Presentation Chapitre 6 OC SP 2

Optimisation Combinatoire
Chapitre 6 : Méthodes de décomposition
Master 1, ROMARIN, 2021-2022
Méziane Aı̈der
January 5, 2022
LaROMaD, Faculty of Mathematics, USTHB, B.P. 32
El Alia, Bab Ezzouar 16111 Algiers, Algeria.
Emails: m-aider@usthb.dz, meziane.aider@usthb.edu.dz
1
Plan du chapitre.
Introduction
Définitions et notations
Principe de décomposition
Décomposition de Dantzig et Wolfe
Décomposition de Benders
Décomposition lagrangienne
2
Plan du chapitre.
Introduction
2
Plan du chapitre.
Introduction
2
Plan du chapitre.
Introduction
2
Plan du chapitre.
Introduction
2
Plan du chapitre.
Introduction
2
Sommaire
Introduction
3
Introduction
Les méthodes de décomposition ont initialement été introduites pour

traiter des programmes linéaires de grande dimension. Cependant, l’outil
informatique a énormément évolué, aussi bien d’un point de vue matériel,
que dans ses aspects logiciels, de sorte que les logiciels conçus pour la
résolution de programmes linéaires commercialisés actuellement peuvent
faire face à la quasi-totalité des problèmes concrets rencontrés dans la
pratique. Ainsi, ces dernières décennies, l’intérêt de l’utilisation des
méthodes de décomposition s’est davantage porté vers la résolution de
programmes linéaires en nombres entiers et, plus généralement vers les
programmes linéaires mixtes.
Dans ce chapitre nous présentons les méthodes de décomposition

traditionnelles, à savoir la méthode de Dantzig et Wolfe, la décomposition
de Benders et les méthodes de type relaxation Lagrangienne.
4
Sommaire
Introduction
5
Présentation
Les méthodes que nous présentons peuvent être étendues à un cadre bien
plus général, mais nous considérons uniquement des programmes linéaires
en nombres entiers purs, dont la région réalisable est bornée et non vide
et est constituée des vecteurs entiers contenus dans le polyèdre
Q = {x ∈ Rn | Ax ≤ b, x ≥ 0}.
où
A ∈ Qm×n est la matrice des contraintes et

b ∈ Qm est le vecteur des seconds membres.
Notons
F = {x ∈ Rn | Ax ≤ b, x entier} = Q ∩ Zn , l’ensemble des solutions

réalisables de (PE );
P = conv(F ) l’enveloppe convexe de F .
6
Problème canonique
Nous nous intéressons au problème canonique d’optimisation :


PE T
 z = max c x

(PE ) Ax ≤ b

 x entier
ou, sous forme condensée :
z PE = max{c T x | Ax ≤ b, x entier} = max c T x = max c T x,
x∈F x∈P
et sa relaxation linéaire s’écrit :


PL T
 z = max c x

(PL) Ax ≤ b

 x ≥ 0
ou, sous forme condensée :
z PL = max{c T x | Ax ≤ b, x ≥ 0} = max c T x.
x∈Q
Notons que, puisque P ⊂ Q, nous avons : z PE ≤ z PL .

7
Sommaire
Introduction
8
Motivation
Les algorithmes de type branch-and-bound s’avèrent être des méthodes

efficaces pour résoudre des problèmes d’optimisation combinatoire et le
calcul de bornes pour la valeur optimale de la fonction objectif constitue
l’élément fondamental de la procédure d’évaluation. Les bornes sont
souvent calculées en résolvant un (sous-)problème obtenu par relaxation
du problème initial. La relaxation la plus utilisée est la relaxation linéaire
mais celle-ci s’avère très souvent être de qualité médiocre (trop large)
pour être efficace dans la résolution de programmes linéaires en nombres
entiers.
En utilisant d’autres types de relaxation, nous pouvons obtenir de

meilleures bornes pour la valeur optimale de la fonction objectif. L’idée
consiste à relaxer le polyèdre P plutôt que par Q, mais par un polyèdre
plus petit, contenu dans Q, sur lequel il existe un algorithme efficace
d’optimisation de la fonction objectif, ce qui permettrait d’obtenir une
meilleure borne pour la valeur optimale de la fonction objectif de (PE ).
9
Utilité de la décomposition
Supposons que les contraintes de (PE ) puissent être réparties en deux

blocs : 

 z PE = max cT x

 A0 x ≤ b0
(PE )

