PDF

Cours de recherche op erationnelle I
Nadia Brauner Nadia.Brauner@imag.fr
Grenoble, 2012-2013
Auteurs
Ont particip e` a la r edaction de ce cours (par ordre darriv ee) Nadia Brauner Christophe Rapine Julien Moncel Laurent Beaudou Ont aid e, corrig e, relu et donn e des id ees Gerd Finke Yann Kieer Van Dat Cung Ont donn e les TD et propos e des exercices Ayse Akbalik Aline Parreau Sergei Lenglet Guillaume Massonnet
2
Formations ` a Grenoble
Formation initiale RO ` a lUJF (M1 Info, L3 Miage, PolytechRICM4) Gestion de la production ` a lUJF (M1 Miage) Optimisation pour l energie (M2 Miage) Outils Formels et Graphes (PolytechRICM2) RO ` a lENSIMAG (1A, 2A) RO ` a lENSGI (1A, 2A) Master 2 Math ematiques et Informatique, Option Recherche Op erationnelle, Combinatoire et Optimisation Formation continue Recherche op erationnelle (tous les ans, 4 jours) Graphes et optimisation (tous les ans, 3 jours)
3
Recherche Op erationnelle : faisons connaissance

Nadia Brauner Nadia Brauner@imag.fr Responsable Master 2 R ROCO
Recherche Op erationnelle, Combinatoire et Optimisation
Professeur Grenoble I
Laboratoire equipe Recherche Op erationnelle equipe Opti-Com
Pr esidente de la Soci et e Fran caise de RO-AD

4
Recherche Op erationnelle : faisons connaissance

Probl` emes th eoriques Ordonnancement high-multiplicity ( NP ?) Ordonnancement dans ateliers robotis ees OC appliqu ee ` a la micro- electronique Contrats industriels ILOG : Probl` emes complexes de transport IFP : Planication dexp eriences chimiques de Facto : Optimisation du test des circuits Participation ` a la cr eation dune startup OASIC : optimisation de la conception de cellules logiques
5
La recherche op erationnelle
La Recherche Op erationnelle
Applications
Outils
La RO en France
R ef erences
Plan
La Recherche Op erationnelle Applications Outils La RO en France R ef erences
N. Brauner
Applications
Outils
La RO en France
R ef erences
Plan
N. Brauner
Applications
Outils
La RO en France
R ef erences
Recherche Op erationnelle ou Science de la D ecision

D enitions Cambridge Dictionary Operational research UK (US operations research) The systematic study of how best to solve problems in business and industry Wikipedia Operations research, operational research, or simply OR, is the use of mathematical models, statistics and algorithms to aid in decision-making Roadef Recherche Op erationnelle : approche scientique pour la r esolution de probl` emes de gestion de syst` emes complexes
N. Brauner 9
Applications
Outils
La RO en France
R ef erences
Recherche Op erationnelle
D enitions M ethodes scientiques pour r esoudre des probl` emes doptimisation li es aux organisations du monde r eel Une discipline ` a la crois ee des math ematiques et de linformatique
prolongement de lalgorithmique manipulant des structures plus elabor ees : graphes, poly` edres... domaine dapplication de la th eorie de la complexit e algorithmique
Une boite ` a outils de m ethodes, tant positives que n egatives, pour aborder sainement et sereinement les probl` emes doptimisation
N. Brauner
10
Applications
Outils
La RO en France
R ef erences
Les outils de RO-AD aident ` a trouver
une solution o` u lhomme nen trouvait pas une solution sur des probl` emes nouveaux o` u lhomme na aucune exp erience plusieurs solutions l` a o` u lhomme nen envisageait quune
aident ` a juger de la qualit e dune solution aident ` a conrmer / justier des d ecisions
N. Brauner
11
Applications
Outils
La RO en France
R ef erences
Plan
N. Brauner
12
Applications
Outils
La RO en France
R ef erences
Voyageur de commerce (TSP) Un voyageur de commerce, bas e` a Toulon, doit visiter ses clients ` a travers la France. Il souhaite eectuer la tourn ee la plus courte possible.
N. Brauner
13
Applications
Outils
La RO en France
R ef erences
Voyageur de commerce Instance : n villes avec une matrice de distances Solution : tourn ee visitant chaque ville et revenant ` a Toulon
N. Brauner
14
Applications
Outils
La RO en France
R ef erences
Algorithme Glouton pour le TSP
N. Brauner
15
Applications
Outils
La RO en France
R ef erences
Transport graphe biparti orient e avec pond eration quantit e dune marchandise aux sommets co uts de transport, distance sur les arcs trouver le meilleur plan de distribution ai iaP
a a a
i A
PP cij P
min j PP qabj
cij xij xij

j B
ai bj 0
N. Brauner 16
xij xij
Applications
Outils
La RO en France
R ef erences
Applications Plus court chemin Quel est le trajet le plus court entre Grenoble et Nice en voiture ?
N. Brauner
17
Applications
Outils
La RO en France
R ef erences
24h de RO 8h : optimisation de la r ecolte et du d ep ot des d echets recyclables ... 15h : placement automatique des v ehicules pour une association de partage de voitures 16h : gestion des retards dans les transports publics pour minimiser limpact sur les passagers ...
http ://www.24hor.org/
N. Brauner
18
Applications
Outils
La RO en France
R ef erences
le 15 octobre 2012 :
N. Brauner
19
Applications
Outils
La RO en France
R ef erences
The Sveriges Riksbank Prize in Economic Sciences in Memory of Alfred Nobel 2012
Alvin E. Roth, Lloyd S. Shapley

English English (pdf) Swedish Swedish (pdf)
Press Release
15 October 2012 The Royal Swedish Academy of Sciences has decided to award The Sveriges Riksbank Prize in Economic Sciences in Memory of Alfred Nobel for 2012 to Alvin E. Roth Harvard University, Cambridge, MA, USA, and Harvard Business School, Boston, MA, USA and Lloyd S. Shapley University of California, Los Angeles, CA, USA "for the theory of stable allocations and the practice of market design".
N. Brauner 20
Applications
Outils
La RO en France
R ef erences
Mariages stables
Mariages stables Des femmes : Alice, B en edicte, Camille Des hommes : Elie, Fran cois, Gondran Pr ef erences des femmes A: B: C: G F G E E E F G F Pr ef erences des hommes E: F: G: A B A B C C C A B
Comment faire les couples ?
N. Brauner
21
Applications
Outils
La RO en France
R ef erences
Mariages stables
Un couplage est instable sil contient deux personnes A et B non mari ees ensemble qui se pr ef` erent mutuellement ` a leurs conjoints : F est mari ee avec g G est mari e avec f F pr ef` ere G ` ag G pr ef` ere F ` af Questions Comment v erier quun couplage est stable ? Est-ce quil existe toujours un couplage stable ? Est-ce quon sait trouver un couplage stable quand il existe ?
N. Brauner
22
Applications
Outils
La RO en France
R ef erences
Mariages stables
Applications Situations o` u les m ecanismes de march es traditionnels ne fonctionnent pas r epartition de biens rares, h et erog` enes, indivisibles Aectations de candidats sur des places el` eves - ecoles ding enieur travailleurs - postes internes - h opitaux etudiants - universit es Dons dorganes (reins)
N. Brauner
23
Applications
Outils
La RO en France
R ef erences
Les challenges ROADEF http://challenge.roadef.org/ 2010 Gestion d energie (EDF) 2009 Gestion des perturbations dans le transport a erien (Amadeus) 2007 Planication des techniciens et des interventions pour les t el ecommunications (France Telecom) 2005 Ordonnancement de v ehicules pour une cha ne de montage automobile (Renault) 2003 Gestion des prises de vue r ealis ees par un satellite dobservation de la Terre (ONERA et CNES) 2001 Allocation de fr equences avec polarisation 1999 Gestion de stock de mat eriels (CELAR, arm ee) (Bouygues)
N. Brauner
24
Applications
Outils
La RO en France
R ef erences
Le challenges ROADEF/EURO 2012 R eaectation de machines Propos e par Google 82 equipes enregistr ees dans 33 pays 30 equipes quali ees Vainqueur Junior : equipe polonaise Vainqueur Open Source et Senior : equipe bosniaques
N. Brauner
25
Applications
Outils
La RO en France
R ef erences
Domaines dapplication Conception, conguration et exploitation de syst` emes techniques complexes (r eseaux de communication, syst` emes dinformation) Gestion de la cha ne logistique (transports, production, stocks. . . ) Gestion strat egique dinvestissements et aussi sant e, instruction publique, voirie, ramassage et distribution de courrier, production et transport d energie, t el ecommunications, banques, assurances. . .
N. Brauner
26
Applications
Outils
La RO en France
R ef erences
Domaines dapplication Production : maximiser le prot selon disponibilit e de la main duvre, demande du march e, capacit e de production, prix de revient du mat eriau brut. . . Transport : minimiser distance totale parcourue selon quantit es de mat eriaux ` a transporter, capacit e des transporteurs, points de ravitaillement en carburant. . . grande importance dans le milieu industriel : production, transport, emploi du temps, nance. . .
N. Brauner
27
Applications
Outils
La RO en France
R ef erences
Face ` a un probl` eme pratique de d ecision Aspects math ematiques
contraintes, objectifs, simplications
Mod elisation
graphes, programmation lin eaire, PPC...
Analyse des mod` eles et r esolution

etude de complexit e : que peut-on esp erer pour le temps de r esolution imparti ? mise au point dalgorithmes
Impl ementation et analyse des r esultats

valider par rapport ` a la demande it erer avec le demandeur si n ecessaire
D eploiement des solutions

Int egration logicielle
N. Brauner 28
Applications
Outils
La RO en France
R ef erences
Plan
N. Brauner
29
Applications
Outils
La RO en France
R ef erences
Programmation lin eaire min le co ut / max le prot satisfaire la demande avec des ressources limit ees quantit es produites min / max c1 x1 + c2 x2 . . . cn xn
a1 x1 + a2 x2 . . . an xn b1 a1 x1 + a2 x2 . . . an xn b1 x1 , x2 . . . xn 0
N. Brauner
30
Applications
Outils
La RO en France
R ef erences
Optimisation Combinatoire Trouver la meilleure solution parmi un nombre ni mais tr` es grand de choix Un probl` eme dOC se caract erise par :
La pr esence de choix, ` a faire parmi un ensemble ni dalternatives Une notion de co ut, ou de gain, ou de perte La n ecessit e de faire globalement les bons choix, de mani` ere ` a optimiser la valeur objectif
exemples : emplois du temps. . . Combinatoire echiquier tronqu e http://mathsamodeler.ujf-grenoble.fr/LAVALISE/

N. Brauner 31
Applications
Outils
La RO en France
R ef erences
Graphes
sommet $ ar ete $$ I
5
$ $$X
3
Valuation des ar etes = co uts, temps, distance, capacit es. . . meilleur chemin de i ` aj meilleurs parcours
passant par chaque ville passant par chaque ar ete
...
N. Brauner 32
Applications
Outils
La RO en France
R ef erences
Autre outils Files dattente Stochastique Simulation
dessin de Lionel Lagarde
` linterface de A Informatique : algorithmique Math ematiques : mod elisation Economie : gestion, strat egie
N. Brauner 33
Applications
Outils
La RO en France
R ef erences
Plan
N. Brauner
34
Applications
Outils
La RO en France
R ef erences
Recherche Op erationnelle : entreprises en France

Grands groupes avec un p ole R&D en RO Airfrance La SNCF EDF France Telecom Bouygues GDF Suez La poste Renault Air Liquide SFR Google
N. Brauner 35
Applications
Outils
La RO en France
R ef erences

Pour les autres entreprises Soci et es de conseil sp ecialis ees Logiciels sur etag` ere Laboratoires acad emiques
N. Brauner
36
Applications
Outils
La RO en France
R ef erences

Soci et es de conseil accompagnent les industriels pour mettre en place des syst` emes daide ` a la d ecision EURODECISION Conseil en optimisation des ressources et planication de la production, outils daide ` a la d ecision ARTELYS Solutions en optimisation ...
N. Brauner
37
Applications
Outils
La RO en France
R ef erences

Editeurs de logiciels librairies d edi ees ` a des probl` emes math ematiques ILOG (IBM) Optimization tools and engines, Visualization software components, Supply chain applications COSYTEC orir des solutions logicielles, ` a base de technologie de programmation par contraintes, pour r esoudre des probl` emes doptimisation des ressources FICO et ARTELYS Fico XPress : logiciels de mod elisation de probl` emes lin eaires ou quadratiques avec variables r eelles ou enti` eres Knitro : optimiseur non lin eaire Artelys Kalis : Programmation par contraintes ...
N. Brauner 38
Applications
Outils
La RO en France
R ef erences

Editeurs de logiciels librairies d edi ees ` a des probl` emes m etiers ALMA : Placement et d ecoupe ex : petit bateau (habits), chantiers navals AMADEUS : Voyage plateforme de r eservation centralis ee pour lindustrie du voyage et outils de gestion des compagnies a eriennes Optilogistics : transport et logistique progiciels doptimisation de tourn ees et de planication du transport Ordecsys, Oracle...
N. Brauner
39
Applications
Outils
La RO en France
R ef erences

Alma : D ecoupe
N. Brauner
40
Applications
Outils
La RO en France
R ef erences
Recherche Op erationnelle : en France

Et dans le monde acad emique enqu ete 2010 de la Roadef 75 equipes ou laboratoires 1400 membres 700 chercheurs, enseignants chercheurs, ing enieurs de recherche permanents 500 doctorants
N. Brauner
41
Applications
Outils
La RO en France
R ef erences
Recherche Op erationnelle : pour en savoir plus

Le Livre Blanc de la Recherche Op erationnelle en France Comment les industriels sorganisent Dincontestables r eussites Soci et es de conseil et editeurs de logiciels

http://www.roadef.org/ N. Brauner
42
Applications
Outils
La RO en France
R ef erences
Plan
N. Brauner
43
Applications
Outils
La RO en France
R ef erences
Bibliographie
che, J.-F. de Werra, D., Liebling, T.-M., and He Recherche Op erationnelle pour Ing enieurs, Tome 1. Presses Polytechniques et Universitaires Romandes, 2003. Sakarovitch, M. Optimisation Combinatoire, Graphes et Programmation Lin eaire. Hermann, Enseignement des sciences, Paris, 1984. Sakarovitch, M. Optimisation Combinatoire, Programmation Discr` ete. Hermann, Enseignement des sciences, Paris, 1984. Wolsey, L. A. Integer Programming. Wiley-Interscience, 1998.
N. Brauner 44
Applications
Outils
La RO en France
R ef erences
Webographie
Cours Poly de cours http://www.g-scop.inpg.fr/~braunern/ Compl ements au cours http://www.g-scop.inpg.fr/~rapinec/ M2R de Recherche Op erationnelle, Combinatoire et Optim. http://www.g-scop.inpg.fr/ROCO/ Vie de la RO en France Soci et e fran caise de RO http://www.roadef.org Groupe de Recherche en RO du CNRS http://www-poleia.lip6.fr/~fouilhoux/gdrro/ S eminaire de recherche en optim. combinatoire ` a Grenoble http://oc.inpg.fr/index.php?page=5/
N. Brauner 45
Applications
Outils
La RO en France
R ef erences
Webographie
Collection de ressources pour la RO http://www2.informs.org/Resources/ http://www.ensta.fr/~diam/ro/ Logiciels pour la RO http://www.coin-or.org/resources.html http://www.wior.uni-karlsruhe.de/bibliothek/ Blogs sur la RO http://blog.vcu.edu/lamclay/ http://mat.tepper.cmu.edu/blog/ Des challenges industriels internationaux en RO http://challenge.roadef.org/
N. Brauner 46
Applications
Outils
La RO en France
R ef erences
En conclusion faire le mieux
co ut min, meilleur prot, plus courte distance, le plus rapide. . .
avec les ressources disponibles

temps machine, postes de travail, m emoire, ressource homme, mati` ere premi` ere, camions. . .
Dessins de L. Lagarde
N. Brauner
47
Programmation par contraintes
Programmation par contrainte
Mod elisation
R esolution
Plan
Mod elisation
R esolution
N. Brauner
49
Mod elisation
R esolution
Sudoku
Pr ecis de Sudoku, N. Jussien
N. Brauner
50
Mod elisation
R esolution
Sudoku et PPC
Raisonnement par elimination
on ne cherche pas directement une valeur pour les variables mais plut ot les valeurs qui peuvent etre prises par une variable : r eduction du domaine
Raisonnement local : contraintes consid er ees ind ependamment

v erier choix coh erents : tests satisabilit e eliminer valeurs impossibles : ltrage
Transmission des d eductions aux autres r egions

les contraintes communiquent et interagissent par linterm ediaire des variables, lorsque le domaine courant dune variable change, toutes les contraintes dans lesquelles elles apparaissent sont r eveill ees : propagation
= principes au cur de la programmation par contraintes

N. Brauner 51
Mod elisation
R esolution
On se trouve o` u?
Un probl` eme, une solution : la solution est-elle une solution du probl` eme ?
simulation, v erication
Un probl` eme : trouver une solution du probl` eme

programmation par contrainte (CSP)
Un probl` eme : trouver la meilleure solution du probl` eme

programmation lin eaire
N. Brauner
52
Mod elisation
R esolution
Un premier exemple
Domaine des variables x , y {0, 1 . . . 7} Contraintes x y =6 x +y =5 x >y
N. Brauner
53
Mod elisation
R esolution
La PPC, quest-ce que cest ?

