Mathématiques
Document disponible au format: PDF, Text, LaTeX, LyX.
Nicolas.Thiery@u-psud.fr
http://Nicolas.Thiery.name/
Chapter 1 Introduction à l'optimisation
1.1 TD: Ordonnancement par la méthode des potentiels
Exercice 1
On veut construire une maison, ce qui consiste en 9 tâches, le
plus rapidement possible, avec les contraintes suivantes:
-
Certaines tâches dépendent d'autres tâches
- Toutes les tâches demandent une semaine de travail.
- Chaque ouvrier ne peut travailler que sur une tâche par jour
- Il n'y a pas de gain de temps si plusieurs ouvriers travaillent sur
la même tâche
Exemple 1
Organisez un emploi du temps pour un ouvrier, de façon à construire
la maison le plus rapidement.
|
semaine 1 |
semaine 2 |
semaine 3 |
semaine 4 |
semaine 5 |
semaine 6 |
semaine 7 |
ouvrier 1 |
|
|
|
|
|
|
|
De même, s'il y a deux ouvriers:
|
semaine 1 |
semaine 2 |
semaine 3 |
semaine 4 |
semaine 5 |
semaine 6 |
semaine 7 |
ouvrier 1 |
|
|
|
|
|
|
|
ouvrier 2 |
|
|
|
|
|
|
|
De même, s'il y a trois ouvriers:
|
semaine 1 |
semaine 2 |
semaine 3 |
semaine 4 |
semaine 5 |
semaine 6 |
semaine7 |
ouvrier 1 |
|
|
|
|
|
|
|
ouvrier 2 |
|
|
|
|
|
|
|
ouvrier 3 |
|
|
|
|
|
|
|
Et s'il y a plus d'ouvriers ?
Généralisation avec des durées.
1.2 Problèmes d'optimisation
Problem 1
Quelles sont les coordonnées du point culminant du massif de la Chartreuse?

Modélisation:
Définition 2
Un problème d'optimisation
est décrit par:
-
Un domaine S
Ici, S est l'ensemble des points p de la surface de la terre,
décrits par leur coordonnées (longitude, latitude).
Un élément de S est appellé solution.
- Des contraintes C définissant un sous-ensemble de S.
Ici, C(p):=« p est dans le massif de la Chartreuse ».
Une solution p vérifiant les contraintes C(p) est dite solution
faisable.
- Une fonction objectif : z:S↦R
Ici la fonction p↦ z(p) qui associe à un point p de la
surface de la terre sont altitude z(p).
Il faut de plus préciser s'il s'agit d'un problème de maximisation
ou de minimisation
.
Une solution faisable p est dite optimale
si z(p)≥ z(q)
pour toute autre solution faisable q.
But: déterminer l'ensemble des solutions optimales.
Exemple 3
Modéliser les problèmes suivants, puis les résoudre ou proposer des
méthodes de résolution:
-
Calcul du plus court chemin dans un graphe.
- Recherche d'un ordonnancement optimal pour ...
- Déterminer le plus petits nombre de cartons nécessaires pour un déménagement.
- Chercher un mat en un minimum de coup
- Recherche de l'élément maximal d'un tableau de n valeurs aléatoires.
- Maximiser z pour z dans [0,1[.
- Maximiser z pour z dans R+.
- Déterminer la valeur minimale de la fonction x2+2x−4.
plotfunc2d(x^2 + 2*x - 4)
- Déterminer la valeur minimale de la fonction 2x3−5x2−x+7.
plotfunc2d(2*x^3 - 5*x - x + 7)
- Déterminer la valeur maximale de la fonction sin(x)sin(π x+2)+0.01x2.
plotfunc2d(sin(x) * sin(PI*x+2)-0.01*x^2,x=-20..20)
- Quelle est la profondeur maximale de l'océan?
Bilan: un problème d'optimisation peut avoir
-
Aucune solution
- Aucune solution optimale (non borné)
- Une unique solution optimale
Quelques méthodes d'optimisation:
-
Méthodes globales:
-
Monte-Carlo
- Recherche exhaustive (toujours possible pour un problème discret fini;
parfois la seule méthode existante)
- Recherche exhaustive structurée, avec coupures de branches.
- Méthodes locales, itératives:
Lorsque le problème a une propriété de «convexité», l'optimisation
locale amène à une optimisation globale!
-
Algorithmes gloutons
- Méthodes analytiques (gradient)
- Méthode du simplexe
- Méthodes mixtes:
-
Monte-Carlo + gradient
- Recuit simulé, ...
Chapter 2 Programmation linéaire
2.1 Rappel d'algèbre linéaire
Problem 1
Considérons le système suivant:
-
5 = s1 + 2*x1 + 3*x2 + x3
11 = s2 + 4*x1 + x2 + 2*x3
8 = s3 + 3*x1 + 4*x2 + 2*x3
Que peut-on dire dessus?
C'est un système linéaire
à 6 inconnues et 3 équations.
On peut décrire l'ensemble des solutions en prenant comme paramètres
x1, x2 et x3.
En effet, vu sa forme triangulaire, s1, s2 et s3 s'expriment en fonction
de x1, x2 et x3.