 A1 x ≤ b1

x entier

où A0 ∈ Qm0 ×n , A1 ∈ Qm1 ×n , b0 ∈ Qm0 et b1 ∈ Qm1 et m = m0 + m1 .
Notons :
Q0 = {x ∈ Rn | A0 x ≤ b0 , x ≥ 0},
F 0 = {x ∈ Rn | A0 x ≤ b0 , x entier} = Q0 ∩ Zn ,
P 0 : l’enveloppe convexe de F 0 .
10
Observations
Nous avons les relations suivantes :

I F ⊂ F0 ;
I Q = Q0 ∩ Q 1 ;
I F = P 0 ∩ Q 1 ∩ Zn .
Pour que la décomposition ait un sens, il est nécessaire d’avoir

P 0 ∩ Q1 ⊂ Q, de sorte que la borne obtenue en optimisant sur
P 0 ∩ Q1 soit meilleure que celle de la relaxation linéaire.
La description de Q 1 doit aussi être petite de sorte à pouvoir la
construire explicitement. Finalement, nous supposons qu’il existe un
algorithme efficace pour optimiser sur P 0 .
Les méthodes de décomposition peuvent être vues comme des
techniques pour le calcul itératif de la borne :
z D = min0 {c T x | A1 x ≤ b1 } = min {c T x} = min {c T x}.

x∈P x∈F 0 ∩Q1 x∈P 0 ∩Q 1
11
Exemple
Considérons l’exemple numérique suivant :



 z PE = max x1

− x1 + 4x2 ≤ 14 (1)








 2x 1 − x2 ≤ 5 (2)
− x1 + 3x2 ≤ 4 (3)





 − 3x1 + x2 ≤ −2 (4)
(PE )

 3x1 + 2x2 ≤ 19 (5)

− 2x1 + 3x2 ≤ 7 (6)








 − 5x1 − 3x2 ≤ −15 (7)
− x2 ≤ −2 (8)





 x1 , x2 ∈ N
12
Exemple, suite
x2 6
(4) (6) (1)
5 b b b
J
b b b
.... ...
.... ... .
4 b b
.b.....rb J..J....b b (3)

...
. br ...brJ
. b
3 b(7) Sb... rb
S
. ... ...b..... .
.... J (8)

2 b bS ....
.. ..rb. ....... b Jb

SS
1 b b b b b bJ
J

(2) (5)
0 b b b b b b -
0 1 2 3 4 5 x1
Figure 1: Résolution graphique du programme linéaire relaxé de l’exemple [?]
13
Exemple, suite
b b b b b b b b b b b b b b b
..........
........... .. ....
b ..
. ...
..
..
..
...
...................... .
...b.........q.q..q.qqrb.q.q.q.q.q..........b
................ .... ..
.
b b
.....
b.........q.q.q.qrb.qqq ..... b b b b..........q.q.q.qb.q.q.q........ b b
. . ...
.. qqqqqqq qqqqqqqq.q.q.... ....qqqqqqqqq qqqqqqqqq.q....
....... .
... ........
.. qqqqq qqqq ..
...........
..
.. .. . . qq
..rbqqqqqq br qqqq.q..qrqb
.. .. .
.......
b
..... ..
..... ...
...
...
b .
b . qqbrqq
. br qqqqq.qq.rqb b b ..qqrbqq rb .q.q.q..q.qq.qrqb b
......
..qq .q.q.q..q.q ... ..
..qq ..q.q.q.q..q.q.q.q..q.q.q.q.q..q .... qqq qq.q.q.q..q.q.q..q.q.q.q.q.q..q..... ..qq .q.q.q.q..q.q.q.q.q..q

