Recherche Operationnelle

CHAPITRE 1
Formulation
dun programme
linaire (PL)
I. Introduction
Limportance de loptimisation et la ncessit dun outil simple pour modliser
des problmes de dcision que soit conomique, militaire ou autres on fait de la
programmation linaire un des champs de recherche les plus actifs au milieu du
sicle prcdent. Les premiers travaux
1
(19!" sont celle de #eorge $. %ant&ig
et ses associs du dpartement des forces de lair des 'tats (nis d)mrique.
Les problmes de programmations linaires sont gnralement lis * des
problmes dallocations de ressources limites, de la meilleure fa+on possible,
afin de maximiser un profit ou de minimiser un co,t. Le terme meilleur fait
rfrence * la possibilit davoir un ensemble de dcisions possibles qui
ralisent la m-me satisfaction ou le m-me profit. .es dcisions sont en gnral
le rsultat dun problme mathmatique.
1
%e nombreux mathmaticiens, parmis eux le /usse L. 0. 1antorovich, se sont penchs sur le problme de
programmation linaire avant 19!.
1
II. Les conditions de formulation dun PL
La programmation linaire comme tant un modle admet des h2pothses (des
conditions" que le dcideur doit valider avant de pouvoir les utiliser pour
modliser son problme. .es h2pothses sont
3
4
1. Les variables de dcision du problme sont positives
3. Le critre de slection de la meilleure dcision est dcrit par une fonction
linaire de ces variables, cest * dire, que la fonction ne peut pas contenir par
exemple un produit crois de deux de ces variables. La fonction qui
reprsente le critre de slection est dite fonction ob5ectif (ou fonction
conomique".
6. Les restrictions relatives aux variables de dcision (exemple4 limitations des
ressources" peuvent -tre exprimes par un ensemble dquations linaires.
.es quations forment lensemble des contraintes.
. Les paramtres du problme en dehors des variables de dcisions ont une
valeur connue avec certitude
III. Les tapes de formulation dun PL :
#nralement il 2 a trois tapes * suivre pour pouvoir construire le modle d7un
programme linaire 4
1. 8dentifier les variables du problme * valeur non connues (variable de
dcision" et les reprsenter sous forme s2mbolique (exp. x
1
, y
1
".
3. 8dentifier les restrictions (les contraintes" du problme et les exprimer par un
s2stme dquations linaires.
6. 8dentifier lob5ectif ou le critre de slection et le reprsenter sous une forme
linaire en fonction des variables de dcision. 9pcifier si le critre de
slection est * maximiser ou * minimiser.
IV. Prsentation Thorique
(n programme linaire consiste * trouver le maximum ou le minimum dune
forme linaire dite fonction ob5ectif en satisfaisant certaines quations et
ingalits dites contraintes. 'n langage mathmatique, on dcrira de tels
modles de la manire suivante 4
9oient N variables de dcision x
1
, x
2
,:, x
n,
lh2pothse que les variables de
dcision sont positives implique que
. ; , , ; , ;
3 1

N
x x x
3
.es h2pothses rsument celles qui ont t donn par #. $. %ant&ig 4 La proportionnalit, La non<ngativit,
ladditivit et la linarit de la fonction ob5ectif
3
La fonction ob5ectif est une forme linaire en fonction des variables de dcision
de t2pe
N N
x c x c x c z + + + =
3 3 1 1
o= les coefficients c
1
,,c
N
doivent avoir une valeur bien dtermine (avec
certitude" et peuvent -tre positifs, ngatifs ou nuls. >ar exemple le coefficient c
i
peut reprsenter un profit unitaire li * la production dune unit supplmentaire
du bien x
i,
ainsi la valeur de & est le profit total li * la production des diffrents
biens en quantits gales *
. , , ,
3 1 N
x x x
9upposons que ces variables de dcision doivent vrifier un s2stme dquations
linaires dfinis par M ingalits
M N MN M M
N N
N N
b x a x a x a
b x a x a x a
b x a x a x a
+ + +
+ + +
+ + +
3 3 1 1
3 3 3 33 1 31
1 1 3 13 1 11

o= les coefficients a
1M
,, a
MN
et b
1
,, b
M
doivent avoir une valeur bien
dtermine (avec certitude" et peuvent -tre positifs, ngatifs ou nuls. Le
paramtre b
j
reprsente la quantit de matire premire disponible dont le bien x
i
utilise une quantit gale * a
ij
x
i
.
'n suivant les tapes de formulation ci<dessus, on peut reprsenter le >L comme
suit 4
; , , ; , ;

.

3 1
3 3 1 1
3 3 3 33 1 31
1 1 3 13 1 11
3 3 1 1

+ + +
+ + +
+ + +
+ + +
N
N N MN M M
N N
N N
N N
x x x
b x a x a x a
b x a x a x a
b x a x a x a c s
x c x c x c Max
V. Exemples de formulations
Limit au dpart aux problmes industriels et militaires, de nos 5ours plusieurs
problmes de divers domaines sont reprsents ou approxims par des modles
de >L. Lutilisation de ces techniques de modlisation sest renforce encore
aprs avoir construit des algorithmes et des logiciels capables de rsoudre de
plus larges problmes avec autant de variables de dcision que de contraintes.
La t?che de formulation demande gnralement une certaine expertise et
connaissance du problme pour pouvoir relever facilement les diffrentes
composantes du problme et ainsi donner un programme qui modlise au mieux
6
la situation relle. %ans ce qui suit, on prsentera quelques exemples de
formulation en programme linaire lis * diffrents problmes de dcision 4
Exemple 1 : Problme dagriculture
3
(n agriculteur veut allouer 1@; hectares de surface irrigable entre culture de
tomates et celles de piments. 8l dispose de A; heures de main dBuvre et de ;
m
6
deau. (n hectare de tomates demande 1 heure de main dBuvre, m
6
deau
et donne un bnfice net de 1;; dinars. (n hectare de piments demande heures
de main dBuvre, 3 m
6
deau et donne un bnfice net de 3;; dinars.
Le bureau du primtre irrigu veut protger le prix des tomates et ne lui permet
pas de cultiver plus de 9; hectares de tomates. Cuelle est la meilleure allocation
de ses ressources D
Formulation du problme en un PL :
'tape 1 4 8dentification des variables de dcision. Les deux activits que
lagriculteur doit dterminer sont les surfaces * allouer pour la culture de
tomates et de piments 4
x
1
4 la surface alloue * la culture des tomates
x
2
4 la surface alloue * la culture des piments
En vrifie bien que les variables de dcision x
1
et x
2
sont positives 4
; , ;
3 1
x x
.
'tape 3 4 8dentification des contraintes. %ans ce problme les contraintes
reprsentent la disponibilit des facteurs de production 4
Ferrain 4 lagriculteur dispose de 1@; hectares de terrain, ainsi la contrainte
lie * la limitation de la surface de terrain est
1@;
3 1
+x x
'au 4 la culture dun hectare de tomates demande m
6
deau et celle dun
hectare de piments demande 3m
6
mais lagriculteur ne dispose que de ;m
6
.
La contrainte qui exprime les limitations des ressources en eau est
; 3
3 1
+ x x
.
Gain dBuvre 4 Les A; heures de main dBuvre seront dpartager (pas
ncessairement en totalit" ente la culture des tomates et celles des piments.
9achant quun hectare de tomates demande une heure de main dBuvre et un
hectare de piments demande heures de main dBuvre alors la contrainte
reprsentant les limitations des ressources humaines est
A;
3 1
+ x x
6
'xemple du cours du >rof. Gohamed 9aleh Hannachi
Les limitations du bureau du primtre irrigu 4 .es limitations exigent que

lagriculteur ne cultive pas plus de 9; hectares de tomates. La contrainte qui
reprsente cette restriction est
. 9;
1
x
'tape 6 4 8dentification de la fonction ob5ectif. La fonction ob5ectif consiste *
maximiser le profit apport par la culture de tomates et de piments. Les
contributions respectives 1;; et 3;;, des deux variables de dcision x1 et x3
sont proportionnelles * leur valeur. La fonction ob5ectif est donc
. 3;; 1;;
3 1
x x z + =
Le programme linaire qui modlise le problme dagriculture est 4
;
3
, ;
1

9;
1

A;
3
1

;
3
3
1

1@;
3 1
. .
3
3;;
1
1;;

+
+
+
+
x x
x
x x
x x
x x c s
x x Max
Exemple 2 : Problme de mdecine
4
(n spcialiste en mdecine a fabriqu un mdicament (des pilules" pour gurir
les su5ets atteints dun rhume. .es pilules sont fabriques selon deux formats 4
>etite taille 4 elle contient 3 grains daspirine, @ grains de bicarbonate et 1
grain de codine.
#rande taille 4 elle contient 1 grain daspirine, A grains de bicarbonate et I
grains de codine.
>our gurir la maladie, le su5et a besoin de 13 grains daspirine, ! grains de
bicarbonate et 3 grains de codine. %terminer le nombre de pilules minimales
* prescrire au su5et pour quil soit gurit.
Formulation du problme en un PL :
Le problme de mdecine prsente certaines ressemblances avec le problme de
lagriculture, dans les deux cas cest un problme dallocation de ressources.
Les variables de dcision qui reprsentent des valeurs inconnues par le dcideur
qui est dans ce cas le spcialiste en mdecine sont 4
x
1
4 le nombre de pilules de petite taille * prescrire.
x
2
4 le nombre de pilules de grande taille * prescrire.
1
et x
2
sont positives 4
; , ;
3 1
x x
.
Les contraintes imposes par le problme sur les valeurs possibles de x
1
et x
2
sont 4
)n introduction to linear programming and the theor2 of games, ). G. #licJsman

@
La prescription doit contenir des pilules avec au moins 13 grains daspirine.
9achant quune petite pilule contient 3 grains daspirine et quune grande
pilule contient un seul grain daspirine, on obtient la contrainte suivante 4
13 3
3 1
+x x
.
%e la m-me fa+on que pour laspirine, la prescription du spcialiste en
mdecine doit contenir au moins ! grains de bicarbonate. )insi la contrainte
suivante doit -tre satisfaite 4
! A @
3 1
+ x x
.
Kinalement la contrainte impose par le fait que la prescription doit contenir
au moins 3 grains de codine est
3 I
3 1
+ x x
.
'tape 6 4 8dentification de la fonction ob5ectif. En remarque quil 2 a plusieurs
couples de solutions
" , (
3 1
x x
qui peuvent satisfaire les contraintes spcifies *
ltape 3. La prescription doit contenir le minimum possible de pilules. %onc le
critre de slection de la quantit de pilules * prescrire est celle qui minimise le
nombre total des pilules
3 1
x x z + =
.
Le programme linaire qui modlise ce problme mdical est donc le suivant 4
; , ;
3 I
! A @
13 3 . .

3 1
3 1
3 1
3 1
3 1

+
+
+
+
x x
x x
x x
x x c s
x x Min
Exemple 3 : problme de production
5
>our fabriquer deux produits >1 et >3 on doit effectuer des oprations sur trois
machines G1, G3 et G6, successivement mais dans un ordre quelconque. Les
temps unitaires dexcution sont donns par le tableau suivant 4
G1 G3 G6
>1 11 mn ! mn I mn
>3 9 mn 13 mn 1I mn
En supposera que les machines nont pas de temps dinactivit.
La disponibilit pour chaque machine sont 4
1I@ heures (99;; minutes" pour la machine G1 L
1; heures (A;; minutes" pour la machine G3 L
1I; heures (9I;; minutes" pour la machine G6 .
Le produit >1 donne un profit unitaire de 9;; dinars et le produit >3 un profit
unitaire de 1;;; dinars.
%ans ces conditions, combien doit<on fabriquer mensuellement de produits >1 et
>3 pour avoir un profit total maximum D
@
Gthodes et modles de la recherche oprationnelle, ). 1aufmann, pp 33<36
I
Formulation en un PL :
Les variables de dcisions sont 4
x
1
4 le nombre dunits du produit >1 * fabriquer
x
2
4 le nombre dunits du produit >3 * fabriquer
Les contraintes outre les contraintes de non<ngativit sont 4
99;; 9 11
3 1
+ x x
pour la machine G1
A;; 13 !
3 1
+ x x
pour la machine G3
9I;; 1I I
3 1
+ x x
pour la machine G6
Le profit * maximiser est 4
3 1
1;;; 9;; x x z + =
Le programme linaire rsultant est 4
; , ;
9I;; 1I I
A;; 13 !
99;; 9 1 1 . .
1;;; 9;;
3 1
3 1
3 1
3 1
3 1

+
+
+
+
x x
x x
x x
x x c s
x x Max
Exemple 4 : Problme dalimentation
6
En se propose de raliser une alimentation conomique pour des bestiaux, qui
contient obligatoirement sortes de composants nutritifs, ), $, . et %.
Lindustrie alimentaire produit prcisment deux aliments G et M qui
contiennent ces composants 4 1 1g daliment G contient 1;; g de ), 1;; g de .,
3;; g de % L 1 1g daliment M contient 1;; g de $, 3;; g de ., 1;; g de %.
(n animal doit consommer par 5our au moins 4 ;. 1g de ) L ;.I 1g de $ L 3 1g
de . L 1.! 1g de %. Laliment G co,te 1; %F le 1g et M co,te %F le 1g.
Cuelles quantits daliments G et M doit<on utiliser par 5our et par animal pour
raliser lalimentation la moins co,teuse D
En peut rsumer toutes les donnes du problme dans le tableau suivant
I
Gthodes et modles de la recherche oprationnelle, ). 1aufmann, pp 3<3@
!
G M Cuantits prescrites
) ;.1 ; ;.
$ ; ;.1 ;.I
. ;.1 ;.3 3
% ;.3 ;.1 1.!
.o,t 1;
.e genre de tableau peut aider * mieux anal2ser le problme et ainsi formuler le
programme linaire correspondant.
Les variables de dcision sont
x
M
4 la quantit daliments G * utiliser pour lalimentation des deux bestiaux
x
N
4 la quantit daliments M * utiliser pour lalimentation des deux bestiaux
Les contraintes de non<ngativit sont
. ; , ;
3 1
x x
Le choix de cette quantit est contraint * la prsence dans lalimentation du
composant
) 4
. ; 1 . ;
1 1
x x
$ 4
I I . ; 1 . ;
3 3
x x
. 4
3; 3 3 3 . ; 1 . ;
3 1 3 1
+ + x x x x
% 4
1! 3 ! . 1 1 . ; 3 . ;
3 1 3 1
+ + x x x x
La fonction ob5ectif est une fonction co,t 4
3 1
1; x x z + =
.
Le programme linaire est un programme de minimisation 4
; , ;
1! 3
3; 3
I
. .
1;
3 1
3 1
3 1
3
1
3 1

+
+
+
x x
x x
x x
x
x c s
x x Min
Exemple 5 : Problme de mlange
7
(n industriel veut produire un alliage N * 6;O de plomb, 6;O de &inc et ;O
dtain. 9upposons quil puisse se procurer sur le march des alliages ), $, .,
%, ', K, #, H, 8 dont les compositions et les prix respectifs sont donns dans le
tableau suivant 4
.ompositions
des alliages
(en O"
) $ . % ' K # H 8 )lliage *
fabriquer
>lomb 1; 1; ; I; 6; 6; 6; @; 3; 6;
Ninc 1; 6; @; 6; 6; ; 3; ; 6; 6;
!
#. $. %ant&ig applications et prolongements de la programmation linaire pp 416<1
A
'tain A; I; 1; 1; ; 6; @; 1; @; ;
.o,t au 1ilo .1 .6 @.A I !.I !.@ !.6 I.9 !.6
.ombien doit<il acheter de chaque alliages ), $, ., %, ', K, #, H et 8 pour
obtenir au prix de revient minimum un 1 1g de lalliage N D
La dcision * prendre 4 .ombien acheter de chaque alliage ), $, :, 8 D
Les variables de dcision sont 4
x
i
4 la quantit dalliage i, iP ), $, :, 8, * acheter.
i
, iP ), $, :, 8, sont positives 4
; , ; , ; , ; , ; , ; , ; , ; , ;
! " F # $ % & '
x x x x x x x x x
.
Les contraintes relatives au problme sont 4
'quation de la conservation de la matire 4
; , ; , ; , ; , ; , ; , ; , ; , ;
! " F # $ % & '
x x x x x x x x x
'quation de la satisfaction des proportions en >lomb 4
6 . ; 6 . ; . ; 3 . ; . ; 6 . ; 6 . ; @ . ; 6 . ; = + + + + + + + +
! " F # $ % & '
x x x x x x x x x
'quation de la satisfaction des proportions en Ninc 4
6 . ; 6 . ; . ; 3 . ; . ; 6 . ; 6 . ; @ . ; 6 . ; 1 . ; = + + + + + + + +
! " F # $ % & '
x x x x x x x x x
'quation de la satisfaction des proportions en 'tain 4
. ; @ . ; 1 . ; @ . ; 6 . ; . ; 1 . ; 1 . ; I . ; A . ; = + + + + + + + +
! " F # $ % & '
x x x x x x x x x
La fonction ob5ectif dans cet exemple reprsente le co,t dachat des diffrents
alliages ), $, ., %, ', K, #, H et 8. %onc lexpression de la fonction ob5ectif est
la suivante 4
! " F # $ % & '
x x x x x x x x x z 6 . ! 9 . I 6 . ! @ . ! I . ! I A . @ 6 . 1 . + + + + + + + + =
Le programme linaire qui modlise ce problme mlange s7crit 4
; , , , , , , ,
. ; @ . ; 1 . ; @ . ; 6 . ; . ; 1 . ; 1 . ; I . ; A . ;
6 . ; 6 . ; . ; 3 . ; . ; 6 . ; 6 . ; @ . ; 6 . ; 1 . ;
6 . ; 3 . ; @ . ; 6 . ; 6 . ; 6 . ; I . ; . ; 1 . ; 1 . ;
1 . .
6 . ! 9 . I 6 . ! @ . ! I . ! I A . @ 6 . 1 .
= + + + + + + + +
= + + + + + + + +
= + + + + + + + +
= + + + + + + + +
+ + + + + + + +
! " F # $ % & '
! " F # $ % & '
! " F # $ % & '
! " F # $ % & '
! " F # $ % & '
! " F # $ % & '
x x x x x x x x x
x x x x x x x x x
x x x x x x x x x
x x x x x x x x x
x x x x x x x x x c s
x x x x x x x x x Min
Exemple 6 : Slection de dia!
"
(ne entreprise dsire effectuer une campagne publicitaire dans la tlvision, la
radio et les 5ournaux pour un produit lanc rcemment sur le march. Le but de
la campagne est dattirer le maximum possible de clients. Les rsultats dune
tude de march sont donns par le tableau suivant 4
A
Eperations research principles and practice, pp1!<1A
9
Flvision /adio Qournaux
Locale >ar
satellite
.o,t dune publicit ; %F !@ %F 6; %F 1@ %F
Mombre de client
potentiel par publicit
;; 9;; @;; 3;;
Mombre de client
potentiel femme par
publicit
6;; ;; 3;; 1;;
>our la campagne, on prvoit de ne pas pa2er plus que A;;%F pour toute la
campagne et on demande que ces ob5ectifs soient atteints 4
1. )u minimum 3;;; femmes regardent, entendent ou lisent la publicit L
3. La campagne publicitaire dans la tlvision ne doit pas dpasser
@;; %F L
6. )u moins 6 spots publicitaires seront assurer par la tlvision locale et au
moins de deux spots par la tlvision par satellite.
. Le nombre des publicits dans la radio ou dans les 5ournaux sont pour chacun
entre @ et 1;.
Les variables de dcision du problme sont
x
1
4 le nombre de spots publicitaires dans la tlvision locale
x
2
4 le nombre de spots publicitaires dans la tlvision par satellite
x
(
4 le nombre de spots publicitaires dans la radio
x
)
4 le nombre daffiches publicitaires dans les 5ournaux
Les contraintes de non<ngativit sont vrifies.
Les contraintes du problme sont 4
.o,t total de la compagne publicitaire 4
A;; 1@ 6; !@ ;
6 3 1
+ + + x x x x
Mombre de clients femmes potentiels par publicit 4
3;;; 1;; 3;; ;; 6;;
6 3 1
+ + + x x x x
.ontraintes de la tlvision 4
@;; !@ ;
3 1
+ x x
,
6
1
x
et
3
3
x
.ontraintes sur le nombre de publicits dans la radio et dans les 5ournaux
1; @
6
x
et
1; @
x
.
La fonction ob5ectif * maximiser reprsente le nombre de clients potentiels par
publicit 6 3 1
3;; @;; 9;; ;; x x x x z + + + =
.
Le programme linaire rsultant est 4
1;
; , ; , ; , ;
1;
@
1;
@
3
6
@;; !@ ;
3;;; 1; 3; ; 6;
A;; 1@ 6; !@ ; . .
3;; @;; 9;; ;;
6 3 1
6
6
3
1
3 1
6 3 1
6 3 1
6 3 1

