1

Corrigé de l’Examen d’optimisation combinatoire, M1 MIAGE

Classique
Durée 2h - le 11 avril 2008 -Aucun document autorisé

Exercice 1 Question de cours

1 Qu’est-ce qu’une relaxation d’un problème d’optimisation, et quelle pro-
priété en a la solution optimale, selon la nature de l’optimisation (minimi-
sation ou maximisation) ?
Si l’on considère un problème max f (x), la relaxation consiste à définir un
x∈D
domaine D0 tel que D ⊂ D0 , et à calculer, si cela est plus simple,max0 f (x) ≥
x∈D
max f (x). On obtient donc un majorant de la solution optimale recherchée.
x∈D
Dans le cas d’une minimisation, on a min0 f (x) ≤ min f (x)
x∈D x∈D
2 Qu’est-ce qu’un algorithme avec une approximation relative α pour un
problème de minimisation ?
En considérant un problème min f (x), et un algorithme A qui fournit
x∈D
une solution xA ∈ D, si l’on note xopt la solution optimale du problème,
l’algorithme A a une approximation relative de α si pour toute instance du
problème,
f (xA ) ≤ αf (xopt )

Exercice 2 Binômes
On considère un ensemble de personnes P = {1, . . . , n} qui doivent tra-
vailler en binôme sur des projets (on supposera que n est pair). Chaque
personne possède une capacité ci connue à l’avance et qui mesure son effica-
cité au travail : plus ci est petit, plus la personne est rapide dans l’exécution
de sa part du projet. Si on constitue un binôme entre deux personnes i et j
alors le temps que mettra le binôme pour terminer son projet est ci + cj .
On dispose de plus d’un graphe d’incompatibilité G = (P, A), dont les
sommets sont les personnes. L’existence d’une arête {i, j} signifie que les
personnes i et j ne peuvent pas être en binôme.
Le but est de répartir les personnes en binômes compatibles de sorte
que tous les projets soient terminés en un minimum de temps (Les binômes
travaillent en parallèle).
1 Modéliser ce problème à l’aide d’un programme mathématique.
Deux solutions parmi les solutions possibles :
Première solution :
2

Inconnues : xij , i, j ∈ P . xij vaut 1 si les personnes i et j forment un

binôme et 0 sinon.
Contraintes :
a)les personnes incompatibles ne forment pas de binôme : ∀{i, j} ∈
A, xij = 0
b) les binômes sont symétriques : ∀i, j ∈ P, xij = xji
X n
c) Chaque personne fait partie d’un seul binôme : ∀i ∈ P, xij = 1
j=1
d)∀i, j ∈ P, xij ∈ {0, 1}
Objectif : la durée de travail d’un binôme entre i et j est (ci + cj )xij . Par
conséquent, la date à laquelle tous les projets sont terminés est max (ci +
i,j∈P
cj )xij . Il faut donc minimiser cette quantité :
min(max (ci + cj )xij )
i,j∈P

Seconde solution :
Inconnues : xik , i ∈ P, k ∈ {1, . . . , n2 }. xik vaut 1 si la personne i fait
partie du binôme k, 0 sinon.
Contraintes :
a)les personnes incompatibles ne sont pas dans un même binôme : ∀k ∈
n
{1, . . . , }∀{i, j} ∈ A, xik + xjk ≤ 1
2
Xn
n
b) il y a deux personnes dans un binôme ∀k ∈ {1, . . . , } xik = 2
2
i=1
Xn
c) Chaque personne fait partie d’un seul binôme : ∀i ∈ P, xik = 1
k=1
d)∀k ∈ {1, . . . , n2 }∀i ∈ P, xik ∈ {0, 1}
n
X
Objectif : la durée de travail du binôme k est ci xik . La date à. la-
i=1
n
X
quelle tous les projets sont terminés est donc max ci xik . Il faut donc
k∈{1,..., n
2
}
i=1
minimiser cette quantité :
n
X
min( max n ci xik )
k∈{1,..., 2 }
i=1

