CNAM-UPMC MASTER 2010-2011

Recherche Opérationnelle

MODELES DE LOCALISATION
ET APPLICATIONS
Marie-Christine Costa

1
 I
INTRODUCTION

• Avertissement: ce polycopié ne contient que les résultats principaux. Les

démonstrations et compléments seront donnés en cours. D'autre part il ne
présente que la première partie du cours.
• Il s'agit ici de donner les bases "classiques" de la localisation simple discrète
sur des sites prédéfinis, permettant de comprendre les méthodes les plus
récentes même si celles-ci ne sont pas présentées.
• La deuxième partie du cours est assurée par Sourour Elloumi.
2
 BIBLIOGRAPHIE
• Discrete location theory Ed P.B. Mirchandani et R.L.
Francis Wiley-interscience 1990
• Facility location : a survey of applications and methods
Ed Z. Drezner Springer-Verlag 1995
• Facility location: Applications and theory Ed Z. Drezner
et H. Hamacher Springer-Verlag 2002
• Location analysis: a synthesis and survey C.S. Revelle et
H.A. Eiselt EJOR 165-1, Août 2005, pp. 1-19
• A bibliography for some fundamental problem categories
in discrete location science C.S. Revelle et H.A. Eiselt,
M.S. Daskin EJOR 184, 2008, pp. 817-848
• http://www.vub.ac.be/EWGLA/literature.html
3
 O P T IM IS A T IO N

D IS C R E T E C O N T IN U E

E N T IE R S 0 -1 CONVEXE NON
CONVEXE

L IN E A IR E NON
L IN E A IR E

L IN E A IR E NON
L IN E A IR E

SO U S SO US
C O N T R A IN T E S C O N T R A IN T E S
LIN E A IR E S N O N LIN E A IR E S Q U A D R A T IQ U E DEGRE > 2

SAN S SO U S SO U S
C O N T R A IN T E S C O N T R A IN T E S C O N T R A IN T E S
LIN E A IR E S N O N LIN E A IR E S 4
 MODÈLES ÉTUDIÉS
PROGRAMMATION LINÉAIRE OU QUADRATIQUE
EN 0-1 SOUS CONTRAINTES LINÉAIRES

MIN ∑i=1,..,n ai xi ( + ∑i=1,..,n ∑j=1,..,m bij xi xj )

s.c. ∑j=1,..,n aij xj ≤ (ou =) bi pour tout i
xi  {0 , 1} pour tout i

PROBLEME GENERAL NP-DIFFICILE

même si aij et bi {0 , 1}
5
 ETUDE D'UN PROBLEME
*MODÉLISATION
- objectif
- contraintes
*ETUDE DE COMPLEXITÉ
- déjà connue ?
- Polynomial ou NP-complet ?
*RÉSOLUTION EXACTE
une
trouver toutes les solutions optimales
les K meilleures
6
 ETUDE D'UN PROBLEME
*RESOLUTION APPROCHEE
- Sans garantie de performance
- Avec garantie a posteriori (bornes)
- Avec garantie a priori (Algo –approchés)
- prouver que certains types d'algorithmes avec garantie a
priori n'existent pas

*AMÉLIORATION DE COMPLEXITÉ
Problèmes polynomiaux

7
 OUTILS DE RESOLUTION
- REDUCTION DE LA FONCTION ECONOMIQUE
(calcul booléen, extraction de constantes,..)
B
- RELAXATION CONTINUE O
R
- RELAXATION LAGRANGIENNE N
E
- GENERATION DE COLONNES
I
- METHODES DE DECOMPOSITION N
F
- METHODE DE COUPES
S
- PROCEDURE ARBORESCENTE  solution optimale O
L
- HEURISTIQUE Recuit Simulé, Tabou, spécifiques,... U
- LOGICIEL GENERALISTE T
I
- ALGORITHMES e-APPROCHES O
N 8
Résolution d'un problème de RO "DIFFICILE"
minimisation