Des id ees en vrac Outil informatique pour r esoudre des probl` emes combinatoires Minimise l etape de conception : mod elisation facile, langage proche des concepts des utilisateurs Contraindre = maintenir dans les limites permet d eliminer rapidement des solutions non r ealisables Bien s eparer mod elisation et r esolution Notion naturelle de contraintes :
aecter stages ` a etudiants ranger des objets dans une boite planier le trac a erien etablir un menu equilibr e et app etissant
N. Brauner
54
Mod elisation
R esolution
La PPC, quest-ce que cest ?

D enition plus formelle CSP : ensemble de probl` emes d enis par des contraintes et consistant ` a chercher une solution les respectant R esolution dun CSP combinatoire : envisager tr` es grand nombre de combinaisons avant den trouver une qui satisfait toutes les contraintes Trop long introduire des raisonnements ou heuristiques pour r eduire la combinatoire et orienter la recherche Solveur de contraintes : on d ecrit les contraintes et le solveur prend en charge automatiquement la r esolution inspir e cours de Christine Solnon http ://bat710.univ-lyon1.fr/~csolnon/
N. Brauner
55
Mod elisation
R esolution
Application de la PPC
inspir e de Gilles Pesant Mod elisation de gestion de projet Puzzle combinatoire Conception de mat eriel informatique
v erication de circuits, connexions des couches de circuits moins ecace que le code d edi e, mais plus exible
Placement dobjets
placement des containers dans un port remplissage des containers
N. Brauner
56
Mod elisation
R esolution
Probl` emes de d ecoupage
Minimiser les pertes lors de la d ecoupe du papier, du verre, du bois, du m etal, etc. La performance d epend du contexte et de la dicult e des contraintes Papier : facile donc la programmation lin eaire fonctionne bien Pi` eces m etalliques : plus dicile donc utiliser la PPC Cuir et tissus : trop dicile seules les heuristiques fonctionnent
http://www.alma.fr
N. Brauner
57
Mod elisation
R esolution
Allocation despace
Portes pour les avions Quais pour les trains ou les bateaux
Allocation de fr equences
Trouver des fr equences radio pour les cellulaires, les communications radios, larm ee, etc.
Ordonnancement de la production
Planier des t aches sur des machines dans une usine Plus important succ` es de la PPC Librairies d edi es ` a lordonnancement (ex. ILOG Scheduler)
Conception dhoraires acad emiques

Planier lhoraire des cours ou des examens, en tenant compte des di erentes ressources ( etudiants, professeurs, locaux)
N. Brauner
58
Mod elisation
R esolution
Tourn ee de v ehicules
Confection de routes sujet ` a beaucoup de contraintes. Librairies sp ecialis ees, contraintes d edi ees
Construction dhoraires de personnel

Aecter les gens ` a des t aches pr ecises Sant e, commerce de d etail, usine, etc. Permet de mod eliser les contraintes complexes
http://www.equitime.org/
N. Brauner
59
Mod elisation
R esolution
Plan
Mod elisation
R esolution
N. Brauner
60
Mod elisation
R esolution
La programmation par contraintes

Objectif Trouver une solution r ealisable Qui respecte des contraintes faciles ` a v erier
Formules math ematiques simples, tableaux de valeurs possibles
Avec des ensembles de valeurs possibles pour les variables de d ecision
N. Brauner
61
Mod elisation
R esolution
Domaines
D enition X1 , X2 . . . Xn les variables de d ecision Domaine La variable Xi doit prendre ses valeurs dans le domaine Di discret ni ou inni
N. Brauner
62
Mod elisation
R esolution
Domaines
Exercice Sont-ce des domaines ? {1, 2, 3, 4} Lensemble des entiers naturels. Lensemble des r eels Les entiers naturels impairs Lintervalle [1, 1] Les points ` a coordonn ees enti` eres du plan
N. Brauner
63
Mod elisation
R esolution
Contraintes
Cest quoi ? Variables Domaines Contraintes
Une contrainte restreint les valeurs que lon peut aecter simultan ement ` a des variables Exemples : 2x + 3y = 12 3x 2 =3 AB C x = 3y (ABC ) forme un triangle isoc` ele x , y , z distincts deux ` a deux
N. Brauner
64
Mod elisation
R esolution
Contraintes
D eclaration dune contrainte
2 types de d eclaration : extension : on enum` ere les valeurs admises

(x = 1 et y = 2) ou (x = 2 et y = 4) ou (x = 3 et y = 0)
intension : on utilise les signes math ematiques connus

x <y
N. Brauner
65
Mod elisation
R esolution
Contraintes
Caract eristiques des contraintes Relationnelle : non dirig ee comme une fonction qui d enit la valeur dune variable en fonction des autres variables x 2y = z permet
de d eterminer z si x et y sont connues mais aussi x si y et z sont connues et y si x et z sont connues
d eclarative : sp ecie la relation entre les variables, sans donner de proc edure pour assurer/v erier cette relation x 2y = z , on ne soccupe pas de donner un algorithme permettant de r esoudre cette equation ordre des contraintes non signicatif
N. Brauner 66
Mod elisation
R esolution
Contraintes
Arit e dune contrainte : le nombre de variables dans la contrainte unaire : arit e=1 x x = 4 ou est-un-triangle(y ) binaire : arit e=2 x = y ou A B = A ternaire : arit e=3 x + y < 3 z 4 ou (non x ) ou y ou z = vrai n-aire : arit e=n Si n est le nombre de variables : contrainte globale toutesDi erentes(E ), o` u E est un ensemble de variables
N. Brauner 67
Mod elisation
R esolution
Contraintes
Exemples suppl ementaires Contraintes logiques
Si x = 4 alors y = 5 x = y ou x = 2y
Contraintes globales
Toutes les variables sont di erentes
M eta-contraintes
La valeur 5 est utilis ee exactement 3 fois
N. Brauner
68
Mod elisation
R esolution
Probl` eme de satisfaction de contraintes

(X , D , C ) tel que X = {X1 , X2 , . . . , Xn } lensemble des variables D = {D1 , D2 , . . . , Dn } o` u Di est le domaine de Xi C = {C1 , C2 , . . . , Cm } lensemble des contraintes Exemple X = {a , b , c , d } D (a) = D (b ) = D (c ) = D (d ) = {0, 1} C = {a = b , c = d , a + c < b }
N. Brauner
69
Mod elisation
R esolution
Solution dun CSP

Une aectation est le fait dinstancier des variables. A = {(X1 , V1 ), (X3 , V3 ), (X4 , V4 )} associe la valeur V1 de D1 ` a la variable X1 ... Une aectation est : partielle ou totale consistante ou inconsistante Une solution est une aectation totale consistante
N. Brauner
70
Mod elisation
R esolution
Solution dun CSP

Probl` eme X = {a, b , c , d } D (a) = D (b ) = D (c ) = D (d ) = {0, 1} C = {a = b , c = d , a + c < b }
A1 = {(a, 1), (b , 0), (c , 0), (d , 0)} A2 = {(a, 0), (b , 0)} A3 = {(a, 1), (b , 0)} A4 = {(a, 0), (b , 1), (c , 0), (d , 1)}
N. Brauner
71
Mod elisation
R esolution
Le jeu du : CSP, pas CSP !

Connaissant les pi` eces de mon porte-monnaie, puis-je rendre exactement 8 euros et 57 centimes ? Connaissant les pi` eces de mon porte-monnaie, quelle est la meilleure fa con de rendre 8 euros et 57 centimes ? Est-il possible de colorier une carte avec 5 couleurs sans fronti` ere monochrome ? Sur un cercle, trouver un point ` a distance 2 dune droite.
N. Brauner
72
Mod elisation
R esolution
CSP
CSP surcontraint : na pas de solution trouver une aectation totale qui maximise le nombre de contraintes satisfaites = max-CSP aecter un poids ` a chaque contrainte (proportionnel ` a limportance de cette contrainte) et chercher une aectation totale qui minimise la somme des poids des contraintes viol ees = CSP valu e (VCSP) CSP sous-contraint : admet beaucoup de solutions di erentes, pr ef erences entre les di erentes solutions (fonction qui associe une valeur num erique ` a chaque solution) et trouver une solution du CSP qui maximise cette fonction = CSOP (Constraint Satisfaction Optimisation Problem)
N. Brauner
73
Mod elisation
R esolution
Plan
Mod elisation
R esolution
N. Brauner
74
Mod elisation
R esolution
Un constat
Un probl` eme est rarement donn e sous la forme dun CSP
N. Brauner
75
Mod elisation
R esolution
Le probl` eme des reines

Jeu : placer 4 reines sur un echiquier 4 4 sans quelles ne se menacent Mod elisation variables L1 , L2 , L3 , L4 et C1 , C2 , C3 , C4 domaines Li {1, 2, 3, 4} et Ci {1, 2, 3, 4} contraintes lignes, colonnes et diagonales di erentes.
N. Brauner
76
Mod elisation
R esolution
Mod elisation
Attention Il ny a pas quune mod elisation possible ! Mod elisation variables L1 , L2 , L3 , L4 domaines Li {1, 2, 3, 4} contraintes
i = j , Li = Lj i = j , Li + i = Lj + j Li i = Lj j
N. Brauner
77
Mod elisation
R esolution
Mod elisation
Autre mod elisation pour le probl` eme des reines ?
N. Brauner
78
Mod elisation
R esolution
Mod elisation
Quelle est la meilleure mod elisation ?
1 2 3
Celle qui mod elise le mieux la r ealit e du probl` eme Celle qui est la plus facile ` a trouver Celle qui permettra de r esoudre le probl` eme le plus ecacement
N. Brauner
79
Mod elisation
R esolution
Exercice : le retour de monnaie

On sint eresse ` a un distributeur automatique de boissons. Lutilisateur ins` ere des pi` eces de monnaie pour un total de T centimes dEuros, puis il s electionne une boisson, dont le prix est de P centimes dEuros (T et P etant des multiples de 10). Il sagit alors de calculer la monnaie ` a rendre, sachant que le distributeur a en r eserve E2 pi` eces de 2= C, E1 pi` eces de 1= C, C50 pi` eces de 50 centimes, C20 pi` eces de 20 centimes et C10 pi` eces de 10 centimes. Mod elisez ce probl` eme sous la forme dun CSP.
N. Brauner
80
Mod elisation
R esolution
Correction : le retour de monnaie
N. Brauner
81
Mod elisation
R esolution
Exercice : Send More Money

On consid` ere laddition suivante : + = S M O E O N N R E D E Y
o` u chaque lettre repr esente un chire di erent (compris entre 0 et 9). On souhaite conna tre la valeur de chaque lettre, sachant que la premi` ere lettre de chaque mot repr esente un chire di erent de 0. Mod elisez ce probl` eme sous la forme dun CSP.
N. Brauner
82
Mod elisation
R esolution
Correction : Send More Money
N. Brauner
83
Mod elisation
R esolution
Plan
Mod elisation
R esolution
N. Brauner
84
Mod elisation
R esolution
R esolution na ve
Enum eration On g en` ere toutes les aectations totales possibles On v erie si elles sont consistantes si on en trouve une consistante, cest gagn e
Avantage : tr` es facile ` a mettre en uvre Inconv enient : tr` es gourmand en ressource temps
N. Brauner
85
Mod elisation
R esolution
R esolution na ve
Un probl` eme ` a n variables qui peuvent prendre 2 valeurs. 109 aectations trait ees par seconde.
n 10 20 30 40 50 60 70 nb daectations 103 106 109 1012 1015 1018 1021 temps
... do` u lint er et de bien choisir la mod elisation
N. Brauner
86
Mod elisation
R esolution
Les rem` edes

Sarr eter quand une aectation partielle est inconsistante
backtrack
Restreindre les domaines des variables durant lex ecution

propagation de contraintes
Utiliser des heuristiques Utiliser nos connaissances sur le probl` eme etudi e ...
N. Brauner
87
Mod elisation
R esolution
Backtrack
Principe : On parcourt larbre des aectations en profondeur Lorsquune aectation partielle est inconsistante, on nexplore pas le sous-arbre correspondant
N. Brauner
88
Mod elisation
R esolution
Backtrack : jeu de dames

Exemple dex ecution
N. Brauner
89
Mod elisation
R esolution
Backtrack
Backtrack Moins daectations consid er ees Toutes les contraintes sont test ees ` a chaque aectation m eme partielle Facile ` a mettre en uvre M ethode na ve Toutes les aectations sont consid er ees On ne teste les contraintes que sur les aectations totales Tr` es facile ` a mettre en uvre
Importance de lordre des variables
N. Brauner
90
Mod elisation
R esolution
Propagation des contraintes

Principe : On restreint le domaine dune variable avec les contraintes, on restreint les autres domaines Exemple 0 < x 10 et 3 y 9 contrainte : x > y Alors on peut restreindre le domaine de x ` a 4 x 10
N. Brauner
91
Mod elisation
R esolution

Id ee : ` a partir dun CSP, on cherche un CSP equivalent avec des domaines plus petits On propage : Quand un domaine est r eduit Quand une des bornes du domaine est chang ee Quand un domaine est un singleton On propage : Une fois : nud-consistance Deux fois : arc-consistance Ou plus...
N. Brauner
92
Mod elisation
R esolution

Nud-consistance Formellement, un CSP (X , D , C ) est consistant de nud si pour toute variable Xi de X , et pour toute valeur v de D (Xi ), laectation partielle (Xi , v ) satisfait toutes les contraintes unaires de C . Algorithmiquement, pour chaque variable Xi non aect ee dans A, on enl` eve de D (Xi ) toute valeur v telle que laectation A {(Xi , v )} est inconsistante.
N. Brauner
93
Mod elisation
R esolution

Nud-consistance
N. Brauner
94
Mod elisation
R esolution

Arc-consistance Formellement, un CSP (X , D , C ) est consistant darc si pour tout couple de variables (Xi , Xj ) de X , et pour toute valeur vi appartenant ` a D (Xi ), il existe une valeur vj appartenant ` a D (Xj ) telle que laectation partielle {(Xi , vi ), (Xj , vj )} satisfasse toutes les contraintes binaires de C . Algorithmiquement, pour chaque variable Xi non aect ee dans A, on enl` eve de D (Xi ) toute valeur v telle quil existe une variable Xj non aect ee pour laquelle, pour toute valeur w de D (Xj ), laectation A {(Xi , v ), (Xj , w )} soit inconsistante.
N. Brauner
95
Mod elisation
R esolution