Exercice 3 Sac à dos

Appliquez la méthode arborescente vue en cours pour résoudre le problème
de sac à dos suivant (les objets sont déjà triés par wi /pi décroissants). On
 3

précisera pour chaque noeud développé l’ensemble de solutions associées,

son évaluation par défaut et son évaluation par excès (et comment elles sont
calculées) ainsi que les opérations effectuées (séparation, troncature...).


 i 1 2 3 4 5 6 7


P = 14 pi 3 4 5 4 2 3 1



 w 18 20 20 15 7 9 2
i

Chaque noeud S est associé à un ensemble C(S) d’objets choisis et un

ensemble R(S) d’objets rejetés. Les solutions du noeuds S sont les sacs qui
contiennent les objets de C(S) et pas les objets de R(S).
L’évaluation par excès h(S) d’un noeud S est obtenue par l’algorithme
qui consiste à trier les objets non encore dans C(S)∪R(S) par wpii décroissant
et à les placer un à un dans un sac déjà rempli par les objets de C(S) jusqu’à
ce que l’un des objets dépasse ou que le sac soit rempli exactement. En cas
de dépassement on découpe l’objet en question de sorte qu’il remplisse le
sac exactement. h(S) est alors égal à la somme des profits des objets mis
dans le sac par l’algorithme plus la fraction de produit qui correspond à la
fraction du dernier objet.
L’évaluation par défaut g(S) s’obtient en construisant une solution parti-
culière du noeud S. Par exemple, on peut considérer l’algorithme qui calcule
l’évaluation par excès, et simplement retirer de la solution construite l’objet
découpé. g(S) est alors égal au profit de cette solution. On peut améliorer
l’évaluation en s’autorisant à remplir le sac avec des objets plus petits non
encore examinés (mais nous ne le ferons pas dans le cadre de ce corrigé).
La séparation d’un noeud S se fait en choisissant un objet i qui n’appar-
tient pas à C(S) ni à R(S) et à construire deux fils du noeud S, S 0 et S 00 . Par
définition, C(S 0 ) = C(S) ∪ {i}, R(S 0 ) = R(S), et C(S 00 ) = C(S), R(S 00 ) =
R(S) ∪ {i}. Dans le cas présent, on choisira au noeud S l’objet i qui était
découpé dans le calcul de l’évaluation par excès.
Le parcours de l’arborescence sera réalisé en utilisant la meilleure évaluation
par excès d’abord.
Voici l’application de cette méthode à l’exemple. Au noeud racine S0
on a C(S0 ) = R(S0 ) = ∅.L’algorithme pour le calcul de l’évaluation par
excès place les objets 1, 2, 3 dans le sac, ainsi que la moitié de l’objet 4. On
obtient donc h(S0 ) = 65, 5 qu’on peut ramener à h(S0 ) = 65 puisque le profit
recherché est un entier. Par conséquent l’évaluation par défaut g(S0 ) = 58.
La meilleure solution rencontrée X0 est initialisée au sac constitué des objets
1, 2, 3.
4

Le noeud S0 est ensuite séparé, en S1 (sacs contenant l’objet 4) et S2

(sacs ne contenant pas l’objet 4).
L’évaluation par excès du noeud S1 est calculée en mettant dans le sac
l’objet 4, puis les objets 1,2 et 3/5 de l’objet 3. D’où h(S1 ) = 65, g(S1 ) = 53
qui n’améliore pas la meilleure solution rencontrée.
L’évaluation par excès du noeud S2 est calculée en mettant dans le sac
les objets 1,2 3 et 5. On constate que le sac est rempli sans avoir à découper
d’objets. D’où h(S2 ) = g(S2 ) = 65. X0 est mis à jour et la meilleure solution
rencontrée est maintenant le sac 1, 2, 3, 5, et f (X0 ) = 65 S2 est fermé puisque
son évaluation par excès égale son évaluation par défaut.
Considérons maintenant S1 . Comme h(S1 ) ≤ f (X0 ) il n’y aura pas de
sacs de profit meilleur que X0 dans le noeud S1 . Par conséquent il est fermé.
Toutes les feuilles étant fermées, la méthode arborescente est terminée,
et le sac 1, 2, 3, 5 est le sac optimal.
NB : si on utilise comme évaluation par défaut un algorithme qui cherche
à remplir le sac en sautant simplement les objets qui dépassent, la méthode
arborescente se termine en un seul noeud.

