Version PDF

Afficher les cours préalables

Afficher les qualités de l'ingénieur

École de technologie supérieure

Responsable(s) de cours :

Fausto Errico

PLAN DE COURS

Hiver 2024
ENV840 : Outils d’aide à la décision en environnement (3 crédits)

Préalables
Aucun préalable requis

Descriptif 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.

Objectifs du cours

À la fin de ce cours vous serez en mesure de:

Développer et utiliser des outils d’aide à la décision pour une planification des activités humaines intégrant les principes d’une gestion responsable des ressources naturelles
Exprimer les processus décisionnels sous forme de problèmes d’optimisation
Résoudre des problèmes d’optimisation à l’aide de logiciels
Analyser les résultats obtenus et les interpréter de façon appropriée au contexte de la problématique environnementale étudiée.

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	08:30 - 17:00	Activité de cours

Coordonnées de l’enseignant

Groupe	Nom	Activité	Courriel	Local	Disponibilité
01	Fausto Errico	Activité de cours	Fausto.Errico@etsmtl.ca	A-3491

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	Géométrie du simplexe Robustesse d’une solution et analyse de sensitivité Dualité Modèles en nombres entiers
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	Introduction aux méthodes approchées Algorithme glouton Recherche locale Recherche taboue Recuit simulé
11-12	10 Avril	Algorithmes évolutionnaires Colonies de fourmis
13-14	À confirmer	Examen final

Évaluation

Rapport 1.a) (Devoir /Proposition de projet)	Remise : 21 Janvier	10%
Rapport 1.b) (Révision du projet selon les commentaires du professeur)	Remise : 4 Février	10%
Rapport 2 (Modélisation du problème)	Remise : 10 Mars	15%
Rapport 3 (Données, solution et analyse)	Remise : 7 Avril	20%
Examen final	À confirmer	45%

Double seuil
Note minimale : 50

Date de l'examen final
Votre examen final aura lieu pendant la période des examens finaux, veuillez consulter l'horaire à l'adresse suivante : http://etsmtl.ca/Etudiants-actuels/Baccalaureat/Examens-finaux

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 7.2.7 b / cycles supérieurs, article 6.5.4 b) se verra attribuer la note zéro, à moins que d’autres dispositions ne soient communiquées par écrit par 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 un examen
Dans les cinq (5) jours ouvrables suivant la tenue de son examen, l’étudiant devra justifier son absence d’un examen durant le trimestre auprès de la coordonnatrice – Affaires départementales qui en référera au directeur de département. Pour un examen final, l’étudiant devra justifier son absence auprès du Bureau du registraire. Toute absence non justifiée par un motif majeur (maladie certifiée par un billet de médecin, décès d’un parent immédiat ou autre) à un examen entraînera l’attribution de la note (0).

Infractions de nature académique
À l’ÉTS, le respect de la propriété intellectuelle est une valeur essentielle et les étudiants sont invités à consulter la page "Citer, pas plagier !" (https://www.etsmtl.ca/Etudes/citer-pas-plagier). Les clauses du règlement sur les infractions de nature académique de l’ÉTS (« Règlement ») s’appliquent dans ce cours ainsi que dans tous les cours du département. Les étudiants doivent consulter le règlement sur les infractions de nature académique (https://www.etsmtl.ca/docs/ETS/Gouvernance/Secretariat-general/Cadre-reglementaire/Documents/Infractions-nature-academique) pour identifier les actes qui constituent des infractions de nature académique au sens du Règlement ainsi que prendre connaissance des sanctions prévues à cet effet.

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 l’enseignant(e) du cours.

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).
- http://web.mit.edu/15.053/www/
Essentials of Metaheuristics, Luke.
- https://cs.gmu.edu/~sean/book/metaheuristics/

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)
- http://link.springer.com/content/pdf/10.1007%2Fb101874.pdf

Adresse internet du site de cours et autres liens utiles

Les notes du cours seront disponibles sur le site Moodle.