Transformer le système pour prendre comme paramètres s1,
s2, et x1.
2.2 Qu'est-ce que la programmation linéaire
2.2.1 Exemple: le problème du régime de Polly [1, p.3]
-
Besoins journaliers:
-
Énergie
- 2000 kcal
- Protéines
- 55g
- Calcium
- 800 mg
- Nourriture disponible
|
Portion |
Énergie (kcal) |
Protéines (g) |
Calcium (mg) |
Prix/portion |
Céréales |
28g |
110 |
4 |
2 |
3 |
Poulet |
100g |
205 |
32 |
12 |
24 |
Oeufs |
2 gros |
160 |
13 |
54 |
13 |
Lait entier |
237cc |
160 |
8 |
285 |
9 |
Tarte |
170g |
420 |
4 |
22 |
20 |
Porc et haricots |
260g |
260 |
14 |
80 |
19 |
- Contraintes:
-
Céréales
- au plus 4 portions par jour
- Poulet
- au plus 3 portions par jour
- Oeufs
- au plus 2 portions par jour
- Lait
- au plus 8 portions par jour
- Tarte
- au plus 2 portions par jour
- Porc et haricots
- au plus 2 portions par jour
Problem 1
Polly peut-elle trouver une solution ?
Comment formaliser le problème ? (modélisation)
Qu'est-ce qui fait la spécificité du problème ?
Savez-vous résoudre des problèmes similaires ?
2.2.2 Forme standard d'un problème de programmation linéaire
Problem 2
[1, p. 5]
-
Maximiser: 5*x1 + 4*x2 + 3*x3
Sous les contraintes: 2*x1 + 3*x2 + x3 <= 5
4*x1 + x2 + 2*x3 <= 11
3*x1 + 4*x2 + 2*x3 <= 8
x1, x2, x3 >= 0
Minimiser: 3*x1 - x2
Sous les contraintes: - x1 + 6*x2 - x3 + x4 >= -3
7*x2 + 2*x4 = 5
x1 + x2 + x3 = 1
x3 + x4 <= 2
x2, x3 >= 0
Définition 1
Problème de programmation linéaire sous forme standard:
Maximiser:
Sous les contraintes:
xj≥0, pour j=1,…,n
Un choix des valeurs des variables (x1,…,xn) est appelé
solution
du problème.
Une solution est faisable
si elle vérifie les contraintes.
z est appelé fonction objective
. À chaque solution elle
associe une valeur.
Une solution est optimale
si elle est faisable et maximize
la fonction objective.
Exercice 1
Peut-on mettre sous forme standard les exemples précédents ?
2.2.3 Existence de solutions optimales ?
Problem 3
[1, p. 7] On considère les trois problèmes de programmation
linéaire standard suivants, écrits avec la syntaxe du système de calcul
formel MuPAD:
-
Chvatal7a := [ [ x1 <= 3,
x2 <= 7 ],
3 +x1 +x2,
NonNegative]:
Chvatal7b := [ [ x1 +x2 <= 2,
-2*x1-2*x2 <= -10 ],
3*x1 -x2,
NonNegative]:
Chvatal7c := [ [-2*x1 +x2 <= -1,
-x1-2*x2 <= -2 ],
x1 -x2,
NonNegative]:
extra := [ [ x1 +x2 <= 1 ],
x1 +x2,
NonNegative]:
Problem 4
Déterminer pour ces trois problèmes s'il y a des solutions optimales.
-
Premier cas: une solution optimale unique
- Deuxième cas: pas de solution faisable
- Troisième cas: pas de solution optimale, car on peut faire tendre
la fonction objective vers l'infini avec des solutions faisables.
- Quatrième cas: une infinité de solutions optimales.
2.3 Algorithme du simplexe
2.3.1 Premier problème
Problem 1
[1, p. 13]
-
Chvatal13 := [{2*x1 + 3*x2 + x3 <= 5,
4*x1 + x2 + 2*x3 <= 11,
3*x1 + 4*x2 + 2*x3 <= 8 },
5*x1 + 4*x2 + 3*x3,
NonNegative]:
Solution faisable ?
Amélioration de la solution ?
Introduction de variables d'écart:
-
5 = s1 + 2*x1 + 3*x2 + x3
11 = s2 + 4*x1 + x2 + 2*x3
8 = s3 + 3*x1 + 4*x2 + 2*x3
----------------------------------
z = 5*x1 + 4*x2 + 3*x3
En augmentant x1 jusqu'à 5/2, on fait tomber s1
à zéro.
On transforme le système, pour se ramener à une situation similaire
à la précédente:
-
5/2 = x1 + 3/2*x2 + 1/2*x3 + 1/2*s1
1 = s2 - 5*x2 - 2*s1
1/2 = s3 - 1/2*x2 + 1/2*x3 - 3/2*s1
-----------------------------------------
z = 25/2 - 7/2 x2 + 1/2*x3 - 5/2*s1
On augmente x3 jusqu'à 1, ce qui fait tomber s3 à 0:
-
1 = x3 - x2 - 3*s1 + 2*s3
2 = x1 + 2*x2 + 2*s1 - s3
1 = s2 - 5*x2 - 2*s1
---------------------------------
z = 13 - 3*x2 - s1 - s3
Et maintenant, que fait-on ?