Arc-consistance : exemple dex ecution
N. Brauner
96
Mod elisation
R esolution
Propagation de contraintes
Nud-consistance : Moins daectations consid er ees Toutes les contraintes sont test ees ` a chaque aectation m eme partielle Facile ` a mettre en uvre Arc-consistance : Beaucoup moins daectations consid er ees Etablir larc-consistance peut prendre beaucoup de temps selon les contraintes. Moins facile ` a mettre en uvre
N. Brauner
97
Mod elisation
R esolution
Syst` emes
Syst` emes bas es sur la programmation logique ECLiPSE Prolog GNU Prolog Syst` emes bas es sur des librairies ILOG soveur (C++) Choco (Java) Facile (Ocaml)
N. Brauner
98
Exercice : Aectation de stock

N entrep ots (co ut douverture ouvre(i ) ) M boutiques co uts dacheminement de chaque entrep ot ` a chaque boutique transfert(i , j ) capacit e : chaque entrep ot ne peut fournir quun certain nombre de boutiques cap(i ) Question : avec un budget de mille euros, puis-je subvenir aux besoins de mes boutiques ?
N. Brauner
99
Correction : Aectation de stock
N. Brauner
100
Programmation lin eaire
Interpr etation g eom etrique
Bases et points extr emes
Lalgorithme du simplexe
Plan
Introduction ` a la programmation lin eaire
10
11
12
N. Brauner
102
Plan
10
11
12
N. Brauner
103

Cadre de la PL Programmation lin eaire nombre ni de variables r eelles, contraintes lin eaires, objectif lin eaire Variables x1 , x2 . . . xn r eelles Contrainte g en erique (contrainte i ) :
n
aij xj bi
j =1
Fonction-objectif g en erique (` a maximiser / minimiser) :

n
f (x1 , x2 . . . xn ) =
j =1
cj xj
N. Brauner 104

Exemple : culture de courgettes et navets Contraintes concernant les quantit es dengrais et danti-parasites 8 engrais A disponible 2 /m2 n ecessaires pour courgettes, 1 /m2 pour navets 7 engrais B disponible 1 /m2 n ecessaires pour courgettes, 2 /m2 pour navets 3 anti-parasites disponible 1 /m2 n ecessaires pour navets Objectif : produire le maximum (en poids) de l egumes, sachant que rendements = 4kg /m2 courgettes, 5kg /m2 navets
N. Brauner
105

Exemple : culture de courgettes et navets Variables de d ecision xc : surface de courgettes xn : surface de navets Fonction objectif Contraintes 2xc + xn 8 xc + 2xn 7 xn 3 (engrais A) (engrais B) (anti-parasites) max 4xc + 5xn
xc 0 et xn 0
N. Brauner 106

Int er et de la PL Probl` eme g en eral doptimisation sous contraintes ERALE AUCUNE m ethode GEN de r esolution ! ! Probl` eme lin eaire quelconque existence de m ethodes de r esolution g en erales et ecaces Ces m ethodes sont ecaces en th eorie et en pratique existence de nombreux logiciels de r esolution : Excel, CPLEX, Mathematica, LP-Solve. . . Cadre restrictif variables r eelles contraintes lin eaires objectif lin eaire
N. Brauner 107

Repr esentation in extenso max 4xc + 5xn 2xc + xn 8 (engrais A) xc + 2xn 7 (engrais B) xn 3 (anti-parasites) xc 0 et xn 0 Repr esentation matricielle max (4 5) xc xn xc xn
2 1 1 2 0 1 xc 0
8 7 3 xn 0
N. Brauner 108

Repr esentation in extenso max z =
j cj xj
s .c .
aij xj
b i = 0
i = 1, 2 . . . m
xj
j = 1, 2 . . . n
N. Brauner
109

second membre b = matrice de format a11 a12 a21 a22 A= am 1 am 2 b1 b2 . . . bm mn a1n a2n . . . amn ... ... .. . n var. de d ecision X =
x1 x2 . . . xn
Repr esentation matricielle max z = cx b = 0

N. Brauner 110
s .c .
Ax
co ut (ou prot) c = (c1 , c2 . . . cn ) x

Vocabulaire xi variable de d ecision du probl` eme x = (x1 , . . . , xn ) solution r ealisable (admissible) ssi elle satisfait toutes les contraintes ensemble des solutions r ealisables = domaine ou r egion admissible x = (x1 , . . . , xn ) solution optimale ssi elle est r ealisable et optimise la fonction-objectif contraintes in egalit e ou egalit e lin eaire
a11 x1 + a12 x2 . . . + a1n xn b1 a21 x1 + a22 x2 . . . + a2n xn b2 a31 x1 + a32 x2 . . . + a3n xn = b3
fonction objectif (ou fonction economique) lin eaire

max / min c1 x1 + c2 x2 . . . + cn xn
N. Brauner 111

Applications Feuille de TD : Programmation lin eaire, Mod elisation Exercice 1 : Production de vins Exercice 2 : Fabrication dhuile dolives Exercice 3 : Compagnie a erienne Exercice 4 : Publicit e
N. Brauner
112

Forme canonique dun PL maximisation toutes les variables sont non n egatives toutes les contraintes sont des in equations du type max z = s .c .
j j cj xj
aij xj xj
bi 0
i = 1, 2 . . . m j = 1, 2 . . . n
forme matricielle max z = cx s .c . Ax x
b 0
N. Brauner 113

Forme standard dun PL maximisation toutes les variables sont non n egatives toutes les contraintes sont des equations max z = s .c .
j j cj xj
aij xj xj
= bi 0
i = 1, 2 . . . m j = 1, 2 . . . n
forme matricielle max z = cx s .c . Ax x
= b 0
N. Brauner 114

Passage entre les formes equation in equation ax = b ax b ax b
max min max f (x ) = min f (x ) in equation equation : ajouter une variable d ecart ax b ax b ax + s = b , ax s = b , s0 s0
variable non contrainte variables positives x 0 x = x+ x x +, x 0

N. Brauner 115

Passage entre les formes Feuille de TD : Programmation lin eaire, R esolution Exercice 1
N. Brauner
116

Lin eariser un probl` eme non lin eaire ei : expression lin eaire des variables de d ecision obj : min max{e1 , e2 . . . en } min y y ei i = 1, 2 . . . n
obj : max min{e1 , e2 . . . en } max y y ei obj : min |e1 | |e | = max(e , e ) min y y e1 y e1 min e + + e e1 = e + e + e ,e 0
N. Brauner 117
i = 1, 2 . . . n

Lin eariser un probl` eme non lin eaire Feuille de TD : Programmation lin eaire, R esolution Exercice 2
N. Brauner
118

Un peu dhistoire ann ees 30-40 : Kantorovitch, economiste sovi etique mod` eles lin eaires pour la planication et loptimisation de la production ann ees 40-50 : Dantzig, math ematicien am ericain algorithme du simplexe application historique
Op erations Vittles et Plainfare pour ravitaillement de la trizone pendant le blocus de Berlin par pont a erien (23 juin 1948 12 mai 1949) simplexe ex ecut e` a la main (des milliers de variables), jusqu` a 12 000 tonnes de mat eriel par jour !
1975 : prix Nobel economie Kantorovitch XXI` eme si` ecle : logiciels de PL disponibles partout, utilisation de la PL dans tous les domaines industriels...
N. Brauner 119
Plan
10
11
12
N. Brauner
120

Exemple : culture de courgettes et navets Variables de d ecision xc : surface de courgettes xn : surface de navets Fonction objectif Contraintes 2xc + xn 8 xc + 2xn 7 xn 3 (engrais A) (engrais B) (anti-parasites) max 4xc + 5xn
xc 0 et xn 0
N. Brauner 121

Interpr eter les contraintes courgettes et navets 2x + y 8 demi-plan de R2 x + 2y 7 demi-plan y 3 demi-plan x 0 et y 0 demi-plans Ensemble des solutions r ealisables = intersection de ces demi-plans : poly` edre
x
N. Brauner 122

Optimiser lobjectif Les lignes de niveau {4x + 5y = constante} sont des droites parall` eles
4x 5y=10 4x 5y=18 4x 5y= 22 4x 5y= 25
x
N. Brauner 123

G eom etrie dun PL Lensemble des solutions r ealisables est toujours un poly` edre (intersection de demi-espaces)
Les lignes de niveau {f = constante} de la fonction-objectif f sont des hyperplans anes (n = 2 droite, n = 3 plan...)
N. Brauner
124

G eom etrie dun PL
Optimum atteint au bord Loptimum de la fonction-objectif, sil existe, est atteint en (au moins) un sommet du poly` edre. Justication math ematique : les d eriv ees partielles de f (x ) = c .x ne sannulent jamais, et le domaine {x | n j =1 aij xj bi , i = 1, . . . , m} est compact loptimum est atteint au bord...
N. Brauner
125

Solutions dun PL La r egion admissible peut etre vide
nb solutions optimales : 0
non vide, born ee

nb solutions optimales : 1 ou
non vide, non born ee

nb solutions optimales : 0 ou 1 ou
Proposer des exemples de PL pour chacun des cas Feuille de TD : Programmation lin eaire, R esolution Exercice 3
N. Brauner 126
Plan
10
11
12
N. Brauner
134

Rappels max s.c. z Ax x = cx b 0 A matrice m n x = (x1 x2 . . . xn ) b = (b1 b2 . . . bm ) c = (c1 c2 . . . cn )
Les contraintes d enissent un poly` edre La solution optimale est un sommet du poly` edre Comment enum erer les sommets dun poly` edre ?
N. Brauner
135

Passage ` a la forme standard Forme standard On peut rajouter des variables d ecart :
n n
aij xj bi
j =1 j =1
aij xj + ei = bi , ei 0
PL standard : max z (x ) = c .x s.c Ax = b x 0 On travaille dans un espace de dimension plus grande, mais toutes les contraintes sont des egalit es. Manipulations alg ebriques plus ais ees
N. Brauner 136

Passage ` a la forme standard max z = 4x + 5y s.c. 2x + y 8 x + 2y 7 y 3 x, y 0 max z = 4x + 5y s.c. 2x + y + e1 = 8 x + 2 y + e2 = 7 y + e3 = 3 x , y , e1 , e2 , e3 0 9 points int eressants (intersection de contraintes) 5 points admissibles enum eration de ces 9 points comme solution de la forme standard (solutions de base)
N. Brauner 137

s.c. 2x x x, y 0 8 3.5 3 0 0 0 2 3 3 + y + 2y y y, e1 8 0 4.5 5 0 -6 0 0 3 + e1 + e1 , e2 e3 7 3 -9 -5 0 -0.5 1 0 3 3 0 3 0 0 1 -1.5 0 0 0 = 8 = 7 + e3 = 3 e2 , e3 0 sol de base admiss. e2
x 0 0 0 0 4 7 3 2.5 1
pt extr eme (0,0)
(0,3) (4,0)
(3,2) (1,3)
138
{points extr emes} {solutions de base admissibles}N. Brauner

Syst` eme lin eaire Ax=b A format m n, rang A = m n Base de A : sous-matrice B (m m) inversible de A A = (B , N ) (B , N ) xB xN =b ou BxB + NxN = b
xB = B 1 b B 1 NxN
Solution de base associ ee ` aB:

xN = 0 variables hors base xB = B 1 b variables de base
N. Brauner
139

Base et solution de base 2x + y + e1 = 8 x + 2y + e2 = 7 y + e3 = 3 x , y , e1 , e2 , e3 0 Base initiale ? {e1 , e2 , e3 } par exemple : 2x + y + e1 = 8 e1 = 8 2x y x + 2y + e2 = 7 e2 = 7 x 2y y + e3 = 3 e3 = 3 y e1 , e2 , e3 = variables de base, x , y = variables hors base
N. Brauner
140

Base e1 e2 e3 et solution de base = 8 2x y = 7 x 2y =3y
on met les variables hors base ` a0 on en d eduit les valeur des variables de base e1 = 8 2x y = 8 e2 = 7 x 2y = 7 x =y =0 e3 = 3 y = 3
N. Brauner
141

Ax = b , x 0
(xB , 0) associ ee ` a B est une solution de base admissible si xB 0 {points extr emes du poly` edre} {solutions de base admissibles du syst` eme lin eaire correspondant}
m = nombre de points extr emes Cn n! m!(nm)!
solution de base d eg en er ee : certaines variables de base sont nulles si A est inversible : solution de base unique
N. Brauner
142

Base voisine et pivotage Bases voisines Deux sommets voisins correspondent ` a deux bases B et B telles quon remplace une variable de B pour obtenir B passer ` a un sommet voisin = changer de base (base voisine) principe du pivotage
N. Brauner
143

