Approche de Benders pour un mod` ele de Couplage de Flot Entier
4.4. Exp´ erimentations num´ eriques
Dans ce paragraphe, nous allons donner le fruit de quelques exp´erimentations concernant les m´ethodes suivantes :
• la r´esolution directe par un solveur
• la r´esolution par la m´ethode de Benders classique, en r´einjectant toutes les coupes obtenues dans le pool des coupes
Le PMR reste un probl`eme dur `a r´esoudre dans la mesure o`u c’est un programme en nombres mixtes, on est donc tr`es vite limit´e par la taille des instances.
A la section 5.2, nous d´ecrivons le probl`eme du multiflot entier `a coˆut minimal, ce probl`eme est un cas particulier du PMR o`u l’ensemble des contraintes est r´eduit `a un seul ´el´ement. Nous voulons d´eterminer si, dans certains cas, il est possible de r´esoudre un probl`eme de type MFCM en lieu et place d’un PMR, et ainsi utiliser le sch´ema de d´ecomposition heuristique d´ecrit `a la section pr´ec´edente. Le probl`eme MFCM est param´etr´e par un vecteur λ, alors que le PMR, lui, est d´efini par un ensemble de vecteursλi grossissant avec le nombre d’it´erations requises pour la r´esolution. L’id´ee sous-jacente est de trouver un moyen de synth´etiser l’information port´ee par le pool de param`etres (λi)i≥0 dans un seul vecteurλpour proposer une heuristique de r´esolution (fonction que l’on a not´e Λ). Nous allons envisager trois cas de figure :
• Λ(λ, λ∗) =λ∗ (ou encore ”λ=λi”), c’est-`a-dire un vecteur param`etre ´egal aux valeurs duales que l’on vient de trouver `a la derni`ere it´eration. On ne prend donc en consid´ era-tion que la derni`ere coupe g´en´er´ee, en oubliant toutes les pr´ec´edentes.
• Λ(λ, λ∗) = (max(λe, λ∗e))e∈E (ou encore λ = maxλi), on exploite les informations des coupes en ne gardant que les composantes les plus importantes.
• ΛI(λ, λ∗) = Iλ+λ∗
I+ 1 (ou encore λ= P
iλi
I ), on essaie de lisser les diff´erentes informa-tions de coupes. C’est ce sch´ema par son aspect synth´etique qui semble le plus promet-teur bien qu’il puisse accentuer le d´efaut principal de Benders, c’est-`a-dire la lenteur de convergence vers la solution optimale.
Les instances de test que nous avons utilis´ees ont pour support les supports des r´eseaux d´ej`a d´efinis dans ce manuscrit, c’est-`a-dire les graphes `a 10 et `a 20 sommets, pr´ec´edemment utilis´es. La taille est d´ej`a respectable au vu de la complexit´e spatiale d´ej`a rencontr´ee (rappe-lons que le nombre de variables enti`eres est ´egal au nombre d’arcs de A). Les coˆuts mis en jeu pour le multiflot sont les distances euclidiennes sur le graphe, les coˆuts sur le flot sont un ratio sur les distances euclidiennes (ce =r.pe,∀e∈E). Le temps de calcul d’un PL a ´et´e arbitrairement limit´e `a 6h.
Pour un ratiornul, en ´evin¸cant le coˆut du flotF, on s’attend `a ce que les commodit´es soient rout´ees ind´ependamment et au meilleur coˆut (relativement au vecteurp). Si au contraire, ce ratio est grand, le coˆut deF est trop ´elev´e et le routage des commodit´es doit se faire sur des arcs n’appartenant pas `aA(l’ensemble sur lequelF etf sont coupl´es). Entre ces deux valeurs extrˆemes, on s’attend donc `a ce que les transports soient mutualis´es.
En ce qui concerne la r´esolution avec solveur, on donne en colonnes : le nom de l’instance r´esolue, le ratio de coˆut. On rel`eve apr`es r´esolution, la valeur de la fonction-objectif, si elle
Chapitre 4. Approche de Benders pour CFEMF Lo¨ıc Yon
est optimale (O) ou non, le temps de calcul, le nombre d’it´erations (le nombre de simplexes r´esolus), on note aussi si le multiflot n’a pas ´et´e rout´e suivant des chemins (´E).
instance ratio Z O temps it´erations E´
a10e 0 25612.8 √
Tab. 4.1 – R´esultats avec CPLEX
Nous avons pu obtenir des r´esultats assez rapidement pour toutes les instances trait´ees.
