Automatique

OPTIMISATION et
SIMULATION des PROCESSUS

Prof. Belkacem OULD BOUAMAMA
Responsable de lquipe MOCIS
Mthodes et Outils pour la conception Intgre des Systmes
http://www.mocis-lagis.fr/membres/belkacem-ould-bouamama/
Laboratoire d'Automatique, Gnie Informatique et Signal
(LAGIS - UMR CNRS 8219
et Directeur de la recherche cole Polytechnique de Lille (Poltech lille)
---------------------------------------------------------ml : Belkacem.ouldbouamama@polytech-lille.fr,
Tel: (33) (0) 3 28 76 73
87 , mobile : (33) (0) 6 67 12 30 20
Ce cours est dispens aux lves de niveau Master 2 HSQE (Hygine Scurit
et Qualit de lEnvironnement
Toutes vos remarques pour lamlioration de ce cours sont les bienvenues.
PRESENTATION
Du
COURS
Chap1 : METHODES STATISTIQUES

DIDENTIFICATION
Chap.1/3
Copyright : Prof. B. Ould Bouamama ,

PolytechLille
Chapitre 1: INTRODUCTION
Dfinitions & but de la simulation et de l'optimisation de processus
Importance et rle de l'optimisation dans la protection de
l'environnement
Etapes de rsolution d'un problme d'optimisation d'un processus

DIDENTIFICATION
Chap.1/4
Chap
2

PolytechLille
TRAITEMENT DE DONNEES EXPERIMENTALES D'UN

PROCESSUS
Mthodes statistiques de modlisation : Dfinitions & but
Modles de rgression
Principe des mthodes des moindres carrs (MMC)
Rgression linaire multiple
Adquation des modles et signification des coefficients
Vrification des hypothses de rgression
Mthodes de corrlation
Exemple d'application
Estimation rcursive
MMC avec facteur de pondration
Mthode des MC avec fentre glissante
Exemple d'application

DIDENTIFICATION
Chap.1/5

PolytechLille
Chap3: OPTIMISATION DES PROCESSUS

TECHNOLOGIQUES
Problmatique de l'optimisation des processus technologiques
Mthodes analytiques d'optimisation
Programmation linaire
APPLICTION :
TD de 4h : utilisation du logiciel Matlab pour la simulation d'un
problme d'optimisation d'un processus chimique en vue de
minimiser le taux de pollution
CHAP1
INTRODUCTION

DIDENTIFICATION
Chap.1/7
Chap1 :
Introduction

PolytechLille
Dfinitions & but de la simulation et de l'optimisation de

processus
Importance et rle de l'optimisation dans la protection de
l'environnement
Etapes de rsolution d'un problme d'optimisation d'un
processus

DIDENTIFICATION
Chap.1/8

PolytechLille
Importance & objectifs des modles

statistiques
Caractre stochastique de la majorit des phnomnes;

" L'intelligence des statistiques sera un jour une comptence
aussi
indispensable l'exercice de la citoyennet que la lecture ou
l'criture". (H.G.Wells).
Objectifs
Fournir des lois, de nature "statistique", l o il n'est pas
possible d'en fournir qui soient de nature certaine ou
dterministe.
Applications
Sondage, prvision, contrle des processus indust. Lois empiriques

DIDENTIFICATION
Chap.1/9
Modlisati
on ?

PolytechLille
Dfinitions
Modlisation ? : Ensemble des procdures permettant dobtenir un modle
Modliser un systme = capable de prdire le comportement du systme
Subjectivisme de la modlisation : modle = intersection du systme et du
modlisateur
Modle jamais "exact"?
Importance
Outil d'aide la dcision., Support de la simulation,
Reprsente 50 % dun projet de commande
Perspectives grce l'informatisation
Un modle pourquoi faire ?

Concevoir, Comprendre, Prvoir, Commander (dcider).

DIDENTIFICATION
Chap.1/10

PolytechLille
Un modle comment
faire ?
1. MODELE DE CONNAISSANCE
Obtenu sur la base des lois physiques, conomiques etc..

Difficults de dcrire fidlement les phnomnes complexes;
Hypothses simplificatrices;
Dilemme- prcision-simplicit
Un modle simple est faux, un modle compliqu est inutilisable.
Les paramtres ont un sens physique donc modle commode pour l'analyse.
2. MODELE DE REPRESENTATION
Systme "boite noire";

Exprience active (systme drang) ou passive (alatoire);
Etape qualitative (connaissances a priori) et quantitative;
Paramtres du modle n'ont aucun sens physique;
Modle de conduite (modle E/S) utile pour la commande;
Complment du modle de reprsentation.

DIDENTIFICATION
Chap.1/11

PolytechLille
Classification des
modles
selon le caractre des rgimes de fonctionnement

statique et dynamique
selon la description mathmatique

linaire, non linaire
selon les proprits dynamiques

paramtres localiss, paramtres distribus
selon lvolution des paramtres :

stochastique , dterministe
selon le nombre de variables :

monovariable (SISO) , multivariable (MIMO)
tapes de modlisation
Chap.1/12
Chapitre 2
METHODES
STATISTIQUES
Chap2/13
Chap2 : Mthodes des moindres carres
Chap.2/14
Mthodes des
MMC

PolytechLille
Principe de la MMC LST

La MMC est introduite par Karl Gauss en 1809 en cherchant
prvoir le Mvt. des plantes partir des observations par
tlescopique
Ys(i)
SYSTEME
Entres
x(i)
MODELE
n
(i)
Ym(i)
2
D (Ys (i ) Ym (i )) min
i 1
Critre
didentification
D((i))
Chap.2/15

PolytechLille
EXEMPLE : REGRESSION LINEAIRE

x1
XK
PROCEDE
TECHNOLOGIQUE
y1
Exprimentation
N : Nbre. d'observations (d'chantillons de mesures); J = 1,2..K : Paramtre
du modle; i = 1,2...N : Numro d'expriences;
Modle statique : Ym = F(X1,X2,.....Xk) Modle
k
Structure Ym
dumodle
a0 a1 X 1 a2 X 2 ....ak X k a0 ai X i
i 1
Chap.2/16

PolytechLille
Matrice
dexprience H
No Exp.
OUTPUT
X11
X21
X31
............
Xj1
X12
X22
X32
.............
Xj2
X13
X23
X33
.............
Xj3
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
X1i
X2i
X3i
............
Xji
............
XKj
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
X1N
X2N
X3N
XjN
............
XKN
............
XK1
Y1
XK2
Y2
Y3
.
.
.
Yj
.
.
.
YN
Chap.2/17
Problmatique
gnrale

PolytechLille
Soit donn :
K
Ym a j X j
X0
X
1
Ym . . a0 a1 ... ak T H T .
.
X
K
j 0
a0 a1 ... ak T ,
H X 0 X 1 ... X k
Que veut on ? : Trouver :
a0 a1 ... a K
Tel que :
N
2
y (i ) Ym (i ) y (i ) ( a j X j (i )Ym (i ) J ( ) min
i 1
i 1
j 0
2
Chap.2/18
1. cas
monovariable
K=1, Ym=a0+a1x
Y m
EN
E2
yex
Y m =ao+a1X

PolytechLille
Champ de corrlation
ym
Yex(i)
E(i)
Ei
ym(i)
E1
X(i)
Combien dexpriences raliser ?

