@Entry[1]

l'algorithme du simplexe

Algorithme efficace pour résoudre des problèmes de programmation linéaire

(ou de trouver qu'il n'y a pas de solution)

Beaucoup utilisé et réussit sur les problèmes ``réels''

Théoriquement trop lent pour des problèmes très bizarres

L'idée de base (géométrique)

Pourquoi ça marche?

Chaque arête parcourue augmente la fonction objective: donc pas de boucles

Le nombre de sommets est fini: donc terminaison garantie

Pas de maximaux locaux qui ne sont pas de maximaux globaux: donc l'algorithme ne peut se terminer qu'à une solution optimale (s'il y en a)

Comment est-ce que ça s'arrête?

Aucun sommet voisin avec une valeur supérieure de z

On a trouvé la valeur optimale (si elle existe)

C'est quoi, un sommet voisin?

Un très petit exemple de parcours itératif calculé de façon naïve

Deux variables x1 et x2
Deux contraintes explicites: 3x1+2x2   30
-2x1+x2   8
les 2 contraintes implicites: x1, x2   0
z = -3x1+2x2 à maximiser.

La solution de base x1=x2=0 est réalisable avec z=0. Les solutions voisines sont obtenues en supprimant une des équations x1=0 ou x2=0 et en ajoutant une des équations
3x1+2x2 = 30 ou -2x1+x2 = 8

Donc quatre possibilités:

On continue de la solution:
x1=0, -2x1+x2 = 8,   z=16.

Supprimer une des équations:
x1=0, -2x1+x2 = 8
Ajouter une équation choisie parmi
x2=0,  3x1+2x = 30

En fait on ne trouve qu'une nouvelle solution:
3x1+2x2 = 30, -2x1+x2 = 8:
x1=2, x2=12 réalisable avec z=18, donc une amélioration.

Et ainsi de suite (mais pour ce petit exemple il n'y a plus de possibilités d'amélioration).

Impressionnant? Non ! On a fait 3 itérations et pour chaque itération on calcule 4 voisins; donc 12 sommets calculés
sur les 6 qui existent!

Mais pour un exemple de taille raisonnable c'est mieux :
10 variables et 10 contraintes explicites : 184756 sommets
Si l'algorithme prend 40 itérations (un peu pessimiste), on n'en calcule que 40 ×10 ×10  =  4000.
(Et on va voir que le vrai algorithme fait encore moins de calcul)

Plus la taille du problème est élevée, plus cette méthode gagne par rapport à la méthode très naïve de calculer toutes les solutions de base.

Le ``vrai'' algorithme du simplexe de Dantzig Calcul beaucoup plus vite d'un bon voisin

On considère d'abord le cas où (0,0, ... ,0) est une solution de base réalisable et l'algorithme part de là:

On va supprimer une seule des équations xj=0; donc cette variable xj va devenir positive et les autres resteront nulles. Donc, il faut choisir une variable à coefficient positif en z.

En choisir une (peut-être mais pas forcément celle au coefficient le plus élevé?)

Chaque contrainte avec un coefficient ai,j > 0 donne une borne supérieure sur la nouvelle valeur de xi;

Choisir la plus petite de ces bornes; c'est la contrainte qu'il faut rajouter.

Efficacité améliorée

Une manipulation simple algébrique (le pivotage) remet le programme dans une forme où la nouvelle solution de base est (0,0, ... ,0) pour un choix différent de variables, ce qui permet de continuer de la même façon.

Deux Problèmes avec l'algorithme du simplexe

(1) Amélioration nulle

Comment? Si le nombre d'équations des contraintes vérifiées à une solution est supérieure à n.
Une itération jette une contrainte et en ajoute une autre ; ça peut donner la même solution.
Et l'algorithme pourrait boucler (même point ; ensembles différents d'équations).

Pourquoi ne pas jeter les contraintes inutiles?
Trop difficile de les trouver!

Un programme robuste doit être capable de traiter ce cas.

Et une règle simple suffit: à chaque choix (colonne ou ligne du pivot), choisir la première variable possible pour sortir ou entrer.

Trouver une solution de base pour commencer




File translated from TEX by TTH, version 3.05.
On 2 Nov 2009, 11:25.