Programme linéaire - solution graphique

Slides:



Advertisements
Présentations similaires
Programmation linéaire et Recherche opérationnelle
Advertisements

Résolution Graphique d'un Programme Linéaire
La Méthode de Simplexe Standardisation
6. Analyse postoptimale.
l’algorithme du simplexe
3. Variantes de l’algorithme
2. Méthodes du simplexe et son analyse.
Résolution d’un programme linéaire
Bloc 2 : Modèles d’optimisation par la programmation linéaire
Le comportement optimal de l'investisseur. D é fini de fa ç on rigoureuse le comportement de l'agent investisseur dans un univers incertain Son d é veloppement.
A.Faÿ 1 Recherche opérationnelle Résumé de cours.
Chapitre II.Rappels mathématiques et complexité
Résoudre graphiquement une équation ou une inéquation simple
5. Algorithme du simplexe
Génération de colonnes
Application à la méthode des
Introduction Modélisation Utilisation dun ensemble de relations mathématiques pour refléter le plus adéquatement possible une situation réelle Compromis.
SPATIAL WOODSTOCK ET STANLEY
L’échange naturel Le choix individuel de Robinson l’amène à déterminer les termes d’un contrat naturel d’échange, selon lequel, en échange des quantités.
Optimisation en nombres entiers
CHALLENGE ROADEF 2001 Résolution par une métaheuristique à base de recherche à voisinage variable et propagation par contraintes Fabrice BUSCAYLET Fabrice.
6. Analyse postoptimale. Analyse postoptimale Mesurer linfluence sur la solution optimale de modifier certains coefficients du problème Indiquer à lutilisateur.
Programmation linéaire
Résoudre graphiquement f(x)≤-2
Optimisation linéaire
Dualité Introduction à la dualité. Construction du couple primal-dual.
Programmation linéaire en nombres entiers Algorithme de la subdivision successive («Branch and Bound Algorithm»)
Programmation linéaire en nombres entiers : la méthode du simplexe
N pièces de monnaie A1A1 A2A2 Inconnus: 1, 2 (taux de paiement de A 1 et A 2 ) 2 1, 2 2 (variance de 1 et, 2 ) Bras 1Bras 2.
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.
Introduction à la programmation linéaire
Introduction à la programmation linéaire
Partie 2 : programmation stochastique
Fonction vs Relation.
L ABORATOIRE d I NGÉNIERIE des S YSTÈMES A UTOMATISÉS EA 4014 – Université dAngers Institut des Sciences et Techniques de lIngénieur dAngers Master2 Recherche.
Génération de colonnes pour la résolution des problemes de foresterie
Introduction à la programmation linéaire en nombres entiers
l’algorithme du simplexe
MAXIMISER les RESULTATS
Introduction Objet de la programmation mathématique, construction d'un modèle mathématique, problème général de programmation mathématique et classification,
Coupes efficaces pour la relaxation lagrangienne
Décomposition de Benders
Master 1 en informatique Juin 2007 Visualisation d'un ensemble convexe en 2D et en 3D pour la programmation linéaire 2 / 30.
Vander Pol On demande de vérifier
GESTION DE PRODUCTION ET OPERATIONS – GPO-
Programmation linéaire en nombres entiers
Dichotomie Méthode de résolution.
La fonction VALEUR ABSOLUE
MODULE 1 L’OPTIMISATION
Zéros de polynômes Loi du produit nul. Les zéros d’un polynôme sont les valeurs de la variable ou des variables qui annulent ce polynôme. EXEMPLES : Dans.
- 5 - Optimisation linéaire et non-linéaire
REVISIONS POINTS COMMUNS
PROGRAMMATION DYNAMIQUE (Exemples d’application)
Optimisation des horaires de personnel
L’échange sur les marchés
2. Méthode du simplexe et son analyse.
Martin Roy, Janvier 2010 Révisé Juillet  Un système d’équations est un ensemble de plusieurs équations.  La solution d’un système d’équations.
Doc.g La colline des plaisirs
programmation linéaire
3. Variantes de l’algorithme
1. Méthode du simplexe et son analyse.
La demande.
Doc. g la colline des plaisirs
Programmation par contraintes Réalisé par: WETCHA Chaima MOKDED Mohamed Ali FIA3-GL-AL 1 1.
Techniques d'Optimisation Master
1 UE Intro. Optimisation L3 INFO UPSud II. Programmation linéaire en variables entières (ou mixtes)
2. Méthode du simplexe et son analyse.
Transcription de la présentation:

Programme linéaire - solution graphique 1

Méthode de résolution graphique Méthodes pour problème ne comportant que deux variables Max z = 8x + 6y Sujet à 5x + 3y ≤ 30 2x + 3y ≤ 24 x + 3y ≤ 18 x, y ≥ 0

Domaine réalisable Traçons la droite 5x + 3y = 30 L’ensemble des points qui satisfont la contrainte 5x + 3y ≤ 30 sont sous cette droite car l’origine (0,0) satisfait cette relation

Domaine réalisable Traçons la droite 2x + 3y = 24 L’ensemble des points qui satisfont la contrainte 2x + 3y ≤ 24 sont sous cette droite car (0,0) satisfait cette relation

Domaine réalisable Traçons la droite x + 3y = 18 L’ensemble des points qui satisfont la contrainte x + 3y ≤ 18 sont sous cette droite car (0,0) satisfait cette relation

Domaine réalisable L’ensemble des points réalisables pour le système 5x + 3y ≤ 30 2x + 3y ≤ 24 x + 3y ≤ 18 x,y≥0

Résolution Considérons la fonction à optimiser (à maximiser) : z = 8x + 6y. Plus on s’éloigne de l’origine, plus la valeur augmente: x = 0 et y = 0 => z = 0

Résolution Considérons la fonction à maximiser: z = 8x + 6y. Plus on s’éloigne de l’origine, plus la valeur augmente: x = 0 et y = 0 => z = 0 x = 0 et y = 6 => z = 36

Résolution Considérons la fonction à maximiser : z = 8x + 6y. Plus on s’éloigne de l’origine, plus la valeur augmente: x = 0 et y = 0 => z = 0 x = 0 et y = 6 => z = 36 x = 6 et y = 0 => z = 48

Résolution Considérons la fonction à maximiser : z = 8x + 6y. Plus on s’éloigne de l’origine, plus la valeur augmente: x = 0 et y = 0 => z = 0 x = 0 et y = 6 => z = 36 x = 6 et y = 0 => z = 48 x = 3 et y = 5 => z = 54. Impossible d’aller plus loin sans sortir du domaine réalisable. Solution optimale: x = 3 et y = 5 Valeur optimale: z = 54