1. N=2 : Par deux points ne passent quune droite : E1=Y-Ym1=Y-Ym2=E2=0.?
Le modle reflte parfaitement le systme ?
Cas idal irralisable en pratique : Prsence d'erreurs de mesure
(Systmatique, instrumentale, humaine etc.)
Chap.2/19
1. cas
monovariable

PolytechLille
2. N > 2 : trouver la meilleure droite au sens des MMC

Dterminer les paramtres a0 et a1 tel que :
N
J ( a0 ,a1 ) y (i )( a0 a1 X (i )) 2 min
i 1
revient
J ( a0
,a1Ceci
) Minimum
j ( a 0 ,a 1 )
0
a 0
j ( a ,a )
0 1 0
a1
rsoudre le systme dquations:

N
i 1
i 1
yi . X i _ X i . X i . y i .
a0 i 1
i 1
N
2
N
N . X i X i
i 1
i 1
2
, a1
i 1
N
i 1
N
i 1
2
N . X i . yi . X i . . yi .
N . X i 2 X i
i 1
i 1
Chap.2/20
1. cas
multivariable

PolytechLille
K>1, Structure du modle

K
Ym a j X j a1 X 1 a2 X 2 ...a K X K H T . ,
j 0
a0 a1 ... a K T ,
H X 0 X 1 ... X K T
Calcul des paramtres

Processus alatoire : la sortie est affecte d'un bruit V(t) :
Ralisation de N expriences
y1 a1 X 11 a 2 X 21 ...ak X k1 V1
y a X a X ...a X V
2
1 12
2 22
k k2
2
Y .
H . V (t )
.
y N a1 X 1N a 2 X 2 N ...ak X kN V N
Ym H T . v (t )
X 11
X
12
X
1N
X 21
...
X k1
X 22
...
X K2
X 2N
...
X kN
dim( H ) ( N k ), dim ( k N ),
dim (V ) ( N 1), dim(Y) ( N 1),
Chap.2/21

PolytechLille
1. Systme non bruit V=0

Cas dterministe, si H est inversible, alors :
Y H . 0
H 1.Y
Cas non raliste
2. Systme bruit V#0

Y H . V
Y H . V H 1Y H 1V
Chap.2/22
Estimation des
paramtres

PolytechLille
2 types derreurs :
Erreurs d'observation :
Erreurs destimation :
E Y Ym
Estimateur optimal
Critre doptimalit
J ( )
T
y (i ) ym (i ) E (i ) 2 E1 2 .... E N 2 E T .E Y H . .Y H .
i 1
i 1
Conditions d'optimalit
J ( )
2 H T . Y H . 0
1 T
T
opt . H .H .H .Y
Conditions d'observabilit : HT non singulire et N > K
Chap.2/23
Biais de
l'estimateur

PolytechLille
Biais de lestimateur b
b E ( opt R ) E ( opt ) R
b=0 : Estimateur non biais ( pas d'erreur d'estimation); Densit de

probabilit centre sur la valeur cherche
Lim opt N
N
b # 0 : Estimateur non biais ( pas d'erreur d'estimation); Densit de

probabilit centre sur la valeur cherche
V et H squences corrles ( hypothses de rgression);
V est de moyenne non nulle
Chap.2/24
Simulation sur
Matlab

PolytechLille
1. Cas monovariable
home
disp('EXEMPLE DE CALCUL D UN MODELE DE REGRESSION')
% VALEURS EXPERIMENTALES
pause,home
x=[1 2 3];
y_exp=[2 4 6];
pause;home
disp('CHOISIR L ORDRE n DU MODELE')
pause,home
input n=
n=ans;
poly_model=polyfit(x,y_exp,n)%c'est pour trouver l'ordre du polyn^ome
disp('VERIFICATION DU MODELE : ERREUR DE MODELISATION')
pause,home
Y_model=polyval(poly_model,x);%calcul les valeurs du modle
E=abs([y_exp' Y_model' (y_exp'-Y_model')]);
ERREUR_MAX=max(E(:,3))
pause
home
disp('GRAPHE')
pause,home
plot(x,y_exp,'*',x,Y_model,'--');grid;title('VERIFICATION DU MODELE');legend('--:model, *:exp')

pause;home;close
disp('SI L ERREUR N EST PAS BONNE CHANGER L ORDRE n')
Chap.2/25

PolytechLille
Simulation sur Matlab
2. Cas
multivariable
disp('INTRODUCTION DES DONNES EXPERIMENTALES:')

pause, home
disp('
1. MATRICE D EXPERIENCES H:')
disp(' NOUS AVONS 7 EXPERIENCES ET DEUX VARIABLES X1 et X2')
H= [1 3;4 2;1 5;2 1;3 4;4 5;6 8]
pause,home
disp('2. VARIABLE DE SORTIE Y:')
y=[5 13 9 4 11 12 23]'
pause,home
disp('SOLUTION : PARAMETRES ESTIMES:')
teta=inv(H'*H)*H'*y;
a1=teta(1)
a2=teta(2)
pause,home
disp(' LE MODELE EST DONC; Ym=a1*X1+a2*X2')
pause,home
disp('VERIFICATION DU MODELE')
pause,home
disp('VALEURS DU MODELE')
ym=polyval([a1 0],H(:,1))+polyval([a2 0],H(:,2)) %ym=a1*X1+a2*X2
pause,home
disp('CALCUL DE L ERREUR DE MODELISATION')
pause
R=[ym,y,abs((ym-y)./y)*100]
disp('ERREUR MAXIMALE')
Emax=max(R(:,3))
pause,home
disp('GRAPHE 3D')
plot3(y,H(:,1),H(:,2),ym,H(:,1),H(:,2));grid;Xlabel('X1,X2'); Ylabel ('Modle, Exprimentale');
METHODES RECURSSIVES
Chap2/26
Chap.2/27

PolytechLille
Limites de la MMC simple

Principe de la RLST
opt.( N 1)
Estimateur optimal tenant compte des N 1 observations.
opt( N )
Estimateur optimal tenant compte des N prcdentes observations.
YN 1
la (N 1)me observation.
Alors l'estimateur, tenant compte des (N+1) observations sera :
opt. N 1 opt. N K N 1. YN 1 H N 1T .opt. N
Chap.2/28

PolytechLille
Lestimateur de la nouvelle mesure

H N 1T . N Ym N 1
Le gain dadaptation ou facteur de pondration de la

mise jour apporte par la nouvelle mesure
K N 1 H N .H N
.H N 1. 1 H N 1 T . H N T .H N
.H N 1
Chap.2/29

PolytechLille
A L G O R IT H M E R L S T
PN H N . H N
G A IN
T
K o = 1 + H (N + 1 ) . P (N ). H (N + 1 )
-1
K (N + 1 )= K o .P (N ). H (N + 1 )
E S T IM A T IO N
o p t .( N + 1 ) = o p t . ( N ) + K ( N + 1 ) .E ( N + 1 )
, et
P N 1 1K N 1. H N 1T . . PN
N -e lle m e s u r e
l'in s ta n t N + 1
Y (N + 1 ), H (N + 1 )
E C A R T D E P R E D IC T IO N
T
E (N + 1 )= Y (N + 1 )- H (N + 1 )
N =N +1
M IS E A J O U R D E P (N )
T
P ( N + 1 )= (1 -K (N + 1 ) . H (N + 1 ) ) .P (N )
Chap.2/30
INITIALISATION DE
L'ALGORITHME

PolytechLille
P(0) = diag(1000); 0)=0.

