HAL Id: tel-02459253
https://hal.archives-ouvertes.fr/tel-02459253
Submitted on 29 Jan 2020
HAL is a multi-disciplinary open access archive for the deposit and dissemination of sci- entific research documents, whether they are pub- lished or not. The documents may come from teaching and research institutions in France or abroad, or from public or private research centers.
L’archive ouverte pluridisciplinaire HAL, est destinée au dépôt et à la diffusion de documents scientifiques de niveau recherche, publiés ou non, émanant des établissements d’enseignement et de recherche français ou étrangers, des laboratoires publics ou privés.
Résolution de programmes quadratiques en nombres entiers
Amélie Lambert
To cite this version:
Amélie Lambert. Résolution de programmes quadratiques en nombres entiers. Recherche opéra- tionnelle [cs.RO]. Conservatoire National des Arts et Métiers (CNAM), 2009. Français. �tel-02459253�
Centre d’´Etude et de Recherche en Informatique du CNAM – EA 1395 Ecole Doctorale d’Informatique T´el´ecomunications et Electronique
R´ esolution de programmes
quadratiques en nombres entiers
TH ` ESE
pr´esent´ee et soutenue publiquement le 26 novembre 2009 pour l’obtention du
Doctorat du Conservatoire National des Arts et M´ etiers
(sp´ecialit´e informatique) par
Am´elie Lambert
Composition du jury
Directeurs de th`ese : Alain Billionnet
Professeur `a l’Ecole Nationale Sup´erieure d’Informatique pour l’Industrie et l’Entreprise Sourour Elloumi
Maˆıtre de conf´erences `a l’Ecole Nationale Sup´erieure d’Informatique pour l’Industrie et l’Entreprise
Rapporteurs : Walid Ben Ameur
Professeur `a T´el´ecom & Management SudParis Franz Rendl
Professeur `a l’Universit´e de Klagenfurt
Examinateurs : Pierre Hansen
Professeur `a HEC Montr´eal Fr´ed´eric Roupin
Maˆıtre de conf´erences au Conservatoire National des Arts et M´etiers Fran¸cois Vanderbeck
Professeur `a l’Universit´e Bordeaux 1
Lesdeuxpremièrespersonnesquejetiensàremeriersonteuxsansquiettethèsen'aurait
jamaisvulejour.Onpeutdéjà leuraorder laoneptiondesidées quisont labasede e tra-
vail,maisaussi,on peutleurreonnaître l'énorme investissement dansmon enadrement,aussi
bien au niveau sientique et méthodologique, que dans mon intégration au sein de l'équipe
OptimisationCombinatoire.Alors,pourtoutça etpourlereste,meriàvous,AlainetSourour,
de m'avoir permis d'aller aubout deette thèse.
Je remerie également Walid Ben Ameur et Franz Rendl de m'avoir fait l'honneur d'être
rapporteurs de ette thèse. J'éprouve un profond respet pour la qualité de leur travail, et le
regard enourageant qu'ilsont portésurmes travauxmetouhe beauoup.
MeriàPierre Hansen,FrédériRoupinetFrançoisVanderbekd'avoiraeptédefaireparti
de monjury.
Jeremerieaussi,lesmembresdulaboratoireCEDRIC,ettoutpartiulièrement lesmembres
de monéquipe Christophe, Marie-Christine,Eri, Agnès,Alain,Mathieu etBenoît. Hélène mé-
ritebienunephraseentièrepourlaremerierd'avoirpartagénotrebureau,relumathèseetmes
papiers, partagéles réjouissanes despotsde thèse,etbien d'autre hoses enore.
Je remerie également tous eux qui ont étés présents pendant es trois années : Antoine,
Mélu,Manue,William,Manue,Ben,Loig,Mathilde,Greg,Rémi,Marettouseuxquej'oublie.