Nous remarquons que les instances avec un faible ratio (r=0.033) sont tr`es difficiles `a calculer en comparaison des autres ratios. CPLEX offre diff´erentes approches de r´esolution pour le programme en nombres mixtes. Nous avons laiss´e les param`etres par d´efaut, c’est-`a-dire une r´esolution par le dual. En fait, on v´erifie que d`es quer >0.33, le coˆut deF est trop ´elev´e etF n’est pas utilis´e (c’est pour cela que les temps de calculs sont courts et les coˆuts identiques : le routage du multiflotf se fait suivant les arcs de A).
instance ratio Z O temps(s) it´erations S
a10e 0 25612.8 √
Tab.4.2 – R´esultats obtenus par la m´ethode de Benders
Lo¨ıc Yon Chapitre 4. Approche de Benders pour CFEMF
avec la m´ethode directe (´eventuellement limit´ee en temps), un seul PL est r´esolu. La m´ethode de Benders est it´erative et `a chaque it´eration, un nouveau PL doit ˆetre r´esolu (le PMR), ce qui explique cette explosion des temps de calculs. On donne le nombre d’it´erations qui ont
´et´e n´ecessaires, ce nombre est ´egal au nombre de PL r´esolus mais aussi au nombre de coupes g´en´er´ees.
Sur les instances `a 10 sommets, une seule n’est pas r´esolue `a l’optimum, la convergence est trop lente et le processus s’arrˆete.
Sur ces instances, le nombre de coupes de Benders est relativement limit´e, il n’est donc pas vraiment n´ecessaire d’oublier les coupes qui ne sont plus utiles depuis un certain nombre d’it´erations.
Nous donnons ensuite les exp´erimentations avec le sch´ema heuristique et diff´erents jeux pour le coefficient λ. Les conditions d’arrˆets de ces sch´emas sont : la valeur du param`etre λest inchang´ee, un nombre maximal d’it´erations a ´et´e effectu´e, un nombre d’it´erations sans am´elioration de l’objectif a ´et´e rencontr´e ou encore le fait que le multiflot soit inchang´e apr`es r´esolution du probl`eme maˆıtre restreint ou dePaux.
instance ratio Z O temps(s) it´erations S
a10e 0 25612.8 √
Mˆeme sur de petites instances, le jeu de poids d´efini avec l’op´erateur max ne semble pas donner des r´esultats.
instance ratio Z O temps(s) it´erations S
a10e 0 25612.8 √
On peut faire le mˆeme constat que pour le jeu de poids pr´ec´edent : celui-ci ne semble pas donner de r´esultats int´eressants. Mais on peut noter que le comportement de ces m´ethodes est similaire, mˆeme si on est parfois tr`es ´eloign´es des objectifs calcul´es directement ou avec la d´ecomposition de Benders.
Chapitre 4. Approche de Benders pour CFEMF Lo¨ıc Yon
Ces mauvais r´esultats sont peut-ˆetre dus `a une optimisation trop brutale du programme maˆıtre, dans la mesure o`u le multiflot pour l’it´eration suivante du processus de r´esolution r´esulte de l’optimisation compl`ete du programme maˆıtre. Il serait peut-ˆetre plus judicieux d’utiliser un multiflot r´esultant d’une optimisation moins pouss´ee (c’est-`a-dire un multiflot se trouvant dans la direction ”optimale” mais non optimal).
instance ratio Z O temps(s) it´erations S
a10e 0 25612.8 √
Les r´esultats concernant cette m´ethode sont partag´es : cette m´ethode semble bien se comporter sur l’instancea10a, mais ce n’est pas le cas pour l’instancea10e. Nous ne savons pas si ce ph´enom`ene est du `a la distribution ou au nombre de commodit´es.
