Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Introduction
` `
` ` `
Hypothses de la programmation linaire Pourquoi tudier la programmation linaire ? Interprtation gomtrique : reprsentation et rsolution graphique
Un programme linaire (PL) est un problme doptimisation consistant maximiser (ou minimiser) une fonction objectif linaires de n variables de dcision soumises un ensemble de contraintes exprimes sous forme dquations ou dinquations linaires. A lorigine, le terme programme a le sens de planification oprationnelle mais il est aujourdhui employ comme synonyme de problme (doptimisation). La terminologie est due G. B. Dantzig, inventeur de lalgorithme du simplexe (1947).
3 (c) DHAHRI Issam, ISAE Gafsa, 2011/2012
Terminologies
` ` ` `
Les variables x1, . . . , xn sont appeles variables de dcisions du problme. La fonction linaire optimiser est appele fonction objectif (ou parfois fonction objet). Les contraintes prennent la forme dquations et dinquations linaires. Les contraintes de bornes se rsument souvent des contraintes de non-ngativit xi 0. Elles sont gnralement traites de manire spciale par les algorithmes de rsolutions
Vous disposez de
` ` `
` ` `
pour confectionner des chaussons et des tartes. Pour faire un chausson, il vous faut 150 g de pommes et 75 g de pte. Chaque chausson est vendu 3 DT. Pour faire une tarte, il vous faut 1 kg de pommes, 200 g de pte et 1 plaque. Chaque tarte est divise en 6 parts vendues chacune 2 DT. Que faut-il cuisiner pour maximiser le chiffre daffaires de la vente ?
6 (c) DHAHRI Issam, ISAE Gafsa, 2011/2012
` `
Le chiffre daffaires associ une production (x1, x2) est z = 3x1 + (6 2)x2 = 3x1 + 12x2. Il ne faut pas utiliser plus de ressources que disponibles 150x1 + 1000x2 8000 (pommes), 75x1 +200x2 2500 (pt), x2 6 (plaques). On ne peut pas cuisiner des quantits ngatives : x1 0, x2 0
7 (c) DHAHRI Issam, ISAE Gafsa, 2011/2012
Pour maximiser le chiffre daffaires de la vente, il faut dterminer les nombres x1 et x2 de chaussons et de tartes cuisiner, solution du problme
Max z = 3x1 + 12x2 s.c. 150x1 + 1000x2 8000 75x1 + 200x2 2500 x2 6 x1 , x2 0
Les chauffeurs travaillent cinq jours daffile (et peuvent donc avoir leurs deux jours adjacents de cong nimporte quand dans la semaine). Objectifs : dterminer les effectifs formant les sept quipes possibles de chauffeurs de manire
` `
9
Variables de ddcision : On associe une variable de dcision chacune des sept quipes possibles
` x1
: nombre de chauffeurs dans l quipe du lundi (repos le samedi et le dimanche), x2 : nombre de chauffeurs dans lquipe du mardi, ... x7 : nombre de chauffeurs dans lquipe du dimanche.
` ` `
Contraintes de bornes : Le nombre de chauffeurs dans chaque quipe doit non seulement tre non ngatif mais galement entier ! xi 0 et entier, i = 1, . . . , 7
11 (c) DHAHRI Issam, ISAE Gafsa, 2011/2012
12
3. 4.
La linarit des contraintes et de la fonction objectif. La proportionnalit des gains/cots et des consommations de ressources. La divisibilit des variables. Le dterminisme des donnes.
Lors de la modlisation dun problme rel, limpact de ces hypothses sur la validit du modle mathmatique doit tre tudi. Cette analyse peut mener choisir un modle diffrent (non linaire, stochastique, ...) et est essentielle pour la phase dinterprtation des rsultats fournis par le modle
13 (c) DHAHRI Issam, ISAE Gafsa, 2011/2012
Malgr les hypothses sous-jacentes assez restrictives, de nombreux problmes peuvent tre modlises par des programmes linaires. Ces problmes apparaissent dans des domaines aussi varis que
Il existe des algorithmes gnraux (et des codes les mettant en uvre) permettant de rsoudre efficacement des programmes linaires (mme lorsque le nombre de variables et de contraintes est important).
