Programmation Linéaire

Quelques exemples Approche graphique Approche g eom etrique Extensions
Programmation Lin eaire - Cours 1

P. Pesneau pierre.pesneau@math.u-bordeaux1.fr
Universit e Bordeaux 1 B at A33 - Bur 265
Ouvrages de r ef erence
V. Chv atal - Linear Programming, W.H.Freeman, New York, 1983. Japanese translation published by Keigaku Shuppan, Tokyo, 1986. R. J. Vanderbei - Linear Programming, Foundations and Extensions, Springer-Verlag, 2008. C. Gu eret, C. Prins et M. Sevaux - Programmation lin eaire : 65 probl` emes doptimisation mod elis es et r esolus avec Visual Xpress, Eyrolles, 2000. C. Prins et M. Sevaux - Programmation lin eaire avec Excel : 55 probl` emes doptimisation mod elis es pas ` a pas et r esolus avec Excel, Eyrolles, 2011.
Exemple 1 : Production Exemple 2 : Transport Exemple 3 : Planication
Sommaire
Quelques exemples Exemple 1 : Production Exemple 2 : Transport Exemple 3 : Planication Approche graphique Approche g eom etrique Extensions
2 3 4
Probl` eme de production

Un fabricant produit 2 types de yaourts ` a la fraise A et B ` a partir de Fraise, de Lait et de Sucre. Chaque yaourt doit respecter les proportions suivantes de mati` eres premi` eres. A 2 1 0 B 1 2 1
Fraise Lait Sucre
Les mati` eres premi` eres sont en quantit e limit ee : 800 kilos de Fraises, 700 kilos de Lait et 300 kilos de sucre. La vente des yaourts A rapportent 4e par kilo et les yaourts B 5e.
Mod elisation :
Variables : xi : quantit e (en kg) de yaourts du type i = A, B produit Objectif : Maximiser 4xA + 5xB Contraintes : 2xA + xA + xA , xB 2xB xB xB 800 700 300 0
Probl` eme de transport

Approvisionner au moindre co ut les clients ` a partir des usines. Usines (i I ) Productions (pi ) Clients (j J ) Demandes (dj ) Prix/unit e (ci ,j ) Bordeaux Biarritz Toulouse Pau 20 Pau 26 12 19 Bordeaux 25 Bayonne 12 Bayonne 19 2 30 Biarritz 15 Toulouse 20 Libourne 14 Libourne 4 24 28
Bordeaux 9 Bordeaux 0 20 24
Mod elisation :
Variables : xi ,j : quantit e transport ee de i ` aj Objectif : Minimiser Contraintes : xi ,j pi , x i I i ,j = dj , xi ,j 0,

j J i I j J ci ,j xi ,j
i I j J i I , j J
Probl` eme de planication

Planier la production darticles ` a moindre co ut pour les 4 prochains mois. Production maximale normale : 1200 articles / mois Production maximale en heure sup : 400 articles / mois Sur-co ut heures sup : 7 euros / article Stockage : 3 euros / article / mois mois 1 900 mois 2 1100 mois 3 1700 mois 4 1300
Demandes
Mod elisation :
Variables : xt : production normale en p eriode t = 1, . . . , 4 yt : production en heure sup en periode t = 1, . . . , 4 st : stock en n de p eriode t = 1, . . . , 3 Objectif : =4 t =3 Minimiser 7 t t =1 yt + 3 t =1 st Contraintes : x1 + y1 = 900+ s1 s1 + x2 + y2 = 1100+ s2 s2 + x3 + y3 = 1700+ s3 s3 + x4 + y4 = 1300 0 xt 1200, t = 1, . . . , 4 0 yt 400, t = 1, . . . , 4 st 0, t = 1, . . . , 3
P. Pesneau pierre.pesneau@math.u-bordeaux1.fr Programmation Lin eaire - Cours 1
Hypoth` eses de base Repr esentation graphique R esolution graphique
Sommaire
1 2
Quelques exemples Approche graphique Hypoth` eses de base Repr esentation graphique R esolution graphique Approche g eom etrique Extensions
3 4
Hypoth` eses fondamentales pour la programmation lin eaire

