1

La recherche oprationnelle et
l'optimisation combinatoire:
prsentation,
mthodes
secteurs dapplication,
Marie-Christine Costa ENSTA-CEDRIC-Paris
avec la participation de
J ean-Charles Billaut Polytech-Tours
2
PLAN
Recherche oprationnelle et graphes
Complexit
Rsoudre un problme de RO
Domaines d'applications
Conclusion Les enjeux
3
I.
Recherche Oprationnelle
et
Graphes
4
Dfinition
Discipline des mthodes scientifiques
pour aider mieux dcider
5
Dfinition
Objectif de la RO : faire de la recherche
scientifique oprationnelle utilisable sur
le terrain des oprations laide des
outils de linformatique.
Mettre au point des mthodes,
les implmenter au sein doutils (logiciels)
pour trouver des rsultats ensuite confronts
la ralit (et repris jusqu satisfaction du
demandeur).
6
Dfinition
"Optimiser sous contraintes"
depuis la reine
Didon
Robert Faure Titulaire de la chaire de RO au CNAM
7
Dfinition
"Optimiser sous contraintes"
plus rcemment
G. Monge.
Memoire sur
la theorie
des deblais
et des
remblais.
Histoire de
lAcademie
Royale des
Sciences,
Paris (1781)
8
Un dtour par la thorie
des graphes
Thorie dveloppe depuis le 20me sicle
Vocabulaire, thormes, algoritmes,
Claude Berge
9
GRAPHES NON ORIENTS GRAPHES NON ORIENTS
a
b
c
d
e
f
g
A3={[a,e], [b,f],
[e,f], [d,f],...}
chane de a d
[a,e],[e,f],[f,d]
G3
G2=(X2,U2)
X2 = {sommets}
U2 = {artes} =
{[a,e],[a,b],
[a,c],[b,e],..}
noeuds
10
a
b
c
d
e
f
G1 = (X1 , U1)
GRAPHES ORIENTS GRAPHES ORIENTS
U1 X1xX1
_
X1 = {sommets}
= {a,b,c,d,e,f}
U1 = {arcs}
U1 =
{(a,f),(a,b),(b,c),..}
11
UTILISATIONS des GRAPHES en RO UTILISATIONS des GRAPHES en RO
Modlisation, reprsentation de problmes
circulation dans une ville
volution des tats d'un systme
...
Rsolution de problmes
plus court chemin
flot maximal

