-
Recherche oprationnelle et applications
Bernard Fortz
2012-2013
Table des matires
I Introduction la recherche oprationnelle 3
1 Quelques exemples de modles mathmatiques 3
2 Tour dhorizon des techniques de recherche oprationnelle 4
II Applications de la programmation linaire 6
3 Dfinition, exemples et mthode de rsolution 63.1 Notions de
bases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . 63.2 Exemples de modles linaires . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63.3
Forme standard et forme canonique dun programme linaire . . . . . .
. . . . . . . . . . . . . . 83.4 Rsolution de programmes linaires .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
10
3.4.1 Rsolution graphique . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . 103.4.2 La mthode du simplexe .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
123.4.3 Cas particuliers . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . 16
4 Dualit 194.1 Le problme dual . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . 194.2 Relations
primal/dual . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . 204.3 Interprtation conomique de la
dualit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. 21
5 Solveurs et langages de modlisation 23
III Programmation en nombres entiers et optimisation
combinatoire 27
6 Dfinitions et exemples 27
7 Complexit des problmes et efficacit des algorithmes 30
8 Problmes polynomiaux 318.1 Le problme daffectation . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
318.2 Modle de transport . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . 32
9 Mthodes de Branch-and-Bound 399.1 Branch-and-Bound pour les
problmes en nombres entiers . . . . . . . . . . . . . . . . . . . .
. 399.2 Branch-and-bound pour le voyageur de commerce . . . . . . .
. . . . . . . . . . . . . . . . . . . 419.3 Branch-and-bound pour
les contraintes disjonctives . . . . . . . . . . . . . . . . . . .
. . . . . . 42
1
-
10 Mthodes heuristiques 4710.1 Introduction . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . 4710.2 Heuristiques de construction . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . 4710.3 Recherche
locale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . 4910.4 Mta-heuristiques . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
5010.5 Algorithmes gntiques . . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . . 52
Rfrences Hamdy A. Taha, Operations Research, an introduction,
Prentice-Hall Marc Pirlot, Mtaheuristiques pour loptimisation
combinatoire : un aperu gnral, Chapitre 1, dans Opti-
misation approche en recherche oprationnelle, sous la direction
de Jacques Teghem et Marc Pirlot, HermesScience.
2
-
Premire partie
Introduction la recherche oprationnelle1 Quelques exemples de
modles mathmatiquesUn premier problmeExemple 1 (Achat de billets
davion). Un homme daffaires doit effectuer 5 voyages entre
Fayetteville (FYV) Denver (DEN), en partant le lundi de
FYV et revenant le mercredi de DEN FYV. Billet aller-retour :
$400. Rduction de 20 % si un weekend est inclus. Aller simple : 75
% du prix aller-retour.
QuestionComment acheter les billets pour les 5 semaines ( prix
minimum) ?
Aide la dcision
Problme daide la dcision
1. Quelles sont les alternatives possibles ?
2. Quelles sont les restrictions cette dcision ?
3. Quel est lobjectif utilis pour valuer les alternatives ?
RestrictionsFYV-DEN le lundi et DEN-FYV le mercredi de la mme
semaine.
Evaluation des alternatives
Alternatives Acheter 5 FYV-DEN-FYV normaux. 5 x $400 = $2000
Acheter un FYV-DEN, 4 DEN-FYV-DEN comprenant un weekend et un
DEN-FYV. 0.75 x $400 + 4 x 0.8 x
$400 + 0.75 x $400 = $1880 Acheter un FYV-DEN-FYV pour le lundi
de la premire semaine et le mercredi de la dernire semaine, et
4
DEN-FYV-DEN comprenant un weekend pour les autres voyages. 5 x
0.8 x 400 =1600
La troisime alternative est la meilleure.
Modle de recherche oprationnelle
Ingrdients principaux Alternatives (variables, inconnues du
problme). Restrictions (contraintes). Fonction objectif optimiser
(minimiser ou maximiser).
Dfinition 1 (Solution admissible). Une solution admissible est
un ensemble de valeurs donnes aux variables quisatisfait toutes les
contraintes.
Dfinition 2 (Solution optimale). Une solution optimale est une
solution admissible qui optimise la fonctionobjectif.
Dfinition 3 (Modle de recherche oprationnelle). Maximiser ou
minimiser (fonction objectif) Sujet { contraintes}
Variables : continues (relles), entires, boolennes (0/1), . .
.Objectif : linaire / non-linaire, concave / convexe, . . .
3
-
Contraintes : linaire / non-linaire, concave / convexe, galits /
ingalits, . . .Paramtres : connus avec certitude (modles
dterministes) / incertains (modles stochastiques)
Exemple 2 (Maximisation de la surface dun rectangle). Supposons
que lon veut plier un fil de fer de longueur Len rectangle de
manire maximiser la surface du rectangle.
l
w
Formulationmax A = lws.t. l + w = L2
Solution A =
(L2 w
)w = Lw2 w2
dAdw =L2 2w = 0
Solution optimale : w = l = L4
Mthodes de rsolution Dans lexemple, solution analytique au
problme. La plupart des problmes pratiques sont trop grands ou trop
complexes pour tre rsolus analytiquement.
Mthodes itrativesDplacement de solution en solution pour
atteindre loptimum (mthodes exactes) ou une "bonne"
solution(heuristiques).
Importance des algorithmes et des solutions informatiques.
2 Tour dhorizon des techniques de recherche
oprationnelleRecherche oprationnelleLa recherche oprationnelle est
une technique daide la dcision.
Etapes pratiques1. Dfinition du problme
2. Construction dun modle
3. Solution du modle
4. Validation du modle
5. Implmentation de la solution
Mthodologie Les tapes les plus importantes sont la dfinition du
problme (suppose un dialogue avec le dcideur) et la
construction du modle (prendre conscience des hypothses
simplificatrices et de leur impact). La phase de validation doit
permettre de remettre en cause la validit du modle. Une approche
globale ncessite donc un aller-retour constant entre le modle et
les attentes du dcideur.
Techniques principales Programmation linaire Programmation en
nombres entiers Optimisation dans les rseaux
4
-
Programmation non linaire "Optimisation" multi-critres
Programmation dynamique Modles stochastiques Simulation
5
-
Deuxime partie
Applications de la programmation linaire3 Dfinition, exemples et
mthode de rsolution
3.1 Notions de basesProgrammation linaireDfinition 4 (Programme
linaire). Modle mathmatique dans lequel la fonction objectif et les
contraintes sontlinaires en les variables.
ApplicationsOptimisation de lusage de ressources limites dans
les domaines militaire, industriel, agricole, conomique, ...
Existence dalgorithmes trs efficaces pour rsoudre des problmes
de trs grande taille (simplexe, points int-rieurs)
3.2 Exemples de modles linairesExemple 3 (Production de
peinture). Une socit produit de la peinture dintrieur et dextrieur
partir de deuxproduits de base M1 et M2.
DonnesQuantit utilise
par tonneQuantit disponible
par jourExtrieure Intrieure
M1 6 4 24M2 1 2 6Profit par tonne 5 4
Contraintes supplmentaires Demande maximum en peinture dintrieur
: 2 tonnes / jour. La production en peinture dintrieur ne dpasser
que dune tonne celle dextrieur.
Formulation (Production de peinture)
Alternatives (variables, inconnues du problme)
x1 = tonnes de peinture dextrieur
produites par jour
x2 = tonnes de peinture
dintrieur produites par jour
Fonction objectif optimisermax z = 5x1 + 4x2
Restrictions (contraintes)
6
-
6x1 + 4x2 24x1 + 2x2 6
x2 2x2 x1 1x1, x2 0
Solutions et mthodes de rsolution Solution admissible :
satisfait toutes les contraintes.
x1 = 3, x2 = 1 ( z = 19)
Nous voulons trouver la solution (admissible) optimale. Infinit
de solutions admissibles !
Mthodes pour trouver loptimum Mthode graphique Simplexe (
Ellipsoide, points intrieurs )
Exemple 4 (Diet problem). On dsire dterminer la composition, cot
minimal, dun aliment pour btail quiest obtenu en mlangeant au plus
trois produits bruts : orge et arachide.
La quantit ncessaire par portion est de 400g. Laliment ainsi
fabriqu devra comporter au moins 30% de protines et au plus 5% de
fibres.
Donnes
Quantit par gramme daliment CotAliment Protines Fibres (EUR /
kg)Orge 0.09 0.02 1.5Arachide 0.60 0.06 4.5
Formulation (Diet problem)
Variables
x1 = grammes dorge par portion
x2 = grammes darachide par portion
Objectifmin z = 0.0015x1 + 0.0045x2
ContraintesQuantit totale : x1 + x2 400Protines : 0.09x1 + 0.6x2
0.3(x1 + x2)Fibres : 0.02x1 + 0.06x2 0.05(x1 + x2)Non-ngativit :
x1, x2 0
7
-
3.3 Forme standard et forme canonique dun programme linaireForme
standardDfinition 5 (Forme standard). Un programme linaire est sous
forme standard lorsque toutes ses contraintes sontdes galits et
toutes ses variables sont non-ngatives.
Reprsentation matricielle
max cTx
s.c. Ax = bx 0
n variables, m contraintes, m < n, c, x Rn, b Rm, A Rmn.
Forme canoniqueDfinition 6 (Forme canonique). Un programme
linaire est sous forme canonique lorsque toutes ses contraintessont
des ingalits et toutes ses variables sont non-ngatives.
Reprsentation matricielle
max cTx
s.t. Ax bx 0
n variables, m contraintes, c, x Rn, b Rm, A Rmn.Thorme 1
(Equivalence des formes standard et canonique). Tout programme
linaire peut scrire sous formestandard et sous forme canonique.