Je remerie évidemment ma famille sans qui ette thèse n'aurait pu être. Je pense à mes
frères, Olivier et Benoît, ma soeur, Sophie, et bien sûr mes parents, que je remerie d'ailleurs
partiulièrement dem'avoirtoujourssoutenueetenouragée.Jeremerieégalementtoutlereste
delafamille,dont jeneiterai iiquequelquesnoms :Bon-papa,Constane,Mathilde,Thierry
etNathalie. Un remeriement toutspéial àManu pour avoir partiiper à ette thèse au ours
de sonstage.
Je roisqu'il yen aun qui méritesonparagraphe. Je teremerie pour un tasde hoses :le
soutien au quotidien, la partiipation à la releture, réériture de ette thèse, de mes papiers.
Ainsiquepour toutes lesidées quetu m'a souées. Meri pour toutElie.
Notations 5
Introdution 7
1 Etat de l'art 13
1.1 Laprogrammation quadratique nononvexe en nombresentiers . . . . . . . . . . 13
1.2 Laprogrammation quadratique nononvexe en variables mixtes . . . . . . . . . . 18
2 Certaines reformulations de la programmation quadratique en variables 0-1 utilisées dans ette thèse 21 2.1 Reformulations linéairesde programmesquadratiques en variables0-1 . . . . . . 22
2.2 Reformulations quadratiques onvexes de programmesquadratiques en variables 0-1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2.2.1 La méthode de lapluspetite valeurpropre, Hammer etRubin,1970 . . . 24
2.2.2 LaméthodeUQCR (Unonstrained Quadrati Convex Reformulation), Billionnet etElloumi,2007 . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.2.3 LaméthodeQCR (Quadrati Convex Reformulation),Billionnet,Elloumi etPlateau,2009 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3 Reformulations linéaires de programmes quadratiques en nombres entiers 31 3.1 Introdution etexemple de base. . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2 Unereformulationbaséesurlalinéarisationduproduitdedeuxvariablesbinaires: BBL (Binary Binary Linearization) . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2.1 La méthode BBL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3.2.2 Son renforement BBLr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 34
3.2.3 Appliation à l'exemplede base . . . . . . . . . . . . . . . . . . . . . . . . 35
3.3 Unereformulationbaséesurlalinéarisationduproduitd'unevariablebinairepar une variable entière:BIL (Binary Integer Linearization) . . . . . . . . . . . 36
3.3.1 La méthode BIL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.3.2 Son renforement BILr . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.4 Comparaisonthéorique de BBL etBIL. . . . . . . . . . . . . . . . . . . . . . . . . 41
3.5 Conlusion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
4 Reformulationsquadratiquesonvexesdeprogrammesquadratiquesennombres
entiers 43
4.1 Introdution . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
4.2 Une reformulationonvexe naïve :NC (Naive Convexifiation) . . . . . . . . . 45
4.3 Laméthode IQCR (Integer Quadrati Convex Reformulation) . . . . . . . . . 47
4.3.1 Un shémagénéral de reformulations onvexespour les programmesqua-
dratiquesen nombresentiers . . . . . . . . . . . . . . . . . . . . . . . . . 47
4.3.2 Une projetion du polyèdreassoié . . . . . . . . . . . . . . . . . . . . . . 50
4.3.3 Calul de lameilleure onvexiation au sein de e shéma : laméthode
IQCR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52
4.3.4 Extension deIQCR auxproblèmes mixtesentiers :laméthode IQCRs . . . 57
4.3.5 Utilisationdesontraintesd'inégalité pour perturberlafontion objetif . 63
4.3.6 Appliation à l'exemplede base . . . . . . . . . . . . . . . . . . . . . . . . 64
4.4 UnerestritionintéressantedeIQCR:CQCR(CompatQuadratiConvexReformulation) 68
4.5 InterprétationdesméthodesNC,CQCRetIQCRpourlaprogrammationquadratique