12
A
B
C
D E
F
G
H
Sens Int erdit
A
B
C
D
E
F
G
H
G
Circuler
13
Critre 1: le temps
Critre 2 : le cot
Calcul du chemin de
temps (ou cot)
minimal
Cheminer
14
Chemin
trouv
facilement
par un
algorithme
de
graphe
Cheminer
15
Router
capacits
13
9
3
8
13
2
9
10
flots
16
17
Un peu dHistoire
La ville de Koeninsberg est traverse par la
Pregel, qui coule de part et dautre de lle de
Kneiphof, et possde sept ponts.
18
Euler (1736) : Peut-on se promener
dans la ville en traversant chaque
pont une et une seule fois ?
a
b
d
c
19
Chane eulrienne : passer une
fois et une seule par chaque arte
du graphe
a
b
d
c
20
Un graphe connexe admet une chane
eulrienne si et seulement si le nombre de
sommets de degr impair est 0 ou 2
"On peut se "promener" dans le graphe en
passant une fois et une seule par chaque
arte si et seulement si le nombre de
sommets extrmits d'un nombre impair
d'artes est 0 ou 2."
Thorme d'Euler
21
Peut-on se promener dans la ville en traversant
chaque pont une et une seule fois ?
NON !
a
b
d
c
3
5
3 3
22
En ajoutant un pont:
OUI !
a
b
d
c
4
5
3 4
Dpart
arrive
23
Le problme de l'existence d'une chane
hamiltonienne dans un graphe.
W.R. Hamilton (1850) "Peut-on se
"promener" dans un graphe en passant une
fois et une seule par chaque sommet ?"
24
Existence d'une chane
hamiltonienne dans un graphe
a
b
d
c
a
b
d
c
OUI ! NON !
Une question laquelle il est bien difficile
de rpondre si le graphe est grand !
25
II.
Recherche Oprationnelle
et
Complexit
26
Approche de la thorie de
la complexit
Thorie dveloppe la fin du 20me
sicle (S. Cook 1970 et L. Levin 1973)
J. Edmonds, R Karp,
27
Une notion importante : lalgorithme
Un algorithme est une mthode de
calcul prcise, rigoureuse, qui pour
chaque donne fournit un rsultat
en un nombre fini dtapes
lmentaires.
Exemple : algorithme de Tri
(classement) de n lments (ordre )
28
Comparer les algorithmes de tri
n nombres
Enumration (idiot)
nombre dtapes born par c.n!
Slection (bte)
nombre dtapes born par a.n.(n-1)/2 = O(n
2
)
Fusion (malin)
nombre dtapes born par b.n.logn = O(nlogn)
a, b, c : constantes
29
Un tout petit peu de combinatoire
1 tape se droule en 10
-6
seconde
Le nombre d'tapes est de l'ordre de:
Log(n) n n
2
2
n
n!
n=10 2,3 10
-6
s 10
-5
s 10
-4
s 10
-3
s 3,6 s
n=25 3,2 10
-6
s 2,5 10
-5
s 6.2 10
-4
s 33,55 s 491.10
9
a
n=50 3,9 10
-6
s 5 10
-5
s 2,5 10
-3
s 35,7 a -
polynomial
efficace
non polynomial
non efficace
30
Algorithme
Un algorithme dont les donnes en entre
sont de taille n et dont le nombre dtapes
est born par
un polynme de n (n
2
, n
3
, n
10
, log(n),
nlog(n)) est dit polynomial. Il est
"efficace".
une puissance en n (2
n
, k
n
, n!....) est dit
exponentiel. Il n'est pas efficace.
31
Des problmes qui se ressemblent
et pourtant...
un problme "facile"
existe t'il une chane eulrienne dans G ?
et
un problme "difficile"
existe t'il une chane hamiltonienne dans G ?
32
Complexit
Attention!
Nous donnons ici une
rponse INTUITIVE
Problme de Dcision (dcidable)
Rponse par OUI ou NON
Qu'est la "thorie de la complexit" ?
33
Classe NP
De manire intuitive, un problme de
dcision est dans la classe NP si,
quand on sait que la rponse est OUI,
on peut facilement convaincre un tiers
que cest vrai.
Il est facile de VERIFIER que la rponse
est oui (mais on ne peut pas forcment
trouver que la rponse est oui).
34
Exemple si Carlos sait qu'il existe une
chane hamiltonienne dans un graphe
donn, il peut facilement vous en convaincre
Mais si le graphe
est grand,
Carlos ne pourra
pas savoir si
cette chane
existe
35
Exemple si Carlos sait qu'il existe une
chane hamiltonienne dans un graphe
donn, il peut facilement vous en convaincre
Mais si le graphe
est grand,
Carlos ne pourra
pas savoir si
cette chane
existe
Cest la nuance entre vrifier et
trouver
Facile vrifier nest pas
synonyme de facile trouver .
36
Classe P
Un problme de NP est "facile"
(polynomial) si on peut le rsoudre par
un algorithme "efficace"
(temps polynomial en fonction de la
taille de linstance)
Exemples
L'existence d'une chane eulrienne
dans un graphe
Vrifier qu'un nombre n'est pas premier
37
Un problme est "difficile" si les seules
mthodes connues pour le rsoudre
exigent un temps de calcul exponentiel
en fonction de la taille de linstance
Exemples
L'existence d'une chane hamiltonienne
dans un graphe
38
Classe NP-C
Un problme de NP est NP-complet si
"savoir le rsoudre efficacement"
implique
"savoir rsoudre efficacement TOUS les
problmes de NP" .
39
NP-C P
Problmes
NP
?
?
?
?
?
Problmes non classs
?
40
Pour montrer qu'un problme Pest
polynomial
il faut trouver un algorithme pour le rsoudre
et prouver que cet algorithme s'excute en un
temps qui augmente de faon polynomiale en
fonction de la taille de l'instance traite
41
Pour montrer qu'un problme Pest
NP-complet, on choisit un problme dj
connu pour tre NP-complet, soit P
nc
, et on
montre que P
nc
peut se "transformer" en P.
Donc, si on savait rsoudre P, on saurait
rsoudre P
nc
.
Or, on ne sait pas rsoudre P
nc
: donc il va
srement tre difficile de rsoudre P.
P va, son tour, tre class NP-complet.
42
NP-C P
Si on savait rsoudre facilement P on saurait rsoudre
aussi P
nc
; or on ne sait pas rsoudre P
nc
Pest donc srement difficile rsoudre
NP
?
?
?
?
P
nc
P
43
Les problmes sont classs de faon
incrmentale: la classe d'un nouveau
problme est dduite de la classe d'un ancien
problme.
L'tablissement d'un "premier" problme NP-
complet pour classer tous les autres s'est
donc avr ncessaire.
44
"satisfiabilit" d'une expression logique
Le problme SAT
(xVyVz)
.
(xVyVt) (yVzVt) (xVzVt)
. .
Exemple
x est vrai ou faux x vrai x faux

