Recherche Opérationnelle
Prendre une décision nécessite généralement de considérer un nombre potentiellement important d’alternatives, chacune devant être évaluée selon un ou plusieurs critères, afin de déterminer laquelle ou lesquelles sont « les meilleures ». C’est pour aider le décideur dans ces choix parfois complexes qu’est apparue la Recherche Opérationnelle, discipline visant à apporter des outils quantitatifs d’aide à la décision. Ces modèles apportent une représentation de la réalité et de ses contraintes plus facile à manipuler, une formulation claire des critères qui guident les choix, et donc une rationalisation des décisions découlant de leur utilisation.
Qu’elles soient stratégiques et globales, ou opérationnelles et locales, nombre de décisions qui sont prises pour piloter les organisations visent à trouver les ressources qui seront mises en œuvre pour couvrir des besoins (affectations de tâches de production à des équipements industriels, organisation de flux logistiques, utilisation de moyens pour transporter des biens ou des personnes, mobilisation de ressources humaines pour effectuer des services, etc.). De telles décisions incluent souvent un grand nombre de choix quantitatifs sur des composantes élémentaires (par exemple, bâtir un plan directeur de production nécessite de décider quel produit sera fabriqué où, en quelle quantité, quand, et distribué de quel site vers quel client, quand et en quelle quantité…). Ces choix doivent être cohérents entre eux et respecter les contraintes caractérisant le contexte. Il en résulte que chaque décision peut être difficile à construire et à évaluer avec des moyens traditionnels.
Faire le(s) meilleur(s) choix possible(s), en réponse à une problématique de décision complexe nous amène à poser un problème d’optimisation des ressources visant à maximiser une fonction de plusieurs variables (critère, fonction objectif), elles-mêmes soumises à un ensemble de contraintes.
Max : f(x1, x2, …, xn)
Respectant les contraintes (c1, c2, …, cm)
La Recherche Opérationnelle propose un grand nombre d’approches algorithmiques pour résoudre ce type de problème, regroupées dans ce qu’on appelle la « Programmation Mathématique », incluant en particulier :
- La Programmation Linéaire et ses extensions
- La Programmation non linéaire
- Les algorithmes évolutionnaires et méta-heuristiques
La nature multicritère de certains problèmes peut conduire à enrichir l’approche d’optimisation par une recherche de meilleur compromis. Ainsi, si 2 critères servent à l’évaluer, une solution est « candidate » pour être choisie comme optimale si aucune autre n’est meilleure qu’elle simultanément sur les deux critères. Pour un problème donné, de telles solutions dites « efficaces » peuvent être nombreuses, chacune proposant un compromis différent. Il peut être intéressant alors pour le décideur d’explorer tout ou partie de l’ensemble de ces solutions appelé « frontière de Pareto ». Une telle approche (très utile pour appréhender des problématiques de conception par exemple) peut nécessiter un grand nombre de calculs d’optimisation et donc la mise en œuvre d’infrastructures de calcul haute performance (HPC), ou l’utilisation d’algorithmes évolutionnaires type algorithmes génétiques.
La nature aléatoire ou l’imprécision de l’environnement dans lequel des solutions doivent être appliquées peut conduire à d’autres enrichissements de l’approche : on aura alors recours à des méthodes de Programmation Stochastique ou de Programmation Robuste.
Définition de la Recherche Opérationnelle sur wikipedia.
En complément des solveurs édités par ses partenaires technologiques, EURODECISION développe pour ses besoins et ceux de ses clients des méta-heuristiques, des algorithmes de décomposition, de parcours de graphes, de recherche arborescente...