Dmonstration. Une containte dingalit aTx b peut tre transforme
en galit par lintroduction dune variable dcart :
aTx+ s = b,
s 0.
Une contrainte dgalit aTx = b peut tre remplace par deux
ingalits :
aTx baTx b
aTx b aTx b. min cTx = maxcTx. Variable x non restreinte :
substitution par deux variables (partie positive et ngative)
x = x+ xx+, x 0.
Il existe toujours une solution optimale telle que x+ = 0 ou x =
0.
8
-
Forme standard du problme de production de peinture
max z = 5x1 + 4x2
s.c.6x1 + 4x2 24x1 + 2x2 6
x2 2x2 x1 1x1, x2 0
Forme standardmax z = 5x1 +4x2
s.c. 6x1 +4x2 +s1 = 24x1 +2x2 +s2 = 6
x2 +s3 = 2x1 +x2 +s4 = 1x1, x2, s1, s2, s3, s4 0
Forme matricielle
max cTx
s.t. Ax = bx 0
c =
540000
, x =
x1x2s1s2s3s4
, A =
6 4 1 0 0 01 2 0 1 0 00 1 0 0 1 01 1 0 0 0 1
, b =
24621
Variables pouvant prendre des valeurs ngativesExemple 5 (Vente
de hamburgers). Un fast-food vend des hamburgers et des
cheeseburgers. Un hamburger utilise 125 g. de viande alors quun
cheeseburger nen utilise que 100 g. Le fast-food dmarre chaque
journe avec 10 kg de viande mais peut commander de la viande
supplmentaire
avec un cot additionnel de 2 EUR par kg pour la livraison. Le
profit est de 0.02 EUR pour un hamburger et 0.015 EUR pour un
cheeseburger. La demande ne dpasse pas 900 sandwiches / jour, et
les surplus de viande sont donns au Restos du Coeur.
Combien le fast-food doit-il produire de sandwiches de chaque
type par jour ?
Variablesx1 = nombre de hamburgers / jour x2 = nombre de
cheeseburgers / jour
Contraintes Commande de viande supplmentaire :
125x1 + 100x2 + x3 = 10000, x3non restreint
Le cot pour la viande supplmentaire apparat seulement si x3 <
0.
9
-
Substitution de x3 par 2 variables non-ngatives :
x3 = x+3 x3 , x+3 , x3 0
125x1 + 100x2 + x+3 x3 = 10000
Borne suprieure sur les ventes : x1 + x2 900.
Modle complet
max z = 0.02x1 + 0.015x2 0.002x3s.c. 125x1 + 100x2 + x+3 x3 =
10000
x1 + x2 900x1, x2, x
+3 , x
3 0
Remarque : Il existe une solution optimale telle que x+3 = 0 ou
x3 = 0.
3.4 Rsolution de programmes linaires3.4.1 Rsolution
graphique
Reprsentation graphique
(5)
(1)(2)
(6)
(4)
(3)
Production de peinturemax z = 5x1 + 4x2
sous les contraintes :
6x1 + 4x2 24 (1)x1 + 2x2 6 (2)
x2 2 (3)x2 x1 1 (4)
x1 0 (5)x2 0 (6)
10
-
Gomtrie des solutions
AB
C DE
Fz=10
Ensemble des solutions admissiblesPolydre (ABCDEF)
Courbes de niveaux de lobjectifEnsemble de solutions ayant un
profit (valeur de lobjectif) donn : intersection entre une droite
et le polydre.
Amlioration de la solutionRecherche dune direction dans laquelle
le profit z augmente.
Rsolution graphique (Production de peinture)
AB
C DE
F
z=21
Recherche de la solution optimale La droite mobile doit garder
une intersection avec lensemble des solutions admissibles. Solution
optimale : x1 = 3, x2 = 1.5 (E) La solution optimale est un sommet
du polydre. Cette observation est la base de lalgorithme du
simplexe.
11
-
Rsolution graphique (Diet problem)
Diet problem
min z = 0.0015x1 + 0.0045x2
sous les contraintes
x1 + x2 4000.21x1 0.30x2 00.03x1 0.01x2 0
x1 0x2 0
Solution optimale
x1 =4000
17' 235.3 x2 = 2800
17' 164.7 z = 186
170' 1.094
3.4.2 La mthode du simplexe
Ides de base Solution optimale : sommet (point extrme). Ide
fondamentale du simplexe : dplacement de sommet en sommet adjacent
de manire amliorer la fonction
objectif. Transformation des ingalits en galits : forme standard
du programme linaire - systme de m quations n inconnues (m <
n).
Identification algbrique des sommets : correspondance avec les
bases dun systme dquations.
Solutions de base Systme de m quations linaires n inconnues (m
< n) : infinit de solutions. Si on fixe zro nm variables :
systme de m quations m inconnues possdant une solution unique (si
la
matrice est inversible). Cest une solution de base.
Dfinition 7 (Solution de base). Une solution de base dun
programme linaire est la solution unique du systmede m quations m
inconnues obtenu en fixant zro n m variables (pourvu que la matrice
du systme soitinversible).Les variables fixes zro sont appeles
variables hors base et les autres variables en base.
12
-
Exemple 6 (Production de peinture). Prenons B = {s1, s2, s3,
s4}.
z = 0 +5x1 +4x2s1 = 24 6x1 4x2s2 = 6 x1 2x2s3 = 2 x2s4 = 1 +x1
x2
Si x1 = x2 = 0, alors s1 = 24, s2 = 6, s3 = 2, s4 = 1. Toutes
ces valeurs sont non-ngatives et la solution estralisable.
Dfinition 8 (Solution de base ralisable). Une solution de base
telle que toutes les variables prennent des valeursnon-ngatives est
appele solution de base ralisable.
Gomtrie des solutions de base
AB
C DE
F
Prenons B = {s1, s2, s3, s4} x1 = x2 = 0, s1 = 24, s2 = 6, s3 =
2, s4 = 1. Cette solution de base ralisable correspond au sommet
(0, 0).
Base Solution Objectif Sommet{s1, s2, s3, s4} (0, 0) 0 A{x1, s2,
s3, s4} (4, 0) 20 F{s1, x1, s3, s4} (6, 0) Non ralisable{x1, x2,
s3, s4} (3, 1.5) 21 E
Thorme 2. Toute solution de base ralisable correspond un sommet
du polydre.
Dtermination de la solution de base optimale Nombre maximum de
solutions de base : n!m!(nm)! Algorithme "bte et mchant" :
numration de toutes les bases. Mthode du simplexe : partir dune
solution de base admissible et passer une solution de base voisine
qui
amliore la valeur de lobjectif. Solution voisine : changement
dune variable en base. 3 etapes :
1. Dtermination de la variable entrante.
2. Dtermination de la variable sortante.
3. Pivotage.
Lalgorithme du simplexe
Variable entrante
z = 0 +5x1 +4x2s1 = 24 6x1 4x2s2 = 6 x1 2x2s3 = 2 x2s4 = 1 +x1
x2
Si x1 (ou x2) augmente (entre en base), la valeur de la fonction
objectif z augmente. Quelle est la valeur maximale de x1 ?
13
-
Contraintes : les autres variables doivent rester positives.
Variable sortantes1 = 24 6x1 0 x1 4s2 = 6 x1 0 x1 6s3 = 2 0 2 0
toujours!s4 = 1 +x1 0 x1 1 toujours!
x1 4
Pivotage Si x1 = 4, alors s1 = 0. x1 entre en base, s1 sort de
la base. Substitution :
x1 = 4 16s1 2
3x2
Nouveau systme :z = 20 56s1 + 23x2x1 = 4 16s1 23x2s2 = 2 +
16s1 43x2
s3 = 2 x2s4 = 5 16s1 53x2
Equations du simplexe B = indices des variables en base, N =
indices des variables hors base. Notation :
z = z +kN
ckxk
xl = bl kN
alkxk l B
ck : profit marginal ou cot rduit.
Rgles de pivotage
Variable entranteChoisir la variable k hors base avec le profit
marginal maximum (max z) ou le cot rduit minimum (min z).
max z k = arg maxiN
ci
min z k = arg miniN
ci
Si ck 0 (max) ou ck 0 (min) pour tout k N , solution optimale,
STOP.
z = 0 +5x1 +4x2s1 = 24 6x1 4x2s2 = 6 x1 2x2s3 = 2 x2s4 = 1 +x1
x2
Variable sortanteChoisir la variable l en base telle que
l = arg minjB:ajk>0
bjajk
Si alk 0 pour tout l B, problme non born, STOP.
14
-
z = 0 +5x1 +4x2s1 = 24 6x1 4x2s2 = 6 x1 2x2s3 = 2 x2s4 = 1 +x1
x2
Pivotage
aij =
aljalk
i = l
aij aikaljalk
i 6= l
bi
=
blalk
i = l
bi aikblalk
i 6= l
z = 0 +5x1 +4x2
s1 = 24 6x1 4x2s2 = 6 x1 2x2s3 = 2 x2s4 = 1 +x1 x2
z = 20 56s1 + 23x2x1 = 4 16s1 23x2s2 = 2 +
16s1
4
3x2
s3 = 2 x2s4 = 5 16s1 53x2
z = 21 34s1 12s2x1 = 3 14s1 + 12s2x2 =
32 +
18s1 34s2
s3 =12 18s1 + 34s2
s4 =52 38s1 + 54s2
15
-
Prsentation en tableauPrsentation compacte pour effectuer les
calculs sans rpter les systmes dquations.