en variables 0-1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
4.5.1 La méthode NCorrespondà laméthodede lapluspetitevaleurpropre . 74
4.5.2 La méthode CQCRorrespond à laméthode QCR . . . . . . . . . . . . . . . 74
4.5.3 La méthode IQCRorrespond à unrenforement de QCR . . . . . . . . . . 76
4.6 Conlusion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
5 Un algorithme de Branh and Bound spéique pourIQCR fondé sur les pro-
priétés de projetion de la Setion 4.3.2 83
6 Résultats expérimentaux 89
6.1 Résultats expérimentaux pour les problèmes quadratiques en variables entières
soumisà desontraintes linéaires . . . . . . . . . . . . . . . . . . . . . . . . . . . 90
6.1.1 Présentation deslasses deproblèmes étudiées. . . . . . . . . . . . . . . . 90
6.1.2 Lesrésultats . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
6.2 Résultats expérimentaux pour les problèmes quadratiques envariables 0-1 . . . . 99
6.2.1 Résultats pour le problème non ontraint : les instanes de Pardalos et
Rodgers(1990) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
6.2.2 Résultats pour des problèmes ave ontraintes d'égalités : le problème
d'aetation detâhes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
6.3 Conlusion. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
Bibliographie 109
Annexes 113
A Algorithmes et outils de alul de la programmation semi-dénie 115
A.1 Rappel :lesmatriessemi-dénies positives . . . . . . . . . . . . . . . . . . . . . 115
A.2 Laprogrammation semi-dénie . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116
A.3 Théoriede ladualité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118
A.4 Optimisationfondéesur lesvaleurspropres . . . . . . . . . . . . . . . . . . . . . 121
A.5 Lesalgorithmes de résolution dela SDP . . . . . . . . . . . . . . . . . . . . . . . 123
A.5.1 La méthode despointsintérieurs, Borhers, 1999 . . . . . . . . . . . . . . 123
A.5.2 La méthode desfaiseaux (SpetralBundle), Helmberg, 2000 . . . . . . . 125
B Details des résulats expérimentaux 127 B.1 Résultats pour lalasse deproblèmes (EIQP) . . . . . . . . . . . . . . . . . . . 128
B.2 Résultats pour lalasse deproblèmes (IIQP) . . . . . . . . . . . . . . . . . . . . 135
B.3 Résultats pour les instanesde Pardalosand Rodgers . . . . . . . . . . . . . . . . 142
B.4 Résultats pour leproblème d'aetationde tâhe . . . . . . . . . . . . . . . . . . 145
C Le logiiel SIQP (Solution of Integer Quadrati Programs) 147
2.1 Algorithmede résolution de (QP01) basésurle reformulationUQCR . . . . . . . . 27
2.2 Algorithmede résolution de (QP01) basésurle reformulationQCR . . . . . . . . . 29
4.1 Algorithmede résolution de (QP) basésurlareformulationIQCR . . . . . . . . . 57
4.2 Algorithmede résolution de (QP) basésurlareformulationCQCR . . . . . . . . . 72
4.3 Algorithmede résolution de (QP01) basésurla reformulation IQCR . . . . . . . . 78
5.1 Lesbranhements possiblesdansl'algorithme de Branh and Boundbasé surles solutions de (Pα,βe ) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
1 Tableau réapitulatifdes méthodesproposées dansette thèse . . . . . . . . . . . 104
Soit (QP) un programme quadratique en variables entières qui onsiste à minimiser une fontion quadratiquesoumise àdesontrainteslinéaires. Un telproblèmeappartient àlalasse
desproblèmesN P-diiles .Lessolveursstandardsquiutilisentdesalgorithmesde Branh and Bound peuvent résoudre eaement (QP) dans le as partiulier où sa fontion objetif est
onvexe. Ainsi, pour résoudre(QP) nousavonshoisi de le reformuler en un programme équi-
valent ayantune fontionobjetifonvexe.Deuxassontalors possibles:soitnousreformulons
(QP) en un programme linéaire, soit nous le reformulons en un programme quadratique et onvexe.