PROBLEME DE DECROISSANCE DU GAIN
PN
PN 1
PN
2
1 H N 1 . PN
Inconvnient de la RLST
Chap.2/31
MMC AVEC FENETRE

GLISSANTE

PolytechLille
PRINCIPE :
Tronquer les observations travers une FENETRE de largeur N
constante que l'on "glisse" au fur et mesure que les chantillons
arrivent
N c h a n tillo n s
K +1
N +1 m e
c h e n tillo n
K -N
K -N + 1
Chap.2/32

PolytechLille
Estimateur optimal
K 1 K PK 1.
H K 1T . YK 1 H K 1. K H K N T . YK N H K N . K
La formule met en vidence la contribution dans la nouvelle

estime de l'enrichissement d l'observation l'instant K+1
d'une part et de la contribution de la K-N ime observation qui
doit tre retranche d'autre part de l'estimation prcdente.
Limite de la mthode
Chap.2/33
MMC AVEC FACTEUR DE

PONDERATION
Princiope

PolytechLille
CRITERE CLASSIQUE PONDERATION HOMOGENES DES Ei

J ( ) E12 E2 2 .................. E N 2 E T . E
Pondration
J ( ) E 2 des
E 2 erreurs
..................
1
0
W
.
.
0
0
.
.
0
0
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
EN
E T .W . E
0
0
0
Matrice de pondration dfinie 0
.
Chap.2/34

PolytechLille
Choix de la pondration
On recommande progression gomtrique
i (1 0,1...N )
< 1 : Favorise les premires mesures (Facteur d'oubli);

> 1 : Favorise les dernires mesures par rapport aux premires
Critre doptimalit
J ( ) Y H T .W Y H
J ( )
2 H T WH Y T WH H T W Y 0
opt H WH .H T W Y
Chap.2/35

PolytechLille
RLST AVEC FACTEUR DE PONDERATION
T
N 1 N K N 1. Y N 1 H N 1 . N
K N 1 PN .H N 1. 1 H N 1 . PN . H N 1
PN H N .W . H N
T 1
Chap.2/36
MODELES
LINEARISABLES

PolytechLille
Modle exponentiel
Utilis lorsque le taux les donnes sont telles que le taux de
croissance ou de dcroissance d'une variable Z est constante
en f-n de X.
Z A.B X
LogZ LogA X .LogB
Y a0 a1. X
Exemple
Les donnes suivantes reprsentent la croissance du biologiste, mois
par mois, d'une grandeur caractristique d'un certain type de plante
Chap.2/37

PolytechLille
Donnes
Mois
Taille
0.8
1.1
1.7
2.6
3.8
5.7
8.5
Connaissances priori on postule un modle exponentiel

entre l'age et taille
Z A. B X ,
log Z log( A. B X ) log A log( B ) * X a0 a1 X
Par la MMC on trouve :

a1= 0.1735 a0=
-0.2860
A 10 a0 , B 10 a1
Z A * B X 10 0.1735 . 10 0.286
Chap.2/38
Modle puissance
Z A X B
LogZ LogA B LogX Y a0 B x
tel que
a0 LogA x LogX
Modle polynomial
1. modle parabolique
Y a2 X 2 a1 X a0

PolytechLille
Chap.2/39

PolytechLille
2. Modle polynomial
gnral
Calcul des paramtres du modle

J ( a , a ,a ) Y a X a X a Min.
2
a 2 . X i 2 a1 X i a0 Yi
i
3
i
2
a 2 . X i a1 X i a0 . X i Yi . X i .
2
a 2 . X i a1 X i a0 X i Yi . X i
4
Y a0 a1 X a2 X 2 ak X K
Chap.2/40
a K X i K a K 1 X i K 1.... a j 1 X i
j 1

PolytechLille
... a0 Yi
a K X i K 1 a K 1 X i K ...... a j 1 X i j ..... a0 X i Yi X i
a K X i K 2 a K 1 X i K 1... a j 1 X i
j 1
... a0 X i 2 Yi X i 2
........
a K X i 2 K a K 1 X i 2 K 1.... . a0 X i K Yi X i K
Chap.2/41
ADEQUATION DU
MODELE

PolytechLille
Dfinition
Procd de vrification sur la base des chantillons, la validit
d'une hypothse et dcider soit de rejeter, soit d'accepter
hypothse envisag
Chap.2/42

PolytechLille
CARACTERISTIQUES STATISTIQUES DU MODELE
Somme des carrs totale (dispersion des donnes exp

Ye(i) autour de la valeur moyenne )
N
_ 2
St Yi Y
i 1
Dispersion des donnes exprimentales autour de la

ligne de rgression (Somme des carrs rsiduels)
N
St Yi Yi
i 1
Chap.2/43

PolytechLille
Dispersion des valeurs du modle autour de la valeur

moyenne exprimentale
N
_ 2
S M Yi Y
i 1
Degr de libert : = N-K

Caractrise l'excs du nbre d'expriences
Exemple
Y aa a1 X
N 6 6 2 4,
N 2 0
N 1 1 pas de solution
Chap.2/44

PolytechLille
VERIFICATION DE L'ADEQUATION DU
MODELE
C O N N A IS S A N C E S
A P R IO R I
Y = F (X ,
P L A N IF IC A T IO N E X P E R IE N C E S
N , P la n
F IC H IE R D O N N E E S
N , Y i
H O M O G E N E IT E
N O N
L o i d e d is tr ib u tio n ?
N o n s ta tio n n a ir e ?
E c h a n tillo n d iff r e n t?
O U I
E S T IM A T IO N D E S P A R A M E T R E S
A D E Q U A T IO N
IM P O R T A N C E
C O E F F IC IE N T S
S im u la t io n ,O p t im is a t io n ..
N O N
N O N
Chap.2/45
1. VRIFICATION DE
LHOMOGNIT

PolytechLille
Principe : critre de Cochrane (Test de 2 )

La moyenne d'un chantillon est susceptible de varier de
faon substantielle d'un chantillon un autre :
Ce test permet d'expliquer la signification donner cette diffrence :
La vrification en deux tapes :
1.Variance de sondage ou de reproductibilit (Test de 2 ) :

Pour chaque exprience on calcule :
M
sp
Yij Yi
j 1
M 1
; Yi
Y ji
j 1
2. Somme des dispersions

N
2
sp
i 1
M : Nbre d'essais parallles, N :

Nbre d'expriences
M-1 : degr de libert =
Chap.2/46

PolytechLille
3. Critre calcul de Khi2

2 Max
c N
spi
spi
i 1
4. On vrifie lhomognit
Variances homognes
avec une probabilit P ssi :
Loi de Khi2 (exemple)
Probabilit
M-1=
0.001
0.999
0.002
13.8
26
9.22
54.1
si c2 T2 P, ( M 1)
Chap.2/47
2. VERIFICATION DE
LADEQUATION

