Está en la página 1de 53

Programmation linaire

Introduction
` `

Quest-ce quun programme linaire ? Exemples :


` `

allocation de ressources problme de recouvrement

` ` `

Hypothses de la programmation linaire Pourquoi tudier la programmation linaire ? Interprtation gomtrique : reprsentation et rsolution graphique

(c) DHAHRI Issam, ISAE Gafsa, 2011/2012

Quest-ce quun programme linaire ?


`

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

Forme gnrale dun programme linaire

(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

(c) DHAHRI Issam, ISAE Gafsa, 2011/2012

Exemple : problme dallocation de ressources


`

Vous disposez de
` ` `

8 kg de pommes, 2.5 kg de pt, 6 plaques.

` ` `

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

dfinissons 2 variables de dcision


` `

x1 : le nombre de chaussons confectionns, x2 : le nombre de tartes confectionnes

` `

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

Problme dallocation de ressources : modle


`

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

En fait, il faudrait galement imposer x1 et x2 de ne prendre que des valeurs entires.

(c) DHAHRI Issam, ISAE Gafsa, 2011/2012

Exemple : problme de recouvrement


`

Donnes : Les demandes journalires en chauffeurs dans une entreprise de transport

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

couvrir tous les besoins, engager un nombre minimum de chauffeurs.


(c) DHAHRI Issam, ISAE Gafsa, 2011/2012

Problme de recouvrement : modlisation


`

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.

` ` `

Fonction objectif : On veut minimiser le nombre total de chauffeurs engags z = x1 + . . . + x7


10 (c) DHAHRI Issam, ISAE Gafsa, 2011/2012

Contraintes : Le nombre de chauffeurs prsents chaque jour doit tre suffisant

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

Problme de recouvrement : formulation

Ce problme nest pas un PL mais un programme linaire en nombres entiers (PLNE) !


(c) DHAHRI Issam, ISAE Gafsa, 2011/2012

12

Les hypothses de la programmation linaire


1. 2.

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

Pourquoi tudier la programmation linaire ?


`

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

(c) DHAHRI Issam, ISAE Gafsa, 2011/2012

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

Rsolution graphique dans le plan


` `

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

Rsultat dune optimisation linaire


Le domaine admissible dun PL peut tre
`

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

Aucun point, ne se trouve au dessus de 1 et en dessous de 2 et 3

19

(c) DHAHRI Issam, ISAE Gafsa, 2011/2012

Exemple : Optimisation de la production (1)


`

Galaxy fabrique deux modles de pistolets eau :


` `

le Space Ray. le Zapper. 1000 Kg de plastic. 40 heures de production par semaine.

Les ressources sont limites


` `

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

Exemple : Optimisation de la production (2)


`

Le plan de production actuel prvoit :


` `

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

Le plan de production mis en place:

La direction cherche un plan de production qui augmenterait les profits de la compagnie.


21 (c) DHAHRI Issam, ISAE Gafsa, 2011/2012

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:
`

Profit hebdomadaire maximiser

22

(c) DHAHRI Issam, ISAE Gafsa, 2011/2012

PL
`

23

(c) DHAHRI Issam, ISAE Gafsa, 2011/2012

Analyse graphique la rgion ralisable


Nous pouvons reprsenter graphiquement la fonction objectif, les contraintes et les trois types de points ralisables
X2

Les contraintes de non-ngativit

X1

24

(c) DHAHRI Issam, ISAE Gafsa, 2011/2012

Analyse graphique la rgion ralisable

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

(c) DHAHRI Issam, ISAE Gafsa, 2011/2012

Analyse graphique la rgion ralisable


X2 1000

La contrainte plastique : 2X1+X2 e1000 Contrainte production totale: X1+X2 e700 (redundant)

700 500

Non-ralisable Ralisable
500 700

Temps de production 3X1+4X2e2400

Contrainte mix marketing: X1-X2 e 350

X1

Points intrieurs.

Points aux limites.

Points Extrmes.

Il y a trois types de points ralisables


26 (c) DHAHRI Issam, ISAE Gafsa, 2011/2012

Trouver une solution optimale

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

Caractristiques de la solution optimale

Space Rays = 320 douzaines Zappers = 360 douzaines Profit = 4360DT


`

Cette solution utilise tout le plastique et toutes les heures de production.

` `

La production totale est de 680 (e 700). La production de Space Rays ne dpasse pas celle de Zappers (e 350).

28

(c) DHAHRI Issam, ISAE Gafsa, 2011/2012

Solution optimale et points extrmes

Si un programme linaire possde une solution optimale, il existe un point extrme qui est optimal.

