Anda di halaman 1dari 94

CHAPITRE 1

Formulation
d’un programme
linéaire (PL)
I. Introduction

L’importance de l’optimisation et la nécessité d’un outil simple pour modéliser


des problèmes de décision que soit économique, militaire ou autres on fait de la
programmation linéaire un des champs de recherche les plus actifs au milieu du
siècle précédent. Les premiers travaux1 (1947) sont celle de George B. Dantzig
et ses associés du département des forces de l’air des Etats Unis d’Amérique.

Les problèmes de programmations linéaires sont généralement liés à des


problèmes d’allocations de ressources limitées, de la meilleure façon possible,
afin de maximiser un profit ou de minimiser un coût. Le terme meilleur fait
référence à la possibilité d’avoir un ensemble de décisions possibles qui
réalisent la même satisfaction ou le même profit. Ces décisions sont en général
le résultat d’un problème mathématique.

1
De nombreux mathématiciens, parmis eux le Russe L. V. Kantorovich, se sont penchés sur le problème de
programmation linéaire avant 1947.

1
II. Les conditions de formulation d’un PL

La programmation linéaire comme étant un modèle admet des hypothèses (des


conditions) que le décideur doit valider avant de pouvoir les utiliser pour
modéliser son problème. Ces hypothèses sont2 :
1. Les variables de décision du problème sont positives
2. Le critère de sélection de la meilleure décision est décrit par une fonction
linéaire de ces variables, c’est à dire, que la fonction ne peut pas contenir par
exemple un produit croisé de deux de ces variables. La fonction qui
représente le critère de sélection est dite fonction objectif (ou fonction
économique).
3. Les restrictions relatives aux variables de décision (exemple: limitations des
ressources) peuvent être exprimées par un ensemble d’équations linéaires.
Ces équations forment l’ensemble des contraintes.
4. Les paramètres du problème en dehors des variables de décisions ont une
valeur connue avec certitude

III. Les étapes de formulation d’un PL :

Généralement il y a trois étapes à suivre pour pouvoir construire le modèle d'un


programme linéaire :
1. Identifier les variables du problème à valeur non connues (variable de
décision) et les représenter sous forme symbolique (exp. x1, y1 ).
2. Identifier les restrictions (les contraintes) du problème et les exprimer par un
système d’équations linéaires.
3. Identifier l’objectif ou le critère de sélection et le représenter sous une forme
linéaire en fonction des variables de décision. Spécifier si le critère de
sélection est à maximiser ou à minimiser.

IV. Présentation Théorique

Un programme linéaire consiste à trouver le maximum ou le minimum d’une


forme linéaire dite fonction objectif en satisfaisant certaines équations et
inégalités dites contraintes. En langage mathématique, on décrira de tels
modèles de la manière suivante :

Soient N variables de décision x1, x2,…, xn, l’hypothèse que les variables de
décision sont positives implique que x1 ≥ 0, x 2 ≥ 0,  , x N ≥ 0 .

2
Ces hypothèses résument celles qui ont été donné par G. B. Dantzig : La proportionnalité, La non-négativité,
l’additivité et la linéarité de la fonction objectif

2
La fonction objectif est une forme linéaire en fonction des variables de décision
de type
z = c1x1 + c2 x2 + + c N x N
où les coefficients c1,…,cN doivent avoir une valeur bien déterminée (avec
certitude) et peuvent être positifs, négatifs ou nuls. Par exemple le coefficient ci
peut représenter un profit unitaire lié à la production d’une unité supplémentaire
du bien xi, ainsi la valeur de z est le profit total lié à la production des différents
biens en quantités égales à x1 , x 2 ,  , x N .

Supposons que ces variables de décision doivent vérifier un système d’équations


linéaires définis par M inégalités
a11 x1 + a12 x2 + + a1N x N ≥ b1
a21 x1 + a22 x2 + + a2 N x N ≥ b2

aM 1 x1 + aM 2 x2 + + aMN x N ≥ bM

où les coefficients a1M,…, aMN et b1,…, bM doivent avoir une valeur bien
déterminée (avec certitude) et peuvent être positifs, négatifs ou nuls. Le
paramètre bj représente la quantité de matière première disponible dont le bien xi
utilise une quantité égale à aij xi .

En suivant les étapes de formulation ci-dessus, on peut représenter le PL comme


suit :
Max c1 x1 + c2 x2 + + c N x N
s.c a11 x1 + a12 x2 + + a1N x N ≥ b1
a21 x1 + a22 x2 + + a2 N x N ≥ b2

a M 1 x1 + a M 2 x2 + + aMN x N ≥ bN
x1 ≥ 0, x2 ≥ 0,  , x N ≥ 0

V. Exemples de formulations

Limité au départ aux problèmes industriels et militaires, de nos jours plusieurs


problèmes de divers domaines sont représentés ou approximés par des modèles
de PL. L’utilisation de ces techniques de modélisation s’est renforcée encore
après avoir construit des algorithmes et des logiciels capables de résoudre de
plus larges problèmes avec autant de variables de décision que de contraintes.

La tâche de formulation demande généralement une certaine expertise et


connaissance du problème pour pouvoir relever facilement les différentes
composantes du problème et ainsi donner un programme qui modélise au mieux

3
la situation réelle. Dans ce qui suit, on présentera quelques exemples de
formulation en programme linéaire liés à différents problèmes de décision :

Exemple 1 : Problème d’agriculture 3

Un agriculteur veut allouer 150 hectares de surface irrigable entre culture de


tomates et celles de piments. Il dispose de 480 heures de main d’œuvre et de 440
m3 d’eau. Un hectare de tomates demande 1 heure de main d’œuvre, 4 m3 d’eau
et donne un bénéfice net de 100 dinars. Un hectare de piments demande 4 heures
de main d’œuvre, 2 m3 d’eau et donne un bénéfice net de 200 dinars.

Le bureau du périmètre irrigué veut protéger le prix des tomates et ne lui permet
pas de cultiver plus de 90 hectares de tomates. Quelle est la meilleure allocation
de ses ressources ?

Formulation du problème en un PL :

Etape 1 : Identification des variables de décision. Les deux activités que


l’agriculteur doit déterminer sont les surfaces à allouer pour la culture de
tomates et de piments :
• x1 : la surface allouée à la culture des tomates
• x2 : la surface allouée à la culture des piments
On vérifie bien que les variables de décision x1 et x2 sont positives :
x1 ≥ 0, x2 ≥ 0 .
Etape 2 : Identification des contraintes. Dans ce problème les contraintes
représentent la disponibilité des facteurs de production :
• Terrain : l’agriculteur dispose de 150 hectares de terrain, ainsi la contrainte
liée à la limitation de la surface de terrain est x1 + x2 ≤150
• Eau : la culture d’un hectare de tomates demande 4 m3 d’eau et celle d’un
hectare de piments demande 2m3 mais l’agriculteur ne dispose que de 440m3.
La contrainte qui exprime les limitations des ressources en eau est
4 x1 + 2 x2 ≤ 440 .
• Main d’œuvre : Les 480 heures de main d’œuvre seront départager (pas
nécessairement en totalité) ente la culture des tomates et celles des piments.
Sachant qu’un hectare de tomates demande une heure de main d’œuvre et un
hectare de piments demande 4 heures de main d’œuvre alors la contrainte
représentant les limitations des ressources humaines est x1 + 4 x 2 ≤ 480

3
Exemple du cours du Prof. Mohamed Saleh Hannachi

4
• Les limitations du bureau du périmètre irrigué : Ces limitations exigent que
l’agriculteur ne cultive pas plus de 90 hectares de tomates. La contrainte qui
représente cette restriction est x1 ≤ 90 .
Etape 3 : Identification de la fonction objectif. La fonction objectif consiste à
maximiser le profit apporté par la culture de tomates et de piments. Les
contributions respectives 100 et 200, des deux variables de décision x1 et x2
sont proportionnelles à leur valeur. La fonction objectif est donc
z = 100 x1 + 200 x 2 .
Le programme linéaire qui modélise le problème d’agriculture est :
Max 100 x1 +200 x2
s.c. x1 +x2 ≤150
4 x1 +2 x2 ≤ 440
x1 +4 x2 ≤ 480
x1 ≤90
x1 ≥0, x2 ≥ 0

Exemple 2 : Problème de médecine 4

Un spécialiste en médecine a fabriqué un médicament (des pilules) pour guérir


les sujets atteints d’un rhume. Ces pilules sont fabriquées selon deux formats :
• Petite taille : elle contient 2 grains d’aspirine, 5 grains de bicarbonate et 1
grain de codéine.
• Grande taille : elle contient 1 grain d’aspirine, 8 grains de bicarbonate et 6
grains de codéine.
Pour guérir la maladie, le sujet a besoin de 12 grains d’aspirine, 74 grains de
bicarbonate et 24 grains de codéine. Déterminer le nombre de pilules minimales
à prescrire au sujet pour qu’il soit guérit.

Formulation du problème en un PL :

Le problème de médecine présente certaines ressemblances avec le problème de


l’agriculture, dans les deux cas c’est un problème d’allocation de ressources.
Les variables de décision qui représentent des valeurs inconnues par le décideur
qui est dans ce cas le spécialiste en médecine sont :
• x1 : le nombre de pilules de petite taille à prescrire.
• x2 : le nombre de pilules de grande taille à prescrire.
On vérifie bien que les variables de décision x1 et x2 sont positives :
x1 ≥ 0, x2 ≥ 0 .
Les contraintes imposées par le problème sur les valeurs possibles de x1 et x2
sont :
4
An introduction to linear programming and the theory of games, A. M. Glicksman

5
• La prescription doit contenir des pilules avec au moins 12 grains d’aspirine.
Sachant qu’une petite pilule contient 2 grains d’aspirine et qu’une grande
pilule contient un seul grain d’aspirine, on obtient la contrainte suivante :
2 x1 + x2 ≥ 12 .
• De la même façon que pour l’aspirine, la prescription du spécialiste en
médecine doit contenir au moins 74 grains de bicarbonate. Ainsi la contrainte
suivante doit être satisfaite : 5 x1 + 8 x2 ≥ 74 .
• Finalement la contrainte imposée par le fait que la prescription doit contenir
au moins 24 grains de codéine est x1 + 6 x2 ≥ 24 .
Etape 3 : Identification de la fonction objectif. On remarque qu’il y a plusieurs
couples de solutions ( x1 , x 2 ) qui peuvent satisfaire les contraintes spécifiées à
l’étape 2. La prescription doit contenir le minimum possible de pilules. Donc le
critère de sélection de la quantité de pilules à prescrire est celle qui minimise le
nombre total des pilules z = x1 + x 2 .

