` Algebre lineaire
Algorithme du simplexe
Resume
Algorithme du simplexe
` Une solution a la programmation lineaire
Hugues Talbot
Laboratoire A2SI
18 mars 2008
` Algebre lineaire
Algorithme du simplexe
Resume
Plan
` Algebre lineaire
Algorithme du simplexe Formulation et forme standard Notations Recherche dune solution optimale
` Algebre lineaire
Algorithme du simplexe
Resume
Matrices, inverses etc
Il est necessaire de matriser un minimum dalgebre `
lineaire : matrices (addition, multiplication etc), inverses etc.
Pour les exercices, TD, TPs et examen, on peut vous
` demander dinverser a la main une matrice 3 3. Un cours complet dalgebre lineaire : ` [Link] : 440 pages, libre, avec toutes les preuves et la solution de tous les exercices.
` Algebre lineaire
Algorithme du simplexe
Resume
Exemple - fabrique de ceintures
Une usine de ceinture en fabrique de 2 sortes : luxe et
standard
Chaque type demande 1m2 de cuir Une ceinture standard demande 1h de travail Une centure de luxe 2h Chaque semaine, on dispose de 40m2 de cuir et de 60h de
travail.
Chaque ceinture standard rapport 3 Euros Chaque ceinture de luxe 4 Euros. Maximiser le prot.
` Algebre lineaire
Algorithme du simplexe
Resume
Formulation
x1 = nombre de ceintures de luxe produites par semaine x2 = nombre de ceintures standard produites par semaine Maximiser z = 4x1 + 3x2 , avec
x1 + x2 40 2x1 + x2 60 x1 , x2 0
contrainte sur le cuir contrainte sur le travail contrainte de signe
(1) (2) (3)
` Algebre lineaire
Algorithme du simplexe
Resume
Conversion en forme standard
On souhaite convertir toute les inegalites en egalites. Pour chaque variable on denit une variable de
manque si . Toutes les si sont positives. Ici s1 = 40 x1 x2 s2 = 60 2x1 x2
Le probleme secrit maintenant sous la forme standard : `
(4) (5)
Maximiser z, avec : z = 4x1 + 3x2 x1 + x2 2x1 + x2 = 40 + s2 = 60 x1 , x2 , s1 , s2 0 s1 +
` Algebre lineaire
Algorithme du simplexe
Resume
` Probleme du regime
On veut suivre un regime qui impose de manger un
` element des 4 groupes de base : chocolat, creme glacee, soda et gateau. Une barre de chocolat coute 50 centimes, une part de ` creme glacee 20 centimes, chaque bouteille de soda 30 centimes et une part de gateau 80 centimes. Chaque jour je dois ingerer 500 calories, 60g de chocolat, 100g de sucre et 80g de lipides. Le contenu nutritionnel de chaque type de nourriture est donne ainsi Cal. Choc. (g) Sucr. (g) Lip. (g) barre chocolat 400 30 20 20 ` creme glacee 200 20 20 40 cola 150 0 40 10 gateau 500 0 40 50
` Algebre lineaire
Algorithme du simplexe
Resume
Formulation
On veut minimizer le cout du regime. Combien de variables ? Exprimer la fonction objectif Exprimer les contraintes Mettre sous forme standard
` Algebre lineaire
Algorithme du simplexe
Resume
Formulation regime
Objectif = min z = 50x1 + 20x2 + 30x3 + 80x4 Total calories = 400x1 + 200x2 + 150x3 + 500x4 500 Total chocolat = 30x1 + 20x2 60 Total sucres = 20x1 + 20x2 + 40x3 + 40x4 100 Total lipides = 20x1 + 40x2 + 10x3 + 50x4 80 Finalement, tous les xi sont positifs.
` Algebre lineaire
Algorithme du simplexe
Resume
Formulation forme standard
Pour des contraintes on denit des variables dexces ei `
toutes positives.
