Simulation Des Procédés

OPTIMISATION
et
SIMULATION
des
PROCESSUS
Belkacem OULD BOUAMAMA

Professeur : Ecole Polytechnique de Lille (poltech-lille.fr )
Recherche : Laboratoire d'Automatique, Gnie Informatique et Signal (LAGIS - UMR CNRS 8021)
Coordonnes :
belkacem.bouamama@univ-lille1.fr
Tel: (33) (0) 3 28 76 73 97 , mobile : (33) (0) 6 60 12 30 20
PRESENTATION
Du
COURS
Chap1 : METHODES STATISTIQUES

DIDENTIFICATION
Chap.
1/3
Copyright : Prof. B. Ould Bouamama ,

PolytechLille
Chapitre 1: INTRODUCTION
Dfinitions & but de la simulation et de l'optimisation de processus
Importance et rle de l'optimisation dans la protection de
l'environnement
Etapes de rsolution d'un problme d'optimisation d'un processus

DIDENTIFICATION
Chap.
Chap
1/4

PolytechLille
TRAITEMENT DE DONNEES EXPERIMENTALES D'UN PROCESSUS

Mthodes statistiques de modlisation : Dfinitions & but
Modles de rgression
Principe des mthodes des moindres carrs (MMC)
Rgression linaire multiple
Adquation des modles et signification des coefficients
Vrification des hypothses de rgression
Mthodes de corrlation
Exemple d'application
Estimation rcursive
MMC avec facteur de pondration
Mthode des MC avec fentre glissante
Exemple d'application

DIDENTIFICATION
Chap.
1/5

PolytechLille
Chap3: OPTIMISATION DES PROCESSUS

TECHNOLOGIQUES
Problmatique de l'optimisation des processus technologiques
Mthodes analytiques d'optimisation
Programmation linaire
APPLICTION :
TD de 4h : utilisation du logiciel Matlab pour la simulation d'un
problme d'optimisation d'un processus chimique en vue de
minimiser le taux de pollution
CHAP1
INTRODUCTION

DIDENTIFICATION
Chap.
Chap1
1/7
:
Introduction

PolytechLille
Dfinitions & but de la simulation et de l'optimisation de

processus
Importance et rle de l'optimisation dans la protection de
l'environnement
Etapes de rsolution d'un problme d'optimisation d'un
processus

DIDENTIFICATION
Chap.
objectifs
1/8

PolytechLille
Importance &
des modles
statistiques
Caractre stochastique de la majorit des phnomnes;

" L'intelligence des statistiques sera un jour une comptence aussi
indispensable l'exercice de la citoyennet que la lecture ou
l'criture". (H.G.Wells).
Objectifs
Fournir des lois, de nature "statistique", l o il n'est pas
possible d'en fournir qui soient de nature certaine ou
dterministe.
Applications
Sondage, prvision, contrle des processus indust. Lois empiriques

DIDENTIFICATION
Chap.
Modlisatio
1/9

PolytechLille
n?
Dfinitions
Modlisation ? : Ensemble des procdures permettant dobtenir un modle
Modliser un systme = capable de prdire le comportement du systme
Subjectivisme de la modlisation : modle = intersection du systme et du
modlisateur
Modle jamais "exact"?
Importance
Outil d'aide la dcision., Support de la simulation,
Reprsente 50 % dun projet de commande
Perspectives grce l'informatisation
Un modle pourquoi faire ?

Concevoir, Comprendre, Prvoir, Commander (dcider).

DIDENTIFICATION
Un

PolytechLille
Chap.
modle
1/10comment
faire ?
1. MODELE DE CONNAISSANCE
Obtenu sur la base des lois physiques, conomiques etc..

Difficults de dcrire fidlement les phnomnes complexes;
Hypothses simplificatrices;
Dilemme- prcision-simplicit
Un modle simple est faux, un modle compliqu est inutilisable.
Les paramtres ont un sens physique donc modle commode pour l'analyse.
2. MODELE DE REPRESENTATION
Systme "boite noire";

Exprience active (systme drang) ou passive (alatoire);
Etape qualitative (connaissances a priori) et quantitative;
Paramtres du modle n'ont aucun sens physique;
Modle de conduite (modle E/S) utile pour la commande;
Complment du modle de reprsentation.