Exercice 4 Sac à dos inversé

On considère le problème suivant : n objets, de poids respectifs pi et de
regret ri . On se donne également un entier P . On appelle regret d’un sac la
somme des regrets des objets qui ne sont pas dans le sac. On cherche à
construire un sac de poids inférieur ou égal à P qui soit de regret minimal.
1 Modéliser ce problème à l’aide d’un programme mathématique.
En définissant,pour tout objet i, xi qui vaut 1 si l’objet est dans le sac
et 0 sinon, on obtient les mêmes contraintes que le problème de sac à dos
Xn
(∀i, xi ∈ {0, 1} et pi xi ≤ P ). Par contre l’objectif change :
i=1

n
X
min ri (1 − xi )
i=1

Puisque l’objet i produit un regret s’il n’est pas dans le sac, c’est à dire si
1 − xi = 1.
2 On cherche à définir un schéma de programmation dynamique pour ce
problème. Pour cela on définit la phase i comme étant celle du choix pour
l’objet i, et l’état du système comme le poids des objets déjà dans le sac.
Indiquer pour un couple (i, E) les décisions possibles à partir de cet état à
la phase i, leur cout immédiat et les états résultants de ces décisions pour
 5

la phase suivante.
A la phase i dans l’état E on peut prendre soit deux décisions (mettre
l’objet i dans le sac δi1 ou ne pas le mettre δi0 ) soit une seule (δi0 si i ne rentre
pas, c’est à dire si E + pi ≤ P ).
l’état résultant de la décision δi0 est (i + 1, E). Celui résultant de la
décision δi1 est (i + 1, E + pi ) puisque l’état représente le poids des objets
déjà dans le sac.
Le coût immédiat de δi0 est ri , celui de δi1 est 0.
3 Notons Fk (E) le regret minimum d’un sac de poids inférieur ou égal P −E
parmi les objets {k, . . . , n}. Comment se définit la solution du problème
initial par rapport à cette notation ?
F1 (0) est le regret minimum d’un sac de poids inférieur ou égal à P parmi
l’ensemble des objets {1, . . . , n}.
4 Que vaut Fn (E) ?


 rn si E + pn > P
Fn (E) =
 0 sinon

5 Etablir l’équation de récurrence satisfaite par les Fk .


 r + F (E) si E + pk > P
k k+1
Fk (E) =
 min(r + F (E), F (E + p )) sinon
k k+1 k+1 k

6 En déduire un algorithme pour résoudre le problème dont vous donnerez

la complexité.
L’algorithme consiste à calculer dans un premier temps Fn (E) selon la
formule de la question 4 pour E variant de 0 à P .
Puis dans une boucle qui fait varier k de n − 1 à 1, on établit une boucle
qui fait varier E de 0 à P à l’intérieur de laquelle on calcule Fk (E) selon la
formule de la question 5.
Pour finir, on reconstitue la solution optimale en partant de E = 0,et en
faisant évoluer k de 1 à n − 1. Si Fk (E) = F k + 1(E + pk ) on pose xk = 1,
et E = E + pk , sinon, on pose xk = 0.
Si après cette boucle Fn (E) = 0 alors xn = 1 sinon xn = 1.
6

La complexité de l’algorithme est en O(nP ).

7 Appliquez l’algorithme au problème suivant :


 i 1 2 3 4 5


P =8 pi 3 4 5 4 2



 r 15 18 20
i 12 6

E|i 1 2 3 4 5
0 36 26 12 0 0
1 38 30 12 0 0
2 47 32 18 0 0
3 50 36 18 6 0
4 53 38 26 6 0
5 56 50 32 12 0
6 65 50 32 12 0
7 71 56 38 18 6
8 71 56 38 18 6
La solution optimale est de valeur 36 et correspond au sac contenant l’objet
1 et 3.