En tant que sientiques, ingénieurs et managers, nous avons toujours à prendre des
déi-sions. La prise de déision est partout. Comme le monde devient de plus en plus omplexe et
onurrentiel,laprise dedéision doitêtreabordéed'unefaçonrationnelleetoptimale.La prise
de déisionpeutsedéomposeren plusieurs étapessuessivesommeprésentésurlagure2.2
extraitede [100 ℄ :
Formulation du problème : Dans ette première étape, un problème de déision est
identié. Puis, une délaration initialedu problème est faite. Cetteformulationpeut être
impréise. Lesfateursinternes etexternes de l'objetif (
s
)du problème sontdérites. Denombreux déideurspeuvent êtreimpliqués danslaformulation duproblème.
Modélisation du problème : Dans ette étape importante, un modèle mathématique
abstrait est réé pour représenter le problème. Le modélisateur peut s'inspirer des
mo-dèlesqui existent danslalittérature. Celapermettrade réduireleproblème àdesmodèles
d'optimisationbienétudiés.Habituellement,lesmodèlesquenousrésoudronssontdes
sim-pliationsde laréalité.Ilsimpliquent desapproximations etparfoisévitent les proessus
quisontomplexesàreprésenterdansunmodèlemathématique.Unequestionintéressante
quipeutseposerestlasuivante:pourquoirésoudredemanièreexatelesproblèmes
d'op-timisation dela vieréelle quisont ouspar nature?
Optimisation du problème : Une fois que le problème est modélisé, la proédure de
résolution génère une bonne solution pour e dernier. La solution peut être optimale
ousuboptimale. Notonsquenousherhonsune solutionpour unmodèle abstraitdu
pro-blèmeetnonpaspour leproblèmeoriginalréaliste.Par onséquent,lesperformanes dela
solution obtenue,sont indiatives. Pour résoudreun problème, il est possible de réutiliser
desalgorithmes génériques déjàonnus danslittérature ou de développer desalgorithmes
ad-ho tenant ompte desspéiitésduproblème à résoudre.
Implémentation de la solution : La solution obtenue est testée en pratique par le
déideur etest miseen ÷uvre si elle est aeptable. Certaines onnaissanes pratiques
peuventêtreintroduitesdanslasolutionàmettreen÷uvre.Silasolutionestinaeptable,
le modèle et/ou l'algorithme d'optimisation doit être amélioré et le proessus déisionnel
estréitéré.
Figure 2.2 Proessuslassiquedansla prisede déision
2.2.1 Modèle d'optimisation lassique
Comme mentionné préédemment, lesproblèmes d'optimisation se retrouvent dansde
nom-breuxdomaines :sienes,ingénierie, gestionetaaires.
Un problèmed'optimisation peutêtre dénipar leouple
(S, f )
,oùS
représentel'ensembledes solutions réalisables, et
f
la fontion objetif à optimiser. La fontion objetif assigne àhaque solution
s ∈ S
de l'espae de reherhe unnombre réel indiquant savaleur.La fontionobjetif
f
permetdedénirunerelationd'ordretotalentretoutepairedesolutionsdansl'espaedereherhe.
Dénition 2.2.1
Optimum Global :Une solution
s ∗ ∈ S
est unoptimumglobal sielle admetune meilleurefontion objetifdans l'espaede reherhe
S
,d'où∀s ∈ S, f (s ∗ ) ≤ f (s)
3.Ainsi, le but prinipal dans la résolution d'un problème d'optimisation est de trouver une
solutionglobale optimale
s ∗
.Beauoup de solutions globales optimalespeuvent existerpour unproblèmedonné.Ainsi, leproblèmepeutégalement êtredéniommelareherhe del'ensemble
dessolutions globalesoptimales.
Diérentesfamillesdemodèles d'optimisationsont utilisésdanslapratique pour formuleret
résoudreles problèmesdéisionnels (gure2.3 ).Lesmodèlesqui ont leplusdesuèssont basés
surlaprogrammation mathématique etlaprogrammation par ontraintes.
Figure 2.3 Les modèles d'optimisation lassiques.Les diérentes lasses sehevauhent
par-fois[100 ℄.
Un modèle ouramment utilisé dans la programmation mathématique est le problème de
programmationlinéaire LP (Linear Programming), formuléommesuit :
Min
c.x
sous ontraintes :
( A.x ≥ b
x ≥ 0
oùx
estunveteur devariablesde déisionontinues, etc
et
b
(resp.A
) sont desveteursonstants(resp.matrie) deoeients.Dansunproblème d'optimisation deprogrammation linéaire, lafontion objetif
c.x
àopti-miseretlesontraintes
A.x ≤ b
sonttoutesdesfontionslinéaires.Laprogrammationlinéaireest l'un desmodèles lesplus satisfaisantspour larésolution desproblèmes d'optimisation. En eet,pour es problèmes d'optimisation linéaire ontinue, il existe des algorithmes eaes exats,
pour ne iter que la méthode du simplex [29 ℄ ou les méthodes de points intérieurs [61℄.
L'e-aité de es algorithmes est due au fait que l'espae réalisable du problème est un ensemble
onvexeetlafontionobjetifestunefontiononvexe.Ensuite,lasolutionglobale optimaleest
néessairement unn÷uddupolytopereprésentant l'espae réalisable(voir gure2.4).En outre,
toutesolution optimale loale estun optimum global.
