CHAPITRE 4

Problmes de Minimisation et Problmes Irrguliers

I. Introduction
Dans le chapitre prcdent tous les programmes linaires quon a trait sont du type : Maximiser une fonction linaire sous contraintes de type infrieur ou gale (et avec un second membre positif). r dans beaucoup de probl!mes rels" on peut retrouver des contraintes de type suprieur ou gale et#ou de type gale" ainsi que des probl!mes o$ on a % minimiser au lieu de maximiser. Dans ce chapitre" on tudiera les modifications % apporter % la mthode du simplexe pour quelle puisse rsoudre tous ces types de programmes.

II. Les variables artificielles

&onsidrons le programme linaire suivant : Max 5x1 + 6x2 S.c -x1 + x2 4 5x1 + 3x2 = 60 x2 5 x1 0 , x2 0 '(introduction des variables d(cart dans le programme linaire donne Max 5x1 + 6x2 + 0S1 + 0S2 S.c -x1 + x2 + S1 = 4 5x1 + 3x2 = 60 x2 - S2 = 5 x1 0 , x2 0, S1 0, S2 0 )fin de gnrer une solution ralisable de base initiale pour la mthode de simplexe" on a annul les variables de dcision x1 et x2 . &eci nous permet de commencer % partir de lorigine O. r" on vrifie bien que lorigine nest pas une solution ralisable. 'a question qui se pose est comment nous allons rcrire le programme de mani!re 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 A1 et A2.

&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 l(origine. ,i on a-oute ces deux variables artificielles A1 et A2 respectivement % la .!me et /!me contrainte" le programme devient le suivant. Max 5x1 + 6x2 +... S.c -x1 + x2 + S1 = 4 5x1 + 3x2 + A1 = 60 x2 -S2 + A2 = 5 x1 0, x2 0, S1 0, S2 0 , a1 0, a2 0 Maintenant on peut obtenir une solution initiale de base du syst!me dquations" si on pose x1 = x2 = 0. 'a solution initiale est x1 = 0 x2 = 0 S1 = 4 S2 = 0 A1 = 60 A2 = 5 &ette solution nest pas ralisable puisque x2 nest pas suprieur % 01. )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 probl!me rel reste tou-ours une solution ralisable pour le programme linaire transform" le contraire nest pas tou-ours vrai. n peut conclure que tant que les variables artificielles restent dans la base" la solution demeure non ralisable rellement pour notre programme. 2ne mani!re pour garantir que ces variables artificielles sortent de la base avant datteindre la solution optimale est de leur associe un grand co3t -M dans la fonction ob-ectif. )insi" si ces variables restent dans la base ils vont causer une diminution importante de la valeur de la fonction ob-ectif. &e qui nous contraignent % les faire sortir le plut4t possible de la base. 'a fonction ob-ectif scrit donc : Max z = 5x1 + 6x2 - M A1 - M A2 avec M un tr!s grand nombre (exemple: M 1010) . 5n appliquant de ces modifications" le tableau de simplexe initial est

