COURS 6 – OPTIMISATION ET DECISION … · Programmation lineaire multiobjectif´ Applications...
-
Upload
nguyennhan -
Category
Documents
-
view
237 -
download
3
Transcript of COURS 6 – OPTIMISATION ET DECISION … · Programmation lineaire multiobjectif´ Applications...
COURS 6 – OPTIMISATION ET DECISION
MULTICRITERE
Master IAD – DMDC – PATRICE PERNY
LIP6 – Universite Paris 6
Programmation lineaire multiobjectifApplications
PLAN
1 Programmation lineaire multiobjectif (PLMO)Goal programmingUtilisation de normes de Tchebycheff en PLMO
2 Applications :Exercice et mise en oeuvre (illustration sous Excel)Un cas d’etude
2 / 36
Programmation lineaire multiobjectifApplications
Le Goal ProgrammingUtilisation de normes de Tchebycheff en PLMO
I) Le goal programming
3 / 36
Programmation lineaire multiobjectifApplications
Le Goal ProgrammingUtilisation de normes de Tchebycheff en PLMO
UN PROBLEME DE MEDIA PLANNING
Campagne de publicite qui cible les populations suivantes :
• H. rev sup (HRS) • H. rev mod (HRM) • F. rev sup (FRS)
On envisage de diffuser la pub ds 2 types de programmes TV :
• Foot • Melo
Les impacts (millions/h) et les couts (millions $/h) sont lessuivants :
HRS HRM FRS Coutsfoot 7 10 5 100melo 3 5 4 60
Maximiser l’impact pour un budget maxi de 600 millions $
4 / 36
Programmation lineaire multiobjectifApplications
Le Goal ProgrammingUtilisation de normes de Tchebycheff en PLMO
PREMIERE MODELISATION
VARIABLES DE DECISION :
x : tps diff foot (h)y : tps diff melo (h)
max 7 x + 3 ymax 10 x + 5 ymax 5 x + 4 y
s.c 100 x + 60 y ≤ 600
x ≥ 0 y ≥ 0
5 / 36
Programmation lineaire multiobjectifApplications
Le Goal ProgrammingUtilisation de normes de Tchebycheff en PLMO
AUTRE APPROCHE : SPECIFICATION DE BUTS
On cible les objectifs suivants :
au moins b1 millions de HRSau moins b2 millions de HRMau moins b3 millions de FRS
7x + 3y ≥ b1
10x + 5y ≥ b2
5x + 4y ≥ b3
100x + 60y ≤ 600
x ≥ 0 y ≥ 0
min 100x + 60y
s.c 7x + 3y ≥ b1
10x + 5y ≥ b2
5x + 4y ≥ b3
x ≥ 0 y ≥ 0
Mais il n’y a pas necessairement de solution !Ex : (3,4) si (b1 = 30, b2 = 50, b3 = 30),mais pas de sol. si : (b1 = 40, b2 = 60, b3 = 35)
6 / 36
Programmation lineaire multiobjectifApplications
Le Goal ProgrammingUtilisation de normes de Tchebycheff en PLMO
DEUXIEME MODELISATION
Si pas de sol. avec la 1ere mod. (obj. trop ambtieux)Introduction de variables d’ecart + penalisations
ei ecart au but bi
pi penalite unitaire qd le but bi est manque
min p1e1 + p2e2 + p3e3
7x + 3y + e1 = b110x + 5y + e2 = b2
5x + 4y + e3 = b3100x + 60y ≤ 600
x ≥ 0 y ≥ 0 e1 ≥ 0 e2 ≥ 0 e3 ≥ 0
C’est une formulation de type Goal programming.7 / 36
Programmation lineaire multiobjectifApplications
Le Goal ProgrammingUtilisation de normes de Tchebycheff en PLMO
CAS GENERAL
Soit x = (x1, . . . , xn) vect. var. decisionSoit un critere lineaire fi(x) =
∑nj=1 aijxj
En pratique on peut rencontrer different types de buts :
1 – Buts de type borne inf
n∑j=1
aijxj ≥ bi
ajouter variable ei ≥ 0contrainte →
∑nj=1 aijxj + ei ≥ bi
ajouter un terme piei a l’objectif (pi > 0 si min)
8 / 36
Programmation lineaire multiobjectifApplications
Le Goal ProgrammingUtilisation de normes de Tchebycheff en PLMO
2 – Buts de type borne sup
n∑j=1
aijxj ≤ bi
ajouter variable ei ≥ 0contrainte →
∑nj=1 aijxj − ei ≤ bi
ajouter un terme piei a l’objectif (pi > 0 si min)
3 – Buts exactsn∑
j=1
aijxj = bi
ajouter deux variables e+i et e−i ≥ 0
contrainte →∑n
j=1 aijxj − e+i + e−i = bi
ajouter un terme p+i e+
i + p−i e−i a l’objectif
9 / 36
Programmation lineaire multiobjectifApplications
Le Goal ProgrammingUtilisation de normes de Tchebycheff en PLMO
INTERPRETATION DES VARIABLES e+i ET e−i
Dans le cas de deux variables e+i et e−i , l’ecart ei = e+
i − e−irepresente l’ecart a la contrainte.