Le programme linéaire qui modélise ce problème médical est donc le suivant :


Min x1 + x2
s.c. 2 x1 + x2 ≥12
5 x1 + 8 x2 ≥ 74
x1 + 6 x2 ≥ 24
x1 ≥ 0, x2 ≥ 0

Exemple 3 : problème de production 5

Pour fabriquer deux produits P1 et P2 on doit effectuer des opérations sur trois
machines M1, M2 et M3, successivement mais dans un ordre quelconque. Les
temps unitaires d’exécution sont donnés par le tableau suivant :
M1 M2 M3
P1 11 mn 7 mn 6 mn
P2 9 mn 12 mn 16 mn
On supposera que les machines n’ont pas de temps d’inactivité.
La disponibilité pour chaque machine sont :
• 165 heures (9900 minutes) pour la machine M1 ;
• 140 heures (8400 minutes) pour la machine M2 ;
• 160 heures (9600 minutes) pour la machine M3 .
Le produit P1 donne un profit unitaire de 900 dinars et le produit P2 un profit
unitaire de 1000 dinars.
Dans ces conditions, combien doit-on fabriquer mensuellement de produits P1 et
P2 pour avoir un profit total maximum ?
5
Méthodes et modèles de la recherche opérationnelle, A. Kaufmann, pp 22-23

6
Formulation en un PL :

Les variables de décisions sont :


• x1 : le nombre d’unités du produit P1 à fabriquer
• x2 : le nombre d’unités du produit P2 à fabriquer
Les contraintes outre les contraintes de non-négativité sont :
• 11 x1 + 9 x 2 ≤ 9900 pour la machine M1
• 7 x1 + 12 x 2 ≤ 8400 pour la machine M2
• 6 x1 + 16 x 2 ≤ 9600 pour la machine M3
Le profit à maximiser est : z = 900 x1 + 1000 x 2

Le programme linéaire résultant est :


Max 900 x1 +1000 x2
s.c. 11x1 + 9 x2 ≤ 9900
7 x1 +12 x2 ≤ 8400
6 x1 +16 x2 ≤ 9600
x1 ≥ 0, x2 ≥ 0

Exemple 4 : Problème d’alimentation 6

On se propose de réaliser une alimentation économique pour des bestiaux, qui


contient obligatoirement 4 sortes de composants nutritifs, A, B, C et D.
L’industrie alimentaire produit précisément deux aliments M et N qui
contiennent ces composants : 1 Kg d’aliment M contient 100 g de A, 100 g de C,
200 g de D ; 1 Kg d’aliment N contient 100 g de B, 200 g de C, 100 g de D.
Un animal doit consommer par jour au moins : 0.4 Kg de A ; 0.6 Kg de B ; 2 Kg
de C ; 1.7 Kg de D. L’aliment M coûte 10 DT le Kg et N coûte 4 DT le Kg.
Quelles quantités d’aliments M et N doit-on utiliser par jour et par animal pour
réaliser l’alimentation la moins coûteuse ?

Formulation en un PL :

On peut résumer toutes les données du problème dans le tableau suivant

6
Méthodes et modèles de la recherche opérationnelle, A. Kaufmann, pp 24-25

7
M N Quantités prescrites
A 0.1 0 0.4
B 0 0.1 0.6
C 0.1 0.2 2
D 0.2 0.1 1.7
Coût 10 4
Ce genre de tableau peut aider à mieux analyser le problème et ainsi formuler le
programme linéaire correspondant.
Les variables de décision sont
• xM : la quantité d’aliments M à utiliser pour l’alimentation des deux bestiaux
• xN : la quantité d’aliments N à utiliser pour l’alimentation des deux bestiaux
Les contraintes de non-négativité sont x1 ≥ 0, x2 ≥ 0.
Le choix de cette quantité est contraint à la présence dans l’alimentation du
composant
• A : 0.1 x1 ≥ 0.4 ⇒ x1 ≥ 4
• B : 0.1 x 2 ≥ 0.6 ⇒ x2 ≥ 6
• C : 0.1 x1 + 0.2 x 2 ≥ 2 ⇒ x1 + 2 x 2 ≥ 20
• D : 0.2 x1 + 0.1 x 2 ≥ 1.7 ⇒ 2 x1 + x 2 ≥ 17
La fonction objectif est une fonction coût : z = 10 x1 + 4 x 2 .
Le programme linéaire est un programme de minimisation :

Min 10 x1 + 4 x2
s.c. x1 ≥ 4
x2 ≥ 6
x1 + 2 x2 ≥ 20
2 x1 + x2 ≥ 17
x1 ≥ 0, x2 ≥ 0

Exemple 5 : Problème de mélange 7

Un industriel veut produire un alliage Z à 30% de plomb, 30% de zinc et 40%


d’étain. Supposons qu’il puisse se procurer sur le marché des alliages A, B, C,
D, E, F, G, H, I dont les compositions et les prix respectifs sont donnés dans le
tableau suivant :

Compositions A B C D E F G H I Alliage à
des alliages fabriquer
(en %)
Plomb 10 10 40 60 30 30 30 50 20 30
Zinc 10 30 50 30 30 40 20 40 30 30
7
G. B. Dantzig applications et prolongements de la programmation linéaire pp :13-14

8
Etain 80 60 10 10 40 30 50 10 50 40
Coût au Kilo 4.1 4.3 5.8 6 7.6 7.5 7.3 6.9 7.3

Combien doit-il acheter de chaque alliages A, B, C, D, E, F, G, H et I pour


obtenir au prix de revient minimum un 1 Kg de l’alliage Z ?

Formulation en un PL :

La décision à prendre : Combien acheter de chaque alliage A, B, …, I ?


Les variables de décision sont :
• xi : la quantité d’alliage i, i= A, B, …, I, à acheter.
On vérifie bien que les variables de décision xi , i= A, B, …, I, sont positives :
x A ≥ 0, xB ≥ 0, xC ≥ 0, xD ≥ 0, xE ≥ 0, xF ≥ 0, xG ≥ 0, xH ≥ 0, xI ≥ 0 .
Les contraintes relatives au problème sont :
• Equation de la conservation de la matière :
x A ≥ 0, x B ≥ 0, xC ≥ 0, x D ≥ 0, x E ≥ 0, x F ≥ 0, xG ≥ 0, x H ≥ 0, x I ≥ 0
• Equation de la satisfaction des proportions en Plomb :
x A + 0.3 x B + 0.5 xC + 0.3 x D + 0.3 x E + 0.4 x F + 0.2 xG + 0.4 x H + 0.3 x I = 0.3
• Equation de la satisfaction des proportions en Zinc :
0.1 x A + 0.3 x B + 0.5 x C + 0.3 x D + 0.3 x E + 0.4 x F + 0.2 x G + 0.4 x H + 0.3 x I = 0.3
• Equation de la satisfaction des proportions en Etain :
0.8 x A + 0.6 xB + 0.1 xC + 0.1 x D + 0.4 x E + 0.3 xF + 0.5 xG + 0.1 xH + 0.5 x I = 0.4
La fonction objectif dans cet exemple représente le coût d’achat des différents
alliages A, B, C, D, E, F, G, H et I. Donc l’expression de la fonction objectif est
la suivante :
z = 4.1 x A + 4.3 x B + 5.8 xC + 6 x D + 7.6 x E + 7.5 x F + 7.3 xG + 6.9 x H + 7.3 x I
Le programme linéaire qui modélise ce problème mélange s'écrit :
Min 4.1 x A + 4.3 x B + 5.8 xC + 6 x D + 7.6 x E + 7.5 x F + 7.3 xG + 6.9 x H + 7.3 x I
s.c. x A + x B + xC + x D + x E + x F + xG + x H + x I = 1
0.1 x A + 0.1 x B + 0.4 xC + 0.6 x D + 0.3 x E + 0.3 x F + 0.3 xG + 0.5 x H + 0.2 x I = 0.3
0.1 x A + 0.3 x B + 0.5 xC + 0.3 x D + 0.3 x E + 0.4 x F + 0.2 xG + 0.4 x H + 0.3 x I = 0.3
0.8 x A + 0.6 x B + 0.1 xC + 0.1 x D + 0.4 x E + 0.3 x F + 0.5 xG + 0.1 x H + 0.5 x I = 0.4
x A , x B , xC , x D , x E , x F xG , x H , x I ≥ 0

Exemple 6 : Sélection de Médias 8

Une entreprise désire effectuer une campagne publicitaire dans la télévision, la


radio et les journaux pour un produit lancé récemment sur le marché. Le but de
la campagne est d’attirer le maximum possible de clients. Les résultats d’une
étude de marché sont donnés par le tableau suivant :

8
Operations research principles and practice, pp17-18

9
Télévision Radio Journaux
Locale Par
satellite
Coût d’une publicité 40 DT 75 DT 30 DT 15 DT
Nombre de client 400 900 500 200
potentiel par publicité
Nombre de client 300 400 200 100
potentiel femme par
publicité

Pour la campagne, on prévoit de ne pas payer plus que 800DT pour toute la
campagne et on demande que ces objectifs soient atteints :
1. Au minimum 2000 femmes regardent, entendent ou lisent la publicité ;
2. La campagne publicitaire dans la télévision ne doit pas dépasser
500 DT ;
3. Au moins 3 spots publicitaires seront assurer par la télévision locale et au
moins de deux spots par la télévision par satellite.
4. Le nombre des publicités dans la radio ou dans les journaux sont pour chacun
entre 5 et 10.

Formulation en un PL :

Les variables de décision du problème sont


• x1 : le nombre de spots publicitaires dans la télévision locale
• x2 : le nombre de spots publicitaires dans la télévision par satellite
• x3 : le nombre de spots publicitaires dans la radio
• x4 : le nombre d’affiches publicitaires dans les journaux
Les contraintes de non-négativité sont vérifiées.
Les contraintes du problème sont :
• Coût total de la compagne publicitaire : 40 x1 + 75 x2 + 30 x3 +15 x4 ≤ 800
• Nombre de clients femmes potentiels par publicité :
300 x1 + 400 x 2 + 200 x3 +100 x 4 ≥ 2000
• Contraintes de la télévision : 40 x1 + 75 x 2 ≤ 500 , x1 ≥ 3 et x 2 ≥ 2
• Contraintes sur le nombre de publicités dans la radio et dans les journaux
5 ≤ x3 ≤ 10 et 5 ≤ x 4 ≤ 10 .
La fonction objectif à maximiser représente le nombre de clients potentiels par
publicité z = 400 x1 + 900 x2 + 500 x3 + 200 x4 .
Le programme linéaire résultant est :

10
Max 400 x1 + 900 x2 + 500 x3 + 200 x4
s.c. 40 x1 + 75 x2 + 30 x3 +15 x4 ≤ 800
30 x1 + 40 x2 + 20 x3 +10 x4 ≥ 2000
40 x1 + 75 x2 ≤ 500
x1 ≥3
x2 ≥2
x3 ≥5
x3 ≤ 10
x4 ≥5
x4 ≤ 10
x1 ≥ 0, x2 ≥ 0, x3 ≥ 0, x4 ≥ 0

CHAPITRE 2

11
Formulation
d’un programme
linéaire (PL)
I. Introduction

Après avoir illustrer par des exemples, comment un problème pratique peut être
modélisé par un programme linéaire, l’étape qui va suivre sera certainement
celle de la résolution de ce problème mathématique. La méthode graphique est
l’une des premières méthodes utilisées à ce sujet.
Si on parle de résolution graphique alors on doit se limiter à une représentation à
deux variables et au plus à trois variables. Ceci indique que dans ce chapitre on
examinera seulement les programmes linéaires à deux variables de décision.

II. Système d’axes


Une des conditions de la réussite de notre représentation graphique est le choix d'un système d’axes. Un mauvais choix peut rendre notre
représentation non claire et imprécise.

A cause des contraintes de non-négativité des variables de décision, nous nous


intéressons seulement au cadran positif (voir figure ci-dessus).
Cette région s’appelle la région des solutions possibles du problème.
Prenons l’exemple 2 relatif au problème de médecine. Le programme linéaire est
le suivant :

12
Min x1 + x2
s.c. 2 x1 + x2 ≥12
5 x1 + 8 x2 ≥ 74
x1 + 6 x2 ≥ 24
x1 ≥ 0, x2 ≥ 0
Un bon choix se base sur une lecture des différents paramètres du programme
linéaire. Dans notre cas, on ne peut qualifier de bon, le choix de 20 comme
unité dans les deux axes.
Pour l’exemple, on peut choisir le système d’axes suivant :

x2

12

6
3

x1
6 12 24

III. Représentation graphique des contraintes

Parmi les solutions possibles d’un problème, il y a ceux qui vont satisfaire toutes
les contraintes du programme, appelés solutions réalisables, et ceux qui vont
satisfaire une partie ou aucune de ces contraintes, appelés solutions non
réalisables.
Une représentation graphique des inégalités (des contraintes) va nous permettre
de déterminer l’ensemble des solutions réalisables.
Revenons à l’exemple 2 du problème de médecine.
Une des contraintes de ce problème est celle relative au grain d’aspirine :

2 x1 + x2 ≥ 12 .
L’ensemble des solutions qui vérifient cette inégalité est le même que celui qui
vérifie 2 x1 + x 2 = 12 et 2 x1 + x 2 > 12 .
x2

12

6
3

x1
6 12 24

L’ensemble des solutions qui correspond à l’équation est l’ensemble des points
de la droite l définie par x 2 = −2 x1 + 12 . Cette droite admet une valeur de la pente
égale à –2 et intercepte l’axe des ordonnées en 12 (voir figure ci-dessus).

