Étude et résolution exacte de problèmes de transport à la demande ...
Étude et résolution exacte de problèmes de transport à la demande ...
Étude et résolution exacte de problèmes de transport à la demande ...
You also want an ePaper? Increase the reach of your titles
YUMPU automatically turns print PDFs into web optimized ePapers that Google loves.
tel-00534894, version 1 - 10 Nov 2010<br />
Chapitre 2. Optimisation du calcul <strong>de</strong>s tournées <strong>de</strong> véhicules : « Dial-A-Ri<strong>de</strong><br />
Problem »<br />
un très grand nombre <strong>de</strong> colonnes. On peut ainsi espérer obtenir une solution optimale<br />
en ayant considéré qu’un sous-ensemble <strong>de</strong>s colonnes.<br />
2.2.2 Contexte d’utilisation – Calcul <strong>de</strong> bornes inférieures pour <strong>de</strong>s programmes<br />
linéaires en nombres entiers<br />
La génération <strong>de</strong> colonnes est naturellement adaptée aux <strong>problèmes</strong> ayant un grand<br />
nombre <strong>de</strong> variables. Cependant, dans le cadre <strong>de</strong> <strong>la</strong> <strong>résolution</strong> <strong>de</strong> programme linéaires<br />
en nombre entiers, même lorsque le problème se modélise avec un nombre raisonnable<br />
<strong>de</strong> variables (modèle compact) – perm<strong>et</strong>tant une <strong>résolution</strong> directe – il peut être intéressant<br />
d’utiliser un modèle équivalent, dit étendu, possédant un grand nombre <strong>de</strong> variables.<br />
En eff<strong>et</strong>, ce <strong>de</strong>rnier peut fournir une meilleure re<strong>la</strong>xation linéaire.<br />
Considérons le programme linéaire en nombres entiers compact IP <strong>et</strong> P sa re<strong>la</strong>xation<br />
linéaire, possédant <strong>de</strong>ux types <strong>de</strong> contraintes A, que nous qualifions <strong>de</strong> globales, <strong>et</strong> D,<br />
que nous qualifions <strong>de</strong> locales. Nous supposons x <strong>et</strong> c <strong>de</strong>s vecteurs <strong>de</strong> réels <strong>de</strong> taille n<br />
<strong>et</strong> A, D, b <strong>et</strong> d <strong>à</strong> valeurs rationnelles.<br />
s.c.q.<br />
(IP)<br />
L’optimisation <strong>de</strong> P se fait sur le polyèdre<br />
min c T x (2.5)<br />
Ax ≥ b, (2.6)<br />
Dx ≥ d, (2.7)<br />
x ∈ N n . (2.8)<br />
QP = {x ∈ R n + : Ax ≥ b} ∩ {x ∈ R n + : Dx ≥ d} .<br />
Le passage <strong>de</strong> P <strong>à</strong> un programme linéaire possédant un grand nombre <strong>de</strong> variables (MP)<br />
se fait par une transformation basée sur un changement <strong>de</strong> variables appelé « décomposition<br />
<strong>de</strong> Dantzig-Wolfe » qui introduit les colonnes λω comme <strong>de</strong>s obj<strong>et</strong>s complexes<br />
composés d’éléments <strong>de</strong> {x ∈ N n : Dx ≥ d}. Les colonnes <strong>de</strong> MP restent soumises aux<br />
contraintes A. L’optimisation <strong>de</strong> MP se fait donc sur le polyèdre<br />
QMP = {x ∈ R n + : Ax ≥ b} ∩ conv({x ∈ N n : Dx ≥ d}),<br />
où conv(E) désigne l’enveloppe convexe <strong>de</strong> E, qui est inclus dans QP car on a<br />
conv({x ∈ N n : Dx ≥ d}) ⊂ {x ∈ R n + : Dx ≥ d} .<br />
On dit qu’un polyèdre (sur R n +) possè<strong>de</strong> <strong>la</strong> propriété d’intégralité s’il est équivalent <strong>à</strong> l’enveloppe<br />
convexe <strong>de</strong> sa restriction sur N n . On en déduit que MP fournit une meilleure<br />
borne inférieure <strong>à</strong> IP que P si les contraintes locales forment un polyèdre ne vérifiant<br />
pas <strong>la</strong> propriété d’intégralité.<br />
34