Programmation Linéaire 2018

Techniques de gestion 2018
Définition
Ensemble des méthodes (algorithmiques, mathématiques,
modélisation)
permettant de trouver des solutions optimales ou proches de

l’optimum
dans des problèmes complexes, qui traitent de la maximisation

d’un profit ou la minimisation d’un coût.
Définition
 La complexité du problème augmente de façon exponentielle avec
sa taille.
 Par conséquent, arriver à la solution peut prendre un certain temps.
 Le problème peut être résolu partiellement et différentes

heuristiques peuvent être explorées pour obtenir une solution sous-
optimale en un temps plus court .
Etape 1
 Décider si le problème est un problème
 de « maximisation »
 ou de « minimisation »
 Un problème de maximisation essaie de trouver une solution où

la fonction objectif est maximisée
 Un problème de minimisation essaie de trouver une solution où

la fonction objectif est minimisée.
Etape 2
 Décider des variables nécessaires à la formulation.
 Choisir le bon ensemble de variables est nécessaire afin de

minimiser la complexité du problème et, corrélativement,
arriver à la solution le plus rapidement.
 Chaque entité dont la valeur affecte la solution finale est une

variable.
Etape 3
 modéliser la fonction objectif.
 La fonction objectif est modélisée comme une

somme de produits de variables
𝐌𝐚𝐱 𝐜𝐣 𝐱 𝐣
𝐣=𝟏
Etape 4
 Lister les contraintes.
 Les contraintes doivent représenter toutes les

restrictions imposées par le problème.
∀𝐢 = 𝟏. . 𝐧: 𝐥𝐢 < 𝐯𝐢 < 𝐮𝐢
Avec xj ≥ 0, pour j = 1. . n
Etape 5
 Résoudre le problème
 Méthode graphique
 Méthode algorithmique
 Méthode informatique (Solveur)

 CPLEX, Visual Express, Maple, Excel,…
Etape 6 (Optionnelle)
 Si le solveur ne converge pas vers la solution finale
dans un délai raisonnable , essayez une méthode
heuristique pour obtenir une solution sous-optimale
proche de l’optimum
 Une heuristique pourrait être de lever les

contraintes entières sur les variables
Rappels
Forme canonique
𝐌𝐚𝐱 𝐜𝐣 𝐱 𝐣
𝐣=𝟏
Sous m contraintes: 𝐚𝐢𝐣 𝐱𝐣 ≤ 𝐛𝐢 , pour i = 1. . m

𝐣=𝟏
Avec xj ≥ 0, pour j = 1. . n
Rappels
Forme standard
𝐧+𝐦
𝐌𝐚𝐱 𝐜𝐣 𝐱 𝐣 cj = 0 ∀ j tel que n + 1 ≤ j ≤ n + m

𝐣=𝟏
m+n
Sous m + n contraintes: dij xj = bi ,

j=1
avec ∶
i = 1. . m, j = 1. . n + m
dij = aij ∀i, ∀j = 1. . n
dij = 1 ∀i, ∀j = n + i
dij = 0 ∀i, ∀j ≠ n + i > n
Exemple
Enoncé
 Une usine fabrique 2 pièces P1 et P2 usinées dans deux ateliers A1 et A2.

 Les temps d'usinage sont :
 Pour P1 de 3 heures dans l'atelier A1 et de 6 heures dans l'atelier A2
 Pour P2 de 4 heures dans l'atelier A1 et de 3 heures dans l'atelier A2.
 Le temps de disponibilité hebdomadaire :
 de l'atelier A1 est de 160 heures
 et celui de l'atelier A2 de 180 heures.
 La marge bénéficiaire est de :
 1200€ pour une pièce P1
 et 1000€ pour une pièce P2
Quelle production de chaque type doit-on fabriquer pour maximiser la marge

hebdomadaire?
Exemple
Résolution graphique
3x1 + 4x2 ≤ 160

6x1 + 3x2 ≤ 180
x1, x2 ≥ 0
Fonction économique à maximiser:
Z = 1200x1 + 1000x2
Exemple
80
x2
70
60
6x1+3x2=180
50
40
30
20 Région
des solutions 3x1+4x2=160
10 admissibles x1
0
-20 -10 0 10 20 30 40 50 60 70 80
-10
-20
Exemple
80
x2
70
60
6x2+3x1=180
50
40
30
20 Région
des solutions 3x1+4x2=160
10 admissibles x1
0
-20 -10 0 10 20 30 40 50 60 70 80
-10
-20
Méthode du simplexe
 Méthode inventée par le mathématicien américain
Georges Dantzig en 1947
 Il travaille alors comme conseiller pour l’US Air