Itration 1
Var. en base z x1 x2 s1 s2 s3 s4 Solutionz 1 5 4 0 0 0 0 0s1 0 6
4 1 0 0 0 24
s2 0 1 2 0 1 0 0 6
s3 0 0 1 0 0 1 0 2
s4 0 1 1 0 0 0 1 1
Itration 2
Var. en base z x1 x2 s1 s2 s3 s4 Solutionz 1 0 23 56 0 0 0 20x1
0 1
23
16 0 0 0 4
s2 0 043 16 1 0 0 2
s3 0 0 1 0 0 1 0 2
s4 0 053
16 0 0 1 5
Itration 3
Var. en base z x1 x2 s1 s2 s3 s4 Solutionz 1 0 0 34 12 0 0 21x1
0 1 0
14 12 0 0 3
x2 0 0 1 18 34 0 0 32s3 0 0 0
18 34 1 0 12
s4 0 0 038 54 0 1 52
3.4.3 Cas particuliers
Solutions optimales multiples Si la fonction objectif est
parallle une contrainte active pour la solution optimale, la mme
valeur de lobjectif
peut tre prise par plusieurs solutions admissibles. Il y a une
infinit de solutions optimales dans ce cas (toutes les combinaisons
convexes de sommets optimaux). Cela se traduit par un profit
marginal nul pour une ou plusieurs variables hors base.
Exemple 7 (Solutions optimales multiples).
max z = 2x1 +4x2s.c. x1 +2x2 5
x1 +x2 4x1, x2 0
16
-
Var. en base z x1 x2 s1 s2 Solution
z 1 2 4 0 0 0s1 0 1 2 1 0 5
s2 0 1 1 0 1 4
z 1 0 0 2 0 10x2 0
12 1
12 0
52
s2 012 0 12 1 32
z 1 0 0 2 0 10x2 0 0 1 1 1 1x1 0 1 0 1 2 3
Solution optimale :
x1 = 0+ 3(1 ) = 3 3x2 =
52+ 1(1 ) = 1 +
3
2 (0 1)
Problmes non borns Certains problmes sont non borns dans une
direction donne. Si cette direction est une direction damlioration
de la fonction objectif, celle-ci peut prendre une valeur arbi-
trairement grande !
Exemple 8 (Problmes non borns).
max z = 2x1 +x2s.c. x1 x2 1
2x1 4x1, x2 0
Var. en base z x1 x2 s1 s2 Solution
z 1 2 1 0 0 0s1 0 1 1 1 0 1s2 0 2 0 0 1 4
Tous les coefficients (sauf le profit maginal) dans la colonne
de x2 sont ngatifs ou nuls. Cela signifie que toutes les
contraintes de non-ngativit sont satisfaites quelle que soit la
valeur de x2. Lobjectif peut donc augmenter indfiniment.
17
-
Problmes impossibles Le systme de contraintes peut navoir aucune
solution. Gnralement, provient dune mauvaise formulation du
problme.
Exemple 9 (Problmes impossibles).
max z = 3x1 +2x2s.c. 2x1 +x2 2
3x1 +4x2 12x1, x2 0
18
-
4 Dualit
4.1 Le problme dualProblme primal et problme dual
Problme primal
max cTx
s.c. Ax = bx 0
n variables, m contraintes, m < n, c, x Rn, b Rm, A
Rmn.Problme dual
min bT y
s.c. AT y c(y non restreint)
m variables, n contraintes, m < n, c Rn, b, y Rm, A
Rmn.Exemple 10 (Problme primal et dual - forme standard).
Problme primal :max z = x1 +x2
s.c. 2x1 +x2 = 5 (y1)3x1 x2 = 6 (y2)x1, x2 0
Problme dual :min w = 5y1 +6y2
s.c 2y1 +3y2 1 (x1)y1 y2 1 (x2)
Proprits et rgles de construction du dualThorme 3. Le problme
dual du problme dual est le problme primal.
Rgles de construction
Problme max Problme minContrainte Variable 0= non restreinte
Variable Contrainte 0
non restreinte =
Exemple 11 (Problme primal et dual - forme gnrale).
Problme primal :max z = 5x1 +12x2 +4x3
s.c. x1 +2x2 +x3 10 (y1)2x1 x2 +3x3 = 8 (y2)x1, x2, x3 0
19
-
Problme dual :min w = 10y1 +8y2
s.c y1 +2y2 5 (x1)2y1 y2 12 (x2)y1 +3y2 4 (x3)y1 0
4.2 Relations primal/dualThorme 4 (Dualit faible). Considrons la
paire primale-duale :
max cTx
s.c. Ax = bx 0
min bT y
s.c. AT y c
Si x est une solution admissible du primal et y une solution
admissible du dual, alors
cTx bT y Sil y a galit, alors x est une solution optimale du
primal et y une solution optimale du dual.
Thorme 5 (Dualit forte). Considrons la paire primale-duale :
max cTx
s.c. Ax = bx 0
min bT y
s.c. AT y c
Si le primal et le dual admettent tous les deux une solution
admissible, ils ont tous deux une solution optimalefinie et la mme
valeur objectif optimale.
Si le primal (dual) est non born, le dual (primal) nadmet pas de
solution admissible.
Thorme 6 (Complmentarit). Considrons la paire primale-duale
:
max cTx
s.c. Ax = bx 0
min bT y
s.c. AT y c
20
-
Si x est une solution optimale du primal et y une solution
optimale du dual, alors
xi(aTi y ci) = 0.
o ai est la i-me colonne de A.En dautres termes :
xi > 0 aTi y = ci,aTi y > ci xi = 0.
Exemple 12 (Rsolution du dual par les rgles de
complmentarit).Primal (P ) :
max z = 5x1 +12x2 +4x3s.c. x1 +2x2 +x3 10 (y1)
2x1 x2 +3x3 = 8 (y2)x1, x2, x3 0
Dual (D) :min w = 10y1 +8y2
s.c y1 +2y2 5 (x1)2y1 y2 12 (x2)y1 +3y2 4 (x3)y1 0
Solution optimale de (P ) :
(x1, x2, x3) =
(26
5,
12
5, 0
)z =
274
5
x1 > 0 y1 + 2y2 = 5x2 > 0 2y1 y2 = 12
Solution optimale de (D) :
(y1, y2) =
(29
5,2
5
)w =
274
5
4.3 Interprtation conomique de la dualit La forme canonique dun
programme linaire peut tre interprte comme un problme dallocation
de res-
sources. Paire primale-duale :
max cTx
s.c. Ax bx 0
min bT y
s.c. AT y cy 0
21
-
Donnes :
cj : profit par unit dactivit j.bi : disponibilit de la
ressource i.aij : consommation de la ressource i par unit dactivit
j.
Variables :
xj : niveau de lactivit j.yi : valeur dune unit de la ressource
i.
Interprtation de la dualit faiblez w : profit valeur des
ressources
Interprtation de la dualit forteLe profit maximal est atteint si
les ressources ont t exploites compltement, i.e. jusqu puisement de
leurvaleur.
Exemple 13 (Dualit dans le problme de production de
peinture).
max z = 5x1 +4x2s.c 6x1 +4x2 24
x1 +2x2 6x2 2
x1 +x2 1x1, x2 0
minw = 24y1 +6y2 +2y3 +y46y1 +y2 y4 54y1 +2y2 +y3 +y4 4y1, y2,
y3, y4 0
x1 = 3, x2 = 1.5, z = 21
y1 = 0.75, y2 = 0.5, y3 = y4 = 0, w = 21
Le profit augmente de 0.75 par augmentation dune tonne de M1 et
de 0.5 par tonne de M2. (Localement. Dansquelles limites ? Voir
analyse de sensibilit)
Les "ressources" 3 et 4 sont abondantes, augmenter ces
ressources napporte aucun profit supplmentaire.
22
-
5 Solveurs et langages de modlisationExemple 14 (Production de
jouets). Une socit de jouets produit des trains, des camions et des
voitures, en utilisant 3 machines. Les disponibilits quotidiennes
des 3 machines sont 430, 460 et 420 minutes, et les profits par
train, camion et
voiture sont respectivement EUR 3, EUR 2 et EUR 5. Les temps
ncessaires sur chaque machine sont :
Machine Train Camion Voiture1 1 2 12 3 0 23 1 4 0
Primalmax z = 3x1 +2x2 +5x3
s.c. x1 +2x2 +x3 4303x1 +2x3 460x1 +4x2 420x1, x2, x3 0
x1 = 0
x2 = 100
x3 = 230
z = 1350
Dualminw = 430y1 +460y2 +420y3
s.c. y1 +3y2 +y3 32y1 +4y3 2y1 +2y2 5y1, y2, y3 0
y1 = 1
y2 = 2
y3 = 0
Var. en base z x1 x2 x3 s1 s2 s3 Solutionz 1 4 0 0 1 2 0 1350x2
0 14 1 0 12 14 0 100x3 0
32 0 1 0
12 0 230
s3 0 2 0 0 2 1 1 20Base : B = {x2, x3, s3}.
SolveursLogiciels pour rsoudre des programmes linaires :
Indpendants :
Commerciaux : CPLEX (www.ilog.com), XPRESS-MP (www.dash.co.uk),
. . . Gratuits : PCx, lpsolve, glpk, . . .
Tableurs : La plupart des tableurs intgrent un outil de
rsolution de programmes linaires (Excel, Gnumeric,. . .)
Langages de modlisation (ampl, GNU MathProg, mpl, OPL studio,
mosel, . . .) : langages de haut niveaupermettant la sparation
modle/donnes, se chargeant de linterface avec un solveur.
