Introduction `a l optimisation - Institut de Mathématiques de Toulouse
[PDF] Introduction `a l 'optimisation Institut de Mathématiques de Toulouse math univ toulouse ~lagnoux CoursOpt pdf
Introduction ? l optimisation
[PDF] Introduction ? l 'optimisation ljll math upmc privat documents optimAgreg pdf
Introduction `a l optimisation : aspects théoriques, numériques et
[PDF] Introduction `a l 'optimisation aspects théoriques, numériques et ljll math upmc privat mainOptimisation pdf
Introduction ? l optimisation - Moodle INSA Rouen
[PDF] Introduction ? l 'optimisation Moodle INSA Rouen moodle insa rouen mod resource view php?id=
Introduction `a l optimisation : aspects théoriques, numériques et
[PDF] Introduction `a l 'optimisation aspects théoriques, numériques et math unice ~dreyfuss D pdf
Introduction ? l Optimisation Numérique - of Sébastien TORDEUX
[PDF] Introduction ? l 'Optimisation Numérique of Sébastien TORDEUXstordeux perso univ pau COURS OPTIMISATION poly pdf
INTRODUCTION A L OPTIMISATION Les domaines d - LSIS
[PDF] INTRODUCTION A L 'OPTIMISATION Les domaines d LSIS lsis master ancien Supports%de%cours pdf
Mathématiques pour l Optimisation - Lirmm
[PDF] Mathématiques pour l 'Optimisation Lirmm lirmm ~sau teaching MathOpt Cours MathOpt pdf
Optimisation et programmation mathématique Professeur Michel de
[PDF] Optimisation et programmation mathématique Professeur Michel de icube avr unistra images b Chapitre pdf
Introduction ? l optimisation - Programmation linéaire
mars Probl`emes duaux primaux Liens avec les graphes Programmation en nombre entiers Introduction aux autres méthodes d 'optimisation
[PDF] fonction coercive
[PDF] les causes de l'avortement
[PDF] livre d optimisation pdf
[PDF] pdf avortement spontané
[PDF] cours et exercices corrigés d'optimisation pdf
[PDF] ivg médicamenteuse
[PDF] optimisation sous contrainte exercice corrigé
[PDF] role infirmier ivg
[PDF] bible quiz pdf
[PDF] la datation au carbone 14
[PDF] comment mettre en place une gestion des carrières
[PDF] gestion de carrière ppt
[PDF] gestion de carrière en entreprise
[PDF] prévision des ventes théorie et pratique pdf
Mathématiques pour l'OptimisationLP SIL
I. Sau et C. Molle
Plan du cours
Séance 1 : Introduction à l'Optimisation, Modélisation de problèmes en Programmation Lin
éaire, et Résolution graphiqueS
éance 2 : Algorithme du Simplexe
Séance 3 : Notion d'optimalité et Dualité
Introduire les différents aspects de l'optimisation dans le cadre de l'optimisation linéaire.Pr
ésenter les outils et les algorithmes de base en optimisation linéaire :Apprendre comment mod
éliser un problème touchant divers domaines. Savoir r ésoudre un problème simple d'optimisation linéaire sous contraintes.Objectifs
Introduction à l'OptimisationD
ÉFINITIONSApplication de m
éthodes, techniques, instruments scientifiques pour mod éliser et résoudre les problèmes dans tous les domaines. Approche g énéraliste qui relève des sciences de la d écision et qui combine :savoirfaire pratique (comment formuler un problème d'optimisation, comment r
ésoudre un problème à l'aide d'algorithmes numériques)connaissances th
éoriques (comment caractériser les solutions optimales, que nous apprennent les conditions d'optimalit
é sur les propri
étés qualitatives et quantitatives des solutions) Introduction à l'OptimisationAPPLICATIONS Applications aux problèmes réels de grande envergure
arrivée des processeurs rapidesd
éveloppement des bases de donnéestechniques d 'optimisation appliqu ées à de nombreux domaines Domaines d'utilisation : militaire transport (a éroport, route, trajet, livraison, horaire)contr ôle des réseaux (infrastructures, distribution) etc.Problème du sac à dosDonn
ées :
un sacà dos de poids15 kg
12 objets ayant chacun : un poids une valeur Objectif : quelles objets choisir afin de maximiser la valeur emportée tout en ne d
épassant pas les 15 kg autoris
és ?
