Les problèmes d'optimisation stochastique se définissent spécifiquement par une incertitude sur les données. Le modélisateur n'a qu'une connaissance imparfaite des données relatives au système considéré ou à son évolution. Cependant, leurs valeurs peuvent être caractérisées par des lois de probabilités.

Vous êtes responsable des stocks dans un magasin et vous devez gérer les commandes. Ou vous êtes soumis aux incertitudes sur les réservations futures des chambres dans un hôtel dont vous devez fixer le prix des chambres afin d’augmenter son remplissage. Ou encore vous êtes chargé de la logistique d’une entreprise et vous dépendez des aléas du trafic routier pour déterminer les itinéraires de vos livraisons. Quoi qu’il en soit, le modèle que vous voulez construire relève de la modélisation stochastique, le terme «stochastique» signifiant «qui dépend du hasard».

 

Le trajet du collégien

Prenons l’exemple d’un élève qui va au collège à pied. On s’intéresse à son temps de trajet, qui va dépendre des rencontres qu’il fait. Son parcours dure une demi-heure lorsqu’il est seul, mais ce temps est rallongé d’un quart d’heure s’il rencontre un ami sur son chemin. Pour bien appréhender le temps de parcours réel, il faut donc savoir avec quelle probabilité il rencontre un ami sur son chemin. Supposons qu’il y ait 60 % de chances qu’il rencontre un ami ; le temps de trajet va donc être de trois quarts d’heure avec une probabilité 0,6 et d’une demi-heure avec une probabilité 0,4. Ces statistiques sur les données, qui ... Lire la suite


références

 Processus décisionnels de Markov. Frédérick Garcia, dans Processus décisionnels de Markov en intelligence artificielle (Olivier Buffet et Olivier Sigaud éditeurs), Hermes, 2008.
 Markov decision processes: discrete stochastic dynamic programming. Martin Puterman, Wiley - Interscience, 2005.
 An analysis of stochastic shortest path problems. Dimitri Bertsekas et John Tsitsiklis, Mathematics of Operations Research, 1991.