Problem 2
[1, p. 19]
-
Chvatal19 := [[ x1 + 3*x2 + x3 <= 3,
-x1 +3*x3 <= 2,
2*x1 + 3*x2 - x3 <= 2,
2*x1 - x2 + 2*x3 <= 4],
5*x1 + 5*x2 + 3*x3,
NonNegative]:
Définition 2
Tableau initial:
bi=si+ |
|
aijxj, pour i=1,…,m |
Ou sous forme matricielle:
Exemple 2
Tableau initial du problème précédent:
-
3 = s1 + x1 + 3 x2 + x3
2 = s2 - x1 + 3 x3
2 = s3 + 2 x1 + 3 x2 - x3
4 = s4 + 2 x1 - x2 + 2 x3
---------------------------------
z = 0 + 5 x1 + 5 x2 + 3 x3
Exemple 3
On peut l'abréger sous forme matricielle:
-
read("tableaux.mu"):
linopt::Transparent(Chvatal19);
+- -+
|"linopt","restr",slk[1],slk[2],slk[3],slk[4],x3,x1,x2|
| |
| "obj", 0, 0, 0, 0, 0, 3, 5, 5|
| |
| slk[1], 3, 1, 0, 0, 0, 1, 1, 3|
| |
| slk[2], 2, 0, 1, 0, 0, 3,-1, 0|
| |
| slk[3], 2, 0, 0, 1, 0, -1, 2, 3|
| |
| slk[4], 4, 0, 0, 0, 1, 2, 2,-1|
+- -+
Définition 3
De manière générale, un tableau
est un ensemble d'équations
de la forme:
-
4 = x1 + 3/2 x2 - 1/2 x3 + 1/2 s4
2 = s1 + 3/2 x2 + 3/2 x3 - 1/2 s4
3 = s2 + 3/2 x2 + 5/2 x3 + 1/2 s4
2 = s3 - 4 x2 + 3 x3 - s4
----------------------------------------
z = 5 - 5/2 x2 + 11/2 x3 - 5/2 s4
x1,s1,s2,s3 sont les variables basiques;
{ x1,s1,s2,s3}
est la base
.
x2,x3,s4 sont les variables non basiques.
Définition 4
Le point de coordonnées (0,…,0) dans les variables non-basiques
est appellé solution basique du tableau.
Un tableau est faisable si la solution basique (0,…,0)
est une solution faisable.
De manière équivalente, un tableau est faisable si les constantes
dans les équations du haut sont toutes positives ou nulles.
Revenons à l'exemple [1, p. 19]:
-
read("tableaux.mu"):
t:=linopt::Transparent(Chvatal19);
t:=linopt::Transparent::userstep(t, slk[3], x3);
Exercice 2
[1, 2.1 p. 26]
Utilisez l'algorithme du simplexe pour résoudre les programmes linéaires
suivants:
-
Chvatal26_21a :=
[[ x1 +x2+2*x3 <= 4,
2*x1 +3*x3 <= 5,
2*x1 +x2+3*x3 <= 7],
3*x1+2*x2+4*x3,
NonNegative]:
Chvatal26_21c :=
[[2*x1+3*x2 <= 3,
x1+5*x2 <= 1,
2*x1 +x2 <= 4,
4*x1 +x2 <= 5],
2*x1 +x2,
NonNegative]:
Exercice 3
Essayez d'appliquer l'algorithme du simplexe aux programmes linéaires
de l'exercice [1, p. 7] (cf. ci-dessus). Que se passe-t'il
?
2.4 Pièges et comment les éviter
2.4.1 Bilan des épisodes précédents
On a un algorithme qui marche sur quelques exemples.
Il faut vérifier trois points pour savoir s'il marche en général:
-
Initialisation
- Itération
- Terminaison
Proposition 1
Étant donné un tableau faisable, on peut toujours effectuer l'une
des opérations suivantes:
-
Conclure que le système a une solution optimale unique, la calculer
et la certifier;
- Conclure que le système a une infinité de solutions optimales, les
calculer et les certifier;
- Conclure que le système est non borné, et le certifier en décrivant
une demi-droite de solutions sur laquelle z prend des valeurs aussi
grandes que voulu.
- Trouver une variable entrante, une variable sortante, et effectuer
un pivot. Par construction, le tableau obtenu est équivalent au tableau
précédent, et est encore faisable. De plus, z a augmenté
au sens large (i.e. la constante z* dans la nouvelle expression
de z est supérieure ou égale à l'ancienne).
Proof.
Il suffit d'analyser le tableau faisable. Notons S1,…,Sm
les variables basiques, X1,…,Xn les variables non-basiques,
et C1,…,Cn,z* les coefficients tels que z=z*+ΣCiXi.
Par exemple, dans le tableau final du problème1,
on a X1=x2, X2=s1, X3=s2, S1=x1,
S2=x3, S3=s3, C1=−3, C2=−1, C3=−1
et z*=13.