Ordonnancement
Objectif : affecter les tâches aux machines de mani ère à minimiser le temps utiliséIci, les 8 tâches sont accomplies au bout de 7 unit
és de temps sur 3 machines.3 machines
8 tâchesChaque t
âche utilise x unit
és de temps
Ordonnancement
et là, les 8 tâches sont accomplies au bout de 6,5 unités de temps : OPT ? Il y a m^n possibilités
Conception de réseauDonn
ées :
villes (A, B ...), matrice de trafic, matrice de distance, fibre optique : I, : cap. 16, coût 100,II : cap. 32, co
ût 175,Objectif : Installer un
réseau de coût minimum é
coulant tout le trafic.Conception de réseau
Conception de réseau
Problèmes DifficilesObjectif : Minimiser ou Maximiser une fonction de co ûtChoisir la meilleure solution parmi 2n ou n! possibles : on ne peut lesénumérer toutesComplexit
é des problèmes (voir cours Algo et Complexit é) : P, NP, NPCompletLa plupart des probl èmes étudiés sont NPComplets : on cherche des approximations Trouver une solution : certifier sa qualité par rapport à la solution optimale OPT
Sinon on peut utiliser des (meta) heuristiquesLa Programmation LinéaireyProbl
ème d'optimisation consistant à :maximiser (ou minimiser) une fonction objectif linéaire de n variables de d
écisionsoumises
à un ensemble de contraintes exprim
ées sous forme d'équations ou d'in
équations linéairesyLa terminologie est due
à George B. Dantzig, inventeur de l'algorithme du simplexe (1947)Mise en forme MathématiqueD
éfinir les variables de décisionensemble des variables qui r égissent la situation à modéliservariables réelles, entières, binairesPr
éciser la fonction objectif
fonction math ématique composée des variables de décision qui repr ésente le modèle physique modéliséfonction linéairePr
éciser les contraintes du problèmeensemble des param ètres qui limitent le modèle réalisableé quations ou inéquations composées des variables de décisionPr éciser les paramètres du modèleconstantes associ ées aux contraintes et à la fonction objective Formulation mathématiqueFonction Objectif Maximiser ou minimiser z = c1x1 + c2x2 + c3x3 + ... + cnxn Contraintes a11x1 + a12x2 + a13x3 + ... + a1nxn (£, =, ³) b1 a21x1 + a22x2 + a23x3 + ... + a2nxn (£, =, ³) b2 am1x1 + am2x2 + am3x3 + ... + amnxn (£, =, ³) bm Contraintes de nonn égativitéxj ³ 0 ; j = 1, 2, 3, ... n avec xj variables de décision (inconnues)aij, bi, cjparam
ètres du programme linéaire
Terminologie de la solution
Solution réalisableSolution o ù toutes les contraintes du modèle sont satisfaites Zone de solution Ensemble de toutes les solutions réalisablesSolution optimale
Solution r éalisable où la fonction objectif atteint la meilleure valeur, maximum ou minimum Plusieurs solutions optimales possiblesTerminologie du problèmeProbl
ème irréalisables'il n'admet pas de solutions réalisablesProbl
ème non bornési aucune des solutions réalisables n'est optimaleProbl
ème sous forme standardMax (c1x1 + c2x2 + c3x3 + ... + cnxn) ai1x1 + ai2x2 + ai3x3 + ... + ainxn £ bi; i = 1, 2, 3, ... m xj ³ 0 ; j = 1, 2, 3, ... nExemple
MAX: 350X1 + 300X2
T.Q.:1X1 + 1X2 <= 200
9X1 + 6X2 <= 1566
12X1 + 16X2 <= 2880
X1 >= 0
X2 >= 0
Solution RéalisablePosons X2 = 0
1ère contrainte :1X1 <= 200
2è contrainte :9X1 <=1566 ou X1 <=174
3è contrainte :12X1 <= 2880 ou X1 <= 240
Si X2=0, la valeur maximale de X1 est 174 et la
valeur de l'objective est: (350 * 174) + (300 * 0) = 60 900 C'est une solution possible mais estelle optimale? Non!Résolution problème PL: approche graphique
Les contraintes d'un programme linéaire définissent une zone de solution.
Le meilleur point dans la zone de solution correspondà la solution optimale.
Pour des problèmes à 2 variables, il est facile de tracer la zone de solution et de trouver la solution optimale
graphiquement. X2 X1250 200150
100
50
0
0 50100150200250(0, 200)
(200, 0)X1 + X2 = 200Tracé de la première contrainte X2 X1250 200150
100
50
0
0 50100150200250(0, 261)
(174, 0)9X1 + 6X2 = 1566Tracé de la deuxième contrainte X2 X1250 200150
100
50
0
0 50100150200250(0, 180)
(240, 0)12X1 + 16X2 = 2880 Zone de solutionTracé de la troisième contrainte X2 X1250 200150
100
50
0
0 50100150200250(0, 116.67)
(100, 0)Fonction objectif350X1 + 300X2 = 35000Tracé d'une droite de la fonction objectif
X2 X1250 200150
100
50
0
0 50100150200250(0, 175)
(150, 0)Fonction objectif350X1 + 300X2 = 35000Un deuxième tracé de la fonction objectifFonction objectif
350X1 + 300X2 = 52500
X2 X1250 200150
100
50
0