Exemple
une solution: x=vrai y=faux t=vrai z=vrai
Peut-on affecter des valeurs vrai ou faux
aux variables de telle faon que
l'expression soit vraie ?
45
Le thorme de Cook
Stephen Cook
a class le
problme SAT
comme NP-complet
SAT est le premier problme
NP-complet connu
46
Clay Mathematics Institute, Cambridge,
Massachusetts 02138 USA
47
Voulez-vous gagner 1 000 000 $ ?
Il "suffit" de dmontrer la conjecture suivante
P = NP
(ou bien de prouver que
P = NP)
Prix Clay
Pour prouver que P = NP il faudrait rsoudre
l'un des problmes NP-complets avec un
algorithme polynomial. Faire "tomber" un seul
de ces problmes dans la classe P ferait tomber
l'ensemble de la classe NP
48
NP-C
P
NP
?
?
?
?
?
Problmes
d'optimisation
NP-Difficiles
fa
cil
es
?
?
?
?
problmes de dcision
49
III.
Rsoudre un problme de
recherche oprationnelle
50
RESOUDRE UN PROBLEME DE RO
L'OPTIMISATION COMBINATOIRE
Maximiser ou Minimiser une
fonction "objectif" tout en
respectant un ensemble de
"contraintes"
51
La RO vise rsoudre certains problmes
par des mthodes scientifiques laide des
ordinateurs.
Le problme rsoudre est-il facile ou difficile ?
Si le problme est "facile": exhiber un
algorithme efficace.
Si le problme est "difficile":
et de "petite taille": chercher la solution optimale
du problme.
et de "grande taille": chercher une solution
approche et garantir la valeur de cette solution.
52
Faciles
Chercher un chemin min min ou max
Router un flot maximal entre 2
sommets sous des contraintes de
capacits
Ordonnancer des tches sous des
contraintes de prcdence
.
53
Difficiles
Router un flot maximal entre plusieurs
paires de sommets sous des
contraintes de capacits
Ordonnancer des tches sous des
contraintes de prcdence et de
moyens
.
54
Rsolution d'un problme de RO
"FACILE"
Solution optimale
trouve par un algorithme
polynomial
55
Chemin le plus court
d'un sommet vers tous les autres
a
b
e
c
d
8
3
6
2
2
4
2
(longueurs positives)
Algorithme de Dijkstra
1959
56