.
.
. . ..
... .
... . ...
. ..
.........
...qqrb.q.q.q..q.q.q.q.q. b b
...... ..
...... ...
..rbq.q.q.q.q b b b .......qbr.q.q.q... b
..
...... ... ......
b .
. .. ........... .........
... .........
.......... .. .. ... ..
... ..
... ..
... ..... .. ... ..
... ..
... .. ... ..
... ..... ..
... .. ... ..
..
b
..... b b b b
.....
b b b b b b b b b b b b b b b
Figure 2: Différents polyèdres de l’exemple
14
Sommaire
Introduction
15
Présentation
La méthode de Dantzig-Wolfe a d’abord été introduite pour la résolution

de programmes linéaires de grandes tailles. Elle a connu une large
utilisation pour la décomposition de plusieurs problèmes complexes issus
de la pratique, et est devenue un outil standard en programmation
linéaire. Nous présentons dans cette section son principe, son application
à un cas particulier et quelques méthodes de résolution.
Rappelons que F 0 = {x ∈ Nn : A0 x ≤ b0 } et supposons que F 0 soit fini

et que ses éléments s’écrivent x k , k ∈ K . Tout élément x ∈ F 0 peut
s’écrire :
X X
x= λk x k avec λk = 1, λk ∈ {0, 1}, k ∈ K .
k∈K k∈K
16
Idée principale
L’idée principale de la méthode de décomposition de Dantzig-Wolfe en

programmation en nombres entiers consiste à réécrire le problème (PE ),
en utilisant le fait que toute solution de (PE ) est nécessairement dans X ,
de la manière suivante :
 X

 z PEDW = max c T x k λk

k∈K


 X
A1 x k λk ≤


 b1
(M) k∈K X



 λk = 1

k∈K



λk ∈ {0, 1} k ∈K

(M) est appelé problème maı̂tre.
17
Relations entre les objectifs
Considérons les relaxations linéaires de (PE ) et (M) :

 PE R

 z = max c T x
≤ b0


 A0 x
(PE R )

 A1 x ≤ b1


 x ≥ 0
R
 X

 z M = max c T x k λk

k∈K


 X
A1 x k λk ≤ b1



R
(M ) k∈K X



 λk = 1

k∈K



λk ≥ 0 k ∈K

18
Relations entre les objectifs
Il est bien connu que

R R
z PE ≥ z M ≥ z M ≥ z PE .
En effet, il est facile de voir que (M R ) est équivalent à :


PL T
 z = max c x

(PL) A1 x ≤ b1

 x ∈ conv(X )
R R R
Ainsi, z PE ≥ z M , puisque z PE = max{c T x : A1 x ≤ b1 , x ∈ Q 0 } et
conv(F 0 ) ⊂ Q 0 .
19
Conséquences
Par conséquent, lorsque le polyèdre Q 0 présente des propriétés d’intégrité

(Q 0 = P 0 ), nous aurons :
R R
z PE = z M .
De plus, lorsque conv(F ) = {A0 x ≤ b0 } ∩ conv (Q 1 )¡ nous aurons

R
z PE = z M .
Ces deux derniers cas sont assez particuliers et, en général, nous avons :
R R
z P > z M > z M > z PE .
Ces inégalités sont très importantes puisque nous devons calculer des
bornes supérieures les plus serrées possibles, pour la résolution exacte des
programmes linéaires en nombres entiers de grande dimension, ou pour
évaluer la qualité de solutions approximatives. Dans ce contexte, la
R
formulation (M) et le calcul de z M peuvent s’avérer d’une importance
réelle.
20
Conséquences, suite
Le nombre de variables dans M R peut être énorme (il est égal au cardinal
de F 0 ). Une procédure de génération de colonnes doit être appliquée
R
pour le calcul de z M . Elle consiste à générer seulement un
sous-ensemble de variables : celles qui peuvent être dans une base
optimale. En démarrant d’un sous-ensemble J de variables initiales, nous
devons résoudre à chaque itération de la procédure de génération de
colonne le problème linéaire suivant :
R
 X

 z MJ = max c T x k λk

k∈J


 X
A1 x k λk ≤ b1 (1)



