Modélisation sous forme de problèmes d’optimisation: variables décisionnelles, fonction-objectif, contraintes, paramètres ; modèles linéaires et non linéaires; modèles en nombres entiers; choix d’une formulation; modélisation et incertitude. Méthodes d’optimisation: algorithme du simplexe ; algorithme de séparation et d’évaluation. Heuristiques : algorithme glouton, recherche locale; recuit simulé, recherche taboue, algorithme génétique, colonies de fourmis. Pratique sur des outils informatiques.
|
Cours
|
Date
|
Description
|
|
1-2
|
12 Janvier
|
-
Introduction et présentation du plan de cours
-
Analyse du processus de prise de décision
-
Importance et limites des modèles mathématiques décisionnels
-
Différences et liaisons entre optimisation et simulation
-
Algorithmes itératifs et complexité computationnelle
-
Les composants d’un problème d’optimisation
-
Modèles linéaires
|
|
3-4
|
26 Janvier
|
|
|
5-6
|
09 Février
|
-
Méthode de ‘Séparation et Évaluation’ (énumération implicite)
-
Modèles de réseaux de flot
-
Linéarisation de problèmes non linéaires
-
Génération automatique de contraints et variables
|
|
7-8
|
9 Mars
|
-
Optimisation sous incertitudes
-
Contraintes en probabilité
-
Optimisation à deux niveaux
-
Programmation dynamique
|
|
9-10
|
23 Mars
|
|
|
11-12
|
06 Avril
|
|
|
13-14
|
À confirmer
|
Examen final
|