On obtient :
z = 50x1 400x1 30x1 20x1 20x1 + + + + + 20x2 200x2 20x2 20x2 40x2 + + + + 30x3 150x3 40x3 10x3 + + + + 80x4 500x4 40x4 50x4 = = = = 500 60 100 80
e1 e2 e3 e4
avec xi et ei positifs
Avec des contraintes mixtes (c-a-d et ) on a a la fois ` `
des variables si et ei .
Les variables si et ei deviennent partie du systeme au `
meme titre que les variable xi .
` Algebre lineaire
Algorithme du simplexe
Resume
Forme standard generale
On suppose un probleme de programmation lineaire avec `
m contraintes et n variables sous forme standard.
Il a la forme suivante : maximiser (ou minimiser) z avec
z =
c1 x1 + a11 x1 + a21 x1 + . . .
c2 x2 + . . . + a12 x2 + . . . + a22 x2 + . . . + . . .
cn xn a1n xn = b1 a2n xn = b2 . . .
am1 x1 + am2 x2 + . . . + amn xn = bm et i, xi 0
` Algebre lineaire
Algorithme du simplexe
Resume
Matrice principale
On denit :
A=
a11 a21 . . .
a12 a22 . . .
... ...
a1n a2n . . .
am1 am2 . . . amn
` ` Note : n m, sinon le systeme est a-priori sur-contraint.
` Algebre lineaire
Algorithme du simplexe
Resume
Matrices des variables et contraintes
x=
x1 x2 . . . xn
,b =
b1 b2 . . . bm
,c =
c1 c2 . . . cn
` Algebre lineaire
Algorithme du simplexe
Resume
PL sous forme matricielle
Le programme lineaire secrit sous forme matricielle : min (ou max) cT x Ax = b x0
(6) (7) (8)
` Algebre lineaire
Algorithme du simplexe
Resume
Variables de base
On appelle Base une sous-matrice reguliere de A. Il faut `
que la matrice A(m, n) soit de rang m.
Une solution de base est obtenue en posant n m
` variables egales a 0, et en resolvant pour les m variables restantes, qui sont les variables de base (VB). Les n m variables a 0 sont les variables hors base (VHB). `
Des choix differents de VHB donnent lieu a des differentes `
solutions de base.
` Algebre lineaire
Algorithme du simplexe
Resume
Representation
t xb t xe
t cb
t ce
base m colonnes
colonnes hors base n m colonnes
` Algebre lineaire
Algorithme du simplexe
Resume
Representation matricielle
On a
A = [BE] , x =
Ce qui donne
xb xe
, cT = cb T ce T
z = cT x = cb T xb + ce T xe Ax = b Bxb + Exe = b
Une solution de base est telle que
xe = 0 Bxb = b xb = B1 b
(9) (10) (11)
` Algebre lineaire
Algorithme du simplexe
Resume
Exemple
Soit le systeme suivant : `
x1 +
x2 = 3 x2 + x3 = 1
Si on pose VHB = {x3 }, alors VB = {x1 , x2 }. On resout
x1 +
x2 = 3 x2 = 1
Ce qui donne x1 = 2 et x2 = 1.
Certains choix de variables peuvent ne pas generer de
solution de base.
` Algebre lineaire
Algorithme du simplexe
Resume
Solutions de base realisables
Une solution de base est dite realisable (SBR) si
xb = B1 b 0
Si le vecteur xb contient des termes nuls, on dira que cette
solution est une solution de base degeneree.