13
L’inégalité 2 x1 + x 2 > 12 correspond à un demi-plan limité par la droite
x 2 = −2 x1 + 12 . Or cette droite divise le plan en deux demi-plans ouverts donc
quel est le demi-plan à choisir ?
x2

12 π1

6
3

x1
6 12 24

Pour ce faire, il suffit de prendre un point de l’un des demi-plans (c’est à dire
n’appartenant pas à la droite x 2 = −2 x1 + 12 ) et voir s’il vérifie l’inégalité
2 x1 + x 2 > 12 . Par exemple le point de coordonnées (0,0) ne vérifie pas l’inégalité
2 x1 + x 2 > 12 donc le demi-plan π 1 au-dessus de la droite est celui recherché
(voir figure ci-dessus).
L’espace hachuré représente le demi-plan fermé des solutions qui vérifient la
contrainte 2 x1 + x 2 > 12 .
Si on fait de même pour les deux autres contraintes du problème (voir figures
ci-dessous), on obtient les deux autres demi-plans π 2 et π 3 relatifs aux
solutions vérifiant respectivement les contraintes 5 x1 + 8 x2 ≥ 74 et x1 + 6 x2 ≥ 24 .

π3 π2
9.25

6
4
3

x1 x1
6 12 24 6 14,8 24

Une solution possible du problème est dite réalisable si et seulement si elle


vérifie toutes les contraintes, c’est à dire si elle appartient aux trois demi-plans
relatifs à chaque contrainte du programme linéaire, en d’autre terme à
π 1 ∩ π 2 ∩ π 3 (voir figure).
x2
Ensemble des
12 solutions
réalisables

x1
6 12 24

Définition : Un ensemble E non vide est dit convexe si et seulement si pour tout
élément x et y de E et pour tout λ ∈ [0,1], λ x + (1-λ ) y∈E.

14
On peut vérifier facilement que chacun des demi-plans π 1, π 2 , π 3 est convexe
en vérifiant que pour toute paire de points P1 et P2, l’ensemble des points qui
forment le segment [P1P2] appartient au demi-plan.
Théorème : L’intersection d’ensembles convexes (non vide) est convexe.
Propositions : L’ensemble des solutions réalisables (non vide) est convexe.

IV. Représentation de la fonction objectif

Soit z la valeur de la fonction objectif du problème de médecine z = x1 + x 2 .


Pour z=0, la fonction objectif est représentée de la manière suivante :
x2

12

x1
6 24

x1 +x 2 =0

Pour z=6, c’est à dire que le nombre de pilules à prescrire est égale à 6 pilules.
La fonction objectif est représentée comme suit :
x2

12

x1
6 24

x1 +x 2 =6
Chaque point du segment qui relie les points (6,0) à (0,6) représente des
solutions qui engendrent une prescription avec 6 pilules des deux tailles.
On peut tracer une infinité de droites qui représentent les différentes valeurs de
la fonction objectif, toutes ces droites ont le même coefficient directeur (-1). Par
suite elles sont parallèles entre elles. De plus on peut diminuer la valeur de z
indéfiniment dans le sens indiqué dans la figure ci-dessous.
x2

12

x1
6
z =18
z =6 z =12
Le problème est de connaître qu’elle est la droite qui correspond à la valeur
minimal de la fonction objectif ?

15
V. Recherche de la solution optimale
a. Résolution graphique
Si nous retraçons l’ensemble des droites parallèles relatives à différentes valeurs
de la fonction objectif sur la figure qui représente l’ensemble des solutions
réalisables, on peut localiser la solution optimale. Elle correspond à la solution
réalisable qui intercepte la droite à la plus petite valeur de z.
x2

12
B

x1
6 12
Z=10

Dans notre exemple, la solution optimale est l’intersection des deux contraintes
2 x1 + x2 ≥ 12 et 5 x1 + 8 x2 ≥ 74 . Une évaluation des coordonnées de ce point revient
à résoudre le système linéaire suivant :

 2x1 + x2 = 1 2

 5x1 + 8x2 = 7 4
Elle correspond d’après le graphique au point (2,8). Donc la prescription
optimale est de 2 pilules de petite taille et 8 pilules de grande taille. Le nombre
de pilules (la valeur de la fonction objectif) est égale à 10.

b. Résolution par énumération :

On remarque que la solution optimale du problème de médecine est un point


extrême qui se trouve sur le bord de l’ensemble des solutions. Une telle solution
est dite solution réalisable de base.
On peut admettre le résultat suivant : « Si un programme linéaire admet une
solution optimale alors il existe une solution réalisable de base pour laquelle la
fonction objectif atteint la valeur optimale »
Une méthode de résolution du programme linéaire consiste donc à déterminer
les solutions réalisables de base (les points d’intersection des droites qui forment
les contraintes) et à calculer pour chaque point la valeur de la fonction objectif.
La solution du programme linéaire est la solution à qui on associe la valeur
optimale de la fonction objectif.

16
x2

12 A
B

3 C D

x1
6 12

Dans le problème de médecine, l’ensemble des solutions réalisables de base présente 4 points extrêmes A(0,12), B(2,8), C(23/11,126/11) et
D(24,0). La valeur de la fonction objectif associée respectivement à A, B, C et D est 12, 10, 149/11 et 24. On vérifie bien que B est la
solution optimale du problème avec une valeur optimale égale à 10.

VI. Exemples
Dans cette section on donne quelques exemples de résolution graphique de problèmes linéaires relatifs au différents cas possibles :

Problème de maximisation
Max 100 x1 + 200 x2 x2 (2)
(4)
s.c. x1 + x2 ≤150 (1)
A
4 x1 + 2 x2 ≤ 440 (2) B
110
x1 + 4 x2 ≤ 480 (3) C
(3)
x1 ≤ 90 (4) Z=0 30
D (1)
x1 ≥ 0, x2 ≥ 0
E x1
40

la solution optimale est B(40,110)

Problème avec solution non bornée


Max - 2 x1 + 3 x 2 x2
s.c. x1 ≤ 5 (1)
(2)
2 x1 − 3 x 2 ≤ 6 (2)
x1 ≥ 0, x 2 ≥ 0

5 x1
Z=0
(1)

On peut augmenter la valeur de la fonction objectif dans la direction des flèches


indéfiniment donc la solution est non bornée

17
Problème impossible
Min 3 x1 + 2 x 2 x2
s.c. x1 + 2 x 2 ≤ 2 (1)
2 x1 + 4 x 2 ≥ 8 (2)
x1 ≥ 0, x 2 ≥ 0

x1
(2)
(1)

L’espace des solutions réalisables est vide, il est l’intersection des deux zones
grises de la figure ci-dessus

Problème à solutions multiples


Max x1 + 3 x 2 x2
(2)
s.c. 2 x1 + 6 x 2 ≤ 30 (1)
(1)
x1 ≤ 10 (2) A (3)
x2 ≤ 4 (3)
B
x1 ≥ 0, x 2 ≥ 0

10 x1

Z=0

L’ensemble des points décrit par le segment [AB] représente les solutions
optimales du problème linéaire

Problème de dégénerescence
Max x1 + x 2 x2
(2)
s.c. 3 x1 + 2 x 2 ≤ 40 (1)
(1)
x1 ≤ 10 (2) B (3)
A
x2 ≤ 5 (3)
x1 ≥ 0, x 2 ≥ 0

O C x1

Z=0

La solution optimale B(10,5) est dite dégénérée si trois contraintes concourent


en ce point.

18
VII. Analyse de sensibilité

Une analyse de sensibilité se résume à la recherche des intervalles de variations


possibles des paramètres du programme linéaire sans que la solution optimale ne
soit modifiée.

Question : De combien peut-on faire varier la quantité de codéine dans le


problème de médecine sans changer la solution optimale.

Réponse :
x2

12
B

x1
6 12
Z=10

On peut changer la valeur du second membre de la troisième contrainte jusqu'à


ce que la droite de coefficient directeur –1/6 touche le point optimal (2,8). C’est
à dire qu’on peut varier le second membre de la troisième contrainte de 24
jusqu'à 50 sans changer la solution optimale.

Question : De combien peut-on faire varier le profit engendré par la culture


d’un hectare de tomates, dans le problème de l'agriculture, sans changer la
solution optimale ?

Réponse :
x2 (2)
(4)
A
B
110
C
(3)
Z=0 30
D (1)

E x1
40

Soit λ la variation du profit engendré par la culture d’un hectare de tomate. La


fonction objectif est égale à (100 + λ) x1 + 200 x2
La solution demeure optimale si la pente de la fonction objectif reste toujours
comprise entre la pente de la contrainte (1) et (3). Ceci est équivalent à dire que :
200 1
−1 ≤ − ≤− ⇔ − 50 ≤ λ ≤ 100
100 + λ 4
On peut vérifier aussi que si :
• λ < −50 alors la solution optimale est A
19
• λ = −50 alors le problème est à solutions multiples : [AB]
• − 50 < λ < 100 alors la solution optimale est B
• λ = 100 alors le problème est à solutions multiples : [BC]
• 100 < λ < 300 alors la solution optimale est C
• λ = 300 alors le problème est à solutions multiples : [CD]
• λ > 300 alors la solution optimale est D

CHAPITRE 3

La Méthode de
Simplexe
I. Introduction

On a présenté dans le chapitre précédent une procédure graphique pour résoudre


un programme linéaire à deux variables. Par contre, dans la plupart des

20
problèmes réels, on a plus que deux variables à déterminer. Une procédure
algébrique pour résoudre les programmes linéaires avec plus que deux variables
fera l’objet de ce chapitre. C'est la méthode de simplexe.

Une implémentation de cette procédure à permis de résoudre des programmes


avec un peu plus de quelques milliers de variables. Le programme Lindo qu’on
présentera dans le chapitre 7 (en version pour étudiant) supporte au plus 200
variables et 100 contraintes.

Dans ce chapitre la méthode de simplexe est présentée pour les problèmes


Max ct x
s.c A x ≤b et en utilisant le problème de l’agriculteur :
X ≥0
Max 100 x1 +200 x2
s.c. x1 +x2 ≤150
4 x1 +2 x2 ≤ 440
x1 +4 x2 ≤ 480
x1 ≤90
x1 ≥0, x2 ≥ 0

II. Mise sous forme standard

La mise sous forme standard consiste à introduire des variables supplémentaires


(une pour chaque contrainte) de manière a réécrire les inégalités ( ≤ ) sous la
forme d'égalités. Chacune de ces variables représente le nombre de ressources
non utilisés. On les appelle variable d'écart. La forme standard s'écrit donc :
Max c1 x1 + c2 x2 +  + c N x N
s.c a11 x1 + a12 x2 +  + a1N x N + S1 = b1
Max ct x a21 x1 + a22 x2 +  + a2 N x N + S 2 = b2
s.c A x +S ≤b ⇔ 
X ≥0, S ≥0 a M 1 x1 + a M 2 x2 +  + a MN x N + S M = bM
x1 ≥ 0, x2 ≥ 0,  , x N ≥ 0
S1 ≥ 0, S 2 ≥ 0,  , S M ≥ 0
La forme standard du programme linéaire de l'agriculteur est :
Max 100x1 + 200x2 (3.1)
s. c x1 + x2 + S1 = 150 (3.2)
4x1 + 2x2 + S2 = 440 (3.3)
x1 + 4x2 + S3 = 480(3.4)
x1 + S4 = 90 (3.5)
x1, x2, S1, S2, S3, S4 ≥ 0 (3.6)
L'impact de ces variables d'écart sur la fonction objectif est nulle. Ceci explique
le fait que leur existence soit tout simplement liée à une mise en forme du
programme linéaire initial. Ces variables d'écart peuvent prendre des valeurs

21
nonnegatives. Le fait de donner la valeur des variables d'écart a l'optimum donne
une idée du nombre des ressources non utilisées.