-
Si Ci<0, pour tout i, alors la solution basique du tableau,
de coordonnées X1*=⋯=Xn*=0 est l'unique solution
optimale. Vérifiez le en prouvant qu'une toute solution faisable quelconque
de coordonnées X1,…,Xn donnant la même valeur z=z*
à la fonction objective est égale à la solution basique du tableau.
- Si Ci≤0 pour tout i, la solution basique du tableau est
optimale, et l'ensemble des solutions optimales est décrit par les
inéquations linéaires du système et l'annulation des variables non-basiques
Xi pour lesquelles on a Ci<0. Les détails sont similaires
au 1.
- Sinon, on peut prendre Xi, variable non-basique avec un coefficient
Ci>0. Si les équations du tableau n'imposent pas de limite sur
Xi, le système est non borné: la demi-droite décrite par (0,…,0,Xi,0,…,0)
pour Xi≥0 est composée de solutions faisables qui donnent
des valeurs aussi grandes que voulu à z.
- Autrement, une des variables basiques Sj tombe à zéro, et on
peut faire un pivot entre la variable entrante Xi et la variable
sortante Sj. Par construction, la nouvelle solution basique
correspond à une solution faisable (0,…,0,Xi,0,…,0)
pour un Xi≥0. En particulier le nouveau tableau est faisable,
et comme Ci≥0, la constante z* a augmenté au sens large.
Exemple 3
[1, p. 29] Système où z n'augmente pas strictement
lors du pivot:
-
Chvatal29 := [[ 2*x3 <= 1,
- x1 + 3*x2 + 4*x3 <= 2,
2*x1 - 4*x2 + 6*x3 <= 3],
2*x1 - x2 + 8*x3,
NonNegative]:
t0:= linopt::Transparent(Chvatal29);
t1:= linopt::Transparent::userstep(t0, slk[1], x3);
t2:= linopt::Transparent::userstep(t1, slk[3], x1);
t3:= linopt::Transparent::userstep(t2, slk[2], x2);
t4:= linopt::Transparent::userstep(t3, x3, slk[1]);
Remarque 1
Lorsque z n'augmente pas, on est forcément dans une situation de
dégénérescence: le pivot change le tableau, mais pas la solution basique
décrite par le tableau.
2.4.3 Terminaison
Problem 1
Peut-on garantir que l'algorithme va finir par s'arrêter ?
Théorème 1
Si l'algorithme du simplexe ne cycle pas, il termine en au plus C(n+m,m)
itérations.
Proof.
(Résumé)
Chaque itération correspond à un tableau faisable.
Un tableau faisable est entièrement caractérisé par le choix des variables
basiques.
Il n'y a que C(n+m,m) choix possibles de variables
basiques.
Remarque 2
L'algorithme ne peut cycler qu'en présence de dégénérescence.
Avec une stratégie incorrecte, l'algorithme du simplexe peut cycler
éternellement:
Exemple 4
[1, p. 31] Système cyclant en 6 itérations avec la
stratégie:
-
Choix de la variable entrante avec le coefficient dans l'expression
de z le plus fort
- Choix de la variable sortante avec le plus petit index
-
Chvatal31 := [[0.5*x1 - 5.5*x2 - 2.5*x3 + 9*x4 <= 0,
0.5*x1 - 1.5*x2 - 0.5*x3 + x4 <= 0,
x1 <= 1],
10*x1 - 57*x2 - 9*x3 - 24*x4,
NonNegative]:
t0 := linopt::Transparent(Chvatal31);
t1 := linopt::Transparent::userstep(t0, slk[1], x1);
t2 := linopt::Transparent::userstep(t1, slk[2], x2);
t3 := linopt::Transparent::userstep(t2, x1, x3);
t4 := linopt::Transparent::userstep(t3, x2, x4);
t5 := linopt::Transparent::userstep(t4, x3, slk[1]);
t6 := linopt::Transparent::userstep(t5, x4, slk[2]);
Comment garantir que l'algorithme ne cyclera pas ?
2.4.4 Initialisation
Pour le moment, l'algorithme du simplexe nécessite de partir d'un
tableau faisable.
Problème 1
Dans le cas général, comment se ramener à un tableau faisable?
Le système pourrait même ne pas avoir de solution!
Exemple 5
[1, p. 39] Système P1:
Maximiser: x1−x2+x3
Sous les contraintes:
2x1−x2+2x3≤4
2x1−3x2+x3≤−5
−x1+x2−2x3≤−1
x1,x2,x3≥0
Exemple 6
Introduction d'un système
auxiliaire P0 pour déterminer
si P est faisable:
Maximiser: −x0
Sous les contraintes:
2x1−x2+2x3−x0≤4
2x1−3x2+x3−x0≤−5
−x1+x2−2x3−x0≤−1
x0,x1,x2,x3≥0
Remarques:
-
P0 est faisable (prendre x0 suffisamment grand);
- Les solutions faisables de P correspondent aux solutions
faisables de P0 avec x0=0;
- P est faisable si et seulement si P0 a une solution
faisable avec x0=0.
