PLAN DE COURS
Automne 2026
GSY400 : Méthodes quantitatives en génie des systèmes (3 crédits)
Préalables
Pour tous profils : MAT472
Description du cours
Au terme de ce cours, l’étudiante ou l'étudiant sera en mesure de se familiariser avec les
principales techniques d'optimisation et
applications en génie des systèmes.
Apprendre à formuler un modèle
d'optimisation pour représenter un
système, identifier la technique appropriée
pour résoudre un modèle d'optimisation et
utiliser les outils informatisés pour
déterminer la solution optimale ou
approchée à un problème donné.
Modélisation d'un système et formulation
mathématique du problème : identifier les
variables ou inconnues du problème,
déterminer les objectifs de l'optimisation,
définir une mesure de performance, fixer
les limites permises ou les contraintes à
respecter, préciser les paramètres de
décision. Méthodes de résolution d'un
problème d'optimisation : programmation
linéaire (algorithme du simplexe),
programmation en nombres entiers,
techniques de séparation et d’évaluation
progressive branch and bound,
programmation non linéaire (conditions
analytiques, méthodes numériques
classiques du gradient réduit généralisé et
de la programmation quadratique
séquentielle, méthodes heuristiques et
métaheuristiques).
Durant les séances de travaux pratiques,
les concepts vus en classe sont repris plus
en détail et sous forme appliquée.
Stratégies pédagogiques
- 39 heures de cours
- 24 heures de laboratoires
- 6 heures de travail personnel/en équipe par semaine, en moyenne sur la durée de la session
- Trois (3) heures de cours magistral par semaine. De nombreuses applications seront étudiées en classe pour permettre aux étudiants de bien assimiler la théorie et les techniques présentées en cours.
- Deux (2) heures de travaux pratiques par semaine pour appliquer la théorie étudiée sur des applications commerciales et industrielles.
- Les travaux réalisés en dehors des heures de cours et de laboratoire permettront de mettre en pratique les notions vues en classe.
Informations concernant l’agrément du BCAPG
| Catégories de UA | Proportion | Matière(s) traitée(s) |
| Mathématiques | 25 % | Analyse numérique, Mathématiques discrètes |
| Science du génie | 75 % | N/A |
Les objectifs de ce cours sont liés aux indicateurs de qualités requises des diplômés de la manière suivante : | Objectif spécifique | Qualité | Indicateur | Niveau d'enseignement |
| distinguer les principaux types de modèles d’optimisation (linéaire et non linéaire); | Q1 . Connaissances en génie | i3 . Appliquer les concepts de l’ingénierie | Développé |
| formuler un problème réel sous la forme d’un modèle d’optimisation mathématique; | Q2 . Analyse de problèmes | i1 . Identifier et formuler des problèmes complexes | Développé |
| formuler un problème réel sous la forme d’un modèle d’optimisation mathématique; | Q2 . Analyse de problèmes | i2 . Choisir un modèle ou une méthode pour solutionner | Développé |
| choisir une technique de résolution appropriée à un problème d’optimisation; | Q2 . Analyse de problèmes | i3 . Appliquer modèle ou méthode | Développé |
| utiliser des outils informatisés spécialisés pour résoudre un modèle d’optimisation. | Q5 . Outils d'ingénierie | i1 . Évaluer outils et techniques | Développé |
Utilisation d’appareils électroniques
L’utilisation et la possession de tout appareil électronique sont interdites aux examens, à l’exception de la calculatrice
Horaire
| Groupe | Jour | Heure | Activité |
| 01 | Lundi | 13:30 - 17:00 | Activité de cours |
| Vendredi | 08:30 - 12:30 | Travaux pratiques (2 sous-groupes) |
Coordonnées du personnel enseignant le cours
| Groupe | Nom | Activité | Courriel | Local | Disponibilité |
| 01 | | Travaux pratiques (2 sous-groupes) | | | |
| 01 | Jairo Montoya Torres | Activité de cours | jairo.montoya-torres@etsmtl.ca | A-3598 | |
Cours
POUR LE GR. 01 :
| Activité |
Date |
Description |
Références |
| C1 |
31 août
|
Introduction à la recherche opérationnelle |
Notes de cours chap 1
Hillier et Lieberman, chap. 1
|
| C2 |
14 septembre
|
Modélisation de problèmes de programmation linéaire
|
Notes de cours chap 1 et 2
Hillier et Lieberman, chap. 3 |
| C3 |
21 septembre
|
Fondements de la résolution de problèmes linéaires |
Notes de cours chap 4
Hillier et Lieberman, chap. 3 et 4
|
| C4 |
28 septembre
|
Résolution de problèmes de programmation linéaire
|
Notes de cours chap 4
Hillier et Lieberman, chap. 4 et 5 |
| C5 |
14 octobre
|
Dualité et analyse de sensibilité
|
Notes de cours chap 5 et 6
Hillier et Lieberman, chap. 4, 6 et 8 |
| C6 |
19 octobre
|
Synthèse de la première partie
Remise Devoir #1
|
|
| C7 |
26 octobre
|
Examen Intra – Cours 1 à 6 inclusivement.