DIDENTIFICATION
Chap.
Classification
1/11
modles

PolytechLille
des
selon le caractre des rgimes de fonctionnement

statique et dynamique
selon la description mathmatique

linaire, non linaire
selon les proprits dynamiques

paramtres localiss, paramtres distribus
selon lvolution des paramtres :

stochastique , dterministe
selon le nombre de variables :

monovariable (SISO) , multivariable (MIMO)

DIDENTIFICATION
Chap. de
tapes
1/12
modlisation

PolytechLille
Chapitre 3
OPTIMISATION
13
Chap3 : OPTIMISATION
Chap.3/
14

PolytechLille
INTRODUCTION
OPTIMISATION : Obtention d'un meilleur rsultat sous
quelques conditions.
Critre d'optimalit : Fonction conomique ou de but.
Reprsentation quantitative du but d'optimisation.
Importance du modle mathmatique.
Formes de la f-n de but (Algbrique, diff-elles..)
CONTRAINTES (Restrictions) : Limitations des ressources
disponibles.
EXEMPLES : Maximum de profit avec ressources limites etc..
Chap.3/
15

PolytechLille
CONDITIONS
D'OPTIMISATION
Optimisation d'une seule grandeur :

Impossible de maximiser le profit avec minimum de ressources .
Degr de libert suffisant du systme a optimiser
Ressources suffisantes pour satisfaire le but d'optimisation.
EVALUATION QUANTITATIVE DE LA QUALITE

D'OPTIMISATION
Formulation mathmatique du critre;
Comparer les effets des diffrentes actions de commande.
Chap.3/
16

PolytechLille
METHODES
D'OPTIMISATION
METHODES ANALYTIQUES
Utilisent les mthodes classiques de l'analyse mathmatique

(Extremum d'une f-n)
Utilises dans le cas d'un critre d'optimalit d'expression simple;
Emploi limit : Difficults avec apparition de contraintes et plusieurs
variables.
METHODES DU CALCUL VARIATIONNEL

Critre est sous forme de fonctionnelle ou dont la solution est une
fonction inconnue;
Utilises pour l'optimisation statique des systmes paramtres
distribus ou dans la programmation dynamique;
Permettent de rsoudre le problme optimale en intgrant le systme
d'quations diffrentielles;
Rsolution en prsence de contraintes type galit ou ingalit.
Chap.3/
17

PolytechLille
METHODES
D'OPTIMISATION
PROGRAMMATION DYNAMIQUE
Rsolution des problmes d'optimisation de processus discontinus;

Critre d'optimalit est le rsultat de la somme de plusieurs critres
de chaque stade;
La mthode se prsente sous forme d'un algorithme pour la
dtermination d'une stratgie de commande optimale de tous les
stades du processus en tenant compte de toutes les contraintes;
PRINCIPE DU MAXIMUM
Utiliss pour les problmes dcrits par des systmes d'quations
diffrentielles;
La solution optimale est la rsolution des quations diffrentielles
dcrivant le processus et celui des contraintes pour des conditions
aux limites reprsentant le domaine de l'intervalle d'intgration.
Chap.3/
18

PolytechLille
METHODES
D'OPTIMISATION
PROGRAMMATION NON LINEAIRE

Pour la rsolution de problmes ayant une fonction but non
linaire;
Contraintes peuvent aussi tre non linaires sous forme galit ou
ingalit;
Utilises en pratique lorsque le problme ne peut tre rsolu par
d'autres mthodes;
Plusieurs algorithmes numriques existent pour la rsolution de
ce type de problme;
Mthode indirecte : L'action de la recherche de l'optimum
(direction et module) dpend des informations prcdentes
recueillies sur le calcul du critre
Chap.3/
19