0 -M -M

S1 A1 A2

4 60 5

5 x1 -1 (5) 0

6 X2 1 3 1

0 S1 1 0 0

0 S2 0 0 -1

-M A1 0 1 0

-M A2 0 0 1

De la m6me mani!re que prcdemment essayons de retrouver la variable entrante te la variable sortante : 5 6 0 0 -M -M x1 x2 S1 S2 A1 A2 0 S1 4 -1 1 1 0 0 0 -4 -M A1 60 (5) 3 0 0 1 0 12 -M A2 5 0 1 0 -1 0 1 -5M -4M 0 M -M -M 5+5 6+4 0 -M 0 0 M M 'a variable entrante est x1 (5 +5M 6 + 4M avec M asse7 grand) et la variable sortante est A1 . 'e tableau de simplexe qui suit est : 5 6 0 0 -M -M x1 x2 S1 S2 A1 A2 0 S1 16 0 8/5 1 0 1/5 0 10 5 x1 12 1 3/5 0 0 1/5 0 20 -M A2 5 0 (1) 0 -1 0 1 5 5 3-M 0 M 1 -M 0 3+M 0 -M -M-1 0 'e tableau de simplexe apr!s la deuxi!me itration indique que la variable sortante est A2. Remarque: ,implification du tableau 'es deux premi!re itrations on fait sortir de la base les variables artificielles A1 et A2. 'eurs effets nets est maintenant ngatif et tr!s lev" elles ne pourront donc pas 6tre slectionnes % litration suivante" ni m6me ultrieurement comme on peut facilement le constater. Donc on peut supprimer du tableau la colonne relative % A1 et A2. 5n appliquant la r!gle ci8dessus" on obtient le tableau de simplexe suivant :

0 5 6

S1 x1 x2

8 9 5

5 x1 0 1 0 5 0

6 x2 0 0 1 6 0

0 S1 1 0 0 0 0

0 S2 8/5 3/5 -1 -3 3 0 S2 1 0 0 0 0

5 15 -5

0 5 6

S2 x1 x2

5 6 10

5 x1 0 1 0 5 0

6 x2 0 0 1 6 0

0 S1 5/8 -3/8 5/8 15/8 -15/8

'e tableau ci8dessus est optimal car tous les effets nets sont ngatifs ou nuls. Donc la solution optimale est : x1 = 6 x2 = 10 S1 = 0 S2 = 5 Remarque: cas o$ le second membre ngatif 'e probl!me 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 type : x1 - x2 -4 'a 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 : -x1 + x2 4 Exercice : 9crire convenablement ces contraintes: (1) x1 + 3x2 - 5x3 = - 20 (2) -x1 + 3x2 - 5 (3) 5x1 - 2x2 - 10

III. Les problmes de minimisation

:l y a deux mani!res de rsoudre un probl!me de minimisation en utilisant la mthode de simplexe. 'a premi!re mthode ncessite le changement de la r!gle de choix de la variable entrante. Dans un probl!me de maximisation la r!gle est de choisir comme variable entrante celle qui a le plus grand effet net positif non nul. &eci parce que notre ob-ectif est de choisir la variable qui en entrant dans la base va engendrer un profit supplmentaire et ainsi accro;tre la valeur de la fonction ob-ectif. *our un probl!me de minimisation" on va utiliser la r!gle inverse. &est8%8dire la variable entrante est celle % laquelle on associe la plus petite valeur ngative non nulle de leffet net cj - zj. &eci va nous amener aussi % changer notre r!gle darr6t de la procdure de simplexe et de dfinir le tableau optimal" comme celui o$ tous les effets nets cj - zj sont positifs ou nuls. 5ssayons dappliquer la mthode de simplexe sur le probl!me de mdecine : Min x1 + x2 Sc 2x1 + x2 12 5x1 + 8x2 74 x1 + 6x2 24 x1 0 , x2 0 *our permettre % la mthode de simplexe de dmarrer de lorigine" il faut comme on la d-% vu dans le cas de probl!me de maximisation" introduire les variables artificielles. )vec les probl!mes de maximisation on attribue % ces variables un coefficient -M dans la fonction ob-ectif pour les contraindre % quitter la base rapidement. Dans le cas de probl!mes de minimisation" on a intr6t % changer le coefficient de ces variables en M (M tr!s grand) afin darriver au m6me rsultat et de les faire sortir de la base. )vant de construire le tableau de simplexe initial" on rcrit le programme linaire relatif au probl!me de mdecine avec les variables artificielles. Min x1 + x2 + MA1 + MA2+ MA3 Sc 2x1 + x2 - S1 + A1 = 12 5x1 + 8x2 - S2 + A2 = 74 x1 + 6x2 - S3 + A3 = 24 x1 , x2 , S1 , S2 , S3 , A1 , A2 0