(MJR ) k∈J X



 λk = 1 (2)

k∈J



λk ≥ 0 k ∈ J

et déterminer parmi toutes les variables restantes celle dont le coût réduit
est le plus élevé.
21
Conséquences, suite
Le coût réduit d’une variable λk est défini comme suit :

cek = ck − π T A1 xk − π0 .
où π dénote les variables duales associées aux contraintes (1) et π0 est la
variable duale associée à la contrainte (2). La variable dont le coût réduit
strictement positif est le plus élevé sera insérée dans la base J et (MJR )
doit être réoptimisé. La procédure s’arrête quand toutes les variables
restantes seront de coût réduit négatif et la solution optimale de (MJR )
est ainsi une solution optimale de MR .
Le problème de détermination d’une variable et dinc d’une solution dans

F 0 , avec le plus grand coût réduit, appelé le problème auxiliaire et dénoté
(Aux), se formule comme suit :

Aux
 z
 = max (c − π T A0 )x − π0
(Aux) A1 x ≤ b1

 x entier
22
Sommaire
Introduction
23
Présentation
La méthode de décomposition de Benders a pour objet de décomposer et

de résoudre des programmes linéaires à variables mixtes. Cependant, il
est également possible de l’appliquer dans la résolution de programmes
linéaires bien structurés.
Elle se distingue de la méthode de Dantzig-Wolfe par le fait que c’est

l’ensemble des variables (et non celui des contraintes) qui est réparti en
deux sous-ensembles. Dans la littérature, la décomposition de Benders
est souvent décrite comme la décomposition de Dantzig-Wolfe appliquée
au dual d’un problème. En fait, on montre que dans le contexte de
programmation linéaire, ces deux méthodes sont duales l’une de l’autre.
La stratégie de Benders consiste à partitionner les variables du problème

en deux vecteurs x et y . Elle fixe le vecteur y de manière à générer un
problème, que l’on appelle le sous-problème, uniquement en termes des
variables x ; si la solution optimale de ce problème révèle que la solution
y est non réalisable, alors la solution duale correspondante est utilisée
24
afin d’identifier d’autres valeurs inacceptables de y .
Principe de la méthode
On considère le problème (P) suivant :


 z P = max c T x + dT y

 Ax + Gy ≤ b
(P)

 x ≥ 0

y ∈ Y

où c ∈ Rn , d ∈ Rp , A ∈ Rm×n , G ∈ Rm×p , b ∈ Rm , m, n, p ∈ N et

Y ⊂ Rp (si Y ⊂ Np , alors (P) est un programme linéaire mixte).
Supposons que les variables y sont des variables complicantes, dans le

sens que le problème devient significativement plus simple à résoudre
lorsque les variables y sont fixées, en raison, par exemple, de la structure
spéciale inhérente à la matrice A. La décomposition de Benders
partitionne le problème (P) en deux problèmes :
(i) un problème maı̂tre qui contient les veariables y , et
(i) un sous-problème qui contient les veariables x. 25
En termes des variables y uniquement, (P) s’écrit comme suit :
( 0
0 z P = max c T x + z(P(y ))
(P )
y ∈Y
où v (y ) est la valeur de la fonction objectif à l’optimum du problème :

P(y )
 z
 = max c T x
(P(y )) Ax ≤ b − Gy

 x ≥ 0
A chaque fois que les valeurs de y sont fixées, (P(y )) est un programme
linéaire. Notons que si (P(y )) est non borné pour un certain y ∈ Y , alors
il en est de même de (P 0 ), ce qui entraı̂ne que le problème (P) est aussi
non borné.
26
Considérons le problème dual de (P(y )) :


