Você está na página 1de 101

OPTIMISATION et

SIMULATION des PROCESSUS


Prof. Belkacem OULD BOUAMAMA
Responsable de lquipe MOCIS
Mthodes et Outils pour la conception Intgre des Systmes
http://www.mocis-lagis.fr/membres/belkacem-ould-bouamama/
Laboratoire d'Automatique, Gnie Informatique et Signal
(LAGIS - UMR CNRS 8219
et Directeur de la recherche cole Polytechnique de Lille (Poltech lille)
---------------------------------------------------------ml : Belkacem.ouldbouamama@polytech-lille.fr,
Tel: (33) (0) 3 28 76 73
87 , mobile : (33) (0) 6 67 12 30 20
Ce cours est dispens aux lves de niveau Master 2 HSQE (Hygine Scurit
et Qualit de lEnvironnement
Toutes vos remarques pour lamlioration de ce cours sont les bienvenues.

PRESENTATION
Du
COURS

Chap1 : METHODES STATISTIQUES


DIDENTIFICATION

Chap.1/3

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Chapitre 1: INTRODUCTION
Dfinitions & but de la simulation et de l'optimisation de processus
Importance et rle de l'optimisation dans la protection de
l'environnement
Etapes de rsolution d'un problme d'optimisation d'un processus

Chap1 : METHODES STATISTIQUES


DIDENTIFICATION

Chap.1/4

Chap
2

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

TRAITEMENT DE DONNEES EXPERIMENTALES D'UN


PROCESSUS
Mthodes statistiques de modlisation : Dfinitions & but
Modles de rgression
Principe des mthodes des moindres carrs (MMC)
Rgression linaire multiple
Adquation des modles et signification des coefficients
Vrification des hypothses de rgression
Mthodes de corrlation
Exemple d'application
Estimation rcursive
MMC avec facteur de pondration
Mthode des MC avec fentre glissante
Exemple d'application

Chap1 : METHODES STATISTIQUES


DIDENTIFICATION

Chap.1/5

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Chap3: OPTIMISATION DES PROCESSUS


TECHNOLOGIQUES
Problmatique de l'optimisation des processus technologiques
Mthodes analytiques d'optimisation
Programmation linaire

APPLICTION :
TD de 4h : utilisation du logiciel Matlab pour la simulation d'un
problme d'optimisation d'un processus chimique en vue de
minimiser le taux de pollution

CHAP1

INTRODUCTION

Chap1 : METHODES STATISTIQUES


DIDENTIFICATION

Chap.1/7

Chap1 :
Introduction

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Dfinitions & but de la simulation et de l'optimisation de


processus
Importance et rle de l'optimisation dans la protection de
l'environnement
Etapes de rsolution d'un problme d'optimisation d'un
processus

Chap1 : METHODES STATISTIQUES


DIDENTIFICATION

Chap.1/8

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Importance & objectifs des modles


statistiques

Caractre stochastique de la majorit des phnomnes;


" L'intelligence des statistiques sera un jour une comptence
aussi
indispensable l'exercice de la citoyennet que la lecture ou
l'criture". (H.G.Wells).

Objectifs
Fournir des lois, de nature "statistique", l o il n'est pas
possible d'en fournir qui soient de nature certaine ou
dterministe.

Applications
Sondage, prvision, contrle des processus indust. Lois empiriques

Chap1 : METHODES STATISTIQUES


DIDENTIFICATION

Chap.1/9

Modlisati
on ?

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Dfinitions
Modlisation ? : Ensemble des procdures permettant dobtenir un modle
Modliser un systme = capable de prdire le comportement du systme
Subjectivisme de la modlisation : modle = intersection du systme et du
modlisateur
Modle jamais "exact"?

Importance
Outil d'aide la dcision., Support de la simulation,
Reprsente 50 % dun projet de commande
Perspectives grce l'informatisation

Un modle pourquoi faire ?


Concevoir, Comprendre, Prvoir, Commander (dcider).

Chap1 : METHODES STATISTIQUES


DIDENTIFICATION

Chap.1/10

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Un modle comment
faire ?

1. MODELE DE CONNAISSANCE

Obtenu sur la base des lois physiques, conomiques etc..


Difficults de dcrire fidlement les phnomnes complexes;
Hypothses simplificatrices;
Dilemme- prcision-simplicit
Un modle simple est faux, un modle compliqu est inutilisable.
Les paramtres ont un sens physique donc modle commode pour l'analyse.

2. MODELE DE REPRESENTATION

Systme "boite noire";


Exprience active (systme drang) ou passive (alatoire);
Etape qualitative (connaissances a priori) et quantitative;
Paramtres du modle n'ont aucun sens physique;
Modle de conduite (modle E/S) utile pour la commande;
Complment du modle de reprsentation.

Chap1 : METHODES STATISTIQUES


DIDENTIFICATION

Chap.1/11

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Classification des
modles

selon le caractre des rgimes de fonctionnement


statique et dynamique

selon la description mathmatique


linaire, non linaire

selon les proprits dynamiques


paramtres localiss, paramtres distribus

selon lvolution des paramtres :


stochastique , dterministe

selon le nombre de variables :


monovariable (SISO) , multivariable (MIMO)

tapes de modlisation

Chap.1/12

Chapitre 2

METHODES
STATISTIQUES
Chap2/13

Chap2 : Mthodes des moindres carres

Chap.2/14

Mthodes des
MMC

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Principe de la MMC LST


La MMC est introduite par Karl Gauss en 1809 en cherchant
prvoir le Mvt. des plantes partir des observations par
tlescopique
Ys(i)

SYSTEME

Entres
x(i)
MODELE
n

(i)

Ym(i)
2

D (Ys (i ) Ym (i )) min
i 1

Critre
didentification

D((i))

Chap2 : Mthodes des moindres carres

Chap.2/15

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

EXEMPLE : REGRESSION LINEAIRE


x1
XK

PROCEDE
TECHNOLOGIQUE

y1

Exprimentation
N : Nbre. d'observations (d'chantillons de mesures); J = 1,2..K : Paramtre
du modle; i = 1,2...N : Numro d'expriences;
Modle statique : Ym = F(X1,X2,.....Xk) Modle
k

Structure Ym
dumodle
a0 a1 X 1 a2 X 2 ....ak X k a0 ai X i
i 1

Chap2 : Mthodes des moindres carres

Chap.2/16

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Matrice
dexprience H
No Exp.

OUTPUT

X11

X21

X31

............

Xj1

X12

X22

X32

.............

Xj2

X13

X23

X33

.............

Xj3

.
.
.

.
.
.

.
.
.

.
.
.

.
.
.

.
.
.

.
.
.

.
.
.

X1i

X2i

X3i

............

Xji

............

XKj

.
.
.

.
.
.

.
.
.

.
.
.

.
.
.

.
.
.

.
.
.

.
.
.

X1N

X2N

X3N

XjN

............

XKN

............

