Sujet 8: Programmation Lin Eaire en Nombres Entiers: MHT 423: Mod Elisation Et Optimisation

Intro à MIP Exemples des applications Résolvant des MIPs
Sujet 8: Programmation linéaire en nombres entiers
MHT 423:
Modélisation et optimisation
Andrew J. Miller
Dernière mise à jour: March 15, 2010
Dans ce sujet...
1 Introduction à programmation linéaire en nombres entiers mixtes
2 Modélisation des problèmes en nombres entiers mixtes
3 Méthodes de resolution pour MIP


Formulations générales
La formulation d’un programme en
nombres entiers la rassemble; mais
Rappelons la formulation maintenant on a aussi des variables qui
d’un programme linéaire: doivent prendre les valeurs entiers.
n
X
max cj xj n
X p
X
j=1 max cj xj + fk yk
Xn j=1 k=1
s.à. aij xj ≤ bi , ∀i n
X Xp
j=1 s.à. aij xj + dik yk ≤ bi , ∀i
xj ≥ 0, j = 1, ..., n j=1 k=1
xj ≥ 0, j = 1, ..., n;
yk ∈ ZZ+ , k = 1, ..., p
Ici, ZZ veut dire l’ensemble des nombres entiers, et ZZ+ veut dire
l’ensemble des nombres entiers non-negatifs.
Relaxations
n
X p
X
max cj xj + fk yk
j=1 k=1
Xn Xp
s.à. aij xj + dik yk ≤ bi , ∀i
j=1 k=1
xj ≥ 0, j = 1, ..., n;
yk ∈ ZZ+ , k = 1, ..., p
Notez bien que si on remplace les derniers restrictions par

yk ≥ 0, k = 1, ..., p, on aura un programme linéaire qui sera une
relaxation du problème original.
Ce fait est très important. Ça implique qu’on peut résoudre la
relaxation par des méthodes qu’on a déjà considérés.
Exemple numérique (I)
Problème original: Relaxation du problème:
max y1 + 2y2 max y1 + 2y2

s.à y1 + 8y2 ≤ 26 s.à y1 + 8y2 ≤ 26
−y1 + 0.8y2 ≤ 0.2 −y1 + 0.8y2 ≤ 0.2
y1 + 0.8y2 ≤ 5.8 y1 + 0.8y2 ≤ 5.8
y1 ≤ 5 y1 ≤ 5
−y1 ≤ −1 −y1 ≤ −1
y1 , y2 ∈ ZZ+ y1 , y2 ≥ 0
Ici, n = 0 et p = 2.
Exemple numérique (II)
Espace réalisable de la
relaxation linéaire
Exemple numérique (III)
Solutions réalisables
Exemple numérique (IV)
Solution optimale de la
32
Notez bien la solution optimale de la relaxation: y1 = 9 = 3 59 ,
y2 = 101 29 55 1
36 = 2 36 , avec valeur objective de 6 = 9 6 .
Exemple numérique (V)
Solution optimale
Notez bien la solution optimale du problème original : y1 = 1,

y2 = 2, avec valeur objective de 8.
Faits importants illustrés par l’exemple

1 La valeur objective optimale de la relaxation définit toujours une
borne supérieure sur la valeur objective optimale du problème
original.
1
≥8
Ex: 9
6
Encore une fois: ce fait est très important!
2 Souvent, même avec la solution optimale de la relaxation, on ne
peut pas avoir des autres informations importantes sur le problème
par des opérations simples d’arrondi.
Ex: Bien que la valeur objective optimale de la relaxation est 9 16 , la

valeur objective optimale du problème n’est pas 9.
Ex: Bien que la solution optimale de la relaxation est

y1 = 3 95 , y2 = 2 29
36 , la solution optimale du problème n’est pas
y1 = 4, y2 = 3.
Programmation en nombres entiers mixtes et relaxations
Le deuxième fait veut dire que, malheureusement, la

programmation en nombres entiers est plus difficil (même
beaucoup plus difficil) que la programmation linéaire.
Le premier veut dire qu’on peut néanmoins définir des méthodes de

résolution pour les programmes en nombres entiers qui sont basés
sur la résolution successive des relaxations linéaires.
Nous verrons les détails un peu plus tard.