ei peut toujours s’ecrire comme diff. de 2 var ≥ 0
e+i =
|ei |+ ei
2e−i =
|ei | − ei
2EXEMPLES : 2 = 2− 0 − 2 = 0− 2
si e−i = 0 alors e+i = fi(x)− bi ecart au dessus du but
si e+i = 0 alors e−i = bi − fi(x) ecart en deca du but
Objectif : Min∑n
i=1 p+i e+
i +∑n
i=1 p−i e−i
10 / 36
Programmation lineaire multiobjectifApplications
Le Goal ProgrammingUtilisation de normes de Tchebycheff en PLMO
GOAL PROGRAMMING PREEMPTIF
Supposons que l’on ait des priorites sur les objectifs :dans l’exemple HRS >> HRM >> FRS
On va faire une agregation lexicographique des criteres
1 on optimise le premier objectif (seul coeff non nul p−1 = 1)2 si e−1 > 0 a l’optimum STOP (solution optimale)
sinon on ajoute la contrainte e−1 = 0 et on minimise lesecond objectif (seul coeff non nul p−2 = 1)
3 si e−2 > 0 a l’optimum STOP (solution optimale)sinon on ajoute la contrainte e−2 = 0 et on minimise letroisieme objectif (seul coeff non nul p−3 = 1)...
11 / 36
Programmation lineaire multiobjectifApplications
Le Goal ProgrammingUtilisation de normes de Tchebycheff en PLMO
APPLICATION NUMERIQUE
1 resolution d’un PL sous Excel2 probleme du MP (modelisation monocritere)3 probleme du MP (variable d’ecart)
tester avec pi egauxtester avec pi differentescas lexicographique
4 probleme du MP (variable d’ecarts decomposees)
12 / 36
Programmation lineaire multiobjectifApplications
Le Goal ProgrammingUtilisation de normes de Tchebycheff en PLMO
II) Utilisation de normes de Tchebycheff en PLMO
13 / 36
Programmation lineaire multiobjectifApplications
Le Goal ProgrammingUtilisation de normes de Tchebycheff en PLMO
PROBLEME STANDARD (1)
min ct1x
min ct2x
. . .
min ctnx
s.c. Ax ≥ b, x ≥ 0
A matrice (m, n), x , b ∈ Rn, ci ∈ Rn
Ens. des alternatives : polyhedre convexeCriteres : fi(x) = ct
i .x
14 / 36
Programmation lineaire multiobjectifApplications
Le Goal ProgrammingUtilisation de normes de Tchebycheff en PLMO
REFORMULATION DU PROBLEME STANDARD 1
min maxi=1,...,n
{ct
i x − y0i
yNi − y0
i
}+ ε
n∑i=1
cti x − y0
i
yNi − y0
i
s.c. Ax ≥ b, x ≥ 0
Ens. des alternatives : polyhedre convexe Ax ≥ bCritere : Tchebycheff pondere augmente (non-lineaire)
15 / 36
Programmation lineaire multiobjectifApplications
Le Goal ProgrammingUtilisation de normes de Tchebycheff en PLMO
REFORMULATION DU PROBLEME STANDARD 1
Introduction d’une variable auxiliaire :
min z
s.c. z ≥ct
i x − y0i
yNi − y0
i+ ε
n∑i=1
cti x − y0
i
yNi − y0
i
Ax ≥ b, x ≥ 0
Ens. des alternatives : polyhedre convexe (contraintes lineaires)Critere : lineaire
16 / 36
Programmation lineaire multiobjectifApplications
Le Goal ProgrammingUtilisation de normes de Tchebycheff en PLMO
PROBLEME STANDARD 2
max ct1x
max ct2x
. . .