PolytechLille
But :
vrifier que le modle obtenu est adquat (dcrit avec prcision le
procd)
Quel critre ?
Critre de Fischer F
Comme le rapport de la variance rsiduelle celle des essais parallles
Sens ? : comparer erreurs dues au modle et celles dues au systme
N
Y Yi
r
s
i 1
M
2 = M-1
_ 2
Y jM Y
j 1
1 = N-K
M : Nbre d'essais parallles,

N : Nbre d'expriences
K : nbre de paramtres du
modle
Chap.2/48

PolytechLille
Adquation en absence d'essais

parallles
Conditions dadquations par le critre F
F FT ( , , P )
Modle adquat ssi
Critre F (exemple) : F( 1, 2) pour P=0.95

1
14
5.99
3.96
5.32
3.24
100
3.94
1.79
Influence de N (nbre dexp.) et dessais // sur ladquation du

modle :
Pour 2 fix , 1 = N-K . Si N alors FT (cf. Tableau) donc plus de chance
que (F>F )
Chap.2/49

PolytechLille
Que faire en absence dessais parallles ?

F
_ 2
i 1
Yi Y
Modle adquat ssi
i 1
Y Yi
K
F FT ( , , P ) ou F 1
Chap.2/50
Exemple
d'application

PolytechLille
Equation Darhenius
Dterminer la relation liant la constante de vitesse K (mole/s) et la temprature
de la raction T (K)
T (K)
Raction
chimique
K (mole/s)
E : Energie dactivation,
Structure du modle : formule

empirique
RT
K K 0e
F (T ) R : cste des gaz
T (K) = t (c) +273
Question : dterminez les valeurs numriques des paramtres E/R et K0 ?
Chap.2/51
Donnes exprimentales
Exp.
x=1/(t+273)
y=lnK
3.23
400
2.2*10-6
1.1725
2
3
4
7.80
15.43
24.11
452
493
520
37.95
561
60.09
604
Solution
1. Linarisation du modle
K K0e
1.9*10
-6
E
RT
2.054
1.7*10-6

PolytechLille
F (T ) ln( K ) ln K 0 e RT
y a0 a1 x
2.74
1.56*10
-6
1.44*10-6
1.30*10-6
3.19
y ln( K )
1
x
T
a0 ln K 0
3.64
a1
y a0 a1 x
4.09
E
R
Trouver a0 et a1 /
6
yi ( a0 a1 xi ) 2 min
i 1
ln K E . 1
0
R T
Chap.2/52
Simulation sur
Matlab
t= [400 452 493 528 561 604]
K=[3.23 7.80 15.43 24.21 37.95 60.09];

PolytechLille
a0 = 13.8329
y=log(K)
x=1./(t+273)
a1 = -8.5218e+003
input n=
n=ans;
ym=polyfit(x,y,n);
-E/R=a1
-8.5218e+003
K 1.01176 * 106 e
K0 = 1.0176e+006
=
a0=ym(2)
a1=ym(1)
70
K0=exp(a0)
disp('-E/R=')
a1
ymc=K0*exp(a1./(t+273));
E=(abs(ymc'-K')./K')*100;
Emax=max(E)
disp('GRAPHE')
plot(t+273,ymc,t+273,K,'--')
MODELE, EXPERIENCE
60
50
40
30
20
10
0
650
700
750
800
TEMPERATURE (K)
850
900
8518
T
Chap.2/53

PolytechLille
CORRELATION
MULTIPLE
Corrlation entre deux variables

Relation stochastique
Relation fonctionnelle
Aucune relation
N
R XY
XY
X . Y
N 1
X i X Yi Y
i 1
2 N
N . X i X .. Yi Y
i 1
i1
RXY 0 Aucune relation fonctionnelle

RXY 1 Relation fonctionnelle
RXY 0 92 Valeur recommande
Chap.2/54

PolytechLille
Coefficient de corrlation
multiple
Soit le systme suivant

_
Yi0
Y a0 a1 X 1....a K X K
X ji X j
Yi Y
; X 0ji
; i 1... N , j 1...k
Y
Xj
2
X ji X j
Yi0 et X 0ji valeurs normes
2
Yi Y
i 1
Leur valeur moyenne est nulle,

Ecart quadratique moyen 1 :
N 1
i 1
, Xj
N 1
Dans cette nouvelle chelle on a :

_
X 0j 0; Y0 0
Xj0 Y 0 1
X 0j X 0j
N
Dmonstration
X0
i 1
i 1
ji
N 1
Xj X
i 1
Xj
N 1
N 1 X j
N 1 X j
1
N 1 X j
Chap.2/55

PolytechLille
Coefficient de corrlation des valeurs normes

Entre une variables Xj et la sortie Y
X J0Y 0
_
0
X Ji
X J0
_
0
Y 0 Y
i
N 1. X 0 . Y 0
0
0
Y
.
X
i
ij

Entre deux variables Xl et0 Xj 0

X i . X mi
0
X 0 X m
N 1
N 1
Chap.2/56

PolytechLille
quation de rgression normale
i 1
Y bi X i0 ; b1 . . bK ?, J ( )
J
b 0
1
J 0
bk
2
Yi0 Yi0 Min.
RX 1Y b1
b2 RX 1 X 2 bK RX 1 Xp
RX 2Y b1 RX 2 X 1
RXKY b1 RXKX1 b2 RXKX 2 bK
Coefficient de corrlation multiple

R
NNK1
bi .RXiY ; Rcorrig 1 1R 2 .
i 1
b2 bK RX 2 Xp
Chapitre 3
OPTIMISATION
57
Chap3 : OPTIMISATION
Chap.3/58

PolytechLille
INTRODUCTION
OPTIMISATION : Obtention d'un meilleur rsultat sous
quelques conditions.
Critre d'optimalit : Fonction conomique ou de but.
Reprsentation quantitative du but d'optimisation.
Importance du modle mathmatique.
Formes de la f-n de but (Algbrique, diff-elles..)
CONTRAINTES (Restrictions) : Limitations des ressources

disponibles.
EXEMPLES : Maximum de profit avec ressources limites etc..
Chap.3/59
CONDITIONS
D'OPTIMISATION

PolytechLille
Optimisation d'une seule grandeur :

Impossible de maximiser le profit avec minimum de ressources .
Degr de libert suffisant du systme a optimiser
Ressources suffisantes pour satisfaire le but d'optimisation.
EVALUATION QUANTITATIVE DE LA QUALITE

D'OPTIMISATION
Formulation mathmatique du critre;
Comparer les effets des diffrentes actions de commande.
Chap.3/60
METHODES
D'OPTIMISATION