29

(c) DHAHRI Issam, ISAE Gafsa, 2011/2012

Solutions optimales multiples

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

(c) DHAHRI Issam, ISAE Gafsa, 2011/2012

Analyse de sensibilit de la solution optimale


` `

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

(c) DHAHRI Issam, ISAE Gafsa, 2011/2012

Analyse de sensibilit :
coefficients de la fonction objectif

X2

500

X1 500
32

800

(c) DHAHRI Issam, ISAE Gafsa, 2011/2012

Analyse de sensibilit : coefficients de la fonction objectif

X2
Domaine doptimalit: [3.75, 10]

500

X1 400
33

600

800

(c) DHAHRI Issam, ISAE Gafsa, 2011/2012

Domaine doptimalit dfinition


`

Modification dun coefficient de la fonction objectif

La solution optimale ne changera pas tant que :


` `

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

(c) DHAHRI Issam, ISAE Gafsa, 2011/2012

Cots rduits dfinition


`

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

(c) DHAHRI Issam, ISAE Gafsa, 2011/2012

Analyse de sensibilit : membres de droite des contraintes


`

Nous voulons rpondre aux questions suivantes:


`

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

(c) DHAHRI Issam, ISAE Gafsa, 2011/2012

Cot dual explication graphique


La contrainte plastique

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

Profit maximum = 4363.4


500

Cot dual = 4363.40 4360.00 = 3.40

La contrainte Temps de production


37 (c) DHAHRI Issam, ISAE Gafsa, 2011/2012

X1 500

Cot dual dfinition


`

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

(c) DHAHRI Issam, ISAE Gafsa, 2011/2012

Analyse de sensibilit : membres de droite des contraintes


`

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

(c) DHAHRI Issam, ISAE Gafsa, 2011/2012

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

Contrainte Production totale X1 + X2 e700

500

Solution non ralisable


Contrainte Temps de production
X1
500
40 (c) DHAHRI Issam, ISAE Gafsa, 2011/2012

Domaine ralisable
Contrainte Plastique
X2

1000

Le profit augmente quand la quantit de plastique augmente.

500

Contrainte Temps de production


X1
500
41 (c) DHAHRI Issam, ISAE Gafsa, 2011/2012

Domaine ralisable

X2

1000

On dispose de moins de plastique (la contrainte est renforce)


Le profit diminue

Solution non-ralisable
500

Une nouvelle contrainte devient active


X1
42 (c) DHAHRI Issam, ISAE Gafsa, 2011/2012

500

Domaine ralisable dfinition


`

On appelle domaine ralisable du membre de droite dune contrainte :


`

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

(c) DHAHRI Issam, ISAE Gafsa, 2011/2012

Interpretation du cot dual (shadow price)


`

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

(c) DHAHRI Issam, ISAE Gafsa, 2011/2012

Autres changements du modle


Ajout dune contrainte. Suppression dune contrainte. Ajout dune variable. Suppression dune variable. Changements dans les coefficients des membres de gauche.

` ` ` ` `

45

(c) DHAHRI Issam, ISAE Gafsa, 2011/2012

Les diffrentes formes dun programme linaire

` `

Formes gnrale, canonique et standard Rgles de transformation particulires

46

(c) DHAHRI Issam, ISAE Gafsa, 2011/2012

Forme gnrale dun PL

47

(c) DHAHRI Issam, ISAE Gafsa, 2011/2012

Forme canonique dun PL


` ` `

Problme de maximisation Toutes les contraintes sont du type Toutes les variables sont non ngatives

48

(c) DHAHRI Issam, ISAE Gafsa, 2011/2012

Forme standard dun PL


` ` ` `

Problme de maximisation Toutes les contraintes sont des quations Toutes les variables sont non ngatives La formulation exhibe une solution particulire dite basique

49

(c) DHAHRI Issam, ISAE Gafsa, 2011/2012

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

(c) DHAHRI Issam, ISAE Gafsa, 2011/2012

Rgles de transformation
` ` `

Minimisation Inquation Equation

maximisation : min f (x) = max (f (x)) inquation :

inequation :

Inquation surplus)

quation : On ajoute une variable dcart (de

Variable libre (relle)

variable non ngative : Tout nombre

rel peut tre crit comme la diffrence de deux nombres non ngatifs.
51 (c) DHAHRI Issam, ISAE Gafsa, 2011/2012

Exemple

52

(c) DHAHRI Issam, ISAE Gafsa, 2011/2012

suite

Ne pas oublier que zopt = wopt


53 (c) DHAHRI Issam, ISAE Gafsa, 2011/2012

También podría gustarte