` Algebre lineaire
Algorithme du simplexe
Resume
Exemple de SBR - 1
Soit le probleme : `
min avec
x1 2x2 x1 + 2x2 4 2x1 + x2 5 x1 , x2 0
Sous forme standard, on a
min avec
x1 2x2 x1 + 2x2 + x3 = 4 2x1 + x2 + x4 = 5 x1 , x2 , x3 , x4 0
` Algebre lineaire
Algorithme du simplexe
Resume
Exemple de SBR - 2
On peut essayer de constituer une base en utilisant
lensemble B = {1, 3}, B = [A1 A3 ] = E = [A2 A4 ] = xb = x1 x3 1 1 2 0 2 0 1 1 x2 x4
, xe =
Linverse de B existe, donc B correspond a une base `
B1 =
0 1/2 1 1/2
` Algebre lineaire
Algorithme du simplexe
Resume
Exemple de SBR - 3
La solution de base correspondante est donc :
xb = B1 b =
0 1/2 1 1/2
4 5
5/2 3/2
x1 x3
>0
Cette solution est bien une SBR.
` Algebre lineaire
Algorithme du simplexe
Resume
` Theoremes fondamentaux
` Theoreme
` La region realisable pour tout probleme de programmation ` lineaire est un ensemble convexe. Si un PL possede une solution optimale, alors un point extreme de la region realisable doit etre optimal.
` Theoreme
Pour tout LP, il existe un point extreme unique de la region ` realisable qui correspond a chaque solution de base realisable. ` Egalement, il existe au moins une SBR qui correspond a chaque point extreme de la region realisable.
` Algebre lineaire
Algorithme du simplexe
Resume
` Illustration des theoremes
` On reprend lexemple des ceintures de cuir, c-a-d maximiser z, avec : z = 4x1 + 3x2 x1 + x2 2x1 + x2 + s1 = 40 = 60 0
+ s2 x1 , x2 , s1 , s2
` Algebre lineaire
Algorithme du simplexe
Resume
Ceintures de cuir - 1
x2 60 50 40 30 E 20 10 F 10 20 C 30 A 40 50 60 x1 B D
` Algebre lineaire
Algorithme du simplexe
Resume
Ceintures de cuir - 2
On a lequivalence entre SBR et points extremes suivants :
Base x1 , x2 x1 , s1 x1 , s2 x2 , s1 x2 , s2 s1 , s2 Hors-base s1 , s2 x2 , s2 x2 , s1 x1 , s2 x1 , s1 x1 , x2 SBR s1 = s2 x2 = s2 x2 = s1 x1 = s2 x1 = s1 x1 = x2 = 0, x1 = 0, x1 = 0, x1 = 0, s1 = 0, x2 = 0, s1 = = = = = = x2 = 20 30, s1 = 10 40, s2 = 20 20, x2 = 60 40, s2 = 20 40, s2 = 60 Point extreme E C Non realisable, s2 < 0 Non realisable, s1 < 0 B F
` Algebre lineaire
Algorithme du simplexe
Resume
Preuve
Soit x une SBR, de la forme x = {x1 , x2 , . . . , xm , 0, 0, . . . , 0]T . Si x nest pas un point extreme, il existe 2 points (solutions) et differents de x et un scalaire tels que : x = + (1 ), 0 < < 1 soit = [1 , 2 , . . . , m , m+1 , . . . , n ]T = = [1 , 2 , . . . , m , m+1 , . . . , n ]T = Alors i + (1 )i = 0i [m + 1, n] Puisque > 0, (1 ) > 0, i > 0eti > 0, on a i = i = 0, soit x = = , contradiction. b e b e
` Algebre lineaire
Algorithme du simplexe
Resume
Nombre de solutions possibles
m Le nombre de bases candidates est Cn =
Toutes les candidates ne sont pas inversibles, donc on peut seulement dire que le nombre precedent est une borne superieure.
n! (nm)!m! .
Une methode basee sur lexploration des points extremes
est cependant non-polynomiale. Lexperience montre que pour un probleme de n variables ` ` a m contraintes, la solution optimale est trouvee en moyenne en moins de 3m operations.
` Algebre lineaire
Algorithme du simplexe
Resume
SBR adjacentes
Pour tout probleme de PL, deux SBR sont adjacentes si `
leur ensembles de variables de base ont m 1 variables de base en commun. Linterpretation geometrique est que les 2 SBRs sont situees le long dune meme arete sur le polytope realisable.