Toute documentation papier permise
|
|
| C8 |
02 novembre
|
Modélisation de problèmes de programmation linéaires en nombres entiers |
Notes de cours chap 3
Hillier et Lieberman, chap. 12 |
| C9 |
09 novembre
|
Résolution de problèmes de programmation linéaires en nombres entiers
|
Notes de cours chap 8
Hillier et Lieberman, chap. 12 |
| C10 |
16 novembre
|
Problèmes de réseaux (Partie 1)
|
Notes de cours chap 7
Hillier et Lieberman, chap. 9 et 10 |
| C11 |
23 novembre
|
Problèmes de réseaux (Partie 2) |
Notes de cours chap 7
Hillier et Lieberman, chap. 9 et 10 |
| C12 |
30 novembre
|
Introduction à la programmation non linéaire et aux méthodes heuristiques |
Notes de cours chap 9
Hillier et Lieberman, chap. 13 et 14
|
| C13 |
07 décembre
|
Synthèse de la seconde partie
Remise Devoir #2
|
|
* L'examen final aura lieu selon le calendrier d'examens finaux.
Laboratoires et travaux pratiques
POUR LE GR. 01 :
| Activité |
Date (Gr. 01) |
Description |
Heures |
|
TP01
|
11 septembre
|
Introduction au logiciel Lingo
|
2
|
|
TP02
|
18 septembre
|
Modélisation en programmation linéaire
|
2
|
|
TP03
|
25 septembre
|
Méthodes de résolution de problèmes linéaires (graphique)
|
2
|
|
TP04
|
02 octobre
|
Méthodes de résolution de problèmes linéaires (simplexe)
|
2
|
|
TP05
|
16 octobre
|
Analyse de sensibilité en programmation linéaire
Dualité
|
2
|
|
TP06
|
23 octobre
|
Révision
|
2
|
|
TP07
|
30 octobre
|
Test Lingo
|
2
|
|
TP08
|
06 novembre
|
Modélisation de problèmes de programmation linéaires en nombres entiers
|
2
|
|
TP09
|
13 novembre
|
Résolution de problèmes de programmation linéaires en nombres entiers
|
2
|
|
TP10
|
20 novembre
|
Modélisation et résolution sur réseau (Partie 1)
|
2
|
|
TP11
|
27 novembre
|
Modélisation et résolution sur réseau (Partie 2)
|
2
|
|
TP12
|
04 décembre
|
Introduction à la programmation non linéaire et aux méthodes heuristiques
|
2
|
| |
|
Total |
24 |
Utilisation d'outils d'ingénierie
- Logiciel d’optimisation LINGO
- Microsoft Excel
Évaluation
Informations additionnelles :
Informations supplémentaires (optionnel)
POUR LE GR. 01 :
| Activité |
Description |
Date de remise |
Heure de remise |
Type de remise |
% |
| Devoir 1 |
Modélisation, simplexe, dualité et analyse de sensibilité. Groupes de 2 étudiants. |
19 octobre |
18:00 |
Électronique |
15 |
| Examen intra |
Examen intra (cours 1 à 6 inclusivement)
Toute documentation papier permise |
26 octobre |
13:30 - 16:30 |
Examen sur papier présentiel
|
30 |
| Quiz 1 |
Test individuel de modélisation à l'aide de Lingo (à faire sur Moodle)
|
30 octobre |
Choix individuel
|
Électronique |
5 |
| Devoir 2 |
Modélisation en nombres entiers, résolution de problèmes en nombres entiers, programmation non-linéaire, problèmes de Réseaux. Groupes de 2 étudiants.
|
07 décembre |
18:00 |
Électronique |
20 |
| Examen final |
Examen final
Toute documentation papier permise |
Période d'examens finaux |
* |
Examen sur papier présentiel |
30 |
*L'examen final aura lieu selon le calendrier d'examens finaux.