max ctnx
s.c. Ax ≤ b, x ≥ 0
A matrice (m, n), x , b ∈ Rn, ci ∈ Rn
Ens. des alternatives : polyhedre convexe Ax ≤ bCriteres : fi(x) = ct
i .x
17 / 36
Programmation lineaire multiobjectifApplications
Le Goal ProgrammingUtilisation de normes de Tchebycheff en PLMO
REFORMULATION DU PROBLEME STANDARD 21
min maxi=1,...,n
{y0
i − cti x
y0i − yN
i
}+ ε
n∑i=1
y0i − ct
i xy0
i − yNi
s.c. Ax ≤ b, x ≥ 0
Ens. des alternatives : polyhedre convexe Ax ≤ bCritere : Tchebycheff pondere augmente (non-lineaire)
18 / 36
Programmation lineaire multiobjectifApplications
Le Goal ProgrammingUtilisation de normes de Tchebycheff en PLMO
REFORMULATION DU PROBLEME STANDARD 2
Introduction d’une variable auxiliaire :
min z
s.c. z ≥y0
i − cti x
y0i − yN
i+ ε
n∑i=1
y0i − ct
i xy0
i − yNi
Ax ≤ b, x ≥ 0
Ens. des alternatives : polyhedre convexe (contraintes lineaires)Critere : lineaire
19 / 36
Programmation lineaire multiobjectifApplications
Exercice et mise en oeuvreUn cas d’etude
III) Mise en oeuvre
20 / 36
Programmation lineaire multiobjectifApplications
Exercice et mise en oeuvreUn cas d’etude
EXERCICE ET MISE EN OEUVRE
resolution graphique d’un PL multicritere (exercice)resolution d’un PL multicritere sous Excel
21 / 36
Programmation lineaire multiobjectifApplications
Exercice et mise en oeuvreUn cas d’etude
EXERCICE (EXTRAIT DE L’EXAMEN DMDC 2005)
On considere le probleme d’optimisation multicritere suivant :
max x + y
min 2y − x
s.c
3x + 2y ≥ 6x − 2y ≤ 22x − y ≤ 103x − 10y ≥ −70
x ≥ 0, y ≥ 0
1. Representer graphiquement le polyhedre X des solutionsrealisables dans l’espace des variables (x , y) (on prendra soinde determiner les coordonnees des sommets de X ).
22 / 36
Programmation lineaire multiobjectifApplications
Exercice et mise en oeuvreUn cas d’etude
QUESTIONS 2-3
2. Dans un premier temps, on envisage d’optimiser unecombinaison lineaire des deux fonctions objectifs avec lescoefficients λ et 1− λ respectivement. Discuter la solutionoptimale en fonction de λ (on utilisera une resolutiongraphique). Selon vous, la solution obtenue pour λ = 0.5 estelle un bon compromis entre les criteres ?
3. Calculer l’image de chaque sommet du polyedre X dansl’espace des criteres puis representer graphiquement l’imagede X dans l’espace des criteres et l’ensemble des solutionsnon-dominees.
23 / 36
Programmation lineaire multiobjectifApplications
Exercice et mise en oeuvreUn cas d’etude
QUESTIONS 4-5
4. Determiner les coordonnees du point ideal I et du point nadirN dans l’espace des criteres (attention un critere est amaximiser et l’autre a minimiser).
5. En vous basant sur les points I et N, determiner(graphiquement) le meilleur compromis realisable (au sensd’une norme de Tchebycheff ponderee et augmentee) entre lescriteres et precisez ses coordonnees (x0, y0) dans l’espace dessolutions.
24 / 36
Programmation lineaire multiobjectifApplications
Exercice et mise en oeuvreUn cas d’etude
QUESTIONS 6-7
6. Dans l’hypothese ou la solution (x0, y0) ne satisferait pas ledecideur sur le premier critere, montrer comment integrer cettenouvelle information dans la recherche d’une nouvelle solutionet determiner le point (x1, y1) obtenu comme nouveau meilleurcompromis.
7. Dans l’hypothese ou la solution (x0, y0) ne satisferait pas ledecideur sur le second critere, montrer comment integrer cettenouvelle information dans la recherche d’une nouvelle solutionet determiner le point (x2, y2) obtenu comme nouveau meilleurcompromis.
25 / 36
Programmation lineaire multiobjectifApplications
Exercice et mise en oeuvreUn cas d’etude
IV) Un cas d’etude
26 / 36
Programmation lineaire multiobjectifApplications
Exercice et mise en oeuvreUn cas d’etude
SELECTION DE CONTREMESURES POUR LE TRAITEMENT
D’ALIMENTS CONTAMINES
Etude Institut de Protection et de Surete Nucleaire (IPSN).