Qui faire entrer dans la base ? Essayons avec y : quelle est la valeur max que pourra avoir y ? e1 = 8 2x y 0 y 8 e2 = 7 x 2y 0 y 3.5 e3 = 3 y 0 y 3 Bilan : ymax = 3, pour y = ymax on a e1 = 5 2x , e2 = 1 x , et e3 = 0 candidat pour une nouvelle base : {e1 , e2 , e3 } {y } \ {e3 } = {e1 , e2 , y } (x , y , e1 , e2 , e3 ) = (0, 3, 5, 1, 0)
N. Brauner
144
Plan
10
11
12
N. Brauner
145
Vers un algorithme de r esolution M ethode de r esolution na ve : enum erer tous les sommets, calculer f sur ces points, prendre le sommet pour lequel f est optimis e: fonctionne : nombre ni de sommets limitation : ce nombre peut etre tr` es grand en g en eral... Lalgorithme du simplexe (G. B. Dantzig 1947) Algorithme it eratif permettant de r esoudre un probl` eme de programmation lin eaire.
N. Brauner
146
Principe dam elioration locale ` partir dun sommet, chercher un sommet voisin qui am A eliore lobjectif. Principe dam elioration locale (maximisation) : Soit x0 sommet non optimum. Alors il existe x , un sommet voisin de x0 , tel que f (x ) > f (x0 ). M ethode de r esolution : on part dun sommet x0 quelconque, on passe ` a un sommet voisin pour lequel f augmente, et ainsi de suite. Remarque : on passe dun probl` eme continu (variables r eelles) ` a un probl` eme discret (nombre ni de sommets)...
N. Brauner
147
Illustration 2D : courgettes et navets x0 = (0, 0), z = 0 x = (0, 3), z = 15 x0 = (0, 3), z = 15 x = (1, 3), z = 19 x0 = (1, 3), z = 19 x = (3, 2), z = 22 z = 4x + 5y
x = 3,2 , z = 22
x
plus dam elioration locale possible optimum
N. Brauner 148
Illustration concr` ete Standardisation : Maximiser z = 4x + 5y 2 x + y 8 x + 2y 7 s.c. y 3 x, y 0 Maximiser z = 4x + 5y 2 x + y + e1 = 8 x + 2y + e2 = 7 s.c. y + e3 = 3 x , y , e1 , e2 , e3 0
Base initiale ? {e1 , e2 , e3 } par exemple : 2x + y + e1 = 8 e1 = 8 2x y x + 2y + e2 = 7 e2 = 7 x 2y y + e3 = 3 e3 = 3 y e1 , e2 , e3 = variables de base, x , y = variables hors base
N. Brauner 149
Solution de base associ ee on met les variables hors base ` a0 on en d eduit : valeur des variables de base valeur de z e 1 = 8 2x y = 8 e2 = 7 x 2y = 7 et z = 4x + 5y = 0 ici : x = y = 0 e3 = 3 y = 3
N. Brauner
150
Changement de base Observation essentielle : z = 4x + 5y = 0 on peut augmenter z si x ou y rentre dans la base. Essayons avec y : quelle est la valeur max que pourra avoir y ? e1 = 8 2x y 0 y 8 e2 = 7 x 2y 0 y 3.5 e3 = 3 y 0 y 3 Bilan : ymax = 3, pour y = ymax on a e1 = 5 x , e2 = 1 x , et e3 = 0 candidat pour une nouvelle base : {e1 , e2 , e3 } {y } \ {e3 } = {e1 , e2 , y }
N. Brauner
151
Nouvelle base {e1 , e2 , y } e1 = 8 2x y e1 = 8 2x y = 5 2x + e3 e2 = 7 x 2y e2 = 7 x 2y = 1 x + 2e3 e3 = 3 y y = 3 e3 Exprimons z en fonction des variables hors base z = 4x + 5y = 15 + 4x 5e3 Solution de base associ ee e1 = 5 2x + e3 = 5 e2 = 1 x + 2e3 = 1 x = e3 = 0 y = 3 e3 = 3
et
z = 15
N. Brauner
152
It eration z = 15 + 4x 5e3 peut encore augmenter si x entre dans la base Si x entre, qui sort ? Valeur max de x : e1 = 5 2x + e3 0 x 2.5 e2 = 1 x + 2e3 0 x 1 y = 3 e3 0 aucune contrainte sur x Bilan : xmax = 1 et e2 sort. Nouvelle base {e1 , y , x } e1 = 3 + 2e2 3e3 x = 1 e2 + 2e3 y = 3 e3 z = 19 4e2 + 3e3
N. Brauner
153
It eration (suite) z = 19 4e2 + 3e3 peut encore augmenter si e3 entre dans la base Si e3 entre, qui sort ? Valeur max de e3 : e1 = 3 + 2e2 3e3 0 e3 1 x = 1 e2 + 2e3 0 aucune contrainte sur e3 y = 3 e3 0 e3 3 Bilan : e3max = 1, e1 sort. Nouvelle base {e3 , y , x } : e3 = 1 + 2/3e2 1/3e1 x = 3 + 1/3e2 2/3e1 y = 2 2/3e2 + 1/3e1 z = 22 2e2 e1
N. Brauner 154
Terminaison On a z = 22 2e2 e1 , donc z 22 Or la solution de base x = 3, y = 2, e3 = 1 donne z = 22 optimum La condition de terminaison concerne les coecients de z exprim ee avec les variables hors base.
N. Brauner
155
max z = 20x1 + 10x2 s .c . x1 + 2x2 120 x1 + x2 100 x1 70 x2 50 x1 , x2 0 forme standard max z s.c. z 20x1 10x2 x1 + 2x2 + s1 x1 + x2 + s2 x1 + s3 x2 + s4 =0 = 120 = 100 = 70 = 50
N. Brauner 156
Forme standard max z s.c. z 20x1 10x2 x1 + 2x2 + s1 x1 + x2 + s2 x1 + s3 x2 + s4 Forme tableau z s1 s2 s3 s4 z x1 x2 1 20 10 0 1 2 0 1 1 0 1 0 0 0 1 s1 0 1 0 0 0 s2 0 0 1 0 0 s3 0 0 0 1 0 s4 0 0 0 0 1 0 120 100 70 50
N. Brauner 157
=0 = 120 = 100 = 70 = 50
Co uts r eduits B , une base de Ax = b la fonction objectif :
= cx = cB xB + cN xN = cB B 1 b (cB B 1 N cN )xN
n
= z0
j =1 n
(cB B 1 aj cj )xj (zj cj )xj

j =1
= z0
zj cj = cB B 1 aj cj est le co ut r eduit de la variable hors base xj

N. Brauner 158
` a chaque it eration z xB z xN 1 co uts r eduits 0 . .. . . . 0 xB 0 Id z0 +
` a loptimum z xB z 1 0 . . . 0
N. Brauner 159
xN + .. .
xB 0 Id
z0
Principe heuristique : faire rentrer en base la variable avec le coecient le plus n egatif x1 z 1 0 0 0 0 x1 x2 20 10 1 2 1 1 1 0 0 1 s1 0 1 0 0 0 s2 0 0 1 0 0 s3 0 0 0 1 0 s4 0 0 0 0 1
z s1 s2 s3 s4
0 120 100 70 50
Qui faire sortir ?
N. Brauner
160
Principe du quotient minimal colonne pivot x1 second membre 0 a1 0 b1 a2 > 0 b2 a3 > 0 b3 a4 = 0 b4 ligne r z 1 0 0 0 0
br ar
quotient b2 a2 b3 a3
= min
bi ai |ai
>0 s2 0 0 1 0 0
faire sortir s3 s3 0 0 0 1 0 s4 0 0 0 0 1
z s1 s2 s3 s4
x1 x2 20 10 1 2 1 1 1 0 0 1
s1 0 1 0 0 0
0 120 100 70 50
N. Brauner 161
exprimer la contrainte z avec les variables hors base x2 et s3 z 10x2 + 20s3 = 1400 diviser la ligne pivot par le coecient de la variable entrante x1 + s3 = 70 supprimer x1 des autres contraintes 2x2 + s1 s3 = 50 x2 + s2 s3 = 30 c . . . ligne pivot a . . . b
b = a a p c
p | colonne pivot
N. Brauner
162
z s1 s2 x1 s4 z 1 0 0 0 0 x1 0 0 0 1 0 x2 10 2 1 0 1 s1 0 1 0 0 0 s2 0 0 1 0 0 s3 20 1 1 1 0 s4 0 0 0 0 1 1400 50 30 70 50
x1 , s1 , s2 , s4 en base et x2 , s3 hors base sol de base (70, 0, 50, 30, 0, 50) de valeur 1400 Faire rentrer x2 quotient min faire sortir s1
N. Brauner
163
z s1 s2 x1 s4 z x2 s2 x1 s4 z 1 0 0 0 0 z 1 0 0 0 0 x1 0 0 0 1 0 x1 0 0 0 1 0 x2 s1 10 0 2 1 1 0 0 0 1 0 x2 s1 0 5 1 1 2 0 1 2 0 0 0 1 2 s2 0 0 1 0 0 s2 0 0 1 0 0 s3 20 1 1 1 0 s3 15 1 2 1 2 1
1 2
s4 0 0 0 0 1 s4 0 0 0 0 1
1400 50 30 70 50 1650 25 5 70 25
x1 , x2 , s2 , s4 en base et s1 , s3 hors base sol de base (70, 25, 0, 5, 0, 25) de valeur 1650 optimale car z = 1650 5s1 15s3 et s1 = s3 = 0
N. Brauner
164
Phase II Donn ees : un programme lin eaire et une solution de base admissible R esultat : une solution de base admissible optimale ou d eclarer PL non born e
1
Choix dune colonne (variable) entrante

choisir une variable hors base xj (colonne) ayant un co ut r eduit n egatif sil nexiste pas de colonne entrante : STOP, la solution de base est optimale
Choix dune ligne (variable) sortante

Choisir une ligne r minimisant le quotient sil nexiste pas de ligne sortante : STOP le tableau courant est non born e
Mise ` a jour de la base et du tableau

pivoter autour de arj et retourner en (1)
N. Brauner 165
Solution de base d eg en er ee si une ou plusieurs variables de base sont z eros (plus de bijection entre les solutions de base admissibles et les points extr emes Si toutes les solutions de base admissibles sont non d eg en er ees, lalgorithme du simplexe termine apr` es un nombre ni dit erations
N. Brauner
166
Phase I Feuille de TD : Programmation lin eaire, R esolution Phase 1
N. Brauner
167
Dualit e
N. Brauner
168
Illustration economique
Comment prouver loptimalit e?
Ecrire le dual
Propri et es
Plan
13
14
15
Ecrire le dual
16
Propri et es
N. Brauner
169
Ecrire le dual
Propri et es
Dualit e
En g en eral contraintes : variables : 0 = 0 0
Nouveau concept Primal donn ees A, b , c minimiser Dual m emes donn ees A, b , c maximiser
N. Brauner
170
Ecrire le dual
Propri et es
Plan
13
14
15
Ecrire le dual
16
Propri et es
N. Brauner
171
Ecrire le dual
Propri et es
Plan
13
14
15
Ecrire le dual
16
Propri et es
N. Brauner
172
Ecrire le dual
Propri et es
Probl` eme primal (P )

Une famille utilise 6 produits alimentaires comme source de vitamine A et C 1 1 0 35 produits (unit es/kg) 2 3 4 5 0 2 2 1 1 3 1 3 30 60 50 27 6 2 2 22 demande (unit es) 9 19
vitamine A vitamine C Prix par kg
But : minimiser le co ut total Mod elisation
N. Brauner
173
Ecrire le dual
Propri et es
Probl` eme dual (D) associ e` a (P )

Un producteur de cachets de vitamine synth etique veut convaincre la famille dacheter ses vitamines. quel prix de vente wA et wC ? pour etre comp etitif et maximiser le prot Mod elisation
N. Brauner
175
Ecrire le dual
Propri et es
Mod elisation matricielle

Probl` eme primal famille : acheter des produits alimentaires ` a co ut minimum et satisfaire la demande en vitamine A et C Mod elisation sous forme matricielle Probl` eme dual producteur de vitamines synth etiques : etre comp etitif vis-` a-vis des produits alimentaires comme source de vitamine et maximiser le prot de vente Mod elisation sous forme matricielle
N. Brauner
177
Ecrire le dual
Propri et es
G en eralisation de lillustration economique

ressource i produit j co ut i aij bi demande j cj
Probl` eme primal (demandeur de produit) : quelle quantit e xi de ressource i acheter pour satisfaire la demande ` a co ut minimum min
i
bi xi
s .c .
i
aij xi cj
Probl` eme dual (vendeur de produit) : ` a quel prix proposer les produits pour maximiser le prot tout en restant comp etitif max
j
cj wj
s .c .
j
aij wj bi
i
N. Brauner 179
Ecrire le dual
Propri et es
Plan
13
14
15
Ecrire le dual
16
Propri et es
N. Brauner
180
Ecrire le dual
Propri et es

Lobjectif est de d emontrer loptimalit e dune solution max z = x1 + x2 4x1 + 5x2 20 2x1 + x2 6 x2 2 x1 , x2 0 Id ee : trouver une combinaison valide des contraintes permettant de borner terme ` a terme la fonction objectif
N. Brauner
181
Ecrire le dual
Propri et es

max z = x1 + x2 4x1 + 2x1 + (4y1 + 2y2 )x1 5x2 x2 x2 + (5y1 + y2 + y3 )x2 y1 , y2 , y3 20 y1 6 y2 2 y3 20y1 + 6y2 + 2y3 0
Finalement, min 20y1 + 6y2 + 2y3 s.c. 4y1 5y1 yi + 2y2 + y2 + 0

N. Brauner 184
(borne sup minimale) (borner terme ` a terme lobjectif) 1 1
y3
Ecrire le dual
Propri et es
Plan
13
14
15
Ecrire le dual
16
Propri et es
N. Brauner
185
Ecrire le dual
Propri et es
Forme canonique de dualit e

Donn ee A, b , c min z = cx s .c . Ax b x 0 max v = wb s .c . wA c w 0
(P )
(D)
N. Brauner
186
Ecrire le dual
Propri et es
Tableau des signes

min primal dual variable 0 variable 0 variable 0 contrainte contrainte = contrainte max dual primal contrainte contrainte = contrainte variable 0 variable 0 variable 0
L ecriture du Dual est automatique : les variables la fonction objectif les contraintes
N. Brauner 189
Ecrire le dual
Propri et es
Ecrire le dual
Ecrire le programme dual max z = 4x1 + 5x2 + 2x3 = 3 2x3 2 3x1 + x2 + x3 2 x2 + x3 1 x1 0 x2 0 x3 0 2x1 + 4x2
N. Brauner
190
Ecrire le dual
Propri et es
Plan
13
14
15
Ecrire le dual
16
Propri et es
N. Brauner
191
Ecrire le dual
Propri et es
Propri et es
Propri et e Le dual du dual est equivalent au primal v erier sur un exemple max z = 2x1 + 3x2 + 4x3 2x1 + x2 x3 3x1 + x2 + x3 x2 x1 , x2 , x3 0 3 2 2 1
N. Brauner
192
Ecrire le dual
Propri et es
Propri et es
(P ) min z = cx s .c . Ax b x 0 (D) max v = wb s .c . wA c w 0
Th eor` eme de dualit e faible Pour chaque paire de solutions admissibles x de (P ) et w de (D) z = cx wb = v
Cons equence : que se passe-t-il si lun est non born e?
N. Brauner
194
Ecrire le dual
Propri et es
Et loptimalit e?
Certicat doptimalit e Si z = cx = wb = v pour des solutions admissibles x de (P ) et w et (D), alors x et w sont optimales Th eor` eme de dualit e forte Si (P ) a des solutions et (D) a des solutions, alors cx = w b
N. Brauner
195
Ecrire le dual
Propri et es
Propri et e des ecarts compl ementaires

Pour lexemple des vitamines ecrire le primal avec les variables d ecart (si ) ecrire le dual avec les variables d ecart (ti ) trouver une solution du primal optimale trouver une solution du dual optimale ecrire les paires de variables (si , wi ) et (xj , tj ) que remarquez-vous ?
N. Brauner
196
Ecrire le dual
Propri et es
Propri et e
Propri et e des ecarts compl ementaires Pour x optimale de (P ) et w optimale de (D) alors une contrainte de (P ) est serr ee ` a egalit e OU la variable associ ee ` a cette contrainte est nulle dans w idem dans lautre sens xj tj = 0 et si wi = 0 preuve
N. Brauner
198
Ecrire le dual
Propri et es
Propri et e des ecarts compl ementaires

Int er et Si on conna t x optimal de (P ), alors on peut trouver y en appliquant le th eor` eme des ecarts compl ementaires (et ainsi prouver loptimalit e de x ) essayer sur un exemple max z = x1 + x2 4x1 + 5x2 20 2x1 + x2 6 x2 2 x1 , x2 0 avec x1 = 2 et x2 = 2
N. Brauner
200
Ecrire le dual
Propri et es
Petite philosophie de la dualit e

` quoi servent les trois th A eor` emes de dualit e Dualit e faible : pour faire la preuve doptimalit e Ecarts compl ementaires : pour trouver une solution optimale du dual connaissant une solution optimale du primal Dualit e forte : garantit quune preuve doptimalit e (utilisant la dualit e) est possible
N. Brauner
202
Excel et analyse post-optimale
Solveur dExcel
Analyse post-optimale
D ecoupe de rouleaux
Plan
17
Solveur dExcel
18
19
Application : la d ecoupe de rouleaux
N. Brauner
204
Solveur dExcel
Plan
17
Solveur dExcel
18
19
N. Brauner
205
Solveur dExcel
Utilisation du solveur dExcel

R esoudre lexercice Vitamines avec le solveur dExcel Description des donn ees
N. Brauner
206
Solveur dExcel

Formules
N. Brauner
207
Solveur dExcel

Param etrage du solveur
N. Brauner
208
Solveur dExcel

Options du solveur
N. Brauner
209
Solveur dExcel

R esultat
N. Brauner
210
Solveur dExcel

Rapport de r eponse
N. Brauner
211
Solveur dExcel

Rapport de sensibilit e
N. Brauner
212
Solveur dExcel
Plan
17
Solveur dExcel
18
19
N. Brauner
213
Solveur dExcel
On modie l eg` erement les coecients de lobjectif ou des contraintes : doit-on refaire un simplexe ? Variation des seconds membres Variation des coecients de la fonction objectif Co uts r eduits
N. Brauner
214
Solveur dExcel
Exemple : produire des contures de rhubarbe et de fraise Un pot de rhubarbe n ecessite 1kg de rhubarbe et 3kg de sucre et rapporte (marge) 3 euros Un pot de fraise n ecessite 2kg de fraise et 2kg de sucre et rapporte (marge) 5 euros Les quantit es disponibles sont 4kg de rhubarbe, 12kg de fraise et 18kg de sucre Mod eliser le probl` eme avec un programme lin eaire
Trouver la solution optimale graphiquement
N. Brauner
215
Solveur dExcel
R esoudre ` a laide du solveur dExcel
N. Brauner
216
Solveur dExcel
Variation des seconds membres