PolytechLille
PROGRAMMATION LINEAIRE
(PL)
DFINITION
Mthode de recherche de l'extremum du critre d'optimalit dans
les problmes dont les quations sont linaires.
FORMULATION MATHEMATIQUE
Fonction conomique : Elle associe linairement les quantits de
facteurs utiliss et les profits unitaires correspondants
F C1 X 1 C2 X 2 ... Cn X n
Avec: X i : Quantits du i ime facteur; Ci : Marge (Cot) du i ime facteur.
Contraintes : La manire dont les facteurs peuvent tre combins

pour utiliser les ressources et gnrer un rsultat au travers de F
ou
a X a X ... a X B
1 1 2 2
n n
a X a X ... a X B
1 1 2 2
n n
en plus :
X 1, X 2 ,... X n 0
ai : Nombre d'heures de travail ncessaires

pour fabriquer une unit du produit i;
B : Total des heures disponibles pour la
fabrication des n produits.
Chap.3/
20

PolytechLille
Problmatique de
la PL
But :
Optimiser les rsultats conomiques tout en tenant compte
strictement des contraintes
Dterminer
X X 1
X 2 ... X n
tel que:
F Ci X i Max.( Min.)
et
ai X i () B.
Chap.3/
21

PolytechLille
Niveaux d'apprhension de
la PL
FONCTION
CONOMIQUE
FORME DES
CONTRAINTES
Peut-on amliorer la solution

du problme en modifiant la
structure des contraintes
Modification de technologie
ou de produits fabriqus?.
La f-n conomique peut-elle tre

modifie pour une meilleure
utilisation
des
ressources
:
modifier les prix, les marges
NIVEAU DES
RESSOURCES
Le desserrement des contraintes par

un accroissement des ressources
permet-il d'amliorer la f-n conomique
d'un montant suprieur aux ressources
engags ?
Chap.3/
22

PolytechLille
RESOLUTION DUN
PROBLEME PL
1. METHODE GRAPHIQUE
Lorsque le nombre de variables est limit (< 2), il est possible de
rsoudre un problme d'optimisation linaire graphiquement
EXEMPLE
Une socit fabrique 2 produits P1 et P2. Il faut leur faire subir des
oprations dans 3 ateliers diffrents o ils doivent tre progressivement
monts.
Soit A1, A2 et A3 les 3 ateliers : Estampage, reprise et Assemblage.
Les profits unitaires raliss sur les produits P1 et P2 sont
respectivement 15 F et 12,5 F.
Chap.3/

PolytechLille
23
Mthode graphique de
la PL
Capacits d'usinage (en nbre de pices)

Estampage
Reprise
Assemblage P1
Assemblage P2
Produit P1
25 000
33 333
22 500
Produit P2
35 000
16 667
15 000
Les pourcentages (% du temps d'occupation disponible) des

capacits totales utilises pour chaque fabrication unitaire sont :
(Calculs : pour estampage : 100/25000 = 0.004 % de la capacit totale pour chaque
unit)
Estampage
Reprise
Assemblage P1
Assemblage P2
Produit P1
0,004
0,003
0,0044
Produit P2
0,00286
0,006
0,00667
Capacit unitaire tot.

utilis [%]
100
100
100
100
Chap.3/
24

PolytechLille
Mthode graphique de
la PL
Question :
Quantit de produits P1 et P2 produire de telle sorte que :
Le profit soit maximal;
Tout en respecter les limitations de capacit de production
1. Formulation mathmatique
Soit X1 et X2 les quantits des produits P1 et P2 produire
Fonction de profit : F 15 X1 12,5 X 2 Max.
Contraintes (Limitation des capacits de production) :
0,004 X1 0,00286 X 2 100 : Estampage
0,003 X 1 0,0060 X 2 100 : reprise
0,0044 X 1 0 X 2 100 : Asemblage P1

0 X 0,00667 X 100 : Asemblage P2
1
2
X1, X 2 , X 3 0
Chap.3/
25

PolytechLille
2. RESOLUTION GEOMETRIQUE
On trace sur le plan OX1 et OX2 trace les droites :
(1)....0,004 X 1 0,00286 X 2 100