'e tableau de simplexe initial est : 5 6 0 0 0 M M M x1 x2 S1 S2 S3 A1 A2 A3 M A1 12 2 1 -1 0 0 1 0 0 M A2 74 5 8 0 -1 0 0 1 0 M A3 24 1 6 0 0 -1 0 0 1 8M 15 -M -M -M M M M 1-8M 1-15M M M M 0 0 0 )pr!s < itrations" on trouve le tableau de simplexe optimal suivant : 5 6 0 0 0 x1 x2 S1 S2 S3 1 x1 8 1 0 -8/11 1/11 0 0 S3 26 0 0 2 -1 1 1 x2 2 0 1 5/11 -2/11 0 1 1 -3/11 -1/11 0 0 0 3/11 1/11 0 n retrouve la m6me solution obtenue par la mthode graphique : x1 = 8 x2 = 2 S1 = 0 S2 = 0 S3 = 26 = 10 )pr!s 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 : =uand la contrainte *our la fonction ob-ectif dun probl!me de est Maximisation Minimisation )ttribuer un coefficient nul pour la variable dcart :8 de type > ? )-outer une variable dcart ::8 de type > @ ? )ttribuer un coefficient 8M )ttribuer un coefficient M )-outer une variable pour variable artificielle pour la variable artificielle dcart et une variable artificielle

12 37/4 4

:::8 de type > ? )-outer une variable artificielle et une variable dcart avec un signe A8A

)ttribuer un coefficient nul pour la variable dcart et un coefficient 8 M pour variable artificielle

)ttribuer un coefficient nul pour la variable dcart et un coefficient M pour variable artificielle

'e tableau suivant rsume les tapes de la mthodes de simplexe relatif aux probl!mes de maximisation et minimisation : 5tape Maximisation B Cormuler un programme linaire pour le probl!me rel. . Drifier que le second membre du programme linaire est positif sinon modifier les contraintes / 5crire le programme linaire sous une forme standard < &onstruire le premier tableau de simplexe 0 &hoisir comme variable entrante dans la base celle qui admet le plus grand effet net positif cj-zj. E &hoisir la variable sortante de la base celle qui admet le plus petit ratio suprieur % 7ro. F &onstruire le nouveau tableau en utilisant la r!gle de pivot G Caire le test doptimalit. ,i (cj-zj) 0 pour toutes les variables (hors base) donc la solution obtenue est optimale. ,inon retourner % ltape 0. Minimisation Cormuler un programme linaire pour le probl!me rel. Drifier que le second membre du programme linaire est positif sinon modifier les contraintes 5crire le programme linaire sous une forme standard &onstruire le premier tableau de simplexe &hoisir comme variable entrante dans la base celle qui admet le plus petit effet net ngatif cj-zj. &hoisir la variable sortante de la base celle qui admet le plus petit ratio suprieur % 7ro. &onstruire le nouveau tableau en utilisant la r!gle de pivot Caire le test doptimalit. ,i (cj-zj) 0 pour toutes les variables (hors base) donc la solution obtenue est optimale. ,inon retourner % ltape 0.

'a deuxi!me mthode pour rsoudre un probl!me de se base sur le rsultat suivant > 9soudre un probl!me min c!x su-et % un ensemble de contraintes est quivalent % rsoudre un probl!me "ax -c!x su-et au m6me ensemble de contraintes ?. &es deux probl!mes sont quivalents dans la mesure o$ ils donnent le m6me vecteur des solutions optimales. 'a seule diffrence est que la valeur de la solution "ax -c!x est loppos de la solution de "in c!x# (i.e. "in c!x = - "ax -c!x).

Donc pour rsoudre le programme linaire relatif au probl!me de mdecine" on peut rsoudre le probl!me de maximisation suivant: Max - x1 - x2 S.c. 2x1 + x2 12 5x1 + 8x2 74 x1 + 6x2 24 x1 , x2 0 n peut vrifier facilement que la mthode de simplexe applique au programme ci8dessus" engendre le m6me vecteur de solutions optimales.