Force sur l’optimisation de la planification militaire
 C’est une méthode très efficace, une des plus

utilisée de toute l’histoire des mathématiques
appliqués
Principe de la méthode du simplexe
L’algorithme procède de la façon suivante :
 On recherche un sommet de départ
 On teste si ce sommet est l’optimum ou si la fonction objectif n’est pas bornée inférieurement ;
dans ce cas le problème n’a pas de solution finie
 Si le sommet que l’on vient d’examiner n’est pas optimal, on se déplace sur un sommet voisin
pour lequel la fonction économique diminue et on repasse à l’étape précédente
Le nombre de sommets étant fini et tout minimum local étant absolu, le sommet optimal est atteint
lorsqu’aucun des sommet voisin ne permet plus de diminution du critère.

Exemple
Algorithme
Contraintes
x1 x2 Total
𝟑 𝟑 𝟑
−3 𝟒 − 𝟑4∗ 𝟏𝟔𝟎 −160
𝟏𝟖𝟎 ∗
𝟔 𝟔 𝟔
𝟏 𝟑 𝟏𝟖𝟎
6 3 180
𝟔 𝟔 𝟔
𝟏𝟐𝟎𝟎 𝟏𝟐𝟎𝟎
Fonction économique Z − 1200 1000
𝟏𝟎𝟎𝟎 − 𝟑∗
𝟔 𝟔
Exemple
Algorithme
Contraintes
x1 x2 Total
-0,5 2,5 70
1
0,5 30
6
Fonction économique Z -200 400

Exemple
Algorithme
Contraintes
x1 x2 Total
−𝟎, 𝟓 𝟏 𝟕𝟎
-0,5 2,5 70
𝟐, 𝟓 𝟐, 𝟓 𝟐, 𝟓
𝟏 1 𝟎, 𝟓 𝟎, 𝟓 𝟎, 𝟓
− −𝟎, 𝟓 ∗ −0,5 30 ∗
𝟑𝟎 − 𝟕𝟎
𝟔 6 𝟐, 𝟓 𝟐, 𝟓 𝟐, 𝟓
Fonction économique Z 𝟒𝟎𝟎 𝟒𝟎𝟎

−𝟐𝟎𝟎 − -200
(−𝟎, 𝟓) ∗ −400
𝟐, 𝟓 𝟐, 𝟓
Exemple
Algorithme
Contraintes
x1 x2 Total
-0,2 0,4 28
4
-0,2 16
15
Fonction économique Z -120 -160
Le programme optimum est donc de x1=16 et x2=28, pour un résultat de :

Z=1200x1 + 1000x2 = 1200*16 + 1000*28 = 47 200
Evolutions
 Evolution des moyens informatiques
 Informatisation des problèmes d’optimisation
 Apparition des modeleurs/solveurs
 Aide à la décision
Utilisation du logiciel Visual Xpress
Exemple – Enoncé (1/2)
 Pour consolider son développement à l’étranger, un important

groupe minier souhaite investir 1 milliard d’euros dans 6 mines
en Océanie et plus particulièrement en Australie.
 Après prospection, le service fusions/acquisitions de cette

entreprise indique au conseil d’administration le taux de retour
sur investissement (TRI) que l’entreprise peut espérer au bout
de 10 ans.
Exemple – Enoncé (2/2)
 Le Tableau suivant donne pour chaque mine son nom, son pays, le type de minerai extrait et le TRI
espéré.
N° Nom Pays Minerai TRI

1 Maré Nouvelle-Calédonie Fer 5,3%
2 Pilbara Australie Fer 6,2%
3 Argyle Australie Fer 5,1%
4 Aotearoa Nouvelle-Zélande Uranium 4,9%
5 Ranger Australie Uranium 6,5%
6 Kalgoorlie Australie Uranium 3,4%
 Le conseil d’administration, via sa direction de la stratégie, se fixe cependant certaines contraintes. Il

veut investir au moins 50 millions d’euros et au plus 400 millions d’euros dans chaque mine. Il
désire de plus, investir au moins la moitié du capital dans des mines australiennes, et au plus
30% dans des mines d’uranium.
Exemple - formulation du problème
 Comment répartir les prises de participation entre chaque

mine pour espérer le meilleur retour sur investissement ?
 Notons :
 n le nombre de mines choisies pour l’investissement
 C le capital investi
 ri le taux de retour sur investissement prévu
 vi le montant investi dans la mine i
Exemple - fonction objectif
 Ecrire la fonction objectif:

𝐧
𝐫𝐢
𝐌𝐚𝐱 𝐯𝐢
𝟏𝟎𝟎
𝐢=𝟏
Exemple - contraintes (1/2)
 Pour chaque mine i la contrainte qui borne la variable vi :

∀𝐢 = 𝟏. . 𝐧: 𝐥𝐢 < 𝐯𝐢 < 𝐮𝐢
 On ne peut investir au plus 30% du capital dans des mines

d’uranium:
𝐯𝟒 + 𝐯𝟓 + 𝐯𝟔 ≤ 𝟎, 𝟑. 𝐂
 Le conseil d’administration impose aussi d’investir au minimum

50% du capital dans des mines australiennes:
𝐯𝟐 + 𝐯𝟑 + 𝐯𝟓 + 𝐯𝟔 ≥ 𝟎, 𝟓. 𝐂
Exemple - contraintes (2/2)
 L’ensemble des sommes investies ne doit pas dépasser le

capital:
𝐧
𝐯𝐢 ≤ 𝐂
𝐢=𝟏
 Les variables sont positives:
∀𝐢 = 𝟏. . 𝐧: 𝐯𝐢 ≥ 𝟎
Exemple - modèle
Exemple - résultats
N° Nom Investissement (M€)

1 Maré 250
2 Pilbara 400
3 Argyle 50
4 Aotearoa 50
5 Ranger 200
6 Kalgoorlie 50
Exemple
Exemple
 Quel(s) projet(s) la direction devra-t-elle choisir
pour maximiser le bénéfice total au bout des cinq
années ?
Exemple
Exemple
Exemple
Exemple
Exemple
Exemple
Exemple
Exemple

Programmation Linéaire 2018

Transféré par

Droits d'auteur :

Formats disponibles

Programmation Linéaire 2018

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Programmation Linéaire 2018

Transféré par

Droits d'auteur :

Formats disponibles

Techniques de gestion 2018

permettant de trouver des solutions optimales ou proches de

dans des problèmes complexes, qui traitent de la maximisation

 Par conséquent, arriver à la solution peut prendre un certain temps.

 Le problème peut être résolu partiellement et différentes

 Un problème de maximisation essaie de trouver une solution où

 Un problème de minimisation essaie de trouver une solution où

 Choisir le bon ensemble de variables est nécessaire afin de

 Chaque entité dont la valeur affecte la solution finale est une

 La fonction objectif est modélisée comme une

 Les contraintes doivent représenter toutes les

 Méthode informatique (Solveur)

 Une heuristique pourrait être de lever les

Sous m contraintes: 𝐚𝐢𝐣 𝐱𝐣 ≤ 𝐛𝐢 , pour i = 1. . m

𝐌𝐚𝐱 𝐜𝐣 𝐱 𝐣 cj = 0 ∀ j tel que n + 1 ≤ j ≤ n + m

Sous m + n contraintes: dij xj = bi ,

 Une usine fabrique 2 pièces P1 et P2 usinées dans deux ateliers A1 et A2.

Quelle production de chaque type doit-on fabriquer pour maximiser la marge

3x1 + 4x2 ≤ 160

Fonction économique à maximiser:

 Il travaille alors comme conseiller pour l’US Air

 C’est une méthode très efficace, une des plus

L’algorithme procède de la façon suivante :

 On recherche un sommet de départ

dans ce cas le problème n’a pas de solution finie

pour lequel la fonction économique diminue et on repasse à l’étape précédente

lorsqu’aucun des sommet voisin ne permet plus de diminution du critère.

Fonction économique Z -200 400

Fonction économique Z 𝟒𝟎𝟎 𝟒𝟎𝟎

Fonction économique Z -120 -160

Le programme optimum est donc de x1=16 et x2=28, pour un résultat de :

 Evolution des moyens informatiques

 Informatisation des problèmes d’optimisation

 Apparition des modeleurs/solveurs

 Pour consolider son développement à l’étranger, un important

 Après prospection, le service fusions/acquisitions de cette

N° Nom Pays Minerai TRI

 Le conseil d’administration, via sa direction de la stratégie, se fixe cependant certaines contraintes. Il

 Comment répartir les prises de participation entre chaque

 Ecrire la fonction objectif:

 Pour chaque mine i la contrainte qui borne la variable vi :

 On ne peut investir au plus 30% du capital dans des mines

 Le conseil d’administration impose aussi d’investir au minimum

 L’ensemble des sommes investies ne doit pas dépasser le

 Les variables sont positives:

N° Nom Investissement (M€)

Vous aimerez peut-être aussi

Pfad - The Proxy pFad of © 2024 Garber Painting. All rights reserved.