Si on augmente la capacit e disponible dune ressource, quel est limpact sur la valeur optimale de la fonction objectif ? Le prix cach e yi mesure laugmentation de la fonction objectif si lon accro t dune unit e la capacit e disponible bi . Augmenter la quantit e de rhubarbe ` a 5 kg disponibles calculer le point optimal calculer lobjectif calculer le prix cach e
N. Brauner
217
Solveur dExcel
Variation des seconds membres

Augmenter la quantit e de fraise ` a 13 kg disponibles calculer le point optimal calculer lobjectif calculer le prix cach e
Augmenter la quantit e de sucre ` a 19 kg disponibles calculer le point optimal calculer lobjectif calculer le prix cach e
N. Brauner
218
Solveur dExcel
Variation des seconds membres : analyse de sensibilit e

Calcul des limites de validit e des prix cach es Jusquo` u peut-on monter (ou descendre) ces valeurs avec les m emes co uts r eduits ?
De combien peut-on diminuer la quantit e de rhubarbe avec le m eme prix cach e? Donner le domaine de validit e du prix cach e de la rhubarbe. Calculez les intervalles pour les fraises et le sucre. Pour les contraintes non serr ees, quel est le prix cach e? C a vous rappelle quelque chose ?
N. Brauner
219
Solveur dExcel
Variation des coecients objectifs

Si on augmente le prix de vente unitaire ou si lon diminue le co ut de production unitaire, quel est limpact sur la valeur de lobjectif ? La valeur de la j -` eme variable ` a loptimum (xj ) mesure laugmentation de la fonction objectif si lon accro t dune unit e la marge unitaire cj . Augmenter la marge du pot de rhubarbe ` a 4 euros calculer le point optimal calculer lobjectif calculer laugmentation de lobjectif
N. Brauner
220
Solveur dExcel
Variation des coecients objectifs : analyse de sensibilit e

Variation maximum de c1 autour de 3 tel que le sommet optimal ne change pas.
De combien peut-on diminuer c1 ? De combien peut-on augmenter c1 ? Idem pour c2
N. Brauner
221
Solveur dExcel
Lanalyse de sensibilit e dans Excel
N. Brauner
222
Solveur dExcel
Plan
17
Solveur dExcel
18
19
N. Brauner
223
Solveur dExcel
D ecoupe
Rouleaux de papier de longueur standard 180 cm Couteaux de d ecoupe (nombre et position arbitraires) Couper des rouleaux de m eme diam` etre Liste des commandes pour la prochaine p eriode longueur 80 45 27 nombre de rouleaux 200 120 130
Trouver les sch emas de d ecoupe qui minimisent la perte
N. Brauner
224
Solveur dExcel
D ecoupe
Etapes de la r esolution Sch emas de d ecoupe Variables et contraintes Fonction objectif 1, r esolution avec Excel et analyse Fonction objectif 2, interpr etation et r esolution avec Excel . . . et la contrainte dint egralit e?
N. Brauner
225
Programmation lin eaire en nombres entiers
Probl` emes classiques
Techniques de mod elisation
Relaxation lin eaire
Branch & Bound
Introduction
Programmation Lin eaire (PL)
Variables de d ecision continues (r eels) Algorithme du Simplexe ecace
Programmation Lin eaire en Nombres Entiers (PLNE)

Variables de d ecision discr` etes (entiers, bool eens {0, 1}) Choix dune bonne formulation souvent dicile Pas de m ethode g en erale ecace de r esolution Algorithme de Branch & Bound, Branch & Cut. . .
Programme Lin eaire Mixte (MIP pour Mixed Integer Program)

A la fois des variables r eelles et enti` eres
N. Brauner
227
Branch & Bound
Introduction
Combinatoire Structure discr` ete Tr` es grand nombre de possibilit es
N. Brauner
228
Branch & Bound
Introduction
Probl` eme doptimisation combinatoire Un probl` eme doptimisation combinatoire typique INSTANCE Un ensemble dobjets 1, . . . , n, avec des poids ci SOLUTIONS REALISABLES Un ensemble F de parties de {1, . . . , n} CRITERE maximiser c (S ) =
i S
ci
Lensemble F est en g en eral d eni par des contraintes. Son cardinal peut etre tr` es grand (ici potentiellement 2n )
N. Brauner
229
Branch & Bound
Plan
20
21
22
23
Branch & Bound
N. Brauner
230
Branch & Bound
Plan
20
21
22
23
Branch & Bound
N. Brauner
231
Branch & Bound
Probl` emes classiques doptimisation combinatoire

Le sac ` a dos Un beau jour de vacances, vous avez d ecid e de partir en randonn ee dans le Vercors. Vous voulez remplir votre sac de capacit e 3kg avec les objets les plus utiles : objets carte gourde 2` eme gourde pull Kway tomme fruits secs utilit e 10 7 3 6 2 4 5 poids (g) 200 1500 1500 1200 500 800 700
N. Brauner
232
Branch & Bound

Le sac ` a dos ` Dos Probl` eme g en erique de Sac a un ensemble dobjets N = {1, 2 . . . n} ` a chaque objet est associ e
une utilit e ui un poids wi
un randonneur dispose dun sac-` a-dos dont le poids total ne doit pas d epasser W (capacit e du sac-` a-dos) d eterminer quels objets prendre pour maximiser lutilit e
N. Brauner
233
Branch & Bound

Le sac ` a dos Probl` eme doptimisation classique Utiliser au mieux une capacit e Choix dun portefeuille dinvestissement
Mod elisation INSTANCE : SOLUTIONS : SOLUTIONS REALISABLES : CRITERE :

N. Brauner 234
Branch & Bound

Le sac ` a dos variables objectif contraintes xi = 1 si lobjet i est choisi, 0 sinon max
i N i N
ui xi
wi xi W i N
xi {0, 1}
N. Brauner
235
Branch & Bound

Remplissage de bo tes (bin packing) Un d em enageur souhaite empaqueter des objets en minimisant le nombre de bo tes de capacit e W = 6 n ecessaires taille 2 2 3 1 2 5 6
un livre un autre livre un pull des chaussettes des chaussures des assiettes des verres
1 2
D ecrivez une solution r ealisable pour le d em enageur Proposez une mod elisation avec un PLNE
N. Brauner 236
Branch & Bound

Remplissage de bo tes (bin packing) des articles N = {1, 2 . . . n} de taille {s1 , s2 . . . sn } ` a ranger dans des bo tes de capacit eW en utilisant le moins de bo tes possible
N. Brauner
237
Branch & Bound

Couverture densembles On souhaite choisir les intervenants dans un projet an davoir toutes les comp etences n ecessaires en minimisant le co ut Co ut (h ou = C) Rech. Op. Java Bases de donn ees Th eorie des graphes UML
1 2
Alice 10 1 1 0 1 0
Babar 4 1 0 1 0 1
Casimir 5 1 1 1 0 0
Donald 6 0 1 1 0 0
Elmer 7 0 0 0 1 1
D ecrivez une solution r ealisable pour le projet Proposez une mod elisation avec un PLNE
N. Brauner 238
Branch & Bound

Couverture densembles matrice A = (aij )i =1..n,j =1..m ` a coecients 0 ou 1 cj > 0, le co ut de la colonne j une colonne j couvre une ligne i si aij = 1 trouver un sous-ensemble des colonnes de A de co ut minimum tel que chaque ligne de A soit couverte au moins une fois
N. Brauner
239
Branch & Bound

Partition densembles matrice A = (aij )i =1..n,j =1..m ` a coecients 0 ou 1 cj > 0, le co ut de la colonne j une colonne j couvre une ligne i si aij = 1 trouver un sous-ensemble des colonnes de A de co ut minimum tel que chaque ligne de A soit couverte exactement une fois
N. Brauner
240
Branch & Bound

Aectation N1 et N2 deux ensembles de m eme cardinal n A N1 N2 : un collection de couples de nuds repr esentant toutes les aectations possibles cij : co ut du couple (i , j ) A trouver une aectation de co ut minimum tel que chaque el ement de N1 est aect e` a un et un seul el ement de N2
N. Brauner
241
Branch & Bound

Plus court chemin Trouver un chemin de distance minimum entre deux nuds, s et t dun r eseau donn e.
N. Brauner
242
Branch & Bound
Plan
20
21
22
23
Branch & Bound
N. Brauner
243
Branch & Bound
Techniques g en erales de mod elisation

La PLNE permet de r esoudre beaucoup de probl` emes combinatoires mais ATTENTION ` a lecacit e de la r esolution. . . Les variables enti` eres sont introduites Pour d ecrire des structures discr` etes sous-ensemble S {1, . . . , n} vecteur indicateur (x1 , . . . , xn ) {0, 1}n Pour lin eariser des expressions non lin eaires
N. Brauner
244
Branch & Bound

Restriction ` a un ensemble discret de valeurs x doit prendre sa valeur parmi {p1 , p2 . . . pk } On introduit une variable yi indicatrice de {x = pi } yi 1 ssi x = pi , et 0 sinon
k
yi = 1
i =1 k
x= pi yi i =1 yi {0, 1} pour i = 1, 2 . . . k
N. Brauner
245
Branch & Bound

Contraintes de seuil : si x > 0 alors x K (constante) x My x Ky o` u M est une constante plus grande que x y {0, 1} Implication logique : x = 1 y = 1 avec x et y deux variables bool eennes {0, 1} x y OU logique : x ou y doit etre ` a Vrai avec x et y deux variables bool eennes {0, 1} x +y 1
N. Brauner 246
Branch & Bound

x : une variable de d ecision Objectif avec co ut xe (fonction ane) : min f 1{x >0} + cx Le co ut est compos e dun co ut unitaire c et dun co ut xe f pay e uniquement si x > 0 On introduit une variable y indicatrice de {x > 0} y 1 ssi x > 0, et 0 sinon min fy + cx x My y {0, 1}
o` u M est une constante x
N. Brauner
247
Branch & Bound

Contraintes disjonctives deux taches de dur ees di et dj doivent etre usin ees sur une m eme ressource ti + di tj si i est r ealis ee avant j tj + dj ti si j est r ealis ee avant i ti + di tj + M (1 yij ) t + dj ti + Myij j yij {0, 1}
N. Brauner
248
Branch & Bound

Termes quadratiques lin eariser xx avec x , x {0, 1} On introduit une variable y xx On doit traduire y = 1 ssi (x = 1 et x = 1) y y x y x x +x 1y {0, 1}
N. Brauner
249
Branch & Bound
Plan
20
21
22
23
Branch & Bound
N. Brauner
250
Branch & Bound
Formulation
Probl` eme combinatoire ` a r esoudre max{cx | x X } avec X Zn Une mod elisation du probl` eme en PLNE d enit un poly` edre P = {x Rn | Ax b } D enition Un PLNE est une formulation de X ssi X = P Zn
N. Brauner
251
Branch & Bound
Illustration graphique
N. Brauner
252
Branch & Bound
N. Brauner
253
Branch & Bound
Relaxation Lin eaire

Pour r esoudre un PLNE une id ee simple est doublier que les variables sont enti` eres on recherche alors loptimum du PL sur le poly` edre P on peut utiliser lalgorithme du simplexe D enition La relaxation lin eaire dune formulation en PLNE est le PL max{cx | Ax b , x Rn } Lien entre loptimum du PL et loptimum du PLNE ?
N. Brauner
254
Branch & Bound
Illustration graphique de la relaxation
N. Brauner
255
Branch & Bound
Exemple I
max z = 4x1 s .c . 7x1 x1 + x2
+ x2 36 + 4x2 22 0 entiers
x1 , x2
1 2
Trouvez graphiquement loptimum fractionnaire Trouvez graphiquement loptimum entier
N. Brauner
256
Branch & Bound
Exemple II
Stable maximum Ensemble S de sommets dun graphe
F B D E
2` a 2 non adjacent
1 2
Quel est loptimum entier sur un triangle ? Quel est loptimum fractionnaire sur un triangle ? la relaxation lin eaire donne peu dindication !
N. Brauner 257
Branch & Bound
Exemple III
min z = x1 s .c . x1 17x2 = 3 x1 11x3 = 4 x1 6x4 = 5 entiers
x1 , x2 , x3 , x4 0
1
Trouvez loptimum fractionnaire, son arrondi et loptimum entier
N. Brauner
258
Branch & Bound
Propri et e de la relaxation lin eaire

Pour une formulation en PLNE
zIP = max{cx | Ax b , x Zn }
La relaxation lin eaire

zL = max{cx | Ax b , x Rn }
v erie
1 2
z zIP L
Si la solution optimale de la relaxation lin eaire est enti` ere, alors cest aussi une solution optimale pour le PLNE
N. Brauner
259
Branch & Bound
Plan
20
21
22
23
Branch & Bound
N. Brauner
260
Branch & Bound
M ethodes enum eratives

Nombre ni de solutions F = {S1 , S2 , . . . , SN }
- Parcourir toutes les solutions - Pour chaque S F , evaluer c (S ) - Retenir la meilleure solution
Probl` eme Le nombre de solutions potentielles est ni mais gigantesque Esp erance de vie du soleil 5 milliards dann ees < 258 secondes
N. Brauner
261
Branch & Bound
Challenge de loptimisation combinatoire

Comment trouver la meilleure solution sans parcourir toutes les solutions ? Enum eration implicite : eliminer a priori des solutions D etecter que des solutions sont mauvaises ou irr ealisables sans les evaluer explicitement.
N. Brauner
262
Branch & Bound
Principe du Branch & Bound

On veut r esoudre z = max{cx | x X } Si on partitionne X en (X1 , X2 )
, z } Alors z = max{z1 2
X1
X2
z* 1
z* 2
N. Brauner
263
Branch & Bound
Principe du Branch & Bound

> z Si z1 2
Alors il est inutile dexplorer le sous-ensemble X2 X2 ne contient pas de solution optimale.

X
X1
X2
z* 1
>
z* 2
N. Brauner
264
Branch & Bound
Borne sup erieure

Comment d eterminer quil est inutile dexplorer X2 sans ? calculer z2
Estimation [par exc` es] de la valeur de z2
D enition Une fonction des instances dans R est une borne sup erieure ssi elle est sup erieure ` a la valeur optimum pour chaque instance. Pour un PLNE, une borne sup erieure est donn ee par sa relaxation lin eaire
N. Brauner
265
Branch & Bound
Enum eration arborescente implicite

Pour r esoudre z = max{cx | x X } On d ecoupe lensemble des solutions X Sur chaque Y X , on calcule une borne sup erieure B (Y ) de loptimum z (Y ). Si B (Y ) ` a la meilleure solution trouv ee, alors on elague Y Sinon on d ecoupe r ecursivement Y
N. Brauner
266
Branch & Bound
Comment d ecouper lespace des solutions ?