23
-
NAME toysROWSL R0001L R0002L R0003N R0004
COLUMNSC0001 R0001 1C0001 R0002 3C0001 R0003 1C0001 R0004 3C0002
R0001 2C0002 R0003 4C0002 R0004 2C0003 R0001 1C0003 R0002 2C0003
R0004 5
RHSB R0001 430B R0002 460B R0003 420
ENDATA
FIGURE 1 Exemple de production de jouets au format MPS
Solveurs indpendants
Avantages Puissance, efficacit Intgrables dans des applications
via des librairies
Dsavantages Formats de fichiers (MPS) Pas de sparation modle /
donnes R-utilisation difficile des modles
Solveurs intgrs aux tableurs
Avantages Disponibles sur (quasi) tous les ordinateurs Interface
facile dutilisation Prsentation des donnes / rsultats
Dsavantages Difficult dimplmenter de grands modles Sparation
modle / donnes difficile Solveurs moins efficaces (en gnral)
Langages de modlisation
Avantages Sparation modle / donnes R-utilisabilit des modles
Indpendance modle / solveur
24
-
## Data definition#
set Toys;param nMachines;set Machines := 1..nMachines;
param profit {Toys};param time {Machines,Toys};param avail
{Machines};
## Variables#
var prod {Toys} >= 0;
## Objective#
maximize total_profit:sum{t in Toys} profit[t]*prod[t];
## Constraints#
subject to machine_usage {m in Machines}:sum{t in Toys}
time[m,t] * prod[t]
-
## Data#
data;
set Toys := Trains, Trucks, Cars ;param nMachines := 3;
param profit :=Trains 3Trucks 2Cars 5 ;
param time : Trains Trucks Cars :=1 1 2 12 3 0 23 1 4 0 ;
param avail :=1 4302 4603 420 ;
end;
FIGURE 3 Exemple de production de jouets au format AMPL
(donnes)
26
-
Troisime partie
Programmation en nombres entiers et optimisationcombinatoire6
Dfinitions et exemplesProgrammation en nombres entiers Programmes
linaires dans lesquels certaines (ou toutes les) variables sont
restreintes des valeurs entires. Si seulement une partie des
variables doivent tre entires, on parle de programme mixte (MILP).
Optimisation combinatoire : choix dune solution optimale parmi un
ensemble fini dalternatives. Peuvent g-
nralement se formuler comme des programmes en nombres entiers.
Problmes trs difficiles en pratique, mais solveurs de plus en plus
performants.
Exemple 15 (Slection de projets). 5 projets doivent tre valus
sur 3 ans. Etant donn le cot de chaque projetpour chaque anne et le
profit obtenu par lxcution dun projet, dcider quels projets xcuter
sans dpasser lebudget disponible pour chaque anne.
Cot par anne ProfitProjet 1 2 3
1 5 1 8 202 4 7 10 403 3 9 2 204 7 4 1 155 8 6 10 30
Budget 25 25 25
Variablesxj =
{1 si le projet j est slectionn,0 sinon.
Formulationmax z = 20x1 +40x2 +20x3 +15x4 +30x5
s.c. 5x1 +4x2 +3x3 +7x4 +8x5 25x1 +7x2 +9x3 +4x4 +6x5 258x1
+10x2 +2x3 +x4 +10x5 25x1, x2, x3, x4, x5 {0, 1}
Exemple 16 (Problme avec cots fixes). 3 compagnies de tlphone
offrent des tarifs diffrents pour les communications longue
distance.
Compagnie Abonnement Prix / minute1 16 0.252 25 0.213 18
0.22
Trouver le plan dabonnement optimal pour 200 minutes de
communication / mois.
Variablesxi : minutes de communication avec la compagnie i.
yi =
{1 si un abonnement est pris auprs de la compagnie i,0
sinon.
Formulation
27
-
min z = 0.25x1 +0.21x2 +0.22x3 +16y1 + 25y2 + 18y3s.c. x1 +x2
+x3 = 200
x1 200y1x2 200y2
x3 200y3x1, x2, x3 0y1, y2, y3 {0, 1}
Exemple 17 (Voyageur de commerce). Un reprsentant doit visiter n
villes une et une seule fois, et revenir sa ville de dpart, en
minimisant le cot
total du trajet. Le problme revient trouver un tour de cot
minimum passant une et une seule fois par chacun des noeuds
dun graphe. Le cot dutilisation de larc (i, j) est cij .
Variables
xij =
1 si larc (i, j) appartientau tour optimal,0 sinon.
Contraintesnj=1
xij = 1 i = 1, . . . , n
ni=1
xij = 1 j = 1, . . . , n
Problme : apparition possible de sous-tours
S
i,jS
xij |S| 1, 6= S 6= {1, . . . , n}.
Formulation
min z =
ni=1
nj=1
cijxij
s.c.nj=1
xij = 1 i = 1, . . . , n
ni=1
xij = 1 j = 1, . . . , ni,jS
xij |S| 1 6= S 6= {1, . . . , n}
xij {0, 1} i = 1, . . . , n, j = 1, . . . , n
28
-
Exemple 18 (Problme de couverture). Le dpartement de scurit dun
campus veut installer des tlphonesdurgence. Chaque rue doit tre
servie par un tlphone, le but tant de minimiser le nombre de
tlphones installer (installation aux carrefours).
1 2 3
4 5
876
Formulationmin z = x1 +x2 +x3 +x4 +x5 +x6 +x7 +x8
s.c. x1 +x2 1x2 +x3 1
x4 +x5 1x6 +x7 1
x7 +x8 1x1 +x6 1
x2 +x6 1x2 +x4 1
x4 +x7 1x3 +x5 1
x5 +x8 1x1, x2, x3, x4, x5, x6, x7, x8 {0, 1}
Contraintes disjonctives Dans un programme linaire, toutes les
contraintes doivent tre satisfaites simultanment. Parfois, il est
ncessaire de modliser le fait quune contrainte parmi un ensemble
doit tre satisfaite. Si les
contraintes de lensemble sont mutuellement incompatibles, on
parle de contraintes disjonctives.
Exemple 19 (Contraintes disjonctives). Une machine est utilise
pour 3 tches diffrentes. Pour chaque tches i, une dure pi et une
date limite di sont
donnes, ainsi quune pnalit par jour de retard.Tche Dure Limite
Pnalit
1 5 25 192 20 22 123 15 35 34
Comment arranger les tches sur la machine pour minimiser la
pnalit totale ?
Variables : xi : temps de fin de la tche i (xi pi). Deux tches i
et j ne peuvent tre xcutes simultanment, donc
xi xj + pi ou xj xi + pj .
Pour introduire ces contraintes disjonctives, nous faisons appel
des variables binaires auxiliaires :
yij =
{1 si i prcde j0 si j prcde i
29
-
xi xj +Myij pixj xi +M(1 yij) pj
Contrainte de date limite : introduction dune variable dcart non
restreinte xi + si = di. Une pnalit apparat uniquement si si <
0. Remplacement par deux variables non ngatives reprsentant les
parties positive et ngative.
xi + s+i si = di
s+i , si 0
Objectif : min z = 19s1 + 12s2 + 34s
3
Formulationmin z = 19s1 +12s
2 +34s
3
s.c. x1 x2 +My12 5x1 +x2 My12 20Mx1 x3 +My13 5x1 +x3 My13
15M
x2 x3 +My23 20x2 +x3 My23 15M
x1 +s+1 s1 = 25
x2 +s+2 s2 = 22
x3 +s+3 s3 = 35
x1, x2, x3, s+1 , s
1 , s
+2 , s
2 , s
+3 , s
3 0
x1 5x2 20
x3 15y12, y13, y23 {0, 1}
7 Complexit des problmes et efficacit des algorithmesProblmes
faciles et difficiles La thorie de la complexit sattache classifier
les problmes selon leur difficult. Un problme est facile sil existe
un algorithme efficace pour le rsoudre. Exemples de problmes
faciles : programmation linaire, affectation, plus courts chemins,
. . . Un problme est difficile sil appartient la classe des
problmes NP-complets, pour lesquels il est peu probable
de trouver un jour un algorithme efficace. Exemple de problmes
difficiles : programmes en nombres entiers, voyageur de commerce, .
. .
Algorithmes efficaces et explosion combinatoire Lefficacit dun
algorithme est mesure par lordre de grandeur du nombre doprations
lmentaires quil
effectue en fonction de la taille des donnes. Un algorithme sera
efficace si le nombre doprations lmentaires est polynomial (i.e.
born suprieurement
par un polynme) en la taille de problme.
n lnn+ 1 n n2 n3 2n
1 1.000 1 1 1 22 1.301 2 4 8 43 1.477 3 9 27 85 1.699 5 25 125
3210 2.000 10 100 1000 102420 2.301 20 400 8000 104857650 2.699 50
2500 125000 1.12 1015100 3.000 100 10000 1000000 1.27 1030
30
-
Autre perspective : supposons que trois ordinateurs M1, M2 et M3
effectuent respectivement 10000, 20000 et40000 oprations par
seconde. oprations par seconde.
Quelle taille maximum de problme n peut on rsoudre en une minute
par des algorithmes effectuant respecti-vemet n, n2, n3 et 2n
oprations ?
Ordinateur n n2 n3 2n
M1 600000 775 84 19M2 1200000 1095 106 20M3 2400000 1549 134
21
8 Problmes polynomiaux
8.1 Le problme daffectationLe problme daffectation Exemple de
problme combinatoire pour lequel il existe un algorithme efficace.
La meilleure personne pour chaque tche. n personnes doivent
effectuer n tches. Un cot cij est associ laffectation de la
personne i la tche j.
Formulation du problme daffectation
min z =
ni=1
nj=1
cijxij
s.c.nj=1
xij = 1 i = 1, . . . , n
ni=1
xij = 1 j = 1, . . . , n
xij {0, 1} i = 1, . . . , n, j = 1, . . . , n
Proprit : la relaxation linaire du problme est toujours entire.
Algorithme : mthode hongroise.