XK1

Y1

XK2

Y2
Y3
.
.
.
Yj
.
.
.
YN

Chap2 : Mthodes des moindres carres

Chap.2/17

Problmatique
gnrale

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Soit donn :
K

Ym a j X j

X0
X
1
Ym . . a0 a1 ... ak T H T .
.
X
K

j 0

a0 a1 ... ak T ,

H X 0 X 1 ... X k

Que veut on ? : Trouver :

a0 a1 ... a K

Tel que :
N

2
y (i ) Ym (i ) y (i ) ( a j X j (i )Ym (i ) J ( ) min
i 1
i 1
j 0
2

Chap2 : Mthodes des moindres carres

Chap.2/18

1. cas
monovariable
K=1, Ym=a0+a1x
Y m

EN

E2

yex

Y m =ao+a1X

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Champ de corrlation
ym

Yex(i)
E(i)

Ei

ym(i)

E1

X(i)

Combien dexpriences raliser ?


1. N=2 : Par deux points ne passent quune droite : E1=Y-Ym1=Y-Ym2=E2=0.?
Le modle reflte parfaitement le systme ?
Cas idal irralisable en pratique : Prsence d'erreurs de mesure
(Systmatique, instrumentale, humaine etc.)

Chap2 : Mthodes des moindres carres

Chap.2/19

1. cas
monovariable

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

2. N > 2 : trouver la meilleure droite au sens des MMC


Dterminer les paramtres a0 et a1 tel que :
N

J ( a0 ,a1 ) y (i )( a0 a1 X (i )) 2 min
i 1

revient
J ( a0
,a1Ceci
) Minimum
j ( a 0 ,a 1 )
0

a 0
j ( a ,a )
0 1 0

a1

rsoudre le systme dquations:


N

i 1

i 1

yi . X i _ X i . X i . y i .

a0 i 1

i 1
N

2
N
N . X i X i
i 1
i 1
2

, a1

i 1
N

i 1
N

i 1
2

N . X i . yi . X i . . yi .

N . X i 2 X i
i 1
i 1

Chap2 : Mthodes des moindres carres

Chap.2/20

1. cas
multivariable

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

K>1, Structure du modle


K

Ym a j X j a1 X 1 a2 X 2 ...a K X K H T . ,
j 0

a0 a1 ... a K T ,
H X 0 X 1 ... X K T

Calcul des paramtres


Processus alatoire : la sortie est affecte d'un bruit V(t) :
Ralisation de N expriences
y1 a1 X 11 a 2 X 21 ...ak X k1 V1
y a X a X ...a X V
2
1 12
2 22
k k2
2

Y .
H . V (t )
.

y N a1 X 1N a 2 X 2 N ...ak X kN V N

Ym H T . v (t )

X 11
X
12

X
1N

X 21

...

X k1

X 22

...

X K2

X 2N

...

X kN

dim( H ) ( N k ), dim ( k N ),
dim (V ) ( N 1), dim(Y) ( N 1),

Chap2 : Mthodes des moindres carres

Chap.2/21

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

1. Systme non bruit V=0


Cas dterministe, si H est inversible, alors :
Y H . 0

H 1.Y

Cas non raliste

2. Systme bruit V#0


Y H . V

Y H . V H 1Y H 1V

Chap2 : Mthodes des moindres carres

Chap.2/22

Estimation des
paramtres

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

2 types derreurs :
Erreurs d'observation :
Erreurs destimation :

E Y Ym

Estimateur optimal
Critre doptimalit
J ( )

T
y (i ) ym (i ) E (i ) 2 E1 2 .... E N 2 E T .E Y H . .Y H .

i 1

i 1

Conditions d'optimalit

J ( )
2 H T . Y H . 0

1 T
T

opt . H .H .H .Y

Conditions d'observabilit : HT non singulire et N > K

Chap2 : Mthodes des moindres carres

Chap.2/23

Biais de
l'estimateur

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Biais de lestimateur b
b E ( opt R ) E ( opt ) R

b=0 : Estimateur non biais ( pas d'erreur d'estimation); Densit de


probabilit centre sur la valeur cherche
Lim opt N
N

b # 0 : Estimateur non biais ( pas d'erreur d'estimation); Densit de


probabilit centre sur la valeur cherche
V et H squences corrles ( hypothses de rgression);
V est de moyenne non nulle

Chap2 : Mthodes des moindres carres

Chap.2/24

Simulation sur
Matlab

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

1. Cas monovariable
home
disp('EXEMPLE DE CALCUL D UN MODELE DE REGRESSION')
% VALEURS EXPERIMENTALES
pause,home
x=[1 2 3];
y_exp=[2 4 6];
pause;home
disp('CHOISIR L ORDRE n DU MODELE')
pause,home
input n=
n=ans;
poly_model=polyfit(x,y_exp,n)%c'est pour trouver l'ordre du polyn^ome
disp('VERIFICATION DU MODELE : ERREUR DE MODELISATION')
pause,home
Y_model=polyval(poly_model,x);%calcul les valeurs du modle
E=abs([y_exp' Y_model' (y_exp'-Y_model')]);
ERREUR_MAX=max(E(:,3))
pause
home
disp('GRAPHE')
pause,home

plot(x,y_exp,'*',x,Y_model,'--');grid;title('VERIFICATION DU MODELE');legend('--:model, *:exp')


pause;home;close

disp('SI L ERREUR N EST PAS BONNE CHANGER L ORDRE n')

Chap2 : Mthodes des moindres carres

Chap.2/25

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Simulation sur Matlab

2. Cas

multivariable

disp('INTRODUCTION DES DONNES EXPERIMENTALES:')


pause, home
disp('
1. MATRICE D EXPERIENCES H:')
disp(' NOUS AVONS 7 EXPERIENCES ET DEUX VARIABLES X1 et X2')
H= [1 3;4 2;1 5;2 1;3 4;4 5;6 8]
pause,home
disp('2. VARIABLE DE SORTIE Y:')
y=[5 13 9 4 11 12 23]'
pause,home
disp('SOLUTION : PARAMETRES ESTIMES:')
teta=inv(H'*H)*H'*y;
a1=teta(1)
a2=teta(2)
pause,home
disp(' LE MODELE EST DONC; Ym=a1*X1+a2*X2')
pause,home
disp('VERIFICATION DU MODELE')
pause,home
disp('VALEURS DU MODELE')
ym=polyval([a1 0],H(:,1))+polyval([a2 0],H(:,2)) %ym=a1*X1+a2*X2
pause,home
disp('CALCUL DE L ERREUR DE MODELISATION')
pause
R=[ym,y,abs((ym-y)./y)*100]
disp('ERREUR MAXIMALE')
Emax=max(R(:,3))
pause,home
disp('GRAPHE 3D')
plot3(y,H(:,1),H(:,2),ym,H(:,1),H(:,2));grid;Xlabel('X1,X2'); Ylabel ('Modle, Exprimentale');

METHODES RECURSSIVES

Chap2/26

Chap2 : Mthodes des moindres carres

Chap.2/27

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Limites de la MMC simple


Principe de la RLST
opt.( N 1)

Estimateur optimal tenant compte des N 1 observations.

opt( N )

Estimateur optimal tenant compte des N prcdentes observations.

YN 1

la (N 1)me observation.

