Optimisation convexe avec contraintes d'inégalité

Introduction à l'optimisation en Python

Jasmin Ludolf

Content Developer

Solution en coin ou intérieure

  • Alexia n'a que 5 heures de travail

$$ w\leq 5$$

  • Deux contraintes :
    • 24 heures par jour
    • 5 heures de travail
  • Les contraintes forment un coin
  • La solution intérieure n'est pas une intersection

Courbes d'indifférence et contraintes. La courbe d'indifférence au niveau d'utilité optimal passe par l'intersection des contraintes.

Introduction à l'optimisation en Python

Fabricant avec contraintes de capacité

  • Un constructeur produit des voitures identiques dans deux usines $A$, $B$
    • Quantités : $q_A$, $q_B$
    • Capacité : $q_A\leq 90$, $q_B\leq 90$
    • Coût : $C_A(q)=3q$, $C_B(q)=3.5q$
  • Demande :
    • $P=120-Q$
  • Contrat :
    • $Q\geq 92$
  • Objectif : maximiser le profit
    • $\displaystyle\max \Pi(q_A,q_B)$

Chaîne de fabrication automobile

Introduction à l'optimisation en Python

Maximiser le profit

  • Objectif :
    • $\Pi = R-C$
      • $R = PQ$
Introduction à l'optimisation en Python

Maximiser le profit

  • Objectif :
    • $\Pi = R-C$
      • $R = PQ = (120-Q)Q $
Introduction à l'optimisation en Python

Maximiser le profit

  • Objectif :

    • $\Pi = R-C$
      • $R = PQ = (120-Q)Q=\left[120-(q_A+q_B)\right](q_A+q_B)$
      • $C=C_A+C_B=3q_A+3.5q_B$

  • Bornes

    • $0\leq q_A, q_B\leq 90$
  • Contraintes
    • $Q\geq92\Leftrightarrow 92\leq q_A+q_B$
Introduction à l'optimisation en Python

Formulation

$$\max_{q_A,q_B}R(q_A,q_B)-C(q_A,q_B)$$

$$s.t.$$

$$R(q_A,q_B)=\left[120-(q_A+q_B)\right](q_A+q_B)$$

$$\ \ \ \ \ C(q_A,q_B)=3q_A+3.5q_B$$

$$\ \ \ 0\leq q_A, q_B\leq 90$$

$$ \ \ \ \ 92\leq q_A+q_B$$

from scipy.optimize import minimize,\
        Bounds, LinearConstraint


def R(q):
    return (120 - (q[0] + q[1]
       )) * (q[0] + q[1])

def C(q): return 3*q[0] + 3.5*q[1] 

def profit(q): return R(q) - C(q)


bounds = Bounds([0, 0], [90, 90])


constraints = LinearConstraint([1, 1], 
                               lb=92)
Introduction à l'optimisation en Python

Maximiser le profit avec SciPy

result = minimize(lambda q: -profit(q),

                  [50, 50],

                  bounds=bounds,
                  constraints=constraints)

print(result.message)
print(f'The optimal number of cars produced in plant A is: {result.x[0]:.2f}')
print(f'The optimal number of cars produced in plant B is: {result.x[1]:.2f}')
print(f'The firm made: ${-result.fun:.2f}')

Optimization terminated successfully
The optimal number of cars produced in plant A is: 90.00
The optimal number of cars produced in plant B is: 2.00
The firm made: $2299.00
Introduction à l'optimisation en Python

Contraintes non linéaires dans SciPy

from scipy.optimize import NonlinearConstraint 
import numpy as np


constraints = NonlinearConstraint(lambda q: q[0] + q[1], lb=92, ub=np.inf)


result = minimize(lambda q: -profit(q), 
                  [50, 50], 
                  bounds=Bounds([0, 0], [90, 90]),
                  constraints=constraints)
Introduction à l'optimisation en Python

Solution avec NonlinearConstraint

print(result.message)
print(f'The optimal number of cars produced in plant A is: {result.x[0]:.2f}')
print(f'The optimal number of cars produced in plant B is: {result.x[1]:.2f}')
print(f'The firm made: ${-result.fun:.2f}') 

Optimization terminated successfully
The optimal number of cars produced in plant A is: 90.00
The optimal number of cars produced in plant B is: 2.00
The firm made: $2299.00
  • Utilisez LinearConstraint() pour les cas linéaires simples
  • Sinon, utilisez NonlinearConstraint()
Introduction à l'optimisation en Python

Passons à la pratique !

Introduction à l'optimisation en Python

Preparing Video For Download...