14
Interpretations geometries
`
Lensemble des solutions dune inquations (linaire) correspond un demi-espace dans Rn (un demi-plan dans R2). Lensemble des solutions dune quation (linaire) correspond un hyperplan dans Rn (une droite dans R2). Lensemble des solutions dun systme dquations et dinquations (linaires) correspond lintersection des demi-espaces et des hyper-plans associs chaque lment du systme. Cette intersection, appele domaine admissible, est convexe et dfinit un polydre dans Rn (une rgion polygonale dans R2).
15 (c) DHAHRI Issam, ISAE Gafsa, 2011/2012
Terminologies
` `
` ` `
Une solution est une affectation de valeurs aux variables du problme. Une solution est admissible si elle satisfait toutes les contraintes du problme (y compris les contraintes de bornes). La valeur dune solution est la valeur de la fonction objectif en cette solution. Le domaine admissible D dun PL est lensemble des solutions admissibles du problme. La solution optimale dun PL (si elle existe) est forme des valeurs optimales des variables du problme et de la valeur associe de la fonction objectif.
16 (c) DHAHRI Issam, ISAE Gafsa, 2011/2012
Les lignes de niveau de la fonction objectif sont des droites parallles dans R2. Il existe des solutions admissibles de valeur z si la ligne de niveau associe cette valeur intersecte le domaine admissible D du problme. Pour dterminer la valeur maximale atteignable par une solution admissible, il suffit de faire glisser le plus loin possible une ligne de niveau de la fonction objectif jusqu ce quelle touche encore tout juste D. Les points de contact ainsi obtenus correspondent aux solutions optimales du PL.
17 (c) DHAHRI Issam, ISAE Gafsa, 2011/2012
Vide: dans un tel cas le problme est sans solution admissible (et ne possde videmment pas de solution optimale). born (et non vide): le problme possde toujours au moins une solution optimale, quelle que soit la fonction objectif. non born: dans ce cas, selon la fonction objectif choisie: ` le problme peut possder des solutions optimales ; ` il peut exister des solutions admissibles de valeur arbitrairement grande (ou petite). Dans un tel cas le PL nadmet pas de solution optimale finie et est dit non born.
(c) DHAHRI Issam, ISAE Gafsa, 2011/2012
18
19
Contraintes marketing
` `
La production totale ne peut excder 700 douzaines. Le nombre de Space Rays ne peut dpasser le nombre de Zapper de plus 350 douzaines. Un Space Rays ncessite 2 kg de plastique et 3 minutes de main d uvre par douzaine. Un Zapper ncessite 1 kg de plastique et 4 minutes de main d uvre par douzaine.
(c) DHAHRI Issam, ISAE Gafsa, 2011/2012
Description technologique
` `
20
La production du plus grand nombre possible de Space Ray qui sont plus profitables (8D de profit par douzaine). Lutilisation des ressources restantes pour la production de Zappers (5D de profit par douzaine). Space Rays Zapper Profit = 450 douzaines = 100 douzaines = 4100 D par semaine
Formulation
`
Variables de dcision:
`
X1 = Niveau de production de Space Rays (en douzaines par semaine). X2 = Niveau de production de Zappers (en douzaines par semaine).
Fonction objectif:
`
22
PL
`
23
X1
24
X2 1000
La contrainte Plastique : 2X1+X2 e 1000 La contrainte de production totale : X1+X2 e 700 (redondante)
700 500
Non-ralisable
Temps de production 3X1+4X2 e 2400
Ralisable
500 X1 700
25
La contrainte plastique : 2X1+X2 e1000 Contrainte production totale: X1+X2 e700 (redundant)
700 500
Non-ralisable Ralisable
500 700
X1
Points intrieurs.
Points Extrmes.
X2 1000
Dmarrons dun profit arbitraire p.ex. = 2000 DT... Augmentons ce profit, tant que possible... ...Jusqu ce que lon ait un profit non-ralisable
700 500
Profit =4360DT
X1 500
27 (c) DHAHRI Issam, ISAE Gafsa, 2011/2012
` `
La production totale est de 680 (e 700). La production de Space Rays ne dpasse pas celle de Zappers (e 350).