a
b
e
c
d

0
8
3
6
2
2
4
2
6
10 7
8
7
8
2
2
4
4
Complexit O(m+nlogn)
m arcs, n sommets
57
Rsolution d'un problme de RO
"FACILE"
Attention:
si l'instance est trs "grande"
mme un algorithme polynomial
peut tre impraticable
58
Bonnecomplexit O(log n) ou O(n) ou O(n log n)
Alluredequelquescourbes
n = 10
6
1 ms par oprations
n
3
n
2
nlogn
n
logn
log
2
n n nlog
2
n
n
2
n
3
20s
1 s 20 s 12 j 32 Ka
2 2
59
Rsoudre un problme difficile
MINIMISATION
Un exemple:
La localisation d'entrepts
60
O installer les entrepts?
Clients
61
Combien faut-il crer
d'entrepts et o faut-il les
installer de faon servir tous
les clients pour un cot* total
minimal?
(* Somme des cots relatifs aux entrepts
et la livraison des clients)
62
O installer les entrepts?
Clients
Servis par l'entrept le plus proche
63
Une application relle
Orange tlcom
Clients
Entrepts
=
quipements
=
sous-
rpartiteurs
SR
NRA
0
1
2
Clients
Mathieu Trampont
64
Rsolution d'un problme de RO
"DIFFICILE"
Instances de petites taille
Solution exacte: numration implicite
Partition de l'ensemble des solutions
Mthodes "arborescentes" ou "branch and
bound" ou "branch and price"
Rsolution d'un problme de RO
"DIFFICILE"
Instances de petite taille (min)
{Solutions} B
O
inf
B
O
sup
{Sol1} B
1
inf
B
1
sup
{Sol2} B
2
inf
B
2
sup
choix: equip
en S
a
choix: pas
d'equip en S
a
A chaque tape i:
B
i
inf
B
i
sup
Valeur optimale d'une
solution de l'ensemble
Soli
s
s
Problme de RO "DIFFICILE"
Instances de petite taille (min)
{Solutions} B
O
inf
B
O
sup
{Sol1} B
1
inf
B
1
sup
{Sol2} B
2
inf
B
2
sup
{Sol6} B
6
inf
B
6
sup
{Sol5} B
5
inf
B
5
sup
{Sol4} B
4
sup
<B
2
inf
{Sol3} B
3
inf
>B
2
sup
choix: equip
en S
a
choix: pas
d'equip en S
a
choix: equip
en S
b
choix: pas
d'equip en S
b
67
Solution approche avec garantie
solutions S*
S
Heuristique
Instances de grande taille (min)
Rsolution d'un problme de RO "DIFFICILE"
68
Solution approche avec garantie
bornes solutions S*
garantie
S B
Programmation
mathmatique
Heuristique
Instances de grande taille (min)
Rsolution d'un problme de RO "DIFFICILE"
69
Solution approche - Mtaheuristiques
Explorer de faon astucieuse l'espace
des solutions
Aspect alatoire de l'exploration
Recuit simul
Tabou
Alorithme gntique
Colonies de fourmis
Etc.
70
Mtaheuristiques: localisation
Le Recuit simul
permet de traiter des instances de
trs grande taille
fournit de trs bonnes solutions
passage d'une solution une solution
"voisine" en "dplaant" ou ajoutant ou
supprimant un quipement
71
Localisation Modle mathmatique
DONNEES
n nombre total de sites (S
1
,S
2
,..S
i
,..S
n
)
f
i
cot d installation dun quipement en i
c
ij
cot du service du client en S
i
par un
quipement en S
j
; c
ii
=0
(fonction de la distance S
i
-S
j
et de la
demande du client en S
j
)
72
VARIABLES
y
i
= 1 sil y a un quipement au site i
= 0 sinon i=1,..,n
x
ij
= 1 si j est servi par lquipement en i
= 0 sinon i=1,..,n; j=1,..,n
Localisation Modle mathmatique
73
minimiser
sous contraintes

= = =
+ =
n
i
n
i
n
j
ij ij i i
x c y f z
1 1 1
) 1 ( 1
1
j x
n
i
ij
=

=
) 2 ( j i y x
i ij
s
{ } { } j i x i y
ij i
e e 1 , 0 1 , 0
Localisation Modle mathmatique
74
minimiser
sous contraintes

= = =
+ =
n
i
n
i
n
j
ij ij i i
x c y f z
1 1 1
) 1 ( 1
1
j x
n
i
ij
=

=
) 2 ( j i y x
i ij
s
{ } { } j i x i y
ij i
e e 1 , 0 1 , 0
Localisation Relaxation "continue"
75
minimiser
sous contraintes