Étudions ce nouveau système:
-
Chvatal40 := [[ -x1 + x2 - 2*x3 - x0 <= -1,
2*x1 - 3*x2 + x3 - x0 <= -5,
2*x1 - x2 + 2*x3 - x0 <= 4],
-x0,
NonNegative]:
t0:=linopt::Transparent(Chvatal40);
t1:=linopt::Transparent::userstep(t0, slk[2], x0);
t2:=linopt::Transparent::userstep(t1, slk[1], x2);
t3:=linopt::Transparent::userstep(t2, x0, x3);
Maintenant, nous savons que le système P est faisable.
En fait, en éliminant x0 on obtient même un tableau faisable
pour P!
Algorithme du simplexe en deux phases pour résoudre un problème P
sous forme standard:
Phase I:
-
Si (0,…,0) est solution faisable de P, on passe directement
à la phase II.
- Définir un problème auxiliaire P0.
- Le premier tableau pour P0 est infaisable.
- Le rendre faisable par un pivot approprié de x0.
- Appliquer le simplexe habituel:
-
Si à une étape donnée, x0 peut sortir de la base, le faire en
priorité:
En effet, il y a une solution faisable avec x0=0, et on peut
passer en phase II.
- Si à une étape donnée on atteint une solution optimale:
-
Si x0 n'est pas basique:
Il y a une solution faisable avec x0=0. On peut donc passer
en phase II.
- Si x0 est basique et z0<0:
P est infaisable, et on s'arrête.
- Sinon x0 est basique et z0=0:
Situation impossible si on fait toujours sortir x0 en priorité
de la base.
- Tirer de P0 un tableau faisable pour P;
Phase II:
-
Appliquer le simplexe habituel à partir du tableau donné par P0.
Exercice 2
[1, ex 3.9a p. 44]
Maximiser 3x1+x2
Sous les contraintes:
x1−x2≤−1
−x1−x2≤−3
2x1+x2≤4
x1,x2≥0
-
t0:=linopt::Transparent(Chvatal44_39a0)
t1:=linopt::Transparent::userstep(t0, slk[2], x0)
t2:=linopt::Transparent::userstep(t1, slk[1], x1)
t3:=linopt::Transparent::userstep(t2, x0, x2)
t0:=linopt::Transparent(Chvatal44_39a)
t1:=linopt::Transparent::userstep(t0, slk[1], x1)
t2:=linopt::Transparent::userstep(t1, slk[2], x2)
t3:=linopt::Transparent::userstep(t2, slk[3], slk[2])
2.4.5 Le théorème fondamental de la programmation linéaire
Théorème 3
Tout programme linéaire P sous forme standard a l'une des propriétés
suivantes:
-
Si P n'a pas de solutions optimales, alors P est infaisable
ou non borné;
- Si P a une solutions faisable, alors P a une solution basique
faisable;
- Si P a une solution optimale, alors P a une solution basique
optimale.
Chapter 3 Problèmes de flot maximum
3.1 Introduction
Définition 4
Problème de flot max:
-
Réseau avec source et puits
- Pas de coûts sur les arcs
- Contraintes de capacités sur les arcs
- Production et consommation nulle sur chaque noeud intermédiaire
Objectif:
Maximiser le volume
du flot, c'est-à-dire la quantité transportée
entre s et p.
Exemple 7
Un dimanche soir, maximiser le nombre de voitures allant d'Albertville
à Lyon, en les répartissant entre les différentes routes possibles.
Exercice 3
Mettre le problème de flot dessiné ci-dessus sous forme de programme
linéaire.
Clairement, cela se généralise à tout problème de flot max.
Problème 2
Que peut-on en déduire ?
-
On a un algorithme de résolution (simplexe)
- On doit bien avoir une dualité!
3.2 Coupes dans un problème de flot
Définition 5
Une coupe C dans un réseau est un ensemble de sommets du
réseau contenant la source.
La capacité de la coupe C est la somme des capacités des arrêtes
sortantes de C.
Exemple 8
Dans notre réseau, la coupe C={s} est de capacité
5.
Exercice 4
Quelle est la capacité de la coupe C={s,i2,i3}?
Que peut-on en déduire sur la valeur d'un flot ?
Proposition 2
Pour toute coupe C et tout flot F dans un réseau, la capacité
|C| de la coupe est supérieure au volume |F|
du flot: |C|≥|F|.
Exercice 5
Chercher un flot maximal et une coupe minimal dans notre exemple?
Que peut-on dire?
3.3 Algorithme de Ford-Fulkerson
Nous allons maintenant donner un algorithme qui permet de calculer
un flot maximal.
Mieux, comme l'algorithme du simplexe, cet algorithme va donner des
résultats théoriques!
Exemple 9
On veut transporter le plus grand nombre possible de voyageurs de
San-Francisco à New-York, sachant qu'il ne reste que quelques places
dans les avions entre les villes suivantes:
Définition 6
Soit R un réseau, et F un flot donné dans ce réseau.
Un chemin allant de la source s au puits p est F-augmentant
si pour chaque arête ij du chemin on a:
-
xij<uij si l'arc ij est dans le même sens que dans le
réseau
- xij>0 si l'arc ij est dans le sens inverse du réseau.