On r esout la relaxation lin eaire du probl` eme sur X ` a loptimum Si la solution x est enti` ere, on a trouv e loptimum sur X Sinon pour une variable (au moins) on a : a < xi < a + 1
P Dcoupage du problme X
x*
N. Brauner
267
Branch & Bound
Branchement sur une variable fractionnaire

On partitionne X en deux nouveaux sous-probl` emes : X1 = x X et xi a X2 = x X et a + 1 xi
P1
x* X
P2
N. Brauner 268
Branch & Bound
Exploration de lensemble X2 de solutions

On recherche la meilleure solution sur X2 : On r esout la relaxation lin eaire sur P2 On partitionne en 2 nouveaux sous-probl` emes
P1
P3 X
P4 P2
N. Brauner
269
Branch & Bound

On a trouv e la solution optimale sur X2 Existe-t-il une meilleure solution sur X1 ? La borne sup erieure ne nous permet pas d elaguer X1
P1
P3 X
P4
N. Brauner
270
Branch & Bound

On recherche la meilleure solution sur X1 : On partitionne en 2 nouveaux sous-probl` emes
P5
P6

P3 X
P4
N. Brauner
271
Branch & Bound
Fin du Branch & Bound

La solution optimale sur X est la meilleure des 2 solutions trouv ees sur X1 et X2 .
P5
P6

P3 X
P4
N. Brauner
272
Branch & Bound
Branch & Bound

1 2
r esoudre la relaxation lin eaire brancher sur une variable non enti` ere (` a choisir) 2 sous probl` emes diviser ` a nouveau un nud ls en deux (= choix possibles) continuer ` a s eparer sur les nuds dont la valeur est > ` a la borne inf jusqu` a ce quil ny ait plus de branchement possible La relaxation lin eaire na pas de solution la relaxation lin eaire donne une solution enti` ere la valeur de la borne sup erieure est inf erieure ` a la valeur de la meilleure solution enti` ere obtenue
3 4
On coupe une branche si
Note : On ne peut rien couper tant quon na pas de solution disponible

N. Brauner 273
Branch & Bound
Branch & Bound

z = 2x1 + 3x2 sc. 5x1 + 7x2 35 4x1 + 9x2 36 x1 , x2 0 entiers faire le dessin
x2 3
z = 13,5 x1 = 2,25 x2 = 3 z = 14,47 x1 = 3,71 x2 = 2,35
x2 2
z = 14,4 x1 = 4,2 x2 = 2
x1 3
Pas de sol ralisable
x1 2
z = 13,33 x1 = 2 x2 = 3,11
x1 5
z = 14,29 x1 = 5 x2 = 1,43
x1 4
z = 14 x1 = 4 x2 = 2
x2 4
z = 12 x1 = 0 x2 = 4
x2 3
z = 13 x1 = 2 x2 = 3
x2 1
z = 14,2 x1 = 5,6 x2 = 1
x2 2
x1 5
z = 13 x1 = 5 x2 = 1
x1 6
z = 14,14 x1 = 6 x2 = 0,71
x2 1
x2 0
z = 14
x1 = 7 x2 = 0
N. Brauner
274
Application
Approvisionnement des stations service Une compagnie p etroli` ere souhaite d eterminer les emplacements possibles pour ses d ep ots (destin es ` a fournir ses stations service). Les stations service sont au nombre de n et on a m d ep ots. On a un seul produit. cij : co ut unitaire de transport entre un d ep ot i et la station service j fi : co ut xe douverture du d ep ot i si : capacit e du d ep ot i dj : demande de la station service j (peut etre satisfaite par plusieurs d ep ots) Formulez un programme lin eaire qui permet de minimiser les co uts tout en respectant les contraintes.
N. Brauner 275
Application
M elange de maximum 4 charbons (exo de D. de Wolf) On m elange des charbons dans un haut fourneau o` u ensuite, une r eaction ` a haute temp erature produit le coke. Il y a 8 charbons disponibles. Ces charbons sont entr es par des bandes porteuses qui sont au nombre de 4 (au maximum 4 charbons di erents dans le m elange). Si un charbon est dans le m elange, il doit l etre ` a hauteur de minimum 5%. On exige que la teneur du m elange en Silicium soit dau plus 1,8 %. Le tableau suivant reprend les prix et teneur en Si des charbons. Charbon Prix Teneur Si Charbon Prix Teneur Si Charbon 1 12 2% Charbon 5 13 1% Charbon 2 14 2,5 % Charbon 6 9 5% Charbon 3 17 1% Charbon 7 15 2% Charbon 4 10 5% Charbon 8 11 1,5 % On veut d eterminer un m elange qui est de co ut minimum.
N. Brauner 276
Application
Dimensionnement de lots (DLS) Une demande journali` ere dt sur un horizon T Co ut de production pt (x ) = ft + at x Co ut de stockage unitaire ht (par jour par unit e) Quel plan de production choisir pour minimiser les co uts ?
1 2
Comment d ecrire une solution ? Comment d ecrire une solution r ealisable ?
N. Brauner
277
Application
Dimensionnement de lots (DLS)
demande
production
stock
N. Brauner 278
Application
Dimensionnement de lots (DLS) Une demande journali` ere dt sur un horizon T Co ut de production pt (x ) = ft + at x Co ut de stockage unitaire ht (par jour par unit e) Quel plan de production choisir pour minimiser les co uts ?
N. Brauner
279
Application
Dimensionnement de lots (DLS) Mod elisation du co ut de production, non lin eaire
p(x) = f + ax f
Variables de d ecision yt {0, 1} indicatrice des instants de production yt 1 ssi xt > 0, et 0 sinon Comment traduire le lien entre y et x ?
N. Brauner 280
Utiliser un solveur via un modeleur

OPL 5.1 et Cplex
N. Brauner
281
Pr esentation des outils
Mod` eles
Lenvironnement
Donn ees
Application
Plan
24
Pr esentation des outils Mod` eles Lenvironnement Donn ees Application
25
26
27
28
N. Brauner
282
Mod` eles
Lenvironnement
Donn ees
Application
Plan
24
25
26
27
28
N. Brauner
283
Mod` eles
Lenvironnement
Donn ees
Application
Modeleur et solveur
output mod` ele dvar a[] ; ...
e e
donn ees brutes

(BD, GUI. . . )
(BD, GUI tableur) T a[] T
modeleur
x , cx
min cx s.c. Ax = b l x u
c , A, b E solveur l, u
Solveurs : CPLEX, LPSolve, XPRESS, MINOS, Gurobi. . . Langages de mod elisation : GAMS (pionnier), OPL, AMPL, AIMMS. . .
N. Brauner 284
Mod` eles
Lenvironnement
Donn ees
Application
Le langage de mod elisation OPL

OPL = Optimization Programming Language Langage pour les probl` emes doptimisation Supporte des mod` eles de programmation math ematiques pour
contraintes ou objectifs lin eaires ou quadratiques variables enti` eres ou r eelles
Typage avanc e pour lorganisation des donn ees Se connecte ` a SGBDR ou tableur Script pour r ecup erer des donn ees et r esolutions it eratives
N. Brauner
285
Mod` eles
Lenvironnement
Donn ees
Application
Lenvironnement de d eveloppement
IDE : Integrated Development Environment Organiser des projets Saisir des donn ees et des mod` eles OPL Visualiser les donn ees et les solutions Contr oler loptimisation + outils pour le debuggage et aide en ligne
N. Brauner
286
Mod` eles
Lenvironnement
Donn ees
Application
Int egrer un mod` ele dans une application

D evelopper un mod` ele OPL avec OPL IDE (mod` ele et donn ees s epar es) Compiler dans OPL IDE Ecrire code dans langage pr ef er e pour
g en erer dynamiquement le chier de donn ees lire le mod` ele et les donn ees r esoudre le probl` eme r ecup erer la solution
(C++, MS.net, Java, ASP.net, JSP)
N. Brauner
287
Mod` eles
Lenvironnement
Donn ees
Application
Plan
24
25
26
27
28
N. Brauner
288
Mod` eles
Lenvironnement
Donn ees
Application
D evelopper un mod` ele simple

On souhaite produire des contures de rhubarbe et de fraise Un pot de rhubarbe n ecessite 1kg de rhubarbe et 3kg de sucre et rapporte (marge) 3 euros Un pot de fraise n ecessite 2kg de fraise et 2kg de sucre et rapporte (marge) 5 euros Les quantit es disponibles sont 4kg de rhubarbe, 12kg de fraise et 18kg de sucre.
max 3xr s .c . xr 3xr xr ,
5xf
4 2xf 12 + 2xf 18 xf 0
N. Brauner 289
Mod` eles
Lenvironnement
Donn ees
Application

max 3xr s .c . xr 3xr xr , + 5xf
4 2xf 12 + 2xf 18 xf 0
Cr eation du projet Contures puis, description du mod` ele Les variables de d ecision La fonction objectif Les contraintes dvar float+ xr ; maximize 3*xr + 5*xf; subject to { CSucre: 3*xr + 2*xf <= 18; }
N. Brauner 290
Mod` eles
Lenvironnement
Donn ees
Application

L editeur
Commentaires en vert Mots cl es en bleu

N. Brauner 291
Mod` eles
Lenvironnement
Donn ees
Application
R esoudre un mod` ele simple

Lancer la r esolution et visualiser la solution Notication Problem Browser
Console
N. Brauner
292
Mod` eles
Lenvironnement
Donn ees
Application
Plan
24
25
26
27
28
N. Brauner
293
Mod` eles
Lenvironnement
Donn ees
Application
Lenvironnement
Output
Issues Console Solutions Conicts and Relaxations Engine Log Engine Statistics Proler
N. Brauner 294
Mod` eles
Lenvironnement
Donn ees
Application
Lenvironnement
Barres doutils Model Outline
Projets (congurations)
N. Brauner
295
Mod` eles
Lenvironnement
Donn ees
Application
Laide
Menu Aide Sommaire de laide
noter laide sur un mot cl e (keyword help)
N. Brauner
296
Mod` eles
Lenvironnement
Donn ees
Application
Plan
24
25
26
27
28
N. Brauner
297
Mod` eles
Lenvironnement
Donn ees
Application
S eparation du mod` ele et des donn ees

Dans lexercice conture, s eparer les donn ees du mod` ele D eclaration des donn ees dans le chier mod` ele Produits Pots Prot Besoin Quantit es dispo. {string} Produits = {"rhubarbe", "fraise", "sucre"} ; {string} Pots = {"ConfRhubarbe", "ConfFraise"}; int Profit[Pots] = [3, 5]; int Besoin[Pots][Produits] = [[1, 0, 3],[0, 2, 2]] ; int Dispo[Produits] = [4, 12, 18] ;
N. Brauner
298
Mod` eles
Lenvironnement
Donn ees
Application

D eclaration des contraintes constraint cap[Produits] ; D eclaration des variables de d ecision dvar float+ x[Pots] ; Objectif : maximiser le prot maximize sum(po in Pots) Profit[po]*x[po] ; Contraintes : respecter les quantit es disponibles subject to{ forall (pr in Produits) cap[pr]: sum(po in Pots) Besoin[po][pr]*x[po] <= Dispo[pr] ; }
N. Brauner
299
Mod` eles
Lenvironnement
Donn ees
Application

Dans lexercice conture, saisir les donn ees dans un chier .dat D eclaration des donn ees dans un chier .dat Produits = {"rhubarbe", "fraise", "sucre"} ; Pots = {"ConfRhubarbe", "ConfFraise"}; Besoin = [ "ConfRhubarbe":[1, 0, 3], "ConfFraise":[0, 2, 2] ]; Profit = [3, 5]; Dispo = [4, 12, 18] ;
N. Brauner 300
Mod` eles
Lenvironnement
Donn ees
Application

D eclaration de donn ees externes dans un mod` ele {string} Produits = ... ; {string} Pots = ...; int Besoin[Pots][Produits] = ...; int Profit[Pots] = ...; int Dispo[Produits] = ...; Ajouter le chier de donn es au projet Ajouter le chier de donn ees ` a la conguration
N. Brauner
301
Mod` eles
Lenvironnement
Donn ees
Application
Debuggage
Outils de debuggage des mod` eles : D ecrire des contraintes avec donn ees Tracer lex ecution Utiliser le graphique de Engine Statistics Mettre en pause pour voir solution courante
N. Brauner
302
Mod` eles
Lenvironnement
Donn ees
Application
Plan
24
25
26
27
28
N. Brauner
303
Mod` eles
Lenvironnement
Donn ees
Application
Production de moteurs davions

Production de deux composantes (A et B ) dun moteur davion. Notication des besoins pour les trois prochains mois. avril mai juin A 1000 3000 5000 B 1000 500 3000 capacit es machine (h) hommes (h) stock (m3 ) avril 400 300 10 000 mai 500 300 10 000 juin 600 300 10 000 capacit es machine (h/unit e) homme (h/unit e) stock (m3 /unit e) A 0.10 0.05 2 B 0.08 0.07 3
N. Brauner 304
Mod` eles
Lenvironnement
Donn ees
Application

Production de deux composantes (A et B ) dun moteur davion. co uts de production : 20 par unit es de A et 10 par unit es de B co ut de stockage : 1,5% de la valeur horaire mensuel de base : 225 co ut de lheure suppl ementaire de travail : 10 stock n mars : 500 A et 200 B stock minimum impos e n juin : 400 A et 200 B Trouver un plan de production des trois prochain mois qui minimise les co uts. Proposer une mod elisation math ematique de ce probl` eme
N. Brauner
305
Mod` eles
Lenvironnement
Donn ees
Application

Variables production : x [produit , mois ] stock : s [produit , mois ] heures suppl ementaires I [mois ] Objectif : production + stock + heures suppl ementaires Contraintes d enition du stock stock minimum n juin capacit es des machines capacit es des hommes capacit es des stocks d enition des heures suppl ementaires
N. Brauner 306
Mod` eles
Lenvironnement
Donn ees
Application

Mod eliser ce probl` eme avec OPL et le r esoudre avec CPLEX Solution fractionnaire : co ut 224724.2857 Mars 500 200 Avril 500 2857,14 0 2057,14 0 Mai 3000 1214,29 0 2771,43 10 Juin 5400 428,671 400 200 75
Produit A Produit B Stock A Stock B Heures supp
N. Brauner
307
Mod` eles
Lenvironnement
Donn ees
Application

Solution enti` ere : co ut 224724.5 Mars 500 200 Avril 500 2858 0 2058 0.06 1 Mai 3000 1214 0 2772 9.98 10 Juin 5400 428 400 200 74.96 75
Produit A Produit B Stock A Stock B Heures supp Heures supp ent
N. Brauner
308
Mod` eles
Lenvironnement
Donn ees
Application

Programme lin eaire avec 15 variables et 20 contraintes 2 produits 3 mois 1 type de machines 1 type dhommes 1 type de stockage
N. Brauner
309
Mod` eles
Lenvironnement
Donn ees
Application
Pour aller plus loin

Donn ees dans Excel Ilog script Application VB Web appli et Java AMPL : un autre langage de mod elisation http://www.ampl.com
N. Brauner
310
Formulations et coupes
Formulation
In egalit e valide
Algorithme de plan s ecant
Plan
29
Formulation
30
In egalit e valide
31
N. Brauner
312
Formulation
In egalit e valide
Plan
29
Formulation
30
In egalit e valide
31
N. Brauner
313
Formulation
In egalit e valide
Remplissage de Boite (bin packing)

Un ensemble de n objets de hauteur hi A ranger dans des bo tes de hauteur H Minimiser le nombre de bo tes utilis ees Formulation P en PLNE xij 1 si i est rang e dans la bo te j yj 1 si la bo te j est utilis ee min
j N
yj i N j N i , j N
N. Brauner 314
xij = 1 h i i xij Hyj yj , xij {0, 1}

j
Formulation
In egalit e valide
Remplissage de Boite (bin packing)

Enorm ement de sym etries sont pr esentes Si loptimum utilise 3 bo tes, autant prendre les 3 premi` eres ! Quelle contrainte ajouter ?
N. Brauner
315
Formulation
In egalit e valide
R esolution des 2 formulations

Le premier PLNE est une formulation du BinPacking Ajouter les contraintes de sym etries, nest-ce pas redondant ? Essayons de r esoudre linstance 15 objets ` a ranger dans des bo tes de hauteur H = 20 hauteurs 6 7 8 9 10 en trois exemplaires chacun
(tr` es) petit exemple Quelle est la solution optimale ?
N. Brauner
316
Formulation
In egalit e valide
R esolution des 2 formulations