Lin earit e : Objectif et contraintes sont des fonctions lin eaires par rapport aux variables de d ecisions (co ecients de variables constants, pas de produit de variables) Objectif : c 1 x1 + c 2 x2 + + c n xn Contraintes : a1,1 x1 + a1,2 x2 + + a1,n xn = b1 a2,1 x1 + a2,2 x2 + + a2,n xn b2 a3,1 x1 + a3,2 x2 + + a3,n xn b3 Continuit e : Les variables peuvent prendre nimporte quelle valeur r eelle (par opposition aux variables enti` eres) x1 , x2 , . . . , xn IR n
Repr esentation graphique

Revenons au premier exemple :
xB 2xA + xB 800
Max
4xA + 2xA + xA + xA ,
5xB xB 2xB xB xB
800 700 300 0
xB 300
xA + 2xB 700
xA
Terminologie
Solution : Aectation de valeurs num eriques aux variables du probl` eme. Solution r ealisable : Une solution est r ealisable si les valeurs num eriques associ ees aux variables satisfont ` a lensemble des contraintes du programme lin eaire R egion r ealisable : Ensemble des solutions r ealisables.
xB 2xA + xB 800
xB 300
xA + 2xB 700
xA
R esolution graphique
xB 2xA + xB 800
Max
4xA + 2xA + xA + xA ,
5xB xB 2xB xB xB
800 700 300 0
xB 300 4xA + 5xB = 2900 xA + 2xB 700 4xA + 5xB = 2200 4xA + 5xB = 1000 4xA + 5xB = 0 xA
Quelques observations
La solution optimale (sil en existe une) se trouve sur la fronti` ere de la r egion r ealisable Quand il en existe, il existe toujours une solution optimale sur un sommet (point extr eme) de la r egion r ealisable Il sut dexaminer les points extr emes de la r egion r ealisable (la PL est un probl` eme doptimisation combinatoire)
xB 2xA + xB 800
xB 300 4xA + 5xB = 2900 xA + 2xB 700 4xA + 5xB = 2200 4xA + 5xB = 1000 4xA + 5xB = 0 xA
R esolution g eom etrique Terminologie
Sommaire
1 2 3
Quelques exemples Approche graphique Approche g eom etrique R esolution g eom etrique Terminologie Extensions
Algorithme g eom etrique

1
Partir dun point extr eme x de la r egion r ealisable D eterminer une ar ete le long de laquelle lobjectif augmente. Sil nen existe pas, x est optimal, STOP Se d eplacer le long de lar ete jusquau point extr eme y suivant. Sil nexiste pas, le probl` eme est non born e, STOP Sinon, poser x y et revenir en 2
xB
1 0 4xA + 5xB 0 1
= 2200
xA
Algorithme g eom etrique

xB
Theorem Loptimum local ainsi obtenu (meilleur que ses voisins) est un optimum global
1 0 4xA + 5xB 0 1
= 2200
xA
Variables d ecart / Forme standard
Max
4xA + 2xA + xA + xA ,
5xB + xB + 2xB + xB + xB ,
0 s1 + s1
0 s2 + s2
0 s3 = 800 = 700 = 300 0
s1 ,
s2 ,
s3 s3
Chaque variable peut etre associ ee ` a une contrainte n variables m contraintes n + m variables m contraintes
Forme normale / Forme Standard