À partir d'un chemin F-augmentant, on peut construire un nouveau
flot F' qui sera de volume strictement plus gros.
Le principe de l'algorithme de Ford-Fulkerson est de partir d'un flot
F quelconque, et de l'améliorer itérativement en recherchant des
chemins F-augmentant.
À chaque étape, la recherche d'un chemin F-augmentant se fait par
un parcours en profondeur, de manière similaire à la recherche d'un
chemin M-augmentant dans un graphe biparti. Si cette recherche
échoue, elle dévoile une coupe de capacité égale au flot, ce qui donne
un certificat d'optimalité du flot.
Remarque 1
On peut toujours initialiser l'algorithme avec un flot nul.
Si toutes les capacités sont entières et finies, chaque itération
augmente le flot d'au moins 1. Cet algorithme ne peut donc pas
cycler, et il termine en un nombre fini d'étapes.
Avec une mauvaise stratégie, et des capacités infinies ou non-entières,
l'algorithme peut ne pas terminer.

Avec une stratégie convenable, cet algorithme est en fait polynomial,
en O(n3), même si les capacités sont infinies ou
non entières.
Pour les réseaux avec peu d'arcs, il y a des algorithmes plus compliqués
qui permettent d'obtenir d'encore meilleurs bornes. Cf. [1, p. 369]
pour les détails.
3.4 Conséquences de l'algorithme de Ford-Fulkerson
3.4.1 Théorème de dualité min-max
Théorème 4
(Coupe min-Flot max) Dans un réseau, le volume maximal d'un flot est
égal à la capacité minimale d'une coupe.
Ce théorème est un cas particulier du théorème de dualité de la programmation
linéaire.
3.4.2 Théorème d'intégralité
Dans notre exemple, on veut transporter des personnes entières
autant que possible!
Qu'aurait-il pu se passer si l'on avait utilisé l'algorithme du simplexe?
Qu'a t-on obtenu avec l'algorithme de Ford-Fulkerson?
Est-ce un accident?
Théorème 5
(dit d'intégralité) Soit P un problème de flot où les contraintes
sont entières. Alors:
-
Si P a une solution, alors il a une solution à coefficients entiers;
- Si P a une solution optimale, alors il a une solution optimale
à coefficients entiers.
Proof.
La solution initiale 0 est à coefficients entiers
À chaque étape, l'amélioration le long du chemin augmentant est entière
ou infinie.
Le théorème d'intégralité est assez simple. Alors quel est son intérêt
?
Ce que dit fondamentalement le théorème d'intégralité, c'est que dans
certains cas les méthodes de programmation linéaire peuvent être utilisées
pour résoudre des problèmes purement combinatoire, ce qui est loin
d'être trivial!
C'est le sujet de la combinatoire polyhédrale. On verra quelques
exemples la semaine prochaine.
3.4.3 Combinatoire polyhédrale: quelques exemples
Couvertures et couplages dans les graphes bipartis
On va maintenant regarder une application de la programmation linéaire
pour étudier des graphes non orientés comme le suivant:
Une couverture C de ce graphe est un ensemble de sommets
qui touchent toutes les arêtes, comme par exemple C:={1,3,4,7,8}:
Exemple 1
On a 8 petits villages reliés par des routes. En cas d'accident
de la route, on veut que les pompiers puissent intervenir rapidement.
Le prefet impose que lorsqu'une route relie deux villages, il y ait
une caserne de pompier dans au moins l'un des deux villages. Évidemment
le budget est serré, donc on veut construire des casernes de pompier
dans un nombre minimal de villages.
Modélisation: Chaque village est représenté par un sommet du graphe
précédent, les arêtes représentant les routes. Résoudre notre problème
revient à chercher une couverture de taille minimale du graphe.
Un couplage M de ce graphe est un ensemble d'arêtes qui
ne se touchent pas, comme par exemple M:={{1,3},{4,5},{7,8}}:
Exemple 2
On veut loger un groupe de 8 personnes dans un hotel, avec des
chambres simples et doubles. Pour minimiser les dépenses, on utiliser
le maximum de chambres doubles. D'un autre côté on ne veut pas forcer
deux personnes qui ne se connaissent pas bien à partager une chambre.
Modélisation: chaque sommet du graphe précédent représente une personne,
et chaque arête relie deux personnes qui se connaissent bien. Résoudre
notre problème revient alors à rechercher un couplage de taille maximale
dans le graphe.
Exercice 4
Montrer que pour un couplage M et une couverture C d'un même
graphe, on a toujours |M|≤|C|.
Proof.
Comme C est une couverture, chaque arête de M devra être touchée
par au moins un sommet dans C. De plus, M étant un couplage,
chaque sommet de C touche au plus une arête de M. Donc, on a
bien |M|≤|C|.
Problem 3
Peut-on trouver M et C de façon à avoir égalité ?
Dans notre exemple, non. Par contre, on va voir que pour certaines
classes de graphe, cela va être vrai: on aura un théorème de dualité
min-max. Comme par hasard, c'est une conséquence de la programmation
linéaire.