15 objets ` a ranger dans des bo tes de hauteur H = 20 hauteurs 3 6 7 8 9 10
R esolution sous OPL Formulation I (Cuts o) temps nuds > 3h > 35 millions
Formulation II (Cuts o) temps nuds 129s 500000
Formulation I (Cuts on) temps nuds 3s 2000
N. Brauner
317
Formulation
In egalit e valide
Formulations dun PLNE

Probl` eme combinatoire ` a r esoudre max{cx | x X } avec X Z n Une mod elisation du probl` eme en PLNE poly` edre P = {x R n | Ax b } D enition Un PLNE est une formulation de X ssi X = P Z n Il existe une innit e de formulations pour un probl` eme
N. Brauner
318
Formulation
In egalit e valide
N. Brauner
319
Formulation
In egalit e valide
N. Brauner
320
Formulation
In egalit e valide
Formulation Id eale
Une formulation P est meilleure que P si P P La formulation id eale est la formulation la plus proche de X Cest lenveloppe convexe conv (X )
X conv(X)
N. Brauner
321
Formulation
In egalit e valide
Formulation Id eale
Propri et e max{cx | x X } = max{cy | y conv (X )} A gauche, un probl` eme combinatoire (discret) A droite, un Programme Lin eaire (continu) Si lon a une formulation qui d ecrit conv (X ) la relaxation lin eaire r esout le probl` eme ` a loptimum pour tout objectif lin eaire
N. Brauner
322
Formulation
In egalit e valide
Moralit e
Dans une formulation en PLNE, il ne faut pas etre econome de ses contraintes ! Am eliore les bornes des relaxations lin eaires Diminue le nombre de nuds visit es Lid eal etant que la relaxation donne directement une solution enti` ere sans brancher Existe-t-il des m ethodes pour trouver des contraintes qui am eliorent la formulation ? Peut-on d ecrire conv (X ) ?
N. Brauner
323
Formulation
In egalit e valide
Plan
29
Formulation
30
In egalit e valide
31
N. Brauner
324
Formulation
In egalit e valide
In egalit e valide
Probl` eme combinatoire ` a r esoudre max{cx | x X } avec X Z n
D enition Une in egalit e valide est une in egalit e x 0 v eri ee par tous les points de X
N. Brauner
325
Formulation
In egalit e valide
Une remarque
Si on a une in egalit e valide y b y une variable enti` ere, b un r eel. Alors y b est aussi une in egalit e valide Cette remarque permet de g en erer bien des coupes !
N. Brauner
326
Formulation
In egalit e valide
Coupes de Chv atal-Gomory

Programme lin eaire max{cx | Ax b , x entier}. Pour une ligne i de la matrice on a aij xj bi
i
Pour tout r eel > 0 aij xj bi

i
Lin egalit e suivante est donc valide (x 0) aij xj bi

i
En appliquant la remarque, on obtient une coupe de C-G aij xj bi

i
N. Brauner 327
Formulation
In egalit e valide
Exemple
Probl` eme ` a 2 variables x et y enti` eres Formulation
5/4
3x + 4y 5 Objectif max 9x + 10y

X
5/3
Quel est loptimum de la relaxation lin eaire ? Quel est loptimum entier ? Quelles coupes de Chv atal-Gomory trouve-t-on ?
N. Brauner
328
Formulation
In egalit e valide
Ajouts de coupes
Il existe de nombreuses familles de coupes dans la litt erature (Flow Cover, Mixed Integer Rounding, . . .) Leur ajout renforce la formulation Mais Si le probl` eme est dicile, d ecrire conv (X ) demande un nombre exponentiel de contraintes ! Que faire si une bonne formulation n ecessite trop de coupes ?
N. Brauner
329
Formulation
In egalit e valide
Plan
29
Formulation
30
In egalit e valide
31
N. Brauner
330
Formulation
In egalit e valide
Probl ematique
Formulation initiale P = {x R n | Ax b } Famille F de coupes On veut am eliorer la formulation pour d ecrire conv (X )
X
Le plus simple : reformuler en ajoutant F ` aP Le probl` eme : |F| >> 1 Ajouter toutes les coupes a priori est d eraisonnable
N. Brauner
331
Formulation
In egalit e valide
Algorithme de Plan S ecant (Cutting Plane)

Probl` eme combinatoire max{cx | x X } avec X Z n La description compl` ete de conv (X ) est inutile Seule la description autour de loptimum nous int eresse
X
Id ee rajouter les in egalit es valides uniquement dans la r egion de loptimum

N. Brauner 332
Formulation
In egalit e valide
Algorithme de S eparation
Evidemment on ne sait pas o` u est loptimum On conna t loptimum x de la relaxation lin eaire S eparation : Trouver une in egalit e valide x 0 de F coupant x : x > 0 Ajouter cette in egalit e pour am eliorer la relaxation lin eaire
X
x*
N. Brauner
333
Formulation
In egalit e valide
Algorithme de Plan S ecant

On r esout le relaxation lin eaire sur la nouvelle formulation On cherche une nouvelle in egalit e coupant x
On it` ere jusqu` a obtenir une solution x enti` ere
x* x* X X
N. Brauner
334
Formulation
In egalit e valide
Algorithme de Plan S ecant
PROGRAMMATION LINEAIRE Resoudre la formulation P optimum x* Alors Si x* est entier Sinon ALGORITHME DE SEPARATION Trouver une inegalite valide v violee par x* Ajouter v a P
Optimum sur X FIN
N. Brauner
335
Formulation
In egalit e valide
Terminaison de lalgorithme
Un algorithme de Plan S ecant termine Soit en trouvant une solution enti` ere : optimum sur X Soit en cas d echec de lalgorithme de s eparation Aucune in egalit e valide de F nest viol ee par x Pour achever la r esolution ` a loptimum : Utiliser un algorithme de Branch & Bound standard sur la formulation obtenue
N. Brauner
336
Formulation
In egalit e valide
Comparaison avec le Branch & Bound

Algorithme de Plan S ecant : rane la description du poly` edre autour de loptimal Algorithme de Branch & Bound : d ecoupe le poly` edre en morceaux
x* X
X
N. Brauner
337
Formulation
In egalit e valide
Branch & Cut

Les algorithmes de plan s ecant peuvent echouer ` a s eparer une solution fractionnaire ou, trop din egalit es sont n ecessaires Un algorithme de Branch & Bound doit alors etre utilis e. Branch & Cut Un Branch & Cut consiste ` a appliquer un algorithme de plan s ecant sur chaque nud avant de brancher But : am eliorer la formulation de chaque nud Nombre de nuds explor es << Branch & Bound Calcul de chaque nud >> Branch & Bound
N. Brauner
338
Formulation
In egalit e valide

Une demande journali` ere dt sur un horizon T Co ut de production pt (x ) = ft + at x Co ut de stockage unitaire ht (par jour par unit e) Quel plan de production choisir pour minimiser les co uts ?
1 2
Comment d ecrire une solution ? Comment d ecrire une solution r ealisable ?
N. Brauner
339
Formulation
In egalit e valide
demande
production
stock
N. Brauner 340
Formulation
In egalit e valide

Une demande journali` ere dt sur un horizon T Co ut de production pt (x ) = ft + at x Co ut de stockage unitaire h (par jour par unit e) Quel plan de production choisir pour minimiser les co uts ?
N. Brauner
341
Formulation
In egalit e valide

Mod elisation du co ut de production, non lin eaire
p(x) = f + ax f
Variables de d ecision yt {0, 1} indicatrice des instants de production yt 1 ssi xt > 0, et 0 sinon Comment traduire le lien entre y et x ?
N. Brauner 342
Formulation
In egalit e valide
Formulations dun PLNE

On obtient la formulation AGG min ft yt + hIt
t
xt + It = dt + It +1 t = 1, . . . , T 1 xT + IT = dT x Dt yt t = 1, . . . , T t yt {0, 1} t = 1, . . . , T
Que se passe-t-il si on essaie de la r esoudre ?
N. Brauner
343
Formulation
In egalit e valide
Limite du Branch & Bound

OPL ne parvient pas ` a r esoudre ! Pourtant : Le probl` eme est facile et lexemple est petit Il existe des algorithmes qui la r esolvent instantan ement La formulation naturelle nest pas ecace Peut-on formuler di eremment le probl` eme ?
N. Brauner
344
Formulation
In egalit e valide
Formulation UFL
Formulation moins naturelle Variables de d ecision yt {0, 1} indicatrice des instants de production xuv fraction de la demande de v produite le jour u Contraintes ?
N. Brauner
345
Formulation
In egalit e valide
Comparaison des 2 formulations

Formulation AGG O(T ) variables binaires et continues O(T ) contraintes Formulation UFL O(T ) variables binaires O(T 2 ) variables continues O(T 2 ) contraintes La seconde formulation est beaucoup plus grosse Est-ce le bon crit` ere de comparaison pour un PLNE ?
N. Brauner
346
Formulation
In egalit e valide
Formulation UFL
Avec la formulation UFL OPL r esout sans faire de Branch & Bound ! la relaxation lin eaire donne directement loptimum entier Si on active les coupes Flow cover OPL r esout la formulation AGG en explorant seulement 5 nuds ! Que se passe-t-il ?
N. Brauner
347
Formulation
In egalit e valide
Conclusion
Lalgorithme de Branch & Bound peut etre inecace Il est primordial davoir une bonne formulation
Reformulation a priori, formulation etendue Algorithme de Plan S ecant Algorithme de Branch & Bound
Heureusement, les logiciels commerciaux font du Branch & Cut avec des familles g en eriques de coupes Jouer sur le param etrage peut etre utile. Enrichir la formulation initiale en connaissant la structure du probl` eme (sym etries,. . .) aussi !
N. Brauner
348
Programmation dynamique
Jeux introductifs
Optimisation Combinatoire
Principe de Sous-optimalit e
Programmation Dynamique
Dominances
Plan
32
Jeux introductifs Optimisation Combinatoire Principe de Sous-optimalit e Programmation Dynamique Dominances
33
34
35
36
N. Brauner
350
Jeux introductifs
Dominances
Plan
32
33
34
35
36
N. Brauner
351
Jeux introductifs
Dominances
Jeux introductifs
Pyramide de nombres Trouver un chemin de haut en bas qui maximise la somme des nombres travers es 3 7 4 2 4 6 8 5 9 3 6 7 4 2 8 3 7 2 8 6 7 5 4 4 9 2 4 6 3 8 6 8 7 2 5 4 7 4 9 2 3 4 6 3 8
N. Brauner 352
Jeux introductifs
Dominances
Jeux introductifs
Pyramide de nombres
33 710 212 820 626 727 519 427 414 923 225 47 613 316 826
N. Brauner
353
Jeux introductifs
Dominances
Jeux introductifs
Partager un sac de pi` eces Partager les pi` eces suivantes en deux ensembles egaux {5 9 3 8 2 5}
1 2 3 4
0 V V V V 1 2 3 4 5 V V V V 6 7 8 9 V V V 10 11 12 13 14 V V V 15 16
V V
V V
V V
Construire le tableau : m(i , j ) = V si je peux avoir j avec les i premi` eres pi` eces m(i , 0) = V pour i = 0 ` a nb de pi` eces m(i , j ) = m(i 1, j ) ou m(i 1, j pi e `ce (i )) i =1` a nb de pi` eces j = pi e `ce (i ) ` a 16.
N. Brauner 354
Jeux introductifs
Dominances
Plan
32
33
34
35
36
N. Brauner
355
Jeux introductifs
Dominances
Combinatoire
Structure discr` ete Tr` es grand nombre de possibilit es
N. Brauner
356
Jeux introductifs
Dominances
Probl` emes combinatoires

D enition Un probl` eme doptimisation se d enit par INSTANCE : d ecrit les donn ees dentr ee SOLUTIONS REALISABLES : d ecrit lensemble F des solutions admissibles CRITERE ` a optimiser. Mesure c sur les solutions r ealisables D enition g en erique : une innit e dinstances On recherche une m ethode (algorithme) capable de fournir pour chaque instance I :
une solution optimale S ou la valeur OPT (I ) du crit` ere ` a loptimum OPT (I ) = c (S ) = max{c (S )|S F}
N. Brauner 357
Jeux introductifs
Dominances
Probl` emes combinatoires

Un probl` eme doptimisation combinatoire typique INSTANCE : Un ensemble dobjets 1, . . . , n, avec des poids ci SOLUTIONS REALISABLES : Un ensemble F de parties de {1, . . . , n} CRITERE maximiser c (S ) =
i S
ci
Lensemble F est en g en eral d eni par des contraintes. Son cardinal peut etre tr` es grand (ici potentiellement 2n )
N. Brauner
358
Jeux introductifs
Dominances
Le sac ` a dos
Un randonneur veut remplir son sac de capacit e 4kg avec les objets les plus utiles objets carte gourde 2` eme gourde pull Kway tomme fruits secs utilit e 10 7 3 6 2 4 5 poids (g) 200 1500 1500 1200 500 800 700
N. Brauner
359
Jeux introductifs
Dominances
Le Sac ` a dos
Probl` eme doptimisation classique Utiliser au mieux une capacit e Choix dun portefeuille dinvestissement Appara t dans des probl` emes plus complexes Mod elisation INSTANCE : SOLUTIONS REALISABLES : CRITERE :
N. Brauner
360
Jeux introductifs
Dominances
M ethodes enum eratives

Nombre ni de solutions F = {S1 , S2 , . . . , SN }
- Parcourir toutes les solutions - Pour chaque S F , evaluer c (S ) - Retenir la meilleure solution
Probl` eme Le nombre de solutions potentielles est ni mais gigantesque Esp erance de vie du soleil 5 milliards dann ees < 258 secondes
N. Brauner
361
Jeux introductifs
Dominances
Challenge de loptimisation combinatoire

Comment trouver la meilleure solution sans parcourir toutes les solutions ? Utiliser la structure du probl` eme Enum eration implicite : eliminer a priori des solutions D etecter que des solutions sont mauvaises ou irr ealisables sans les evaluer explicitement. Programmation dynamique : r eduire lespace de recherche ` a des sous-solutions optimales.
N. Brauner
362
Jeux introductifs
Dominances
Plan
32
33
34
35
36
N. Brauner
363
Jeux introductifs
Dominances
Principe de sous-optimalit e
On veut r esoudre un probl` eme P sur une instance I Structure sp ecique de P Les morceaux dune solution optimale sont optimaux
P P1 P2 P
3
Le probl` eme P se d ecompose en sous-probl` emes P1 , . . . , Pk . Loptimum sur P sobtient ` a partir des optimaux des sous-probl` emes.
N. Brauner
364
Jeux introductifs
Dominances
Principe de sous-optimalit e Loptimum sur une instance I peut se construire ` a partir de solutions optimales sur des instances plus simples I1 , . . . , Ik OPT (I ) = f (OPT (I1 ), . . . , OPT (Ik )) On a une formulation r ecursive de OPT (I ) Il sut de calculer loptimum pour OPT (I1 ), . . . , OPT (Ik ) puis dappliquer f Chaque OPT (Ij ) sexprime ` a son tour en fonction dinstances plus simples Jusqu` a obtenir une instance de base I directement calculable
N. Brauner
365
Jeux introductifs
Dominances
Calcul r ecursif de loptimum