III. Revue algébrique de la méthode du simplexe

La question qui se pose : que demande-t-on d’une procédure algébrique ?

En premier lieu, on note que les contraintes du problème (3.2)-(3.5), forment un


système de 4 équations et de 6 variables. Or il y a un nombre infini de solutions
de ce système d’équations. Donc une procédure algébrique, pour la résolution
d’un programme linéaire doit être capable de retrouver les solutions des
systèmes d’équations où il y a plus de variables que de contraintes.

En deuxième lieu, ce ne sont pas toutes les solutions qui vérifient (3.2)-(3.5) qui
sont des solutions du programme linéaire ; ils doivent en plus satisfaire les
contraintes de nonnégativité. Ainsi une procédure algébrique doit être capable
d’éliminer, de l’ensemble des solutions qui satisfait (3.2)-(3.1) celles qui
n’arrivent pas à satisfaire les contraintes de nonnégativité.

Finalement, une procédure algébrique pour résoudre les programmes linéaires


doit être en mesure de choisir parmi les solutions réalisables ceux qui
maximisent la fonction objectif.

La méthode de simplexe est une procédure algébrique qui tient compte de ces
trois considérations.

Pour illustrer cette procédure, supposons que x2 = 0 et S1 = 0. Notre système


devient
x1 = 150 x1 = 150
x1 + S2 = 440 S2 = 340
4x1 + S3 = 480 S3 = -120
x1 + S4 = 90 S4 = -60

Les variables x1, S2, S3 et S4 (non nulles) sont dites variables de base et les
variables S1, x2, (nulles) sont dites variables hors base.

Généralement, si on a un programme linéaire standard constitué de n variables et


m contraintes (n ≥ m) alors une solution de base (extrême) est obtenue, en
annulant (n-m) variables et en résolvant les m contraintes pour déterminer les
valeurs des autres m variables.

22
On note qu’une solution de base n’est pas toujours réalisable. C’est le cas de la
solution qu’on vient de retrouver.

Une solution réalisable de base serait celle où x1 = x2 = 0, ainsi on a :


S1 = 150
S2= 440
S3 = 480
S4 = 90
Cette solution correspond à un point extrême de l’ensemble des solutions
réalisables qui est l’origine O.
Pour la méthode de simplexe une solution réalisable de base initiale est
demandée. Une telle solution peut être retrouvée en annulant toutes les variables
de décision. Ce qui correspond dans notre exemple au point d’origine O.

A partir de ce point la méthode de simplexe va générer successivement des


solutions réalisables de base pour notre système d’équations en s’assurant que la
valeur de la fonction objectif est en train d’augmenter jusqu'à localiser la
solution optimale du problème qui est un point extrême de l’espace des solutions
réalisables donc une solution réalisable de base.

Ainsi, on peut décrire la méthode de simplexe comme étant une procédure


itérative qui passe d’une solution réalisable de base à une autre jusqu’à atteindre
la solution optimale.

La description mathématique de ce processus fera l’objet de la section suivante.

IV. La méthode des tableaux

La méthode de simplexe commence par l'identification d'une solution réalisable


de base et ensuite, elle essaye de trouver d'autres solutions réalisables de base
jusqu’à atteindre à la solution optimale. Ainsi, on doit, tout d’abord, retrouver
cette solution réalisable de base.

Généralement si le programme linéaire satisfait ces deux propriétés :


P1/ Parmi les variables du problème standard, il y a m variables qui apparaissent
avec un coefficient non nul dans chaque contrainte (dans notre exemple : S1, S2,
S3 et S4).
P2/ Les valeurs du second membre des contraintes (les composants du vecteur
b) sont positives.

23
Alors une solution réalisable de base est obtenue en annulant les (n-m) variables
de décision et la valeur des variables d'écart est directement donnée par le
second membre. La deuxième propriété assure la satisfaction des contraintes de
nonnégativité des variables d'écart.
Dans notre exemple, la forme standard du programme linéaire vérifie ces deux
propriétés.

a. Tableau de simplexe initial

Après avoir mis le programme linéaire sous une forme qui vérifie les deux
propriétés P1 et P2, l’étape suivante est de tracer le tableau de simplexe initial.

Le modèle général des tableaux de simplexe est :

cj coefficient correspond aux variables

Toutes les variables

A = (aij)i,j
variables de base
des variables de

VB variables de
Ci coefficients

Qi Valeur des

matrice des coefficients


des contraintes du programme
standard
base

base

Pour notre exemple le tableau de simplexe initial est le suivant :

100 200 0 0 0 0
x1 x2 S1 S2 S3 S4
0 S1 150 1 1 1 0 0 0
0 S2 440 4 2 0 1 0 0
0 S3 480 1 4 0 0 1 0
0 S4 90 1 0 0 0 0 1
On remarque qu’on a placé en première ligne les contributions unitaires de
toutes les variables de décision x1,..., S4 dans la fonction objectif. Dans la
troisième ligne, on retrouve la première contrainte x1 + x2 + S1 = 150. La valeur
150 représente ici la valeur de S1 relative à la solution réalisable de base initiale.
Dans la première colonne on trouve les contributions nulles des variables d'écart
qui forment la solution de base initiale.

Exemple :
24
Question : Quelles sont les contraintes et la fonction objectif du programme
linéaire décrit par le tableau de simplexe suivant :

6 7 0 0
x1 x2 S1 S2
0 S1 150 4 2 1 0
0 S2 440 1 5 0 1

Réponse : Les contraintes du programme sont :


4 x1 + 2x2 + S1 = 50
x1 + 5x2 + S2 = 40
et la fonction objectif est : 6x1 + 7x2 + 0S1 + 0S2

Remarque : Les variables qui figurent dans la deuxième colonne sont dites
variables de base. A chacune de ces variables, on associe la valeur 1 à
l’intersection de la ligne et de la colonne relative à cette variable et dans le reste
de la colonne on trouve des zéros.

Jusqu’à ici on a vu comment retrouver une solution réalisable de base et


comment présenter le tableau de simplexe initial. Dans la section suivante, on
examinera la procédure liée à la méthode de simplexe qui permet de passer de
cette solution réalisable de base initiale à une autre solution réalisable de base
qui donne une meilleure valeur de la fonction objectif.

b. Amélioration de la solution

Pour améliorer la solution il faut générer une autre solution de base (point
extrême) qui augmente la valeur de la fonction objectif. C’est à dire, qu’on doit
sélectionner une variable hors base et une variable de base et les permuter de
telle façon que la nouvelle solution donne une plus grande valeur de la fonction
objectif.

Pour savoir si on peut améliorer notre solution réalisable de base initiale nous
allons introduire deux nouvelles lignes au-dessus du tableau de simplexe.

La première ligne, notée zj, représente la variation de la valeur de la fonction


objectif qui résulte du fait qu’une unité de la variable correspondante à la jème
colonne de la matrice A est amenée dans la base. Par exemple z1 représente la
diminution du profit qui résulte de l’ajout d’une unité à la valeur de x1.
En effet, si on produit un hectare supplémentaire de x1, la valeur de quelques
variables de base vont changer vu qu’on a :
x1 + S1 = 150
4x1 + S2 = 440

25
x1 + S3 = 480
x1 + S4 = 90
Donc, une augmentation de x1 de 0 vers 1 va être accompagnée d'une diminution
des variables de base S1, S2, S3, S4 respectivement de 1, 4, 1 et 1.
L’effet de cette diminution sur la fonction objectif est nul car les coefficients des
variables d’écarts dans cette fonction sont nulles
z1 = 0 × S1 + 0 × S2 + 0 × S3 + 0 × S4 =0 × 1 + 0 × 4 + 0 × 1 + 0 × 1 = 0
La valeur z1 est calculée en multipliant les coefficients de la première colonne de
la matrice A relatifs à la variable x1 par les coefficients ci de la première
colonne. Généralement, on a :
zj = ∑i
aij ×ci

La deuxième ligne, notée cj - zj, représente l’effet net de l’augmentation d’une


unité de la jème variable.
Dans notre exemple, l’effet net sur la fonction objectif engendré par
l’augmentation d’une unité dans la valeur de x1 est
c1 - z1 = 100 - 0 = 100

Si on reprend la même opération pour le reste des variables, on trouve le tableau


suivant :

100 200 0 0 0 0
x1 x2 S1 S2 S3 S4
0 S1 150 1 1 1 0 0 0
0 S2 440 4 2 0 1 0 0
0 S3 480 1 2 0 0 1 0
0 S4 90 1 0 0 0 0 1
zj 0 0 0 0 0 0
cj - zj 100 200 0 0 0 0

En analysant la ligne relative à l’évaluation nette cj - zj, on remarque qu’une


augmentation d’une unité de la valeur de x1 engendre un profit de 100 dinars, et
qu’une augmentation d’une unité de la valeur de x2 engendre un profit
supplémentaire de 200 dinars. Donc, si on a à choisir, on va opter pour une
augmentation de la valeur de x2. On dit que x2 est la variable entrante.

Le problème est maintenant, jusqu’où peut-on augmenter x2 ?

Cette augmentation ne peut pas se faire infiniment, sous l’hypothèse que x1 reste
nulle. On a
x1 + S1 = 150

26
2x2 + S2 = 440
4x2 + S3 = 480
x4 + S2 = 90
On peut voir que x2 peut prendre comme valeur maximale la valeur de 100 (il ne
faut pas oublier que les Si, i=1, 2, 3, 4 sont des variables positives). Cette valeur
est obtenue en choisissant la plus petite valeur positive des divisions de 100/1,
440/2, 480/4 et 90/0 (on suppose que 90/0 est égale à l’infini ∞ ).

En général, la valeur maximale de la variable entrante xj est le minimum des


valeurs positives des rapports de Qi par les coefficients de la colonne de la
matrice A relatif à la jème variable. Ces rapports feront l’objet d’une autre colonne
à droite de la matrice A.

Dans notre exemple, on aura :

100 200 0 0 0 0
X1 x2 S1 S2 S3 S4
0 S1 100 1 1 1 0 0 0 150
0 S2 440 4 2 0 1 0 0 220
0 S3 480 1 4 0 0 1 0 120
0 S4 90 1 0 0 0 0 1 ∞
0 0 0 0 0 0
100 200 0 0 0 0

Le fait d’augmenter x2 jusqu’à la valeur 100 va engendrer l’annulation de la


valeur du variable d’écart S3, ce qui élimine S3 de la base. On appelle S3 variable
sortante.

L’élément 4, à l’intersection de la ligne relative à la variable sortante S1 (dite


ligne pivot) et de la colonne relative à la variable entrante x2 (dite colonne pivot)
est l’élément pivot. (C’est l’élément cerclé dans le tableau).

27
c. Calcul des tableaux suivants

Dans le nouveau tableau de simplexe on va remplacer S3 par x2 et l’ensemble des


variables de base deviendra S1, S2, x2, S4. On exige que x2 prenne la même place
dans la colonne des variables de base que celle de la variable sortante S3.
Jusqu’à maintenant on ne peut pas remplir le tableau relatif à cette nouvelle
solution de base :

100 200 0 0 0 0
x1 x2 S1 S2 S3 S4
0 S1
0 S2
200 x2
0 S4
Ce qui reste à déterminer sont les coefficients aij de la nouvelle matrice A et les
valeurs Qi des variables de base. Ceci est réalisé en utilisant la règle de pivot :

1. Diviser le ligne de pivot par la valeur de l’élément de pivot pour trouver la


ligne transformée de la ligne de pivot.