Solution approchée avec garantie

S* solutions

Heuristique

9
 Résolution d'un problème de RO "DIFFICILE"
minimisation

Solution approchée avec garantie

bornes S* solutions

B S
Programmation garantie
Heuristique
mathématique

10
 LA LOCALISATION SIMPLE
Données
- listes des sites (équipements)
- emplacements et demandes des clients
But
- déterminer le nombre et les lieux des équipements
- les rattachement des "clients" aux équipements
de façon à minimiser
les coûts d'installation des équipements
+ les coûts du "service" équipements vers clients
11
Où installer les entrepôts?

Clients 12
Où installer les entrepôts?

Clients Servis par l'entrepôt le plus proche

13
 APPLICATIONS AUX RESEAUX
INFORMATIQUES

• Localisation de copies de fichiers dans les

systèmes distribués
• Localisation de concentrateurs dans les
réseaux de communications en étoile
• Localisation de centres d'accès aux données
dans les réseaux intelligents

14
 Une application réelle
Orange télécom
2
Entrepôts NRA

=
1
équipements SR

=
sous-
0
répartiteurs
Clients

Clients Mathieu Trampont15

 LE PLACEMENT

Données
- listes des objets à placer et "trafic" inter-objets
- listes des sites (hétérogènes) et liaisons inter-sites
But
- placer les objets sur les sites
de façon à minimiser
les coûts d'installation des objets
+ les coûts du "trafic" inter-sites

16
 Placement de tâches sur des processeurs
DONNEES P1 P2 T T
1 2

T T
6 3
P4 P3 T T
5 4

P1 P2
UNE SOLUTION
T T T
6 1 5

P P
3 4
T T T
2 4 3
17
 LE PARTITIONNEMENT

Données
- listes des objets à répartir
- "trafic" inter-objets
- nombre de groupes d'objets à former ou…
But
-répartir les objets dans des groupes
de façon à minimiser
les coûts du "trafic" inter-groupes

18
 LE PARTITIONNEMENT

T T T
1 2 7
T
8
T T
6 3

T T
5 4

19
 Modèles mathématiques
x: variables bivalentes (0 ou 1) i,j=1,..,N p,q=1,..,K
Localisation Placement Partitionnement
min min min
S j C_installj xjj S S
i p C_installipxip SS
i j>i C_trafij(Sqxiq xjq)
+ +
S S C_traf
i j ij xij SSip i'p' C_trafipi'p' xip xi'p'
i'>I p'≠p

sous contraintes sous contraintes sous contraintes

S j xij = 1 "i S p xip = 1 "i Sq xiq = 1 "i

xij ≤ xjj " i " j Si xiq ≥ 1 "q ou
Si xiq = (ou ≤) mq20"q
 Contraintes "facultatives"

Localisation Placement Partitionnement

p-median "multi terminal cut"

S j xjj = p "q on connaît

i tel que xiq = 1

Contraintes de capacités
S xiji ≤ nj "j S xipi ≤ np "p
ou ou

S Demi xij
i ≤ Capj S Volip xip
i ≤ Capp S Voliq xiq
i ≤ Capq
"j "p "q
21
 Partie II

La localisation "simple"

22
 1 MODELISATION
1.1 DONNEES
• n nombre total de sites (notés "site i" ou "i")
• fi coût d ’installation d’un équipement en i
• lij coût unitaire de la liaison de i vers j; lii=0
• Dj demande du site j
• bij bénéfice unitaire pour un produit fabriqué
en i et vendu à j (prix(j)-coûtdeprod(i))
• cij = Dj.lij coût du service total de j par i

Rem: f i   si le site i ne peut pas accueillir d'équipement D j  0 si pas de client au site j