( 2)....0,003 X 1 0,0060 X 2 100
(3)...0,0044 X 1 0 X 2 100
( 4).... 0 X 1 0,00667 X 2 100
X2
Les valeurs des var. X1 et X2 au

dessous des droites (1), (2) et (4),
et gauche de (3);
E s ta m p a g e (S a tu r a tio n )
(1 )
35
30
O P T IM A L
A s s e m b la g e P 1 (N o n s a tu r a tio n )
25
(3 )
X1 et X2 ne peuvent tre < 0

car ce serait un non-sens du
point de vue conomique ;
20
R
15
(4 )
10
A s s e m b la g e P 2
(N o n s a tu r a tio n )
(2 )
R e p r is e
(S a tu r a tio n )
N
0
10
15
20
Toute solution doit se

trouver dans la zone
ombre
X1
25
30
x1000
Chap.3/

PolytechLille
26
Mthodologie :
On dplace paralllement elle mme la droite F jusqu'au point extrme
P, o la droite F cesse d'avoir un point commun avec le domaine du
polydre OMNPQR, form par le plan associ aux contraintes en ce point
X2
35
Point optimal P
X1opt=20363
X2opt=6485
Fmax=159271 FF
E s ta m p a g e (S a tu r a tio n )
(1 )
30
O P T IM A L
A s s e m b la g e P 1 (N o n s a tu r a tio n )
25
(3 )
20
R
15
(4 )
10
A s s e m b la g e P 2
(N o n s a tu r a tio n )
(2 )
R e p r is e
(S a tu r a tio n )
N
0
10
15
20
X1
25
30
x1000
Chap.3/
27

PolytechLille
ANALYSE DES RESULTATS

En ce point P les capacits limites ne sont pas toutes atteintes :
0,004 20363 0,00286 6485 100 Saturation
0,003 20363 0,0060 6485 100 Saturation
0,0044 20363 89,60 Non saturation
0,00667 6485 43,25 Non saturation
En produisant 20363 produits de P1 et 6485 de P2, le profit sera optimal,

les capacits d'estampage et de reprise seront satures tandis que celles
d'assemblage ne le seront pas.
Propositions :
Diminuer la capacit d'assemblage de P2 (si c'est possible) ce qui diminuera
le prix de revient donc augmenter le profit.
Augmenter le profit en variant le profit unitaire correspondant chacune des
fabrication (ceci se traduit par une plus grande inclinaison de F sur la figure).
Chap.3/
28

PolytechLille
LIMITES DE LA SOLUTION GRAPHIQUE

Si nombre de variables > 3 problme de reprsentation
Si par ex. n=15 et m (nombre de contraintes) =10, la mthode
graphique conduit plus de 3 millions de points d'intersection.
Chap.3/
29

PolytechLille
ALGORITHME DU
SIMPLEXE
Mthode dite simpliciale ou mthode du simplexe,

labore par George Dantzig (USA).
Utilise la procdure employe par le graphe :
On value les performances de chaque sommet du polydre dlimit par les
contraintes en n dimensions : La sol. opt. est acquise lorsque aucune
modification ne permet d'amliorer la valeur de la fonction conomique.
Chap.3/
30

PolytechLille
EXEMPLE
Une entreprise peut fabriquer sur une seule machine fonctionnant
45h/semaine 3 produits P1,P2,P3.
Les profits nets sont respectivement : 4F, 12F et 3F.
Rendement de la machine (Nbre d'article/h) : 50 P1/h, 25 P2/h, 75
P3/h.
Possibilits de ventes : 100 P1, 500 P2, 1500 P3.
Question :
Rpartir la capacit de production entre les 3 produits pour
maximiser le profit
Chap.3/
31

PolytechLille
FORMULATION MATHEMATIQUE
X1, X2 et X3 : Quantit des produits P1, P2 et P3
F : La fonction conomique
F 4 X 1 12 X 2 3 X 3 Max.
Contraintes:
0 X1 1000
0 X 2 500
0 X 3 1500
X1 X 2 X 3
453 X1 6 X 2 2 X 3 6750
50 25 75
Variables d'cart (V.E.) : X4, X5 , X6 et X7