Alors l'estimateur, tenant compte des (N+1) observations sera :

opt. N 1 opt. N K N 1. YN 1 H N 1T .opt. N

Chap2 : Mthodes des moindres carres

Chap.2/28

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Lestimateur de la nouvelle mesure


H N 1T . N Ym N 1

Le gain dadaptation ou facteur de pondration de la


mise jour apporte par la nouvelle mesure

K N 1 H N .H N

.H N 1. 1 H N 1 T . H N T .H N

.H N 1

Chap2 : Mthodes des moindres carres

Chap.2/29

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

A L G O R IT H M E R L S T

PN H N . H N

G A IN
T

K o = 1 + H (N + 1 ) . P (N ). H (N + 1 )
-1
K (N + 1 )= K o .P (N ). H (N + 1 )

E S T IM A T IO N
o p t .( N + 1 ) = o p t . ( N ) + K ( N + 1 ) .E ( N + 1 )

, et

P N 1 1K N 1. H N 1T . . PN

N -e lle m e s u r e
l'in s ta n t N + 1
Y (N + 1 ), H (N + 1 )

E C A R T D E P R E D IC T IO N
T
E (N + 1 )= Y (N + 1 )- H (N + 1 )

N =N +1

M IS E A J O U R D E P (N )
T

P ( N + 1 )= (1 -K (N + 1 ) . H (N + 1 ) ) .P (N )

Chap2 : Mthodes des moindres carres

Chap.2/30

INITIALISATION DE
L'ALGORITHME

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

P(0) = diag(1000); 0)=0.


PROBLEME DE DECROISSANCE DU GAIN
PN
PN 1
PN
2
1 H N 1 . PN

Inconvnient de la RLST

Chap2 : Mthodes des moindres carres

Chap.2/31

MMC AVEC FENETRE


GLISSANTE

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

PRINCIPE :
Tronquer les observations travers une FENETRE de largeur N
constante que l'on "glisse" au fur et mesure que les chantillons
arrivent
N c h a n tillo n s

K +1

N +1 m e
c h e n tillo n

K -N

K -N + 1

Chap2 : Mthodes des moindres carres

Chap.2/32

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Estimateur optimal

K 1 K PK 1.

H K 1T . YK 1 H K 1. K H K N T . YK N H K N . K

La formule met en vidence la contribution dans la nouvelle


estime de l'enrichissement d l'observation l'instant K+1
d'une part et de la contribution de la K-N ime observation qui
doit tre retranche d'autre part de l'estimation prcdente.

Limite de la mthode

Chap2 : Mthodes des moindres carres

Chap.2/33

MMC AVEC FACTEUR DE


PONDERATION
Princiope

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

CRITERE CLASSIQUE PONDERATION HOMOGENES DES Ei


J ( ) E12 E2 2 .................. E N 2 E T . E

Pondration
J ( ) E 2 des
E 2 erreurs
..................
1

0
W
.

.
0

0
.
.
0

0
.

.
.
.

.
.
.
.
.
.

.
.
.
.
.
.

EN

E T .W . E

0
0

0
Matrice de pondration dfinie 0
.

Chap2 : Mthodes des moindres carres

Chap.2/34

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Choix de la pondration
On recommande progression gomtrique
i (1 0,1...N )

< 1 : Favorise les premires mesures (Facteur d'oubli);


> 1 : Favorise les dernires mesures par rapport aux premires

Critre doptimalit
J ( ) Y H T .W Y H
J ( )
2 H T WH Y T WH H T W Y 0

opt H WH .H T W Y

Chap2 : Mthodes des moindres carres

Chap.2/35

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

RLST AVEC FACTEUR DE PONDERATION

T
N 1 N K N 1. Y N 1 H N 1 . N

K N 1 PN .H N 1. 1 H N 1 . PN . H N 1

PN H N .W . H N

T 1

Chap2 : Mthodes des moindres carres

Chap.2/36

MODELES
LINEARISABLES

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Modle exponentiel
Utilis lorsque le taux les donnes sont telles que le taux de
croissance ou de dcroissance d'une variable Z est constante
en f-n de X.
Z A.B X
LogZ LogA X .LogB
Y a0 a1. X

Exemple
Les donnes suivantes reprsentent la croissance du biologiste, mois
par mois, d'une grandeur caractristique d'un certain type de plante

Chap2 : Mthodes des moindres carres

Chap.2/37

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Donnes
Mois

Taille

0.8

1.1

1.7

2.6

3.8

5.7

8.5

Connaissances priori on postule un modle exponentiel


entre l'age et taille
Z A. B X ,
log Z log( A. B X ) log A log( B ) * X a0 a1 X

Par la MMC on trouve :


a1= 0.1735 a0=
-0.2860

A 10 a0 , B 10 a1

Z A * B X 10 0.1735 . 10 0.286

Chap2 : Mthodes des moindres carres

Chap.2/38

Modle puissance
Z A X B
LogZ LogA B LogX Y a0 B x
tel que
a0 LogA x LogX

Modle polynomial
1. modle parabolique
Y a2 X 2 a1 X a0

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Chap2 : Mthodes des moindres carres

Chap.2/39

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

2. Modle polynomial
gnral

Calcul des paramtres du modle


J ( a , a ,a ) Y a X a X a Min.
2

a 2 . X i 2 a1 X i a0 Yi

i
3

i
2

a 2 . X i a1 X i a0 . X i Yi . X i .

2
a 2 . X i a1 X i a0 X i Yi . X i
4

Y a0 a1 X a2 X 2 ak X K

Chap2 : Mthodes des moindres carres

Chap.2/40

a K X i K a K 1 X i K 1.... a j 1 X i

j 1

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

... a0 Yi

a K X i K 1 a K 1 X i K ...... a j 1 X i j ..... a0 X i Yi X i
a K X i K 2 a K 1 X i K 1... a j 1 X i

j 1

... a0 X i 2 Yi X i 2

........
a K X i 2 K a K 1 X i 2 K 1.... . a0 X i K Yi X i K

Chap2 : Mthodes des moindres carres

Chap.2/41

ADEQUATION DU
MODELE

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Dfinition
Procd de vrification sur la base des chantillons, la validit
d'une hypothse et dcider soit de rejeter, soit d'accepter
hypothse envisag

Chap2 : Mthodes des moindres carres

Chap.2/42

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

CARACTERISTIQUES STATISTIQUES DU MODELE

Somme des carrs totale (dispersion des donnes exp


Ye(i) autour de la valeur moyenne )
N

_ 2

St Yi Y
i 1

Dispersion des donnes exprimentales autour de la


ligne de rgression (Somme des carrs rsiduels)
N

St Yi Yi
i 1

Chap2 : Mthodes des moindres carres

Chap.2/43

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Dispersion des valeurs du modle autour de la valeur


moyenne exprimentale
N

_ 2

S M Yi Y
i 1

Degr de libert : = N-K


Caractrise l'excs du nbre d'expriences
Exemple
Y aa a1 X
N 6 6 2 4,
N 2 0
N 1 1 pas de solution

Chap2 : Mthodes des moindres carres

Chap.2/44

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

VERIFICATION DE L'ADEQUATION DU
MODELE
C O N N A IS S A N C E S
A P R IO R I
Y = F (X ,

P L A N IF IC A T IO N E X P E R IE N C E S
N , P la n

F IC H IE R D O N N E E S
N , Y i

H O M O G E N E IT E

N O N

L o i d e d is tr ib u tio n ?
N o n s ta tio n n a ir e ?
E c h a n tillo n d iff r e n t?

