• Aucun résultat trouvé

Techniques d’optimisation 1 IFT 2505

N/A
N/A
Protected

Academic year: 2022

Partager "Techniques d’optimisation 1 IFT 2505"

Copied!
9
0
0

Texte intégral

(1)

IFT 2505

Techniques d’optimisation 1

Prof:

Jacques A. Ferland (ferland@iro.umontreal.ca) Bureau AA 3359

Tel. 343-5687

Auxiliaire

OUZINEB Mohamed (ouzinebm@iro.umontreal.ca)

Local : CRT 3537

(2)

Recherche opérationnelle

Modèles déterministes

modèles linéaires

modèles linéaires en nombres entiers

modèles de flots dans les réseaux

Modèles probabilistes

processus de naissance et de mort

files d’attente

modèles de décision markoviens

(3)

Objectifs

• Brève révision de la modélisation linéaire

• Méthode du simplexe et certaines variantes

• Spécialisation de la méthode du simplexe pour les problèmes de flots dans les réseaux

• Insister sur la compréhension des méthodes de

résolution plutôt que sur l’apprentissage de l’utilisation de logiciels implantant ces méthodes

• Formation pour mieux maîtriser les principes des

(4)

Contenu du cours

1. Introduction: modélisation linéaire 2. Méthode du simplexe et son analyse

3. Variantes du simplexe: phase préliminaire pour générer une première solution, forme révisée du simplexe et variante pour problèmes avec variables bornées 4. Dualité : illustration et théorie

5. Analyse postoptimale

6. Variante du simplexe pour le problème de flot à coût minimum 7. Méthodes particulières pour certains problèmes de flot dans les

réseaux: problème de transport et problème d’affectation

(5)

Évaluation et travaux

Barème

Examen intra: 30%

Examen final: 40%

Devoirs: 30%

Seuil

Pour réussir le cours, il faut

- une moyenne pondérée des deux examens ≥ 45%

- moyenne globale ≥ 50%

Travaux

Devoirs hebdomadaires

(6)

Horaire et examens

Horaire

LU 14h30 – 15h30 PAA 1177 ME 13h30 – 15h30 PAA 1177

T.P. VE 08h30- 10h30 PAA 1175 et 1411

Dates des examens Intra

Vendredi, 20 oct. 2006, 08h30 – 10h30, PRG E-310 Final

Mercredi, 20 déc. 2006, 12h30 – 15h15, PAA 1140

(7)

Notes de cours

• Copie disponible à la bibliothèque de Math. Info

• En vente au prix de 7$ auprès de Lucie Boudreau au PAA 2145

• Acétates électroniques disponibles sur mon site

Web: http://www.iro.umontreal.ca/~ferland

(8)

Livres de référence

• F. S. Hillier and G. J. Lieberman,

“ Introduction to Operations Research ” Mc Graw-Hill

M.S. Bazaraa, J.J. Jarvis, H.D. Sherali,

“ Linear Programming and Network Flows ”, John Wiley & Sons

V. Chvatal,

“ Linear Programming ”, W. H. Freeman and Company

(9)

Règles de comportement

Ponctualité

Silence

Interactivité

Références

Documents relatifs

Cette propriété vient de ce que une matrice et sa transposée ont le même rang ce qui se démontre en utilisant que le rang de A est r si et seulement si A est équivalente à la

Une éclipse de Lune est l’ombre portée du Soleil sur la Lune, non en aucas , c’est la Lune qui passe dans le cône d’ombre de la Terre.. Dans la pénombre on ne voit pas la source

Remarque : Cette mani` ere de choisir la variable quittant la base n’est employ´ ee que dans ce cas pr´ ecis o` u l’on d´ esire rendre le premier dictionnaire du probl` eme

Q5 Pour une troisi`eme preuve de ce r´esultat, utilisez un raisonnement par r´ecurrence et l’´equation diff´erentielle dont f est solution.. [Suite-ds200609] Compos´ e le 17

Si les coefficients de ces variables dans l’objectif sont tous négatifs ou nuls, alors la solution de base réalisable courante est optimale. Les coefficients des variables

Puisque tout tableau du simplexe est associé à une base de A constituée des colonnes associées aux variables de base (variables dépendantes), il s’ensuit que dans l’algorithme

s’exprimer comme une combinaison linéaire des autres contraintes. Dans ce cas, la contrainte i peut être éliminée sans modifier le domaine réalisable. Nous éliminons donc la

En supposant que la matrice A est de plein rang m, chaque solution de base réalisable doit comporter m variables de base positives (hyp.