28
Si un programme linaire possde une solution optimale, il existe un point extrme qui est optimal.
29
Pour que des solution optimales multiples puissent exister, la fonction objectif doit tre parallle une contrainte Toute moyenne pondre de solutions optimales sera aussi une solution optimale.
30
La solution optimale est-elle sensible des changements de de paramtres dans les donnes? Cette question est importante parce que souvent:
` ` `
La valeur des paramtres utiliss est une estimation. Des changements sont frquents dans les donnes. Une analyse de scnarios est souvent source dinformations conomiques et oprationnelles.
31
Analyse de sensibilit :
coefficients de la fonction objectif
X2
500
X1 500
32
800
X2
Domaine doptimalit: [3.75, 10]
500
X1 400
33
600
800
Le coefficient de la fonction objectif reste dans son domaine doptimalit Il ny pas dautre changements des paramtres du modle.
La valeur de la fonction objectif changera si la valeur optimale de la variable (associe au coefficient) nest pas nulle.
34
Le cot rduit pour une variable sa borne infrieure (en gnral zro) donne:
`
Le montant dont le coefficient de la variable doit changer avant que la variable ne puisse avoir une valeur au dessus de sa borne infrieur (dans la solution optimale).
Le montant dont la fonction objectif changera par unit daugmentation de cette variable par rapport sa borne infrieure (en forant cette augmentation).
35
Toutes autres choses restant gales, de combien la valeur optimale de lobjectif changera si le membre de droite dune contrainte change dune unit? Pour combien dunits en plus ou en moins ce changement par unit est-il valable?
36
X2
1000
Quand on dispose de plus de plastique (la contrainte plastique est relche), le membre de droite de la contrainte augmente.
Profit maximum = 4360
X1 500
Toutes autres choses tant gales par ailleurs, le changement de valeur de la fonction objectif par unit daugmentation du membre de droite dune contrainte est appel cot dual ( Shadow Price )
38
Tout changement dans le membre de droite dune contrainte active modifiera la solution optimale. Tout changement dans le membre de droite dune contrainte inactive qui est infrieur lcart, ne causera pas de changement de la solution optimale.
39
Domaine ralisable
Contrainte plastique
X2
1000
Augmenter la quantit de plastique ne sert que jusqu ce quune nouvelle contrainte devienne active.
Une nouvelle contrainte devient active
500
Domaine ralisable
Contrainte Plastique
X2
1000
500
Domaine ralisable
X2
1000
Solution non-ralisable
500
500
Lensemble des valeurs du membre de droite pour lesquelles le mme ensemble de contraintes dtermine la solution optimale. A lintrieur du domaine ralisable les cots duaux restent constants; nanmoins la solution optimale changera.
43
Cots fixes: Le cot dual est la valeur dune unit supplmentaire de la ressource, tant donn que le cot de la ressource nest pas inclus dans le calcul de la fonction objectif. Cots variables: Le cot dual est la valeur supplmentaire dune unit de ressource par rapport son cot existant, tant donn que le cot de la ressource est dj inclus dans le calcul de la fonction objectif.
44
` ` ` ` `
45
` `
46
47
Problme de maximisation Toutes les contraintes sont du type Toutes les variables sont non ngatives
48
Problme de maximisation Toutes les contraintes sont des quations Toutes les variables sont non ngatives La formulation exhibe une solution particulire dite basique
49
remarques
On passe de la forme canonique la forme standard en ajoutant dans chaque contrainte i une variable dcart xn+i.
` `
La solution particulire obtenue en fixant les variables de dcision x1, . . . , xn zro joue un rle important (solutions basiques).
50
Rgles de transformation
` ` `
inequation :
Inquation surplus)
rel peut tre crit comme la diffrence de deux nombres non ngatifs.
51 (c) DHAHRI Issam, ISAE Gafsa, 2011/2012
Exemple
52
suite