Elles permettent de transformer les ingalits en galits afin de prendre en compte la
saturation d'une contrainte (V.E. = 0) ou la non saturation (V.E. > 0).
V.E. = La diffrence entre les valeurs des 1er et 2-me membres des 3 inquations
Chap.3/

PolytechLille
32
MISE EN EQUATION AVEC LES V.E
X1 X 4 1000
X 2 X 5 500
X 3 X 6 1500
3 X16 X 2 2 X 3 X 7 6750
FORME MATRICIELLE
1
0
0
1
0
6
0
0
1
2
1
0
0
0
0
1
0
0
(1) (2) (3) (4) (5) (6) (7)
0
0
1
0
0
0
X1
X
2 1000
X3
500
X 4
1500
X5
6750
X6
X 7
X 4 , X 5 , X 6 , X 7: Variables de BASE;
X1, X 2 , X 3: Variables hors base.
Chap.3/
33

PolytechLille
INITIALISATION
Solution vidente mais sans intrt :
X 1 X 2 X 3 0
Alors: X 4 1000, X 5 500, X 6 1500, X 7 6750
Sens : Profit nul (Valable lors de a fermeture annuelle pour cong pay)
Cette solution donne le sommet 0 du polydre.

Passons de ce sommet initial un sommet voisin, en augmentant la
valeur de F, si possible.
Chap.3/

PolytechLille
34
FORMULES DE CHANGEMENT DE COORDONNEES

j
C i In d ic e
( C o t b a s e ) V .E .
Colonne j=2, ligne i=5
A1
X j
A2
A3
A4
A5
A6
A 7
A 0
X i
C j
S o lu tio n
j
4
0
4
12
0
12
3
0
0
3
1000
0
0
500
0
0
1500 6750
0
0
0
C o e ffic ie n ts d e F
F=0
C o ts m a r g in a u x
Chap.3/
35

PolytechLille
COUTS MARGINAUX j : Coefficients de la fonction conomique

F 4 X1 12 X 2 3 X 3 1 4, 2 12, 3 3.
Sortie d'un vecteur Ai de la base et entree d'un vecteur Aj dand la

base : Xij "PIVOT". (Intersection ligne i et colonne j)
CRITERES DE DANTZIG
Pour dterminer la colonne Aj qui doit ENTRER dans la base, on
slectionne celle qui compte le cot marginal le PLUS GRAND.
(Pour amliorer la solution initial, il est judicieux de faire d'abord entrer dans
cette solution la variable qui apporte la marge la plus grande.)
2 12 grand ( j 2) 2mecolonne
Chap.3/
36

PolytechLille
Pour dterminer la colonne Ai qui doit SORTIR de la base, on choisit

celle d'indice i telle que
Voir tableau : i=ligne
Xi
Soit le PLUS PETIT parmi ceux positifs
X ij
n5, j=2 colonne
0
1
1000
500 X i
1000 500 1500 3750
j max=12 j 2 X ij , X i
;
(i 4,5,6,7) ,
,
,
0
1500 Xi 2
1 0
6
0
6
3750
La colonne i=5 va sortir de la base car x5 /x52 est le plus petit. Alors :
La colonne i=5 va sortir de la base (i=5);
La colonne j=2 va entrer dans la base (dj choisi celle qui compte le cot marginal
le plus grand j=2);
L'lment X52 est le pivot de la transformation (ici X 52 =1)
X2 va entrer dans la base;
Nouvelle base (4), (2),(6),(7).
Chap.3/

PolytechLille
37
ETAPE 1 : i = 5, j = 2
TABLEAU N 1 : Nouvelle base (4,2,6,7)
j
C i I n d ic e
( C o t b a s e ) V .E .
A1
X j
A2
A3
A4
A5
A6
A 7
X 2 e n tr e
d a n s la b a s e
A 0
X i
C j
S o lu tio n
j
4
0
4
12
500
0
3
0
3
0
1000
0
0
0
0
1500
-1 2
0
0
3750
0
F=6000
Chap.3/
38

PolytechLille
Comment calculer les nouvelles valeurs du tableau ?