Dans la première partie de ette thèse, nous présentons plusieurs reformulations linéaires
de (QP), i.e. reformulations en un programme équivalent qui a une fontion objetif linéaire.
Il existe de nombreuses méthodes de linéarisationpour la programmation quadratique binaire.
Une approhe naturelle pour résoudre (QP) est don de le reformuler en un programme qua-
dratique en variables binaires. Cela peut être fait en remplaçant haque variable entière par
sadéompositionbinaire, puisen linéarisant haque nouveau produitde variablesbinaires.Ce-
pendant, ette méthode que nous appelons BBL (Binary Binary Linearization), fournit un
programme linéaire ave ungrand nombrede variables etde ontraintes. Nous proposonsdon
unenouvelleapprohe,BIL (Binary Integer Linearization),quionsisteàreformuler(QP)
en un programme quadratique partiulier où haque terme quadratique est le produit d'une
variable entière par une variable binaire. Comme dans la méthode BBL, les variables binaires
viennent de la déomposition binaire des variables entières initiales. Ensuite, nous linéarisons
le programme obtenu en remplaçant haque terme quadratique par une variable réelle et un
ensembled'inégalités. Comme lenombrede termesquadratiques estplus petit que danslamé-
thode BBL, le nombre de variables additionnelles est réduit. Don, le programme obtenu ave
la méthode BIL est signiativement plus petit. De plus, ontrairement à e que l'on pourrait
attendre,l'approhe BILfournit uneborneobtenue par relaxationontinue demeilleure qualité
que elle fournie par l'approhe BBL. Chaque reformulation aboutit à un programme linéaire
équivalent à (QP) quenousrenforçonsen lui ajoutant desinégalitésvalides.
Dans une deuxième partie, nousprésentons plusieurs reformulations quadratiques onvexes
de (QP), i.e. nous reformulons (QP) en un programme équivalent ayant une fontion objetif
quadratiqueetonvexe. Nousintroduisonsd'abord une approhe simplepour onvexier(QP)
quionsiste àexprimerlinéairement lesarrésdesvariablesentièresen utilisant leurs déompo-
objetif de (QP). Nous appelons ette méthode NC (Naive Convexifiation). Ensuite, nous introduisons un nouveau shéma de reformulations onvexes qui perturbe la fontion objetif
à l'aide de l'expression linéaire des produits des variables entières initiales, et des ontraintes
d'égalité de (QP). Puis nous montrons que nous pouvons aluler au sein de e shéma une
reformulation optimale du point de vue de la borne obtenue par relaxation ontinue : larefor-
mulation IQCR (Integer Quadrati Convex Reformulation). Cette reformulation est basée
sur la solution optimale duale d'une relaxation semi-dénie de (QP). De plus, nous montrons
que laméthode IQCRpeuts'adapter failement àla programmation mixte entière. Cetteadap-
tation,que nousappelons IQCRs permetégalement d'intégrer les ontraintes d'inégalitédansla
perturbation de lafontion objetif de notreshéma de reformulations onvexes.Ensuite, nous
présentonsunerestrition intéressante delaméthodeIQCR,appeléeCQCR (Compat Quadrati
Convex Reformulation). La diérene entre ette approhe etla méthode IQCR est que CQCR
n'utilisequelesexpressionslinéairesdesarrésdesvariablespour perturberlafontionobjetif,
alors qu'IQCRutiliseelles detouslesproduits.L'intérêtest quedeCQCRfournitun programme
reformulé de plus petite taille en omparaison ave elui de l'approhe IQCR, e qui peut être
avantageux expérimentalement. Finalement, nous appliquons les 3 méthodes NC, CQCR et IQCR
à la programmation quadratique binaire. Nous montrons que NC et CQCR sont équivalentes à
desméthodesdéjà onnues. Unrésultat intéressant estqueIQCRonstitueune améliorationdes
onvexiations existantes pour laprogrammation quadratique binaire.