100 200 0 0 0 0
x1 x2 S1 S2 S3 S4
0 S1
0 S2
200 x2 120 1/4 1 0 0 -1/4 0
0 S4

2. A chacune des variables de base, on associe la valeur 1 à l’intersection de la


ligne et de la colonne relative à cette même variable et dans le reste de la
colonne on trouve des zéros.

100 200 0 0 0 0
x1 x2 S1 S2 S3 S4
0 S1 0 1 0 0
0 S2 0 0 1 0
200 x2 120 1/4 1 0 0 -1/4 0
0 S4 0 0 0 1

3. Pour calculer le reste des valeurs du tableau, on opère à des combinaisons


linéaires dans le précèdent tableau de simplexe. Par exemple pour calculer la
nouvelle valeur qui va prendre la place de la valeur 100 devant la variable de

28
base S1: On multiplie 100 par le pivot (4), on retranche de ce produit le
produit de la projection de la valeur 100 sur la ligne pivot par la projection de
la valeur 100 sur la colonne pivot, et on divise le tout par la valeur du pivot
(4).

100 200 0 0 0 0
x1 x2 S1 S2 S3 S4
0 S1 150 1 1 1 0 0 0
0 S2 440 4 2 0 1 0 0
0 x2 480 1 4 0 0 1 0
0 S4 90 1 0 0 0 0 1

150 ×4 −480 ×1 0 ×4 −1 ×1 1
=30 =−
4 4 4

100 200 0 0 0 0
x1 x2 S1 S2 S3 S4
0 S1 30 0 1 0 -1/4 0
0 S2 0 0 1 0
200 S3 120 1/4 1 0 0 -1/4 0
0 S4 0 0 0 1

En appliquant cette règle sur notre exemple, on trouve le tableau suivant :


100 200 0 0 0 0
x1 x2 S1 S2 S3 S4
0 S1 30 3/4 0 1 0 -1/4 0
0 S2 200 7/2 0 0 1 -1/2 0
200 S3 120 1/4 1 0 0 -1/4 0
0 S4 90 1 0 0 0 0 1

Remarques:
a) On vérifie toujours que les colonnes de la matrice relative à chacune des
variables de base sont formées par des zéros sauf 1 dans l’intersection avec la
ligne relative aux mêmes variables de base.
b) On peut vérifier aussi que l’ensemble des solutions réalisables, induit par les
contraintes décrites dans le dernier tableau de simplexe, est le même que
celui représenté par les contraintes initiales. La règle de pivot est une
combinaison linéaire des contraintes du programme linéaire donc elle ne
change pas l’ensemble des solutions réalisables.

c) La nouvelle solution réalisable de base est


x1 = 0
x2 = 120
S1 = 30
S2 = 200
29
S3 = 0
S4 = 90
Cette nouvelle solution correspond au point A(voir graphique). On vérifie bien
que la valeur de la fonction objectif est passer de 0 à 120 x 200. La valeur de la
fonction objectif peut être facilement calculer en multipliant membre à membre
les ci de la première colonne par les valeurs des variables de base Qi dans la 3ème
colonne.
d) La solution de départ correspond au point O. La première itération nous a
amené dans le sens de l'amélioration du profit (fonction objectif), c’est à dire
le long de l’axe des ordonnées.

Ayant retrouvé une nouvelle solution, on veut savoir s’il est possible de
retrouver une solution réalisable de base meilleure. Pour arriver à cette fin, on
doit ajouter les deux lignes relatives au choix de la variable entrante, et la
colonne relative au choix de la variable sortante.

100 200 0 0 0 0
x1 x2 S1 S2 S3 S4
0 S1 30 3/4 0 1 0 -1/4 0 40
0 S2 200 7/2 0 0 1 -1/2 0 400/7
200 x2 120 1/4 1 0 0 1/4 0 480
0 S4 90 1 0 0 0 0 1 90
50 200 0 0 50 0
50 0 0 0 -50 0

La variable entrante est x1 ; elle présente la plus grande valeur cj- zj. Si on calcule
les quotients Qi/ci1, on retrouve que la variable sortante est S1 à qui on associe la
plus petite valeur du ratio Q1/c11=40. L’élément pivot dans ce tableau est 3/4. La
nouvelle base est composée de x1, S2, x2, S4.
Le tableau de simplexe suivant issu de l’application de la règle de pivot est :

100 200 0 0 0 0
x1 x2 S1 S2 S3 S4
100 x1 40 1 0 4/3 0 -1/3 0
0 S2 60 0 0 -14/3 1 2/3 0
200 x2 110 0 1 -1/3 0 1/3 0
0 S4 50 0 0 -4/3 0 1/3 1
Cette nouvelle solution

30
x1 = 40
x2 = 120
S1 = 0
S2 = 60
S3 = 0
S4 = 50
correspond au point B qui est, d’après les résultats retrouvée par la méthode
graphique, la solution optimale du problème. Ainsi, il faut s’attendre à ce que la
méthode de simplexe reconnaisse cette solution comme étant la solution
optimale.

Ajoutons la ligne relative au calcul de l'effet net d’une augmentation unitaire


d’une des variables du problème, on a :

100 200 0 0 0 0
x1 x2 S1 S2 S3 S4
100 x1 40 1 0 4/3 0 -1/3 0
0 S2 60 0 0 14/3 1 2/3 0
200 x2 110 0 1 -1/3 0 1/3 0
0 S4 50 0 0 -4/3 0 1/3 1
100 200 200/3 0 100/3 0
0 0 -100/3 0 -100/3 0

L’effet net associé aux variables hors base S1 et S2 est négatif. Ceci nous oblige à
dire que faire entrer une de ces deux variables dans la base va engendrer une
diminution dans la valeur de la fonction objectif. Donc il n’y a pas une autre
solution réalisable de base qui peut engendrer un profit meilleur. Par suite cette
dernière solution est la solution optimale. Ce dernier tableau de simplexe est
donc dit tableau optimal.

On peut généraliser ce résultat en disant que la solution optimale d’un


programme linéaire est atteinte s’il n’y a aucune valeur positive dans la ligne
cj-zj du tableau du simplexe.

31
V. Résumé de la procédure de la méthode du simplexe
(dans le cas d'un problème de maximisation sous contraintes ≤ et avec un
second membre positif)

Etapes Justification
1. Formuler un programme linéaire Pour obtenir une représentation
pour le problème réel. mathématique du problème
2. Vérifier que le second membre du Ceci est nécessaire pour obtenir comme
programme linéaire est positif variable de base initiale l’origine
3. Ecrire le programme linéaire sous Mettre toutes les contraintes sous forme
une forme standard d’égalité
4. Construire le premier tableau de Ce tableau correspond à la solution initiale
simplexe de base
5. Choisir comme variable entrante La valeur de cj-zj indique la quantité
dans la base celle qui admet le plus d’augmentation de la fonction objectif si
grand effet net positif cj-zj. on augmente la valeur de xj d’une unité.
6. Choisir la variable sortante de la La plus petite valeur de Qi/aij indique le
base celle qui admet le plus petit ratio nombre maximal d’unité de xj qu’on peut
supérieur à zéro. introduire avant que la variable de base de
l’ième ligne ne soit égale à zéro.
7. Construire le nouveau tableau en Cette règle nous permet entre autre de
utilisant la règle de pivot calculer les valeurs des nouvelles variables
de décision
8. Faire le test d’optimalité. Si Si (cj-zj) ≤ 0 alors on n’a pas d’intérêt à
(cj-zj) ≤ 0 pour toutes les variables faire entrer dans la base aucune de ces
(hors base), la solution obtenue est variables. Une telle introduction engendra
donc optimale. Sinon retourner à une diminution de la fonction objectif.
l’étape 5.

VI. Exemple

Résoudre le programme linéaire suivant en utilisant la méthode de simplexe.


Max 3x1 + 2x2
SC - x1 + 2x2 ≤ 4
3x1 + 2x2 ≤ 14
x1 + x2 ≤ 3
x1 ≥ 0 x2 ≥ 0
→ La forme standard du programme linéaire s'écrit comme suit :
Max 3x1 + 2x2
SC - x1 + 2x2 + S1 = 4

32
3x1 + 2x2 + S2 = 4
x1 - x2 + S3 = 3
x1, x2, S1, S2, S3≥ 0

→ Tableau de simplexe initial (1ère itération)

3 2 0 0 0
x1 x2 S1 S2 S3
0 S1 4 -1 2 1 0 0 -4
0 S2 14 3 2 0 1 0 14/3
0 S3 3 (1) -1 0 0 1 3
0 0 0 0 0
3 2 0 0 0

La variable entrante est x1 puisqu’elle présente le plus grand effet net positif. La
variable sortante est S3 car elle correspond au plus petit quotient positif.

→ 2ème itération

3 2 0 0 0
x1 x2 S1 S2 S3
0 S1 7 0 1 1 0 1 7
0 S2 5 0 (5) 0 1 -3 1
3 x1 3 1 1 0 0 1 3
3 0 0 0 3
0 2 0 0 -3

La variable entrante est x2 et la variable sortante est S2

→ 3ème itération

3 2 0 0 0
x1 x2 S1 S2 S3
0 S1 6 0 0 1 -1/5 8/5
2 x2 1 0 1 0 1/5 -3/5
3 x1 4 1 0 0 1/5 2/5
3 2 0 1 0
33
0 0 0 -10 0

Tous les cj-zj≤ 0 donc le tableau de simplexe est optimal et la solution optimal
du programme linéaire est
x1 = 4
x2 = 1
S1 = 6
S2 = 0
S3 = 0
La valeur de la fonction objectif est 14.

Remarque : L’effet net de l’augmentation d’une unité de la valeur de S3


(variable hors base) est nul. Donc si on introduit S3 dans la base, on ne modifie
pas la valeur de la fonction objectif. Ainsi une autre solution optimale peut être
trouvée pour notre programme linéaire. Ceci confirme le résultat de la méthode
graphique qui indique que ce problème admet un ensemble de solution optimale
décrit par le segment [BC].

La solution optimale donnée par le dernier tableau de simplexe correspond au


point C.
Le tableau du simplexe suivant est :

3 2 0 0 0
x1 x2 S1 S2 S3
0 S3 15/4 0 0 5/8 -1/8 1
2 x2 13/4 0 1 3/8 1/8 0
3 x1 5/2 1 0 -1/4 1/4 0
3 2 0 1 0
0 0 0 -1 0

Le tableau est optimal et la solution correspondante est :


x1 = 5/2
x2 = 13/4
S1 = 0
S2 = 0
S3 = 15/4
La valeur de la fonction objectif est 14.

34
CHAPITRE 4

Problèmes de
Minimisation et
Problèmes
Irréguliers

35
I. Introduction
Dans le chapitre précédent tous les programmes linéaires qu’on a traité sont du
type : Maximiser une fonction linéaire sous contraintes de type inférieur ou
égale (et avec un second membre positif).
Or dans beaucoup de problèmes réels, on peut retrouver des contraintes de type
supérieur ou égale et/ou de type égale, ainsi que des problèmes où on a à
minimiser au lieu de maximiser.

Dans ce chapitre, on étudiera les modifications à apporter à la méthode du


simplexe pour qu’elle puisse résoudre tous ces types de programmes.