23
1.2 VARIABLES

• I ensemble des sites équipés

• yi = 1 s’il y a un équipement au site i

= 0 sinon i=1,..,n

• xij = 1 si j est servi par l’équipement en i

= 0 sinon i=1,..,n; j=1,..,n

24
1.3 LES MODELES MATHEMATIQUES

Modèle 1
Chercher l'ensemble I non vide qui minimise:
n n
z   f i   D j ( min l ij )   f i   min cij
iI j 1 iI iI j 1 iI

La fonction z est surmodulaire

25
 Annexe 1
Fonction sur-modulaire (ou sous-modulaire)

• Une définition (ensembliste):

Soient un ensemble E et
une fonction f: P(E) R
f est sur-modulaire si pour tout sous-ensemble X et Y de E
f ( X )  f (Y )  f ( X  Y )  f ( X  Y )

• Maximiser une fonction sur-modulaire est polynomial

• Minimiser une fonction sur-modulaire est en général NP-
difficile.

(sous-modulaire: remplacer < par > et échanger min et max)

26
Modèles 2 et 2'

minimiser n n n
z   f i yi    cij xij
s.c. i 1 i 1 j 1

n
 xij  1 j (1)
i 1

xij  yi i j (2)

yi  0,1 i xij  0,1 ij

27
Modèles 2 et 2'

minimiser n n n
z   f i yi    cij xij
s.c. i 1 i 1 j 1

n
 xij  1 j (1)
i 1
n
xij  yi i j ( 2) ou  xij  nyi i (2' )
j 1

yi  0,1 i xij  0,1 ij

28
Modèle 2max
L'objectif du modèle 2 devient, avec gij = - cij:

Maximiser n n n
   ij xij   f i yi
i 1 j 1 i 1

Remarque: dans tous les modèles on peut remplacer

les contraintes xij  0,1 ij
par xij  0 ij
29
Modèle 3
n n
minimiser
  dij xij
s.c. i 1 j 1
n
 xij  1 j
i 1

xij  xii ij

xij  0,1 ij

30
 Contraintes supplémentaires
• Problème p-médian
n
 yi  I  p
i 1

• Problème sous contraintes de capacité

n
 xij  ni i
j 1
n
ou
 D j xij  K i i
j 1
Ki=capacité du site i ou ni=nombre de sites max rattachés à i
31
1.4 LA LOCALISATION "DYNAMIQUE"

• Notations complémentaires
t=1,..,T périodes sur lesquelles porte l'étude
fit coût d ’installation d’un équipement en i à la période t
uit coût d ’utilisation d’un équipement en i à la période t
cijt coût du service total de j par i à la période t
yit = 1 s’il y a un équipement en i à la période t; (= 0 sinon)
xijt = 1 si j est servi par i à la période t; (= 0 sinon)
On suppose que la situation à t=0 est connue (yit donnés  i)
32
 2 REGLES DE REDUCTION
K 0  sites i t.q. yi  0 K1  sites i t.q. yi  1
K 2  sites i t.q. yi non défini

• Règle 1
min sup(ckj  cij ,0)  f i alors yi  1
n
Si 
j 1 kK  K
1 2
k i
• Règle 2
n
Si  k t.q. f i  f k   sup(ckj  cij ,0) alors yi  0
j 1
33
 3 COMPLEXITE DE PLS

• Théorème (Karp, 1972)

Le problème du recouvrement des arêtes
d'un graphe par les sommets est NP-complet
("node cover problem")

• Le problème de localisation simple (PLS)

est NP-difficile

34
4 RELAXATIONS
CONTINUES DE PLS
4.1 LES RELAXATIONS
• Relaxation forte
Modèle 2 xij  yi i j (2) 

la P.L. fournit très souvent une solution

entière (mais peu efficacement)

35
• Relaxation faible
 n 
  xij  nyi i (2' ) 
Modèle 2'  
 j 1 
solution optimale: pour tout i et tout j

xi* j  1 si
f i*  fi
 ci* j  min   cij  
n i  n 
xi* j  0 sinon
1 n
yi*   xi* j
n j 1
36
 Annexe 2
Dualité lagrangienne et programmation linéaire
Soit (P), un programme linéaire en nombres entier (ou en 0-1)