Figure 2.4 Illustration graphiquedu modèleLP etdesarésolution
Les modèles de programmation non linéaire (NLP) font fae à des problèmes de
program-mation mathématique où la fontion objetif et/ou les ontraintes sont non linéaires [15 ℄. Un
problèmed'optimisation nonlinéaire ontinuonsiste àminimiser une fontion
f : S ⊂ R n → R
dansundomaineontinu.Lesmodèlesnon-linéaires ontinussontependantbeauoupplus
di-ileàrésoudre,mêmes'ilyadenombreusespossibilitésdemodélisationquipeuvent êtreutilisés
pour linéariser un modèle [4,44 ℄. Les tehniques de linéarisation introduisent généralement des
variablesetdesontraintes supplémentairesdanslemodèleetdansertainsasunertaindegré
d'approximation [43 ℄.
La théorie de l'optimisation ontinue en termes d'algorithmes d'optimisation est plus
déve-loppée quel'optimisation disrète.Cependant, ilyabeauoupd'appliationsréelles quidoivent
être modélisées par des variables disrètes. Les modèles ontinus sont inappropriés pour es
problèmes. En eet, dans de nombreux problèmes d'optimisation pratiques, les ressoures sont
indivisibles (mahines, personnes, et.) Dans un modèle de programmation en nombres entiers,
les variables de déisionsont disrètes[77 ℄.
Lorsqueles variables dedéisionsont àlafoisdisrètesetontinues,nousavonsaaireàdes
problèmes de programmation en nombres entiers mixtes (MIP). Ainsi, les modèles MIP
géné-ralisent les modèles LP et les modèles IP. Résoudre des problèmes MIP s'est onsidérablement
amélioré es dernières années ave l'utilisation de tehniquesd'optimisation avanées telles que
larelaxation et les approhes de déomposition.Pour les modèles IP etle MIP,les algorithmes
énumératifs tels que elui basée sur la séparation peut être utilisé pour de petites instanes.
La taille n'est pasle seul indiateur de laomplexité du problème, maisaussisa struture.Les
algorithmesbaséssurdesmétaheuristiques,ontribuent defaçon ompétitive àlarésolution des
problèmesdeettelasse,etontpourbutd'obtenirdessolutionsauxproblèmesréputésêtretrop
omplexespour être résolus par des méthodes exates.Les métaheuristiques peuvent êtreaussi
êtreutiliséespourgénérer debonnesbornesinférieuresousupérieuresauxalgorithmesexatset
àaméliorer leur eaité. Notons qu'ily aquelques problèmes failes,ommeles problèmes de
Networkow,oùlaprogrammation linéairegénère automatiquement desvaleursentières. Les
deuxapprohes, programmationen nombresentiersetmétaheuristiques, nesont donpasutiles
pour résoudreeslasses de problèmes.
Unelasseplusgénéraledesproblèmes IPsontlesproblèmesd'optimisationombinatoire. Cette
lasse de problèmes est aratérisée par des variables de déision disrètes et un espae de
re-herhe ni. Cependant, lafontion objetif etlesontraintes peuvent prendre n'importe quelle
forme[86 ℄.
Lapopularitéde problèmesd'optimisation ombinatoire provientdu faitquedansdenombreux
problèmes du monde réel, la fontion objetif et les ontraintes sont de nature diérente (non
linéaire,non analytiques,laboîtenoire, et),alors quel'espae dereherhe estni.
Une autre approhe populaire pour modéliser les problèmes de déision est la programmation
par ontraintes (CP), un paradigme de programmation qui intègre des outils de modélisation
plusrihesquelesexpressionslinéairesdesmodèlesMIP.Unmodèleestomposéd'unensemble
devariables.Chaquevariablea undomaine nide valeurs. Danslemodèle, lesontraintes
sym-boliques etmathématiques liéesà desvariables peuvent être exprimées.Les modèles délaratifs
deCPsontexiblesetsont en général plusompats quedansles modèles MIP.
2.2.2 Autres modèles d'optimisation
On remarque une utilisation roissante des problèmes d'optimisation dans le monde réel
où les données sont bruitées et la fontion objetif hange de façon dynamiquement. Trouver
dessolutions robustes pour ertains problèmes de oneption est un autre dé important dans
l'optimisation. Une transformation vers des problèmes déterministes et statiques est souvent
proposée pour résoudre es problèmes. En outre, ertaines adaptations peuvent être proposées
pour les métaheuristiques en termes d'intensiation et de diversiation de la reherhe pour
s'attaquerà ettelasse de problèmes[58℄.
2.2.2.1 Optimisation sousinertitude
Dans de nombreux problèmes d'optimisation onrets, les donnéesd'entrée sont soumis aux
parasites.Ilexistediérentessouresdeparasites.Parexemple,l'utilisationd'unsimulateur
sto-hastiqueouundispositifdemesureintrinsèquementbruyantstelsquelesapteurs,introduitun
parasiteadditifdanslafontionobjetif.Pourunesolution
x
donnéedansl'espaedereherhe,unefontion objetif bruyante peutêtredénimathématiquement ommesuit :