O U I
E S T IM A T IO N D E S P A R A M E T R E S

A D E Q U A T IO N

IM P O R T A N C E
C O E F F IC IE N T S

S im u la t io n ,O p t im is a t io n ..

N O N

N O N

Chap2 : Mthodes des moindres carres

Chap.2/45

1. VRIFICATION DE
LHOMOGNIT

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Principe : critre de Cochrane (Test de 2 )


La moyenne d'un chantillon est susceptible de varier de
faon substantielle d'un chantillon un autre :
Ce test permet d'expliquer la signification donner cette diffrence :
La vrification en deux tapes :

1.Variance de sondage ou de reproductibilit (Test de 2 ) :


Pour chaque exprience on calcule :
M

sp

Yij Yi
j 1

M 1

; Yi

Y ji
j 1

2. Somme des dispersions


N
2
sp
i 1

M : Nbre d'essais parallles, N :


Nbre d'expriences
M-1 : degr de libert =

Chap2 : Mthodes des moindres carres

Chap.2/46

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

3. Critre calcul de Khi2


2 Max
c N

spi

spi

i 1

4. On vrifie lhomognit
Variances homognes
avec une probabilit P ssi :
Loi de Khi2 (exemple)
Probabilit
M-1=

0.001

0.999

0.002

13.8

26

9.22

54.1

si c2 T2 P, ( M 1)

Chap2 : Mthodes des moindres carres

Chap.2/47

2. VERIFICATION DE
LADEQUATION

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

But :
vrifier que le modle obtenu est adquat (dcrit avec prcision le
procd)

Quel critre ?
Critre de Fischer F
Comme le rapport de la variance rsiduelle celle des essais parallles
Sens ? : comparer erreurs dues au modle et celles dues au systme
N

Y Yi

r
s

i 1
M

2 = M-1

_ 2

Y jM Y

j 1

1 = N-K

M : Nbre d'essais parallles,


N : Nbre d'expriences
K : nbre de paramtres du
modle

Chap2 : Mthodes des moindres carres

Chap.2/48

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Adquation en absence d'essais


parallles
Conditions dadquations par le critre F
F FT ( , , P )

Modle adquat ssi

Critre F (exemple) : F( 1, 2) pour P=0.95


1

14

5.99

3.96

5.32

3.24

100

3.94

1.79

Influence de N (nbre dexp.) et dessais // sur ladquation du


modle :
Pour 2 fix , 1 = N-K . Si N alors FT (cf. Tableau) donc plus de chance
que (F>F )

Chap2 : Mthodes des moindres carres

Chap.2/49

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Que faire en absence dessais parallles ?


F

_ 2

i 1

Yi Y

Modle adquat ssi

i 1

Y Yi
K

F FT ( , , P ) ou F 1

Chap2 : Mthodes des moindres carres

Chap.2/50

Exemple
d'application

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Equation Darhenius
Dterminer la relation liant la constante de vitesse K (mole/s) et la temprature
de la raction T (K)
T (K)

Raction
chimique

K (mole/s)

E : Energie dactivation,

Structure du modle : formule


empirique
RT

K K 0e

F (T ) R : cste des gaz

T (K) = t (c) +273

Question : dterminez les valeurs numriques des paramtres E/R et K0 ?

Chap2 : Mthodes des moindres carres

Chap.2/51

Donnes exprimentales
Exp.

x=1/(t+273)

y=lnK

3.23

400

2.2*10-6

1.1725

2
3
4

7.80
15.43
24.11

452
493
520

37.95

561

60.09

604

Solution
1. Linarisation du modle
K K0e

1.9*10

-6

E
RT

2.054

1.7*10-6

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

F (T ) ln( K ) ln K 0 e RT

y a0 a1 x

2.74

1.56*10

-6

1.44*10-6
1.30*10-6

3.19

y ln( K )
1
x
T
a0 ln K 0

3.64

a1

y a0 a1 x

4.09

E
R

Trouver a0 et a1 /
6

yi ( a0 a1 xi ) 2 min

i 1

ln K E . 1
0

R T

Chap2 : Mthodes des moindres carres

Chap.2/52

Simulation sur
Matlab
t= [400 452 493 528 561 604]
K=[3.23 7.80 15.43 24.21 37.95 60.09];

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

a0 = 13.8329

y=log(K)
x=1./(t+273)

a1 = -8.5218e+003

input n=
n=ans;
ym=polyfit(x,y,n);

-E/R=a1
-8.5218e+003

K 1.01176 * 106 e

K0 = 1.0176e+006
=

a0=ym(2)
a1=ym(1)

70

K0=exp(a0)
disp('-E/R=')
a1
ymc=K0*exp(a1./(t+273));
E=(abs(ymc'-K')./K')*100;
Emax=max(E)
disp('GRAPHE')
plot(t+273,ymc,t+273,K,'--')

MODELE, EXPERIENCE

60
50
40
30
20
10
0
650

700

750
800
TEMPERATURE (K)

850

900

8518
T

Chap2 : Mthodes des moindres carres

Chap.2/53

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

CORRELATION
MULTIPLE

Corrlation entre deux variables


Relation stochastique

Relation fonctionnelle

Aucune relation
N

R XY

XY

X . Y

N 1

X i X Yi Y
i 1

2 N

N . X i X .. Yi Y
i 1
i1

RXY 0 Aucune relation fonctionnelle


RXY 1 Relation fonctionnelle
RXY 0 92 Valeur recommande

Chap2 : Mthodes des moindres carres

Chap.2/54

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Coefficient de corrlation
multiple

Soit le systme suivant


_

Yi0

Y a0 a1 X 1....a K X K

X ji X j
Yi Y
; X 0ji
; i 1... N , j 1...k
Y
Xj
2
X ji X j

Yi0 et X 0ji valeurs normes

2
Yi Y

i 1

Leur valeur moyenne est nulle,


Ecart quadratique moyen 1 :

N 1

i 1

, Xj

N 1

Dans cette nouvelle chelle on a :


_

X 0j 0; Y0 0
Xj0 Y 0 1

X 0j X 0j
N

Dmonstration
X0

i 1

i 1

ji

N 1

Xj X

i 1

Xj
N 1

N 1 X j

N 1 X j
1
N 1 X j

Chap2 : Mthodes des moindres carres

Chap.2/55

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Coefficient de corrlation des valeurs normes


Entre une variables Xj et la sortie Y

X J0Y 0

_
0
X Ji
X J0

_
0

Y 0 Y
i

N 1. X 0 . Y 0

0
0
Y
.
X

i
ij

Entre deux variables Xl et0 Xj 0


X i . X mi

0
X 0 X m

N 1

N 1

Chap2 : Mthodes des moindres carres

Chap.2/56

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

quation de rgression normale

i 1

Y bi X i0 ; b1 . . bK ?, J ( )

J
b 0
1

J 0
bk

2
Yi0 Yi0 Min.

RX 1Y b1

b2 RX 1 X 2 bK RX 1 Xp

RX 2Y b1 RX 2 X 1

RXKY b1 RXKX1 b2 RXKX 2 bK

Coefficient de corrlation multiple


R

NNK1

bi .RXiY ; Rcorrig 1 1R 2 .

i 1

b2 bK RX 2 Xp

Chapitre 3

OPTIMISATION
57

Chap3 : OPTIMISATION

Chap.3/58

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

INTRODUCTION
OPTIMISATION : Obtention d'un meilleur rsultat sous
quelques conditions.
Critre d'optimalit : Fonction conomique ou de but.
Reprsentation quantitative du but d'optimisation.
Importance du modle mathmatique.
Formes de la f-n de but (Algbrique, diff-elles..)