= = =
+ =
n
i
n
i
n
j
ij ij i i
x c y f z
1 1 1
) 1 ( 1
1
j x
n
i
ij
=

=
) 2 ( j i y x
i ij
s
Localisation Relaxation "continue"
j i x i y
ij i
s s s s 1 0 1 0
76
Calcul de bornes entier et continu
Programmation linaire (Min)
Valeur de S* Solution entire (0-1)
optimale
Valeur de S
c
Solution "continue"
optimale
>
77
Solution approche avec garantie
bornes solutions S*
garantie
S B Programmation
mathmatique
Heuristique
Rsolution d'un problme de RO "DIFFICILE"
Solution du PLNE
Solution du PL continu
78
Calcul de bornes
Programmation mathmatique
Programmation linaire (Dualit)
Relaxation lagrangienne
Gnration de colonnes
Programmation quadratique
Programmation semi-dfinie
79
8
5
Programme linaire Simple
Approche gomtrique
x
1
x
2
Rsoudre :
Max z=2x
1
+x
2
s.c. x
1
s 8 (1)
x
2
s 5 (2)
x
1
+x
2
> 6 (3)
4x
1
+x
2
s 24 (4)
x
1
> 0, x
2
> 0
x
1
=19/4, x
2
=5z=58/4
Maximisation
80
Programmation linaire
-Mthode de Gauss-Jordan (oprations de pivotage)
-Algorithme du simplexe (Dantzig, 1947)
-Algorithme dual du simplexe, variations du simplexe
-Algorithme de Khachiyan (1979)
-Mthodes de point intrieur
-Karmarkar (1984)
-Etc.
Minimiser (ou Maximiser) z=cx
s.c. Ax<b Cx>d Dx=e x> 0
Ceproblmeest polynomial, "simple" rsoudre.
81
Programme linaire en Nombres
Entiers (PLNE)
Rsoudre :
Max z=2x
1
+x
2
s.c. x
1
s 8
x
2
s 5
x
1
+x
2
> 6
4x
1
+x
2
s 24
x
1
e N, x
2
e N
x
2
5
x
1
Ceproblmeest NP-difficile, "difficile" rsoudre.
x
1
=5x
2
=4z=14
x
1
=19/4, x
2
=5z=58/4
82
Algorithmes approchs
garantie de performance a priori
Programme linaire en Nombres
Entiers (PLNE) ou en 0-1
Mthodes exactes :
-Procdures par sparation et valuation
-Plans scants (coupes)
-Etc.
Minimiser (ou Maximiser) z=cx
s.c. Ax<b Cx>d Dx=e xe N ouxe {0,1}
Algorithmes approchs :
-Heuristiques
-Bornes infrieures
83
Il existe des logiciels
Plusieurs "critres"
1
2
3
4
5
3,3
3,3
6,1
2,5
2,6
7,1
2,5
i j
l
1
(i,j), l
2
(i,j)
1
2
3
4
5
3,3
3,3
6,1
2,5
2,6
7,1
2,5
(13,2)
(11,9)
(9,19)
L
1
L
2
(7,14)
Plusieurs "critres"
* Souvent difficile
* Dominance de certaines
solutions
* Optimum de Pareto
Hors de cet expos
86
Tous les problmes
de dcision ou d'optimisation
prsentent des enjeux industriels et
conomiques trs importants:
production, cryptographie,
cologie...
87
IV
Domaines d'applications
88
A.
Planifier,
ordonnancer.
89
Ordonnancement de chantier Ordonnancement de chantier
90
Ordonnancement d'atelier Ordonnancement d'atelier
Ordonnancer
les passages
sur les
machines
91
Planifier n cours en le minimum de temps,
certains cours ne pouvant avoir lieu en parallle
(partage des ressources: classe ou prof).
conflits entre les cours graphe dexclusion mutuelle
1
2
3
8
5 7
4
6
Un exemple
Un cours =
un prof+une classe
Emploi du temps Emploi du temps
92
lorsque tous les cours ont la mme dure
c'est un problme de coloration
Colorer un graphe
=
attribuer une couleur chaque sommet sans que
deux sommets voisins aient la mme couleur
93
lorsque tous les cours ont la mme dure
ordonnancement = coloration du graphe
1
3
2
4 5
7 8 6
1
2
3
8
5 7
4
6
c'est un problme de coloration
t
Un exemple
Salle 3
Salle 2
Salle 1
Obtenir un bon emploi du temps: un problme trs difficile
94
Planification des centre dappels
(Bouygues Tlcom)
Charges salariales = 70% des cots de lentreprise.
6 millions de clients
2500 tlconseillers de clientle (TC)
7 sites, 33 activits
70000 appels par jour
Cot annuel > 100 M
95
Problmatique annualisation du temps de travail
Donnes
courbe de demande
contrats des TC (droits)
Objectif
affecter au mieux les
jours de cong aux TC
Contraintes
rpondre la demande
respecter les contrats
96
B.
Stocker,
grer.
97
Suivi de production
Respect des dlais
Gain de temps
Respect du client
Meilleure comptitivit
Organisation du travail
rsistance aux alas