+
+ + +
+ + +
+ + +
x x x x
x
x
x
x
x
x
x x
x x x x
x x x x c s
x x x x Max
CHAPITRE 2
11
Formulation
dun programme
linaire (PL)
I. Introduction
)prs avoir illustrer par des exemples, comment un problme pratique peut -tre
modlis par un programme linaire, ltape qui va suivre sera certainement
celle de la rsolution de ce problme mathmatique. La mthode graphique est
lune des premires mthodes utilises * ce su5et.
9i on parle de rsolution graphique alors on doit se limiter * une reprsentation *
deux variables et au plus * trois variables. .eci indique que dans ce chapitre on
examinera seulement les programmes linaires * deux variables de dcision.
II. Systme daxes
(ne des conditions de la russite de notre reprsentation graphique est le choix d7un s2stme daxes. (n mauvais choix peut rendre notre
reprsentation non claire et imprcise.
) cause des contraintes de non<ngativit des variables de dcision, nous nous
intressons seulement au cadran positif (voir figure ci<dessus".
.ette rgion sappelle la r*+ion des solutions possibles du problme.
>renons lexemple 3 relatif au problme de mdecine. Le programme linaire est
le suivant 4
13
; , ;
3 I
! A @
13 3 . .

3 1
3 1
3 1
3 1
3 1

+
+
+
+
x x
x x
x x
x x c s
x x Min
(n bon choix se base sur une lecture des diffrents paramtres du programme
linaire. %ans notre cas, on ne peut qualifier de bon, le choix de 3; comme
unit dans les deux axes.
>our lexemple, on peut choisir le s2stme daxes suivant 4
x
3
x
1
13
6
I
3 13 I
III. !eprsentation "raphique des contraintes
>armi les solutions possibles dun problme, il 2 a ceux qui vont satisfaire toutes
les contraintes du programme, appels solutions ralisables, et ceux qui vont
satisfaire une partie ou aucune de ces contraintes, appels solutions non
ralisables.
(ne reprsentation graphique des ingalits (des contraintes" va nous permettre
de dterminer lensemble des solutions ralisables.
/evenons * lexemple 3 du problme de mdecine.
(ne des contraintes de ce problme est celle relative au grain daspirine 4
13 3
3 1
+x x
.
Lensemble des solutions qui vrifient cette ingalit est le m-me que celui qui
vrifie
13 3
3 1
= + x x
et
13 3
3 1
> + x x
.
x
3
x
1
13
6
I
3 13 I
Lensemble des solutions qui correspond * lquation est lensemble des points
de la droite l dfinie par
13 3
1 3
+ = x x
. .ette droite admet une valeur de la pente
gale * R3 et intercepte laxe des ordonnes en 13 (voir figure ci<dessus".
16
Lingalit
13 3
3 1
> + x x
correspond * un demi<plan limit par la droite
13 3
1 3
+ = x x
. Er cette droite divise le plan en deux demi<plans ouverts donc
quel est le demi<plan * choisir D
x
3
x
1
13
6
I
3 13 I
1
>our ce faire, il suffit de prendre un point de lun des demi<plans (cest * dire
nappartenant pas * la droite
13 3
1 3
+ = x x
" et voir sil vrifie lingalit
13 3
3 1
> + x x
. >ar exemple le point de coordonnes (;,;" ne vrifie pas lingalit
13 3
3 1
> + x x
donc le demi<plan
1
au<dessus de la droite est celui recherch
(voir figure ci<dessus".
Lespace hachur reprsente le demi<plan ferm des solutions qui vrifient la
contrainte
13 3
3 1
> + x x
.
9i on fait de m-me pour les deux autres contraintes du problme (voir figures
ci<dessous", on obtient les deux autres demi<plans
3
et
6
relatifs aux
solutions vrifiant respectivement les contraintes
! A @
3 1
+ x x
et
3 I
3 1
+ x x
.
x
1
3 13 I
3
x
1
9.3@
6
I
3 1,A I
2
(ne solution possible du problme est dite ralisable si et seulement si elle
vrifie toutes les contraintes, cest * dire si elle appartient aux trois demi<plans
relatifs * chaque contrainte du programme linaire, en dautre terme *
1

3

6
(voir figure".
'nsemble des
solutions
ralisables
x
3
x
1
13
6
3 13 I
#$inition : (n ensemble ' non vide est dit convexe si et seulement si pour tout
lment x et y de ' et pour tout ,-,1., x / 011 2 y#3
1
En peut vrifier facilement que chacun des demi<plans
1
,
3
,
6
est convexe
en vrifiant que pour toute paire de points >
1
et >
3
, lensemble des points qui
forment le segment S>
1
>
3
T appartient au demi<plan.
%&orme : Lintersection densembles convexes (non vide" est convexe.
Propo!ition! : Lensemble des solutions ralisables (non vide" est convexe.
IV. !eprsentation de la fonction o#$ectif
9oit z la valeur de la fonction ob5ectif du problme de mdecine
3 1
x x z + =
.
>our &P;, la fonction ob5ectif est reprsente de la manire suivante 4
x
3
x
1
13
6
3 I
;
3 1
= +x x
>our &PI, cest * dire que le nombre de pilules * prescrire est gale * I pilules.
La fonction ob5ectif est reprsente comme suit 4
x
3
x
1
13
6
3 I
I
3 1
= +x x
.haque point du segment qui relie les points (I,;" * (;,I" reprsente des
solutions qui engendrent une prescription avec I pilules des deux tailles.
En peut tracer une infinit de droites qui reprsentent les diffrentes valeurs de
la fonction ob5ectif, toutes ces droites ont le m-me coefficient directeur (<1". >ar
suite elles sont parallles entre elles. %e plus on peut diminuer la valeur de z
indfiniment dans le sens indiqu dans la figure ci<dessous.
x
3
x
1
13
6
I
I = z 13 = z
1A = z
Le problme est de connaUtre quelle est la droite qui correspond * la valeur
minimal de la fonction ob5ectif D
1@
V. !echerche de la solution optimale
a' (!olution grap&i)ue
9i nous retra+ons lensemble des droites parallles relatives * diffrentes valeurs
de la fonction ob5ectif sur la figure qui reprsente lensemble des solutions
ralisables, on peut localiser la solution optimale. 'lle correspond * la solution
ralisable qui intercepte la droite * la plus petite valeur de z.
451-
&
x
3
x
1
13
6
13 I
%ans notre exemple, la solution optimale est lintersection des deux contraintes
13 3
3 1
+x x
et
! A @
3 1
+ x x
. (ne valuation des coordonnes de ce point revient
* rsoudre le s2stme linaire suivant 4
= +
= +
! A @
1 3 3
3 1
3 1
x x
x x
'lle correspond daprs le graphique au point (3,A". %onc la prescription
optimale est de 3 pilules de petite taille et A pilules de grande taille. Le nombre
de pilules (la valeur de la fonction ob5ectif" est gale * 1;.
b' (!olution par numration :
En remarque que la solution optimale du problme de mdecine est un point
extr-me qui se trouve sur le bord de lensemble des solutions. (ne telle solution
est dite solution ralisable de base.
En peut admettre le rsultat suivant 4 V 9i un programme linaire admet une
solution optimale alors il existe une solution ralisable de base pour laquelle la
fonction ob5ectif atteint la valeur optimale W
(ne mthode de rsolution du programme linaire consiste donc * dterminer
les solutions ralisables de base (les points dintersection des droites qui forment
les contraintes" et * calculer pour chaque point la valeur de la fonction ob5ectif.
La solution du programme linaire est la solution * qui on associe la valeur
optimale de la fonction ob5ectif.
1I
'
%
$
&
x
3
x
1
13
6
13 I
%ans le problme de mdecine, lensemble des solutions ralisables de base prsente points extr-mes )(;,13", $(3,A", .(36X11,13IX11" et
%(3,;". La valeur de la fonction ob5ectif associe respectivement * ), $, . et % est 13, 1;, 19X11 et 3. En vrifie bien que $ est la
solution optimale du problme avec une valeur optimale gale * 1;.
VI. Exemples
%ans cette section on donne quelques exemples de rsolution graphique de problmes linaires relatifs au diffrents cas possibles 4
Problme de maximisation
; , ;
(" 9;
(6" A;
(3" ; 3
(1" 1@; . .
3;; 1;;
3 1
1
3 1
3 1
3 1
3 1

+
+
+
+
x x
x
x x
x x
x x c s
x x Max
0)2
0(2
022
012
#
$
%
'
45-
&
x
3
11;
x
1
6;
;
la solution optimale est $(;,11;"
Problme avec solution non borne
; , ;
(3" I 6 3
(1" @ . .
6 3 <
3 1
3 1
1
3 1

+
x x
x x
x c s
x x Max
012
022
45-
x
3
x
1
@
En peut augmenter la valeur de la fonction ob5ectif dans la direction des flches
indfiniment donc la solution est non borne
1!
Problme impossible
; , ;
(3" A 3
(1" 3 3 . .
3 6
3 1
3 1
3 1
3 1

+
+
+
x x
x x
x x c s
x x Min
012
022
x
3
x
1
Lespace des solutions ralisables est vide, il est lintersection des deux &ones
grises de la figure ci<dessus
Problme solutions multiples
; , ;
(6"
(3" 1;
(1" 6; I 3 . .
6
3 1
3
1
3 1
3 1

+
+
x x
x
x
x x c s
x x Max
45-
&
' 0(2
1-
022
012
x
3
x
1
Lensemble des points dcrit par le segment S)$T reprsente les solutions
optimales du problme linaire
Problme de dgnerescence
; , ;
(6" @
(3" 1;
(1" ; 3 6 . .

3 1
3
1
3 1
3 1

+
+
x x
x
x
x x c s
x x Max
%
45-
&
'
0(2
6
022
012
x
3
x
1
La solution optimale $(1;,@" est dite dgnre si trois contraintes concourent
en ce point.
1A
VII. %nalyse de sensi#ilit
(ne anal2se de sensibilit se rsume * la recherche des intervalles de variations
possibles des paramtres du programme linaire sans que la solution optimale ne
soit modifie.
Question : %e combien peut<on faire varier la quantit de codine dans le
problme de mdecine sans changer la solution optimale.
Rponse :
451-
&
x
3
x
1
13
6
13 I
En peut changer la valeur du second membre de la troisime contrainte 5usqu7*
ce que la droite de coefficient directeur R1XI touche le point optimal (3,A". .est
* dire quon peut varier le second membre de la troisime contrainte de 3
5usqu7* @; sans changer la solution optimale.
Question : %e combien peut<on faire varier le profit engendr par la culture
dun hectare de tomates, dans le problme de l7agriculture, sans changer la
solution optimale D
Rponse :
0)2
0(2
022
012
#
$
%
'
45-
&
x
3
11;
x
1
6;
;
9oit la variation du profit engendr par la culture dun hectare de tomate. La
fonction ob5ectif est gale *
3 1
3;; " (1;; x x + +
La solution demeure optimale si la pente de la fonction ob5ectif reste tou5ours
comprise entre la pente de la contrainte (1" et (6". .eci est quivalent * dire que 4
1;; @;
1
1;;
3;;
1
+

En peut vrifier aussi que si 4
@; <
alors la solution optimale est )
19
@; =
alors le problme est * solutions multiples 4 S)$T
1;; @; < <

alors la solution optimale est $
1;; =
alors le problme est * solutions multiples 4 S$.T
6;; 1;; < <

alors la solution optimale est .
6;; =
alors le problme est * solutions multiples 4 S.%T
6;; >
alors la solution optimale est %
CHAPITRE 3
La t!ode de
"imple#e
I. Introduction
En a prsent dans le chapitre prcdent une procdure graphique pour rsoudre
un programme linaire * deux variables. >ar contre, dans la plupart des
3;
problmes rels, on a plus que deux variables * dterminer. (ne procdure
algbrique pour rsoudre les programmes linaires avec plus que deux variables
fera lob5et de ce chapitre. .7est la mthode de simplexe.
(ne implmentation de cette procdure * permis de rsoudre des programmes
avec un peu plus de quelques milliers de variables. Le programme Lindo quon
prsentera dans le chapitre ! (en version pour tudiant" supporte au plus 3;;
variables et 1;; contraintes.
%ans ce chapitre la mthode de simplexe est prsente pour les problmes
;
.

7
b x ' c s
x c Max
t
et en utilisant le problme de lagriculteur 4
;
3
, ;
1

9;
1

A;
3
1

;
3
3
1

1@;
3 1
. .
3
3;;
1
1;;

+
+
+
+
x x
x
x x
x x
x x c s
x x Max
II. &ise sous forme standard
La mise sous forme standard consiste * introduire des variables supplmentaires
(une pour chaque contrainte" de manire a rcrire les ingalits ( " sous la
forme d7galits. .hacune de ces variables reprsente le nombre de ressources
non utiliss. En les appelle variable d7cart. La forme standard s7crit donc 4
; , ;
.

+
8 7
b 8 x ' c s
x c Max
t

; , , ; , ;
; , , ; , ;

.