CONTRAINTES (Restrictions) : Limitations des ressources


disponibles.
EXEMPLES : Maximum de profit avec ressources limites etc..

Chap3 : OPTIMISATION

Chap.3/59

CONDITIONS
D'OPTIMISATION

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Optimisation d'une seule grandeur :


Impossible de maximiser le profit avec minimum de ressources .
Degr de libert suffisant du systme a optimiser
Ressources suffisantes pour satisfaire le but d'optimisation.

EVALUATION QUANTITATIVE DE LA QUALITE


D'OPTIMISATION
Formulation mathmatique du critre;
Comparer les effets des diffrentes actions de commande.

Chap3 : OPTIMISATION

Chap.3/60

METHODES
D'OPTIMISATION

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

METHODES ANALYTIQUES
Utilisent les mthodes classiques de l'analyse mathmatique
(Extremum d'une f-n)

Utilises dans le cas d'un critre d'optimalit d'expression


simple;

Emploi limit : Difficults avec apparition de contraintes et


plusieurs variables.

METHODES DU CALCUL VARIATIONNEL


Critre est sous forme de fonctionnelle ou dont la solution est
une fonction inconnue;

Utilises pour l'optimisation statique des systmes paramtres


distribus ou dans la programmation dynamique;

Permettent de rsoudre le problme optimale en intgrant le


systme d'quations diffrentielles;

Chap3 : OPTIMISATION

Chap.3/61

METHODES
D'OPTIMISATION

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

PROGRAMMATION DYNAMIQUE
Rsolution des problmes d'optimisation de processus
discontinus;

Critre d'optimalit est le rsultat de la somme de plusieurs


critres de chaque stade;

La mthode se prsente sous forme d'un algorithme pour la


dtermination d'une stratgie de commande optimale de tous les
stades du processus en tenant compte de toutes les contraintes;

PRINCIPE DU MAXIMUM
Utiliss pour les problmes dcrits par des systmes
d'quations diffrentielles;

La solution optimale est la rsolution des quations


diffrentielles dcrivant le processus et celui des contraintes pour
des conditions aux limites reprsentant le domaine de l'intervalle
d'intgration.

Chap3 : OPTIMISATION

Chap.3/62

METHODES
D'OPTIMISATION

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

PROGRAMMATION NON LINEAIRE


Pour la rsolution de problmes ayant une fonction but non
linaire;

Contraintes peuvent aussi tre non linaires sous forme galit


ou ingalit;

Utilises en pratique lorsque le problme ne peut tre rsolu


par d'autres mthodes;

Plusieurs algorithmes numriques existent pour la rsolution de


ce type de problme;

Mthode indirecte : L'action de la recherche de l'optimum


(direction et module) dpend des informations prcdentes
recueillies sur le calcul du critre

Chap3 : OPTIMISATION

Chap.3/63

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

PROGRAMMATION LINEAIRE
(PL)

DFINITION
Mthode de recherche de l'extremum du critre d'optimalit dans
les problmes dont les quations sont linaires.

FORMULATION MATHEMATIQUE
Fonction conomique : Elle associe linairement les quantits de
facteurs utiliss et les profits unitaires correspondants
F C1 X 1 C2 X 2 ... Cn X n
Avec : X i : Quantits du i ime facteur; Ci : Marge (Cot) du i ime facteur.

Contraintes : La manire dont les facteurs peuvent tre combins


pour utiliser les ressources et gnrer un rsultat au travers de F
ou

a X a X ... a X B
1 1 2 2
n n
a X a X ... a X B
1 1 2 2
n n

en plus :

X 1, X 2 ,... X n 0

ai : Nombre d'heures de travail ncessaires


pour fabriquer une unit du produit i;
B : Total des heures disponibles pour la
fabrication des n produits.

Chap3 : OPTIMISATION

Chap.3/64

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Problmatique de
la PL

But :
Optimiser les rsultats conomiques tout en tenant compte
strictement des contraintes
Dterminer

X X1

X 2 ... X n

tel que:
F Ci X i Max.( Min.)

et

ai X i () B.

Chap3 : OPTIMISATION

Chap.3/65

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Niveaux d'apprhension de
la PL
FONCTION
CONOMIQUE

FORME DES
CONTRAINTES

Peut-on
amliorer
la
solution du problme en
modifiant la structure des
contraintes Modification
de technologie ou de
produits fabriqus?.

La f-n conomique peut-elle


tre modifie pour une
meilleure
utilisation
des
ressources : modifier les prix,
les marges

NIVEAU DES
RESSOURCES

Le desserrement des contraintes


par
un
accroissement
des
ressources permet-il d'amliorer la
f-n conomique d'un montant
suprieur
aux
ressources
engags ?

Chap3 : OPTIMISATION

Chap.3/66

RESOLUTION DUN
PROBLEME PL

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

1. METHODE GRAPHIQUE
Lorsque le nombre de variables est limit (< 2), il est possible de
rsoudre un problme d'optimisation linaire graphiquement

EXEMPLE
Une socit fabrique 2 produits P1 et P2. Il faut leur faire subir des
oprations dans 3 ateliers diffrents o ils doivent tre progressivement
monts.
Soit A1, A2 et A3 les 3 ateliers : Estampage, reprise et Assemblage.
Les profits unitaires raliss sur les produits P1 et P2 sont
respectivement 15 F et 12,5 F.