D(y )
 w
 = min u T (b − Gy )
(D(y )) uT A ≥ c

 u ≥ 0
27
Pour la suite, nous émettons l’hypothèse que le problème (P) admet une
solution optimale finie, ce qui signifie que, pour tout vecteur y ∈ Y , soit
(P(y )) n’a pas de solution, soit il possède une valeur optimale finie.
Notons que l’ensemble des solutions réalisables de (D(y )) ne dépend pas

des valeurs choisies pour le vecteur y , qui affectent uniquement la
fonction objectif. Quelque soit le vecteur y , les contraintes (D(y ))
définissent un même polyèdre.
Par conséquent, si l’ensemble des solutions réalisables de (D(y )) est vide,

alors soit il en est de même pour l’ensemble des solutions réalisables du
problème primal (P(y )) pour toutes valeurs de y ∈ Y , ou bien celui-ci est
non borné pour certaines valeurs de y ∈ Y .
En supposant que l’ensemble des solutions réalisables de (D(y )) n’est pas

vide, alors il définit un polyèdre, ayant un nombre fini de points extrêmes
p 1 , . . . , p I et un nombre fini de rayons extrêmes r 1 , . . . , r J .
28
Alors pour un vecteur y donné, (D(y )) peut être résolu en :

(i) vérifiant si (r j )T (b − G y ) < 0 pour un rayon extrême r j , auquel cas,
(DLM(y )) serait non borné et (PLM(y )) serait irréalisable;
(ii) trouvant un point extrême p i qui maximise la valeur de la fonction
objectif (p i )T (b − G y ), auquel cas chacun des deux problèmes
duaux (DLM(y )) et (PLM(y )) aurait une solution optimale finie.
En se basant sur ces faits, (D(y )) peut être reformulé comme suit :


 w PMB(y ) = max w
0 ≤ (r j )T (b − Gy ) j = 1, . . . , J


(PMB(y ))

 w ≤ (p i )T (b − Gy ) i = 1, . . . , I

w ∈

R
Notons que (PMB(y ) est appelé programme maı̂tre de Benders. Il
consiste en un programme linéaire à une seule variable w et un grand
nombre de contraintes.
29
A présent, nous pouvons remplacer z P(y ) par sa valeur qui correspond à

la valeur de la fonction objectif ϕPMB(y ) à l’optimum de (PMB(y )) et
obtenir une reformulation du problème original en termes de w et des
variables y :
 PMB(y )

 ϕ = max w + dT y
− (r j )T (b − Gy ) ≤ 0



 j = 1, . . . , J
(PMB(y )) w − (p i )T (b − Gy ) ≤ 0 i = 1, . . . , I




 w ∈ R
y ∈ Y

En raison des nombres de points extrêmes et de rayons extrêmes qui

peuvent être très grand, il n’est pas pratique de générer toutes les
contraintes de (PMB(y )).
30
En effet, la décomposition de Benders débute par la résolution du

“problème maı̂tre restreint” (PMRB) qui ne contient qu’un
sous-ensemble de contraintes (éventuellement vide) :

PMBR
 ϕ
 = max w
(PMRB) w ∈ R

 y ∈ Y
31
Soit (y ∗ , w ∗ ) une solution optimale de (PMRB).
Si, en résolvant (D(y ), la valeur de la fonction objectif à l’optimum

vérifie w D(y ) = w ∗ , alors l’algorithme s’arrête.
Autrement, si le dual est non borné, alors une contrainte de type

(r j )T (b − Gy ) ≤ 0j = 1, . . . , J, appelées “coupes de faisabilité” est
générée et rajoutée au problème restreint maı̂tre qui est alors résolu à
nouveau.
Similairement, si le sous-problème possède une solution optimale telle que

if the w D(y ) < w ∗ alors une contrainte de type
w − (p i )T (b − Gy ) ≤ 0i = 1, . . . , I , appelées “coupes d’optimalité” est
générée et rajoutée au problème restreint maı̂tre qui est alors résolu à
nouveau.
Puisque I et J sont finis et de nouvelles coupes de faisabilité ou

d’optimalité sont générées à chaque itération, cette méthode converge
32
vers une solution optimale en un nombre fini d’itérations.
Démarche de la décomposition de Benders
1. Ecrire le problème original.