3 zones area 1, area 2, area 33 type d’aliments contamines (Milk, Meat, Vegetables)
Foodstuffs Area 1 Area 2 Area 3Milk 6.85 31.5 145.2Meat 350 1750 4250Vegetables 22.5 75 150
TAB.: Contaminated quantities (in tons)
27 / 36
Programmation lineaire multiobjectifApplications
Exercice et mise en oeuvreUn cas d’etude
CONTREMESURES ELEMENTAIRES
Foodstuffs CountermeasuresName Description
Milk None No ActionDecont. Decontamination by addition of a preservativeButter Transformation to butter
Meat None No ActionDecont. Decontamination by treating animals’ feed
Vegetables None No ActionDestr. DestructionPreserv. Preservation until radioactive decay
TAB.: Elementary countermeasures
28 / 36
Programmation lineaire multiobjectifApplications
Exercice et mise en oeuvreUn cas d’etude
EFFICACITE DES CONTREMESURES ELEMENTAIRES (1)
AREA 1
Foodstuffs Counter- Averted dosemeasures Infant Child Adult
Milk None 0 0 0Decont. 0 400 11Butter 0 630 36
Meat None 0 0 0Decont. 0.1 30 39
Vegetables None 0 0 0Destr. 0 80 6Preserv. 0 40 1
TAB.: Averted collective doses in Area 1 (ManSv)
29 / 36
Programmation lineaire multiobjectifApplications
Exercice et mise en oeuvreUn cas d’etude
EFFICACITE DES CONTREMESURES ELEMENTAIRES (2)
AREA 2
Foodstuffs Counter- Averted dosemeasures Infant Child Adult
Milk None 0 0 0Decont. 0 260 58Butter 0 880 58
Meat None 0 0 0Decont. 0.1 20 48
Vegetables None 0 0 0Destr. 0 110 11Preserv. 0 95 1
TAB.: Averted collective doses in Area 2 (ManSv)
30 / 36
Programmation lineaire multiobjectifApplications
Exercice et mise en oeuvreUn cas d’etude
EFFICACITE DES CONTREMESURES ELEMENTAIRES (3)
AREA 3
Foodstuffs Counter- Averted dosemeasures Infant Child Adult
Milk None 0 0 0Decont. 0 700 38Butter 0 810 38
Meat None 0 0 0Decont. 0 10 8
Vegetables None 0 0 0Destr. 0 380 26Preserv. 0 190 11
TAB.: Averted collective doses in Area 3 (ManSv)
31 / 36
Programmation lineaire multiobjectifApplications
Exercice et mise en oeuvreUn cas d’etude
SPECIFICITES DU PROBLEME
Un strategie est une combinaison de strategieselementaires dans chacune des zones pour chaque typed’alimentL’ensemble des alternatives est continu et definiimplicitement par les contraintes materiellesplusieurs criteres sont a prendre en compte (cout, impactsur les differents type de population, acceptabilite descontremesures)
Le modele : PLMO
32 / 36
Programmation lineaire multiobjectifApplications
Exercice et mise en oeuvreUn cas d’etude
MODELISATION DU PROBLEME
Variables de decisionxijk : quantite de produit i traitee par la contremesure jdans la zone k (en tonnes).
Donnees
dijklm : reduction de dose par unite de population l (infants,children, adults), dans la zone m, consecutive autraitement du produit i par la contremesure j dans la zonek (expressed in ManSv/t).cijk : cout de traitement par unite de produit i traite par lacontremesure j dans la zone k (Euros/t).
33 / 36
Programmation lineaire multiobjectifApplications
Exercice et mise en oeuvreUn cas d’etude
CONSTRUCTION DES CRITERES
Min le cout de traitement global :
min z1 =X
i
Xj
Xk
cijk xijk
Max la reduction de dose pour la population l :
max zl =X
i
Xj
Xk
Xm
dijklm
!xijk (l = 2, 3, 4)
avec l = 2 nourrissons, l = 3 enfants, l = 4 adultes.
Max l’acceptabilite moyenne des contremesures :
max z5 =
Pi
Pj
Pk aijk xijkP
i
Pj
Pk xijk
CommeP
i
Pj
Pk xijk est une constante on peut l’oublier.
34 / 36
Programmation lineaire multiobjectifApplications
Exercice et mise en oeuvreUn cas d’etude
CONTRAINTES DURES
constraintes de coherencepour le produit i et la zone k , la quantite traitee ne depassepas la quantite totale contaminee∑
j
xijk ≤ qik ∀i ,∀k
capacite totale de traitement par contremesure j∑i
∑k
xijk ≤ pj ∀j
constraintes de non-negativite
xijk ≥ 0 ∀i ,∀j ,∀k
35 / 36
Programmation lineaire multiobjectifApplications
Exercice et mise en oeuvreUn cas d’etude
CONTRAINTES SOUPLES
contraintes sur les valeurs des criteres :
cout maximal acceptablereduction minimale de doses...
contraintes sur les variables de decision :
quantites minimales a traiterrepartition des interventions...
Mise en oeuvre avec le solveur EXCEL
min s(z, z) = maxr=1,...,5
{λr (zr − zr )} − ε
5∑r=1
λr zr
36 / 36