Chap3 : OPTIMISATION

Chap.3/67

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Mthode graphique de
la PL

Capacits d'usinage (en nbre de pices)


Estampage

Reprise

Assemblage P1

Assemblage P2

Produit P1

25 000

33 333

22 500

Produit P2

35 000

16 667

15 000

Les pourcentages (% du temps d'occupation disponible) des


capacits totales utilises pour chaque fabrication unitaire sont :
(Calculs : pour estampage : 100/25000 = 0.004 % de la capacit totale pour chaque
unit)
Estampage

Reprise

Assemblage P1

Assemblage P2

Produit P1

0,004

0,003

0,0044

Produit P2

0,00286

0,006

0,00667

Capacit unitaire tot.


utilis [%]

100

100

100

100

Chap3 : OPTIMISATION

Chap.3/68

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Mthode graphique de
la PL

Question :
Quantit de produits P1 et P2 produire de telle sorte que :
Le profit soit maximal;
Tout en respecter les limitations de capacit de production

1. Formulation mathmatique
Soit X1 et X2 les quantits des produits P1 et P2 produire
Fonction de profit : F 15 X1 12,5 X 2 Max.
Contraintes (Limitation des capacits de production) :
0,004 X 1 0,00286 X 2 100 : Estampage

0,003 X 1 0,0060 X 2 100 : reprise

0,0044 X 1 0 X 2 100 : Asemblage P1


0 X 0,00667 X 100 : Asemblage P2
1
2

X1, X 2 , X 3 0

Chap3 : OPTIMISATION

Chap.3/69

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

2. RESOLUTION GEOMETRIQUE
On trace sur le plan OX1 et OX2 les droites :

(1)....0,004 X 1 0,00286 X 2 100


(2)....0,003 X 1 0,0060 X 2 100
(3)...0,0044 X 1 0 X 2 100
(4).... 0 X 1 0,00667 X 2 100

X2
35

E s ta m p a g e (S a tu r a tio n )

(1 )

30

Les valeurs des var. X1 et X2


au dessous des droites (1), (2)
et (4), et gauche de (3);

O P T IM A L
A s s e m b la g e P 1 (N o n s a tu r a tio n )

25

(3 )

X1 et X2 ne peuvent tre < 0


car ce serait un non-sens du
point de vue conomique ;

20
R

15

(4 )

10

A s s e m b la g e P 2
(N o n s a tu r a tio n )

(2 )

R e p r is e
(S a tu r a tio n )

N
0

10

15

20

X1

25

30

x1000

Toute solution doit se


trouver dans la zone
ombre

Chap3 : OPTIMISATION

Chap.3/70

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Mthodologie :
On dplace paralllement elle mme la droite F jusqu'au point extrme
P, o la droite F cesse d'avoir un point commun avec le domaine du
polydre OMNPQR, form par le plan associ aux contraintes en ce point
X2

x1000
E s t a m p a g e (S a tu r a tio n )

(1 )

35

Point optimal P
X1opt=20363
X2opt=6485
Fmax=159271 FF

30

O P T IM A L
A s s e m b la g e P 1 (N o n s a tu r a tio n )

25

(3 )

F 15 X1 12,5 X 2

20
R

15

(4 )

10

X2opt

pP

A s s e m b la g e P 2
(N o n s a tu r a tio n )

(2 )

R e p r is e
(S a tu r a tio n )

N
0

10

15

20

X1opt

X1

25

30

x1000

Chap3 : OPTIMISATION

Chap.3/71

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

ANALYSE DES RESULTATS


En ce point P les capacits limites ne sont pas toutes atteintes :
0,004 20363 0,00286 6485 100 Saturation
0,003 20363 0,0060 6485 100 Saturation
0,0044 20363 89,60 Non saturation
0,00667 6485 43,25 Non saturation

En produisant 20363 produits de P1 et 6485 de P2, le profit sera


optimal, les capacits d'estampage et de reprise seront satures
tandis que celles d'assemblage ne le seront pas.

Propositions :
Diminuer la capacit d'assemblage de P2 (si c'est possible) ce qui
diminuera le prix de revient donc augmenter le profit.
Augmenter le profit en variant le profit unitaire correspondant

Chap3 : OPTIMISATION

Chap.3/72

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

LIMITES DE LA SOLUTION GRAPHIQUE

Si nombre de variables > 3 problme de reprsentation


Si par ex. n=15 et m (nombre de contraintes) =10, la mthode
graphique conduit plus de 3 millions de points d'intersection.

Chap3 : OPTIMISATION

Chap.3/73

home
disp('PROBLEME:')
disp('UNE SOCIETE FABRIQUE 2 PRODUITS P1 et P2.')
disp('IL FAUT LEUR FAIRE SUBIR DES OPERATIONS DANS 3 ATELIERS DIFFERENTS')
disp('OU IL DOIVENT ETRE PROGESSIVEMENT MONTES.')
pause,home
disp('SOIT A1, A2 A3 : LES 3 ATELIERS ESTAMPAGE, REPRISE ET ASSEMBLAGE')
disp('LES PROFITS UNITAIRES REALISES SUR P1, P2 SONT: 15F ET 12,5F.')
pause,home
disp('LES CAPACITES D USINAGE SONT LIMITES COMME SUIT:')
disp('
ESTAMPAGE REPRISE ASSEMBLAGE P1 ASSEMBAGE P2')
disp('PRODUIT P1: 25000
33333
22500
-')
disp('PRODUIT P2: 35000
16667
15000')
pause,home
disp('LES CAPACITES TOTALES UTILISEES POUR CHAQUE FABRICATION UNITAIRE SONT:')
disp('
ESTAMPAGE REPRISE ASSEMBLAGE P1 ASSEMBAGE P2')
disp('PRODUIT P1: 0,004
0,003
0,0044
0')
disp('PRODUIT P2: 0,00286 0,006
0
0,00667')
disp('CAPAC. TOTAL 100
100
100
100')
pause,home
disp('QUESTION : QUANTITE DE PRODUITS P1 ET P2 DE TELLE SORTE QUE:')
disp(' 1. LE PROFIT SOIT MAXIMAL;')
disp(' 2. RESPECTER LES LIMITATIONS DE CAPACITES DE PRODUCTION')
pause;home
disp(' SOLUTION : SOIT X1 et X2 QUANTITES DE P1 et P2 A PRODUIRE:')
disp(' FONCTION DE BUT : f= 15*X1+12,5*X2 -----> MAX.')
pause
plot(x1,est,x1,REPR,x1,f)

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Chap3 : OPTIMISATION

Chap.3/74

f=-[15 12.5] % on met le signe (-) car on maximise et non minimise


home,pause
RLAB='EST. REPRISE ASS.P1 ASS.P2';
CLAB='X1 X2';
name='
MATRICE DES CONTRAINTES A:';
A=[0.004 0.00286;0.003 0.006;0.0044 0;0 0.00667];
disp('MATRICE DES DONNEES')
printmat(A,name,RLAB,CLAB)
pause,home
disp(' CAPACITES MAXIMALES ')
B=[100 100 100 100]
pause,home
disp('SOLUTION OPTIMALE :x=[x1opt x2opt]')
[xopt]=LINPROG(f,A,B)
fopt=4*xopt(1)+12*xopt(2)
pause,home
disp(' GRAPHE')
x1=0:1000:40000;
est=((-A(1,1)*x1+100)/A(1,2));
REPR=((-A(2,1)*x1+100)/A(2,2));
f=-15*x1/12.5;

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Chap3 : OPTIMISATION

Chap.3/75

ALGORITHME DU
SIMPLEXE

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Mthode dite simpliciale ou mthode du simplexe,


labore par George Dantzig (USA).

Utilise la procdure employe par le graphe :


On value les performances de chaque sommet du polydre dlimit par les
contraintes en n dimensions : La sol. opt. est acquise lorsque aucune
modification ne permet d'amliorer la valeur de la fonction conomique.

Chap3 : OPTIMISATION

Chap.3/76

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

EXEMPLE
Une entreprise peut fabriquer sur une seule machine fonctionnant
45h/semaine 3 produits P1,P2,P3.
Les profits nets sont respectivement : 4F, 12F et 3F.
Rendement de la machine (Nbre d'article/h) : 50 P1/h, 25 P2/h, 75
P3/h.