2. Supposer que les variables y sont constantes et reformuler le
problème original:
(a) Déplacer les constantes y , dans les contraintes, du côté droit de
l’inégalité.
(b) Déplacer les variables y dans l’objectif dehors (ils sont constants).
(c) Standardiser la forme des contraintes (“ ≤00 pour les problèmes de
maximisation et “ ≥00 pour les problèmes de minimisation).
3. Dualiser le modèle (nous avons besoin de trouver les valeurs des
variables duales en gardant constantes les variables y dans le dans
l’objectif). C’est le sous-problème primal de Benders (SPPB).
33
Démarche de la décomposition de Benders
4. Supposer qu’une valeur arbitraire de y est obtenue (à l’intérieur du

domaine de définition).
5. Fixer les valeurs de y dans (SPPB) et le résoudre : soit u la solution
optimale z UP la borne obtenue.
6. Générer une nouvelle contrainte pour le Problème Maı̂tre de Benders
(PMB).
7. Rajouter la contrainte produite (aux autres contraintes) dans
(PMB).
8. Résoudre (PMB) pour obtenir de nouvelles valeurs de y (et déduire
z LO ).
9. Terminer si z UP − z LO ≤ .
10. Allez en 5.
34
Sommaire
Introduction
35
La décomposition lagrangienne est utilisée lorsque la conjonction entre

deux blocs de contraintes complique le problème.
Pour (PLNE), la conjonction des contraintes A0 x ≤ b0 et A1 x ≤ b1 peut

rendre sa résolution difficile. Il s’agit alors de dupliquer les variables et de
construire un problème équivalent :
 PE

 z = max c T x
A0 x ≤ b0





 x − y = 0
(PE )

 A1 y ≤ b1

x entier





y entier
36
En relâchant la contrainte x = y suivant le multiplicateur u ∈ Rn , on

obtient le lagrangien
Lx,y (u) = max{(c − u T )x + u T y |A0 y ≤ b0 , y ∈ Y , A1 x ≤ b1 , x ∈ Nn }
qui peut être formulé comme suit :
Lx,y (u) = Lx (u) + Ly (u)
où
Lx (u) = max{(c − u T )x|A1 x ≤ a, x ∈ Nn }
et
Ly (u) = max{u T y |A0 y ≤ a1 , y ∈ Y }.
37
Le dual de la décomposition lagrangienne est donné par :

n
(DDL) z DDL = min Lx,y (u) y ∈ Rn
Notons que :
(a) La décomposition lagrangienne est une relaxation lagrangienne sur

un problème transformé qui décompose le problème initial en une
série de sous-problèmes.
(b) La valeur optimale de (DDL) est égale à celle du problème
max{c T x|x ∈ Zx ∩ Zy }
où Zx = conv {x ∈ Nn |A1 x ≤ b1 }

et Zy = conv {y ∈ Y |A0 x ≤ b0 }Z (voir Figure).
38
..... ..
...... ....... ...
.
...... ...... ......
....... .....
....... .......................... .... ..
........q.q.q.q.q. ......
. .. ..
............ .... ..... .
..............
... . ........... ...... ... ...
.
...... qqqqqq qqqqqqqqqq ......

............ . ..... .
. .
.. .......
..
...
... ..
.
..
...... qqqqqqqqq
........... ..
... ...
......
.
qqqq ... ...
... ...
..
.......
qqqq ..
.. qqqqqq
.
. .
qqqq ..
.. . ..... .
.... .... .
.....
... qqqq q.q.qq.q

.... . . ...
.... ... ....
...... ..
...
q qqqq qq .. ...
q
...
.. qq qqq . ... ...
qqqqq ....
... .
... .. ... ...
..... qqq qqqqq..q.q.q.q.q..q.q.q.q.q...............