Gestion de la production,
des stocks et de la maintenance
98
C.
Transporter
99
Transport, logistique
Optimisation des
tournes de vhicules,
distribution
Relations fournisseurs /
clients
Organisation des
centres logistique.
100
Transport, logistique
Le ramassage
scolaire
101
D.
Emballer,
ranger.
102
Le problme
Plusieurs objets
Comment mettre les objets dans les Botes en
utilisant le moins possible de Botes ?

Plusieurs Botes
103
o est le problme ?
Algorithme :
On les met au hasard et voil !
7
4
2 6
3
1
9
5
8
Plusieurs objets
7
4
2
6
3
1
9
5
8
104
Ide meilleure ?
Algorithme :
Classer les objets du plus grand au plus
petit
Remplir chaque Bote avec le prochain plus
grand objet possible dans la liste.
Algorithme gourmand (ou glouton)
105
Quatre Botes , pas mieux!
7
4
2
6
3
1
9
5
8
Plusieurs objets
7
4
2
6
3
1
9
5
8
Trois Botes
7
4
2
6
3
1
9
5
8
2
106
Passons en 3D
trop grande !
boite quasi idale
objets
107
Le problme
Dterminer la boite idale
pour placer les objets (celle
qui peut accueillir les objets
et qui minimise la place
perdue).
Problmes de chargement
de bateaux (2 degrs de
libert, objets similaires)
avec des conteneurs.
108
E.
Router,
relier.
109
Web
Rseau de mobilophonie
110
Scuriser les liaisons
Amliorer la qualit du service
Rduire le diamtre du graphe
diamtre du graphe = distance max entre 2 points
111
Calculer le diamtre dun graphe:
.un problme facile
Matrice des plus courts chemins
Algorithme en O(n
3
)
MAIS
Impossible en pratique pour les grands
graphes
(plusieurs centaines de millions de sommets)
112
Router Calcul ditinraires
en fonction du traffic :
Donnes actualises
toutes les 5 minutes
Informations ncessaires
en temps rel
Temps disponible pour
calculer un itinraire :
1/10
me
de seconde
113
Calcul ditinraires
Prcalculs ditinraires
stockables impossible
Approximation de la
longueur des chemins
114
F.
Soigner,
grer les hopitaux
115
Imagerie mdicale
Tomographie
reconstitution dimages
partir dinformations
fragmentaires, estimation
dun corps partir de ses
projections
Tomographie discrte
image constitue de pixels
Reconstruction dune
matrice binaire partir de
ses projections en ligne et
en colonne
Existence de la matrice ?
Reconstruction de la
matrice ?
Unicit de la solution ?
116
Lutte contre le cancer
Curiethrapie haut dbit de
dose
Radiation interne (sources
radioactives introduites par
voie opratoire lintrieur du
corps du patient).
Lutte contre le cancer en
particulier pour les tumeurs
malignes localises.
Optimisation de la distribution
de dose
Recherche dun placement
optimal des faisceaux.
117
ADN
Oligonuclotides
courtes squences dADN ou
ARN (20 paires de bases, i.e.
association Adnine (A),
Thymine (T), Guanine (G),
Cytosine (C).
Reconstruction de chanes dADN
connues partiellement
Entre : un ensemble doligo
(mots dun alphabet {A,T,G,C})
Reconstruire la squence ADN
dorigine.
Difficults diffrentes selon
que lentre contient ou non
des erreurs, selon les parties
non connues,
118
Gestion des ressources hospitalires
Ressources critiques =
blocs opratoires.
Objectifs : satisfaire les
patients, minimiser les cots
Planification de lutilisation
des blocs opratoires
Planification des horaires du
personnel (infirmires, etc.)
Gestion de la Supply Chain
hospitalire (strilisation, )
119
G.
Le domaine
spatial
120
Constellation de satellites
Objectif:
couvrir un territoire
moindre cot
Dterminer
Le nombre de
satellites lancer
Leurs orbites
121
I.
La Finance
122
123
H.
L'environnement
et le
dveloppement
durable
124
Gestion des ressources
Gestion de la fort
Gestion de l'eau