3 1
3 1
3 3 1 1
3 3 3 3 33 1 31
1 1 1 3 13 1 11
3 3 1 1

= + + + +
= + + + +
= + + + +
+ + +
M
N
M M N MN M M
N N
N N
N N
8 8 8
x x x
b 8 x a x a x a
b 8 x a x a x a
b 8 x a x a x a c s
x c x c x c Max
La forme standard du programme linaire de l7agriculteur est 4

Max 1--x
1
/ 2--x
2
0(312
s3 c x
1
/ x
2
/ 8
1
5 19- 0(322
)x
1
/ 2x
2
/ 8
2
5 ))- 0(3(2
x
1
/ )x
2
/ 8
(
5 ):-0(3)2
x
1
/ 8
)
5 ;- 0(392
x
1
, x2, 8
1
, 8
2
, 8
(
, 8
)
- 0(3<2
L7impact de ces variables d7cart sur la fonction ob5ectif est nulle. .eci explique
le fait que leur existence soit tout simplement lie * une mise en forme du
programme linaire initial. .es variables d7cart peuvent prendre des valeurs
31
nonnegatives. Le fait de donner la valeur des variables d7cart a l7optimum donne
une ide du nombre des ressources non utilises.
III. !e'ue al"#rique de la mthode du simplexe
La question qui se pose 4 que demande<t<on dune procdure algbrique D
'n premier lieu, on note que les contraintes du problme (6.3"<(6.@", forment un
s2stme de quations et de I variables. Er il 2 a un nombre infini de solutions
de ce s2stme dquations. %onc une procdure algbrique, pour la rsolution
dun programme linaire doit -tre capable de retrouver les solutions des
s2stmes dquations o= il 2 a plus de variables que de contraintes.
'n deuxime lieu, ce ne sont pas toutes les solutions qui vrifient (6.3"<(6.@" qui
sont des solutions du programme linaire L ils doivent en plus satisfaire les
contraintes de nonngativit. )insi une procdure algbrique doit -tre capable
dliminer, de lensemble des solutions qui satisfait (6.3"<(6.1" celles qui
narrivent pas * satisfaire les contraintes de nonngativit.
Kinalement, une procdure algbrique pour rsoudre les programmes linaires
doit -tre en mesure de choisir parmi les solutions ralisables ceux qui
maximisent la fonction ob5ectif.
La mthode de simplexe est une procdure algbrique qui tient compte de ces
trois considrations.
>our illustrer cette procdure, supposons que x
2
5 - et 8
1
5 -. Motre s2stme
devient
x
1
5 19- x
1
5 19-
x
1
/ 8
2
5 ))- 8
2
5 ()-
)x
1
/ 8
(
5 ):- 8
(
5 112-
x
1
/ 8
)
5 ;- 8
)
5 1<-
Les variables x
1
, 8
2
, 8
(
et 8
)
(non nulles" sont dites variables de base et les
variables 8
1
, x
2
, (nulles" sont dites variables hors base.
#nralement, si on a un programme linaire standard constitu de n variables et
m contraintes 0n m2 alors une solution de base (extr-me" est obtenue, en
annulant 0n1m2 variables et en rsolvant les m contraintes pour dterminer les
valeurs des autres m variables.
33
En note quune solution de base nest pas tou5ours ralisable. .est le cas de la
solution quon vient de retrouver.
(ne solution ralisable de base serait celle o= x
1
5 x
2
5 -, ainsi on a 4
8
1
5 19-
8
2
5 ))-
8
(
5 ):-
8
)
5 ;-
.ette solution correspond * un point extr-me de lensemble des solutions
ralisables qui est lorigine 6.
>our la mthode de simplexe une solution ralisable de base initiale est
demande. (ne telle solution peut -tre retrouve en annulant toutes les variables
de dcision. .e qui correspond dans notre exemple au point dorigine E.
) partir de ce point la mthode de simplexe va gnrer successivement des
solutions ralisables de base pour notre s2stme dquations en sassurant que la
valeur de la fonction ob5ectif est en train daugmenter 5usqu7* localiser la
solution optimale du problme qui est un point extr-me de lespace des solutions
ralisables donc une solution ralisable de base.
)insi, on peut dcrire la mthode de simplexe comme tant une procdure
itrative qui passe dune solution ralisable de base * une autre 5usqu* atteindre
la solution optimale.
La description mathmatique de ce processus fera lob5et de la section suivante.
IV. La mthode des ta#leaux
La mthode de simplexe commence par l7identification d7une solution ralisable
de base et ensuite, elle essa2e de trouver d7autres solutions ralisables de base
5usqu* atteindre * la solution optimale. )insi, on doit, tout dabord, retrouver
cette solution ralisable de base.
#nralement si le programme linaire satisfait ces deux proprits 4
>1X >armi les variables du problme standard, il 2 a m variables qui apparaissent
avec un coefficient non nul dans chaque contrainte (dans notre exemple 4 8
1
, 8
2
,
8
(
et 8
)
".
>3X Les valeurs du second membre des contraintes (les composants du vecteur
b" sont positives.
36
)lors une solution ralisable de base est obtenue en annulant les (n<m" variables
de dcision et la valeur des variables d7cart est directement donne par le
second membre. La deuxime proprit assure la satisfaction des contraintes de
nonngativit des variables d7cart.
%ans notre exemple, la forme standard du programme linaire vrifie ces deux
proprits.
a' %ableau de !implexe initial
)prs avoir mis le programme linaire sous une forme qui vrifie les deux
proprits >1 et >3, ltape suivante est de tracer le tableau de simplexe initial.
Le modle gnral des tableaux de simplexe est 4

>our notre exemple le tableau de simplexe initial est le suivant 4
1-- 2-- - - - -
x
1
x
2
8
1
8
2
8
(
8
)
- 8
1
19- 1 1 1 - - -
- 8
2
))- ) 2 - 1 - -
- 8
(
):- 1 ) - - 1 -
- 8
)
;- 1 - - - - 1
En remarque quon a plac en premire ligne les contributions unitaires de
toutes les variables de dcision x
1
,333, 8
)
dans la fonction ob5ectif. %ans la
troisime ligne, on retrouve la premire contrainte x
1
/ x
2
/ 8
1
5 19-. La valeur
1@; reprsente ici la valeur de 9
1
relative * la solution ralisable de base initiale.
%ans la premire colonne on trouve les contributions nulles des variables d7cart
qui forment la solution de base initiale.
Exemple :
3
c
j
coefficient correspond aux variables
Foutes les variables
' 5 0a
ij
2
i
,
j
matrice des coefficients
des contraintes du programme
standard
=
i

0
a
l
e
u
r

d
e
s

v
a
r
i
a
b
l
e
s

d
e

b
a
s
e
>
&

v
a
r
i
a
b
l
e
s

d
e

b
a
s
e
%
i

c
o
e
f
f
i
c
i
e
n
t
s

d
e
s

v
a
r
i
a
b
l
e
s

d
e

b
a
s
e
Cuestion 4 Cuelles sont les contraintes et la fonction ob5ectif du programme
linaire dcrit par le tableau de simplexe suivant 4
I ! ; ;
x
1
x
3
9
1
9
3
; 9
1
1@; 3 1 ;
; 9
3
; 1 @ ; 1
/ponse 4 Les contraintes du programme sont 4
) x
1
/ 2x
2
/ 8
1
5 9-
x
1
/ 9x
2
/ 8
2
5 )-
et la fonction ob5ectif est 4 <x
1
/ ?x
2
/ -8
1
/ -8
2

Remarque 4 Les variables qui figurent dans la deuxime colonne sont dites
variables de base. ) chacune de ces variables, on associe la valeur 1 *
lintersection de la ligne et de la colonne relative * cette variable et dans le reste
de la colonne on trouve des &ros.
Qusqu* ici on a vu comment retrouver une solution ralisable de base et
comment prsenter le tableau de simplexe initial. %ans la section suivante, on
examinera la procdure lie * la mthode de simplexe qui permet de passer de
cette solution ralisable de base initiale * une autre solution ralisable de base
qui donne une meilleure valeur de la fonction ob5ectif.
b' *mlioration de la !olution
>our amliorer la solution il faut gnrer une autre solution de base (point
extr-me" qui augmente la valeur de la fonction ob5ectif. .est * dire, quon doit
slectionner une variable hors base et une variable de base et les permuter de
telle fa+on que la nouvelle solution donne une plus grande valeur de la fonction
ob5ectif.
>our savoir si on peut amliorer notre solution ralisable de base initiale nous
allons introduire deux nouvelles lignes au<dessus du tableau de simplexe.
La premire ligne, note z
j
, reprsente la variation de la valeur de la fonction
ob5ectif qui rsulte du fait quune unit de la variable correspondante * la 5
me
colonne de la matrice ) est amene dans la base. >ar exemple &
1
reprsente la
diminution du profit qui rsulte de la5out dune unit * la valeur de x
1
.
'n effet, si on produit un hectare supplmentaire de x
1
, la valeur de quelques
variables de base vont changer vu quon a 4
x
1
/ 8
1
5 19-
)x
1
/ 8
2
5 ))-
3@
x
1
/ 8
(
5 ):-
x
1
/ 8
)
5 ;-
%onc, une augmentation de x
1
de - vers 1 va -tre accompagne d7une diminution
des variables de base 8
1
, 8
2
, 8
(
, 8
)
respectivement de 1, ), 1 et 1.
Leffet de cette diminution sur la fonction ob5ectif est nul car les coefficients des
variables dcarts dans cette fonction sont nulles
z
1
5 - 8
1
/ - 8
2
/ - 8
(
/ - 8
)
5- 1 / - ) / - 1 / - 1 5 -
La valeur z
1
est calcule en multipliant les coefficients de la premire colonne de
la matrice ' relatifs * la variable x
1
par les coefficients c
i
de la premire
colonne. #nralement, on a 4
z
j
5

i
i ij
c a
La deuxime ligne, note c
j
1 z
j
, reprsente leffet net de laugmentation dune
unit de la 5
me
variable.
%ans notre exemple, leffet net sur la fonction ob5ectif engendr par
laugmentation dune unit dans la valeur de x
1
est
c
1
1 z
1
5 1-- 1 - 5 1--
9i on reprend la m-me opration pour le reste des variables, on trouve le tableau
suivant 4
1-- 2-- - - - -
x
1
x
2
8
1
8
2
8
(
8
)
- 8
1
19- 1 1 1 - - -
- 8
2
))- ) 2 - 1 - -
- 8
(
):- 1 2 - - 1 -
- 8
)
;- 1 - - - - 1
z
j
- - - - - -
c
j
1 z
j
1-- 2-- - - - -
'n anal2sant la ligne relative * lvaluation nette c
j
1 z
j
, on remarque quune
augmentation dune unit de la valeur de x
1
engendre un profit de 1;; dinars, et
quune augmentation dune unit de la valeur de x
2
engendre un profit
supplmentaire de 3;; dinars. %onc, si on a * choisir, on va opter pour une
augmentation de la valeur de x
2.
En dit que x
2
est la variable entrante.
Le problme est maintenant, 5usquo= peut<on augmenter x
2
D
.ette augmentation ne peut pas se faire infiniment, sous lh2pothse que x
1
reste
nulle. En a
x
1
/ 8
1
5 19-
3I
2x
2
/ 8
2
5 ))-
)x
2
/ 8
(
5 ):-
x
)
/ 8
2
5 ;-
En peut voir que x
2
peut prendre comme valeur maximale la valeur de 1-- (il ne
faut pas oublier que les 8
i,
i51, 2, (, ) sont des variables positives". .ette valeur
est obtenue en choisissant la plus petite valeur positive des divisions de 1--X1,
))-@2, ):-@) et ;-@- (on suppose que ;-@- est gale * linfini ".
'n gnral, la valeur maximale de la variable entrante x
j
est le minimum des
valeurs positives des rapports de =
i
par les coefficients de la colonne de la
matrice ' relatif * la 5
me
variable. .es rapports feront lob5et dune autre colonne
* droite de la matrice '.
%ans notre exemple, on aura 4
1-- 2-- - - - -
7
1
x
2
8
1
8
2
8
(
8
)
- 8
1
1-- 1 1 1 - - - 19-
- 8
2
))- ) 2 - 1 - - 22-
- 8
(
):- 1 ) - - 1 - 12-
- 8
)
;- 1 - - - - 1

- - - - - -
1-- 2-- - - - -
Le fait daugmenter x
2
5usqu* la valeur 1-- va engendrer lannulation de la
valeur du variable dcart 8
(
, ce qui limine 8
(
de la base. En appelle 8
(
variable
sortante.
Llment ), * lintersection de la ligne relative * la variable sortante 8
1
(dite
ligne pivot" et de la colonne relative * la variable entrante x
2
(dite colonne pivot"
est llment pivot. (.est llment cercl dans le tableau".
3!
c' +alcul de! tableaux !ui,ant!
%ans le nouveau tableau de simplexe on va remplacer 8
(
par x
2
et lensemble des
variables de base deviendra 8
1
, 8
2
, x
2
, 8
)
. En exige que x
2
prenne la m-me place
dans la colonne des variables de base que celle de la variable sortante 8
(
3
Qusqu* maintenant on ne peut pas remplir le tableau relatif * cette nouvelle
solution de base 4
1-- 2-- - - - -
x
1
x
2
8
1
8
2
8
(
8
)
- 8
1
- 8
2
2-- x
2
- 8
)
.e qui reste * dterminer sont les coefficients a
ij
de la nouvelle matrice ' et les
valeurs =
i
des variables de base. .eci est ralis en utilisant la rgle de pivot 4
1. %iviser le ligne de pivot par la valeur de llment de pivot pour trouver la
ligne transforme de la ligne de pivot.
1-- 2-- - - - -
x
1
x
2
8
1
8
2
8
(
8
)
- 8
1
- 8
2
2-- x
2
12- 1@) 1 - - 11@) -
- 8
)
3. ) chacune des variables de base, on associe la valeur 1 * lintersection de la
ligne et de la colonne relative * cette m-me variable et dans le reste de la
colonne on trouve des &ros.
1-- 2-- - - - -
x
1
x
2
8
1
8
2
8
(
8
)
- 8
1
- 1 - -
- 8
2
- - 1 -
2-- x
2
12- 1@) 1 - - 11@) -
- 8
)
- - - 1
6. >our calculer le reste des valeurs du tableau, on opre * des combinaisons
linaires dans le prcdent tableau de simplexe. >ar exemple pour calculer la
nouvelle valeur qui va prendre la place de la valeur 1;; devant la variable de
3A
base 914 En multiplie 1;; par le pivot (", on retranche de ce produit le
produit de la pro5ection de la valeur 1;; sur la ligne pivot par la pro5ection de
la valeur 1;; sur la colonne pivot, et on divise le tout par la valeur du pivot
(".
1-- 2-- - - - -
x
1
x
2
8
1
8
2
8
(
8
)
- 8
1
1$% 1 1 1 - % -
- 8
2
))- ) 2 - 1 - -
- x
2
):- 1 ) - - 1 -
- 8
)
;- 1 - - - - 1

6;
1 A; 1@;
=

1 1 ;
=

1-- 2-- - - - -
x
1
x
2
8
1
8
2
8
(
8
)
- 8
1
3% - 1 - &1'( -
- 8
2
- - 1 -
2-- 8
(
12- 1@) 1 - - 11@) -
- 8
)
- - - 1
'n appliquant cette rgle sur notre exemple, on trouve le tableau suivant 4
1-- 2-- - - - -
x
1
x
2
8
1
8
2
8
(
8
)
- 8
1
(- (@) - 1 - 11@) -
- 8
2
2-- ?@2 - - 1 11@2 -
2-- 8
(
12- 1@) 1 - - 11@) -
- 8
)
;- 1 - - - - 1
Remarques:
a" En vrifie tou5ours que les colonnes de la matrice relative * chacune des
variables de base sont formes par des &ros sauf 1 dans lintersection avec la
ligne relative aux m-mes variables de base.
b" En peut vrifier aussi que lensemble des solutions ralisables, induit par les
contraintes dcrites dans le dernier tableau de simplexe, est le m-me que
celui reprsent par les contraintes initiales. La rgle de pivot est une
combinaison linaire des contraintes du programme linaire donc elle ne
change pas lensemble des solutions ralisables.
c" La nouvelle solution ralisable de base est
x
1
5 -
x
2
5 12-
8
1
5 (-
8
2
5 2--
39
8
(
5 -
8
)
5 ;-
.ette nouvelle solution correspond au point '(voir graphique". En vrifie bien
que la valeur de la fonction ob5ectif est passer de - * 12- x 2--. La valeur de la
fonction ob5ectif peut -tre facilement calculer en multipliant membre * membre
les c
i
de la premire colonne par les valeurs des variables de base =
i
dans la 6
me
colonne.
d" La solution de dpart correspond au point 6. La premire itration nous a
amen dans le sens de l7amlioration du profit (fonction ob5ectif", cest * dire
le long de laxe des ordonnes.
)2ant retrouv une nouvelle solution, on veut savoir sil est possible de
retrouver une solution ralisable de base meilleure. >our arriver * cette fin, on
doit a5outer les deux lignes relatives au choix de la variable entrante, et la
colonne relative au choix de la variable sortante.
1-- 2-- - - - -
x
1
x
2
8
1
8
2
8
(
8
)
- 8
1
(- (@) - 1 - 11@) - )-
- 8
2
2-- ?@2 - - 1 11@2 - )--@?
2-- x
2
12- 1@) 1 - - 1@) - ):-
- 8
)
;- 1 - - - - 1 ;-
9- 2-- - - 9- -
9- - - - 19- -
La variable entrante est x
1
L elle prsente la plus grande valeur c
j
1 z
j
. 9i on calcule
les quotients =
i
@c
i1
, on retrouve que la variable sortante est 8
1
* qui on associe la
plus petite valeur du ratio =
1
@c
11
5)-. Llment pivot dans ce tableau est 6X. La
nouvelle base est compose de x
1
, 8
2
, x
2
, 8
)
.
Le tableau de simplexe suivant issu de lapplication de la rgle de pivot est 4
1-- 2-- - - - -
x
1
x
2
8
1
8
2
8
(
8
)
1-- x
1
)- 1 - )@( - 11@( -
- 8
2
<- - - 11)@( 1 2@( -
2-- x
2
11- - 1 11@( - 1@( -
- 8
)
9- - - 1)@( - 1@( 1
.ette nouvelle solution
6;
x
1
5 )-
x
2
5 12-
8
1
5 -
8
2
5 <-
8
(
5 -
8
)
5 9-
correspond au point $ qui est, daprs les rsultats retrouve par la mthode
graphique, la solution optimale du problme. )insi, il faut sattendre * ce que la
mthode de simplexe reconnaisse cette solution comme tant la solution
optimale.
)5outons la ligne relative au calcul de l7effet net dune augmentation unitaire
dune des variables du problme, on a 4
1-- 2-- - - - -
x
1
x
2
8
1
8
2
8
(
8
)
1-- x
1
)- 1 - )@( - 11@( -
- 8
2
<- - - 1)@( 1 2@( -
2-- x
2
11- - 1 11@( - 1@( -
- 8
)
9- - - 1)@( - 1@( 1
1-- 2-- 2--@( - 1--@( -
- - 11--@( - 11--@( -
Leffet net associ aux variables hors base 8
1
et 8
2
est ngatif. .eci nous oblige *
dire que faire entrer une de ces deux variables dans la base va engendrer une
diminution dans la valeur de la fonction ob5ectif. %onc il n2 a pas une autre
solution ralisable de base qui peut engendrer un profit meilleur. >ar suite cette
dernire solution est la solution optimale. .e dernier tableau de simplexe est
donc dit tableau optimal.
En peut gnraliser ce rsultat en disant que la solution optimale dun
programme linaire est atteinte sil n2 a aucune valeur positive dans la ligne
c
j
1z
j
du tableau du simplexe.
61
V. !sum de la procdure de la mthode du simplexe
(dans le cas d7un problme de maximisation sous contraintes et avec un
second membre positif"
'tapes Qustification
1. Kormuler un programme linaire
pour le problme rel.
>our obtenir une reprsentation
mathmatique du problme
3. 0rifier que le second membre du
programme linaire est positif
.eci est ncessaire pour obtenir comme
variable de base initiale lorigine
6. 'crire le programme linaire sous
une forme standard
Gettre toutes les contraintes sous forme
dgalit
. .onstruire le premier tableau de
simplexe
.e tableau correspond * la solution initiale
de base
@. .hoisir comme variable entrante
dans la base celle qui admet le plus
grand effet net positif c
j
1z
j
.
La valeur de c
j
1z
j
indique la quantit
daugmentation de la fonction ob5ectif si
on augmente la valeur de x
j
dune unit.
I. .hoisir la variable sortante de la
base celle qui admet le plus petit ratio
suprieur * &ro.
La plus petite valeur de =
i
@a
ij
indique le
nombre maximal dunit de x
j
quon peut
introduire avant que la variable de base de
lime ligne ne soit gale * &ro.
!. .onstruire le nouveau tableau en
utilisant la rgle de pivot
.ette rgle nous permet entre autre de
calculer les valeurs des nouvelles variables
de dcision
A. Kaire le test doptimalit. 9i
(c
j
1z
j
" ; pour toutes les variables
(hors base", la solution obtenue est
donc optimale. 9inon retourner *
ltape @.
9i (c
j
1z
j
" ; alors on na pas dintr-t *
faire entrer dans la base aucune de ces
variables. (ne telle introduction engendra
une diminution de la fonction ob5ectif.
VI. Exemple
/soudre le programme linaire suivant en utilisant la mthode de simplexe.
Max (x
1
/ 2x
2
8% 1 x
1
/ 2x
2
)
(x
1
/ 2x
2
1)
x
1
/ x
2
(
x
1
- x
2
-
La forme standard du programme linaire s7crit comme suit 4
Max (x
1
/ 2x
2
8% 1 x
1
/ 2x
2
/ 8
1
5 )
63
(x
1
/ 2x
2
/ 8
2
5 )
x
1
1 x
2
/ 8
(
5 (
x
1
, x
2,
8
1
, 8
2
, 8
(
-
Fableau de simplexe initial (1re itration"
( 2 - - -
x
1
x
2
8
1
8
2
8
(
- 8
1
) 11 2 1 - - 1)
- 8
2
1) ( 2 - 1 - 1)@(
- 8
(
( 012 11 - - 1 (
- - - - -
( 2 - - -
1
puisquelle prsente le plus grand effet net positif. La
variable sortante est 8
(
car elle correspond au plus petit quotient positif.
3me itration
( 2 - - -
x
1
x
2
8
1
8
2
8
(
- 8
1
? - 1 1 - 1 ?
- 8
2
9 - 092 - 1 1( 1
( x
1
( 1 1 - - 1 (
( - - - (
- 2 - - 1(
2
et la variable sortante est 8
2
6me itration
( 2 - - -
x
1
x
2
8
1
8
2
8
(
- 8
1
< - - 1 11@9 :@9
2 x
2
1 - 1 - 1@9 1(@9
( x
1
) 1 - - 1@9 2@9
( 2 - 1 -
66
- - - 11- -
Fous les c
j
1z
j
- donc le tableau de simplexe est optimal et la solution optimal
du programme linaire est
x
1
5 )
x
2
5 1
8
1
5 <
8
2
5 -
8
(
5 -
La valeur de la fonction ob5ectif est 1.
Remarque : Leffet net de laugmentation dune unit de la valeur de 8
(
(variable hors base" est nul. %onc si on introduit 8
(
dans la base, on ne modifie
pas la valeur de la fonction ob5ectif. )insi une autre solution optimale peut -tre
trouve pour notre programme linaire. .eci confirme le rsultat de la mthode
graphique qui indique que ce problme admet un ensemble de solution optimale
dcrit par le segment S$.T.
La solution optimale donne par le dernier tableau de simplexe correspond au
point ..
Le tableau du simplexe suivant est 4
( 2 - - -
x
1
x
2
8
1
8
2
8
(
- 8
(
19@) - - 9@: 11@: 1
2 x
2
1(@) - 1 (@: 1@: -
( x
1
9@2 1 - 11@) 1@) -
( 2 - 1 -
- - - 11 -