Exemple 20 (Problme daffectation). Un pre propose 3 travaux ses
enfants : tondre la pelouse, peindre legarage et laver la voiture.
Il demande chaque enfant combien il voudrait tre pay pour chaque
travail.
Tondre Peindre LaverJohn 15 10 9
Karen 9 15 10Terri 10 12 8
Mthode hongroise Slectionner le prix minimum dans chaque
ligne.
Tondre Peindre LaverJohn 15 10 9 9
Karen 9 15 10 9Terri 10 12 8 8
Soustraire ce prix de chaque ligne et slectionner le prix
minimum dans chaque colonne.Tondre Peindre Laver
John 6 1 0 9Karen 0 6 1 9
Terri 2 4 0 80 1 0
Soustraire ce prix de chaque colonne.
31
-
Tondre Peindre LaverJohn 6 0 0 9
Karen 0 5 1 9Terri 2 3 0 8
0 1 0 Les "0" en bleu donnent une affectation admissible
optimale. Loptimalit est assure par la valeur des variables duales
(en rouge). Nombre doprations : O(n2). Il arrive que les valeurs
nulles du tableau ne permettent pas de trouver de solution
admissible.
1 4 6 39 7 10 94 5 11 78 7 8 5
0 3 2 2 12 0 0 2 70 1 4 3 43 2 0 0 50 0 3 0
Slectionner un nombre minimum de lignes et colonnes couvrant
tous les 0.0 3 2 2 12 0 0 2 70 1 4 3 43 2 0 0 50 0 3 0
Slectionner le plus petit lment non couvert, le soustraire tous
les lments non couverts et lajouter auxintersections.
0 2 1 1 23 0 0 2 70 0 3 2 54 2 0 0 5-1 0 3 0
Rpter jusqu trouver une solution admissible.
8.2 Modle de transport Un produit doit tre transport de sources
(usines) vers des destinations (dpts, clients). Objectif :
dterminer la quantit envoye de chaque source chaque destination en
minimisant les cots de
transport. Les cots sont proportionnels aux quantits
transportes. Contraintes doffre limite aux sources et de demande
satisfaire au destinations.
Sources Destinations1
2
1
2
m n
a1
a2
am
b1
b2
bncm n xm n
Exemple 21 (Modle de transport).
32
-
Une firme automobile a trois usines Los Angeles, Detroit et New
Orleans, et deux centres de distribution Denver et Miami.
Les capacits des trois usines sont de 1000, 1500 et 1200
respectivement, et les demandes aux centres dedistribution sont de
2300 et 1400 voitures.
Cots :Denver Miami
Los Angeles 80 215Detroit 100 108
New Orleans 102 68
Formulation
min z = 80x11 +215x12 +100x21 +108x22 +102x31 +68x32s.c.
(Los Angeles) x11 +x12 = 1000(Detroit) x21 +x22 = 1500
(New Orleans) x31 +x32 = 1200(Denver) x11 +x21 +x31 =
2300(Miami) x12 +x22 +x32 = 1400
x11, x12, x21, x22, x31, x32 0
Reprsentation tableau
Denver Miami OffreLos Angeles 80 215 1000
1000Detroit 100 108 1500
1300 200New Orleans 102 68 1200
1200Demande 2300 1400
Problmes non balancs Si loffre nest pas gale la demande : modle
non balanc. Introduction dune source ou destination
artificielle.
Denver Miami OffreLos Angeles 80 215 1000
1000Detroit 100 108 1300
1300New Orleans 102 68 1200
1200Artif. 0 0 200
200Demande 2300 1400
VariantesLe modle de transport nest pas limit au transport de
produits entre des sources et destinations gographiques.
Exemple 22 (Modle de production). Une socit fabrique des sacs
dos, pour lesquels la demande arrive de mars juin et est de 100,
200, 180 et
300 units, respectivement. La production pour ces mois est de
50, 180, 280 et 270, respectivement. La demande peut tre
satisfaite
1. par la production du mois courant ($40 / sac) ;
33
-
2. par la production dun mois prcdent (+ $0.5 / sac / mois pour
le stockage) ;
3. par la production dun mois suivant (+ $2 / sac / mois de
pnalit de retard).
Correspondances avec le modle de transport
Transport Production - stocksSource i Priode de production i
Destination j Priode de demande jOffre la source i Capacit de
production la priode i
Demande la destination j Demande pour la priode jCot de
transport de i j Cot unitaire (production + stock + pnalit)
pour une production en priode i pour la priode j
Exemple 23 (Maintenance dquipements). Une scierie prpare
diffrents types de bois sur base dun plan hebdomadaire. Pour
satisfaire la demande, dpendant du type de bois, la scierie utilise
un nombre donn de lames. Pour satisfaire la demande, deux
possibilits :
acheter une lame ($12) ; faire aiguiser la lame (service express
: $6 en une nuit, sinon $3 en 2 jours).
Demande :Lun Mar Mer Jeu Ven Sam Dim24 12 14 20 18 14 22
Modle de transport8 sources : achat de nouvelles lames (offre =
demande totale), 7 jours de la semaine (offre = nombre de lames
utilises).
8 destinations : 7 jours de la semaine (demande = nombre de
lames utilises) + surplus de lames non achetes /aiguises (demande =
nombre total de lames).
Lun Mar Mer Jeu Ven Sam Dim Surplus OffreAchat 12 12 12 12 12 12
12 0 124Lun 10000 6 6 3 3 3 3 0 24Mar 10000 10000 6 6 3 3 3 0 12Mer
10000 10000 10000 6 6 3 3 0 14Jeu 10000 10000 10000 10000 6 6 3 0
20Ven 10000 10000 10000 10000 10000 6 6 0 18Sam 10000 10000 10000
10000 10000 10000 6 0 14Dim 10000 10000 10000 10000 10000 10000
10000 0 22
Demande 24 12 14 20 18 14 22 124
Algorithme pour le problme de transportBas sur lalgorithme du
simplexe en tenant compte de la structure du problme.
1. Dtermination dune solution de base admissible.
2. Dtermination de la variable entrant en base.
3. Dtermination de la variable sortant de base.
Exemple 24 (Algorithme pour le problme de transport).
34
-
1 2 3 4 Offre1 10 2 20 11 15
2 12 7 9 20 25
3 4 14 16 18 10
Demande 5 15 15 15
Dtermination dune solution de base admissible Heuristiques
"gloutonnes", pas besoin de mthode des deux phases. Variantes :
1. Coin Nord-Ouest
2. Mthode des moindres cots
3. Approximation de Vogel (VAM)
Coin Nord-OuestPartir du coin suprieur gauche du tableau.
1. allouer le plus possible la cellule courante et ajuster
loffre et la demande ;
2. se dplacer dune cellule vers la droite (demande nulle) ou le
bas (offre nulle) ;
3. rpter jusquau moment o toute loffre est alloue.
Exemple 25 (Coin Nord-Ouest).
1 2 3 4 Offre1 10 2 20 11 15
5 102 12 7 9 20 25
5 15 53 4 14 16 18 10
10Demande 5 15 15 15
Cot : 520
Moindres cotsSlectionner la cellule de cot minimum.
1. allouer le plus possible la cellule courante et ajuster
loffre et la demande ;
2. slectionner la cellule de cot minimum ayant une demande et
une offre non nulles ;
3. rpter jusquau moment o toute loffre est alloue.
Exemple 26 (Moindres cots).
1 2 3 4 Offre1 10 2 20 11 15
152 12 7 9 20 25
15 103 4 14 16 18 10
5 5Demande 5 15 15 15
Cot : 475
Approximation de Vogel (VAM)
35
-
1. pour chaque ligne (colonne) avec une offre (demande)
non-nulle, calculer une pnalit gale la diffrenceentre les deux cots
les plus petits dans la ligne (colonne) ;
2. slectionner la ligne ou colonne avec la pnalit maximale et
slectionner la cellule de cot minimum dansla ligne ou colonne ;
3. allouer le plus possible la cellule courante ;
4. lorsquil ne reste quune ligne ou colonne : moindre cots.
Exemple 27 (VAM).
1 2 3 4 Offre1 10 2 20 11 15
152 12 7 9 20 25
15 103 4 14 16 18 10
5 5Demande 5 15 15 15
Cot : 475
Formulation
min z =
mi=1
nj=1
cijxij
s.c. (ui)nj=1
xij = ai i = 1, . . . ,m
(vj)
mi=1
xij = bj j = 1, . . . , n
xij 0 i = 1, . . . ,m, j = 1, . . . , n
Problme dual
max w =
mi=1
aiui +
nj=1
bjvj
s.c. ui + vj cij i = 1, . . . ,m, j = 1, . . . , n
Adaptation du simplexe
Critre doptimalit :ui + vj cij 0
Complmentarit :xij > 0 ui + vj cij = 0
Trois tapes : 1. dtermination des variables duales
(multiplicateurs) ;2. vrification du critre doptimalit et
dtermination de la variable entrante ;
3. dtermination de la variable sortante pour prserver
ladmissibilit et pivotage.
Dtermination des variables duales1. m+ n 1 quations m+ n
inconnues : fixer u1 = 0.
36
-
2. Rsoudre rcursivement le systme
ui + vj cij = 0 pour tout xij > 0.
Exemple 28 (Dtermination des variables duales).
1 2 3 4 Offre1 10 2 20 11 15
5 102 12 7 9 20 25
5 15 53 4 14 16 18 10
10Demande 5 15 15 15
u1 = 0u1 + v1 = 10 v1 = 10u1 + v2 = 2 v2 = 2u2 + v2 = 7 u2 = 5u2
+ v3 = 9 v3 = 4u2 + v4 = 20 v4 = 15u3 + v4 = 18 u3 = 3
Vrification du critre doptimalit et dtermination de la variable
entrante
1 10 2 2 3 4 4 15 Offre1 10 2 20 11 150 5 10 -16 42 12 7 9 20
255 3 5 15 53 4 14 16 18 103 9 -9 -9 10
Demande 5 15 15 15
Dtermination de la variable sortante pour prserver ladmissibilit
et pivotage
Objectifs : 1. loffre et la demande doivent continuer tre
satisfaites ;2. les quantits transportes doivent rester
positives.