Les enjeux dveloppement durable
126
Dveloppement en Afrique
Favoriser une culture scientifique
dans la prise de dcision
Intervention de la RO tous les
niveaux
Gouvernements
Administrations publiques
Industries
ONG
Domaines abords :
Gestion des ressources en eau,
industries manufacturires
transport (approvisionnement)
finance
nergie
environnement
urgence humanitaire

127
I.
L'energie
Energie
Design et planification des centrales
Localisation des sites
Organisation de la production
Politique des prix
..
Energie
130
CONCLUSION
Les enjeux de la RO
131
Les progrs
avances thoriques sur les
algorithmes de
programmation linaire
avances thoriques sur les
algorithmes de
programmation linaire en
nombres entiers
enfin, ordinateurs plus
rapides.
1 an de calcul, en 1980 =
quelques secondes en 2008 !
Progression dun facteur
1 000 000 000 !
132
ENJEUX de la RO
Entreprises
Amliorer la comptitivit des entreprises
Prserver des emplois
Accder linnovation
Domaine Politique
Meilleures dcisions stratgiques
Environnement
Meilleure gestion des ressources
Sant
rationaliser et optimiser
133
Intrts de la RO-AD
Les outils de RO-AD
aident trouver
une solution o lhomme nen trouvait pas
une solution sur des problmes nouveaux o lhomme na
aucune exprience
plusieurs solutions l o lhomme nen envisageait quune
une ou des solutions robustes
aident juger de la qualit dune solution
o lhomme ne peut pas le faire
aident confirmer / justifier des dcisions
134
Apports
Exemples:
gain annuel de $3 millions pour une entreprise
amricaine de rparation de vhicules (Interfaces vol. 36 (5),
oct. 2006, pp. 407-419).
rduction du dlai de production de 20% et du
retard de livraison de 50% pour lentreprise
Caterpillars Building Construction (Interfaces vol. 36 (4), juil.
2006, pp. 283-295).
gains de 5% sur la production et la distribution de
gaz carbonique par Air Liquide (mise en uvre
dun outil de SupplyChain par Eurodecision).
Etc.
135
Entreprises trs concernes par la
RO
SNCF
Air France
Gaz de France
EDF
Air Liquide
Orange
Bouygues
CNES
Powernext

+
Eurodcision
Artlys
Rostudel

Et les PME ??
136
La Recherche oprationnelle
Domaine scientifique assez peu
connu en France
Discipline en pleine rvolution
Rsolution de problmes quon nimaginait
pas il y a 20 ans !
Domaines dapplication en pleine
expansion.
137
Le Monde Informatique n1110, 14avril 2006, page 34, Anne-Marie Rouzer
138
Un autre expos.
Optimisation multicritre
Aide la dcision
Optimisation stochastique
Dcision dans l'incertain
Optimisation globale
Programmation par contraintes