On se base sur le tableau initial tel prsent plus haut
Nouvelle valeur de la fonction economique F
F (ancienne valeur de la f-n conomique) = 0;

j (cot marginal maximal) = 12
i 5 X i X 5 500
j 2 X ij X 25 1
Alors : F' = 0+(500/1).12 = 6000
F F
Xi
. j
X ij
Chap.3/
39

PolytechLille
Valeur de l'lment de la ligne K dans la colonne A0

X K X K X KJ .
X i
Xi
X ij
Xi
si K i
X ij
si K i
X 4 X 4 X 42 .
X 5 .
X5
500
10000.
1000 ( K i );
X 52
1
X5
500 ( K i );
X 52
X 6 X 6 X 62 .
X5
500
15000.
1500 ( K i );
X 52
1
X 7 X 7 X 72 .
X5
500
67506.
3750 ( K i ).
X 52
1
Chap.3/

PolytechLille
40
Valeur de l'element de la ligne K dans la colonne Al

Colonne1l 1(Elmentsinchangs car X il = X 51 = 0):
X 41 X 42 .
X 41
X Kl X KJ .
X Kl
X
X il il
X ij
X il
si K i
X ij
si K i
.
X 51
X 51
0
10. 1 ( K i );
X 52
1
X 51 0
0 ( K i );
X 52 1
.
.
X 71 X 72 .
X 71
X 51
0
30. 3( K i );
X 52
1
.
.
Colonne5,Ligne7 Elment X 75.
X 75 X 72 .
X 75
X 55
1
06.. 6( K i );
X 52
1
Chap.3/

PolytechLille
41
Nouvelles valeurs des cots marginaux j

j 2 j max 2 12; i 5; K (1,2,3...7) N colonne.
K Ancienne valeur.
K K j .
j 0
X iK
si K j
X ij
si K j
Alors:
1 1 2 .
X 51
0
412. 4 ( K j; )
X 52
1
2 0 ( K j );
3 3 2 .
X 53
0
312. 3 ( K j );
X 52
1
4 4 2 .
X 54
0
012. 0 ( K j );
X 52
1
5 5 2 .
X 55
1
012. 12 ( K j );
X 52
1
6 6 2 .
X 56
0
012. 0 ( K j );
X 52
1
7 7 2 .
X 57
0
012. 0 ( K j ).
X 52
1
Chap.3/
42

PolytechLille
l'optimum est atteint lorsque tous les couts marginaux J sont

ngatifs ou nuls. Car dans ce cas son passage la base
provoquerait une diminution du critre d'optimalit.
ETAPE 2 : i = 4, j = 1
Sur la base du tableau de l'tape 1 on a :
j max 4 j 1
Xi
X ij
le plus petit 0:
1000 500 1500 3750

,
,
,
i4
1
1
0
3
PIVOT :X 41 : Ligne ayant indicei 4 Colonneayantindice j 2
Les coefficients sont calculs comme prcdemment et on obtient :
Chap.3/

PolytechLille
43
TABLEAU N 2 : Nouvelle base (1,2,6,7)
j
Ci
(Cot base)
Indice
V.E.
A1
Xj
A2
A3
A4
A5
A6
A 7
A 0
Xi
X1
entre
base
C j
Solution
4 12 3 0 0 0 0
1000 500 0 0 0 1500 750
0 0 3 -4 -12 0 0
Coefficients de F
F = 10000
Cots marginaux
Chap.3/
44
ETAPE 3 : i = 7 , j = 3
j max.=3 j=3;
Xi
750
le plus petit 0est
i7;
Xij
2
PIVOT : X 73 2.