Normale Max s.c. Ax x cx b 0 Ajout variables d ecart = Standard Max s.c. Ax x cx =b 0
Transformation en forme normale : Min cx Max c x o` u c = c ax b a x b o` u a = a et b = b ax = b ax b et ax b Variable xi 0 : on d enit une nouvelle variable xi 0 et on pose xi = xi Variable xi non restreinte : on d enit deux nouvelles variables + + xi , xi 0 et on pose xi = xi xi
Interpr etation g eom etrique

xB
Chaque in egalit e lin eaire d enit n un demi-espace dans IR Lintersection de ces demi-espaces d enit un poly` edre dans IR n qui corespond ` a la r egion r ealisable Chaque face du poly` edre est un sous ensemble de points qui satisfont une des in egalit es ` a l egalit e
2xA + xB 800
xB 300
xA + 2xB 700
xA
D enition g eom etrique dun sommet

Les points extr emes du poly` edre sont les points qui se trouvent ` a lintersection dau moins n hyperplans Ils sont donc caract eris es par n variables de valeur 0 (celles associ ees aux hyperplans qui forment lintersection) Si lintersection est d enie par plus de n hyperplans, alors la solution est dite d eg en er ee Id ee na ve pour obtenir une solution ` a partir de la forme standard : 1 Choisir n hyperplans 2 Mettre les variables associ ees ` a0 3 R esoudre le syst` eme lin eaire ` a m variables et m equations Attention, le syst` eme na pas n ecessairement de solution. Si oui, la solution nest pas forcement r ealisable
pivotage
le pivotage consiste ` a passer dun point extr eme ` a un point extr eme voisin en longeant une ar ete Deux solutions voisines ne dif` erent que par un hyperplan Lop eration consiste ` a choisir deux hyperplans (et donc deux variables) qui vont pivoter pour la description du point voisin.
Extension 1 : Programme lin eaire en nombres entiers Extension 2 : Objectif quadratique
Sommaire
1 2 3 4
Quelques exemples Approche graphique Approche g eom etrique Extensions Extension 1 : Programme lin eaire en nombres entiers Extension 2 : Objectif quadratique
Probl` eme de localisation de d ep ots
Parmi un ensemble de sites potentiels, choisir o` u construire des d ep ots et aecter les magasins aux d ep ots pour leur r eapprovisionnement. Minimiser le co ut de construction et la distance parcourrue. Donn ees : I = {1, . . . , n} : ensemble des sites potentiels J = {1, . . . , m} : ensemble des magasins fi : co ut de construction du d ep ot i I di ,j : distance entre le d ep ot i I et le magasin j J
Mod elisation :
Variables : xi =
1 si on construit en i I 0 sinon 1 si le d ep ot i I dessert le magasin j J yi ,j = 0 sinon Objectif : Minimiser i I fi xi + i I j J di ,j yi ,j Contraintes :

i I yi ,j = 1, yi ,j xi , xi {0, 1}, yi ,j {0, 1},
j i i i
J I,j J I I,j J
Composition de portefeuille nancier

Probl` eme : D eterminer un ensemble davoirs nanciers qui vont composer le portefeuille, minimisant les risques et assurant une certaine rentabilit e. Donn ees : I = {1, . . . , n} ensemble davoirs nanciers possibles Ci ,j , i , j I covariance entre les avoirs pi prot g en er e par lavoir i I R rentabilit e minimum du portefeuille
Mod elisation continue :
Variables : xi = Proportion de lavoir i I dans le portefeuille Objectif : Minimiser Contraintes : p i xi R x i I i = 1 xi 0,

i I i I j I
Ci ,j xi xj
i I
Mod elisation enti` ere :
Variables : xi =
1 si on prend lavoir i I 0 sinon

i I j I
Objectif : Minimiser Contraintes :
Ci ,j xi xj
i I p i x i R xi {0, 1},
i I
Mod elisation enti` ere : lin earisation de lobjectif

Variables : xi = 1 si on prend lavoir i I 0 sinon 1 si les avoirs i , j I sont pris ensemble yi ,j = 0 sinon Objectif : Minimiser Minimiser i I j I Ci ,j xi xj C y i , j i , j i I j I Contraintes : yi ,j xi i , j I yi ,j xj i , j I yi ,j xi + xj 1 i , j I yi ,j {0, 1}, i , j I p x R i I i i xi {0, 1}, i I

Programmation Linéaire

Încărcat de

Informații document

Titlu original

Drepturi de autor

Formate disponibile

Partajați acest document

Partajați sau inserați document

Opțiuni de partajare

Vi se pare util acest document?