I1 I I2 I3
N. Brauner
366
Jeux introductifs
Dominances
D ecomposition en sous-probl` emes
Instance I ` a r esoudre Partition des solutions selon lobjet n F = {S F|n / S } ne contenant pas n F = {S F|n S } contenant n On a OPT (I ) = max{c (S ), c (S )}
N. Brauner 367
Jeux introductifs
Dominances
Deux sous-probl` emes ` a r esoudre Sur F : probl` eme P restreint aux n 1 premiers objets Sur F : egalement restreint aux n 1 premiers objets mais structure des solutions r ealisables ?
N. Brauner 368
Jeux introductifs
Dominances
D ecrire F comme {S F|n S } est inecace enum eration explicite de toutes les solutions F doit pouvoir etre d ecrit comme un sous-probl` eme de P
N. Brauner 369
Jeux introductifs
Dominances
Sac ` a dos
` dos Sac a Instance: n objets de poids wi et dutilit e ui , un sac de taille W. Solution: sous-ensemble S dobjets tel que w (S ) W . Critere: lutilit e totale u (S ) des objets
Quel est loptimum de OPT (I ) par rapport ` a lobjet n ? Comment ecrire le principe de sous-optimalit e?
N. Brauner
370
Jeux introductifs
Dominances
Param etrisation
Principe de sous-optimalit e : les probl` emes qui apparaissent dans la d ecomposition correspondent au probl` eme initial sur des instances plus simples Instance I pour un sous-probl` eme I di` ere de I par certains param` etres (entiers) p1 , . . . , pl Pour le Sac ` a dos : les objets consid er es et la taille du sac On d ecrit I par la valeur de ses param` etres (x1 , . . . , xl ) D enition On appelle etat le vecteur de param` etres (x1 , . . . , xl ) d ecrivant une sous-instance.
N. Brauner
371
Jeux introductifs
Dominances
Graphe dEtat
Vecteur de param` etres (x1 , . . . , xl ) : etat D ependance entre les instances (calcul de f )
parametre 2
I
3 2 1 0 0 1 2 3 4 5 6 parametre 1
N. Brauner
372
Jeux introductifs
Dominances
Plan
32
33
34
35
36
N. Brauner
373
Jeux introductifs
Dominances
` dos Sac a Instance: n objets de poids wi et dutilit e ui , un sac de taille W. Solution: sous-ensemble S dobjets tel que w (S ) W . Critere: lutilit e totale u (S ) des objets
Dessinez le graphe d etat pour 4 objets de poids 1 et un sac de capacit e 3. Que remarque-t-on ?
N. Brauner
374
Jeux introductifs
Dominances
Un etat peut etre calcul e un tr` es grand nombre de fois Id ee : on d er ecursive On m emorise les etats au lieu de les recalculer Il sut de parcourir les etats dans un ordre topologique inverse du graphe d etat Evaluer les etats de base OPT [0, . . . , 0]. Parcourir les etats jusqu` a X
Pour chaque etat X , d ependant de X1 , . . . , Xk d ej` a evalu es, m emoriser OPT [X ] = f (OPT [X1 ], . . . , OPT [Xk ))
] Retourner OPT [X
N. Brauner 375
Jeux introductifs
Dominances
Sac ` a dos
Sac ` a dos de taille 7, avec 4 objets valeurs des objets 2 poids des objets 2 4 3 5 4 6 5
Calculer le tableau OPT
N. Brauner
376
Jeux introductifs
Dominances
Ecacit e
Quel est le temps de r esolution ? D epend
du nombre d etats du temps t pour evaluer la fonction f en chaque etat.
Le temps de r esolution est alors t (x1 , . . . , xl )

(x1 ,...,xl )Etats
Souvent on a une borne uniforme sur t (x1 , . . . , xl ) T Le temps de r esolution est major e par T #Etats
N. Brauner
377
Jeux introductifs
Dominances
Sac ` a dos
Temps de r esolution du sac ` a dos Quel est le temps pour evaluer un etat (i , w ) ? Quel est le nombre d etats ?
N. Brauner
378
Jeux introductifs
Dominances
Calcul dune solution optimale

La programmation dynamique fournit OPT (I ) Comment obtenir une solution S ? Conserver des pointeurs dans le tableau : chemin dans le graphe d etat M ethode de Backtracking Les 2 m ethodes consistent ` a remonter le calcul de OPT (I ) Donner une solution optimale pour le sac ` a dos ` a partir du tableau OPT de la programmation dynamique
N. Brauner
379
Jeux introductifs
Dominances
Plan
32
33
34
35
36
N. Brauner
380
Jeux introductifs
Dominances
Dimensionnement de lots
Une demande journali` ere dt sur un horizon T Co ut de production pt (x ) = ft + at x Co ut de stockage unitaire ht (par jour par unit e) Quel plan de production choisir pour minimiser les co uts ? Comment d ecrire une solution ?
N. Brauner
381
Jeux introductifs
Dominances
demande
production
stock
N. Brauner 382
Jeux introductifs
Dominances
Comment exprimer un principe de sous-optimalit e? Quels param` etres sont n ecessaires ? Quel est le temps de r esolution ?
N. Brauner
383
Jeux introductifs
Dominances
Dominance
Denition (Dominance) Une dominance est une propri et e D v eri ee par au moins une solution optimale.
Proprit D
Solutions ralisables
Solutions optimales
N. Brauner
384
Jeux introductifs
Dominances
Politiques ZIO Une politique ZIO consiste ` a ne produire que si le stock est vide si It > 0, alors xt = 0 Si pour chaque instant at + ht at +1 , alors les politiques ZIO sont dominantes Argument d echange On consid` ere un planning (optimal) qui ne v erie pas la dominance On montre quon peut le modier en pr eservant lobjectif
N. Brauner
385
Jeux introductifs
Dominances
Algorithme de Wagner & Within

Exprimer un principe de sous-optimalit e en utilisant la dominance Quel est maintenant le temps de r esolution ?
N. Brauner
386
Jeux introductifs
Dominances
Bilan de la programmation dynamique

Paradigme pouvant etre tr` es ecace Pas de condition sur la forme de la fonction objectif... . . .mais la propri et e de sous-optimalit e doit etre v eri ee Gourmand en m emoire Devient inop erant si lespace des etats est grand N ecessit e de trouver des dominances pour le r eduire
N. Brauner
387
M ethodologie et etudes de cas
M ethodologie
Charbon
Localisation
Planication dexp eriences
Plan
37
M ethodologie D ecoupe de rouleaux Charbon Localisation Planication dexp eriences
38
39
40
41
N. Brauner
389
M ethodologie
Charbon
Localisation
Plan
37
38
39
40
41
N. Brauner
390
M ethodologie
Charbon
Localisation
M ethodologie
Face ` a un probl` eme pratique de d ecision : Comprendre le probl` eme En d egager les aspects math ematiques Reconna tre un type de probl` eme classique
informs http ://www2.informs.org/Resources/ wikipedia (portail RO fait et corrig e par des chercheurs)
N. Brauner
391
M ethodologie
Charbon
Localisation
M ethodologie
Analyser la complexit e
que peut-on esp erer pour le temps de r esolution imparti ? solution exacte, approch ee, avec performance... probl` emes NP-complets
http ://www.nada.kth.se/viggo/problemlist/
ordonnancement
http ://www.mathematik.uni-osnabrueck.de/ research/OR/class/
N. Brauner 392
M ethodologie
Charbon
Localisation
M ethodologie
Proposer une formulation
graphes, programmation lin eaire, PPC...
Impl ementer une solution

solveurs, librairies, algorithmes connus, heuristiques, m etaheuristiques, programmation dynamique, programme ad hoc
Analyser et interpr eter les r esultats Valider par rapport ` a la demande initiale It erer avec le demandeur si n ecessaire
N. Brauner
393
M ethodologie
Charbon
Localisation
Plan
37
38
39
40
41
N. Brauner
394
M ethodologie
Charbon
Localisation
D ecoupe
Rouleaux de papier de longueur standard 180 cm Couteaux de d ecoupe (nombre et position arbitraires) Couper des rouleaux de m eme diam` etre Liste des commandes pour la prochaine p eriode longueur 80 45 27 nombre de rouleaux 200 120 130
Trouver les sch emas de d ecoupe qui minimisent la perte
N. Brauner
395
M ethodologie
Charbon
Localisation
D ecoupe
Etapes de la r esolution Solution manuelle Borne inf erieure Sch emas de d ecoupe Variables et contraintes Fonction objectif 1, r esolution et analyse Fonction objectif 2, interpr etation et r esolution . . . et la contrainte dint egralit e?
N. Brauner
396
M ethodologie
Charbon
Localisation
Plan
37
38
39
40
41
N. Brauner
397
M ethodologie
Charbon
Localisation
Fabrication de charbon
On m elange des charbons dans un haut fourneau o` u ensuite, une r eaction ` a haute temp erature produit le coke. Il y a 8 charbons disponibles. Ces charbons sont entr es par des bandes porteuses qui sont au nombre de 4 (au maximum 4 charbons di erents dans le m elange). Si un charbon est dans le m elange, il doit l etre ` a hauteur de minimum 5%. On exige que la teneur du m elange en Silicium soit dau plus 1,8 %. Le tableau suivant reprend les prix et teneur en Si des charbons. Charbon Prix Teneur Si Charbon Prix Teneur Si Charbon 1 12 2% Charbon 5 13 1% Charbon 2 14 2,5 % Charbon 6 9 5% Charbon 3 17 1% Charbon 7 15 2% Charbon 4 10 5% Charbon 8 11 1,5 % On veut d eterminer un m elange qui est de co ut minimum. (exo de D. de Wolf) N. Brauner
398
M ethodologie
Charbon
Localisation
Plan
37
38
39
40
41
N. Brauner
399
M ethodologie
Charbon
Localisation
Approvisionnement des stations service

Une compagnie p etroli` ere souhaite d eterminer les emplacements possibles pour ses d ep ots (destin es ` a fournir ses stations service). Les stations service sont au nombre de n et on a m d ep ots. On a un seul produit. cij : co ut unitaire de transport entre un d ep ot i et la station service j fi : co ut xe douverture du d ep ot i si : capacit e du d ep ot i dj : demande de la station service j (peut etre satisfaite par plusieurs d ep ots) D eterminer les emplacements des stations services qui permettent de minimiser les co uts pour les donn ees suivantes.
N. Brauner
400
M ethodologie
Charbon
Localisation

6 d ep ots possibles, 7 stations services d ep ot A B C D E F co ut ouverture 7 8 4 28 20 10 capacit e 70 70 40 110 50 50 station 1 2 3 4 5 6 7 demande 30 30 30 10 20 10 10
N. Brauner
401
M ethodologie
Charbon
Localisation

Co uts de transport 1 2 3 4 5 6 7 A 10 10 20 100 100 60 30 B 10 10 10 50 80 60 40 C 30 25 10 10 30 60 60 D 35 30 10 10 10 20 20 E 35 30 30 20 10 10 10 F 100 95 50 30 10 10 20
N. Brauner
402
M ethodologie
Charbon
Localisation
Plan
37
38
39
40
41
N. Brauner
403
M ethodologie
Charbon
Localisation

Dans une industrie chimique, une phase amont teste di erents produits de synth` ese pour d eterminer les meilleures compositions. Les r eactions se font ` a temp erature elev ee dans un four de cuisson Le process : Remplissage 1/2 journ ee Cuisson de 3 ` a 14 jours Filtrage 2 jours
N. Brauner
404
M ethodologie
Charbon
Localisation
Cuisson
Un robot a et e achet e pour automatiser la cuisson Chaque exp erience est charg ee dans une barre de cuisson
On dispose de 8 barres de cuisson Le robot peut traiter les 8 barres simultan ement La temp erature et la dur ee de chaque barre est programmable.
N. Brauner
405
M ethodologie
Charbon
Localisation
Remplissage
Cette etape correspond A la pr eparation dune barre de cuisson Au m elange des di erents constituants Pour la r ealiser, 3 postes de travail ont et e install es, chacun pouvant traiter une barre. Un op erateur est requis pour surveiller le d eroulement des op erations.
N. Brauner
406
M ethodologie
Charbon
Localisation
Filtrage
Cette etape correspond A lanalyse des r esultats de lexp erience Elle est r ealis ee de mani` ere semi-automatique Un op erateur doit surveiller le d eroulement des analyses Les 8 barres de cuisson peuvent etre analys ees simultan ement
N. Brauner
407
M ethodologie
Charbon
Localisation
Op erateur
La pr esence dun chimiste quali e est requise Pendant le remplissage Pendant le ltrage Au d emarrage de la cuisson (programmation du robot) A la n de la cuisson lancer le ltrage pour arr eter la r eaction le ltrage peut ensuite etre interrompu Seule la cuisson peut etre r ealis ee sans la pr esence du chimiste
N. Brauner
408
M ethodologie
Charbon
Localisation
Disponibilit es
Le planning des absences du chimiste est connu ` a lavance (week-end, cong es, autres obligations)
L M M matin apresmidi
J V S
D L
J V S
D L
V S matin apresmidi
D L M M J
S D
L M
N. Brauner
409
M ethodologie
Charbon
Localisation
Les buts de lindustriels

Planier les exp eriences ` a eectuer sur un horizon de lordre de 1 mois an de Maximiser lutilisation du robot (investissement important) Finir au plus t ot pour obtenir les r esultats des tests De nouvelles exp eriences sont ` a planier chaque mois
N. Brauner
410
M ethodologie
Charbon
Localisation
Jeu de donn ees

Vous devez planier 17 exp eriences 6 avec un temps de cuisson de 14 jours 8 avec un temps de cuisson de 7 jours 3 avec un temps de cuisson de 3 jours Le planning des disponibilit es de lop erateur
L M M semaine 1 semaine 2 semaine 3 semaine 4 semaine 5 J V S D
N. Brauner
411

PDF

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

PDF

Uploaded by

Copyright:

Available Formats

Cours de recherche op erationnelle I

Nadia Brauner Nadia.Brauner@imag.fr

Recherche Op erationnelle : faisons connaissance

Laboratoire equipe Recherche Op erationnelle equipe Opti-Com

Pr esidente de la Soci et e Fran caise de RO-AD

Recherche Op erationnelle : faisons connaissance

La Recherche Op erationnelle Applications Outils La RO en France R ef erences

La Recherche Op erationnelle Applications Outils La RO en France R ef erences

Recherche Op erationnelle ou Science de la D ecision

La Recherche Op erationnelle Applications Outils La RO en France R ef erences

cij xij xij

Alvin E. Roth, Lloyd S. Shapley

Comment faire les couples ?

Analyse des mod` eles et r esolution

Impl ementation et analyse des r esultats

D eploiement des solutions

La Recherche Op erationnelle Applications Outils La RO en France R ef erences

exemples : emplois du temps. . . Combinatoire echiquier tronqu e http://mathsamodeler.ujf-grenoble.fr/LAVALISE/

Autre outils Files dattente Stochastique Simulation

dessin de Lionel Lagarde

La Recherche Op erationnelle Applications Outils La RO en France R ef erences

Recherche Op erationnelle : entreprises en France

Recherche Op erationnelle : entreprises en France

Recherche Op erationnelle : entreprises en France

Recherche Op erationnelle : entreprises en France

Recherche Op erationnelle : entreprises en France

Recherche Op erationnelle : entreprises en France

Recherche Op erationnelle : en France

Recherche Op erationnelle : pour en savoir plus

La Recherche Op erationnelle Applications Outils La RO en France R ef erences

avec les ressources disponibles

Programmation par contraintes

Programmation par contrainte

Programmation par contrainte

Programmation par contrainte

Pr ecis de Sudoku, N. Jussien

Programmation par contrainte

Raisonnement local : contraintes consid er ees ind ependamment

Transmission des d eductions aux autres r egions

= principes au cur de la programmation par contraintes

Programmation par contrainte

Un probl` eme : trouver une solution du probl` eme

Un probl` eme : trouver la meilleure solution du probl` eme

Programmation par contrainte

Programmation par contrainte

La PPC, quest-ce que cest ?

Programmation par contrainte

La PPC, quest-ce que cest ?

Programmation par contrainte

Programmation par contrainte

Programmation par contrainte

Conception dhoraires acad emiques

Programmation par contrainte

Construction dhoraires de personnel

Programmation par contrainte

Programmation par contrainte

Programmation par contrainte

La programmation par contraintes

Avec des ensembles de valeurs possibles pour les variables de d ecision

Programmation par contrainte

Programmation par contrainte

Programmation par contrainte

Programmation par contrainte