PolytechLille
Chap.3/

PolytechLille
45
NOUVEAU TABLEAU
Nouvelle base
j (1,2,6,3)
Ci
(Cot base)
Indice
V.E.
A1
Xj
A2
A3
A4
A5
A6
A 7
A 0
Xi
X3 entre
dans base
C j
Solution
4 12 3 0 0 0 0
1000 500 375 0 0 1125 0
0 0 0 1/2 -3 0 - 3/2
Coefficients de F
F = 11125
Cots marginaux
> 0 L'optimum
n'est pas atteind
Chap.3/
46

PolytechLille
DERNIERE ETAPE : i = 6, j = 4
j max.=1 2 j=4;
Xi
1125
le plus petit 0est
i6;
X ij
32
PIVOT : X ij X 64 3 2 .
Les valeurs des lments XKl , XK K et F sont calcules sur la

base du tableau ci-dessus tel prsent, d'une faon analogue
Chap.3/

PolytechLille
47
j
C i I n d ic e
(C o t b a s e ) V .E .
X j
A1 A2
A3
A4
A5
A6
A 0
A 7
X i
C j
S o lu tio n
j
12
250 500
0
0
3
1500
0
0
750
0
0
0
-4
0
0
-1 /3
< 0
0
0
-4 /3
F=11500
L 'o p tim u m
e s t a tte in d
SOLUTION OPTIMALE:
X1 250, X 2 500, X 3 1500
F 4. X 1 12. X 2 3. X 3 11500 F
Chap.3/
48

PolytechLille
Commentaires :
Saturation de ventes pour les produits P3 et P2
Non-saturation pour le produit P1.
La machine est occup pleinement puisque 3X1+6X2+2X3=
6750h/semaine
Chap.3/
49

PolytechLille
Programme sous MATLAB

% Introduction de donnes :
Home
r=-[4 12 3]; % on met le signe (-) car on maximise et non
minimise
A=[1 0 0;0 1 0;0 0 1;3 6 2];
B=[1000;500;1500;6750];
% Recherche de la solution optimale x=[x1opt x2opt
x3opt]
[xopt,FVAL]=LINPROG(r,A,B)
%valeur maximale de la fonction
fopt=4*xopt(1)+12*xopt(2)+3*xopt(3)
METHODE DE LAGRANGE
50
Chap.3/
51
Problmatiq
ue

PolytechLille
Soit une fonction g(x1, x2, xn) trouver un extremum

Les variables x1, x2, xn ne sont pas indpendantes : elles sont
relies par m relations
CONTRAINTES
1 x1 , x2 ,...xn 0
x , x ,...x 0
2 1 2
n
.
.
m x1 , x2 ,...xn 0
m<n
Introduisons j(j=1,m) de nouvelles variables dites

Multiplicateurs de Lagrange et formons :
x1 ,...xn , 1 ,...m g ( x1 ,...xn ) 11 ( x1 ,...xn ) 2 2 ( x1 ,...xn ) ...m m ( x1 ,...xn ) 0
Chap.3/
52
Conditions
dextremum

PolytechLille
Conditions dextremum :
( x1 , x2 ,...xn )
0
x1
( x1 , x2 ,...xn )
0
x2
.
.
( x1 , x2 ,...xn )
0
xn
1 x1 , x2 ,...xn 0
x , x ,...x 0
2 1 2
n
Equations de contraintes
.
.
m x1 , x2 ,...xn 0
Chap.3/
53

PolytechLille
Problme global doptimisation

( x1, x2 ,...xn )
0
x1
.
.
n quations
( x1, x2 ,...xn )
0
xn
1 x1, x2 ,...xn 0
.
.
m quations
m x1, x2 ,...xn 0
Ce systme (n+m) quations permet de dterminer les variables

technologiques optimales et les valeurs des m multiplicateurs de
Lagrange pour lesquelles la fonction de but est optimale et les
contraintes respectes
Chap.3/
54
Exemple
dapplication

PolytechLille
EXEMPLE
Dterminer les dimensions dun rservoir cylindrique de volume V
donne, qui possde une surface S minimale.
R
Fonction minimiser : S 2 R 2 Rh g ( R, h ) (1)

Contrainte : V R 2 h 1 ( R, h ) V R 2 h 0 ( 2)
Chap.3/

PolytechLille
55
Solutio
n
Formulation mathmatique
Fonction minimiser : S 2 R 2 Rh g ( R, h ) (1)