Le tableau est optimal et la solution correspondante est 4
x
1
5 9@2
x
2
5 1(@)
8
1
5 -
8
2
5 -
8
(
5 19@)
La valeur de la fonction ob5ectif est 1.
6
CHAPITRE (
Pro)l*me+ de
inimi+ation et
Pro)l*me+
Irrgulier+
6@
I. Introduction
%ans le chapitre prcdent tous les programmes linaires quon a trait sont du
t2pe 4 Gaximiser une fonction linaire sous contraintes de t2pe infrieur ou
gale (et avec un second membre positif".
Er dans beaucoup de problmes rels, on peut retrouver des contraintes de t2pe
suprieur ou gale etXou de t2pe gale, ainsi que des problmes o= on a *
minimiser au lieu de maximiser.
%ans ce chapitre, on tudiera les modifications * apporter * la mthode du
simplexe pour quelle puisse rsoudre tous ces t2pes de programmes.
II. Les 'aria#les artificielles
.onsidrons le programme linaire suivant 4
Max 9x
1
/ <x
2
83c 1x
1
/ x
2
)
9x
1
/ (x
2
5 <-
x
2
9
x
1
- , x
2
-
L7introduction des variables d7cart dans le programme linaire donne
Max 9x
1
/ <x
2
/ -8
1
/ -8
2
83c 1x
1
/ x
2
/ 8
1
5 )
9x
1
/ (x
2
5 <-
x
2
1

8
2
5 9
x
1
- , x
2
-, 8
1
-, 8
2
-
)fin de gnrer une solution ralisable de base initiale pour la mthode de
simplexe, on a annul les variables de dcision x
1
et x
2
. .eci nous permet de
commencer * partir de lorigine 6. Er, on vrifie bien que lorigine nest pas une
solution ralisable. La question qui se pose est comment nous allons rcrire le
programme de manire quon puisse construire le tableau de simplexe initial *
lorigine.
>our arriver * cette fin, on doit ressortir une astuce mathmatique qui se rsume
* lintroduction de nouvelles variables, dite variables artificielles '
1
et '
2
.
.es variables nont aucune interprtation, comme leur nom lindique, ils sont
con+us artificiellement pour nous aider * utiliser la procdure de simplexe et *
formuler le tableau initial * partir de l7origine.
9i on a5oute ces deux variables artificielles '
1
et '
2
respectivement * la 3
me
et
6
me
contrainte, le programme devient le suivant.
Max 9x
1
/ <x
2
/333
6I
83c 1x
1
/ x
2
/ 8
1
5 )
9x
1
/ (x
2
/ '
1
5 <-
x
2
18
2
/ '
2
5 9
x
1
-, x
2
-,

8
1
-, 8
2
-

, a
1
-, a
2
-
Gaintenant on peut obtenir une solution initiale de base du s2stme dquations,
si on pose x
1
5 x
2
5 -3
La solution initiale est
x
1
5 -
x
2
5 -
8
1
5 )
8
2
5 -
'
1
5 <-
'
2
5 9
.ette solution nest pas ralisable puisque x
2
nest pas suprieur * @;. )insi, il
est important de distinguer entre une solution rellement ralisable et une
solution du programme linaire rcrit pour la procdure du simplexe. .ertes,
une solution ralisable du problme rel reste tou5ours une solution ralisable
pour le programme linaire transform, le contraire nest pas tou5ours vrai.
En peut conclure que tant que les variables artificielles restent dans la base, la
solution demeure non ralisable rellement pour notre programme.
(ne manire pour garantir que ces variables artificielles sortent de la base avant
datteindre la solution optimale est de leur associe un grand co,t 1M dans la
fonction ob5ectif. )insi, si ces variables restent dans la base ils vont causer une
diminution importante de la valeur de la fonction ob5ectif. .e qui nous
contraignent * les faire sortir le plutYt possible de la base.
La fonction ob5ectif scrit donc 4
Max z 5 9x
1
/ <x
2
1 M '
1
1 M '
2
avec G un trs grand nombre (exemple4 M 1-
1-
" .
'n appliquant de ces modifications, le tableau de simplexe initial est
9 < - - 1M 1M
x
1
7
2
8
1
8
2
'
1
'
2
- 8
1
) 11 1 1 - - -
1M '
1
<- 092 ( - - 1 -
1M '
2
9 - 1 - 11 - 1
6!
%e la m-me manire que prcdemment essa2ons de retrouver la variable
entrante te la variable sortante 4
9 < - - 1M 1M
x
1
x
2
8
1
8
2
'
1
'
2
- 8
1
) 11 1 1 - - - 1)
1M '
1
<- 092 ( - - 1 - 12
1M '
2
9 - 1 - 11 - 1

19M 1)M - M 1M 1M
9/9
M
</)
M
- 1M - -

1
(9 /9M < / )M avec M asse& grand" et la variable
sortante est '
1
. Le tableau de simplexe qui suit est 4
9 < - - 1M 1M
x
1
x
2
8
1
8
2
'
1
'
2
- 8
1
1< - :@9 1 - 1@9 - 1-
9 x
1
12 1 (@9 - - 1@9 - 2-
1M '
2
9 - 012 - 11 - 1 9
9 (1M - M 1 1M
- (/M - 1M 1M11 -

Le tableau de simplexe aprs la deuxime itration indique que la variable
sortante est '
2
.
Remarque: 9implification du tableau
Les deux premire itrations on fait sortir de la base les variables artificielles '
1
et '
2
. Leurs effets nets est maintenant ngatif et trs lev, elles ne pourront
donc pas -tre slectionnes * litration suivante, ni m-me ultrieurement
comme on peut facilement le constater. %onc on peut supprimer du tableau la
colonne relative * '
1
et '
2
.
'n appliquant la rgle ci<dessus, on obtient le tableau de simplexe suivant 4
9 < - -
x
1
x
2
8
1
8
2
- 8
1
: - - 1 :@9 9
9 x
1
; 1 - - (@9 19
< x
2
9 - 1 - 11 19
9 < - 1(
6A
- - - (

9 < - -
x
1
x
2
8
1
8
2
- 8
2
9 - - 9@: 1
9 x
1
< 1 - 1(@: -
< x
2
1- - 1 9@: -
9 < 19@: -
- - 119@: -
Le tableau ci<dessus est optimal car tous les effets nets sont ngatifs ou nuls.
%onc la solution optimale est 4
x
1
5 <
x
2
5 1-
8
1
5 -
8
2
5 9
Remarque: cas o= le second membre ngatif
Le problme qui peut se poser est que lune des variables du second membre soit
ngative. >ar exemple supposons que lors de la formulation on trouve une
contrainte de ce t2pe 4
x
1
1 x
2
1)
La condition quil faut vrifier avant de se lancer dans la rcriture de cette
contrainte, en vue de construire le programme standard, est la nongativit du
second membre.
)insi, on doit modifier la contrainte avant de commencer la standardisation et la
rcrire comme suit 4
1x
1
/ x
2
)
Exercice :
/crire convenablement ces contraintes4
012 x
1
/ (x
2
1 9x
(
5 1 2-
022 1x
1
/ (x
2
1 9
0(2 9x
1
1 2x
2
1 1-
III. Les pro#lmes de minimisation
8l 2 a deux manires de rsoudre un problme de minimisation en utilisant la
mthode de simplexe.
69
La premire mthode ncessite le changement de la rgle de choix de la variable
entrante. %ans un problme de maximisation la rgle est de choisir comme
variable entrante celle qui a le plus grand effet net positif non nul. .eci parce
que notre ob5ectif est de choisir la variable qui en entrant dans la base va
engendrer un profit supplmentaire et ainsi accroUtre la valeur de la fonction
ob5ectif. >our un problme de minimisation, on va utiliser la rgle inverse.
.est<*<dire la variable entrante est celle * laquelle on associe la plus petite
valeur ngative non nulle de leffet net c
j
1 z
j
.
.eci va nous amener aussi * changer notre rgle darr-t de la procdure de
simplexe et de dfinir le tableau optimal, comme celui o= tous les effets nets
c
j
1 z
j
sont positifs ou nuls.
'ssa2ons dappliquer la mthode de simplexe sur le problme de mdecine 4
Min x
1
/ x
2

8c 2x
1
/ x
2
12
9x
1
/ :x
2
?)
x
1
/ <x
2
2)
x
1
- , x
2
-
>our permettre * la mthode de simplexe de dmarrer de lorigine, il faut comme
on la d5* vu dans le cas de problme de maximisation, introduire les variables
artificielles.
)vec les problmes de maximisation on attribue * ces variables un coefficient
1M dans la fonction ob5ectif pour les contraindre * quitter la base rapidement.
%ans le cas de problmes de minimisation, on a intr-t * changer le coefficient
de ces variables en M (M trs grand" afin darriver au m-me rsultat et de les
faire sortir de la base.
)vant de construire le tableau de simplexe initial, on rcrit le programme
linaire relatif au problme de mdecine avec les variables artificielles.
Min x
1
/ x
2
/ M'
1
/ M'
2
/ M'
(
8c 2x
1
/ x
2
1 8
1
/ '
1
5 12
9x
1
/ :x
2
1 8
2
/ '
2
5 ?)
x
1
/ <x
2
1 8
(
/ '
(
5 2)
x
1
, x
2
, 8
1
, 8
2
, 8
(
, '
1
, '
2
-
Le tableau de simplexe initial est 4
9 < - - - M M M
x
1
x
2
8
1
8
2
8
(
'
1
'
2
'
(
;
M '
1
12 2 1 11 - - 1 - - 12
M '
2
?) 9 : - 11 - - 1 - (?@)
M '
(
2) 1 < - - 11 - - 1 )
:M 19 1M 1M 1M M M M
11:M 1119M M M M - - -

)prs itrations, on trouve le tableau de simplexe optimal suivant 4
9 < - - -
x
1
x
2
8
1
8
2
8
(
1 x
1
: 1 - 1:@11 1@11 -
- 8
(
2< - - 2 11 1
1 x
2
2 - 1 9@11 12@11 -
1 1 1(@11 11@11 -
- - (@11 1@11 -
En retrouve la m-me solution obtenue par la mthode graphique 4
x
1
5 :
x
2
5 2
8
1
5 -
8
2
5 -
8
(
5 2<
4 5 1-
)prs avoir vrifier que le second membre des contraintes est positif, le tableau
suivant rsume les transformations * faire subir * notre programme linaire
avant de le rsoudre par la mthode de simplexe 4
Cuand la contrainte
est
>our la fonction ob5ectif dun problme de
Maximisation Minimisation
8< de t2pe V W
)5outer une variable
dcart
)ttribuer un coefficient nul pour la variable dcart
88< de t2pe V P W
dcart et une
variable artificielle
)ttribuer un coefficient <G
pour variable artificielle
)ttribuer un coefficient G
pour la variable artificielle
1
888< de t2pe V W
artificielle et une
variable dcart avec
un signe Z<Z
)ttribuer un coefficient nul
pour la variable dcart et un
coefficient < G pour variable
artificielle
)ttribuer un coefficient nul
pour la variable dcart et
un coefficient G pour
variable artificielle
Le tableau suivant rsume les tapes de la mthode de simplexe relatif aux
problmes de maximisation et minimisation 4
'tape Gaximisation Ginimisation
1 Kormuler un programme linaire
Kormuler un programme linaire
3 0rifier que le second membre du
programme linaire est positif
sinon modifier les contraintes
0rifier que le second membre du
programme linaire est positif sinon
modifier les contraintes
6 'crire le programme linaire sous
une forme standard
'crire le programme linaire sous
une forme standard
.onstruire le premier tableau de
simplexe
.onstruire le premier tableau de
simplexe
@ .hoisir comme variable entrante
grand effet net positif c
j
1z
j
.
.hoisir comme variable entrante
petit effet net ngatif c
j
1z
j
.
I .hoisir la variable sortante de la
base celle qui admet le plus petit
ratio suprieur * &ro.
.hoisir la variable sortante de la
base celle qui admet le plus petit
ratio suprieur * &ro.
! .onstruire le nouveau tableau en
.onstruire le nouveau tableau en
A Kaire le test doptimalit. 9i
0c
j
1z
j
2 - pour toutes les variables
(hors base" donc la solution
obtenue est optimale. 9inon
retourner * ltape @.
Kaire le test doptimalit. 9i
0c
j
1z
j
2 - pour toutes les variables
(hors base" donc la solution obtenue
est optimale. 9inon retourner *
ltape @.
La deuxime mthode pour rsoudre un problme de se base sur le rsultat
suivant V /soudre un problme min c
t
x su5et * un ensemble de contraintes est
quivalent * rsoudre un problme max 1c
t
x su5et au m-me ensemble de
contraintes W. .es deux problmes sont quivalents dans la mesure o= ils
donnent le m-me vecteur des solutions optimales. La seule diffrence est que la
valeur de la solution max 1c
t
x est loppos de la solution de min c
t
xA (i.e. min c
t
x
5 1 max 1c
t
x".
3
%onc pour rsoudre le programme linaire relatif au problme de mdecine, on
peut rsoudre le problme de maximisation suivant4
Max 1 x
1
1 x
2
83c3 2x
1
/ x
2
12
9x
1
/ :x
2
?)
x
1
/ <x
2
2)
x
1
, x
2
-
En peut vrifier facilement que la mthode de simplexe applique au
programme ci<dessus, engendre le m-me vecteur de solutions optimales.
IV. Les pro#lmes irr"uliers
)prs avoir examin comment on peut rsoudre un programme linaire par la
mthode de simplexe, on sintresse dans cette section aux problmes
irrguliers, qu7on peut rencontrer lors de la rsolution dun programme linaire
par la mthode de simplexe. %onc, lob5et de cette section est de reconnaUtre ces
problmes et de les rsoudre par la mthode de simplexe.
a' -e! problme! impo!!ible!
#raphiquement, on a caractris ces problmes par un ensemble de solutions
ralisables vide. )vec la mthode de simplexe, on reconnaUt que le problme est
impossible si une ou plusieurs variables artificielles sont prsentes dans la base
dans le tableau de simplexe optimal, ce qui signifie que la solution donne par
ce tableau nest pas rellement ralisable.
Exemple:
0rifions * laide de la mthode de simplexe, que le problme suivant est
rellement impossible 4
Max ) x
1
/ (x
2
8c x
1
/ x
2
2
(x
1
/ x
2
1-
x
1
, x
2
-
'n introduisant les variables dcarts et les variables artificielles le programme
scrit4
Max )x
1
/ (x
2
1 M'
1