Seuil de passage pour les éléments à caractère individuel
Note minimale : 50
Dates des examens intra
| Groupe | Date | Heure |
| 1 | 26 octobre 2026 | 13:00 |
Absence à une évaluation
Afin de faire valider une absence à une évaluation en vue d’obtenir un examen de compensation, l’étudiante ou
l’étudiant doit utiliser le
formulaire prévu à cet effet dans son portail MonÉTS pour un examen final qui se
déroule durant la période des examens finaux ou pour tout autre élément d’évaluation surveillé de 15% et plus
durant la session. Si l’absence concerne un élément d’évaluation de moins de 15% durant la session, l’étudiant
ou l’étudiante doit soumettre une demande par écrit à son enseignante ou enseignant.
Toute demande de validation d’absence doit se faire dans les cinq (5) jours ouvrables suivant la tenue de
l’évaluation, sauf dans les cas d’une absence pour participation à une activité prévue aux règlements des
études où la demande doit être soumise dans les cinq (5) jours ouvrables avant le jour de départ de l’ÉTS
pour se rendre à l’activité.
Toute absence non justifiée par un motif majeur (voir articles 7.2.6.1 du
RÉPC et 6.5.2 du RÉCS)
entraînera l’attribution de la note zéro (0).
Infractions de nature académique
Les clauses du « Règlement sur les infractions de nature académique de l’ÉTS » s’appliquent dans ce cours ainsi que dans tous les cours du département. Les étudiantes et les étudiants doivent consulter le Règlement sur les infractions de nature académique (www.etsmtl.ca/a-propos/gouvernance/secretariat-general/cadre-reglementaire/reglement-sur-les-infractions-de-nature-academique) pour identifier les actes considérés comme étant des infractions de nature académique ainsi que prendre connaissance des sanctions prévues à cet effet. À l’ÉTS, le respect de la propriété intellectuelle est une valeur essentielle et tous les membres de la communauté étudiante sont invités à consulter la page Citer, pas plagier ! (www.etsmtl.ca/Etudiants-actuels/Baccalaureat/Citer-pas-plagier).
Systèmes d’intelligence artificielle générative (SIAG)
L’utilisation des systèmes d’intelligence artificielle générative (SIAG) dans les activités d’évaluation constitue une infraction de nature académique au sens du Règlement sur les infractions de nature académique, sauf si elle est explicitement autorisée par la personne enseignante du cours ou la personne coordonnatrice dans le cas des stages.
Dispositions additionnelles
Systèmes d’intelligence artificielle générative (SIAG)
L’utilisation des systèmes d’intelligence artificielle générative (SIAG) dans les activités d’évaluation constitue une infraction de nature académique au sens du Règlement sur les infractions de nature académique, sauf si elle est explicitement autorisée par la personne enseignante du cours ou la personne coordonnatrice dans le cas des stages.
Documentation obligatoire
- Notes de cours
- HILLIER, F.S. et G.J. LIEBERMAN (2015). Introduction to Operations Research, 10e édition, McGraw-Hill, ISBN : 978-0-07-352345-3.
Ouvrages de références
- AARTS, E. (2003). Local Search in Combinatorial Optimization, Princeton University Press, ISBN : 0691115222.
- BOYD, S. (2004). Convex Optimization, Cambridge University Press, ISBN : 0521833787.
- DEB, K. (2009). Multi-Objective Optimization using Evolutionary Algorithms, John Wiley and Sons, ISBN : 9780470743614.
- KLEINBERG, J. et É. TARDOS (2005). Algorithm Design, Addison-Wesley, ISBN : 0321295358.
- LUNDGREN, J., M. Rönnqvist et P. VÄRBRAND (2010). Optimization, Studentlitteratur, ISBN : 9789144053080.
- NEMHAUSER, G.L. et M.J. TODD (1994). Handbooks in Operations Research and Management Science, 1: Optimization, Elsevier Science Publishing, ISBN : 0444872841.
- NOBERT, Y., R. OUELLET et R. PARENT (2009). Méthode d’optimisation pour la gestion, Gaëtan Morin éditeur, ISBN : 9782896320028.
- RAO, S.S. (2009). Engineering Optimization: Theory and Practice, 4e édition, John Wiley and Sons, ISBN : 9780470183526.
- VENKATARAMAN, P. (2009). Applied Optimization with MATLAB Programming, John Wiley and Sons, ISBN : 9780470084885.
- WOLSEY, L.A. (1998). Integer Programming, John Wiley and Sons, ISBN : 0471283665.
- WOLSEY, L.A. et G.L. NEMHAUSER (1999). Integer and Combinatorial Optimization, John Wiley and Sons, ISBN : 0471359432.
- YANG, X.-S. (2010). Engineering Optimization: An Introduction with Metaheuristic Applications, John Wiley and Sons, ISBN : 9780470582466.