... ... .
..
..
...
. ...
... ..
. ...
......... .. ...
...
... ..
.......
.
.
..........qq..q.q.q.q.q.q.q......
..... .. . ...
. ... ...... .........
. ...
.. .... ..
...... ...... ...
. ..
.......
. ......... ....
..
.........
. ..
. ..
... ..
... ..
... ..
.. . ..
.. . ..
... ..
... ..
... ..
... ..
... ..
... ..
.
.. ..
.
.. ..
... ..
... ..
... ..
..
. ..
. .. ..
.
.. ..
..
. ..
..
. ..
... ......
... ....... ............
... ....
Figure 3: Illustration de l’approximation du domaine P avec la décomposition

lagrangienne, pour l’exemple
39
Cette méthode a été appliquée pour la résolution de nombreux problèmes

tels que le problème de localisation avec capacités, les bornes obtenues
sont de bonne qualité, mais la résolution est coûteuse en temps. Nous
exploitons dans ce qui suit la génération de colonnes pour résoudre le
dual de la substitution lagrangienne.
Les lagrangiens Lx (u) et Ly (u) peuvent être réécrits comme suit :
Lx (u) = {min w1 |w1 ≥ (c − u T )x, x ∈ Zx }

= {min w1 |w1 ≥ (c − u T )xk , k ∈ K }
et
Ly (u) = {min w2 |w2 ≥ u T y , y ∈ Zy }
= {min w2 |w2 ≥ u T yl , l ∈ L}
où K (resp. L) désignent l’ensemble des points extrêmes du polyèdre Zx
(resp. Zy ).
40
Supposons que les ensembles Zx et Zy sont convexes et bornés, le

problème (DDL) peut être alors linéarisé comme suit :


 min w1 + w2
≥ (c − u T )x x ∈ Zx



 w1
(DDL) w2 ≥ u T y y ∈ Zy




 w1 , w2 ∈ R
u ∈ Rn



 min w1 + w2
≥ (c − u T )x k k ∈K



 w1
w2 ≥ uT y l l ∈L




 w 1 w2
, ∈ R
u ∈ Rn

41
En posant w = w1 + w2 et en agrégeant les contraintes de cette

formulation, on obtient :


 min w
+ u T (x k − y l ) ≥ c T x k

 w k ∈ K, l ∈ L
(DDLA)

 u ∈ Rn

w ∈ R

En ne considérant que les multiplicateurs u ∈ Rn de la forme λA ∈ Rn ,

où λ est un vecteur de Rm , et en substituant dans (DDL), on retombe
sur (DL).
Autrement dit,
z DDLA = minn Lx,y (u) ≤ min Lx,y (λT A) = minm v (DL(λ)) = z DL .
u∈R λT ∈Rm λ∈R
42
Test
On considère un problème d’affectation de coût minimum, spécifié pour

une matrice carrée D d’ordre n à composantes non-négatives.
a) Montrer que la somme M des minima en lignes constituent une

borne inférieure du coût de toute solution.
b) Soit M 0 la somme des minima en colonnes de la matrice obtenue à
partir de D en retranchant de chaque élément de chaque ligne la
valeur de l’élément minimum de cette ligne. Montrer que M + M 0
est une évaluation, en général plus serrée que M.
c) Appliquer cette méthode d’évaluation pour résoudre l’exemple donné
par la matrice :
 
7 3 5 7
 6 ∞ ∞ 8 
D=
 

 6 5 1 5 
11 4 ∞ 11
43

Presentation Chapitre 6 OC SP 2

Transféré par

Droits d'auteur :

Formats disponibles

Presentation Chapitre 6 OC SP 2

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Presentation Chapitre 6 OC SP 2

Transféré par

Droits d'auteur :