8c x
1
/ x
2
1 8
1
5 2
(x
1
/ x
2
1 8
2
/ a
1
5 1-
x
1
, x
2
, 8
1
, 8
2
, '
1
-
) ( - - 1M
x
1
x
2
8
1
8
2
a
1
6
- 8
1
2 012 1 1 - - 2
1M a
1
1- ( 1 - 11 1 1-@(
1(M 1M - M 1
(M/) M/( - 1M 1M11

) ( - - 1M
x
1
x
2
8
1
8
2
a
1
) x
1
2 1 1 1 - -
1M a
1
9 - 12 1( 11 1
) )/2M 1/(M M 1M
- 1112M 111(M 1M -

Le tableau de simplexe ci<dessus est optimal avec une variable artificielle dans
la base.
Remarque : (n programme de maximisation ou de minimisation avec
seulement des contraintes de t2pe V W ne peut pas -tre impossible (sous
lh2pothse que le second membre b est positif". .eci est d, au fait que lors de
la rsolution de ce genre de programme par la mthode de simplexe on n7utilise
pas des variables artificielles. %onc il est impossible de les retrouver dans la
solution optimale.
b' -e! problme! . !olution! multiple!
#raphiquement, ce problme est caractris par le fait que la pente de la droite
reprsentant la fonction ob5ectif (& P ;" est gale * la pente de lune des
contraintes restrictives. Lorsquon utilise la mthode de simplexe, on identifie ce
problme lorsquun des effets nets (relatif * une variable hors base" est nul.
Lexemple de la section 6 du prcdent chapitre reprsente un problme avec
solutions multiples.
c' -e! problme! . !olution in$inie
#raphiquement, ce problme est caractris par le fait quon peut dplacer la
droite de la fonction ob5ectif indfiniment de manire * accroUtre la valeur, en
gardant tou5ours une intersection non vide avec lensemble des solutions
ralisables.
)vec la mthode de simplexe, on reconnaUt ce problme lorsque la variable
entrante nadmet aucune limite sur sa valeur dentre, cest * dire que tous les
ratios =
i
@a
ijo
sont ngatifs ou nuls.
Exemple
Max x
1
/ 2x
2
8c x
1
/ x
2
2
x
2
(
x
1
, x
2
-
En introduit les variables dcart et les variables artificielles, le programme
linaire devient 4
Max x
1
/ 2x
2
/ -8
1
/ -8
2
1 Ma
1

8c x
1
/ x
2
1 8
1
/ a
1
5 2
x
2
/ 8
2
5 (
x
1
, x
2
, 8
1
, 8
2
, a
1
-
Les tableaux de simplexe sont 4
1 2 - - 1M
x
1
x
2
8
1
8
2
a
1
1M a
1
2 1 012 11 - 1 2
- 8
2
( - 1 - 1 - (
1M 1M M - 1M
1/M 2/M 1M - -

1 2 - -
x
1
x
2
8
1
8
2
2 x
2
2 1 012 11 - 12
- 8
2
1 11 - 012 1 1
2 2 12 -
11 - 2 -

1 2 - -
x
1
x
2
8
1
8
2
2
x
2
( - 1 - 1

- 8
1
1 11 - 1 1 11
- 2 - 2
1 - - 12

Le dernier tableau montre que la variable x
1
nadmet aucune limite sur sa valeur
de sortie.
@
?
d' -e! problme! . !olution dgnre
#raphiquement, on appelle solution dgnre le point o= plusieurs contraintes
concourent (un nombre suprieur ou gale * trois contraintes". (n programme
linaire est dit dgnre si une ou plusieurs variables dans la base optimale sont
nulles. %ans la rsolution graphique ce problme nest pas difficile * rsoudre,
mais avec la mthode de simplexe il peut causer des difficults.
Exemple
Max z 5 2x
1
/ - x
2
/ (@2 x
(
s3c3 x
1
1 x
2
2
2x
1
/ x
(
)
x
1
/ x
2
/ x
(
(
x
1
, x
2
, x
(
-
La solution optimale de ce problme est 4
x
1
5 1
x
2
5 -
x
(
5 2
z 5 9
La forme standard du programme linaire est
Max 2x
1
/ - x
2
/ (@2x
(
/ - 8
1
/ - 8
2
/ - 8
(
8c x
1
1 x
2
/ 8
1
5 2
2x
1
/ x
(
/ 8
2
5 )
x
1
/ x
2
/ x
(
/ 8
(
5 (
x1, x
2
, x
(
, 8
1
, 8
2,
8
(
-
Le tableau de simplexe initial est 4
2 - (@2 - - -
x
1
x
2
x
(
8
1
8
2
8
(
-
8
1
2 1 11 - 1 - - 2
- 8
2
) 2 : - 11 - - 2
- 8
(
( 1 < - - 11 - (
- 19 1M 1M 1M M
2 - (@2 - - -

1
, mais les deux premires contraintes donnent la m-me
valeur minimale du ratio. .eci indique que lorsque x
1
passe * 3, les variables
I
?
dcart 8
1
et 8
2
vont sannuler malgr que lun des deux demeure encore dans la
base.
.hoisissons arbitrairement de faire sortir de la base la variable dcart 8
1
.

2 - (@2 - - -
x
1
x
2
x
(
8
1
8
2
8
(
2 x
1
2 1 11 - 1 - - 12
- 8
2
- - 2 1 12 1 - -
- 8
(
1 - 2 1 11 - 1 1@2
2 12 - 2 - -
- 2 (@2 12 - -

La nouvelle solution ralisable de base est 4
x
1
5 -
x
2
5 -
x
(
5 1
8
1
5 2
8
2
5 -
8
(
5 -
et la valeur de la fonction ob5ectif z 5 ). .ette solution de base est dite
dgnre. .ontinuons les itrations relatives * la mthode de simplexe. La
variable entrante est x
2
.
Le problme est quun des ratios est nul ce qui indique quon ne peut pas
augmenter la valeur de x
2
puisque la valeur de la fonction ob5ectif ne va pas
augmenter et reste gale * .
9i on ritre une autre fois, en rempla+ant 8
2
par x
2
dans la base on obtient 4
2 - (@2 - - -
x
1
x
2
x
(
8
1
8
2
8
(
2 x
1
2 1 - 1@2 - 1@2 - )
- x
2
- - 1 1@2 11 1@2 - -
- 8
(
1 - - - 1 11 1

2 - - - 1 -
- - 1@2 - 11 -

.e tableau nest pas optimal, la variable entrante est x
(
et la variable sortante est
x
2
. En remarque aussi que ce passage dune solution * une autre ne
saccompagne pas dune augmentation de la valeur de la fonction ob5ectif.
En peut facilement vrifier que nous somme en train de c2cler sans atteindre la
solution optimale. .e genre de c2clage dans la mthode de simplexe est
!
dangereux et on doit lidentifier avant de commencer * rsoudre le problme,
sinon on passera un temps norme sans atteindre la solution optimale.
>our terminer cette section, il faut noter que ce n7est pas tout problme de
dgnrescence qui peut conduire * un c2clage.
Exemple
Max 1- x
1
/ ;x
2
8c ?@1-x
1
/ x
2
<(-
1@2 x
1
/9@<x
2
):-
x
1
/ 2@(x
2
?-:
1@1- x
1
/1@)x
2
1(9
x
1 ,
, x
2
-
'ssa2er de rsoudre ce programme par la mthode de simplexe (choisir en cas
de deux quotients gaux, celui qui se trouve dans la ligne suprieure".
CHAPITRE $
,ualit et anal-+e
de +en+i)ilit
I. Introduction
%ans ce chapitre, on va tudier des notions relatives au programmes linaires
tels que le programme dual, les co,ts marginaux ainsi que des techniques de
validation de la solution dun programme linaire, cest * dire lanal2se de
sensibilit.
A
Mous allons commencer ce chapitre par donner quelques termes cls du 5argon
utilis pour interprter conomiquement les diffrents rsultats du programme
linaire.
II. Interprtation conomique
Les lments cls dun programme linaire standard sont 4
< La fonction ob5ectif dite fonction conomique. .ette fonction peut reprsenter
un co,t, un profit, etc...
< Les contraintes sont composes, des coefficients a
ij
de la matrice ', dite
matrice technologique, et des constantes b
i
, qui forment le vecteur du second
membre. Le second membre peut reprsenter la disponibilit des ressources, les
niveaux de demande etc...
< Les variables dcart peuvent reprsenter, par exemple dans le problme de
lagriculteur, lexcdent de chacune des ressources 4 terrain, eau, heures de
travail, bureau dirrigation. 'lles sont aussi dites variables de surplus.
Cuand une variable dcart est nulle, on dit que la contrainte correspondante est
sature. %ans le problme de lagriculteur les contraintes terrain et main
dBuvre sont satures. 'lles sont dites aussi restrictives car une variation du
second membre (par exemple" engendre un changement dans la valeurs de la
solution optimale.
Foute contrainte non sature * loptimum nest pas restrictive pour le problme,
cest * dire quelle na aucune influence sur la solution considre.
Dfinition: .o,t marginal
>ar dfinition, on appelle co,t marginal dun bien laugmentation minimale de
dpenses, par rapport * la solution optimale, qui rsulterait de lutilisation dune
unit supplmentaire de ce bien, lorsque le problme pos consiste * produire
des biens au moindre co,t.
9i le problme pos consiste * transformer des biens pour vendre une production
avec un meilleur profit et laugmentation maximale de revenu qui rsulte de la
possibilit de disposer dune unit supplmentaire de lun des biens, est la valeur
marginale de ce bien. Frs souvent, on emploie galement dans ce cas le
qualificatif co,t marginal.
/emarque 4 Les co,ts marginaux sont donc les effets nets associs aux variables
dcart, puisque ce sont ces variables qui dterminent les excdents (ou les
insuffisances" de biens.
9i une variable dcart nest pas nulle, dans la solution optimale, cest que le
bien correspondant est d5* excdentaire. >ar consquent, le fait de disposer
dune unit supplmentaire de ce bien naura aucune influence sur le revenu. En
9
dit alors que ce bien * une valeur marginale nulle, ou par extension, que la
variable dcart associe * ce bien a une valeur marginale nulle.
>ar contre, si une variable dcart est nulle dans la solution optimale, cest que le
bien correspondant est totalement utilis. >ar la suite une variation de la
disponibilit aura gnralement une influence sur le revenu. .est pourquoi cette
variable dcart nulle dans la solution optimale * une valeur marginale non
nulle, et cette valeur marginale prcise la variation de la fonction conomique
rsultant de lutilisation dune unit supplmentaire du bien associ.
Exemple : %ans le problme de lagriculteur on a
Le co,t marginal li *
1
8
est
6 3;;
(ne augmentation de
1
8
dune unit entraUne une diminution de
6 3;;
de la
valeur de la fonction conomique.
Le co,t marginal li *
3
8
est ; et * l7optimum
3
8
P;
on a d5*
6
I;m deau de plus donc si on a5oute
6
1m ca ne va pas changer la
solution optimale ni la valeur de la fonction conomique
Le s2stme de contraintes dans le programme linaire relatif au tableau de
simplexe optimal du problme de lagriculteur est
= +
= +
= +
= +
@; 6 1 6
11; 6 1 6 1
I; 6 3 6 1
; 6 1 6
6 1
6 1 3
6 1 3
6 1 1
8 8 8
8 8 x
8 8 8
8 8 x
La fonction conomique scrit
3 1
3;; 1;; x x z + =
9i on exprime
z
en fonction de
1
8
et 6
8
(variables hors base" en utilisant le
s2stme dquation ci dessus on a
( ) ( ) 11; 6 1 6 1 3;; ; 6 1 6 1;;
6 1 6 1
+ + + + = 8 8 8 8 z
6 1
6 1;; 6 3;; 3I;;; 8 8 z =
La valeur 3I;;; correspond * la valeur optimale de la fonction conomique.
9i
1
1
= 8
alors un hectare de terrain de moins * utiliser, donc une rduction de
6 3;;
dinars de la valeur de la fonction ob5ectif.
9i on a5oute 6 hectares de terrains
( ) 6
1
= 8
, avec lh2pothse que les autres
quantits restent inchanges alors le revenu augmente de
( ) dinars 3;; 6 6 3;; =
En vrifie ceci, si on rsout le programme linaire
Max
3 1
3;; 1;; x x +
% 8. 1@6
3 1
+ x x
; 3
3 1
+ x x
A;
3 1
+ x x
9;
1
x
@;
;
1
x
,
;
3
x
En trouve que la valeur optimale va augmenter de 3;; dinars est devient 3I 3;;
dinars.
Exercice 4 'xpliquer graphiquement que si on a5oute des
6
m deau, on aura
aucune amplification dans la fonction ob5ectif.
Remarque 4 %ans le cas o= on diminuerait
6
I;m deau, la solution optimal
devient dgnre.
Les valeurs marginales apportent donc des renseignements conomiques
particulirement intressantes, mais il faut les utiliser avec prudence car leur
domaine de validit est limit.
>ar exemple, si on a5oute 6; hectares de terrains aux 1@; d5* disponibles dans
le problme de lagriculteur, le revenu augmentera de
( ) dinars 3;; 6 6 3;; =
.
.eci nest pas vrai, parce que si on rsout le programme linaire suivant 4
Max
3 1
3;; 1;; x x +
% 8. 1A;
3 1
+ x x
; 3
3 1
+ x x
A;
3 1
+ x x
9;
1
x
;
1
x
,
;
3
x
La valeur optimale du programme linaire ci<dessus est de 3I A!@,1 donc le
revenu na pas augment de 3;;; dinars comme prvu.
II. (ualit
a' #$inition
La forme dun programme linaire de t2pe maximisation est
Max
x c z
t
=
% 8. b 'x ( ) 1 PL

; x
avec
b x,
,
c
des vecteurs de dimensions respectives
m n,
et
n
, et ) une
matrice de dimension
( ) n m,
En appelle programme dual de
( ) 1 PL
, le programme linaire suivant 4
Min y b B
t
=
% 8. c C '
t
.
; y

avec
y
un vecteur de dimension
m
et '
t
la transpose de la matrice '.
Le programme
( ) 1 PL
est appel programme >rimal.
>our passer du primal au dual, on remarque que 4
@1
a / Les termes du second membre deviennent les coefficients de la fonction
ob5ectif et rciproquement.
b / Le problme de maximisation devient un problme de minimisation.
c / Les ingalits Z Z deviennent des ingalits Z Z
d / La matrice ) se transforme en sa transpose.
Exemple 4 Le programme primal (problme de lagriculteur" est
Max
3 1
3;; 1;; x x z + =
% 8. 1@;
3 1
+ x x
; 3
3 1
+ x x
A;
3 1
+ x x
9;
1
x
;
1
x
,
;
3
x
%onc le programme dual est
Min
6 3 1
9; A; ; 1@; y y y y B + + + =
% 8.
1;;
6 3 1
+ + + y y y y
3;; 3
6 3 1
+ + y y y
;
1
y
,
;
3
y
b' Proprit! et !igni$ication conomi)ue du programme dual
>our expliquer la signification du problme dual on va se baser sur lexemple de
lagriculteur.
9upposons quun agriculteur (client" voudrait acheter la totalit de nos
ressources disponibles. Motre agriculteur acceptera certainement cette
proposition si le prix offert par ce client lui procure le m-me profit.
soit
1
y
le prix d7un hectare de terrain
3
y
le prix dun
6
m deau
6
y
le prix dune heure de main dBuvre
y
le prix de la permission de la culture dun hectare de tomates.
Le problme du client consiste * minimiser les frais dachat des ressources 4
cest * dire 6 3 1
9; A; ; 1@; y y y y + + +
sous la contrainte que les prix satisfont
notre agriculteur.
>our notre agriculteur un hectare de terrain
6
m deau, une heure de travail et
un hectare de permission du bureau est quivalent a un revenu de 1;; dinars.
Fandis que, un hectare de terrain,
6
3m deau et heures de travail lui
engendrent un revenu de 3;; dinars.
@3
8l nest pr-t * vendre ses ressources que si 6 3 1
y y y y + + +
lui rapporte un
revenu suprieur ou gale * 1;; %F et que si 6 3 1
3 y y y + +
lui rapporte un
revenu suprieur ou gal * 3;; %F.
)insi le problme du client est
Min
6 3 1
9; A; ; 1@; y y y y + + +
% 8.
1;;
6 3 1
+ + + y y y y
3;; 3
6 3 1
+ + y y y
;
1
y
,
;
3
y
%onc le problme du client peut -tre modlis par le programme dual.
Le tableau de simplexe final du programme dual est 4
1@; ; A; 9; ; ;
2
1
2
3
2
6
2
L
1
L
3
A; 2
6
1;;X6 ; <3X6 1 <1X6 1X6 1X6
1@; 2
1
3;;X6 1 1X6 ; X6 <X6 1X6
1@; 6A; A; ; <; <11;
; I; ; @; ; 11;
)vec L
1
et L
3
, les variables dcart * la 1
re
et la 3
me
contrainte du programme
dual.
En remarque que la solution optimale du dual peut -tre dduite du primal de la
manire suivante 4
y
1
5 2--@( %
(
1 z
(
5 1 2--@(
y
2
5 - %
2
1 z
)
5 -
y
(
5 1--@( %
9
1 z
9
5 1 1--@(
y
)
5 - %
<
1 z
<
5 -
L
1
5 - %
1
1 z
1
5 -
L
2
5 - %
2
1 z
2
5 -
%
1
1 z
1
5 - 8
1
5 -
%
2
1 z
2
5 <- 8
2
5 <-
%
(
1 z
(
5 - 8
(
5 -
%
)
1 z
)
5 9- 8
)
5 9-
%
9
1 z
9
5 )- x
1
5 )-
%
<
1 z
<
5 11- x
2
5 11-
B 5 2<--- z 5 2<----
En peut gnraliser ce rsultat dans le tableau suivant 4
>rimal (Gax" %ual (Gin"
@6
0ariables de dcision
x
j
5 - %
j
1 z
j
D -
x
j
E - %
j
1 z
j
5 -
variables dcart
L
i
5 F %
j
1 z
j
F - %
j
1 z
j
5 -
L
i
5 - %
j
1 z
j
5 x
j
variables dcart
8
j
5 - %
j
1 z
j
-
8
j
E - %
j
1 z
j
5 -
Variables de dcision
y
i
5 F %
i
1 z
j
F - %
j
1 z
j
5 -
y
i
5 - et %
j
G z
j
5 8
j
En remarque aussi qu* loptimum la valeur de la fonction ob5ectif du dual est
gale * la valeur de la fonction ob5ectif du primal.
Proposition : Le dual du programme dual est le programme primal.
c' %ableau de corre!pondance primal0dual
Gax Gin
- Gatrice des contraintes 0m, n2
< 9econd membre des contraintes
< .oefficient de la fonction ob5ectif
< Franspose de la matrice des
contraintes 0n, m2
< .oefficient de la fonction ob5ectif
< 9econd membre des contraintes
Mombre de contraintes
i
me
contrainte de t2pe V W
i
me
i
me
contrainte de t2pe V 5 W
Mombre de variables principales
i
me
variable de t2pe V - W
i
me
variable de t2pe V - W
i
me
variable qcq V H W
Mombre de variables
5
me
variable V W
5
me
variable V W
5
me
variable qcq V H W
Mombre de contraintes
5
me
5
me
i
me
contrainte de t2pe V 5 W