IV. Les problmes irrguliers

)pr!s avoir examiner comment on peut rsoudre un programme linaire par la mthode de simplexe" on sintresse dans cette section aux probl!mes irrguliers" qu(on peut rencontrer lors de la rsolution dun programme linaire par la mthode de simplexe. Donc" lob-et de cette section est de reconna;tre ces probl!mes et de les rsoudre par la mthode de simplexe. a. Les problmes impossibles Hraphiquement" on a caractris ces probl!mes par un ensemble de solutions ralisables vide. )vec la mthode de simplexe" on reconna;t que le probl!me 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: Drifions % laide de la mthode de simplexe" que le probl!me suivant est rellement impossible : Max 4 x1 + 3x2 Sc x1 + x2 2 3x1 + x2 10 x1 , x2 0 5n introduisant les variables dcarts et les variables artificielles le programme scrit: Max 4x1 + 3x2 - MA1 Sc x1 + x2 - S1 = 2 3x1 + x2 - S2 + a1 = 10 x1 , x2 , S1 , S2 , A1 0

0 -M

S1 a1

2 10

4 x1 (1) 3 -3M 3M+4 4 x1 1 0 4 0

3 x2 1 1 -M M+3

0 S1 1 0 0 0

0 S2 0 -1 M -M

-M a1 0 1 1 -M-1

2 10/3

4 -M

x1 a1

2 5

3 x2 1 -2 4+2M -1-2M

0 S1 1 -3 1+3M -1-3M

0 S2 0 -1 M -M

-M a1 0 1 -M 0

'e tableau de simplexe ci8dessus est optimal avec une variable artificielle dans la base. Remarque : 2n programme de maximisation ou de minimisation avec seulement des contraintes de type > ? ne peut pas 6tre impossible (sous lhypoth!se que le second membre b est positif). &eci est d3 au fait que lors de la rsolution de ce genre de programme par la mthode de simplexe on n(utilise pas des variables artificielles. Donc il est impossible de les retrouver dans la solution optimale. b. Les problmes solutions multiples Hraphiquement" ce probl!me est caractris par le fait que la pente de la droite reprsentant la fonction ob-ectif (7 @ 1) est gale % la pente de lune des contraintes restrictives. 'orsquon utilise la mthode de simplexe" on identifie ce probl!me lorsquun des effets nets (relatif % une variable hors base) est nul. 'exemple de la section / du prcdent chapitre reprsente un probl!me avec solutions multiples. c. Les problmes solution infinie Hraphiquement" ce probl!me est caractris par le fait quon peut dplacer la droite de la fonction ob-ectif indfiniment de mani!re % accro;tre la valeur" en gardant tou-ours une intersection non vide avec lensemble des solutions ralisables. )vec la mthode de simplexe" on reconna;t ce probl!me lorsque la variable entrante nadmet aucune limite sur sa valeur dentre" cest % dire que tous les ratios $i/aij% sont ngatifs ou nuls.

Exemple Max x1 + 2x2 Sc x1 + x2 2 x2 3 x1 , x2 0 n introduit les variables dcart et les variables artificielles" le programme linaire devient : Max x1 + 2x2 + 0S1 + 0S2 - Ma1 Sc x1 + x2 - S1 + a1 = 2 x2 + S2 = 3 x1 , x2 , S1 , S2 , a1 0 'es tableaux de simplexe sont : 1 x1 1 0 -M 1+M 2 x2 (1) 1 -M 2+M 2 x2 (1) 0 2 0 0 S1 -1 0 M -M 0 S2 0 1 0 0 -M a1 1 0 -M 0

-M 0

a1 S2

2 3

2 3

2 0

x2 S2

2 1

1 x1 1 -1 2 -1

0 S1 -1 (1) -2 2

0 S2 0 1 0 0

-2 1

1 2 0 0 x1 x2 S1 S2 2 x2 3 0 1 0 1 ? 0 S1 1 -1 0 1 1 -1 0 2 0 2 1 0 0 -2 'e dernier tableau montre que la variable x1 nadmet aucune limite sur sa valeur de sortie.