PolytechLille
METHODES ANALYTIQUES
Utilisent les mthodes classiques de l'analyse mathmatique
(Extremum d'une f-n)
Utilises dans le cas d'un critre d'optimalit d'expression

simple;
Emploi limit : Difficults avec apparition de contraintes et

plusieurs variables.
METHODES DU CALCUL VARIATIONNEL

Critre est sous forme de fonctionnelle ou dont la solution est
une fonction inconnue;
Utilises pour l'optimisation statique des systmes paramtres

distribus ou dans la programmation dynamique;
Permettent de rsoudre le problme optimale en intgrant le

systme d'quations diffrentielles;
Chap.3/61
METHODES
D'OPTIMISATION

PolytechLille
PROGRAMMATION DYNAMIQUE
Rsolution des problmes d'optimisation de processus
discontinus;
Critre d'optimalit est le rsultat de la somme de plusieurs

critres de chaque stade;
La mthode se prsente sous forme d'un algorithme pour la

dtermination d'une stratgie de commande optimale de tous les
stades du processus en tenant compte de toutes les contraintes;
PRINCIPE DU MAXIMUM
Utiliss pour les problmes dcrits par des systmes
d'quations diffrentielles;
La solution optimale est la rsolution des quations

diffrentielles dcrivant le processus et celui des contraintes pour
des conditions aux limites reprsentant le domaine de l'intervalle
d'intgration.
Chap.3/62
METHODES
D'OPTIMISATION

PolytechLille
PROGRAMMATION NON LINEAIRE

Pour la rsolution de problmes ayant une fonction but non
linaire;
Contraintes peuvent aussi tre non linaires sous forme galit

ou ingalit;
Utilises en pratique lorsque le problme ne peut tre rsolu

par d'autres mthodes;
Plusieurs algorithmes numriques existent pour la rsolution de

ce type de problme;
Mthode indirecte : L'action de la recherche de l'optimum

(direction et module) dpend des informations prcdentes
recueillies sur le calcul du critre
Chap.3/63

PolytechLille
PROGRAMMATION LINEAIRE
(PL)
DFINITION
Mthode de recherche de l'extremum du critre d'optimalit dans
les problmes dont les quations sont linaires.
FORMULATION MATHEMATIQUE
Fonction conomique : Elle associe linairement les quantits de
facteurs utiliss et les profits unitaires correspondants
F C1 X 1 C2 X 2 ... Cn X n
Avec : X i : Quantits du i ime facteur; Ci : Marge (Cot) du i ime facteur.
Contraintes : La manire dont les facteurs peuvent tre combins

pour utiliser les ressources et gnrer un rsultat au travers de F
ou
a X a X ... a X B
1 1 2 2
n n
a X a X ... a X B
1 1 2 2
n n
en plus :
X 1, X 2 ,... X n 0
ai : Nombre d'heures de travail ncessaires

pour fabriquer une unit du produit i;
B : Total des heures disponibles pour la
fabrication des n produits.
Chap.3/64

PolytechLille
Problmatique de
la PL
But :
Optimiser les rsultats conomiques tout en tenant compte
strictement des contraintes
Dterminer
X X1
X 2 ... X n
tel que:
F Ci X i Max.( Min.)
et
ai X i () B.
Chap.3/65

PolytechLille
Niveaux d'apprhension de
la PL
FONCTION
CONOMIQUE
FORME DES
CONTRAINTES
Peut-on
amliorer
la
solution du problme en
modifiant la structure des
contraintes Modification
de technologie ou de
produits fabriqus?.
La f-n conomique peut-elle

tre modifie pour une
meilleure
utilisation
des
ressources : modifier les prix,
les marges
NIVEAU DES
RESSOURCES
Le desserrement des contraintes

par
un
accroissement
des
ressources permet-il d'amliorer la
f-n conomique d'un montant
suprieur
aux
ressources
engags ?
Chap.3/66
RESOLUTION DUN
PROBLEME PL

PolytechLille
1. METHODE GRAPHIQUE
Lorsque le nombre de variables est limit (< 2), il est possible de
rsoudre un problme d'optimisation linaire graphiquement
EXEMPLE
Une socit fabrique 2 produits P1 et P2. Il faut leur faire subir des
oprations dans 3 ateliers diffrents o ils doivent tre progressivement
monts.
Soit A1, A2 et A3 les 3 ateliers : Estampage, reprise et Assemblage.
Les profits unitaires raliss sur les produits P1 et P2 sont
respectivement 15 F et 12,5 F.
Chap.3/67

PolytechLille
Mthode graphique de
la PL
Capacits d'usinage (en nbre de pices)

Estampage
Reprise
Assemblage P1
Assemblage P2
Produit P1
25 000
33 333
22 500
Produit P2
35 000
16 667
15 000
Les pourcentages (% du temps d'occupation disponible) des

capacits totales utilises pour chaque fabrication unitaire sont :
(Calculs : pour estampage : 100/25000 = 0.004 % de la capacit totale pour chaque
unit)
Estampage
Reprise
Assemblage P1
Assemblage P2
Produit P1
0,004
0,003
0,0044
Produit P2
0,00286
0,006
0,00667
Capacit unitaire tot.

utilis [%]
100
100
100
100
Chap.3/68

PolytechLille
Mthode graphique de
la PL
Question :
Quantit de produits P1 et P2 produire de telle sorte que :
Le profit soit maximal;
Tout en respecter les limitations de capacit de production
1. Formulation mathmatique
Soit X1 et X2 les quantits des produits P1 et P2 produire
Fonction de profit : F 15 X1 12,5 X 2 Max.
Contraintes (Limitation des capacits de production) :
0,004 X 1 0,00286 X 2 100 : Estampage
0,003 X 1 0,0060 X 2 100 : reprise
0,0044 X 1 0 X 2 100 : Asemblage P1

0 X 0,00667 X 100 : Asemblage P2
1
2
X1, X 2 , X 3 0
Chap.3/69

PolytechLille
2. RESOLUTION GEOMETRIQUE
On trace sur le plan OX1 et OX2 les droites :
(1)....0,004 X 1 0,00286 X 2 100

(2)....0,003 X 1 0,0060 X 2 100
(3)...0,0044 X 1 0 X 2 100
(4).... 0 X 1 0,00667 X 2 100
X2
35
E s ta m p a g e (S a tu r a tio n )
(1 )
30
Les valeurs des var. X1 et X2

au dessous des droites (1), (2)
et (4), et gauche de (3);
O P T IM A L
A s s e m b la g e P 1 (N o n s a tu r a tio n )
25
(3 )
X1 et X2 ne peuvent tre < 0

car ce serait un non-sens du
point de vue conomique ;
20
R
15
(4 )
10
A s s e m b la g e P 2
(N o n s a tu r a tio n )
(2 )
R e p r is e
(S a tu r a tio n )
N
0
10
15
20
X1
25
30
x1000
Toute solution doit se

trouver dans la zone
ombre
Chap.3/70

PolytechLille
Mthodologie :
On dplace paralllement elle mme la droite F jusqu'au point extrme
P, o la droite F cesse d'avoir un point commun avec le domaine du
polydre OMNPQR, form par le plan associ aux contraintes en ce point
X2
x1000
E s t a m p a g e (S a tu r a tio n )
(1 )
35
Point optimal P
X1opt=20363
X2opt=6485
Fmax=159271 FF
30
O P T IM A L
A s s e m b la g e P 1 (N o n s a tu r a tio n )
25
(3 )
F 15 X1 12,5 X 2
20
R
15
(4 )
10
X2opt
pP
A s s e m b la g e P 2
(N o n s a tu r a tio n )
(2 )
R e p r is e
(S a tu r a tio n )
N
0
10
15
20
X1opt
X1
25
30
x1000
Chap.3/71