Mthode : 1. construction dun cycle parcourant des variables en
base en partant de et revenant la variableentrante ;
2. dplacement le long de lignes et colonnes en alternant ajout
et retrait dune mme quantit.
1 10 2 2 3 4 4 15 Offre1 10 2 + 20 11 150 5 10 -16 42 12 7 9 20
+ 255 3 5 15 53 4 + 14 16 18 103 9 -9 -9 10
Demande 5 15 15 15
= 5
37
-
1 1 2 2 3 4 4 15 Offre1 10 2 20 11 + 150 -9 15 -16 42 12 7 + 9
20 255 -6 0 15 103 4 14 16 18 103 5 -9 -9 5
Demande 5 15 15 15
= 10
1 -3 2 2 3 4 4 11 Offre1 10 2 20 11 150 -13 5 -16 102 12 7 9 20
255 -10 10 15 -43 4 14 16 18 107 5 -5 -5 5
Demande 5 15 15 15
Extension du modle de transport : il est parfois ncessaire (ou
moins cher) dutiliser des noeuds intermdiairespour le
transport.
Deux usines P1 et P2 servent 3 vendeurs D1, D2 et D3, via deux
centres de transit T1 et T2.
1000
1200
P1
P2
D1
D2
D3
800
900
500
3
5
8
6
4
9
2
4
T1
T2
7
5
3
Transformation en problme de transport 3 types de noeuds :
Noeuds doffre purs : arcs sortants uniquement. offre = offre
originaleNoeuds de demande purs : arcs entrants uniquement. demande
= demande originaleNoeuds de transbordement : arcs entrants et
sortants. offre/demande = offre/demande originale + buffer
Les noeuds de transbordement sont la fois sources et
destinations pour le problme de transport. Buffer : quantit
ncessaire pour transporter toute la demande travers le noeud de
transbordement. Dans notre exemple : B = 2200.
T1 T2 D1 D2 D3 OffreP1 3 4 M M M 1000P2 2 5 M M M 1200T1 0 7 8 6
M 2200T2 M 0 M 4 9 2200D1 M M 0 5 M 2200D2 M M M 0 3 2200
Demande 2200 2200 3000 3100 500
38
-
9 Mthodes de Branch-and-Bound
9.1 Branch-and-Bound pour les problmes en nombres entiers Les
mthodes de branch-and-bound sont des mthodes bases sur une
numration "intelligente" des solutions
admissibles dun problme doptimisation combinatoire. Ide :
prouver loptimalit dune solution en partitionant lespace des
solutions. "Diviser pour rgner" Application la programmation
linaire en nombres entiers : utilise toute la puissance de la
programmation
linaire pour dterminer de bonnes bornes. On appelle relaxation
linaire dun programme linaire en nombres entiers le programme
linaire obtenu en
supprimant les contraintes dintgralit sur les variables.
Programme en nombres entiers(P ) max cTx
s.c. Ax bx 0, entier.
Relaxation linaire(LP ) max cTx
s.c. Ax bx 0.
Proprits de la relaxation linaire La valeur de la solution
optimale de LP est une borne suprieure sur la valeur de la solution
optimale de P . La valeur dune solution admissible de P fournit une
borne infrieure sur la valeur de la solution optimale deP .
Si la solution optimale de LP est entire (donc admissible pour P
), elle est galement la solution optimale deP .
Branchement Si la solution de LP nest pas entire, soit xi une
variable prenant une valeur fractionnaire xi dans la solution
optimale de LP . Le problme peut tre divis en deux sous-problmes
en imposant
xi bxi c ou xi bxi c+ 1
o bxi c est le plus grand entier infrieur xi . La solution
optimale de P est la meilleure des solutions optimales des deux
problmes
(P1) max cTx
s.c. Ax bxi bxi cx 0, entier.
(P2) max cTx
s.c. Ax bxi bxi c+ 1x 0, entier.
Exemple 29 (Branch-and-Bound).
max z = 5x1 +4x2s.c. x1 +x2 5
10x1 +6x2 45x1, x2 0, entiers.
(LP ) x1 = 3.75, x2 = 1.25
z = 23.75
39
-
(LP ) x1 = 3.75, x2 = 1.25
z = 23.75
x1 4
(LP1) x1 = 3, x2 = 2
z = 23
(LP2) . . .
x1 3
La solution de LP1 est une solution admissible de P et donc z =
23 est une borne infrieure sur la valeur de lasolution optimale de
P .
Le noeud correspondant peut tre limin vu quune solution entire
optimale satisfaisant x1 3 a t trouve(solution de P1).
La valeur de la solution de LP , z = 23.75 est une borne
suprieure sur la valeur de la solution optimale de P .
40
-
Vu que tout les coefficients sont entiers, on peut en dduire que
la valeur de la solution optimale de P estinfrieure ou gale 23.
La solution de P1 est donc optimale pour P .
Rgles de branchement Il ny a pas de rgle gnrale pour le choix de
la variable de branchement et de la branche examiner en premier. Ce
choix peut avoir un impact important sur le nombre de noeuds
examiner dans larbre de branch-and-bound. Exemple : branchement
dabord du ct .
(LP ) x1 = 3.75, x2 = 1.25
z = 23.75
x1 4
(LP1) x1 = 3, x2 = 2
z = 23
(LP2) x1 = 4, x2 = 0.83
z = 23.33
x1 3
(LP4) Pas de solution
x2 1x2 0
(LP3) x1 = 4.5, x2 = 0
z = 22.5
x1 4 x1 5
(LP5) x1 = 4, x2 = 0
z = 20
(LP6) Pas de solution
9.2 Branch-and-bound pour le voyageur de commerce
Formulation (rappel)
min z =
ni=1
nj=1
cijxij
s.c.nj=1
xij = 1 i = 1, . . . , n
ni=1
xij = 1 j = 1, . . . , ni,jS
xij |S| 1 6= S 6= {1, . . . , n}
xij {0, 1} i = 1, . . . , n, j = 1, . . . , n
Si on retire les contraintes dlimination de sous-tours, on
obtient le problme daffectation. Cette relaxation a une solution
entire qui peut tre obtenue par exemple avec la mthode hongroise.
Le branchement est effectu de manire liminer les sous-tours. La
valeur de la solution optimale du problme daffectation (AP) est une
borne infrieure sur la valeur de la
solution optimale du TSP. Le cot dun tour fournit une borne
suprieure sur la valeur de la solution optimale. Si la solution
optimale de AP est un tour (i.e. sans sous-tour), elle est galement
la solution optimale du TSP. Si un sous-tour apparat :
xi1i2 = xi2i3 = xi3i4 = = xik1ik = xiki1 = 1.
Dans une solution admissible, un de ces arcs doit tre absent,
donc
xi1i2 = 0 ou xi2i3 = 0 ou . . . ou xik1ik = 0 ou xiki1 = 0.
Chacune de ces conditions va correspondre une branche de larbre
de branch-and-bound.
41
-
Exemple 30 (Voyageur de commerce).
1 2 3 4 51 8 2 10 32 9 20 9 73 6 40 7 54 8 4 2 55 9 10 6 9
Solution du problme daffectation
3
5
1 2
4
[153][24] z = 28
[15342] z = 29 [13][254] z = 28[13][254] z = 28
[15342] z = 29
[15243] z = 30
x31 = 0
[135][24] z = 29
x31 = 0
[12543] z = 32
x13 = 0x13 = 0
[153][24] z = 28
x15 = 0x31 = 0
x53 = 0
9.3 Branch-and-bound pour les contraintes disjonctives On peut
utiliser une approche classique pour les problmes en nombres
entiers en introduisant des variables
supplmentaires (voir formulation en dbut de partie). On peut
galement prendre comme relaxation le problme sans les contraintes
disjonctives, et brancher sur les
contraintes non satisfaites.
Exemple 31 (Contraintes disjonctives). Une machine est utilise
pour 3 tches diffrentes. Pour chaque tches i, une dure pi et une
date limite di sont
donnes, ainsi quune pnalit par jour de retard.Tche Dure Limite
Pnalit
1 5 25 192 20 22 123 15 35 34
Comment arranger les tches sur la machine pour minimiser la
pnalit totale ?
Relaxation du problme
42
-
min z = 19s1 +12s2 +34s
3
s.c. x1 +s+1 s1 = 25x2 +s
+2 s2 = 22
x3 +s+3 s3 = 35
x1, x2, x3, s+1 , s
1 , s
+2 , s
2 , s
+3 , s
3 0
x1 5x2 20
x3 15
Branchement sur xi xj + pi ou xj xi + pj . Solution de la
relaxation : ordonnancement au plus tt.
Noeud 0
z = 00 22 25 35
Relaxation : 0 Borne sup. : +.
Noeuds examiner :1 : x1 x2 52 : x2 x1 20
Noeud 1
1 : x1 x2 5
z = 00 22 25 35
Noeud 1 :
Relaxation : 0 Borne sup. : +.
