Master EDDEE-EEET
Economie du Développement Durable, de l'Environnement et de l'Energie
  
   2021–2022

Optimisation dans l'incertain

Michel DE LARA, CERMICS-École des Ponts ParisTech


version pdf version de ce document


Pré-requis.


Apprentissage. À l'issue du cours, l'étudiant devrait pouvoir


Langue. Les diapositives de cours (et les travaux pratiques informatiques optionnels) sont en anglais. Le cours oral est assuré en français.


Contenu du cours. Le cours est découpé en deux grandes parties : cours formel et atelier.

Le cours formel combine des sessions théoriques, des exercices de modélisation et des rappels mathématiques en probabilité et en optimisation. Dans un problème d'optimisation déterministe, les valeurs de tous les paramètres sont censées être connues. Que se passe-t-il lorsque ce n'est plus le cas ? Et quand certaines valeurs sont révélées pendant les étapes de la décision ? Nous présentons l'optimisation stochastique, à la fois comme un cadre mathématique permettant de formuler des problèmes sous incertitude et comme des méthodes pour les résoudre selon la formulation retenue. Plus précisément, nous présentons la programmation stochastique à une étape et la programmation stochastique à deux étapes (et la résolution sur arbre de scénarios ou par scénarios).

Dans la partie atelier, les élèves choisissent eux-mêmes un sujet à traiter soit individuellement, soit par groupes de deux ou trois. Voici des types de sujet possibles :

J'accompagnerai les élèves le long de l'avancement du sujet, de manière personnalisée (réunions par vidéo).


Validation. La partie atelier conduit à une note.


Enseignant responsable. Michel De Lara (Cermics—École des Ponts ParisTech)      page web          propositions de stages


Liens.    
http://cermics.enpc.fr/~delara/TEACHING/Master_EEET/      page web


Lien Master EDDEE-EEET.    
http://www.master-eddee.fr/      page web du Master EDDEE-EEET


Programme en présentiel


1 / Vendredi 3 décembre 2021 : 16h-18h30,

Vérification des dates et balayage du programme du cours (0h15)

Session de modélisation (2h00)

Mix optimal de production énergétique avec demande déterministe, puis aléatoire.

Stratégies robustes de décarbonation.

diapositives      diapositives


2 / Mardi 7 décembre 2021 : 16h-18h30,

Session de modélisation/ Exercice (1h15)

Le problème des tests sanguins. Nous présentons le problème des tests sanguins comme un exemple de problème d'optimisation stochastique statique (on prend une décision, puis le hasard se réalise). Ceci est une occasion de faire des rappels de calcul des probabilités.

     diapositives

Cours (1h15)

Problème du vendeur de journaux

Nous présentons la programmation stochastique à deux étapes, avec variables de recours, sur un arbre de scénarios. Nous encadrons la valeur d'un problème stochastique par celles obtenues par un décideur myope (contraintes d'information durcies) et par un décideur clairvoyant (contraintes d'information relachées).

Nous montrons comment un programme linéaire déterministe peut être transformé en un problème stochastique avec un nombre fini de scénarios, en introduisant des variables de recours.

Lectures suggérées : § 2.1, 2.2 et 2.3 de [SDR09, Chap. 2]

     Diapositives (VL)      Diapositives (MDL)


3 / Vendredi 10 décembre 2021 : 16h-18h30,

Cours (0h30)

Rappels de calcul des probabilités : espace de probabilité, tribu, probabilité, variable aléatoire (v.a.), tribu engendrée, loi d'une v.a., espérance mathématique (linéarité, positivité), fonction indicatrice (loi, espérance mathématique), indépendance de v.a., convergence presque sûre et loi forte des grands nombres. [Fel68]

Cours (0h45)

Rappels et exercices sur l'optimisation continue [Ber96].

     Diapositives

Session de modélisation (1h15)

Mix optimal de production énergétique en prenant en compte les incertitudes sur production (renouvelable), demande et coûts des technologies (production, stockage). Analyse du cas linéaire.

Numerical example of a robust solution of a stochastic linear program. Diapositives


4 / Mercredi 15 décembre 2021 : 16h-18h30, salle B208

Cours (1h30)

Nous présentons la programmation dynamique stochastique.

Idée-clef : un état contient les quantités suffisantes pour prendre une décision optimale à une étape donnée ; la programmation dynamique est une méthode de décomposition séquentielle par étapes.

Contrôle optimal stochastique de systèmes dynamiques avec incertitudes.
Programmation dynamique stochastique.
Équation de la programmation dynamique. Politique de Bellman.
Malédiction de la dimension.

Lecture suggérée : [Ber00, Chap. 1]

     Diapositives (MDL)      Diapositives (VL)      Diapositives (JPC)

Exercice (0h45)

Croissance et reproduction optimales d'une plante.      Diapositives (MDL)

Cours (0h45)

Contrôle optimal stochastique avec coûts quadratiques et dynamique linéaire, sans contraintes sur la commande.


5 / Vendredi 17 décembre 2021 : 16h-18h30, salle B211

Encadrement de projet.

Programme en distanciel

À l'issue des séances en présentiel, les élèves choisissent, seul ou par binôme, un article à analyser ou un projet à effectuer

Le reste du cours se fait en distanciel à des horaires variés : je fais des réunions avec chaque binôme pour suivre leur avancée.

Références

Ber96
D. P. Bertsekas.
Constrained Optimization and Lagrange Multiplier Methods.
Athena Scientific, Belmont, Massachusetts, 1996.
Ber00
D. P. Bertsekas.
Dynamic Programming and Optimal Control.
Athena Scientific, Belmont, Massachusetts, second edition, 2000.
Volumes 1 and 2.
Fel68
W. Feller.
An Introduction to Probability Theory and its Applications, volume 1.
Wiley, New York, third edition, 1968.
SDR09
A. Shapiro, D. Dentcheva, and A. Ruszczynski.
Lectures on stochastic programming: modeling and theory.
The society for industrial and applied mathematics and the mathematical programming society, Philadelphia, USA, 2009.