Exemples
Primal Dual
Max I x
1
/ x
2
Min (y
1
/ y
2
/ 2y
(
@
83c x
1
/ x
2
(
1 x
1
/ x
2
1
x
1
2
x
1
-, x
2
-
83c y
1
1 y
2
/ y
(
I
y
1
/ y
2
1
y
1
-, y
2
-, y
(
-
Min 1 x
1
/ x
2
83c 2x
1
1 x
2
2
1 x
1
/ 2x
2
12
x
1
/ x
2
9
x
1
-, x
2
-
Max 2y
1
1 2y
2
/ 9y
(
83c 2y
1
1 y
2
/ y
(
11
1 y
1
/ 2y
2
/ y
(
1
y
1
-, y
2
-, y
(
-
Max 2x
1
1 x
2
83c x
1
1 x
2
5 (
x
1
)
x
1
-, x
2
-
Min ( y
1
/ ) y
2

83c y
1
/ 2 y
2
2
1 y
1
11
y
1
H, y
2
-
Max 2x
1
1 x
2
83c x
1
1 2x
2
2
x
1
/ x
2
5 <
x
2
9
x
1
H, x
2
H
Min 1 2y
1
/ <y
2
1 9y
(
83c y
1
/ y
2
5 2
1 2y
1
/ y
2
/ y
(
5 11
y
1
-, y
2
H, y
(
-
III. %nalyse de sensi#ilit
Dfinition: (ne solution de base optimale est dite stable si lensemble des
variables de base * loptimum ne changent pas, m-me si les valeurs de ces
variables de base sont modifies.
%ans cette section on examinera la stabilit de la solution optimale dun
programme linaire suite * la variation de lun des paramtres de ce programme.
En utilisera pour prsenter lanal2se de sensibilit sur ces diffrents paramtres
du programme linaire lexemple de lagriculteur.
Max 1--x
1
/ 2--x
2
83c x
1
/ x
2
19-
)x
1
/ 2x
2
))-
1 x
1
/ )x
2
):-
x
1
;-
x
1
- , x
2
-
a' *nal1!e de !en!ibilit !ur le! +2
En cherche * dterminer un intervalle dans lequel peut varier %
j
sans que la
solution optimale ne change.
.onsidrons une variation du coefficient %
j
de 1-- * 1-- /
@@
'n rempla+ant dans le tableau optimal 1-- par 1-- / , on obtient le tableau
suivant 4

1--/
2-
-
- - - -
x
1
x
2
8
1
8
2
8
(
8
)
1--/
x
1
)- 1 - )@( - 11@( -
- 8
2
<- - - 11)@( 1 2@( -
2-- x
2
11- - 1 11@( - 1@( -
- 8
)
9- - - 1)@( - 1@( 1
1--/
2-
-
02--/) 2@
(
- 01--1
2@(
-
- - 1
02--/) 2@
(
-
11--@(
-
La solution donne par le tableau reste optimale si
1 ; ; @ ;
1 ; ;
@ ;

;
6
1 ; ;
;
6
" 3 ; ; (

%onc la solution optimale est stable et prend la m-me valeur 0x

1
,x
2
250)-,11-2
tant que 9- %
1
2--
Exercice : 9upposons que le coefficient %
j
d7une variable hors base dans la
solution optimale, est modifi. %ans quel intervalle, %
j
peut<il varier sans que la
base optimale soit modifie D
()ide 4 diffrencier le cas dun programme de maximisation et le cas dun
programme de minimisation".
Solution :
1 D %
j
z
j
cas dun programme de maximisation
z
j
%
j
D 1 cas dun programme de minimisation
@I
b' *nal1!e de !en!ibilit !ur le! b
2
%terminer lintervalle pour lequel, la solution optimale reste stable, pour une
variation du second membre de la i
me
contrainte b
i
.
.onsidrons une variation de b
1
de 19- * 19- / .
9achant que dans le premier tableau de simplexe b
1
nest prsent que dans la
premire contrainte. En obtient ainsi une correspondance entre la colonne des
quantits =
i
et la colonne de 8
1
.
1-- 2-- - - - -
x
1
x
2
8
1
8
2
8
(
8
)
- 8
1 19-/1
1 1 1 - - -
- 8
2 ))-/-
) 2 - 1 - -
- 8
2 ):-/-
1 ) - - 1 -
- 8
) ;-/-
1 - - - - 1
-/1
- - - - - -
1-- 1-- - - - -
%ans le tableau optimal, la colonne correspondant * 8
1
nous donne les
coefficients de dans la colonne des quantits.
1-- 2-- - - - -
x
1
x
2
8
1
8
2
8
(
8
)
1-- x
1 )-/)@(
1 - )@( - 11@( -
- 8
2 <-11)@(
- - 11)@( 1 2@( -
2-- x
2 11-11@(
- 1 11@( - 1@( -
- 8
) 9-1)@(
- - 1)@( - 1@( 1
2<---/2-- @
(
1-- 2-- 2--@( - 1--@( -
- - 12--@( - 11--@( -
La base reste optimale tant que 4
@!

+
3 X ! @
6 6 ;
! X 9 ;
6 ;
; 6 X @ ;
; 6 X 1 1 1 ;
; 6 X 1 I ;
; 6 X ;
1
1
1
1
1 (- ;-@?
%onc tant que 12- b
1
1<-,:9 la base demeure la m-me et la solution
optimale est stable mais elle change en valeur (exemple4 pour 5 ( le vecteur
de solutions optimale est 0x
1
,x
2
,8
1
,8
2
,8
(
,8
)
250)),1-;,-,)<,-,)<2"
Remarque : %aprs le rsultat ci<dessus on peut conclure que le co,t marginal
de 2--@( par hectare de la premire ressource nest valide que si la solution de
base demeure stable. %onc si et seulement si 12- b
1
1<-,:9. .eci est appel
le domaine de validit du co,t marginal.
Exercice 14
9ans faire de calcul, de combien peut<on modifier la quantit de m
6
deau sans
nuire * la solution optimale D confirme& votre rsultat a l7aide de la mthode
d7anal2se de sensibilit expos ci<dessus D
Exercice 2 4
%terminer lintervalle dans lequel peut varier b
1
et b
6
(les ressources en surface
et en main dBuvre" sans que la base optimale change.
Rponse 2 4
@A
+
+ +
+ +
+
1 @ ;
6 6 ;
9 ; !
1 3 ;

; 6 X 1 6 X @ ;
; 6 X 1 6 X 1 1 1 ;
; 6 X 3 6 X 1 I ;
; 6 X 1 6 X ;
3 1
3 1
3 1
3 1
3 1
3 1
3 1
3 1
>our
1
5 - (variation nulle de la surface en hectare", la solution optimale est
stable pour une variation
2
des ressources en main dBuvre entre 9?- et ?(-
heures (119-
2
;-".
Le co,t marginal de 1--@( par heure de main dBuvre de la (
me
ressource nest
valide que dans lintervalle ,9?-, ?(-..
c' *nal1!e de !en!ibilit !ur le! coe$$icient! a
i2
9upposons que dans le problme de lagriculteur, le nombre dunits de la i
me
ressources ncessaire pour produire une unit de produit 5, soit 0a
ij
/ 2 ou lieu
de a
ij
. )insi, on se pose la question si la solution optimale demeure stable suite *
un tel changement.
i) x
j
est une variable de base et la i
me
ressource est totalement utilise.
Par exemple : x
1
+ (4+ )x
2
480 x
1
+ (4 + )x
2
+ S
3
=
480
) loptimum, la base est inchange donc
; , ; , ; 9
A; 9 " (
[
3
[
1
[
6
[
6
[
3
[
1
=
= + + +
x x
x x
9i - , alors lquation ne peut pas -tre satisfaite sinon
; 9
[
6
<
puisque
A;
[
3
[
1
= + x x et
; , ; 9
[
3
[
6
[
3
= + x x
.
9i - , alors on a un excdent de la (
me
ressource (8
(
-", ce qui nous
contraint * changer la base (la solution optimale nest plus stable".
%onclusion: %ans le cas o= x
j
est une variable de base optimale et la i
me
ressource est totalement utilise, il est impossible de modifier le
coefficient a
ij
sans que la base dans la solution optimale ne change pas
(la solution optimale n7est pas satable".
ii) x
j
est une variable de base et la i
me
ressource nest pas totalement utilise.
@9
>ar exemple4 0) / 2 x
1
/ 2x
2
))-
0) / 2x
1
/2x
2
/ 8
2
5 ))-
) loptimum, la solution est inchange donc
; , ; , I; 9
; 3 " (
[
3
[
1
[
3
3
[ [
3
[
1
=
= + + +
x x
8 x x
Pour que la base demeure toujours optimale il faut et il
suffit que
3 X 6
I ;
; I ;
;
I ;
[
3
[
3
[
3
[
3
[
3

= +

x
x
8
8 x
%onclusion: %ans le cas o= x
j
serait une variable de base optimale et o= la i
me
ressource nest pas totalement utilise, il est possible de modifier le coefficient
a
ij
dune valeur
ij
gale * [
j
i
ij
x
8

et la solution optimale demeure stable.
iii) 9i x
j
est une variable hors base (x
j
5 -". .eci implique quon ne va pas
produire le produit j
9i
ij
-, alors il est encore moins conomique de fabriquer ce produit si le
coefficient technologique a
i5
augmenterait de
i5

9i
i5
; , alors la fabrication du produit 5 peut devenir conomique si on
utilise moins de ressources.
IV. Introduction dune nou'elle acti'it
En sait d5* que la valeur optimale de la variable duale reprsentent les co,ts
marginaux (dopportunit" associs * lutilisation de ressources limites.
En peut galement utiliser ces co,ts marginaux pour valuer des dcision
concernant lintroduction de nouveaux produits ou de nouveaux procds de
fabrication.
a' 3ntroduction dune nou,elle ,ariable de dci!ion
Lagriculteur prvoit de produire des pommes de terre. (n hectare de pomme de
terre demande ( m
(
deau et 2 heures de travail pour un revenu de %
(
dinars.
La question est pour quelle valeur de %
(
, lagriculteur a<t<il intr-t * introduire
cette nouvelle production D
9ans rsoudre le nouveau programme linaire suivant4
I;
Max 1--x
1
/ 2--x
2
/ %
(
x
(
83c x
1
/ x
2
/ x
(
19-
)x
1
/ 2x
2
/(x
(
))-
x
1
/ )x
2
/ 2x
(
):-
x
1
;-
x
1
, x
2
, x
(
-
En peut dterminer si lagriculteur a un intr-t * introduire la production ou pas.
'n dautres termes, sil na pas intr-t * le faire, la solution optimale du
programme linaire ci<dessus donne x
(
5 -. .e qui revient * dire, que pour
lagriculteur lutilisation dun hectare de terrain, de 6 mtres cube deau et de
deux heures de travail lui procurent plus de gain sils va les mettre au service de
la production de tomates etXou de piments plutYt que dans la production de
pommes de terre. .eci est quivalent au fait que la contrainte suivante4
6
[
6
[
3
[
1
3 6 % y y y + +
nest pas satisfaite (avec
[
6
[
3
[
1
t , y e y y
sont les prix minimaux des
ressources pour notre agriculteur".
.ette contrainte correspond * la 6
me
contrainte du programme dual du
programme linaire ci<dessus 4
En a 4
6
1;;
;
6
3;;
6 3 1
= = =
J J J
et y ,y y
, donc 4
9i %
(
D 2--@(, lagriculteur na pas intr-t * introduire la nouvelle activit
9i %
(
E 2--@(, lagriculteur a intr-t * introduire cette nouvelle activit, la
solution optimale va changer et la valeur de la fonction ob5ectif augmentera
9i %
(
5 2--@(, lagriculteur est indiffrent envers lintroduction de cette
nouvelle activit.
b' 3ntroduction dune nou,elle contrainte
9i la solution optimale satisfait la nouvelle contrainte, le problme admettra la
m-me solution. 9inon lintroduction de cette contrainte va engendrer une
nouvelle solution optimale.
CHAPITRE .
Logi/iel pour la
r+olution de+
I1
programme+
linaire+ 0
LI1,2
(Linear I1tera/ti3e and ,i+/rete 2ptimi4er)
I. Introduction
Lindo est un logiciel utilis pour rsoudre les modles doptimisation linaires,
entiers et quadratiques. (ne des caractristiques de Lindo cest quil offre des
outils qui peuvent aider * lanal2se des modles en utilisant la mthode de
9implexe.
En prsente dans ce chapitre la version tudiant I.; (199!". .ette version rsout
des problmes de dimension maximale de 3;; variables et de 1;; contraintes.
II. Installation du Lo"iciel
>our utiliser cette version de Lindo il est conseill davoir au moins un
processeur AI et AGo de mmoire /)G. 8l faut aussi prvoir un espace disque
dur de 3Go pour pouvoir linstaller.
Les tapes de linstallation sont 4
1. %marrer \indo]s.
3. 8nsrer le .%</EG ou la disquette.
6. .liquer sur licYne 9etup (install" dans votre explorateur de \indo]s
. 9uivre les instructions sur lcran
>our plus dinformation sur ce logiciel visiter ladresse ]eb 4 ]]].lindo.com
III. !solution dun exemple
%ans cette section, et sur la base de lexemple de lagriculteur, on va focaliser
notre attention sur les oprations suivantes 4 introduire les donnes, rsoudre le
problme, et anal2ser les rsultats que donne L8M%E.
a' -e problme de lagriculteur
Le programme linaire qui modlise le problme de lagriculture est 4
I3
;
3
, ;
1

9;
1

A;
3
1

;
3
3
1

1@;
3 1
. .
3
3;;
1
1;;