II. Les variables artificielles


Considérons le programme linéaire suivant :
Max 5x1 + 6x2
S.c -x1 + x2 ≤ 4
5x1 + 3x2 = 60
x2 ≥ 5
x1 ≥ 0 , x2 ≥ 0

L'introduction des variables d'écart dans le programme linéaire 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
Afin de générer une solution réalisable de base initiale pour la méthode de
simplexe, on a annulé les variables de décision x1 et x2 . Ceci nous permet de
commencer à partir de l’origine O. Or, on vérifie bien que l’origine n’est pas une
solution réalisable. La question qui se pose est comment nous allons réécrire le
programme de manière qu’on puisse construire le tableau de simplexe initial à
l’origine.
Pour arriver à cette fin, on doit ressortir une astuce mathématique qui se résume
à l’introduction de nouvelles variables, dite variables artificielles A1 et A2.
Ces variables n’ont aucune interprétation, comme leur nom l’indique, ils sont
conçus artificiellement pour nous aider à utiliser la procédure de simplexe et à
formuler le tableau initial à partir de l'origine.

Si on ajoute ces deux variables artificielles A1 et A2 respectivement à la 2ème et


3ème contrainte, le programme devient le suivant.
Max 5x1 + 6x2 +...

36
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 système d’équations,
si on pose x1 = x2 = 0.
La solution initiale est
x1 = 0
x2 = 0
S1 = 4
S2 = 0
A1 = 60
A2 = 5
Cette solution n’est pas réalisable puisque x2 n’est pas supérieur à 50. Ainsi, il
est important de distinguer entre une solution réellement réalisable et une
solution du programme linéaire réécrit pour la procédure du simplexe. Certes,
une solution réalisable du problème réel reste toujours une solution réalisable
pour le programme linéaire transformé, le contraire n’est pas toujours vrai.

On peut conclure que tant que les variables artificielles restent dans la base, la
solution demeure non réalisable réellement pour notre programme.

Une manière pour garantir que ces variables artificielles sortent de la base avant
d’atteindre la solution optimale est de leur associée un grand coût -M dans la
fonction objectif. Ainsi, si ces variables restent dans la base ils vont causer une
diminution importante de la valeur de la fonction objectif. Ce qui nous
contraignent à les faire sortir le plutôt possible de la base.
La fonction objectif s’écrit donc :
Max z = 5x1 + 6x2 - M A1 - M A2
avec M un très grand nombre (exemple: M ≥ 1010) .

En appliquant de ces modifications, le tableau de simplexe initial est

5 6 0 0 -M -M
x1 X2 S1 S2 A1 A2
0 S1 4 -1 1 1 0 0 0
-M A1 60 (5) 3 0 0 1 0
-M A2 5 0 1 0 -1 0 1

37
De la même manière que précédemment 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

La variable entrante est x1 (5 +5M ≥ 6 + 4M avec M assez grand) et la variable
sortante est A1 . Le 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

Le tableau de simplexe après la deuxième itération indique que la variable
sortante est A2.

Remarque: Simplification du tableau


Les deux première itérations on fait sortir de la base les variables artificielles A1
et A2. Leurs effets nets est maintenant négatif et très élevé, elles ne pourront
donc pas être sélectionnées à l’itération suivante, ni même ultérieurement
comme on peut facilement le constater. Donc on peut supprimer du tableau la
colonne relative à A1 et A2.
En appliquant la règle ci-dessus, on obtient le tableau de simplexe suivant :

5 6 0 0
x1 x2 S1 S2
0 S1 8 0 0 1 8/5 5
5 x1 9 1 0 0 3/5 15
6 x2 5 0 1 0 -1 -5
5 6 0 -3
38
0 0 0 3

5 6 0 0
x1 x2 S1 S2
0 S2 5 0 0 5/8 1
5 x1 6 1 0 -3/8 0
6 x2 10 0 1 5/8 0
5 6 15/8 0
0 0 -15/8 0

Le tableau ci-dessus est optimal car tous les effets nets sont négatifs ou nuls.
Donc la solution optimale est :
x1 = 6
x2 = 10
S1 = 0
S2 = 5

Remarque: cas où le second membre négatif


Le problème qui peut se poser est que l’une des variables du second membre soit
négative. Par exemple supposons que lors de la formulation on trouve une
contrainte de ce type :
x1 - x2 ≥ -4
La condition qu’il faut vérifier avant de se lancer dans la réécriture de cette
contrainte, en vue de construire le programme standard, est la nonégativité du
second membre.
Ainsi, on doit modifier la contrainte avant de commencer la standardisation et la
réécrire comme suit :
-x1 + x2 ≤ 4
Exercice :
Réécrire convenablement ces contraintes:
(1) x1 + 3x2 - 5x3 = - 20
(2) -x1 + 3x2 ≥ - 5
(3) 5x1 - 2x2 ≤ - 10

III. Les problèmes de minimisation


Il y a deux manières de résoudre un problème de minimisation en utilisant la
méthode de simplexe.

39
La première méthode nécessite le changement de la règle de choix de la variable
entrante. Dans un problème de maximisation la règle est de choisir comme
variable entrante celle qui a le plus grand effet net positif non nul. Ceci parce
que notre objectif est de choisir la variable qui en entrant dans la base va
engendrer un profit supplémentaire et ainsi accroître la valeur de la fonction
objectif. Pour un problème de minimisation, on va utiliser la règle inverse.
C’est-à-dire la variable entrante est celle à laquelle on associe la plus petite
valeur négative non nulle de l’effet net cj - zj.
Ceci va nous amener aussi à changer notre règle d’arrêt de la procédure de
simplexe et de définir le tableau optimal, comme celui où tous les effets nets
cj - zj sont positifs ou nuls.

Essayons d’appliquer la méthode de simplexe sur le problème de médecine :


Min x1 + x2
Sc 2x1 + x2 ≥ 12
5x1 + 8x2 ≥ 74
x1 + 6x2 ≥ 24
x1 ≥ 0 , x2 ≥ 0

Pour permettre à la méthode de simplexe de démarrer de l’origine, il faut comme


on l’a déjà vu dans le cas de problème de maximisation, introduire les variables
artificielles.

Avec les problèmes de maximisation on attribue à ces variables un coefficient


-M dans la fonction objectif pour les contraindre à quitter la base rapidement.
Dans le cas de problèmes de minimisation, on a intérêt à changer le coefficient
de ces variables en M (M très grand) afin d’arriver au même résultat et de les
faire sortir de la base.
Avant de construire le tableau de simplexe initial, on réécrit le programme
linéaire relatif au problème de médecine 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

Le tableau de simplexe initial est :

5 6 0 0 0 M M M
x1 x2 S1 S2 S3 A1 A2 A3

40
M A1 12 2 1 -1 0 0 1 0 0 12
M A2 74 5 8 0 -1 0 0 1 0 37/4
M A3 24 1 6 0 0 -1 0 0 1 4
8M 15 -M -M -M M M M
1-8M 1-15M M M M 0 0 0

Après 4 itérations, 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

On retrouve la même solution obtenue par la méthode graphique :


x1 = 8
x2 = 2
S1 = 0
S2 = 0
S3 = 26
Z = 10

Après avoir vérifier que le second membre des contraintes est positif, le tableau
suivant résume les transformations à faire subir à notre programme linéaire
avant de le résoudre par la méthode de simplexe :

Quand la contrainte Pour la fonction objectif d’un problème de


est
Maximisation Minimisation
I- de type « ≤ » Attribuer un coefficient nul pour la variable d’écart
Ajouter une variable
d’écart
II- de type « = » Attribuer un coefficient -M Attribuer un coefficient M
Ajouter une variable pour variable artificielle pour la variable artificielle
d’écart et une
variable artificielle

41
III- de type « ≥ » Attribuer un coefficient nul Attribuer un coefficient nul
Ajouter une variable pour la variable d’écart et un pour la variable d’écart et
artificielle et une coefficient - M pour variable un coefficient M pour
variable d’écart avec artificielle variable artificielle
un signe "-"

Le tableau suivant résume les étapes de la méthode de simplexe relatif aux


problèmes de maximisation et minimisation :

Etape Maximisation Minimisation


1 Formuler un programme linéaire Formuler un programme linéaire
pour le problème réel. pour le problème réel.
2 Vérifier que le second membre du Vérifier que le second membre du
programme linéaire est positif programme linéaire est positif sinon
sinon modifier les contraintes modifier les contraintes
3 Ecrire le programme linéaire sous Ecrire le programme linéaire sous
une forme standard une forme standard
4 Construire le premier tableau de Construire le premier tableau de
simplexe simplexe
5 Choisir comme variable entrante Choisir comme variable entrante
dans la base celle qui admet le plus dans la base celle qui admet le plus
grand effet net positif cj-zj. petit effet net négatif cj-zj.
6 Choisir la variable sortante de la Choisir la variable sortante de la
base celle qui admet le plus petit base celle qui admet le plus petit
ratio supérieur à zéro. ratio supérieur à zéro.
7 Construire le nouveau tableau en Construire le nouveau tableau en
utilisant la règle de pivot utilisant la règle de pivot
8 Faire le test d’optimalité. Si Faire le test d’optimalité. Si
(cj-zj) ≤ 0 pour toutes les variables (cj-zj) ≥ 0 pour toutes les variables
(hors base) donc la solution (hors base) donc la solution obtenue
obtenue est optimale. Sinon est optimale. Sinon retourner à
retourner à l’étape 5. l’étape 5.

La deuxième méthode pour résoudre un problème de se base sur le résultat


suivant « Résoudre un problème min ctx sujet à un ensemble de contraintes est
équivalent à résoudre un problème max -ctx sujet au même ensemble de
contraintes ». Ces deux problèmes sont équivalents dans la mesure où ils
donnent le même vecteur des solutions optimales. La seule différence est que la
valeur de la solution max -ctx est l’opposé de la solution de min ctx; (i.e. min ctx
= - max -ctx).

42
Donc pour résoudre le programme linéaire relatif au problème de médecine, on
peut résoudre le problème de maximisation suivant:
Max - x1 - x2
S.c. 2x1 + x2 ≥ 12
5x1 + 8x2 ≥ 74
x1 + 6x2 ≥ 24
x1 , x2 ≥ 0
On peut vérifier facilement que la méthode de simplexe appliquée au
programme ci-dessus, engendre le même vecteur de solutions optimales.

IV. Les problèmes irréguliers


Après avoir examiné comment on peut résoudre un programme linéaire par la
méthode de simplexe, on s’intéresse dans cette section aux problèmes
irréguliers, qu'on peut rencontrer lors de la résolution d’un programme linéaire
par la méthode de simplexe. Donc, l’objet de cette section est de reconnaître ces
problèmes et de les résoudre par la méthode de simplexe.

a. Les problèmes impossibles


Graphiquement, on a caractérisé ces problèmes par un ensemble de solutions
réalisables vide. Avec la méthode de simplexe, on reconnaît que le problème est
impossible si une ou plusieurs variables artificielles sont présentes dans la base
dans le tableau de simplexe optimal, ce qui signifie que la solution donnée par
ce tableau n’est pas réellement réalisable.

Exemple:
Vérifions à l’aide de la méthode de simplexe, que le problème suivant est
réellement impossible :
Max 4 x1 + 3x2
Sc x1 + x2 ≤ 2
3x1 + x2 ≥ 10
x1 , x2 ≥ 0
En introduisant les variables d’écarts et les variables artificielles le programme
s’écrit:
Max 4x1 + 3x2 - MA1
Sc x1 + x2 - S1 = 2
3x1 + x2 - S2 + a1 = 10
x1 , x2 , S1 , S2 , A1 ≥ 0

4 3 0 0 -M
x1 x2 S1 S2 a1

43
0 S1 2 (1) 1 1 0 0 2
-M a1 10 3 1 0 -1 1 10/3
-3M -M 0 M 1
3M+4 M+3 0 -M -M-1

4 3 0 0 -M
x1 x2 S1 S2 a1
4 x1 2 1 1 1 0 0
-M a1 5 0 -2 -3 -1 1
4 4+2M 1+3M M -M
0 -1-2M -1-3M -M 0

Le tableau de simplexe ci-dessus est optimal avec une variable artificielle dans
la base.