Noeuds examiner :2 : x2 x1 203 : x1 x2 5
x2 x3 204 : x1 x2 5
x3 x2 15
Noeud 3
3 : x1 x2 5x2 x3 20
0 22 25 35
Noeud 3 :
z = 441
Relaxation : 441 Borne sup. : 441
43
-
Noeuds examiner :2 : x2 x1 204 : x1 x2 5
x3 x2 15
Noeud 4
4 : x1 x2 5x3 x2 15
0 22 25 35
Noeud 4 :
z = 0
Relaxation : 0 Borne sup. : 441
Noeuds examiner :2 : x2 x1 205 : x1 x2 5
x3 x2 15x1 x3 5
6 : x1 x2 5x3 x2 15x3 x1 15
Noeud 5
5 : x1 x2 5x3 x2 15x1 x3 5
0 22 25 35
Noeud 5 :
z = 285
Relaxation : 285 Borne sup. : 285
Noeuds examiner :2 : x2 x1 206 : x1 x2 5
x3 x2 15x3 x1 15
Noeud 6
6 : x1 x2 5x3 x2 15x3 x1 15
44
-
0 22 25 35
Noeud 6 :
z = 170
Relaxation : 170 Borne sup. : 170
Noeuds examiner :2 : x2 x1 20
Noeud 2
2 : x2 x1 20
0 22 25 35
Noeud 2 :
z = 36
Relaxation : 36 Borne sup. : 170
Noeuds examiner :7 : x2 x1 20
x2 x3 208 : x2 x1 20
x3 x2 15
Noeud 7
7 : x2 x1 20x2 x3 20
0 22 25 35
Noeud 7 :
z = 156
Relaxation : 156 Borne sup. : 170
Noeuds examiner :8 : x2 x1 20
x3 x2 159 : x2 x1 20
x2 x3 20x1 x3 5
10 : x2 x1 20x2 x3 20x3 x1 15
Noeud 9
45
-
9 : x2 x1 20x2 x3 20x1 x3 5
0 22 25 35
Noeud 9 :
z = 216
Relaxation : 216 Borne sup. : 170
Noeuds examiner :8 : x2 x1 20
x3 x2 1510 : x2 x1 20
x2 x3 20x3 x1 15
Noeud 10
10 : x2 x1 20x2 x3 20x3 x1 15
0 22 25 35z = 216
Noeud 10 :
Relaxation : 216 Borne sup. : 170
Noeuds examiner :8 : x2 x1 20
x3 x2 15
Noeud 8
8 : x2 x1 20x3 x2 15
0 22 25 35
Noeud 8 :
z = 206
Relaxation : 206 Borne sup. : 170
Solution optimale : 170 Ordre des tches : 2, 1, 3 (noeud 6)
46
-
10 Mthodes heuristiques
10.1 Introduction La plupart des problmes pratiques sont
NP-complets. Ncessit de trouver des bonnes solutions rapidement.
Heuristiques ou algorithmes dapproximation.
Raisons de choisir une heuristique Une solution doit tre trouve
rapidement (secondes / minutes). Instance trop grande ou complique
: impossible formuler comme un problme en nombre entiers de
taille
raisonnable. Impossibilit pour le Branch-and-Bound de trouver
une (bonne) solution admissible. Pour certaines classes de problmes
: trouver des solutions admissibles est facile (structure du
problme) mais
une approche gnraliste de programmation en nombres entiers nest
pas efficace.
Questions se poser... Doit-on accepter nimporte quelle solution,
ou doit-on se demander a posteriori quelle distance de
loptimalit
on se trouve ? Peut-on garantir a priori que lheuristique va
produire une solution (ou %) de loptimal ? Peut-on dire a priori
que, pour la classe de problmes considre, lheuristique va produire
en moyenne une
solution % de loptimal ?
Contexte gnralProblme doptimisation combinatoire
min F (x)
s.c. x X.
avec F une fonction valeur relles dfinie sur X ,X lensemble des
solutions admissibles.
HypothseX de trop grande taille pour permettre lnumration.
10.2 Heuristiques de construction Objectif : construire une
(bonne) solution admissible. Se basent sur la structure du problme
pour gnrer une solution. Gnralement : mthodes gloutonnes.
Construisent la solution en ajoutant lment par lment, choix
dfinitifs
(pas de retour en arrire). Dfaut : mthodes aveugles, un mauvais
choix fait en cours de construction ne peut pas tre dfait. Exemples
:
problme de transport (coin nord-ouest, moindre cots, VAM)
voyageur de commerce (plus proche voisin, meilleure insertion)
heuristique gloutonne pour le problme de sac--dos.
Voyageur de commerce : plus proche voisin partir dun sommet
quelconque, par exemple le sommet 1 tant quil reste des sommets
libres faire :
connecter le dernier sommet atteint au sommet libre le plus
proche relier le dernier sommet au sommet 1
Exemple 32 (Voyageur de commerce).
47
-
1 2 3 4 51 8 2 10 32 9 20 9 73 6 40 7 54 8 4 2 55 9 10 6 9
Tour : 1 3 5 4 2 1Cot : 29Remarque : si dmarrage du noeud 2
:Tour : 2 5 3 1 4 2Cot : 33
Voyageur de commerce : meilleure insertion partir dun cycle
rduit une boucle sur le sommet 1 (par exemple) tant quil y a des
sommets libres faire :
pour tous les sommets libres j, chercher la position dinsertion
entre 2 sommets i, k du cycle minimisantM = cij + cjk cik
insrer le sommet qui minimise laccroissement du cot
Exemple 33 (Voyageur de commerce).
1 2 3 4 51 8 2 10 32 9 20 9 73 6 40 7 54 8 4 2 55 9 10 6 9
1. 1 1, k = 3, M = 82. 1 3 1, k = 5, M = 73. 1 5 3 1, k = 4, M =
54. 1 5 4 3 1, k = 2, M = 105. 1 5 2 4 3 1, cot : 30.
Le problme de sac--dos Le problme de sac--dos revient dcider
quels objets mettre dans un contenant ayant une capacit donne W
de manire maximiser le profit total des objets choisis. Chaque
objet a un profit pi 0 et un poids wi 0.Problme de sac--dos
z = maxnj=1
pjxj
s.c.nj=1
wjxj W
xj {0, 1} j = 1, . . . , n
Heuristique gloutonne pour le problme de sac--dosIde de base :
Les objets les plus intressants sont ceux qui ont un petit poids
pour un grand profit, i.e. un rapportpiwi
grand.
Heuristique gloutonne pour le problme de sac--dos1. Ordonner les
objets par ordre dcroissant de piwi ordre i1, . . . , in.2. S =
.
48
-
3. Pour t = 1, . . . , n faire :Si w(S) + wit W , alors S := S
{it}. 1
Analyse de lheuristique
Rsolution de la relaxation linaire1. Ordonner les objets par
ordre dcroissant de piwi ordre i1, . . . , in.2. S = , t = 1.3.
Tant que w(S) + wit W :
S := S {it}.4. Complter la capacit avec la fraction ncessaire de
lobjet it.
Soit S la solution de lheuristique gloutonne, zLP la valeur de
la relaxation linaire et p0 = maxi=1,...,n pi. Considrons z =
max{p(S), p0}.
z = max{p(S), p0} p(S) + p02
zLP2 zOPT
2
10.3 Recherche locale Heuristiques de construction : utiles pour
trouver une premire solution admissible, mais souvent de
mauvaise
qualit. Ide : essayer damliorer cette solution en tenant compte
de la structure du problme. Etant donn une solution, dfinition dune
notion de voisinage de cette solution. Mthode de descente :
recherche du meilleur voisin jusquau moment o aucune amlioration
nest possible. Pour toute solution x X , on dfinit V (x) X comme
tant lensemble des solutions voisines de x (x /V (x)).
Algorithme de descenteInitialisation : x0 X solution
initiale.Etape n : soit xn X la solution courante ;
slectionner x V (xn) ;si F (x) F (xn) :
xn+1 := x ; passer ltape n+ 1.
sinon xn meilleure solution trouve ; stop.
En gnral (si pas trop long), choix du meilleur lment du
voisinage.
Voyageur de commerce : k-optVoisins dun tour : tous les tours
qui peuvent sobtenir en retirant k artes et en reconnectant de la
meilleursmanire possible.
Exemple 34 (2-opt).
1. Notation : w(S) :=
iS wi
49
-
10.4 Mta-heuristiques Inconvnient principal des algorithmes de
descente : sarrte, le plus souvent, dans un optimum local et
non
dans un optimum global. Ide gnrale des mta-heuristiques :
autoriser une dtrioration temporaire de lobjectif, permettant ainsi
de
quitter des minimums locaux tout en maintenant en gnral une
pression favorisant les solutions qui am-liorent l objectif.
Caractristiques des mta-heuristiques plus simples et plus
rapides mettre en oeuvre quand lexigence de qualit de la solution
nest pas trop impor-
tante ; plus souples dans les problmes rels (contraintes non
formules ds le dpart) ; sadaptent plus facilement des contraintes
additionnelles venant du terrain ; fournissent des solutions et des
bornes qui peuvent tre utiles dans des mthodes exactes.
Le recuit simul (simulated annealing)Ide de base provient de
lopration de recuit (annealing), courante en sidrurgie et dans
lindustrie du verre.
Recuit en sidrurgieAprs avoir fait subir des dformations au
mtal, on rchauffe celui-ci une certaine temprature, de manire faire
disparatre les tensions internes causes par les dformations, puis
on laisse refroidir lentement.Lnergie fournie par le rchauffement
permet aux atomes de se dplacer lgrement et le refroidissement lent
figepeu peu le systme dans une structure dnergie minimale.
Application du recuit simul loptimisation Modification de
lheuristique de descente : au lieu de ne permettre que des
mouvements (des changements de solution courante) qui diminuent
lnergie
(la fonction objectif), on autorise des augmentations, mme
importantes, de lnergie au dbut de lexcutionde lalgorithme ;
puis, mesure que le temps passe, on autorise ces augmentations
de plus en plus rarement (la tempraturebaisse).