Dans une troisième partie, nous présentons un algorithme de Branh andBound spéique
basésur unepropriété de projetion de laméthode IQCR.
Finalement, nous omparons expérimentalement les quatre reformulations linéaires et les
troisreformulationsquadratiques etonvexesde(QP) quenousavonsobtenues. Dansleasoù
les variables sont entières, les expérimentations onernent deux lasses d'instanes de (QP),
l'une ayant uneontrainted'égalité etl'autreune ontrainte d'inégalité. Lesrésultatsmontrent
que la plupart des instanes ayant jusqu'à 40 variables peuvent être résolues en moins d'une
heureave unsolveur standardpar les reformulationsIQCR etCQCR.Noustestons ensuitenotre
reformulationonvexeIQCRsurlaprogrammation quadratiquebinaire.Lesrésultatsonrment
quenotre approhe IQCR améliore lesonvexiations existantes.
Mots-lés: Programmation en nombres entiers, programmation en variables mixtes-entières,
programmation quadratique, reformulation linéaire, reformulation quadratique onvexe, pro-
grammationsemi-dénie, expérimentations
Let (QP)bean integer quadratiprogram that onsistsinminimizing a quadrati funtion
subjet tolinear onstraints. A suhproblem belongs to thelassof N P-Hard problems.Stan-
dard solvers that use a Branh and Bound algorithm an eiently solve (QP) in the spei
ase where its objetive funtion is onvex. Thus, to solve (QP), we hoose to reformulate it into an equivalent problemwith aonvex objetive funtion.Two reformulations arepossible :
eitherwe reformulate (QP) into alinear program, orwe reformulate it into aonvexquadrati program.
In therst part of this dissertation,we present several linearizations of (QP), i.e.reformu-
lationsinto anequivalentprogram withalinearobjetivefuntion.Manylinearization methods
for the quadrati binary programs are known. A natural approah when onsidering (QP) is
therefore to reformulate it into a quadrati binary program. This an be done by the binary
deompositionofeahintegervariableand thenthelinearizationofeahnewprodutoftwobi-
naryvariables.However,thismethod,thatwedenotebyBBL (Binary Binary Linearization),
leadstoalinearprogramwithalargenumberofvariablesandonstraints.Wethenpresentanew
approah, BIL (Binary Integer Linearization), that onsistsin reformulating (QP) into a
partiular quadrati integer program where eah quadrati term is the produt of an integer
variable by a binary variable. As in theBBL approah, thebinary variables ome from the bi-
nary deomposition ofthe initialinteger variables.Then, we linearize theobtained program by
replaing eah quadrati term by a new real variable and a set of inequalities. Asthe number
of quadrati terms islowerthan intheBBL approah,the numberof additional variables is re-
dued. Hene, the obtained integer linearprogram is signiantly smallerinthe BIL approah.
Moreover,ontrarytowhatonemightthink,theBILapproahprovidesabetterboundobtained
by ontinuous relaxation than the BBL approah.Eah reformulation leads to an integer linear
program thatis equivalent to (QP) andthat we improve byadding valid inequalities.
In a seondpart, we present several quadrationvex reformulations of(QP),i.e.we refor-
mulate (QP) into an equivalent program, with a quadrati onvex objetive funtion.We rst
introdue a simple approah to onvexify (QP) that onsistsinexpressing linearlythe squares
of integer variables using their unary deompositions, and then to onvexify with the smallest
eigenvalueoftheHessianmatrixof(QP).WeallthisapproahNC (Naive Convexifiation).
Then, we introdue anew onvexreformulation shemethat perturbs theobjetive funtion of
(QP)withthelinearexpressionoftheprodutsofintegervariables,andtheequalityonstraints