PLAN DE COURS
Hiver 2026
ENV840 : Outils d’aide à la décision en environnement (3 crédits)
Préalables
Aucun préalable requis.
Description du cours
Au terme de ce cours, l’étudiante ou l'étudiant sera en mesure :
- de développer et d’utiliser des outils d’aide à la
décision pour une planification des activités humaines intégrant les principes d’une gestion
responsable des ressources naturelles;
- d’exprimer les processus décisionnels sous forme de
problèmes d’optimisation;
- de résoudre des problèmes d’optimisation à l’aide de logiciels;
- d’analyser les résultats obtenus et de les interpréter de façon appropriée au contexte de la problématique environnementale étudiée.
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.
Stratégies pédagogiques
-
formule semi-intensive: 6 cours de 6 heures chacun, toutes les deux semaines;
-
chaque séance est structurée en deux parties: la première partie est donnée sous forme de cours magistral; la deuxième sous forme d'atelier en laboratoire informatique;
-
trois rapports écrits à livrer pendant le déroulement du cours permettront de vérifier l’état de l’avancement de connaissances des étudiants. L'expertise développée au cours de la session sera évaluée au moyen d’un examen final.
Utilisation d’appareils électroniques
Les ordinateurs dans les salles de classe seront utilisés pendant la deuxième partie de chaque cours
Horaire
| Groupe | Jour | Heure | Activité |
| 01 | Mercredi | 13:30 - 17:00 | Activité de cours |
| Mercredi | 18:00 - 21:30 | Deuxième activité de cours |
Coordonnées du personnel enseignant le cours
Cours
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
|
10 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
|
24 Janvier
|
|
|
5-6
|
07 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
|
13 Mars
|
-
Optimisation sous incertitudes
-
Contraintes en probabilité
-
Optimisation à deux niveaux
-
Programmation dynamique
|
|
9-10
|
27 Mars
|
|
|
11-12
|
10 Avril
|
|
|
13-14
|
À confirmer
|
Examen final
|
Évaluation
Informations additionnelles :
|
Rapport 1.a) (Devoir /Proposition de projet)
|
Remise : 18 Janvier
|
10%
|
|
Rapport 1.b) (Révision du projet selon les commentaires du professeur)
|
Remise : 1 Février
|
10%
|
|
Rapport 2 (Modélisation du problème)
|
Remise : 8 Mars
|
15%
|
|
Rapport 3 (Données, solution et analyse)
|
Remise : 5 Avril
|
20%
|
|
Examen final
|
À confirmer
|
45%
|
Politique de retard des travaux
Tout travail (devoir pratique, rapport de laboratoire, rapport de projet, etc.) remis en retard sans motif valable, c’est-à-dire autre que ceux mentionnés dans le Règlement des études (1er cycle, article 7.2.5/ cycles supérieurs, article 6.5.2) se verra attribuer la note zéro, à moins que d’autres dispositions ne soient communiquées par écrit par l’enseignante ou l’enseignant dans les consignes de chaque travail à remettre ou dans le plan de cours pour l’ensemble des travaux.
Dispositions additionnelles
20% de pénalité sur la note à chaque jour de retard. Après trois jours la preuve est annullée.
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.
Documentation obligatoire
Les notes du cours seront disponibles sur le site Moodle.
Des articles scientifiques et d’autres documentations de référence seront présentés et distribués en classe au fur et à mesure de l’avancement du cours.
Quelques ressources disponibles en ligne :
-
Applied Mathematical Programming, Bradley, Hax, and Magnanti (Addison-Wesley, 1977).
-
Essentials of Metaheuristics, Luke.
Ouvrages de références
-
Introduction to Operations Research, Hillier and Lieberman (McGraw-Hill, 2010)
-
Méthodes d'optimisation pour la gestion, 2e édition, Nobert, Ouellet, Parent (Chenelière Éducation, 2016)
-
Integer Programming, Wolsey (Wiley, 1998)
-
Introduction to Stochastic Programming, Birge and Louveaux (Springer, 2011)
-
Handbook of Metaheuristics, Glover and Kochenberger (Kluwer, 2003)
Adresse internet du site de cours et autres liens utiles
Les notes du cours seront disponibles sur le site Moodle.