` Algebre lineaire
Algorithme du simplexe
Resume
Description generale de lalgorithme
Lalgorithme du simplexe pour une maximisation suit les etapes suivantes : 1. Trouver une SBR pour le PL, appelee la SBR initiale. 2. Determiner si la SBR courante est optimale. Sinon, trouver ` une SBR adjacente qui possede une valeur z plus elevee. 3. Retourner au point (2) avec la nouvelle SBR comme SBR courante. Les deux questions suivantes sont donc : comment detecter loptimalite, et comment se deplacer.
` Algebre lineaire
Algorithme du simplexe
Resume
Couts reduits
Pour une SBR, on peut ecrire :
z = cb T xb + ce T xe et Bxb + Exe = b
Donc
xb = B1 (b Exe )
Par substitution
z = cb T B1 b + (ce T cb T B1 E)xe
On pose :
e cT = (ce T cb T B1 E)
` Algebre lineaire
Algorithme du simplexe
Resume
Couts reduits - 2
Pour cette SBR, xe = 0, mais ce 2eme terme correspond a ` `
laugmentation du cout pour une augmentation des variables dans xe . Si tous les couts sont negatifs (pour une maximisation), toute augmentation des variables de xe diminuera la valeur de z, et donc la solution obtenue est optimale. Reciproquement pour une minimisation.
On a donc repondu a la premiere question (test ` `
doptimalite).
` Algebre lineaire
Algorithme du simplexe
Resume
Exemple
Prenons le cas des ceintures de cuir, avec comme
SBR={s1 , s2 } et SHB={x1 , x2 }.
Comme dans ce cas, cb T = [00], on a cT = ce T = [43] e On voit que pour augmenter z le plus efcacement, on doit
faire entrer x1 dans la base, car son coefcient est plus eleve. On doit encore decider quelle variable faire sortir de la ` base. Pour cela, on doit faire augmenter x1 en gardant x2 a ` zero, puis voir quelle variable de base sannule la premiere.
Dans notre cas, s2 sannule la premiere (voir dessin). Cest `
donc celle quon doit faire sortir.
Si on ne fait pas cela correctement, on risque de choisir
une base non realisable.
` Algebre lineaire
Algorithme du simplexe
Resume
Amelioration dune solution de base
Pour une maximisation, si notre base est telle que cT ne e
soit pas strictement negative ou nulle, alors il existe une variable xk de xe telle que ck > 0. Une augmentation de xk est donc susceptible dameliorer z.
Changement de base Si pour une variable xk de xe ,
ck > 0, la solution peut-etre amelioree en augmentant xk . xb = B1 (b Ak xk E x e ) En xant x e = 0, et en variant xk seulement : xb = B1 (b Ak xk ) = B1 b B1 Ak xk xb = b Pxk (12) (13)
` Algebre lineaire
Algorithme du simplexe
Resume
Augmentation
Comme originellement xk est nulle, on ne peut que
laugmenter. Il y a deux cas :
cas 1 i, Pi 0. En ce cas la solution est non-bornee. xk
tend vers + et z vers . cas 2, il y a 2 possibilites, pour chaque i :
1. soit Pi 0, xbi 0 pour tout xk 0, donc cas non critique : on ne peut pas utiliser cette variable. 2. soit Pi > 0, donc xbi 0 pour xk bi /Pi , donc pour tout Pi > 0, il existe une valeur maximale de xk = bi /Pi , permettant xb 0. On choisit la variable l telle que : l = mini/Pi >0 bi Pi
` Algebre lineaire
Algorithme du simplexe
Resume
En resume
On a presente un algorithme utilisant lalgebre lineaire a la ` `
place de lintuition graphique. Il faut savoir modeliser un probleme. `
Il faut comprendre lalgorithme du simplexe. Il faut etre capable de le faire tourner sur des exemples
simples.