PolytechLille
ANALYSE DES RESULTATS

En ce point P les capacits limites ne sont pas toutes atteintes :
0,004 20363 0,00286 6485 100 Saturation
0,003 20363 0,0060 6485 100 Saturation
0,0044 20363 89,60 Non saturation
0,00667 6485 43,25 Non saturation
En produisant 20363 produits de P1 et 6485 de P2, le profit sera

optimal, les capacits d'estampage et de reprise seront satures
tandis que celles d'assemblage ne le seront pas.
Propositions :
Diminuer la capacit d'assemblage de P2 (si c'est possible) ce qui
diminuera le prix de revient donc augmenter le profit.
Augmenter le profit en variant le profit unitaire correspondant
Chap.3/72

PolytechLille
LIMITES DE LA SOLUTION GRAPHIQUE
Si nombre de variables > 3 problme de reprsentation

Si par ex. n=15 et m (nombre de contraintes) =10, la mthode
graphique conduit plus de 3 millions de points d'intersection.
Chap.3/73
home
disp('PROBLEME:')
disp('UNE SOCIETE FABRIQUE 2 PRODUITS P1 et P2.')
disp('IL FAUT LEUR FAIRE SUBIR DES OPERATIONS DANS 3 ATELIERS DIFFERENTS')
disp('OU IL DOIVENT ETRE PROGESSIVEMENT MONTES.')
pause,home
disp('SOIT A1, A2 A3 : LES 3 ATELIERS ESTAMPAGE, REPRISE ET ASSEMBLAGE')
disp('LES PROFITS UNITAIRES REALISES SUR P1, P2 SONT: 15F ET 12,5F.')
pause,home
disp('LES CAPACITES D USINAGE SONT LIMITES COMME SUIT:')
disp('
ESTAMPAGE REPRISE ASSEMBLAGE P1 ASSEMBAGE P2')
disp('PRODUIT P1: 25000
33333
22500
-')
disp('PRODUIT P2: 35000
16667
15000')
pause,home
disp('LES CAPACITES TOTALES UTILISEES POUR CHAQUE FABRICATION UNITAIRE SONT:')
disp('
ESTAMPAGE REPRISE ASSEMBLAGE P1 ASSEMBAGE P2')
disp('PRODUIT P1: 0,004
0,003
0,0044
0')
disp('PRODUIT P2: 0,00286 0,006
0
0,00667')
disp('CAPAC. TOTAL 100
100
100
100')
pause,home
disp('QUESTION : QUANTITE DE PRODUITS P1 ET P2 DE TELLE SORTE QUE:')
disp(' 1. LE PROFIT SOIT MAXIMAL;')
disp(' 2. RESPECTER LES LIMITATIONS DE CAPACITES DE PRODUCTION')
pause;home
disp(' SOLUTION : SOIT X1 et X2 QUANTITES DE P1 et P2 A PRODUIRE:')
disp(' FONCTION DE BUT : f= 15*X1+12,5*X2 -----> MAX.')
pause
plot(x1,est,x1,REPR,x1,f)

PolytechLille
Chap.3/74
f=-[15 12.5] % on met le signe (-) car on maximise et non minimise

home,pause
RLAB='EST. REPRISE ASS.P1 ASS.P2';
CLAB='X1 X2';
name='
MATRICE DES CONTRAINTES A:';
A=[0.004 0.00286;0.003 0.006;0.0044 0;0 0.00667];
disp('MATRICE DES DONNEES')
printmat(A,name,RLAB,CLAB)
pause,home
disp(' CAPACITES MAXIMALES ')
B=[100 100 100 100]
pause,home
disp('SOLUTION OPTIMALE :x=[x1opt x2opt]')
[xopt]=LINPROG(f,A,B)
fopt=4*xopt(1)+12*xopt(2)
pause,home
disp(' GRAPHE')
x1=0:1000:40000;
est=((-A(1,1)*x1+100)/A(1,2));
REPR=((-A(2,1)*x1+100)/A(2,2));
f=-15*x1/12.5;

PolytechLille
Chap.3/75
ALGORITHME DU
SIMPLEXE

PolytechLille
Mthode dite simpliciale ou mthode du simplexe,

labore par George Dantzig (USA).
Utilise la procdure employe par le graphe :

On value les performances de chaque sommet du polydre dlimit par les
contraintes en n dimensions : La sol. opt. est acquise lorsque aucune
modification ne permet d'amliorer la valeur de la fonction conomique.
Chap.3/76

PolytechLille
EXEMPLE
Une entreprise peut fabriquer sur une seule machine fonctionnant
45h/semaine 3 produits P1,P2,P3.
Les profits nets sont respectivement : 4F, 12F et 3F.
Rendement de la machine (Nbre d'article/h) : 50 P1/h, 25 P2/h, 75
P3/h.
Possibilits de ventes : 100 P1, 500 P2, 1500 P3.
Question :
Rpartir la capacit de production entre les 3 produits pour
maximiser le profit
Chap.3/77

PolytechLille
FORMULATION MATHEMATIQUE
X1, X2 et X3 : Quantit des produits P1, P2 et P3
F : La fonction conomique
F 4 X1 12 X 2 3 X 3 Max.
Contraintes:
0 X1 1000
0 X 2 500
0 X 3 1500
X X X
1 2 3 453 X 1 6 X 2 2 X 3 6750
50 25 75
Variables d'cart (V.E.) : X4, X5 , X6 et X7

Elles permettent de transformer les ingalits en galits afin de prendre en compte la
saturation d'une contrainte (V.E. = 0) ou la non saturation (V.E. > 0).
V.E. = La diffrence entre les valeurs des 1er et 2-me membres des 3 inquations
Chap.3/78

PolytechLille
MISE EN EQUATION AVEC LES V.E
X1 X 4 1000
X 2 X 5 500
X 3 X 6 1500
3 X 1 6 X 2 2 X 3 X 7 6750
FORME MATRICIELLE
1 0 0 1 0 0
0 1 0 0 1 0
0 0 1 0 0 1
3 6 2 0 0 0
(1) (2) (3) (4) (5) (6) (7)
X1
X
2
0
1000
X
3
500
0
X4
0
1500
1
6750
X6
X 7
X 4 , X 5 , X 6 , X 7: Variables de BASE ;
X 1, X 2 , X 3: Variables hors base.
Chap.3/79

PolytechLille
INITIALISATION
Solution vidente mais sans intrt :

X 1 X 2 X 3 0
Alors: X 4 1000, X 5 500, X 6 1500, X 7 6750
Sens : Profit nul (Valable lors de a fermeture annuelle pour cong pay)
Cette solution donne le sommet 0 du polydre.

