Professional Documents
Culture Documents
PRESENTATION
Du
COURS
Chap.1/3
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
Chap.1/4
Chap
2
Chap.1/5
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
Chap.1/7
Chap1 :
Introduction
Chap.1/8
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
Chap.1/9
Modlisati
on ?
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
Chap.1/10
Un modle comment
faire ?
1. MODELE DE CONNAISSANCE
2. MODELE DE REPRESENTATION
Chap.1/11
Classification des
modles
tapes de modlisation
Chap.1/12
Chapitre 2
METHODES
STATISTIQUES
Chap2/13
Chap.2/14
Mthodes des
MMC
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
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
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
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
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
Champ de corrlation
ym
Yex(i)
E(i)
Ei
ym(i)
E1
X(i)
Chap.2/19
1. cas
monovariable
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
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
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
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
H 1.Y
Y H . V H 1Y H 1V
Chap.2/22
Estimation des
paramtres
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
Chap.2/23
Biais de
l'estimateur
Biais de lestimateur b
b E ( opt R ) E ( opt ) R
Chap.2/24
Simulation sur
Matlab
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
Chap.2/25
2. Cas
multivariable
METHODES RECURSSIVES
Chap2/26
Chap.2/27
opt( N )
YN 1
la (N 1)me observation.
Chap.2/28
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
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
Inconvnient de la RLST
Chap.2/31
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
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
Limite de la mthode
Chap.2/33
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
Choix de la pondration
On recommande progression gomtrique
i (1 0,1...N )
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
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
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
Donnes
Mois
Taille
0.8
1.1
1.7
2.6
3.8
5.7
8.5
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
Chap.2/39
2. Modle polynomial
gnral
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
... 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
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
_ 2
St Yi Y
i 1
St Yi Yi
i 1
Chap.2/43
_ 2
S M Yi Y
i 1
Chap.2/44
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
sp
Yij Yi
j 1
M 1
; Yi
Y ji
j 1
Chap.2/46
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
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
Chap.2/48
14
5.99
3.96
5.32
3.24
100
3.94
1.79
Chap.2/49
_ 2
i 1
Yi Y
i 1
Y Yi
K
F FT ( , , P ) ou F 1
Chap.2/50
Exemple
d'application
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,
K K 0e
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
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];
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
CORRELATION
MULTIPLE
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
Chap.2/54
Coefficient de corrlation
multiple
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
2
Yi Y
i 1
N 1
i 1
, Xj
N 1
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
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
0
X 0 X m
N 1
N 1
Chap.2/56
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
NNK1
bi .RXiY ; Rcorrig 1 1R 2 .
i 1
b2 bK RX 2 Xp
Chapitre 3
OPTIMISATION
57
Chap3 : OPTIMISATION
Chap.3/58
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..)
Chap3 : OPTIMISATION
Chap.3/59
CONDITIONS
D'OPTIMISATION
Chap3 : OPTIMISATION
Chap.3/60
METHODES
D'OPTIMISATION
METHODES ANALYTIQUES
Utilisent les mthodes classiques de l'analyse mathmatique
(Extremum d'une f-n)
Chap3 : OPTIMISATION
Chap.3/61
METHODES
D'OPTIMISATION
PROGRAMMATION DYNAMIQUE
Rsolution des problmes d'optimisation de processus
discontinus;
PRINCIPE DU MAXIMUM
Utiliss pour les problmes dcrits par des systmes
d'quations diffrentielles;
Chap3 : OPTIMISATION
Chap.3/62
METHODES
D'OPTIMISATION
Chap3 : OPTIMISATION
Chap.3/63
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.
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
Chap3 : OPTIMISATION
Chap.3/64
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.
Chap3 : OPTIMISATION
Chap.3/65
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?.
NIVEAU DES
RESSOURCES
Chap3 : OPTIMISATION
Chap.3/66
RESOLUTION DUN
PROBLEME PL
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.