Contrainte : V R 2 h 1 ( R, h ) V R 2 h 0 ( 2)
Dveloppement : mthode de Lagrange

Fonction de Lagrange
(R, h) 2 R 2 Rh V R 2 h (3)
Conditions optimales
Solution
Rsolution du
R1
systme dquations
( R, h)
2 2 R h 2RH 0 (4)
( R, h) 2R R 2 0 (5)
h
(9) dans (7) et (8)
0, Pas d' interet (6), R 2
R 2 (5) h
V
2
V
h 2.3
2
(7 )
4
(8)
(8) et (7) dans (2) 2.3

R3
2
V
(9)

Simulation Des Procédés

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Simulation Des Procédés

Hochgeladen von

Copyright:

Verfügbare Formate

OPTIMISATION

Belkacem OULD BOUAMAMA

Chap1 : METHODES STATISTIQUES

Copyright : Prof. B. Ould Bouamama ,

Chap1 : METHODES STATISTIQUES

Copyright : Prof. B. Ould Bouamama ,

TRAITEMENT DE DONNEES EXPERIMENTALES D'UN PROCESSUS

Chap1 : METHODES STATISTIQUES

Copyright : Prof. B. Ould Bouamama ,

Chap3: OPTIMISATION DES PROCESSUS

Chap1 : METHODES STATISTIQUES

Copyright : Prof. B. Ould Bouamama ,

Dfinitions & but de la simulation et de l'optimisation de

Chap1 : METHODES STATISTIQUES

Copyright : Prof. B. Ould Bouamama ,

Caractre stochastique de la majorit des phnomnes;

Chap1 : METHODES STATISTIQUES

Copyright : Prof. B. Ould Bouamama ,

Un modle pourquoi faire ?

Chap1 : METHODES STATISTIQUES

Copyright : Prof. B. Ould Bouamama ,

Obtenu sur la base des lois physiques, conomiques etc..

Systme "boite noire";

Chap1 : METHODES STATISTIQUES

Copyright : Prof. B. Ould Bouamama ,

selon le caractre des rgimes de fonctionnement

selon la description mathmatique

selon les proprits dynamiques

selon lvolution des paramtres :

selon le nombre de variables :

Chap1 : METHODES STATISTIQUES

Copyright : Prof. B. Ould Bouamama ,

Copyright : Prof. B. Ould Bouamama ,

CONTRAINTES (Restrictions) : Limitations des ressources

Copyright : Prof. B. Ould Bouamama ,

Optimisation d'une seule grandeur :

EVALUATION QUANTITATIVE DE LA QUALITE

Copyright : Prof. B. Ould Bouamama ,

Utilisent les mthodes classiques de l'analyse mathmatique

METHODES DU CALCUL VARIATIONNEL

Copyright : Prof. B. Ould Bouamama ,

Rsolution des problmes d'optimisation de processus discontinus;

Copyright : Prof. B. Ould Bouamama ,

PROGRAMMATION NON LINEAIRE

Copyright : Prof. B. Ould Bouamama ,

Contraintes : La manire dont les facteurs peuvent tre combins

ai : Nombre d'heures de travail ncessaires

Copyright : Prof. B. Ould Bouamama ,

Copyright : Prof. B. Ould Bouamama ,

Peut-on amliorer la solution

La f-n conomique peut-elle tre

Le desserrement des contraintes par

Copyright : Prof. B. Ould Bouamama ,

Copyright : Prof. B. Ould Bouamama ,

Capacits d'usinage (en nbre de pices)

Les pourcentages (% du temps d'occupation disponible) des

Capacit unitaire tot.

Copyright : Prof. B. Ould Bouamama ,

0,003 X 1 0,0060 X 2 100 : reprise

0,0044 X 1 0 X 2 100 : Asemblage P1

Copyright : Prof. B. Ould Bouamama ,

(1)....0,004 X 1 0,00286 X 2 100

Les valeurs des var. X1 et X2 au