Exemple: coûts fixes
Nous avons vu des côuts unitaires. Ces coûts sont proportionnels

au niveau de l’activité à laquelle ils s’appliquent.
Par contre, les côuts fixes sont indépendant du niveau de

l’activités. Ils ne sont pas proportionels.
Soit on fait l’activité, et on pait tout le coût fixe.
Soit on fait pas l’activité, et on ne le pait pas.

Monet: coûts fixes (I)

Rappelons le modèle Monet:
min 6x1 + 2x2 + 4x3 + 3x4

s.à. 2x1 + x2 + 3x3 + 2x4 ≤ 4000
4x1 + 2x2 + x3 + 2x4 ≤ 6000
6x1 + 2x2 + x3 + 2x4 ≤ 10000
x1 ≤ 1000; x2 ≤ 2000; x3 ≤ 500; x4 ≤ 1000
x1 , x2 , x3 , x4 ≥ 0
Imaginons maintenant que chaque fois qu’on commence la production

d’un espèce de cadre-photo, il y a un coût fixe à payer, associé à ce
cadre-photo.
Le coût fixe fi , i = 1, ..., 4, est donné par la table suivant
c1 c2 c3 c4
3100 1200 1000 1800
Monet: coûts fixes (II)
min 6x1 + 2x2 + 4x3 + 3x4 −3100y1 − 1200y2 − 1000y3 − 1800y4

s.à. 2x1 + x2 + 3x3 + 2x4 ≤ 4000
4x1 + 2x2 + x3 + 2x4 ≤ 6000
6x1 + 2x2 + x3 + 2x4 ≤ 10000
x1 ≤ 1000y1 ; x2 ≤ 2000y2 ; x3 ≤ 500y3 ; x4 ≤ 1000y4
x1 , x2 , x3 , x4 ≥ 0; y1 , y2 , y3 , y4 ∈ {0, 1}
Il faut remarquer comment on à intégré les nouvelles variables y dans la

formulation.
Cette manière assure, pour i = 1, ..., 4, que si xi > 0 alors yi = 1.
Elle assure également que le coût fixe pour un bien sera payé si et
seulement si la quantité de production de ce bien est strictement positive.
Exemple: décisions binaires
Souvent on utilise les variables binaires pour répresenter les

décisions qui sont oui/non (mathématiquement, 1/0).
La variable sera 0 si on ne prend pas la décision. Elle sera 1 si on le

prend.
Exemples:
investir dans un projet ou non
allouer une certaine tâche à une certaine ou non
Décisions binaires: localisation des dépôts
I sites pour dépôts éventuels: 1, ..., i, ..., I

Soit fi le coût fixe d’avoir un dépôt à i.
J clients 1, ..., j, ..., J
Soit cij le coût de satisfaire la demande du client j du dépôt i
Pour simplifier les modèles, nous ne considérons pas les
capacités.
Formulation
X X
min fi yi + cij xij
i i,j
X
soumis à xij = 1, ∀j
i
xij ≤ yi , ∀i, j
yj ∈ 0, 1, ∀j
xij ∈ {0, 1}, ∀i, j
Le problème “p-Median”
X
min cij xij
Maintenant, considerer le même i,j
problème, mais avec la modification X
soumis à xij = 1, ∀j
qu’on ne considère plus les coûts
i
fixes associès avec la construction
xij ≤ yi , ∀i, j
des dépôts. A leur place on imposera X
la constrainte qu’il faut se limiter à yi = p
ne construire que p dépôts. i
yj ∈ 0, 1, ∀j
xij ∈ {0, 1}, ∀i, j

Branch-and-bound
On crée un arbre de recherche et d’énumeration. A chaque noeud,
on résoud un programme linéaire.
Ce qu’on fait dépend sur les valeurs des variables qui doivent
prendres des valeurs entières.
Deux choix principales:
1 Couper le nœud (a cause des bornes; borne = ”bound”). Il y
a trois raisons pour lesquelles on peut couper un nœud:
La relaxation linéaire n’est pas de solution réalisable.
La valeur objective de la relaxation linéaire n’est pas meilleurs
que la valeur objective de la meilleure solution entière déjà
trouvée.
La solution optimale de la relaxation linéaire est déjà entière.
2 Diviser le nœud (”branch”). Si on ne peut pas couper le
nœud, il faut le diviser en deux (en effet, il faut créer deux
programmes linéaires nouveaux).
Branch-and-bound: organigramme
non
oui
non
oui
oui
non
non
L’organigramme
Définitions utiles pour le comprendre:

L est la liste des nœuds (rappeler que chaque nœud
correspond à un programme linéaire).
X est l’espace réalisable du problème.
PX , qui définit le premier nœud, est la relaxation linéaire du
probème.
Z , la borne globale inférieure, est la valeur de la meilleur
solution entière trouvée.
Z (V ) est la valeur objective de la solution optimale du
programme linéaire défini par le nœud V .
L’organigramme et exemples
Qu’est-ce qui va arriver si on l’applique à l’exemple? Ça peut se

faire à la main, et ça vaut vraiment la peine de le faire.
On va commencer (mais pas finir) maintenant et ici.
Autres exemples: localisation des dépôts. Normalement ces

problèmes sont trop grands pour appliquer l’organigramme à la
main. Mais c’est bien la version basique de ce que font les
ordinateurs pendant la resolution.
Exemple numérique (rappel)
Problème original: Relaxation initiale:
max y1 + 2y2 max y1 + 2y2

s.à y1 + 8y2 ≤ 26 s.à y1 + 8y2 ≤ 26
−y1 + 0.8y2 ≤ 0.2 −y1 + 0.8y2 ≤ 0.2
y1 + 0.8y2 ≤ 5.8 y1 + 0.8y2 ≤ 5.8
y1 ≤ 5 y1 ≤ 5
−y1 ≤ −1 −y1 ≤ −1
y1 , y2 ∈ ZZ+ y1 , y2 ≥ 0
Nœud 1
Solution optimale de la
32
Rappelez que la solution optimale de la relaxation est y1 = 9 = 3 59 ,
y2 = 101 29 55 1
36 = 2 36 , avec valeur objective de 6 = 9 6 .
Nœud 1
Donc on commence avec un nœud (on l’appelle souvent le nœud

racine).
Nœud 1
Z(V) = 9.16667
Nœud 1
Donc on commence avec un nœud (on l’appelle souvent le nœud

racine).
Nœud 1
Z(V) = 9.16667
y1 ! 3 y1 " 4
Nœud 2 Nœud 3
On divise ce nœud en faisant un branchement sur une variable

fractionnaire.
Ce branchement crée deux nouveaux nœuds.
Nœud 3
Nœud 1
Z(V) = 9.16667
max y1 + 2y2
y1 ! 3 y1 " 4 s.à y1 + 8y2 ≤ 26
Nœud 2 Nœud 3 −y1 + 0.8y2 ≤ 0.2
y1 + 0.8y2 ≤ 5.8
y1 ≤ 5
Prochainement, on résoud le programme
−y1 ≤ −1
linéaire associé au nœud 3.
y1 , y2 ≥ 0
La formulation associé à ce nœud est y1 ≥ 4
Nœud 3
y1 ≥ 4
9
La solution optimale de ce programme linéaire est y1 = 4, y2 = 4 = 2 14 ,
avec valeur objective de 8 12 .
Nœud 3
Donc on fait divise nœud 3 dans deux nouveaux nœuds : nœud 4

et nœud 5.
Nœud 1
Z(V) = 9.16667
y1 ! 3 y1 " 4
Nœud 2 Nœud 3
Z(V) = 8.5
y2 ! 2 y2 " 3
Nœud 4 Nœud 5
Continuation
On pourrait continuer jusqu’à ce que toutes les possibilités soient
énumerées ou coupées.
L’algorithme générait alors la l’arbre suivant.