+
+
+
+
x x
x
x x
x x
x x c s
x x Max
b' 3ntroduction de! donne!
%ouble cliquer sur licYne Vlindo I.; for \indo]s W de votre menu
dmarrerXprogrammes. Le logiciel va sexcuter et vous aure& cette fen-tre qui
saffiche sur votre cran 4
%ans tous les modles de Lindo la fonction ob5ectif est dfinie en premire
ligne. %ans notre exemple la fonction ob5ectif est 4
3 ^ 3 ; ; ^ ^ 1 ^ 1 ; ; ^ x x M a x +
Les tirs bas indique la prsence dun espace obligatoire entre les entres pour
pouvoir les diffrenties.
8l faut noter quon peut remplacer x1 et x2 par nimporte quel mot qui indique
ces deux variables, par exemple, on peut remplacer x1 par ZtomatesZ et x2 par
ZpimentsZ. (ne autre caractristique est que Lindo ne fait pas de diffrence
entre ma5uscule et minuscule. >our lui la variable V FEG)F' W est la m-me
que la variable V tom)t' W.
>our commencer * crire les contraintes, il faut introduire la mention V sub5ect
to W ou tout simplement son abrviation V st W.
%ans notre exemple les contraintes sont 4
I6
9 ; ^ ^ 1 b u r e a u "
A ; ^ ^ 3 ^ ^ ^ 1 G o "
; ^ ^ 3 ^ 3 ^ ^ 1 ^ e a u "
1 @ ; ^ ^ 3 ^ ^ 1 t e r r a i n "
^
< =
< = +
< = +
< = +
x
x x
x x
x x
t o s u b j e c t
En remarque quon peut appeler chaque contrainte par un nom nominatif que
Lindo va utiliser pour afficher les rsultats.
Lcran quon obtient aprs avoir introduit les diffrents paramtres est le
suivant 4
En na pas * a5outer les contraintes de non<ngativit, Lindo suppose par dfaut
que les variables de dcision sont de t2pes nonngative.
c' (!olution du problme
)prs avoir crit convenablement le programme linaire, on passe maintenant *
la rsolution.
>our rsoudre notre programme il faut cliquer sur le bouton V W dans la
barre doutils. Lindo va commencer ainsi * compiler le modle. 9i un message
derreur saffiche cest que le programme, par exemple, est non born ou bien
non ralisable...
Lors de la compilation, on voit une barre qui montre le pourcentage de travail
effectu.
d' 3nterprtation de! r!ultat!
9il n2 a pas derreur de formulation, Lindo va commencer * rsoudre le
problme. >ar dfaut, il va vous demander si vous voule& faire une anal2se de
sensibilit. >our le moment on va rpondre V Mon W.
I
)vant que Lindo nous propose un premier rapport sur la solution optimale, il
nous donne ltat du problme exprim par cette fen-tre 4
.e rapport prliminaire nous indique que 4
a" 9tatus 4 Eptimal L 8l nous informe sur ltat de la solution actuelle. 'lle peut
-tre Eptimal (optimale", Keasible (ralisable", 8nfeasible (non ralisable" ou
(nbounded (non borne".
b" 8terations 4 3 L 8l indique le nombre ditrations ncessaire pour rsoudre le
problme (en utilisant la version rvise de la mthode de 9implexe".
c" 8nfeasibilit2 4 ; L .eci indique la quantit de violation dans les contraintes.
d" Eb5ective 4 3I;;; L .est la valeur de fonction ob5ectif relative * la solution
actuelle.
e" $est 8> 4 MX) L .est la meilleure valeur de la fonction ob5ectif. .eci nest
vrai que pour les problmes de t2pe entier.
f" 8> $ound 4 MX) L .est la borne de la fonction ob5ectif pour cette solution.
.eci nest vrai que pour les problmes de t2pe entier.
g" $ranches 4 MX) L .est le nombre de variables entiers V branched on W par
Lindo. .eci nest vrai que pour les programmes de t2pe entier.
h" 'lapsed Fime 4 ;; 4;I 4@ L .est le temps coul avant que le rsolveur ne
soit invoqu (ce temps est variable m-me pour le m-me exemple".
9i on ferme cette fen-tre, on remarque quun autre rapport saffiche. .e rapport
contient des informations sur la solution optimale.
I@
%ans le tableau ci<dessus saffichent dans la premire colonne les diffrentes
variables de dcision et aussi les variables dcart relatives * chaque contrainte
du programme. Leurs valeurs sont donnes dans la deuxime colonne. En
vrifie bien que la solution optimale co_ncide avec la solution d5* retrouve
dans les prcdants chapitres. La troisime colonne reprsente les valeurs nettes,
i.e.
j j
z c
. >our les variable decart cest les prix duals.
III. Les commandes de Lindo
%ans cette section, on dcrit brivement les diffrentes commandes prsentes
dans le logiciel Lindo.
%ans lenvironnement \indo]s, Lindo divise ces commandes en six catgories.
1' 4ile
a" Me] 4 .rer un nouveau document.
II
b" Epen 4 Euvrir un document existant et le placer dans une fen-tre ddition
(cette fen-tre a une capacit maximale de I;;; caractres".
c" 0ie] 4 Euvrir un document existant dans une fen-tre de vision (vie]
]indo]". .e genre de fen-tre permet dimporter des programmes * plus de
I;;; caractres de votre diteur (tels que \ord". Cuelques oprations ne
sont pas autorises dans un vie] ]indo] tels que 4 couper, copier, coller,
effacer:
d" 9ave 4 'nregistrer. Le format par dfaut est le [.ltx, et cest le format texte de
Lindo.
e" 9ave as 4 'nregistrer sous. %autres formats sont prsents tels que le [.lpJ
(cest un format compress qui ne peut -tre lu par aucun autre diteur autre
que celui de Lindo" ou le [.mps (malgr quil naccepte pas les commentaires
dans le rapport, ce format est utilis par dautres logiciels"
f" .lose 4 ferm.
g" >rint 4 8mprim.
h" >riter setup 4 proprits de limprimante.
i" Log Eutput 4 >our ouvrir ou fermer des log file utiliss pour enregistrer les
rsultats de votre session.
5" FaJe .ommands 4 >our excuter des macros.
J" $asis /ead 4 >our charger du disque une solution de base pour le modle
actif.
l" $asis 9ave 4 'nregistrer sur le disque la solution de base du modle actif.
m" Fitle 4 )fficher le nom pour le modle actif.
n" %ate 4 )fficher la date.
o" 'lapsed Fime 4 )fficher le temps coul depuis le commencement de la
session.
p" 'xit 4 Cuitter Lindo.
2' Edition
I!
a" (ndo 4)nnuler la dernire opration.
b" .ut 4 .ouper
c" .op2 4 .opier
d" >aste 4 .oller
e" .lear 4 'ffacer
f" Kind X/eplace 4 /echercherX/emplacer
g" Eptions 4 (tiliser pour modifier les paramtres par dfaut du s2stme.
h" #o to Line 4 aller * la ligne numro .. de la fen-tre active.
i" >aste 92mbol 4 'lle affiche une fen-tre de dialogue qui contient les s2ntaxes,
les variables et les noms des lignes rservs par Lindo. En peut utiliser cette
commande pour a5outer des contraintes supplmentaires au modle.
5" 9elect )ll 4 9lectionner Fout
J" .lear )ll 4 'ffacer tout
l" .hoose Me] Kont 4 .hoisir les polices dans la fen-tre active.
IA
3' Sol,e
a" 9olve 4 /soudre le modle dont la fen-tre est active
b" .ompile Godel 4 .ompiler (sans rsoudre" le modle dont la fen-tre est
active
c" %ebug 4 %bugger le modle dont la fen-tre est active, sil est non ralisable
ou non born. %ans le cas dun problme non ralisable, la commande %ebug
dtecte lensemble des contraintes (sufficient set", dont llimination est
suffisante pour garantir une solution optimale. 't il dtermine aussi un
ensemble de contraintes (necessar2 set", dont la modification entraUne
ncessairement un modle ralisable. %ans le cas dun problme non born,
la commande %ebug dtecte lensemble des variables de dcision (sufficient
set", dont la fixation de leurs valeurs est suffisante pour garantir une solution
optimale. 't il dtermine aussi un ensemble de variables de dcision
(necessar2 set", dont la modification entraUne ncessairement un modle
born.
d" >ivot 4 (ne des oprations fondamentales dans la mthode de 9implexe est
lopration pivot, qui correspond * une itration du simplexe. Lindo nous
donne la possibilit de choisir nous m-me les variables entrantes et sortantes
et nous permet ainsi de rsoudre le programme itration par itration.
Exemple : 'ssa2ons de rsoudre le problme de lagriculteur en utilisant la
commande V >ivot W.
La variable entrante dans le premier tableau de 9implexe est `3 et la variable
sortante est la variable dcart de la contrainte dans la
ime
ligne.
Le rapport suivant saffiche 4
I9
%onc cette itration a fait passer la valeur de la fonction ob5ectif * 3;;;.
>our pouvoir choisir les variables entrantes et sortantes on peut afficher le
tableau de 9implexe relatif * la dernire itration en utilisant la commande
V Fableau W dans le menu V /eports W. En obtient 4
%aprs le tableau ci<dessus, la variable entrante est `1 et la variable sortante est
9L1 3.
En obtient ainsi le rsultat suivant 4
La valeur de la fonction ob5ectif est optimale et on peut vrifier que le tableau de
simplexe relatif * cette dernire itration est optimal 4
!;
e" >reemptive #oal 4 .ette commande peut rsoudre un problme * ob5ectif
multiples en adoptant une manire lexicographique. )insi on optimise le
premier ob5ectif puis le second sous une contrainte supplmentaire que le
premier est gale * la valeur optimale d5* trouve. >lus prcisment,
supposons que lagriculteur peut acheter des ressources supplmentaires avec
un prix de ; dinars pour un hectare de terrain(a1", 1; dinars le m
6
deau
(a3" et A dinars lheure supplmentaire de main dBuvre (a6". Les quantits
disponibles sur le march respectivement pour a1, a3 et a6 sont de 1;
hectares de terrain, @ m
6
deau et heures de main dBuvre. En appelle # le
gain issu de la culture et % les dpenses dachat des ressources
supplmentaires. Le programme peut scrire sous cette forme 4
La rsolution avec la commande V >reemptive #oal W nous donne les rsultats
suivants 4
!1
4' (eport!
a" 9olution 4 'lle donne un rapport de rsolution standard avec ou sans les
variables non nulles.
!3
b" /ange 4 .ette commande donne la marge de variation des coefficients de la
fonction ob5ectif et du second membre sans que la base dans la solution optimale
ne change. >our lexemple de lagriculteur, cette commande donne les rsultats
suivants 4
c" >arametrics 4 .ette commande permet de faire une anal2se paramtrique du
second membre des contraintes. >ar exemple, aprs avoir rsolu le problme de
lagriculteur, on aimerait avoir une ide sur la variation de la valeur de la
fonction ob5ectif suite * une variation entre 1@; * 6;; hectares de la surface de
terrain disponible. 'n utilisant cette commande, une fen-tre de dialogue souvre.
En fait entrer le numro de la contrainte * tudier (3" ainsi que la variation du
second membre (6;;". En peut aussi choisir le t2pe de rapport de rsultat. %ans
notre cas, le choix s7est port sur un graphique * deux dimensions.
Le rapport quon obtient est le suivant 4
!6
d" 9tatistics 4 .ette commande affiche des statistiques relatives au problme
actif dans la fen-tre du rapport tel que le nombre de variables de dcision, le
nombre de lignes:
e" >ereuse 4 .ette commande est utilise pour gnrer un rapport sous forme de
texte ou de graphique (en 3% ou en 6%" relatif aux rsultats du problme actif.
Le menu associ * cette commande est le suivant 4
En a choisi ici davoir un rapport graphique sur les valeurs des variables de
dcision ainsi sur les variables duales qui leurs sont associes dans le problme
de lagriculteur. Le rsultat est le tableau suivant 4
!
f" >icture 4 .ette commande permet de crer un texte ou une figure qui illustre
les diffrents paramtres du problme. La fen-tre de dialogue associe * cette
commande est la suivante 4
Le rsultat obtenu pour le problme de lagriculteur est le suivant 4
g" $asis >icture 4 .ette commande affiche dans la fen-tre rapport une figure
qui reprsente la matrice de base actuelle (relatif * la solution trouve en
excutant la commande solve du m-me menu". Le rapport quon obtient en
excutant cette commande pour le problme de lagriculteur est 4
h" Fableau 4 .ette commande affiche le tableau de 9implexe relatif * la solution
en cours. 9i la solution est optimale, cette commande permet davoir le
tableau de 9implexe optimal. %ans le problme de lagriculteur le tableau de
9implexe optimal obtenu en utilisant cette commande est 4
!@
i" Kormulation 4 'lle permet de visualiser un lment slectionn (des lignes"
ou tout le problme dans la fen-tre rapport.
5" 9ho] .olumn 4 .ette commande vient sa5outer * la commande formulation,
elle nous permet de visualiser des colonnes (choix relatifs aux variables de
dcision" dans la fen-tre du rapport.
J" >ositive %efinite 4 .ette commande est utilise pour les problmes
quadratiques pour sassurer que la valeur optimale est globale.
5' 5indo6
a" Epen .ommand \indo] 4 .ette commande ouvre une fen-tre de dialogue
qui sert * diter des macros pour Lindo.
b" Epen 9tatus \indo] 4 .ette commande ouvre la fen-tre de dialogue qui
affiche ltat du programme Lindo (Lindo 9olver 9tatus".
c" 9end to $acJ 4 .ette commande est utilise pour balancer les fen-tres en
arrire plan.
d" .ascade 4 .ette commande arrange les fen-tres qui saffichent sur lcran
sous une forme dite cascade.
e" Fitle 4 .ette commande arrange les fen-tres de manire * redimensionner ces
fen-tres et les afficher hori&ontalement ou verticalement selon votre choix.
f" .lose )ll 4 .ette commande permet de fermer toutes les fen-tres actives.
!I
g" )rrange 8cons 4 .ette commande permet darranger les fen-tres rduites sous
forme dicYne.
6' 7elp
a" .ontents 4 .ette commande ouvre la fen-tre daide de Lindo
b" 9earch for Help En: 4 .ette commande permet la recherche rapide par
mots cls.
c" Ho] to (se Help 4 .ette commande affiche un menu qui informe sur la
manire dont on peut utiliser le menu Help.
d" )bout L8M%E: 4 .ette commande affiche quelques informations
concernant la version du logiciel Lindo utilis.
VI. Pro"rammation ) nom#res entiers
En peut utiliser Lindo pour rsoudre des problmes en nombres entiers. 8l suffit
de mentionner que les variables du problme sont de t2pe entier.
En va supposer ici que dans le problme de lagriculteur les variables de
dcision `1 et `3 sont de t2pe entier. En sait d5* que la solution optimale va
demeurer inchange puisque les valeurs de ces variables * loptimum sont des
entiers.
>our utiliser Lindo, il faut procder comme avant 4
1X En fait entrer la fonction ob5ectif
3X .ommencer * crire les contraintes aprs avoir introduit la mention V 9ub5ect
to W
)prs avoir terminer ldition des contraintes il faut a5outer la commande
V 'M% W, qui indique que ldition des contraintes est termine. )insi on peut
dfinir la nature des variables de dcision.
>our dire quune variable ` est de t2pe
!!
a" 'ntiers (`8M", on crit 4 V #8M ^ ` W
b" $inaire (`Pb;,1c", on crit 4 V 8MF ^ ` W
c" Mon borne (`8/", on crit 4 V K/'' ^ ` W
>our le problme de lagriculteur * variables entiers on crit 4
La rsolution de ce problme donne le rsultat suivant 4
Exercices
)" 'ssa2er de rsoudre tous les exercices de la srie 1 en utilisant le Logiciel
Lindo.
$" >roblmes de transport 4 (ne entreprise approvisionne de ces clients *
partir de 6 diffrents dpYts. Le chef de cette entreprise veut minimiser le
co,t unitaire par unit transporte. Le tableau suivant prsente toutes les
donnes 4
!A
.o,t unitaire .lient 1 .lient 3 .lient 6 .lient .apacit du
dpYt
%pYt 1 I 3 I ! 6;
%pYt 3 9 @ 6 3@
%pYt 6 A A 1 @ 31
%emande du
client
1@ 1! 33 13
!9
CHAPITRE 5
Introdu/tion 6 la
Programmation
,-nami7ue
I. Introduction
La programmation d2namique est une technique mathmatique qui a pour ob5et
daider * prendre des dcisions squentielles indpendantes les unes des autres.
.ontrairement * la programmation linaire, il n2 a pas un formalisme
mathmatique standard. .est une approche de rsolution o= les quations
doivent -tre spcifies selon le problme * rsoudre.
Motre expos se base essentiellement sur de nombreux exemples qui illustrent
cette technique.
II. Exemple prototype. Le pro#lme du 'oya"eur
I
6
@
1
3
6
@
!
6
6
3
6
6
3
@
I
!
6
3
A
1;
9
(n postier dcide deffectuer un vo2age entre diffrentes villes quil ne connaUt
pas. 9on but est de choisir le chemin le moins dangereux. >our choisir son
chemin, il sinforme auprs des assurances sur les diffrentes valeurs des polices
dassurance de vie entre les diffrentes routes possibles du vo2age.
Le tra5et du postier est compos de tapes (voir figure" et il doit arriver * la
ville numrote 1; en partant de la ville numrote 1. Les autres numros
reprsentent les villes susceptibles d-tre traverses. Les arcs entre ces nBuds
A;
reprsentent les diffrents tra5ets possibles et les valeurs c
ij
au<dessus des arcs
reprsentent le prix de la police dassurance vie relatif au tra5et dcrit par larc.
Le chemin le moins dangereux est celui qui admet la plus petite valeur de la
police dassurance vie
Exemple : 9i le vo2ageur empreinte le tra5et 1 2 < ; 1- , le co,t total de
la police dassurance est 16
9oit x
n
0n51, 333, )2 les variables de dcisions relatives * chacune des tapes. Le
chemin * suivre par le vo2ageur est 1 x
1
x
2
x
(
x
)
avec x
)
5 1-3
9oit K
n
08, x
n
2 le co,t total de la police dassurance vie pour le reste des tapes
sachant que nous somme * ltat 9 de ltape n et que la destination choisie est
x
n
.
'tant donn 8 et n, soit
[
n
x
la valeur de x
n
qui minimise K
n
08, x
n
2 et soit
[
n
K
082 la
valeur minimale de K
n
08, x
n
23 0
[
n
K
0825 K
n
08,
[
n
x
2".
Lapproche de la programmation d2namique repose sur lide quun chemin ne
peut -tre optimal que si chacune des ses composantes est elle m-me optimale.
La dmarche de la programmation d2namique consiste * tudier dabord les
sous problmes qui se situent chronologiquement les derniers et sur un principe
de retour en arrire.
Lob5ectif est donc de trouver la valeur de
[
1
K 012. >our lavoir, la
programmation d2namique va essa2er dvaluer avec une procdure de chaUnage
en arrire
[
K 0s2,
[
6
K
0s2,
[
3
K 0s2 et enfin
[
1
K 012.
) chaque tape, on va essa2er dvaluer pour chaque tat s, la valeur de K

08, x
n
2
pour chaque destination x
n
possible, puis de retrouver la meilleure destination
[
n
x
(celle qui correspond au plus petit co,t K08, x
n
2" et aussi la valeur de
[
n
K
0s2.
Etape 4
x
)
8
K
)
08, x
)
22
[
K 0s2,
[
x
: ( ( 1-
; ) ) 1-
Etape 3
A1
K
(
08, x
(
25%
s
x
(
/
[
K 0x
(
2
x
(
8
: ;
[
6
K
0s2,
[
6
x
9 )051/(2 :05)/)2 ) :
< ; ? ? ;
? < ? < :
Etape
K
2
08, x
2
25%
s
x
2
/
[
6
K
0x
2
2
x
2
8
9 < ?
[
3
K 0s2
[
1
x
2 11 11 12 11 9 ou <
( ? ; 1- ? 9
) : : 11 : 9 ou <
Etape !
K
1
08, x
1
25%
s
x
1
/
[
3
K
0 x
1
2
x
1
8
2 ( )
[
1
K 012
[
1
x
1 1( 11 112 11 ( ou )
La valeur de
[
1
K 012 5 11 reprsente le co,t total minimal de la police
dassurance vie. Le chemin optimal nest unique puisque ds le dpart on peut
choisir
x
1
[
5 ( ou ), donc lensemble de ces chemins est4
1 ( 9 : 1-
1 ) 9 : 1-
1 ) < ; 1-
Exercice 1 : (>roblmes de transport"
Godliser le problme de plus court chemin en utilisant la programmation
linaire D
()ide4 (tiliser des variables du t2pe binaires x
i
5- ou 1"
A3
III. *aractristiques dun pro#lme de pro"rammation
dynamique
Mous allons maintenant sur la base de lexemple prcdant anal2ser les
proprits communes aux problmes de programmation d2namique.
(i) Le problme peut -tre dcompos en tapes et une dcision doit -tre prise *
chaque tape.
Le dernier exemple est devis en tapes o= * chaque tape, la dcision *
prendre est celle de la destination * choisir. .es dcisions sont interdpendantes
et squentielles.
(ii) ) chaque tape correspond un certain nombre dtats. %ans lexemple du
vo2ageur, les tats * chaque tapes sont reprsents par les villes que le
vo2ageur visit. Le nombre de ces tats dans lexemple est fini. %ans ce qui suit
en tudiera des problmes o= le nombre dtats est infinie (x
n
N" ou continue
(x
n
H"
(iii) ) chaque tape, la dcision prise transforme ltat actuel en un tat associ
* ltape suivante (dans certains cas avec une distribution de probabilit".
%ans notre exemple, se trouvant * une ville donne, le vo2ageur dcide de se
rendre * une autre ville qui est un tat de ltape suivante.
(iv) 'tant donn un tat, une stratgie optimale pour les tapes restantes est
indpendante des dcisions prises au tapes prcdentes.
9i le vo2ageur est dans un tat quelconque de ltape i, le chemin optimal entre
cet tat et ltat 1; sera indpendant de la fa+on dont il 2 est arriv. 'n dautres
termes, ltat actuel contient toute linformation ncessaire aux dcisions
futures. .ette proprit est dite principe doptimalit.
(v) Lalgorithme de recherche de la solution optimale commence par trouver la
stratgie optimale pour tous les tats de la dernire tape.
(vi) (ne relation de rcurrence identifie la stratgie optimale dans chaque tat de
ltape n * partir de la stratgie optimale dans chaque tat de ltape nd1.
A6
%ans notre exemple la relation est
[
n
K
0825
n
x
Min
L%
s
x
n
/
[
1 + n
K
0x
n
2M
La stratgie optimale tant donn que nous sommes * ltat 8 de ltape n,
ncessite de retrouver la valeur de x
n
qui minimise lexpression ci<dessus.
La relation de rcurrence * tou5ours cette forme
[
n
K
0825
n
x
Max
ou
n
x
Min

