1DEFINITION.
PROGRAMMATION SCIENTIFIQUE EN C
INTELLIGENCE ARTIFICIELLE
Flexion 1 Une poutre droite, de longueur L et d’inertie constante est soumise à une charge uniformément répartie de taux p. Elle repose sur deux appuis.
Chapitre I Modélisation optimisation
1 L ’ÉVALUATION DES ACTIONS ORDINAIRES: Il existe 2 méthodes pour effectuer l ’analyse d ’une action et faire une prévision: L ’analyse fondamentale: utilise.
La programmation dynamique
Transcription de la présentation:

Outils de Recherche Opérationnelle en Génie MTH 8414 Astuce de modélisation en Programmation Linéaire

Résumé Les problèmes ne se présentent pas toujours sous une forme qui soit naturellement linéaire. Toutefois comme la PL est une technique très efficace, il est souvent avantageux de « reformuler » un problème de manière à ce qu’il soit linéaire. On présente donc ici quelques trucs et astuces en vrac… À noter que leur efficacité dépend de chaque solveur et de leur capacité à effectuer un prétraitement sur les modèles. Cette section est tirée du chapitre 6 du livre AIMMS-modeling.

Valeur absolue Soit le problème linéaire suivant (le signe : signifie <= ou >=) La valeur absolue n’étant pas une fonction linéaire, il faut trouver une manière de s’en débarrasser…

Valeur absolue Pour ce faire on va remplacer chaque variable xj par deux autres variables xj+ et xj- qui représente les parties positives et négatives de chaque variable. Pour ce faire on applique la substitution suivante: Ce qui nous donne le modèle suivant:

Valeur absolue La valeur optimale de ces deux modèles si pour chaque j au moins une des deux valeurs de xj+ et xj- est 0. Dans ce cas xj+ = xj si xj >= 0 et -xj- = xj si xj <= 0 Dans le cas ou xj+ et xj- > 0 pour un certain j, définissions d = min(xj+,xj-), d est donc > 0 Soustrayons d de xj+ et de xj- Ceci ne change en rien la valeur de xj = xj+ - xj- Mais la valeur de |xj| = xj+ + xj- est réduite de 2d Ce qui contredit le fait que la solution était optimale, puisqu’il est possible de la réduire de 2d. Sous quelle condition la technique précédente est-elle valide ?

Valeur absolue: un exemple La valeur absolue représente souvent une déviation (un écart positif ou négatif) par rapport à une cible souhaitée. Prenons l’exemple d’une régression linéaire: On veut déterminer la droite qui permet le mieux possible d’expliquer un ensemble de points (vj,wj). Les coefficients de la droite sont donnés par a et b de sorte que w = av+b (a est la pente de la droite et b est l’ordonnée à l’origine). Le problème de la régression linéaire est posé comme suit:

Valeur absolue: un exemple Dans ce modèle zj représente la différence entre avj+b (la prédiction de la droite) et wj (l’observation réelle). C’est en quelque sorte l’erreur d’approximation par une droite. On minimise f(z), une fonction de l’erreur qui peut être: La somme des carrés La somme des valeurs absolues L’erreur maximale

Objectif minimax Considérer le modèle suivant (le signe : signifie <= ou >=) Si par exemple on a K = {1,2,3} et J = {1,2} alors l’objectif sera Minimiser Max( c11x1 + c12x2, c21x1 + c22x2, c31x1 + c32x2) On retrouve ce type de problème lorsqu’on veut réduire le pire cas, comme l’erreur maximum, la violation maximale, etc.

Objectif minimax Encore une fois, on peut linéariser cet objectif en ajoutant une nouvelle variable: la valeur du coût maximum: Toutefois l’opération max doit disparaitre, on doit donc plutôt introduire cette variable à travers des contraintes liantes nécessaires: En minimisant z, on s’assure de minimiser les |K| objectifs. De plus, on garantit que z est égal au maximum des coûts (pourquoi ?)

Objectif fractionnaire Considérons le modèle suivant: Ici nous avons un ratio de deux termes linéaires, et tout le reste du modèle est linéaire. Il faut donc transformer l’objectif. On retrouve ce genre de modèle lorsqu’on traite des données financières par exemple (taux de rendement).

Objectif fractionnaire Encore une fois, nous introduirons des variables supplémentaires afin de linéariser le modèle. Supposons sans perte de généralité que le dénominateur soit positif (sinon il faut inverser les inégalités) Nous utiliserons les variables t et yi défini comme suit: yj = txj On substitue l’inégalité ci-dessous dans le modèle originel.

Objectif fractionnaire Ensuite on multiplie chaque côté des contraintes originelles par t (t >= 0) et on réécrit le modèle en terme de yj et de t (où yj = txj ). Finalement on permet à t d’être >=0 plutôt que >0 afin d’obtenir un programme linéaire. Les valeurs de xj peuvent être obtenus de la solution optimale en divisant yj par t