En ce qui concerne l’instance a10e, on peut observer un ph´enom`ene de bascule. L’algo-rithme oscille entre deux valeurs qui peuvent mˆeme ˆetre ´eloign´ees de l’optimum. On peut essayer de gommer cet effet en param´etrant la qualit´e de la solution du programme maˆıtre : se d´eplacer, en quelque sorte, d’un certain pas dans la direction de l’optimisation sans pour autant prendre la valeur optimale
Les commodit´es sont au nombre de deux : – la premi`ere deAversCde demande 0.4
Lo¨ıc Yon Chapitre 4. Approche de Benders pour CFEMF
Cas 1 : d´ecomposition de Benders
It´eration 1 :
Z= 4.1 (valeur optimale) Zλinchang´e (condition d’arrˆet)
Cas 2 : λi=λi
Chapitre 4. Approche de Benders pour CFEMF Lo¨ıc Yon
Z= 4.1 (valeur optimale) Zλinchang´e (condition d’arrˆet)
Cas 4 : λie=
Lo¨ıc Yon Chapitre 4. Approche de Benders pour CFEMF
It´eration 5 :
[A, B] [B, A] [B, C] [C, B] [C, D] [D, C] [D, A] [A, D] [A, C] [B, D]
fe1 0 0 0 0 0 0.4 0 0.4 0 0
fe2 0 0.6 0 0 0 0 0 0.6 0 0
Fe 0 1 0 1 0 1 0 1 0 0
λe 0 0 0 0 0 0.2 0 4 0 0
5λe 2 0 2 0 1.1 0.2 0 8.1 5 5.2
Z= 5.2 Zλde 9.3 `a 6.1 It´eration 6 :
[A, B] [B, A] [B, C] [C, B] [C, D] [D, C] [D, A] [A, D] [A, C] [B, D]
fe1 0.4 0 0.4 0 0 0 0 0 0 0
fe2 0 0 0.6 0 0.6 0 0 0 0 0
Fe 1 0 1 0 1 0 1 0 0 0
λe 1 0 1 0 1.1 0 0 0 0 0
6λe 3 0 3 0 2.2 0.2 0 8.1 5 5.2
Z= 4.1 (valeur optimale) Zλde 9.2 `a 10.7 (condition d’arrˆet)
4.4.2. V´erification des hypoth`eses d’optimisation trop brutale
Le mauvais comportement de la m´ethode de r´esolution lorsque l’information des coupes est synth´etis´ee peut-elle venir d’une optimisation trop forte ? En d’autres termes, il est n´ecessaire de v´erifier que l’optimisation dans une direction donn´ee, une direction d´eduite des it´erations pr´ec´edentes, ne biaise pas le r´esultat final. Pour cela, on se propose de tester les diff´erents cas possibles en prenant comme solution courante, non pas la solution optimale, mais une solution interm´ediaire entre les deux solutions.
On appelle fi la solution courante, f0i la solution optimale calcul´ee `a partir de fi, et η∈]0,1] le pas d’incr´ement, alors on a naturellement :
fi+1 =fi+η(f0i−fi)
Avec ces notations, on peut donc remarquer que l’on ne prend plus comme multiflot `a l’it´eration suivante, le multiflot optimal f0i mais bien fi+1 =fi+η(f0i−fi) o`u η est le pas d’incr´ement dans la direction d’optimisation.
Nous ne donnons pas de r´esultats, mais malheureusement, quelque soit le pas η envisag´e (de 0.001 `a 1), nous n’avons pas r´eussi `a am´eliorer les r´esultats.
4.4.3. Am´elioration du sch´ema heuristique
On peut donc d´eduire de tout cela qu’il est n´ecessaire de garder toutes les informations des diff´erentes coupes, on propose donc de r´esoudre le probl`eme de la mani`ere suivante (on suppose que l’on sait r´esoudre ou trouver une bonne solution au probl`eme MFCM).
Chaque coupe i peut s’exprimer comme Z ≥Zi(f) et on cherche `a trouver un f tel que Z = maxiZi(f) soit minimal.
Il suffit d’isoler une coupe iserr´ee, c’est-`a-dire que Z =Zi(f) et optimiser suivant cette coupe (on r´esout alors un probl`eme de type MFCM). Apr`es optimisation, on ´evalue `a nouveau l’ensemble des coupes, la valeur de Z a pu alors compl`etement changer, mais on r´eit`ere le processus jusqu’`a ce que l’on ne puisse plus trouver de multiflot qui am´elioreZ.
Chapitre 4. Approche de Benders pour CFEMF Lo¨ıc Yon
Algorithme 13 : Modification de l’´etape de r´esolution de P aux Choisir un multiflot f r´ealisable
Poserf0 ←f r´ep´eter
f ←f0
calculerZ = max
i Zi(f) et prendre i= argmaxZ (Z =Zi) r´esoudre une instance de MFCM avec Z =Zi (donne f0) jusqu’`a f0 ==f
Cet algorithme est fond´e sur la r´esolution de probl`emes de type MFCM, probl`emes que nous allons d´etailler au chapitre suivant.
4.5. Conclusion
Dans ce chapitre, nous avons tent´e de r´esoudre un probl`eme de type CFEMF en appliquant la technique de d´ecomposition de Benders. Le probl`eme maˆıtre ´etant tr`es difficile `a r´esoudre, nous avons essay´e de le simplifier en ne consid´erant qu’une seule coupe `a la fois. Nous avons montr´e les lacunes de cette approche et modifi´e en cons´equence l’heuristique propos´ee.
Les temps de calculs obtenus sont tr`es mauvais dans la mesure o`u la r´esolution du pro-gramme maˆıtre `a une seule coupe, baptis´ePaux, est obtenue grˆace `a la programmation lin´eaire.
Dans le chapitre suivant, nous allons nous pencher sur la r´esolution efficace d’un tel probl`eme.