Remarque : Un programme de maximisation ou de minimisation avec


seulement des contraintes de type « ≤ » ne peut pas être impossible (sous
l’hypothèse que le second membre b est positif). Ceci est dû au fait que lors de
la résolution de ce genre de programme par la méthode de simplexe on n'utilise
pas des variables artificielles. Donc il est impossible de les retrouver dans la
solution optimale.

b. Les problèmes à solutions multiples


Graphiquement, ce problème est caractérisé par le fait que la pente de la droite
représentant la fonction objectif (z = 0) est égale à la pente de l’une des
contraintes restrictives. Lorsqu’on utilise la méthode de simplexe, on identifie ce
problème lorsqu’un des effets nets (relatif à une variable hors base) est nul.
L’exemple de la section 3 du précédent chapitre représente un problème avec
solutions multiples.

c. Les problèmes à solution infinie


Graphiquement, ce problème est caractérisé par le fait qu’on peut déplacer la
droite de la fonction objectif indéfiniment de manière à accroître la valeur, en
gardant toujours une intersection non vide avec l’ensemble des solutions
réalisables.

Avec la méthode de simplexe, on reconnaît ce problème lorsque la variable


entrante n’admet aucune limite sur sa valeur d’entrée, c’est à dire que tous les
ratios Qi/aijo sont négatifs ou nuls.
Exemple
Max x1 + 2x2

44
Sc x1 + x2 ≥ 2
x2 ≤ 3
x1 , x2 ≥ 0
On introduit les variables d’écart et les variables artificielles, le programme
linéaire devient :
Max x1 + 2x2 + 0S1 + 0S2 - Ma1
Sc x1 + x2 - S1 + a1 = 2
x2 + S2 = 3
x1 , x2 , S1 , S2 , a1 ≥ 0
Les tableaux de simplexe sont :

1 2 0 0 -M
x1 x2 S1 S2 a1
-M a1 2 1 (1) -1 0 1 2
0 S2 3 0 1 0 1 0 3
-M -M M 0 -M
1+M 2+M -M 0 0

1 2 0 0
x1 x2 S1 S2
2 x2 2 1 (1) -1 0 -2
0 S2 1 -1 0 (1) 1 1
2 2 -2 0
-1 0 2 0

1 2 0 0
x1 x2 S1 S2
x2 3 0 1 0 1 ∞
?
2
0 S1 1 -1 0 1 1 -1
0 2 0 2
1 0 0 -2

Le dernier tableau montre que la variable x1 n’admet aucune limite sur sa valeur
de sortie.

45
d. Les problèmes à solution dégénérée
Graphiquement, on appelle solution dégénérée le point où plusieurs contraintes
concourent (un nombre supérieur ou égale à trois contraintes). Un programme
linéaire est dit dégénérée si une ou plusieurs variables dans la base optimale sont
nulles. Dans la résolution graphique ce problème n’est pas difficile à résoudre,
mais avec la méthode de simplexe il peut causer des difficultés.

Exemple
Max z = 2x1 + 0 x2 + 3/2 x3
s.c. x1 - x2 ≤ 2
2x1 + x3 ≤ 4
x1 + x2 + x3 ≤ 3
x1, x2, x3 ≥ 0
La solution optimale de ce problème est :
x1 = 1
x2 = 0
x3 = 2
z =5

La forme standard du programme linéaire 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
Le tableau de simplexe initial est :

2 0 3/2 0 0 0
x1 x2 x3 S1 S2 S3
S1 2 1 -1 0 1 0 0 2
?
0
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

La variable entrante est x1, mais les deux premières contraintes donnent la même
valeur minimale du ratio. Ceci indique que lorsque x1 passe à 2, les variables
46
d’écart S1 et S2 vont s’annuler malgré que l’un des deux demeure encore dans la
base.
Choisissons arbitrairement de faire sortir de la base la variable d’écart S1.

2 0 3/2 0 0 0
x1 x2 x3 S1 S2 S3
2 x1 2 1 -1 0 1 0 0 -2
0 S2 0 0 2 1 -2 1 0 0
0 S3 1 0 2 1 -1 0 1 1/2
2 -2 0 2 0 0
0 2 3/2 -2 0 0

La nouvelle solution réalisable de base est :
x1 = 0
x2 = 0
x3= 1
S1 = 2
S2 = 0
S3 = 0
et la valeur de la fonction objectif z = 4. Cette solution de base est dite
dégénérée. Continuons les itérations relatives à la méthode de simplexe. La
variable entrante est x2.
Le problème est qu’un des ratios est nul ce qui indique qu’on ne peut pas
augmenter la valeur de x2 puisque la valeur de la fonction objectif ne va pas
augmenter et reste égale à 4.
Si on réitère une autre fois, en remplaçant S2 par x2 dans la base on obtient :

2 0 3/2 0 0 0
x1 x2 x3 S1 S2 S3
2 x1 2 1 0 1/2 0 1/2 0 4
0 x2 0 0 1 1/2 -1 1/2 0 0
0 S3 1 0 0 0 1 -1 1 ∞
2 0 0 0 1 0
0 0 1/2 0 -1 0

Ce tableau n’est pas optimal, la variable entrante est x3 et la variable sortante est
x2. On remarque aussi que ce passage d’une solution à une autre ne
s’accompagne pas d’une augmentation de la valeur de la fonction objectif.

On peut facilement vérifier que nous somme en train de cycler sans atteindre la
solution optimale. Ce genre de cyclage dans la méthode de simplexe est

47
dangereux et on doit l’identifier avant de commencer à résoudre le problème,
sinon on passera un temps énorme sans atteindre la solution optimale.
Pour terminer cette section, il faut noter que ce n'est pas tout problème de
dégénérescence qui peut conduire à un cyclage.
Exemple
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
Essayer de résoudre ce programme par la méthode de simplexe (choisir en cas
de deux quotients égaux, celui qui se trouve dans la ligne supérieure).

CHAPITRE 5

Dualité et analyse
de sensibilité
I. Introduction
Dans ce chapitre, on va étudier des notions relatives au programmes linéaires
tels que le programme dual, les coûts marginaux ainsi que des techniques de
validation de la solution d’un programme linéaire, c’est à dire l’analyse de
sensibilité.

48
Nous allons commencer ce chapitre par donner quelques termes clés du jargon
utilisé pour interpréter économiquement les différents résultats du programme
linéaire.

II. Interprétation économique


Les éléments clés d’un programme linéaire standard sont :
- La fonction objectif dite fonction économique. Cette fonction peut représenter
un coût, un profit, etc...
- Les contraintes sont composées, des coefficients aij de la matrice A, dite
matrice technologique, et des constantes bi, qui forment le vecteur du second
membre. Le second membre peut représenter la disponibilité des ressources, les
niveaux de demande etc...
- Les variables d’écart peuvent représenter, par exemple dans le problème de
l’agriculteur, l’excédent de chacune des ressources : terrain, eau, heures de
travail, bureau d’irrigation. Elles sont aussi dites variables de surplus.

Quand une variable d’écart est nulle, on dit que la contrainte correspondante est
saturée. Dans le problème de l’agriculteur les contraintes terrain et main
d’œuvre sont saturées. Elles sont dites aussi restrictives car une variation du
second membre (par exemple) engendre un changement dans la valeurs de la
solution optimale.

Toute contrainte non saturée à l’optimum n’est pas restrictive pour le problème,
c’est à dire qu’elle n’a aucune influence sur la solution considérée.

Définition: Coût marginal


Par définition, on appelle coût marginal d’un bien l’augmentation minimale de
dépenses, par rapport à la solution optimale, qui résulterait de l’utilisation d’une
unité supplémentaire de ce bien, lorsque le problème posé consiste à produire
des biens au moindre coût.
Si le problème posé consiste à transformer des biens pour vendre une production
avec un meilleur profit et l’augmentation maximale de revenu qui résulte de la
possibilité de disposer d’une unité supplémentaire de l’un des biens, est la valeur
marginale de ce bien. Très souvent, on emploie également dans ce cas le
qualificatif coût marginal.

Remarque : Les coûts marginaux sont donc les effets nets associés aux variables
d’écart, puisque ce sont ces variables qui déterminent les excédents (ou les
insuffisances) de biens.

Si une variable d’écart n’est pas nulle, dans la solution optimale, c’est que le
bien correspondant est déjà excédentaire. Par conséquent, le fait de disposer
d’une unité supplémentaire de ce bien n’aura aucune influence sur le revenu. On

49
dit alors que ce bien à une valeur marginale nulle, ou par extension, que la
variable d’écart associée à ce bien a une valeur marginale nulle.

Par contre, si une variable d’écart est nulle dans la solution optimale, c’est que le
bien correspondant est totalement utilisé. Par la suite une variation de la
disponibilité aura généralement une influence sur le revenu. C’est pourquoi cette
variable d’écart nulle dans la solution optimale à une valeur marginale non
nulle, et cette valeur marginale précise la variation de la fonction économique
résultant de l’utilisation d’une unité supplémentaire du bien associé.

Exemple : Dans le problème de l’agriculteur on a


• Le coût marginal lié à S1 est 200 3
⇒ Une augmentation de S1 d’une unité entraîne une diminution de 200 3 de la
valeur de la fonction économique.
• Le coût marginal lié à S 2 est 0 et à l'optimum S 2 =0
⇒ on a déjà 60 m 3 d’eau de plus donc si on ajoute 1m 3 ca ne va pas changer la
solution optimale ni la valeur de la fonction économique
Le système de contraintes dans le programme linéaire relatif au tableau de
simplexe optimal du problème de l’agriculteur est
 x1 + 4 3 S1 − 1 3 S 3 = 40
S − 14 3 S + 2 3 S = 60
 2 1 3

 x 2 − 1 3 S1 + 1 3 S 3 = 110

 S 4 − 4 3 S1 + 1 3 S 3 = 50
La fonction économique s’écrit
z = 100 x1 + 200 x 2
Si on exprime z en fonction de S1 et S3 (variables hors base) en utilisant le
système d’équation ci dessus on a
z = 100 ( − 4 3 S1 + 1 3 S 3 + 40 ) + 200 (1 3 S1 − 1 3 S 3 + 110 )
z = 26000 − 200 3 S1 −100 3 S 3

La valeur 26000 correspond à la valeur optimale de la fonction économique.


Si S1 = 1 alors un hectare de terrain de moins à utiliser, donc une réduction de
200 3 dinars de la valeur de la fonction objectif.

Si on ajoute 3 hectares de terrains ( S1 = −3) , avec l’hypothèse que les autres


quantités restent inchangées alors le revenu augmente de ( 200 3) ×3 = 200 dinars
On vérifie ceci, si on résout le programme linéaire
Max 100 x1 + 200 x 2
S.C x1 + x 2 ≤ 153
4 x1 + 2 x 2 ≤ 440
x1 + 4 x 2 ≤ 480
x1 ≤ 90

50
x1 ≥ 0
, x2 ≥ 0
On trouve que la valeur optimale va augmenter de 200 dinars est devient 26 200
dinars.

Exercice : Expliquer graphiquement que si on ajoute des m 3 d’eau, on aura


aucune amplification dans la fonction objectif.

Remarque : Dans le cas où on diminuerait 60 m 3 d’eau, la solution optimal


devient dégénérée.

Les valeurs marginales apportent donc des renseignements économiques


particulièrement intéressantes, mais il faut les utiliser avec prudence car leur
domaine de validité est limité.
Par exemple, si on ajoute 30 hectares de terrains aux 150 déjà disponibles dans
le problème de l’agriculteur, le revenu augmentera de ( 200 3) ×3 = 200 dinars .
Ceci n’est pas vrai, parce que si on résout le programme linéaire suivant :
Max 100 x1 + 200 x 2
S.C x1 + x 2 ≤ 180
4 x1 + 2 x 2 ≤ 440
x1 + 4 x 2 ≤ 480
x1 ≤ 90
x1 ≥ 0 , x 2 ≥ 0
La valeur optimale du programme linéaire ci-dessus est de 26 875,14 donc le
revenu n’a pas augmenté de 2000 dinars comme prévu.