Passons de ce sommet initial un sommet voisin, en augmentant
la valeur de F, si possible.
Chap.3/80

PolytechLille
FORMULES DE CHANGEMENT DE COORDONNEES

j
C i In d ic e
( C o t b a s e ) V .E .
Colonne j=2, ligne i=5
A1
X j
A2
A3
A4
A5
A6
A 7
A 0
X i
C j
S o lu tio n
j
4
0
4
12
0
12
3
0
0
3
1000
0
0
500
0
0
1500 6750
0
0
0
C o e ffic ie n ts d e F
F=0
C o ts m a r g in a u x
Chap.3/81

PolytechLille
COUTS MARGINAUX j : Coefficients de la fonction conomique

F 4 X 1 12 X 2 3 X 3 1 4, 2 12, 3 3.
Sortie d'un vecteur Ai de la base et entree d'un vecteur Aj dand la

base : Xij "PIVOT". (Intersection ligne i et colonne j)
CRITERES DE DANTZIG
Pour dterminer la colonne Aj qui doit ENTRER dans la base, on
slectionne celle qui compte le cot marginal le PLUS GRAND.
(Pour amliorer la solution initial, il est judicieux de faire d'abord entrer dans
cette solution la variable qui apporte la marge la plus grande.)
2 12 grand ( j 2) 2mecolonne
Chap.3/82

PolytechLille
Pour dterminer la colonne Ai qui doit SORTIR de la base, on

choisit celle d'indice i telle que
Voir tableau : i=ligne
Xi
Soit le PLUS PETIT parmi ceux positifs
X ij
n5, j=2 colonne
0
1000
1
500 X i
1000 500 1500 3750
j max=12 j 2 X ij , X i
;
(i 4,5,6,7) ,
,
,
0
1500 Xi 2
1 0
6
0
6
3750
La colonne i=5 va sortir de la base car x5 /x52 est le plus petit.

Alors :
La colonne i=5 va sortir de la base (i=5);
La colonne j=2 va entrer dans la base (dj choisi celle qui compte le cot
marginal le plus grand j=2);
L'lment X52 est le pivot de la transformation (ici X52 =1)
X2 va entrer dans la base;
Nouvelle base (4), (2),(6),(7).
Chap.3/83

PolytechLille
ETAPE 1 : i = 5, j = 2
TABLEAU N 1 : Nouvelle base (4,2,6,7)
j
C i I n d ic e
( C o t b a s e ) V .E .
A1
X j
A2
A3
A4
A5
A6
A 7
X 2 e n tre
d a n s la b a s e
A 0
X i
C j
S o lu tio n
j
4
0
4
12
500
3
0
0
1000
0
0
0
0
1500
0
3750
-1 2
F=6000
Chap.3/84

PolytechLille
Comment calculer les nouvelles valeurs du tableau ?

On se base sur le tableau initial tel prsent plus haut
Nouvelle valeur de la fonction economique F
F (ancienne valeur de la f-n conomique) = 0;

j (cot marginal maximal) = 12
i 5 X i X 5 500
j 2 X ij X 25 1
Alors : F' = 0+(500/1).12 = 6000
F F
Xi
. j
X ij
Chap.3/85

PolytechLille
Valeur de l'lment de la ligne K dans la colonne A0

X K X K X KJ .
X i
Xi
X ij
Xi
si K i
X ij
si K i
X 4 X 4 X 42 .
X 5 .
X5
500
10000.
1000 ( K i );
X 52
1
X5
500 ( K i );
X 52
X 6 X 6 X 62 .
X5
500
15000.
1500 ( K i );
X 52
1
X 7 X 7 X 72 .
X5
500
67506.
3750 ( K i ).
X 52
1
Chap.3/86

PolytechLille
Valeur de l'element de la ligne K dans la colonne Al

Colonne1l 1(Elmentsinchangs car X il = X 51 = 0):
X 41 X 42 .
X 41
X Kl X KJ .
X Kl
X
X il il
X ij
X il
si K i
X ij
si K i
.
X 51
X 51
0
10. 1 ( K i );
X 52
1
X 51 0
0 ( K i );
X 52 1
.
.
X 71 X 72 .
X 71
X 51
0
30. 3( K i );
X 52
1
.
.
Colonne5,Ligne7 Elment X 75.
X 75 X 72 .
X 75
X 55
1
06.. 6( K i );
X 52
1
Chap.3/87

PolytechLille
Nouvelles valeurs des cots marginaux j

j 2 j max 2 12; i 5; K (1,2,3...7) N colonne.
K Ancienne valeur.
K K j .
j 0
X iK
si K j
X ij
si K j
Alors:
1 1 2 .
X 51
0
412. 4 ( K j; )
X 52
1
2 0 ( K j );
3 3 2 .
X 53
0
312. 3 ( K j );
X 52
1
4 4 2 .
X 54
0
012. 0 ( K j );
X 52
1
5 5 2 .
X 55
1
012. 12 ( K j );
X 52
1
6 6 2 .
X 56
0
012. 0 ( K j );
X 52
1
7 7 2 .
X 57
0
012. 0 ( K j ).
X 52
1
Chap.3/88

PolytechLille
l'optimum est atteint lorsque tous les couts marginaux J sont

ngatifs ou nuls. Car dans ce cas son passage la base
provoquerait une diminution du critre d'optimalit.
ETAPE 2 : i = 4, j = 1
Sur la base du tableau de l'tape 1 on a :
j max 4 j 1
Xi
X ij
le plus petit 0:
1000 500 1500 3750

,
,
,
i4
1
1
0
3
PIVOT:X 41 : Ligneayantindicei 4 Colonneayantindice j 2
Les coefficients sont calculs comme prcdemment et on obtient :
Chap.3/89

PolytechLille
TABLEAU N 2 : Nouvelle base (1,2,6,7)
j
Ci
(Cot base)
Indice
V.E.
A1
Xj
A2
A3
A4
A5
A6
A 7
A 0
Xi
X1
entre
base
C j
Solution
4 12 3 0 0 0 0
1000 500 0 0 0 1500 750
0 0 3 -4 -12 0 0
Coefficients de F
F = 10000
Cots marginaux
Chap.3/90
ETAPE 3 : i = 7 , j = 3
j max.=3 j=3;
Xi
750
le plus petit 0est
i7;
X ij
2
PIVOT : X 73 2.