d. Les problmes solution dgnre Hraphiquement" on appelle solution dgnre le point o$ plusieurs contraintes concourent (un nombre suprieur ou gale % trois contraintes). 2n programme linaire est dit dgnre si une ou plusieurs variables dans la base optimale sont nulles. Dans la rsolution graphique ce probl!me nest pas difficile % rsoudre" mais avec la mthode de simplexe il peut causer des difficults. Exemple Max z = 2x1 + 0 x2 + 3/2 x3 &.c. x1 - x2 2 2x1 + x3 4 x1 + x2 + x3 3 x1, x2, x3 0 'a solution optimale de ce probl!me est : x1 = 1 x2 = 0 x3 = 2 z =5 'a forme standard du programme linaire est Max 2x1 + 0 x2 + 3/2x3 + 0 S1 + 0 S2 + 0 S3 Sc x1 - x2 + S1 = 2 2x1 + x3 + S2 = 4 x1 + x2 + x3 + S3 = 3 x1, x2, x3, S1, S2, S3 0 'e tableau de simplexe initial est : 2 0 3/2 0 0 0 x1 x2 x3 S1 S2 S3 0 S1 2 1 -1 0 1 0 0 2 0 S2 4 2 8 0 -1 0 0 2 ? 0 S3 3 1 6 0 0 -1 0 3 0 15 -M -M -M M 2 0 3/2 0 0 0 'a variable entrante est x1" mais les deux premi!res contraintes donnent la m6me valeur minimale du ratio. &eci indique que lorsque x1 passe % ." les variables dcart S1 et S2 vont sannuler malgr que lun des deux demeure encore dans la base. &hoisissons arbitrairement de faire sortir de la base la variable dcart S1.

0 3/2 0 0 0 x2 x3 S1 S2 S3 2 x1 2 -1 0 1 0 0 -2 0 S2 0 2 1 -2 1 0 0 0 S3 1 2 1 -1 0 1 1/2 -2 0 2 0 0 2 3/2 -2 0 0 'a nouvelle solution ralisable de base est : x1 = 0 x2 = 0 x3= 1 S1 = 2 S2 = 0 S3 = 0 et la valeur de la fonction ob-ectif z = 4. &ette solution de base est dite dgnre. &ontinuons les itrations relatives % la mthode de simplexe. 'a variable entrante est x2. 'e probl!me est quun des ratios est nul ce qui indique quon ne peut pas augmenter la valeur de x2 puisque la valeur de la fonction ob-ectif ne va pas augmenter et reste gale % <. ,i on rit!re une autre fois" en rempla+ant S2 par x2 dans la base on obtient : 3/2 0 0 0 x3 S1 S2 S3 2 x1 2 1/2 0 1/2 0 4 0 x2 0 1/2 -1 1/2 0 0 0 S3 1 0 1 -1 1 0 0 1 0 1/2 0 -1 0 &e tableau nest pas optimal" la variable entrante est x3 et la variable sortante est x2. n remarque aussi que ce passage dune solution % une autre ne saccompagne pas dune augmentation de la valeur de la fonction ob-ectif. n peut facilement vrifier que nous somme en train de cycler sans atteindre la solution optimale. &e genre de cyclage dans la mthode de simplexe est dangereux et on doit lidentifier avant de commencer % rsoudre le probl!me" sinon on passera un temps norme sans atteindre la solution optimale. *our terminer cette section" il faut noter que ce n(est pas tout probl!me de dgnrescence qui peut conduire % un cyclage. Exemple 2 x1 1 0 0 2 0 0 x2 0 1 0 0 0

2 x1 1 0 0 2 0

Max 10 x1 + 9x2 Sc 7/10x1 + x2 630 1/2 x1 +5/6x2 480 x1 + 2/3x2 708 1/10 x1 +1/4x2 135 x1 ,, x2 0 5ssayer de rsoudre ce programme par la mthode de simplexe (choisir en cas de deux quotients gaux" celui qui se trouve dans la ligne suprieure).