Nœud 1
Z(V) = 9.16667
y1 ! 3 y1 " 4
Nœud 2 Nœud 3
Z(V) = 8.875 Z(V) = 8.5
y2 " 3 y2 ! 2 y2 " 3
y2 ! 2
Nœud 8 Nœud 4 Nœud 5

Nœud 9 Z(V) = 8.2
Z(V) = 7 Z(V) = -#
Z(V) = -#
y1 ! 4 y1 " 5
Nœud 6 Nœud 7
Z(V) = 8 Z(V) = 7
A souvenir
Programmation en nombres entiers

Modélisation et résolution des problèmes en nombres entiers
Relaxations linéaires des problèmes en nombres entiers:
Ils sont des programmes linéaires dont la solution optimale
définit une borne supérieure sur la valeur optimale du problème
original.
Très important pour l’algorithme branch-and-bound
Algorithme branch-and-bound: comment ça marche
division des nœuds
coupage des nœuds

Sujet 8: Programmation Lin Eaire en Nombres Entiers: MHT 423: Mod Elisation Et Optimisation

Transféré par

Droits d'auteur :

Formats disponibles

Sujet 8: Programmation Lin Eaire en Nombres Entiers: MHT 423: Mod Elisation Et Optimisation

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

Sujet 8: Programmation Lin Eaire en Nombres Entiers: MHT 423: Mod Elisation Et Optimisation

Transféré par

Droits d'auteur :

Formats disponibles

Intro à MIP Exemples des applications Résolvant des MIPs

Sujet 8: Programmation linéaire en nombres entiers

1 Introduction à programmation linéaire en nombres entiers mixtes

2 Modélisation des problèmes en nombres entiers mixtes

3 Méthodes de resolution pour MIP

1 Introduction à programmation linéaire en nombres entiers mixtes

2 Modélisation des problèmes en nombres entiers mixtes

3 Méthodes de resolution pour MIP

Notez bien que si on remplace les derniers restrictions par

Exemple numérique (I)

Problème original: Relaxation du problème:

max y1 + 2y2 max y1 + 2y2

Exemple numérique (II)

Exemple numérique (III)

Exemple numérique (IV)

Exemple numérique (V)

Notez bien la solution optimale du problème original : y1 = 1,

Faits importants illustrés par l’exemple

Ex: Bien que la valeur objective optimale de la relaxation est 9 16 , la

Ex: Bien que la solution optimale de la relaxation est

Programmation en nombres entiers mixtes et relaxations

Le deuxième fait veut dire que, malheureusement, la

Le premier veut dire qu’on peut néanmoins définir des méthodes de

1 Introduction à programmation linéaire en nombres entiers mixtes

2 Modélisation des problèmes en nombres entiers mixtes

3 Méthodes de resolution pour MIP

Exemple: coûts fixes

Nous avons vu des côuts unitaires. Ces coûts sont proportionnels

Par contre, les côuts fixes sont indépendant du niveau de

Soit on fait l’activité, et on pait tout le coût fixe.

Soit on fait pas l’activité, et on ne le pait pas.

Monet: coûts fixes (I)

min 6x1 + 2x2 + 4x3 + 3x4

Imaginons maintenant que chaque fois qu’on commence la production

Monet: coûts fixes (II)

min 6x1 + 2x2 + 4x3 + 3x4 −3100y1 − 1200y2 − 1000y3 − 1800y4

Il faut remarquer comment on à intégré les nouvelles variables y dans la

Exemple: décisions binaires

Souvent on utilise les variables binaires pour répresenter les

La variable sera 0 si on ne prend pas la décision. Elle sera 1 si on le

Décisions binaires: localisation des dépôts

I sites pour dépôts éventuels: 1, ..., i, ..., I

1 Introduction à programmation linéaire en nombres entiers mixtes

2 Modélisation des problèmes en nombres entiers mixtes

3 Méthodes de resolution pour MIP

Définitions utiles pour le comprendre:

Qu’est-ce qui va arriver si on l’applique à l’exemple? Ça peut se

On va commencer (mais pas finir) maintenant et ici.

Autres exemples: localisation des dépôts. Normalement ces

Exemple numérique (rappel)

Problème original: Relaxation initiale:

max y1 + 2y2 max y1 + 2y2

Donc on commence avec un nœud (on l’appelle souvent le nœud

Donc on commence avec un nœud (on l’appelle souvent le nœud

On divise ce nœud en faisant un branchement sur une variable

Donc on fait divise nœud 3 dans deux nouveaux nœuds : nœud 4

L’algorithme générait alors la l’arbre suivant.

Nœud 8 Nœud 4 Nœud 5

Programmation en nombres entiers