Possibilits de ventes : 100 P1, 500 P2, 1500 P3.

Question :
Rpartir la capacit de production entre les 3 produits pour
maximiser le profit

Chap3 : OPTIMISATION

Chap.3/77

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

FORMULATION MATHEMATIQUE
X1, X2 et X3 : Quantit des produits P1, P2 et P3
F : La fonction conomique
F 4 X1 12 X 2 3 X 3 Max.

Contraintes:
0 X1 1000
0 X 2 500

0 X 3 1500
X X X
1 2 3 453 X 1 6 X 2 2 X 3 6750
50 25 75

Variables d'cart (V.E.) : X4, X5 , X6 et X7


Elles permettent de transformer les ingalits en galits afin de prendre en compte la
saturation d'une contrainte (V.E. = 0) ou la non saturation (V.E. > 0).
V.E. = La diffrence entre les valeurs des 1er et 2-me membres des 3 inquations

Chap3 : OPTIMISATION

Chap.3/78

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

MISE EN EQUATION AVEC LES V.E

X1 X 4 1000
X 2 X 5 500
X 3 X 6 1500
3 X 1 6 X 2 2 X 3 X 7 6750

FORME MATRICIELLE
1 0 0 1 0 0
0 1 0 0 1 0

0 0 1 0 0 1

3 6 2 0 0 0

(1) (2) (3) (4) (5) (6) (7)

X1
X
2
0
1000
X

3
500
0

X4

0
1500

1
6750
X6
X 7

X 4 , X 5 , X 6 , X 7: Variables de BASE ;
X 1, X 2 , X 3: Variables hors base.

Chap3 : OPTIMISATION

Chap.3/79

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

INITIALISATION

Solution vidente mais sans intrt :


X 1 X 2 X 3 0
Alors: X 4 1000, X 5 500, X 6 1500, X 7 6750

Sens : Profit nul (Valable lors de a fermeture annuelle pour cong pay)

Cette solution donne le sommet 0 du polydre.


Passons de ce sommet initial un sommet voisin, en augmentant
la valeur de F, si possible.

Chap3 : OPTIMISATION

Chap.3/80

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

FORMULES DE CHANGEMENT DE COORDONNEES


j
C i In d ic e
( C o t b a s e ) V .E .

Colonne j=2, ligne i=5

A1

X j

A2

A3

A4

A5

A6

A 7

A 0

X i

C j
S o lu tio n
j

4
0
4

12
0
12

3
0

0
3

1000
0

0
500

0
0
1500 6750
0
0
0

C o e ffic ie n ts d e F
F=0
C o ts m a r g in a u x

Chap3 : OPTIMISATION

Chap.3/81

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

COUTS MARGINAUX j : Coefficients de la fonction conomique


F 4 X 1 12 X 2 3 X 3 1 4, 2 12, 3 3.

Sortie d'un vecteur Ai de la base et entree d'un vecteur Aj dand la


base : Xij "PIVOT". (Intersection ligne i et colonne j)

CRITERES DE DANTZIG
Pour dterminer la colonne Aj qui doit ENTRER dans la base, on
slectionne celle qui compte le cot marginal le PLUS GRAND.
(Pour amliorer la solution initial, il est judicieux de faire d'abord entrer dans
cette solution la variable qui apporte la marge la plus grande.)
2 12 grand ( j 2) 2mecolonne

Chap3 : OPTIMISATION

Chap.3/82

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Pour dterminer la colonne Ai qui doit SORTIR de la base, on


choisit celle d'indice i telle que
Voir tableau : i=ligne
Xi
Soit le PLUS PETIT parmi ceux positifs
X ij

n5, j=2 colonne

0
1000
1
500 X i
1000 500 1500 3750
j max=12 j 2 X ij , X i
;
(i 4,5,6,7) ,
,
,
0
1500 Xi 2
1 0
6
0
6
3750

La colonne i=5 va sortir de la base car x5 /x52 est le plus petit.


Alors :
La colonne i=5 va sortir de la base (i=5);
La colonne j=2 va entrer dans la base (dj choisi celle qui compte le cot
marginal le plus grand j=2);
L'lment X52 est le pivot de la transformation (ici X52 =1)
X2 va entrer dans la base;
Nouvelle base (4), (2),(6),(7).

Chap3 : OPTIMISATION

Chap.3/83

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

ETAPE 1 : i = 5, j = 2
TABLEAU N 1 : Nouvelle base (4,2,6,7)
j
C i I n d ic e
( C o t b a s e ) V .E .

A1

X j

A2

A3

A4

A5

A6

A 7

X 2 e n tre
d a n s la b a s e

A 0

X i

C j
S o lu tio n
j

4
0
4

12
500

3
0

0
1000
0

0
0

0
1500

0
3750

-1 2

C o e ffic ie n ts d e F
F=6000
C o ts m a r g in a u x

Chap3 : OPTIMISATION

Chap.3/84

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Comment calculer les nouvelles valeurs du tableau ?


On se base sur le tableau initial tel prsent plus haut

Nouvelle valeur de la fonction economique F

F (ancienne valeur de la f-n conomique) = 0;


j (cot marginal maximal) = 12
i 5 X i X 5 500

j 2 X ij X 25 1

Alors : F' = 0+(500/1).12 = 6000

F F

Xi
. j
X ij

Chap3 : OPTIMISATION

Chap.3/85

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Valeur de l'lment de la ligne K dans la colonne A0


X K X K X KJ .
X i

Xi
X ij

Xi
si K i
X ij

si K i

X 4 X 4 X 42 .
X 5 .

X5
500
10000.
1000 ( K i );
X 52
1

X5
500 ( K i );
X 52

X 6 X 6 X 62 .

X5
500
15000.
1500 ( K i );
X 52
1

X 7 X 7 X 72 .

X5
500
67506.
3750 ( K i ).
X 52
1

Chap3 : OPTIMISATION

Chap.3/86

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Valeur de l'element de la ligne K dans la colonne Al


Colonne1l 1(Elmentsinchangs car X il = X 51 = 0):
X 41 X 42 .
X 41

X Kl X KJ .
X Kl
X
X il il
X ij

X il
si K i
X ij

si K i

.
X 51

X 51
0
10. 1 ( K i );
X 52
1

X 51 0
0 ( K i );
X 52 1

.
.
X 71 X 72 .
X 71

X 51
0
30. 3( K i );
X 52
1

.
.
Colonne5,Ligne7 Elment X 75.
X 75 X 72 .
X 75

X 55
1
06.. 6( K i );
X 52
1

Chap3 : OPTIMISATION

Chap.3/87

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Nouvelles valeurs des cots marginaux j


j 2 j max 2 12; i 5; K (1,2,3...7) N colonne.
K Ancienne valeur.

K K j .
j 0

X iK
si K j
X ij

si K j

Alors:
1 1 2 .

X 51
0
412. 4 ( K j; )
X 52
1

2 0 ( K j );
3 3 2 .

X 53
0
312. 3 ( K j );
X 52
1

4 4 2 .