• Propriété 1 L'optimum du dual lagrangien avec toutes les

contraintes relâchées hormis celles d'intégrité est égal à
l'optimum de la relaxation continue du programme (P).
• Propriété 2 L'optimum du dual lagrangien obtenu en
relâchant une partie des contraintes et les contraintes
d'intégrité est égal à l'optimum de la relaxation continue
du programme (P).
• Propriété 3 L'optimum du dual lagrangien obtenu en
relâchant une partie des contraintes et en conservant les
contraintes d'intégrité est supérieur ou égal à l'optimum de
la relaxation continue du programme (P).
37
4.2 DUALITE

• DUAL (Modèle 2)

 n

Max  v j ( 4 )
 j 1

 n
(DLS0)  wij  f i i ( 5)
 j 1
v j  wij  cij i j (6)

wij  0 v j  0

38
Le dual peut s'écrire:
 n

Max zd   v j ( 4)
 j 1

 n
(DLS)  sup(0, v j  cij )  f i i (7)
 j 1
v  0 j
 j


Propriété:
zd *   min (cij )
j i

39
• Dualité lagrangienne (contraintes(2)) (DLLS):

 L(u )  min  f i yi   (cij  u j ) xij   u j

 i i j j

 xij  yi i j (3)

 yi  0,1 xij  0 i j (0)


L  max L(u )
*
u j  0 j

40
• Proposition
L(u) sous contraintes (3) et (0)
= zd(u) sous contraintes (7) u

• Corollaire
L* = zd*

41
 Deux méthodes fondées sur la dualité à la
base des méthodes actuelles efficaces:

• Algorithme d’Erlenkotter (1978)

• Algorithme de Christofides et Besley (1982)

(Voir section 7)

42
5 HEURISTIQUES POUR PLS
5.1 Algorithme gourmand

• Principe de résolution du modèle 1

définition: rk(S) = z(S)-z(S U{k}) S {sites}

Construction de I pas à pas: choix du site k

tel que rk(S) est maximal et positif pour
S={sites déjà sélectionnés}
43
• Heuristique gourmande G pour PLS
Début I:=; z():=M; possible:=vrai ;
tant que possible et Card(I)<n faire
d := maxkI rk(I); (r maximal pour k*)
si d >0 alors I:=I U {k*};
sinon possible := faux;
finsi;
fait;
IG:=I; zG:=z(I);
fin; Complexité: O(n3)
44
• Heuristique pour le problème p-médian:
remplacer la boucle de l'algorithme
précédent par " pour P:=1,..,p faire "
et remplacer le test si d >0... par I:=I U{k*};

• Heuristique pour une maximisation:

n
maximiser  max  ij   fi
j 1 iI iI

même algo avec rk(S) = z(S U{k})-z(S)

45
 Garanties de performances
• garantie "a posteriori" minimisation
zG  z *   f i
iI G

garantie "a posteriori" maximisation

z *  zG   f i
iI G
zG=z(IG) z* zD* zD(v) zmax= Si Sj gij

garantie

46
• Garantie "a priori" maximisation
soit z R   min  ij   f i alors
j i i

e 1 1
zG  z *  zR
e e

• Garantie "a priori" max pb p-médian

e 1
zG  z *  0,63 z d *
e
e base du log népérien
47
5.2 Algorithmes d'échange
• Algorithme 2-opt min problème p-médian

Début S0=solution initiale;

tant que  k  S0 et i S0 tel que
z(S0-{i}U{k}) < z(S0) faire
S0= S0-{i}U{k})
fait;
fin;

48
• Algorithme d'échanges généralisés min PLS
Sv solution voisine de S si
Sv= SU{k} ou Sv= S-{i} ou Sv= S-{i}U{k}
Début S0=solution initiale; S:=S0;
tant que  Sv solution voisine de S telle que
z(Sv) < z(S) faire
S:= Sv;
fait;
fin;
49
• Maximisation
remplacer < par > dans les algos précédents