On appelle graphe biparti un graphe dont on peut partitioner
les sommets en deux paquets A et B de sorte que toutes les arêtes
soient entre A et B:
Exercice 5
On veut rechercher un couplage maximal du graphe précédent. Montrer
comment on peut résoudre ce problème en utilisant un problème de flot.
Utiliser l'algorithme de Ford-Fulkerson pour le résoudre.
On appelle cela la Méthode du chemin augmentant . Pourquoi?
Chaque solution entière F du problème de flot correspond à un couplage
M du graphe biparti (les arêtes sur lesquelles passent une unité),
avec |M|=|F|. Maximiser le flot revient à
rechercher un couplage de taille max. Le théorème d'intégralité
nous garanti que Ford-Fulkerson donnera bien une solution optimale
entière!
Exercice 6
Prendre maintenant la coupe minimale donnée par l'algorithme de Ford-Fulkerson,
et définir C l'ensemble des sommets a du graphe biparti tels
que:
-
soit a est du côté de la source et a n'est pas dans la coupe.
- soit a est du côté du puit et a est dans la coupe.
-
Que constate-t'on?
Problem 4
Est-ce une coïncidence?
Exercice 7
Soit G un graphe biparti, M un couplage maximal donné par l'algorithme
de Ford-Fulkerson, et C l'ensemble de sommets obtenu comme ci-dessus.
Montrer que C est une couverture et que |M|=|C|.
Theorem 5
(König-Egerváry) Dans tout graphe biparti, la taille d'un couplage
maximal est égale à la taille d'une couverture minimale.
C'est une exemple typique où le théorème de dualité de la programmation
linéaire donne un théorème min-max reliant deux problèmes combinatoires
qui ne sont pas en lien direct a priori.
Exercice 8
Utiliser la méthode du chemin augmentant pour rechercher un couplage
maximal des graphes suivants (on pourra partir du couplage suggéré):
Dualités chaînes/antichaînes dans les ordres partiels; théorème de
Dilworth
Problem 6
[1, p. 338] Problème des visites guidées. Une compagnie
propose 7 visites guidées dans la journée, notées a,b,c,d,e,f,g,
dont les horaires et durées sont fixées. Si une visite (par ex. a)
termine suffisament avant une autre (par exemple c), le guide de
la première visite peut enchaîner sur la deuxième; on notera alors
a→ c. En l'occurence, voici tous les enchaînements possibles:
a→ c, a→ d, a→ f, a→ g, b→ c, b→ g, d→ g, e→ f, e→ g.
-
Combien faut-il de guides au minimum dans cet exemple ?
- Comment trouver le nombre minimum de guides nécessaires dans le cas
général ?
Définition 7
Soit P=(E,<) un ordre partiel.
Une chaîne
C de P est un ensemble de sommets de P
deux à-deux comparables:
x∈ C et y∈ C ⇒ x<y ou y<x.
Une antichaîne
A de P est un ensemble de sommets deux-à-deux
incomparables.
Une couverture en chaînes
de P est un ensemble C1,…,Ck
de chaînes, de sorte que tout sommet de P est dans une unique chaîne
Ci.
Une couverture en antichaînes
de P est un ensemble A1,…,Ak
d'antichaînes, de sorte que tout sommet de P est dans une unique
antichaîne Ai.
Exercice 9
Trouver dans l'ordre partiel P précédent:
-
Une chaîne de taille maximale
- Une antichaîne de taille maximale
- Une couverture en chaînes de P de taille minimale
- Une couverture en antichaînes de P de taille minimale
Que remarquez vous ?
Y-aurait-il un théorème min-max reliant la taille de la plus grande
chaîne et la taille de la plus petite couverture en antichaînes ?
Et un autre reliant la taille de la plus grande antichaîne et celle
de la plus petite couverture en chaînes ?
Exercice 10
Soit P un ordre partiel quelconque.
-
Soit C une chaîne de P et A1,…,Ak une couverture
de P en antichaînes.
Montrer que |C|≤ k.
- Soit A une antichaîne de P et C1,…,Ck une couverture
de P en chaînes.
Montrer que |A|≤ k.
Proposition 8
Soit P un ordre partiel. La taille de la plus grande chaîne de
P est égale à la taille de la plus petite couverture en antichaînes
de P.
Exercice 11
Prouvez-le!
Le théorème dans l'autre sens est plus difficile et bien plus profond.
Il n'y a pas de construction élémentaire de l'antichaîne et de la
couverture en chaîne idoine. On va en fait se ramener au théorème
de dualité de la programation linéaire (surprise).
Theorem 9
(Dilworth) Soit P un ordre partiel. La taille de la plus grande
antichaîne de P est égale à la taille de la plus petite couverture
en chaînes de P.
Proof.
On note n le nombre de sommets de P.
Choisir une couverture en chaîne de P est équivalent à sélectionner
un certain nombre d'arcs dans P, de sorte que chaque sommet ait
au plus un arc sortant de sélectionné, et un arc rentrant de sélectionné.
Remarque: s'il y a k chaînes, il y a n−k arcs sélectionnés.
Cela ressemble à un problème de couplage maximal dans un graphe biparti.