Formats disponibles

Optimisation Combinatoire

Chapitre 6 : Méthodes de décomposition

Master 1, ROMARIN, 2021-2022

Décomposition de Dantzig et Wolfe

Décomposition de Dantzig et Wolfe

Décomposition de Dantzig et Wolfe

Décomposition de Dantzig et Wolfe

Décomposition de Dantzig et Wolfe

Décomposition de Dantzig et Wolfe

Décomposition de Dantzig et Wolfe

Les méthodes de décomposition ont initialement été introduites pour

Dans ce chapitre nous présentons les méthodes de décomposition

Décomposition de Dantzig et Wolfe

A ∈ Qm×n est la matrice des contraintes et

F = {x ∈ Rn | Ax ≤ b, x entier} = Q ∩ Zn , l’ensemble des solutions

Nous nous intéressons au problème canonique d’optimisation :

et sa relaxation linéaire s’écrit :

Notons que, puisque P ⊂ Q, nous avons : z PE ≤ z PL .

Décomposition de Dantzig et Wolfe

Les algorithmes de type branch-and-bound s’avèrent être des méthodes

En utilisant d’autres types de relaxation, nous pouvons obtenir de

Supposons que les contraintes de (PE ) puissent être réparties en deux

où A0 ∈ Qm0 ×n , A1 ∈ Qm1 ×n , b0 ∈ Qm0 et b1 ∈ Qm1 et m = m0 + m1 .

Nous avons les relations suivantes :

Pour que la décomposition ait un sens, il est nécessaire d’avoir

z D = min0 {c T x | A1 x ≤ b1 } = min {c T x} = min {c T x}.

Considérons l’exemple numérique suivant :

..qq ..q.q.q.q..q.q.q.q..q.q.q.q.q..q .... qqq qq.q.q.q..q.q.q..q.q.q.q.q.q..q..... ..qq .q.q.q.q..q.q.q.q.q..q

Figure 2: Différents polyèdres de l’exemple

Décomposition de Dantzig et Wolfe

La méthode de Dantzig-Wolfe a d’abord été introduite pour la résolution

Rappelons que F 0 = {x ∈ Nn : A0 x ≤ b0 } et supposons que F 0 soit fini

L’idée principale de la méthode de décomposition de Dantzig-Wolfe en

(M) est appelé problème maı̂tre.

Considérons les relaxations linéaires de (PE ) et (M) :

Il est bien connu que

En effet, il est facile de voir que (M R ) est équivalent à :

Par conséquent, lorsque le polyèdre Q 0 présente des propriétés d’intégrité

De plus, lorsque conv(F ) = {A0 x ≤ b0 } ∩ conv (Q 1 )¡ nous aurons

Le coût réduit d’une variable λk est défini comme suit :

Le problème de détermination d’une variable et dinc d’une solution dans

Décomposition de Dantzig et Wolfe

La méthode de décomposition de Benders a pour objet de décomposer et

Elle se distingue de la méthode de Dantzig-Wolfe par le fait que c’est

La stratégie de Benders consiste à partitionner les variables du problème

On considère le problème (P) suivant :

où c ∈ Rn , d ∈ Rp , A ∈ Rm×n , G ∈ Rm×p , b ∈ Rm , m, n, p ∈ N et

Supposons que les variables y sont des variables complicantes, dans le

En termes des variables y uniquement, (P) s’écrit comme suit :

Considérons le problème dual de (P(y )) :

Notons que l’ensemble des solutions réalisables de (D(y )) ne dépend pas

Par conséquent, si l’ensemble des solutions réalisables de (D(y )) est vide,

En supposant que l’ensemble des solutions réalisables de (D(y )) n’est pas

Alors pour un vecteur y donné, (D(y )) peut être résolu en :

A présent, nous pouvons remplacer z P(y ) par sa valeur qui correspond à

En raison des nombres de points extrêmes et de rayons extrêmes qui

En effet, la décomposition de Benders débute par la résolution du

Soit (y ∗ , w ∗ ) une solution optimale de (PMRB).

Si, en résolvant (D(y ), la valeur de la fonction objectif à l’optimum