Performances Max p-médian

p
z d *  z *  p  1
   1e  0,37
zd *  z R  p 

50
zG : valeur obtenue par heuristique (max p-médian)

p
z *  zG  p  1 
-gourmande    1e
z *  zR  p 
z *  zG p 1
-2-opt  1
z *  zR 2 p  1 2
p
z *  zG  p  1 
-gourmande+2-opt    1e
z *  zR  p 

51
5.3 fonctions sous-modulaires

max z ( S ) : S  K , z ( S ) est sous  modulaire

SN
z *  zG K 1
heuristique gourmande 
z *  z () K

et si j(SG)  0 j SG (SG solution trouvée)

K
z *  z  K  1 
on a: G  
z *  z ()  K 
52
5.4 Recuit Simulé

• Voisinage: le même que pour les échanges

généralisés

• Excellents résultats

• Garanties seulement a posteriori

53
• Variations de la fonction de coût
r(j): site de rattachement de j dans la solution courante
r'(j): 2ième site équipé le plus proche de j

- Ajout d'un équipement au site a

1  f a   caj  cr ( j ) j
j t.q. cr ( j ) j  caj
- Suppression d'un équipement au site b
 2   fb   cr '( j ) j  cbj
j t.q. r ( j ) b
-déplacement d'un équipement de b vers a
 3  1   2
54
 Annexe 3
Matrices Totalement Unimodulaires (TU)
Soit A matrice (m,n) d’entiers

Définitions: A de rang m est unimodulaire si le déterminant de

toute base de A vaut 1 ou -1
A est TU si le déterminant de toute
sous-matrice carrée de A vaut 0, 1 ou -1

Remarque: A TU  [A,I] unimodulaire

55
 Annexe 3 Suite
Matrices Totalement Unimodulaires (TU)
Soit A matrice (m,n) d’entiers

Théorème

• A de rang m est unimodulaire si et seulement si le polyèdre

P={xn x≥0 Ax = b } est entier pour tout b vecteur entier
(tel que P≠)

• A est totalement unimodulaire si et seulement si le polyèdre

P={xn x≥0 Ax ≤ b } est entier pour tout b vecteur entier
(tel que P≠)

56
 Annexe 3 Suite
Reconnaissances des Matrices (TU)
Soit A matrice (m,n) d’entiers

• A est TU ssi tout sous-ensemble de colonnes de A peut être

partagé en 2 parties telles que la somme des colonnes d’une
partie moins la somme des colonnes de l’autre partie est un
vecteur de 0, 1 ou -1
• Les matrices de réseaux sont TU
• Théorème (Seymour) Toute matrice TU comporte une
décomposition en matrice de réseaux combinées à des
matrices de Hoffman (matrice 5x5 particulières)
• Vérifier si une matrice est TU est un problème polynomial

57
 6 LE POLYEDRE DE PLS
n
 xij  1 j
i 1
0  xij  yi  1 ij

• Cas particulier n=2

Tous les points extrêmes sont entiers
(matrice totalement unimodulaire)
• Etude du cas général n>2 polyèdre Qn
58
I1 = {i t.q. 0 < yi < 1})
J1 = {j t.q. xij=(0 ou yi) i et  i t.q. 0< xij< 1}
A = matrice (aij), iI1, jJ1 aij=1 si xij>0;aij=0 sinon
Théorème Cornuéjols, Fisher, Nemhauser
Une solution fractionnaire (x,y) est un point
extrême de Qn si et seulement si
(i) yi  max xij i  I1
j
(ii) j ,  au plus un i t.q. 0  xij  yi
(iii) rang( A)  I1
59
Théorème Cho, Padberg et Rao

Soit B une matrice non singulière de 0 et 1 telle que

B-1e  0 avec e=vecteur colonne de 1.
Les lignes et colonnes de B sont indicées par
Ik{1,..,n} et Jk{1,..,n} avec |Ik|=|Jk|=k.