Este necorespunzător acest conținut?

Drepturi de autor:

Formate disponibile

Programmation Linéaire

Încărcat de

Drepturi de autor:

Formate disponibile

Quelques exemples Approche graphique Approche g eom etrique Extensions

Programmation Lin eaire - Cours 1

Programmation Lin eaire - Cours 1

Quelques exemples Approche graphique Approche g eom etrique Extensions

Programmation Lin eaire - Cours 1

Quelques exemples Approche graphique Approche g eom etrique Extensions

Exemple 1 : Production Exemple 2 : Transport Exemple 3 : Planication

Programmation Lin eaire - Cours 1

Quelques exemples Approche graphique Approche g eom etrique Extensions

Exemple 1 : Production Exemple 2 : Transport Exemple 3 : Planication

Probl` eme de production

Fraise Lait Sucre

Programmation Lin eaire - Cours 1

Quelques exemples Approche graphique Approche g eom etrique Extensions

Exemple 1 : Production Exemple 2 : Transport Exemple 3 : Planication

Programmation Lin eaire - Cours 1

Quelques exemples Approche graphique Approche g eom etrique Extensions

Exemple 1 : Production Exemple 2 : Transport Exemple 3 : Planication

Probl` eme de transport

Programmation Lin eaire - Cours 1

Quelques exemples Approche graphique Approche g eom etrique Extensions

Exemple 1 : Production Exemple 2 : Transport Exemple 3 : Planication

Variables : xi ,j : quantit e transport ee de i ` aj Objectif : Minimiser Contraintes : xi ,j pi , x i I i ,j = dj , xi ,j 0,

Programmation Lin eaire - Cours 1

Quelques exemples Approche graphique Approche g eom etrique Extensions

Exemple 1 : Production Exemple 2 : Transport Exemple 3 : Planication

Probl` eme de planication

Programmation Lin eaire - Cours 1

Quelques exemples Approche graphique Approche g eom etrique Extensions

Exemple 1 : Production Exemple 2 : Transport Exemple 3 : Planication

Quelques exemples Approche graphique Approche g eom etrique Extensions

Hypoth` eses de base Repr esentation graphique R esolution graphique

Programmation Lin eaire - Cours 1

Quelques exemples Approche graphique Approche g eom etrique Extensions

Hypoth` eses de base Repr esentation graphique R esolution graphique

Hypoth` eses fondamentales pour la programmation lin eaire

Programmation Lin eaire - Cours 1

Quelques exemples Approche graphique Approche g eom etrique Extensions

Hypoth` eses de base Repr esentation graphique R esolution graphique

Repr esentation graphique

800 700 300 0

Programmation Lin eaire - Cours 1

Quelques exemples Approche graphique Approche g eom etrique Extensions

Hypoth` eses de base Repr esentation graphique R esolution graphique

Quelques exemples Approche graphique Approche g eom etrique Extensions

Hypoth` eses de base Repr esentation graphique R esolution graphique

800 700 300 0

Programmation Lin eaire - Cours 1

Quelques exemples Approche graphique Approche g eom etrique Extensions

Hypoth` eses de base Repr esentation graphique R esolution graphique

Programmation Lin eaire - Cours 1

Quelques exemples Approche graphique Approche g eom etrique Extensions

R esolution g eom etrique Terminologie

Programmation Lin eaire - Cours 1

Quelques exemples Approche graphique Approche g eom etrique Extensions

R esolution g eom etrique Terminologie

Algorithme g eom etrique

Programmation Lin eaire - Cours 1

Quelques exemples Approche graphique Approche g eom etrique Extensions

R esolution g eom etrique Terminologie

Algorithme g eom etrique

Programmation Lin eaire - Cours 1

Quelques exemples Approche graphique Approche g eom etrique Extensions