Chap3 : OPTIMISATION
Chap.3/67
Mthode graphique de
la PL
Reprise
Assemblage P1
Assemblage P2
Produit P1
25 000
33 333
22 500
Produit P2
35 000
16 667
15 000
Reprise
Assemblage P1
Assemblage P2
Produit P1
0,004
0,003
0,0044
Produit P2
0,00286
0,006
0,00667
100
100
100
100
Chap3 : OPTIMISATION
Chap.3/68
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
X1, X 2 , X 3 0
Chap3 : OPTIMISATION
Chap.3/69
2. RESOLUTION GEOMETRIQUE
On trace sur le plan OX1 et OX2 les droites :
X2
35
E s ta m p a g e (S a tu r a tio n )
(1 )
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 )
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
Chap3 : OPTIMISATION
Chap.3/70
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
Chap3 : OPTIMISATION
Chap.3/71
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
Chap3 : OPTIMISATION
Chap.3/72
Chap3 : OPTIMISATION
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)
Chap3 : OPTIMISATION
Chap.3/74
Chap3 : OPTIMISATION
Chap.3/75
ALGORITHME DU
SIMPLEXE
Chap3 : OPTIMISATION
Chap.3/76
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.
Question :
Rpartir la capacit de production entre les 3 produits pour
maximiser le profit
Chap3 : OPTIMISATION
Chap.3/77
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
Chap3 : OPTIMISATION
Chap.3/78
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
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.
Chap3 : OPTIMISATION
Chap.3/79
INITIALISATION
Sens : Profit nul (Valable lors de a fermeture annuelle pour cong pay)
Chap3 : OPTIMISATION
Chap.3/80
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
Chap3 : OPTIMISATION
Chap.3/81
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
Chap3 : OPTIMISATION
Chap.3/82
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
Chap3 : OPTIMISATION
Chap.3/83
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
C o e ffic ie n ts d e F
F=6000
C o ts m a r g in a u x
Chap3 : OPTIMISATION
Chap.3/84
j 2 X ij X 25 1
F F
Xi
. j
X ij
Chap3 : OPTIMISATION
Chap.3/85
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
Chap3 : OPTIMISATION
Chap.3/86
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
Chap3 : OPTIMISATION
Chap.3/87
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
Chap3 : OPTIMISATION
Chap.3/88
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:
Chap3 : OPTIMISATION
Chap.3/89
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
Chap3 : OPTIMISATION
Chap.3/90
ETAPE 3 : i = 7 , j = 3
Sur la base du tableau de l'tape 2 on a :
j max.=3 j=3;
Xi
750
le plus petit 0est
i7;
X ij
2
PIVOT : X 73 2.
Chap3 : OPTIMISATION
Chap.3/91
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
Chap3 : OPTIMISATION
Chap.3/92
DERNIERE ETAPE : i = 6, j = 4
Sur la base du tableau de l'tape 3 on a :
j max.=1 2 j=4;
Xi
1125
le plus petit 0est
i6;
X ij
32
PIVOT : X ij X 64 3 2 .
Chap3 : OPTIMISATION
Chap.3/93
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
C o e ffic ie n ts d e F
F=11500
C o ts m a r g in a u x
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
Chap3 : OPTIMISATION
Chap.3/94
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
Chap3 : OPTIMISATION
Chap.3/95
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
Chap3 : OPTIMISATION
Chap.3/97
Problmatiq
ue
m x1 , x2 ,...xn 0
Chap3 : OPTIMISATION
Chap.3/98
Conditions
dextremum
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
Chap3 : OPTIMISATION
Chap.3/99
x1
.
.
( x1, x2 ,...xn )
0
xn
n quations
1 x1, x2 ,...xn 0
.
.
m x1, x2 ,...xn 0
m quations
Chap3 : OPTIMISATION
Chap.3/100
Exemple
dapplication
EXEMPLE
Dterminer les dimensions dun rservoir cylindrique de volume V
donne, qui possde une surface S minimale.
R
Chap3 : OPTIMISATION
Chap.3/101
Solutio
n
Formulation mathmatique
(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)
R 2 (5) h
V
2
V
h 2.3
2
(7 )
4
(8)
2
V
(9)