Alors   ij ij  i
b x  y  k  e T 1
B e inf  
iI k jJ k iI k

est une inégalité valide pour PLS qui coupe au moins

un point fractionnaire si eTB-1e non entier

60
• Etude du polytope Pn de PLS
facettes élémentaires:
(i) xij  yi i j
(ii) xij  0 i j
(i) yi  1 i

notation: si 2  t  l  n
B tl  (bijtl )  matrice de Clt colonnes et l lignes
 vecteurs différents avec t 1 et l  t 0
61
Théorème Cornuéjols et Thizy

l , t t.q. 2  t  l  n et Clt  n;
I '  I et J '  J t.q. I '  l et J '  Clt
l'inégalité suivante définit une facette de Pn:

  ij ij  i
b tl
x  y  Cl  t  l 1
t
iI ' jJ ' iI '

62
Graphe associé: {sommets} {variables}
{arêtes}: { xij yi et xkj {xij t.q. ki}}

G' sous-graphe de G défini par:

N '  xij t.q. bij  0, i  I ' , j  J ' yi t.q. i  I '

Théorème Cornuéjols et Thizy

l'inégalité   bij xij   yi  r

iI ' jJ ' iI '

définit une facette de Pn si et seulement si:

63
(i) r   (G ' )  J '
(ii) G ' est connexe
(iii) i  I ' , j  J ' , l' arête yi , xij  est critique
(iv) j , k  J ' ,  une suite d' arête critique :
xij , xt j xt j , xt j .......xt
1 1 1 1 2 2 2 s  2 js 1

, xt s1 js1 xt s1 js , xkjs 
(v) i, j t.q. xij  N ' ,  (G ' )   (G" )
où G" est le sous - graphe induit par N 'xij 

64
 7 METHODES EXACTES

7.1 LOCALISATION DANS UN ARBRE

• Un problème polynomial
• Un algorithme en O(n2)

65
Théorème Barany, Edmonds et Wolsey

Si le réseau des sites est un arbre et si dans toute

solution optimale un client est relié à l'équipement le
plus proche de plus petit numéro alors la matrice des
contraintes est totalement unimodulaire et tous les
points extrêmes du polyèdre sont entiers.

Les contraintes s'écrivent:

 xij  1 j (avec xii  yi )
i
xij  xij ' i, j , j ' tels que j ' est entre i et j
66
 LOCALISATION DANS UN ARBRE
Un algorithme en O(n2) Billionnet, Costa

– programmation dynamique
– arbre → arborescence

demande du client j sous-arborescence de racine s

coût d'installation en j distance entre i et j

67
68
Les 2 algorithmes suivants sont à la base de nombreux
algorithmes récents efficaces pour ce problème

7.2 L'ALGORITHME D'ERLENKOTTER

Principe:
• résolution du programme linéaire continu
fondée sur le théorème des écarts
complémentaires
• + méthode arborescente

69
Rappel (cf IV.2)

n n n
  n
min z   f i yi   cij xij  Max z d   v j ( 4 )
i 1 i 1 j 1
  j 1
n  
1   xij  0 j (1)
n
  f i   sup(0, v j  cij )  0 i (7)
i 1
  j 1
yi  xij  0 i j ( 2 )  v  0 i
  j
yi  0 i xij  0 ij  

Application des règles d'exclusion à [y* et contraintes (7)] et à

[w* et contraintes (2)] avec wij=sup{0,v*j - cij}
On obtient:
*  
yi . fi   max 
0, v*j 
 cij   0 i (8)
 j 
y*
i  
 xij* . max 0, v*j  cij  0  ij (9)

 
Solution duale: vj+ (au début v j  min cij puis v j )
i
On note:
 