Finalement, le systme gle dans un tat dnergie minimale.
Recuit simulInitialisation : x0 X solution initiale, F := F
(x0).Etape n : soit xn X la solution courante ;
tirer au sort une solution x V (xn) ;si F (x) F (xn) : xn+1 := x
;
si F (x) < F : F := F (x)sinon, tirer un nombre q au hasard
entre O et 1 ;
si q p : xn+1 := x ;sinon : xn+1 := xn ;
si la rgle darrt nest pas satisfaite,passer ltape n+ 1 ;
sinon, stop.
Paramtres du recuit simul La probabilit p est gnralement une
fonction p(T,F ) dpendant dun paramtre T (temprature), et de la
dgradation de lobjectif F = F (x) F (xn) rsultant du
remplacement de xn par x comme solutioncourante.
Analogie avec les systmes physiques (distribution de Boltzmann)
:
p(T,F ) = eFT
Evolution de la temprature : diminue toutes les L itrations.
Tk = Tk1 = kT0.
50
-
T0 choisi par simulation de sorte quau dbut de lexcution de
lalgorithme, des solutions moins bonnes quela solution courante
soient aisment acceptes. En gnral, on fixe un taux dacceptation
initial moyen dessolutions plus mauvaises que la solution
courante.
Exemple : taux fix 50%, valuer par simulation la dtrioration
moyenne < F > de F (en partant dunesolution initiale
fixe).
TO =< F >
ln 2( p = 0.5)
La longueur L du palier de temprature doit tre dtermine en
tenant compte de la taille des voisinages ; elledevrait augmenter
avec la taille du problme.
En pratique, la dtermination de L est exprimentale. Le paramtre
de dcroissance gomtrique de la temprature est fix, le plus souvent,
aux alentours de 0.9 ou
0.95. Critre darrt : nombre maximal ditrations ou systme est gel
: e.g. si la fonction F a diminu de moins
de 0.1 % pendant cent paliers conscutifs.
Quelques observations sur le recuit simul Voyageur de commerce :
pas concurrentiel par rapport dautres approches. En gnral : amliore
les solutions dune descente pure, mais trs coteux en temps calcul.
Rsultat thorique : sous certaines conditions, converge avec
probabilit 1 vers une solution optimale. Rsultat asymptotique
(nombre ditrations tendant linfini), peu de pertinence en
pratique.
Recherche tabou Emprunte certains de ses concepts lintelligence
artificielle (notion et utilisation de mmoire). Variante de la
recherche locale. Partant de la solution courante xn ltape n, on
calcule la meilleure solution x dans un sous-voisinage V deV (xn).
Cette solution devient la nouvelle solution courante xn+1, quelle
soit meilleure ou moins bonne que laprcdente.
Caractre non monotone pour viter de rester coinc dans des
minimums locaux. MAIS ncessit dun mcanisme qui vite le cyclage.
Listes tabouPour viter le cyclage, on dfinit une ou plusieurs
listes, les listes tabou, qui gardent en mmoire les
derniressolutions rencontres ou des caractristiques de celles-ci.Le
sous-voisinage V de V (xn) exclut ds lors les solutions rencontres
rcemment ou les solutions ayant descaractristiques communes avec
celles-ci.
Exemple 35 (Voyageur de commerce). Villes : {A,B,C,D,E}
Voisinage : 2-change (change de deux villes dans lordre des
visites) Liste tabou : positions changes dans le cycle. Solutions
visites :
xn = (A,B,C,D,E)
xn+1 = (A,D,C,B,E) ((2, 4) devient tabou)xn+2 = (B,D,C,A,E) ((1,
4) devient tabou)xn+3 = (B,C,D,A,E) ((2, 3) devient tabou)xn+4 =
(B,C,D,E,A) ((4, 5) devient tabou)
xn+4 xn mais OK si xn+5 peut tre 6= xn+1. Si la liste est de
longueur 4, les solutions
(B,E,D,C,A), (E,C,D,B,A), (B,D,C,E,A), (B,C,D,A,E)
sont exclues pour xn+5.
51
-
Critres daspirationPuisque les listes tabou cartent des
solutions non rencontres, on peut envisager de ngliger le statut
tabou decertaines solutions si un avantage suffisant en rsulte.Ceci
est implment laide de critres daspiration. Par exemple, on
acceptera pour xn+1 une solution x tabousi x donne la fonction
objectif F une valeur meilleure que toutes celles obtenues jusqu
prsent.
Recherche tabouInitialisation : x0 X solution initiale, F := F
(x0), k = longueur de la liste tabou..Etape n : soit xn X la
solution courante ;
slectionner, dans un sous-voisinage V de V (xn), la meilleure
solution x qui soit :non tabou outabou, mais satisfaisant un critre
daspiration ;
xn+1 := x ;
si F (x) < F : F := F (x)mettre jour la liste tabou ;si la
rgle darrt nest pas satisfaite,
passer ltape n+ 1 ;sinon, stop.
Stratgies avances de la recherche tabou Succession de phases
dintensification et de phases de diversification de la recherche.
Pnalits ou bonifications introduites dans la fonction objectif pour
favoriser ou dfavoriser certains types de
solutions. Adaptation de lensemble des solutions candidates V .
Oscillation stratgique.
10.5 Algorithmes gntiques Conus par Holland (1975) comme un
modle de systme adaptatif complexe capable de simuler,
notamment,
lvolution des espces. Presque immdiatement aprs, appliqus
loptimisation de fonctions de variables relles. Par la suite, de
trs
nombreux problmes doptimisation combinatoire ont t traits. Se
distinguent du recuit et de la recherche tabou par le fait quils
traitent et font voluer une population de
solutions. Au cours dune itration, les solutions de la
population courante interagissent pour fournir la gnration
suivante
(mtaphore de la reproduction sexue).
Description dun algorithme gntique de base Les solutions sont
codes de manire approprie. Un codage lmentaire pour un problme de
programmation
mathmatique en variables binaires est un vecteur x de 0 et de 1,
o chaque composante xj , j = 1, . . . , Nreprsente la valeur prise
par une variable.
Pour le problme du voyageur de commerce, un codage plus usuel
sera une liste ordonne des noms (ou labels)des N villes.
Un vecteur codant une solution est souvent appel chromosome et
ses coordonnes ou sites sont appels gnes. Le choix dun codage
appropri est trs important pour lefficacit des oprateurs qui seront
appliqus pour
faire voluer les solutions. Population initiale de solutions
X(0) (taille constante au cours de lvolution). Fonction dvaluation
des solutions : en gnral, croissante avec la qualit de la solution
(fitness function,
mesurant la sant de lindividu solution). Dans un problme de
maximisation (respectivement, de minimisation), ce peut tre la
fonction objectif (respec-
tivement, loppos de la fonction objectif). Pour des raisons
defficacit de lalgorithme, on peut tre amen choisir la fonction
dvaluation de manire
plus sophistique, mais elle sera toujours croissante
(respectivement, dcroissante) en la valeur de lobjectifdans un
problme de maximisation (respectivement, de minimisation).
52
-
Algorithme gntiqueInitialisation : X(0) X , population
initiale.Etape n : X(n) X , population courante ;
slectionner dans X(n) un ensemble de paires de solutions de
haute qualit ; appliquer chacune des paires de solutions
slectionnes un oprateur de croisement qui produit une ou
plusieurs solutions enfants ; remplacer une partie de X(n) forme
de solutions de basse qualit par des solutions enfants de haute
qualit ; appliquer un oprateur de mutation aux solutions ainsi
obtenues ; les solutions ventuellement mutes
constituent la population X(n+1) ;si la rgle darrt nest pas
satisfaite,
passer ltape n+ 1 ;sinon, stop.
Slection La slection - aussi bien celle des individus de haute
qualit que celle des individus de basse qualit -
comporte gnralement un aspect alatoire. Chaque individu xi se
voit attribuer une probabilit pi dtre choisi dautant plus grande
que son valuation est
haute (basse, dans le cas dune slection de mauvais individus).
On tire un nombre r au hasard (uniformment) entre 0 et 1. Lindividu
k est choisi tel que :
k1i=1
pi < r ki=1
pi
La procdure est itre jusqu ce que lon ait choisi un nombre fix
dindividus.
CroisementSoit deux solutions x et y slectionnes parmi les
solutions de haute qualit. Un oprateur de croisement
(crossover)fabrique une ou deux nouvelles solutions x, y en
combinant x et y.Exemple 36 (Two-point crossover). x et y vecteurs
0-1 ; slectionner alatoirement deux positions dans les vecteurs et
permuter les squences de 0 et de l figurant entre
ces deux positions dans les deux vecteurs. Pour les vecteurs
:
x = 0 1 1 0 1 1 0 0y = 1 1 0 0 1 0 1 O
si les positions aprs 2 et aprs 5 sont choisies, on obtient
:
x = 0 1 0 0 1 1 0 0y = 1 1 1 0 1 0 1 O
Mutation Une mutation est une perturbation introduite pour
modifier une solution individuelle, par exemple la transfor-
mation dun 0 en un 1 ou inversment dans un vecteur binaire. En
gnral, loprateur de mutation est appliqu parcimonieusement : on
dcide de muter une solution avec
une probabilit assez faible (de lordre de quelques centimes,
tout au plus). Un but possible de la mutation est dintroduire un
lment de diversification, dinnovation comme dans la
thorie darwinienne de lvolution des espces.
Remarques finales La recherche tabou peut tre trs efficace, mais
implmentation et ajustement des paramtres difficiles, forts
dpendants de la structure du problme. Les algorithmes gntiques
sont efficaces si la structure du problme est bien exploite.
Mthodes hybrides trs efficaces (exemple : recherche locale utilise
comme oprateur de mutation).
53