X 54
0
012. 0 ( K j );
X 52
1

5 5 2 .

X 55
1
012. 12 ( K j );
X 52
1

6 6 2 .

X 56
0
012. 0 ( K j );
X 52
1

7 7 2 .

X 57
0
012. 0 ( K j ).
X 52
1

Chap3 : OPTIMISATION

Chap.3/88

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

l'optimum est atteint lorsque tous les couts marginaux J sont


ngatifs ou nuls. Car dans ce cas son passage la base
provoquerait une diminution du critre d'optimalit.

ETAPE 2 : i = 4, j = 1
Sur la base du tableau de l'tape 1 on a :
j max 4 j 1
Xi
X ij

le plus petit 0:

1000 500 1500 3750


,
,
,
i4
1
1
0
3

PIVOT:X 41 : Ligneayantindicei 4 Colonneayantindice j 2

Les coefficients sont calculs comme prcdemment et on obtient :

Chap3 : OPTIMISATION

Chap.3/89

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

TABLEAU N 2 : Nouvelle base (1,2,6,7)

j
Ci
(Cot base)

Indice
V.E.

A1

Xj

A2

A3

A4

A5

A6

A 7

A 0

Xi

X1
entre
base

C j
Solution

4 12 3 0 0 0 0
1000 500 0 0 0 1500 750
0 0 3 -4 -12 0 0

Coefficients de F
F = 10000
Cots marginaux

Chap3 : OPTIMISATION

Chap.3/90

ETAPE 3 : i = 7 , j = 3
Sur la base du tableau de l'tape 2 on a :
j max.=3 j=3;
Xi
750
le plus petit 0est
i7;
X ij
2
PIVOT : X 73 2.

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Chap3 : OPTIMISATION

Chap.3/91

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

NOUVEAU TABLEAU
Nouvelle base
j (1,2,6,3)
Ci
(Cot base)

Indice
V.E.

A1

Xj

A2

A3

A4

A5

A6

A 7

A 0

Xi
X3 entre
dans base

C j
Solution

4 12 3 0 0 0 0
1000 500 375 0 0 1125 0
0 0 0 1/2 -3 0 - 3/2

Coefficients de F
F = 11125
Cots marginaux
> 0 L'optimum
n'est pas atteind

Chap3 : OPTIMISATION

Chap.3/92

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

DERNIERE ETAPE : i = 6, j = 4
Sur la base du tableau de l'tape 3 on a :
j max.=1 2 j=4;

Xi
1125
le plus petit 0est
i6;
X ij
32

PIVOT : X ij X 64 3 2 .

Les valeurs des lments XKl , XK K et F sont calcules sur la


base du tableau ci-dessus tel prsent, d'une faon analogue

Chap3 : OPTIMISATION

Chap.3/93

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

j
C i In d ic e
(C o t b a s e ) V .E .

X j
A1 A2

A3

A4

A5

A6

A 0

A 7

X i

C j
S o lu tio n
j

12
250 500
0
0

3
1500
0

0
750
0

0
0
-4

0
0
-1 /3
< 0

0
0
-4 /3

C o e ffic ie n ts d e F
F=11500
C o ts m a r g in a u x

L 'o p tim u m
e s t a tte in d

SOLUTION OPTIMALE:
X1 250, X 2 500, X 3 1500
F 4. X 1 12. X 2 3. X 3 11500 F

Chap3 : OPTIMISATION

Chap.3/94

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Commentaires :
Saturation de ventes pour les produits P3 et P2
Non-saturation pour le produit P1.
La machine est occup pleinement puisque 3X1+6X2+2X3=
6750h/semaine

Chap3 : OPTIMISATION

Chap.3/95

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Programme sous MATLAB


% nom du programme : PROG_LINEAR
% Introduction de donnes :

Home
r=-[4 12 3]; % on met le signe (-) car on maximise et non
minimise
A=[1 0 0;0 1 0;0 0 1;3 6 2];
B=[1000;500;1500;6750];
% Recherche de la solution optimale x=[x1opt x2opt
x3opt]
[xopt,FVAL]=LINPROG(r,A,B)
%valeur maximale de la fonction
fopt=4*xopt(1)+12*xopt(2)+3*xopt(3)

METHODE DE LAGRANGE

96

Chap3 : OPTIMISATION

Chap.3/97

Problmatiq
ue

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Soit une fonction g(x1, x2, xn) trouver un extremum


Les variables x1, x2, xn ne sont pas indpendantes : elles sont
relies par m relations
1 x1 , x2 ,...xn 0
x , x ,...x 0
n
2 1 2
m<n
CONTRAINTES
.

m x1 , x2 ,...xn 0

Introduisons j(j=1,m) de nouvelles variables dites


x1 ,...xn , 1 ,...m g ( x1 ,...xn ) 11 ( x1 ,...xn ) 2 2 ( x1 ,...xn ) ...m m ( x1 ,...xn ) 0
Multiplicateurs de Lagrange et formons :

Chap3 : OPTIMISATION

Chap.3/98

Conditions
dextremum

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Conditions dextremum :
( x1 , x2 ,...xn )
0

x1

( x1 , x2 ,...xn )
0

x2

.
.

( x1 , x2 ,...xn )
0

xn

1 x1 , x2 ,...xn 0
x , x ,...x 0
2 1 2
n

Equations de contraintes

.
.

m x1 , x2 ,...xn 0

Chap3 : OPTIMISATION

Chap.3/99

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Problme global doptimisation


( x1, x2 ,...xn )
0

x1

.
.

( x1, x2 ,...xn )
0

xn

n quations

1 x1, x2 ,...xn 0

.
.

m x1, x2 ,...xn 0

m quations

Ce systme (n+m) quations permet de dterminer les variables


technologiques optimales et les valeurs des m multiplicateurs de
Lagrange pour lesquelles la fonction de but est optimale et les
contraintes respectes

Chap3 : OPTIMISATION

Chap.3/100

Exemple
dapplication

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

EXEMPLE
Dterminer les dimensions dun rservoir cylindrique de volume V
donne, qui possde une surface S minimale.
R

Fonction minimiser : S 2 R 2 Rh g ( R, h ) (1)


Contrainte : V R 2 h 1 ( R, h ) V R 2 h 0 ( 2)

Chap3 : OPTIMISATION

Chap.3/101

Copyright : Prof. B. Ould Bouamama ,


PolytechLille

Solutio
n

Formulation mathmatique

Fonction minimiser : S 2 R 2 Rh g ( R, h ) (1)


Contrainte : V R 2 h 1 ( R, h ) V R 2 h 0 ( 2)

Dveloppement : mthode de Lagrange


Fonction de Lagrange

(R, h) 2 R 2 Rh V R 2h (3)
Conditions optimales

Solution
Rsolution du
R1
systme dquations

( R, h)
2 2 R h 2RH 0 (4)

( R, h) 2R R 2 0 (5)

h
(9) dans (7) et (8)

0, Pas d' interet (6), R 2

R 2 (5) h

V
2
V
h 2.3
2

(7 )

4
(8)

(8) et (7) dans (2) 2.3


R3

2
V

(9)