I '  i t.q.  max 0, v j  cij  f i 


 j 
I   I ': I  
i  I ' t.q. pour un j, seul i vérifie c  v  ij

j

 i  I 't.q.pour un j t.q. (c  v i  I ) c
ij

j

i' j est minimal 
71
Solution primale:
yi  1 i  I  ; yi  0 sinon;
j , xîj  1 ssi cîj  min cij (on note î  i  ( j ))
iI
Propriétés:
(a)  max 0,v 
j  cij  f ii  I 

j
 
(b) j i  I t.q. vj  cij

Lemme z p  z D    
max 0, v j  cij 
j iI 
i i  ( j )

72
 Procédure "Dual Ascent"
• Initialisation si  j  c kj ( j )  v j alors
j faire v j  c1j (k ( j )  1)  j  c kj ( j )  v j
i faire si  fi k ( j)  k ( j)  1
j faire k ( j )  2  1
 1 finsi
pour tout i  I tq v j  cij  0
• tant que   1 faire
faire si  si   j
 0
pour j  1,.., n faire vj  vj j
fait
 j  min ( si : v j  cij  0)
iI fait
fait fin
73
 Procédure Branch and bound
"Dual Adjustment"
choix d'un yi qui viole les
Principe: contraintes (9)
diminuer certains vj de • yi  0 ( fi  )
façon à pouvoir en la solution en cours du dual reste
admissible
augmenter d'autres.
• yi  1
- une diminution doit permettre modifications simples de la
deux augmentations solution du dual sans changement
- le choix des vj se fait très de sa valeur
simplement
74
7.3 L'ALGORITHME DE CHRISTOFIDES
ET BEASLEY (Problème p-médian)

Principe:
• recherche d'une solution admissible par une
heuristique gourmande
• calcul d'une borne par relaxation
lagrangienne
• + méthode arborescente
75
Modèle utilisé: modèle 3 avec contraintes (2')
n n n n
Min   dij xij s.c.  xij  1 j (1)  xij  n xii i ( 2' )
i 1 j 1 i 1 j 1
n
 xii  p xij  0,1 ij
i 1

• Solution initiale: heuristique VI.1

S ={sites équipés dans la solution en cours}

76
• Relaxation lagrangienne des contraintes (1)
écriture de la fonction duale:
n n n
w( )  Min   (dij   j ) xij    j
i 1 j 1 j 1
n
 xij  n xii i ( 2' )
j 1
n
 xii  p
i 1
xij  0,1 ij

en posant  j  min dij pour tout j  S  K1

iK1

77
 n
w( )  Min   (dij   j ) xij   (d jj   j )    j
iS  K 0 jS  K1 jK1 j 1
dij   j

 xij  n xii i  S  K1
jS  K1
dij   j
n
 xii  p  K1
iS  K 0  K1
xij  0,1 ij; xii  0 et xij  0 i  K 0j; xii  1 i  K1 ;

en posant
 i  ( d ii   i )   min( 0, d ij   j ) i  S  K 0
jS  K1
d ij   j
j i
78
 n
w( )  Min   i xii    j
iS  K 0 j 1
n
 xii  p  K1
iS  K 0  K1
xii  0,1 i  S  K 0 ; xii  1 i  K1 ;

Solution de la fonction duale:

xii*  1 si i  K1
xii*  1 pour les p  K1 plus petites valeurs de  i
avec i  S  K 0  K1
xii*  0 sinon

79
Calcul des xij*:

pour i  j xij*  1 si xii*  1, dij -  j  0, d ij   j , j  S  K1

xij*  0 sinon
Valeur de la solution duale:
n n
w( )    i xii*  j
i 1 j 1

Problème dual: max w( ) à résoudre par un algorithme de

 0
sous-gradient

80
 Procédure arborescente
• Procédure classique séparation/évaluation
(Branch and bound)

• Séparation:
i tel que i  Min  k
kS*K1

81