LK
n
08,x
n
2M,
avec K
n
08,x
n
2 est une expression en fonction de 8, x
n
et
[
1 + n
K
012
(vii) (tilisant cette relation de rcurrence, lalgorithme procde * reculons tape
par tape. 8l dtermine la stratgie optimale pour chaque tat de chaque tape.
%ans tout problme de programmation d2namique, on peut construire * chaque
tape un tableau analogue au suivant.
Etape n
K
n
08, x
1
2
7
1
8
*tats n/1
[
n
K
0s2
[
n
x
*tats n le coNt ou la
distance
La lon+ueur du
cOemin optimal P
partir de 8
jusQuRP lR*tat Kinal
Le meilleur
*tat de lR*tape
n/1 le lon+ du
cOemin
optimal Kinal
IV. Pro"rammation dynamique dterministe
a' 3ntroduction
%ans cette section on sintresse au problme dit dterministe, o= la
connaissance de ltat et de la dcision * prendre suffisent pour savoir ltat *
ltape suivante.
(n problme d2namique dterministe est caractris par la dtermination de la
fonction ob5ective. .ette fonction peut -tre le minimum de la somme de la
contribution induite par le passage dun tat * un autre, ou le maximum dune
telle somme, ou le minimum du produit de ces termes: etc.
A
8l faut aussi dterminer la nature de lensemble des tats dans chacune des
tapes. .es tats 9
n
peuvent -tre reprsents par des variables discrtes ou par
des variables continues ou dans certains cas par un vecteur .
tape n tape nd1
8
n
contribution de x
n
8
n/1
La structure de base dRun problme dynamiQue d*terministe
b' Problme du t1pe plu! court c&emin
Cuel est le plus court chemin de ) * $ D
Solution:
En considre l7ensemble des tats les point d7intersection sur les diagonales.
)insi on a exactement A tapes.

K
n
08, x
n
2 5 %
s
x
n
/ K
n/1
0x
n
2, n51,3333, :
avec K
J
n/1
0s2 5
n
x
Min
K
n
08, x
n
2 et K
;
082 5 -
A@
Etape "
K
:
08, &2
x
:
8
&
[
A
K
082
[
N
x
1 ( ( &
2 2 2 &
Etape #
K
?
08, x
?
2 5 %
s
x
?
/ K
:
0 x
?
2
x
?
8
1 2
[
!
K
0s2
[
!
x
1 ? 1 ? 1
2 9 < 9 1
( 1 < < 2
Etape $
K
<
08, x
<
2 5 %
s
x
<
/ K
?
0 x
?
2
x
<
8
1 2 (
[
I
K
0s2
[
I
x
1 12 1 1 12 1
2 ; : 1 : 2
( 1 ? 11 ? 2
) 1 1 ? ? (
Etape %
K
9
0s, x
9
2 5 %
s
x
9
/
[
I
K
0x
<
2
x
9
8
1 2 ( )
[
@
K
0s2
[
@
x
1 1< 1 1 1 1< 1
2 1< 11 1 1 11 2
( 1 12 : 1 : (
) 1 1 1- 11 1- (
9 1 1 1 19 19 )
AI
Etape 4
K
)
0s, x
)
2 5 %
s
x
)
/
[
@
K
0x
)
2
x
)
8
1 2 ( ) 9
[
K 0s2
[
x
1 2- 1< 1 1 1 1< 2
2 1 1) 1- 1 1 1- (
( 1 1 11 11 1 11 (,)
) 1 1 1 1< 2- 1< )
Etape 3
K
(
0s, x
(
2 5 %
s
x
(
/
[
K
0x
(
2
x
(
8
1 2 ( )
[
6
K
0s2
[
6
x
1 12 12 1 1 12 2
2 1 12 1< 1 12 2
( 1 1 1( 1? 1( (
Etape
K
2
0s, x
2
2 5 %
s
x
2
/
[
6
K

0x
(
2
x
2
8
1 2 (
[
3
K 0s2
[
3
x
1 19 19 1 19 1,2
2 2 1< 1) 1) (
Etape !
K
1
0s, x
1
2 5 %
s
x
1
/
[
3
K 0x
1
2
x
1
8
1 2
[
1
K 0s2
[
1
x
' 2- 1: 1: 2
A!
En peut rsumer les rsultats de la fa+on suivante4
'tapes 1 3 6 @ I ! A 9
.hemin optimal 1 ) 3 6 6 6 6 3 1 $
.hemin optimal 3 ) 3 6 6 6 3 1 $
La longueur du chemin optimal (1 ou 3" est gale * 1A.
c' (partition optimale de! mo1en!
(n pro5et du gouvernement est tudi par 6 groupes de chercheurs. La
probabilit que chacun de ces groupes 1, 3 et 6, narrive pas * terminer le pro5et
est respectivement4 ;,L ;,I et ;,A.
9i on a5oute * ces groupes deux nouveaux chercheurs, les probabilits dchec
sont donn par ce tableau
Probabilit* dR*cOec
Nbre de nouSeaux cOercOeurs "roupes
1 2 (
- -,) -,< -,:
1 -,2 -,) -,9
2 -,19 -,2 -,(
Le problme est de dterminer lallocation optimale de ces deux chercheurs afin
de minimiser la probabilit que les groupes de recherche chouent dans leur
travail.
Solution:
'tapes4 6 tapes ou les tats reprsentent le nombre de chercheurs
disponibles
0ariable de dcision4 x
n
reprsente le nombre de chercheurs * allouer *
lquipe de recherche n, n 5 1, 2, (3
.ontribution de la dcision x
n
est la probabilit que lquipe n choue aprs
avoir eu x
n
chercheur de plus
[
n
K
082 cest la probabilit minimale que les groupes n,333, ( chouent dans
leurs recherches 4
[
n
K
082 5
8 x
n
Min
K
n
08, x
n
2 n 5 1, 2, (
avec K
n
08, x
n
2 5 p
n
0x
n
2
[
1 + n
K
08, x
n
2, p
n
0x
n
" est la contribution de la dcision
x
n
et
[
6
K
0s2 513
*tape n *tape n/1
8 81 x
n
AA
p
n
0x
n
2
K
n
08, x
n
2 5 p
n
0x
n
2
[
1 + n
K
081 x
n
2
Etape 3
K
(
08, x
(
2 5 p
(
0x
(
2
x
(
8
- 1 2
[
6
K
082
[
6
x
- -,: 1 1 -,: -
1 -,: -,9 1 -,9 1
2 -,: -,9 -,( -,( 2
Etape
K
2
08, x
2
2 5 p
2
0x
2
2
[
6
K
0x
(
2
x
2
8
- 1 2
[
3
K 082
[
3
x
- -,): 1 1 -,): -
1 -,( -,(2 1 -,( -
2 -,1: -,2 -,1< -,1< 2
Etape !
K
1
08, x
1
2 5 p
1
0x
1
2
[
3
K 0x
1
2
x
1
8
- 1 2
[
1
K 082
[
1
x
2 -,-<) -,-< -,-?2 -,-< 1
La stratgie optimale est
[
1
x 5 1,
[
3
x 5 - et
[
6
x
5 13
La probabilit dchec des trois groupes de recherche est de ;,;I.
Exercice 2 : (>roblme de gestion des 9tocJs"
A9
(n magasin vend des chaussures de 9Ji. >ar exprience, la priode de vente de
ces chaussures dure I mois, du 1er Ectobre 5usquau 61 Gars.
Les prvisions de vente sont donnes par le tableau suivant4
Gois %emande
Ectobre )-
Movembre 2-
%cembre (-
Qanvier )-
Kvrier (-
Gars 2-
Le magasin achte ces chaussures par lots de 1;, 3;, 6;, ; ou @; paires avec un co,t de e par paire et des rductions sur les prix dachat.
Cuantit 9olde
1- )T
2- 9T
(- 1-T
)- 2-T
9- 29T
Le co,t de lancement dune commande dapprovisionnement est fixe, et est de
3e. 'n plus un co,t supplmentaire pour chaque ordre est de Ae (co,t de
transport des chaussures au magasin".
Le stocJ du magasin ne peut pas dpasser le nombre de ; paires de chaussures
par mois.
(ne paire qui reste en stocJ * la fin du mois engendre un co,t de ;,3e par paire
par mois.
)prs I mois le magasin doit vendre toutes ces chaussures est le niveau des
stocJs doit -tre nul. 9ous lh2pothse que la demande est fixe et uniforme
pendant chaque mois, retrouver la stratgie qui minimise le co,t total des stocJs.
Solution:
Les tapes reprsentent le dbut de chaque mois et les tats le nombre de paires
de chaussures en stocJ.
$
n
4 demande * la n
me
tape
x
n
4 la commande au debut de la n
me
tape
0x
n
2 5 1- / %
n
x
n
avec %
n
le co,t d7achat.
>our n 5 1,333,9,
[
n
K
0825
n n
x 8 $
Min

L 0x
n
2 /-,208/x
n
1$
n
2/
[
1 + n
K
08/x
n
1$
n
2M
avec
[
!
K
0825-
9;
Etape $
) la dernire tape le stocJ restant est nulle donc les tats possibles de
cette tape sont ;, 1;, 3;.

I
x
8
<
[
I
K
0s2
[
I
x
- :< 2-
1- :) 1-
2- - -
Etape %
8
<
5 8
9
/ x
9
G (-
K
9
0s, x
9
25 0x
9
2 /-,208/x
9
1(-2/
[
I
K
08/x
9
1(-2
K
9
0s, x
9
2

@
x
8
9
- 1- 2- (- 1-- 9-
[
@
K
0s
2
[
@
x
- 1 1 1 2-) 1:: 1<) 1<) 9-
1- 1 1 1?2 1<: 1)2 1 1)2 )-
2- 1 1() 1(< 122 1 1 122 (-
(- :< ;: ;- 1 1 1 :< -
)- 9- 92 1 1 1 1 9- -
Etape 4
8
9
5 8
)
/ x
)
1 )-
K
)
0s, x
)
25 0x
)
2/-,208/x
9
1(-2/
[
I
K
08/x
9
1(-2
K
)
0s, x
)
2

x
8
)
- 1- 2- (- )- 9-
[
K 0s
2
[
x
- 1 1 1 1 (-2 (-) (-2 )-
1- 1 1 1 2:2 2:2 2:< 2:2 (-,)-
2- 1 1 29- 2<2 2<) 292 29- 2-
(- 1 212 2(- 2)) 2(- 21: 21: 1-
)- 1<) 1;2 212 21- 1;< 1 1<) -
Etape 3
8
)
5 8
(
/ x
(
1 (-
K
(
0s, x
(
25 0x
(
2/2@(/1@(1(-2
[
K
0s
)
2
91

6
x
8
- 1- 2- (- )- 9-
[
6
K
0s
2
[
6
x
- 1 1 1 )2- )22 )1) )1) 9-
1- 1 1 (:: )-2 (;2 (:) (:) 9-
2- 1 (9- (?- (?2 (<2 (2( (2( 9-
(- (-2 ((2 ()- ()2 (1- 1 (-2 -
)- 2:) (-2 (1- 2;- 1 1 2:) -
Etape
8
(
5 8
2
/ x
(
1 2-
K
2
0s, x
2
25 0x
2
2/-,2/ 08
2
/ x
2
12-2
[
6
K
0s
(
2

3
x
8
- 1- 2- (- )- 9-
[
3
K
0s2
[
3
x
- 1 1 9-- 9-) )?) )<? )<: 9-
1- 1 )<2 )?2 )9) ))< )92 ))< )-
2- )1) )() )22 )2< )(- 1 )1) -
(- (:< (:) (;) )1- 1 1 (:) 1-
)- ((< (9< (?: 1 1 1 ((< -
Etape !
8
2
5 8
1
/ x
1
G )-
K
1
0s, x
1
25 0x
1
2/-,2/ 08
1
/ x
1
1)-2
[
3
K
0s
2
2

1
x
8
- 1- 2- (- )- 9-
[
1
K 0s
2
[
1
x
- 1 1 1 1 <-< <-: <-< )-
la politique optimale est ;, @;, ;, ;, @;, ;. Le co,t est I;I.
d' (!olution d8un programme linaire
La programmation linaire peut -tre utiliser pour rsoudre des programmes
linaires de petite taille. En se limite ici * des programmes linaires du t2pe
entiers.
.onsidrons le programme linaire suivant
Max (x
1
/ 9x
2
93
83c ( x
1
/ 2 x
2
;
) x
1
/ 9 x
2
11
x
1
N , x
2
N
La dcision * prendre est de dterminer les valeurs de x
1
et x
2
. En peut assimiler
le problme * un programme d2namique * deux tapes, o= dans un premier
temps, on doit dterminer la valeur de x
1
, et dans un deuxime temps la valeur
de x
2
. /este * savoir quels sont les tats relatifs * chaque tape D
.es tats doivent fournir l7information ncessaire pour aider * choisir notre
dcision.
(ne simple rflexion nous amne * considrer, le nombre de ressources non
utilises dans les contraintes, comme tant des tats possibles.
(n tat est dcrit par un vecteur (H
1
,H
2
", o= H
1
et H
2
sont respectivement les
ressources non utilises dans la premire et la deuxime contrainte.
) l7tape 1, l7unique tat possible est 85(;,11".
La structure de base du problme est
*tape n *tape n/1
(H1,H2" (H
1
1 a
1n
x
n
, H
2
1 a
2n
x
n
"
c
n
x
n
K
n
((H1,H2", x
n
" 5 c
n
x
n
/
[
1 + n
K
((H
1
1 a
1n
x
n
, H
2
1 a
2n
x
n
""
avec
[
n
K
(H
1
,H
2
" 5
n
n
n
n
a
H
x
a
H
x
Max
3
3
1
1
b K
n
((H1,H2", x
n
"c pour n51,2 et
[
6
K
(H
1
,H
2
"5-
Etape
) l7tape 3, si on considre toutes les combinaisons possibles des valeurs de H
1
et H
2
alors on aura * considrer un nombre d7tat total gale * 99 tats. Er tous
ces tats ne sont pas ralisables dans le sens qu7on n7aura 5amais par exemple
dans l7tape 3 l7tat (1-,:". )insi, pour dterminer l7ensemble des tats
ralisables dans la deuxime tape, il suffit de considrer toutes les valeurs
possibles de x
1
(;,1 et 3", et avoir par consquence les tats suivant4 (9,11", (I,!"
et (6,6".

K
2
((H1,H2", x
2
" 5 9 x
2

3
x
- 1 2
[
3
K
0s2
[
3
x
96
8
;,11 - 9 1- 1- 2
<,? - 9 1 9 1
(,( - 1 1 - -
Etape !
En a 4 K
1
((H1,H2", x
1
" 55 ( x
1
/
[
3
K ((H
1
1 (

x
1
, H
2
1 ) x
1
""
K
1
((H1,H2", x
1
"

1
x
8
- 1 2
[
1
K 0s2
[
1
x
;,11 1- (/95: < 1- -
La solution optimale est (x
1
,x
2
"5(-,2" et la valeur de la fonction ob5ectif est gale
* 1;.
Exercice 3: /soudre les programmes linaires suivants en utilisant la technique
de la programmation d2namique4
Max )x
1
/ 9x
2
83c : x
1
/ 9 x
2
2)
2 x
1
/ 9 x
2
1(
x
1
N , x
2
N
1
,x
2
"5(1,2".
Max x
1
/ 2 x
2
/ x
(
83c ( x
1
/ 2 x
2
9
( x
2
/ 2 x
(
?
x
1
N , x
2
N , x
(
N
1
,x
2
,x
(
"5(1,1,2".
9

Recherche Operationnelle

Uploaded by

Document Information

Original Title

Copyright

Available Formats

Share this document

Share or Embed Document

Sharing Options

Did you find this document useful?

Is this content inappropriate?

Copyright:

Available Formats

Recherche Operationnelle

Uploaded by

Copyright:

Available Formats

CHAPITRE 1

Les limitations du bureau du primtre irrigu 4 .es limitations exigent que

)n introduction to linear programming and the theor2 of games, ). G. #licJsman

En peut vrifier aussi que si 4

1;; @; < <

6;; 1;; < <

La forme standard du programme linaire de l7agriculteur est 4

%onc la solution optimale est stable et prend la m-me valeur 0x

You might also like