PolytechLille
Chap.3/91

PolytechLille
NOUVEAU TABLEAU
Nouvelle base
j (1,2,6,3)
Ci
(Cot base)
Indice
V.E.
A1
Xj
A2
A3
A4
A5
A6
A 7
A 0
Xi
X3 entre
dans base
C j
Solution
4 12 3 0 0 0 0
1000 500 375 0 0 1125 0
0 0 0 1/2 -3 0 - 3/2
Coefficients de F
F = 11125
Cots marginaux
> 0 L'optimum
n'est pas atteind
Chap.3/92

PolytechLille
DERNIERE ETAPE : i = 6, j = 4
j max.=1 2 j=4;
Xi
1125
le plus petit 0est
i6;
X ij
32
PIVOT : X ij X 64 3 2 .
Les valeurs des lments XKl , XK K et F sont calcules sur la

base du tableau ci-dessus tel prsent, d'une faon analogue
Chap.3/93

PolytechLille
j
C i In d ic e
(C o t b a s e ) V .E .
X j
A1 A2
A3
A4
A5
A6
A 0
A 7
X i
C j
S o lu tio n
j
12
250 500
0
0
3
1500
0
0
750
0
0
0
-4
0
0
-1 /3
< 0
0
0
-4 /3
F=11500
L 'o p tim u m
e s t a tte in d
SOLUTION OPTIMALE:
X1 250, X 2 500, X 3 1500
F 4. X 1 12. X 2 3. X 3 11500 F
Chap.3/94

PolytechLille
Commentaires :
Saturation de ventes pour les produits P3 et P2
Non-saturation pour le produit P1.
La machine est occup pleinement puisque 3X1+6X2+2X3=
6750h/semaine
Chap.3/95

PolytechLille
Programme sous MATLAB

% nom du programme : PROG_LINEAR
% Introduction de donnes :
Home
r=-[4 12 3]; % on met le signe (-) car on maximise et non
minimise
A=[1 0 0;0 1 0;0 0 1;3 6 2];
B=[1000;500;1500;6750];
% Recherche de la solution optimale x=[x1opt x2opt
x3opt]
[xopt,FVAL]=LINPROG(r,A,B)
%valeur maximale de la fonction
fopt=4*xopt(1)+12*xopt(2)+3*xopt(3)
METHODE DE LAGRANGE
96
Chap.3/97
Problmatiq
ue

PolytechLille
Soit une fonction g(x1, x2, xn) trouver un extremum

Les variables x1, x2, xn ne sont pas indpendantes : elles sont
relies par m relations
1 x1 , x2 ,...xn 0
x , x ,...x 0
n
2 1 2
m<n
CONTRAINTES
.
m x1 , x2 ,...xn 0
Introduisons j(j=1,m) de nouvelles variables dites

x1 ,...xn , 1 ,...m g ( x1 ,...xn ) 11 ( x1 ,...xn ) 2 2 ( x1 ,...xn ) ...m m ( x1 ,...xn ) 0
Multiplicateurs de Lagrange et formons :
Chap.3/98
Conditions
dextremum

PolytechLille
Conditions dextremum :
( x1 , x2 ,...xn )
0
x1
( x1 , x2 ,...xn )
0
x2
.
.
( x1 , x2 ,...xn )
0
xn
1 x1 , x2 ,...xn 0
x , x ,...x 0
2 1 2
n
Equations de contraintes
.
.
m x1 , x2 ,...xn 0
Chap.3/99

PolytechLille
Problme global doptimisation

( x1, x2 ,...xn )
0
x1
.
.
( x1, x2 ,...xn )
0
xn
n quations
1 x1, x2 ,...xn 0
.
.
m x1, x2 ,...xn 0
m quations
Ce systme (n+m) quations permet de dterminer les variables

technologiques optimales et les valeurs des m multiplicateurs de
Lagrange pour lesquelles la fonction de but est optimale et les
contraintes respectes
Chap.3/100
Exemple
dapplication

PolytechLille
EXEMPLE
Dterminer les dimensions dun rservoir cylindrique de volume V
donne, qui possde une surface S minimale.
R
Fonction minimiser : S 2 R 2 Rh g ( R, h ) (1)

Contrainte : V R 2 h 1 ( R, h ) V R 2 h 0 ( 2)
Chap.3/101

PolytechLille
Solutio
n
Formulation mathmatique
Fonction minimiser : S 2 R 2 Rh g ( R, h ) (1)

Contrainte : V R 2 h 1 ( R, h ) V R 2 h 0 ( 2)
Dveloppement : mthode de Lagrange

Fonction de Lagrange
(R, h) 2 R 2 Rh V R 2h (3)
Conditions optimales
Solution
Rsolution du
R1
systme dquations
( R, h)
2 2 R h 2RH 0 (4)
( R, h) 2R R 2 0 (5)
h
(9) dans (7) et (8)
0, Pas d' interet (6), R 2
R 2 (5) h
V
2
V
h 2.3
2
(7 )
4
(8)
(8) et (7) dans (2) 2.3

R3
2
V
(9)

Automatique

Uploaded by

Document Information

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

Automatique

Uploaded by

Copyright:

Available Formats

OPTIMISATION et

SIMULATION des PROCESSUS

Chap1 : METHODES STATISTIQUES

Copyright : Prof. B. Ould Bouamama ,

Chap1 : METHODES STATISTIQUES

Copyright : Prof. B. Ould Bouamama ,

TRAITEMENT DE DONNEES EXPERIMENTALES D'UN

Chap1 : METHODES STATISTIQUES

Copyright : Prof. B. Ould Bouamama ,

Chap3: OPTIMISATION DES PROCESSUS

Chap1 : METHODES STATISTIQUES

Copyright : Prof. B. Ould Bouamama ,

Dfinitions & but de la simulation et de l'optimisation de

Chap1 : METHODES STATISTIQUES

Copyright : Prof. B. Ould Bouamama ,

Importance & objectifs des modles

Caractre stochastique de la majorit des phnomnes;

Chap1 : METHODES STATISTIQUES

Copyright : Prof. B. Ould Bouamama ,

Un modle pourquoi faire ?

Chap1 : METHODES STATISTIQUES

Copyright : Prof. B. Ould Bouamama ,

Obtenu sur la base des lois physiques, conomiques etc..

Systme "boite noire";

Chap1 : METHODES STATISTIQUES

Copyright : Prof. B. Ould Bouamama ,

selon le caractre des rgimes de fonctionnement

selon la description mathmatique

selon les proprits dynamiques

selon lvolution des paramtres :

selon le nombre de variables :

Chap2 : Mthodes des moindres carres

Copyright : Prof. B. Ould Bouamama ,

Principe de la MMC LST

Chap2 : Mthodes des moindres carres

Copyright : Prof. B. Ould Bouamama ,

EXEMPLE : REGRESSION LINEAIRE

Chap2 : Mthodes des moindres carres

Copyright : Prof. B. Ould Bouamama ,

Chap2 : Mthodes des moindres carres

Copyright : Prof. B. Ould Bouamama ,

Que veut on ? : Trouver :

Chap2 : Mthodes des moindres carres

Copyright : Prof. B. Ould Bouamama ,

Combien dexpriences raliser ?

Chap2 : Mthodes des moindres carres

Copyright : Prof. B. Ould Bouamama ,

2. N > 2 : trouver la meilleure droite au sens des MMC

rsoudre le systme dquations:

Chap2 : Mthodes des moindres carres

Copyright : Prof. B. Ould Bouamama ,

K>1, Structure du modle

Calcul des paramtres

Chap2 : Mthodes des moindres carres

Copyright : Prof. B. Ould Bouamama ,

1. Systme non bruit V=0

Cas non raliste

2. Systme bruit V#0

Chap2 : Mthodes des moindres carres

Copyright : Prof. B. Ould Bouamama ,

Conditions d'observabilit : HT non singulire et N > K

Chap2 : Mthodes des moindres carres

Copyright : Prof. B. Ould Bouamama ,

b=0 : Estimateur non biais ( pas d'erreur d'estimation); Densit de

plot(x,y_exp,'',x,Y_model,'--');grid;title('VERIFICATION DU MODELE');legend('--:model, :exp')