On construit un graphe biparti B dans lequel chaque sommet x
de P est dupliqué en (x,1) et (x,2).
Chaque fois que x<y dans P, on relie (x,1) et (y,2).
Qu'est-ce qu'un couplage dans B?
Un ensemble d'arcs de P vérifiant exactement les conditions voulues.
Une couverture de P en k chaînes correspond à un couplage de
B de taille n−k.
Prenons une couverture de P de taille k minimale.
Cela donne un couplage de taille max n−k de B.
Le théorème min-max pour les graphes bipartis indique qu'il y a une
couverture de B de même taille: n−k sommets de B qui touchent
tous les arcs.
Dans P cela correspond à au plus n−k sommets qui touchent tous
les arcs.
Soit A l'ensemble des sommets restants qui est de taille au moins
k.
Il ne peut pas y avoir d'arcs entre deux sommets de A.
Conclusion: A est une antichaîne de taille au moins k.
Exercice 12
Suivez le déroulement de la preuve sur l'ordre partiel précédent.
Problème des mines à ciel ouvert
Problème 3
Des études géologiques ont permis de déterminer précisément la nature
du sous-sol, et l'emplacement des gisements orifères à l'endroit ou
l'on a décidé de creuser une mine à ciel ouvert. Certains gisements
sont profonds, et il n'est pas clair qu'il soit rentable d'excaver
tout le sol au-dessus pour y accéder.
Modèle: le sous-sol a été délimité en un certain nombre de blocs.
Pour chaque bloc i, on connaît le coût Ci d'excavation, et
le profit Pi que l'on peut escompter de son traitement.
Au final, on associe à chaque bloc i la quantité wi=Ci−Pi.
Si l'on ne considère pas les autres blocs, il est rentable de creuser
i si et seulement si wi<0.
On veut déterminer quels blocs on doit creuser pour maximiser le profit
total −Σiwi (ou autrement dit minimiser Σiwi).
Maintenant, il y a des contraintes supplémentaires: si un bloc i
est sous un bloc j, on ne peux pas creuser i sans creuser j!
On introduit un ordre partiel, de sorte que i<j si pour creuser
i on doit creuser j.
Comme on le verra, la forme des blocs, et le type d'ordre partiel
n'est pas relevant.
Exemple 10
On considère le sous-sol suivant:
Comment modéliser notre problème sous forme de problème de flot max
?
La modélisation des contraintes de précédences est un peu astucieuse!
On introduit le réseau suivant:
C'est la remarque suivante qui va faire marcher la machine:
Remarque 3
Soit C une coupe.
S'il existe deux blocs i<j, avec i∈ C et j∈ C, alors
C est de capacité infinie.
La réciproque est vraie.
Les coupes de capacité finie sont en correspondance avec les coupes
respectant les contraintes.
Maintenant, on peut vérifier que la capacité d'une coupe finie vaut
exactement
|
|
Σ |
i∈ C, i bloc non rentable |
|
wi− |
|
wi. |
Quitte à rajouter le terme constant Σi, i blocwi,
on est en train de calculer le profit lorsque l'on enlève les blocs
i avec i∈ C.
Résumé: Soit I un ensemble de blocs, et C la coupe {s}∪ I.
-
Si I ne satisfait pas les contraintes, la capacité de C est
infinie.
- Si I satisfait les contraintes, la capacité de C est l'opposé
du profit.
Maximiser le profit revient à trouver une coupe min.
Remarque 4
En termes pédants: on peut résoudre par un algorithme de flot le problème
de trouver une section finale de poids minimal dans un ordre partiel.
3.5 Synthèse
Plusieurs modèles généraux pour faire de l'optimisation:
-
Programmation linéaire
-
Algorithme du simplexe
Efficace en pratique (quasiment linéaire), non polynomial en théorie
- Algorithme de l'élipsoide
Polynomial, mais non efficace en pratique
- Méthode des points intérieurs
Plus ou moins efficace que le simplexe selon les cas
- Théorème de dualité ⇒ Certification, optimisation,
coûts marginaux, ...
- Mais: solutions dans Q
- Problèmes de flots
-
Algorithme de Ford-Fulkerson
Polynomial O(n3). Plus efficace que le simplexe.
- Théorème de dualité (flots/coupes)
- Théorème d'intégralité
⇒ Algorithmes et théorèmes min-max sur des problèmes
discrets.
- Réseaux de transports
-
Algorithme du simplexe pour les réseaux
- Théorème de dualité (coûts marginaux)
- Théorème d'intégralité
References
-
[1]
- V. Chvatal. Linear Programming.
- [2]
- R. Vanderbie. Linear Programming; Foundations
and Extensions. http://www.princeton.edu/~rvdb/LPbook/index.html
- [3]
- Linear Programming FAQ http://rutcor.rutgers.edu/~mnk/lp-faq.html
- [4]
- http://en.wikipedia.org/wiki/Linear_programming
Mathématiques
Gestion et Recherche Opérationnelle, Notes de cours /
IUT d'Orsay, Cours de Mathématiques /
Nicolas M. Thiéry
Dernière modification: Lun 30 Avr 2007 16:05:02