II. Dualité
a. Définition
La forme d’un programme linéaire de type maximisation est
Max z = ct x
S.C Ax ≤ b ( PL 1)
x ≥0
avec x, b , c des vecteurs de dimensions respectives n, m et n , et A une
matrice de dimension ( m, n )

On appelle programme dual de ( PL 1) , le programme linéaire suivant :


Min w =bt y
S.C t
A.Y ≥ c
y ≥0
avec y un vecteur de dimension m et t A la transposée de la matrice A .
Le programme ( PL 1) est appelé programme Primal.
Pour passer du primal au dual, on remarque que :

51
a ) Les termes du second membre deviennent les coefficients de la fonction
objectif et réciproquement.
b ) Le problème de maximisation devient un problème de minimisation.
c ) Les inégalités " ≤ " deviennent des inégalités " ≥ "
d ) La matrice A se transforme en sa transposée.

Exemple : Le programme primal (problème de l’agriculteur) est


Max z = 100 x1 + 200 x 2
S.C x1 + x 2 ≤ 150
4 x1 + 2 x 2 ≤ 440
x1 + 4 x 2 ≤ 480
x1 ≤ 90
x1 ≥ 0 , x 2 ≥ 0

Donc le programme dual est


Min w = 150 y1 + 440 y 2 + 480 y 3 + 90 y 4
S.C y1 + 4 y 2 + y 3 + y 4 ≥ 100
y1 + 2 y 2 + 4 y 3 ≥ 200
y1 ≥ 0 , y2 ≥ 0

b. Propriétés et signification économique du programme dual


Pour expliquer la signification du problème dual on va se baser sur l’exemple de
l’agriculteur.
Supposons qu’un agriculteur (client) voudrait acheter la totalité de nos
ressources disponibles. Notre agriculteur acceptera certainement cette
proposition si le prix offert par ce client lui procure le même profit.

soit y1 le prix d'un hectare de terrain


y2 le prix d’un m 3 d’eau
y3 le prix d’une heure de main d’œuvre
y4 le prix de la permission de la culture d’un hectare de tomates.

Le problème du client consiste à minimiser les frais d’achat des ressources :


c’est à dire 150 y1 + 440 y 2 + 480 y 3 + 90 y 4 sous la contrainte que les prix satisfont
notre agriculteur.

Pour notre agriculteur un hectare de terrain 4m 3 d’eau, une heure de travail et


un hectare de permission du bureau est équivalent a un revenu de 100 dinars.
Tandis que, un hectare de terrain, 2m 3 d’eau et 4 heures de travail lui
engendrent un revenu de 200 dinars.

52
Il n’est prêt à vendre ses ressources que si y1 + 4 y 2 + y 3 + y 4 lui rapporte un
revenu supérieur ou égale à 100 DT et que si y1 + 2 y 2 + 4 y3 lui rapporte un
revenu supérieur ou égal à 200 DT.
Ainsi le problème du client est

Min 150 y1 + 440 y 2 + 480 y 3 + 90 y 4


S.C y1 + 4 y 2 + y 3 + y 4 ≥ 100
y1 + 2 y 2 + 4 y 3 ≥ 200
y1 ≥ 0 , y2 ≥ 0

Donc le problème du client peut être modélisé par le programme dual.

Le tableau de simplexe final du programme dual est :

150 440 480 90 0 0


y1 y2 y3 y4 L1 L2
480 y3 100/3 0 -2/3 1 -1/3 1/3 1/3
150 y1 200/3 1 14/3 0 4/3 -4/3 1/3
150 380 480 40 -40 -110
0 60 0 50 40 110

Avec L1 et L2, les variables d’écart à la 1ère et la 2ème contrainte du programme


dual.
On remarque que la solution optimale du dual peut être déduite du primal de la
manière suivante :
y1 = 200/3 ↔ C3 - z3 = - 200/3
y2 = 0 ↔ C2 - z4 = 0
y3 = 100/3 ↔ C5 - z5 = - 100/3
y4 = 0 ↔ C6 - z6 = 0
L1 = 0 ↔ C1 - z1 = 0
L2 = 0 ↔ C2 - z2 = 0
C1 - z1 = 0 ↔ S1 = 0
C2- z2 = 60 ↔ S2 = 60
C3- z3 = 0 ↔ S3 = 0
C4 - z4= 50 ↔ S4 = 50
C5 - z5= 40 ↔ x1 = 40
C6 - z6= 110 ↔ x2 = 110
w = 26000 ↔ z = 260000

On peut généraliser ce résultat dans le tableau suivant :

Primal (Max) Dual (Min)


53
Variables de décision variables d’écart
xj = 0 ⇒ Cj - zj < 0 Li = | Cj - zj | ≠ 0 ⇒ Cj - zj = 0
xj > 0 ⇒ Cj - zj = 0 Li = 0 ⇒ Cj - zj = xj
variables d’écart
Variables de décision
Sj = 0 ⇒ Cj - zj ≠ 0
Sj > 0 ⇒ Cj - zj = 0 yi = | Ci - zj | ≠ 0 ⇒ Cj - zj = 0
yi = 0 et Cj – zj = Sj

On remarque aussi qu’à l’optimum la valeur de la fonction objectif du dual est


égale à la valeur de la fonction objectif du primal.

Proposition : Le dual du programme dual est le programme primal.

c. Tableau de correspondance primal-dual

Max Min
- Matrice des contraintes (m, n) - Transposée de la matrice des
contraintes (n, m)
- Second membre des contraintes - Coefficient de la fonction objectif
- Coefficient de la fonction objectif - Second membre des contraintes
Nombre de contraintes Nombre de variables principales
i ème contrainte de type « ≤ » i ème variable de type « ≥ 0 »
i ème contrainte de type « ≥ » i ème variable de type « ≤ 0 »
i ème contrainte de type « = » i ème variable qcq « ∈IR »

Nombre de variables Nombre de contraintes


j ème variable « ≥ » j ème contrainte de type « ≥ »
j ème variable « ≤ » j ème contrainte de type « ≤ »
j ème variable qcq « ∈IR » i ème contrainte de type « = »

Exemples

Primal Dual
Max ½ x1 + x2 Min 3y1 + y2 + 2y3

54
S.c x1 + x2 ≤ 3 S.c y1 - y2 + y3 ≥ ½
- x1 + x2 ≤ 1 y1 + y2 ≥ 1
x1 ≤ 2 y1 ≥ 0, y2 ≥ 0, y3 ≥ 0
x1 ≥ 0, x2 ≥ 0
Min - x1 + x2 Max 2y1 - 2y2 + 5y3
S.c 2x1 - x2 ≥ 2 S.c 2y1 - y2 + y3 ≤ -1
- x1 + 2x2 ≥ -2 - y1 + 2y2 + y3 ≤ 1
x1 + x2 ≤ 5 y1 ≥ 0, y2 ≥ 0, y3 ≤ 0
x1 ≥ 0, x2 ≥ 0
Max 2x1 - x2 Min 3 y1+ 4 y2
S.c x1 - x2 = 3 S.c y1+ 2 y2 ≥ 2
x1 ≤ 4 - y1 ≥ -1
x1 ≥ 0, x2 ≥ 0 y1∈IR, y2 ≥ 0
Max 2x1 - x2 Min - 2y1 + 6y2 - 5y3
S.c x1 - 2x2 ≤ 2 S.c y1 + y2 = 2
x1 + x2 = 6 - 2y1 + y2+ y3 = -1
x2 ≤ 5 y1 ≥ 0, y2 ∈IR, y3 ≥ 0
x1∈IR, x2∈IR

III. Analyse de sensibilité


Définition: Une solution de base optimale est dite stable si l’ensemble des
variables de base à l’optimum ne changent pas, même si les valeurs de ces
variables de base sont modifiées.

Dans cette section on examinera la stabilité de la solution optimale d’un


programme linéaire suite à la variation de l’un des paramètres de ce programme.

On utilisera pour présenter l’analyse de sensibilité sur ces différents paramètres


du programme linéaire l’exemple de l’agriculteur.
Max 100x1 + 200x2
S.c x1 + x2 ≤ 150
4x1 + 2x2 ≤ 440
- x1 + 4x2 ≤ 480
x1 ≤ 90
x1 ≥ 0 , x2 ≥ 0

a. Analyse de sensibilité sur les Cj


On cherche à déterminer un intervalle dans lequel peut varier Cj sans que la
solution optimale ne change.

Considérons une variation du coefficient Cj de 100 à 100 + ∆


55
En remplaçant dans le tableau optimal 100 par 100 + ∆ , on obtient le tableau
suivant :

100+ 20 0 0 0 0
∆ 0
x1 x2 S1 S2 S3 S4
100+∆ x1 40 1 0 4/3 0 -1/3 0
0 S2 60 0 0 -14/3 1 2/3 0
200 x2 110 0 1 -1/3 0 1/3 0
0 S4 50 0 0 -4/3 0 1/3 1
100+ 20 (200+4∆ )/ 0 (100- 0
∆ 0 3 ∆ )/3
0 0 - 0 ∆ -100/3 0
(200+4∆ )/
3

La solution donnée par le tableau reste optimale si

 (2 + 4∆ 0) 0
 − 3 ≤ 0  −≤∆ 5 0
 ⇔  ⇔ − 5 ≤∆≤ 01 0 0
 −∆ 1 ≤ 00 0  ≤∆ 1 0 0
 3
Donc la solution optimale est stable et prend la même valeur (x1,x2)=(40,110)
tant que 50 ≤ C1 ≤ 200

Exercice : Supposons que le coefficient Cj d'une variable hors base dans la


solution optimale, est modifié. Dans quel intervalle, Cj peut-il varier sans que la
base optimale soit modifiée ?
(Aide : différencier le cas d’un programme de maximisation et le cas d’un
programme de minimisation).
Solution :
- ∞ < Cj ≤ zj cas d’un programme de maximisation
zj ≤ Cj < - ∞ cas d’un programme de minimisation

56
b. Analyse de sensibilité sur les bj
Déterminer l’intervalle pour lequel, la solution optimale reste stable, pour une
variation du second membre de la ième contrainte bi .
Considérons une variation de b1 de 150 à 150 + ∆ .
Sachant que dans le premier tableau de simplexe b1 n’est présent que dans la
première contrainte. On obtient ainsi une correspondance entre la colonne des
quantités Qi et la colonne de S1.

100 200 0 0 0 0
x1 x2 S1 S2 S3 S4
0 S1 150+1× 1 1 1 0 0 0

0 S2 440+0× 4 2 0 1 0 0

0 S2 480+0× 1 4 0 0 1 0

0 S4 90+0× ∆ 1 0 0 0 0 1
0+1× ∆ 0 0 0 0 0 0
100 100 0 0 0 0

Dans le tableau optimal, la colonne correspondant à S1 nous donne les


coefficients de ∆ dans la colonne des quantités.

100 200 0 0 0 0
x1 x2 S1 S2 S3 S4
100 x1 40+4/3∆ 1 0 4/3 0 -1/3 0
0 S2 60-14/3∆ 0 0 -14/3 1 2/3 0
200 x2 110-1/3∆ 0 1 -1/3 0 1/3 0
0 S4 50-4/3∆ 0 0 -4/3 0 1/3 1
26000+200∆ / 100 200 200/3 0 100/3 0
3
0 0 -200/3 0 -100/3 0
La base reste optimale tant que :

57
 4 + 4/03 ≥∆ 0  ∆ 1 −≥ 3 0
 6 − 1 0/3 4≥∆ 0  ∆ ≤ 9 /7 0
  1 ⇔ - 30 ≤ ∆ ≤ 90/7
 ⇔
 1 − 1/3 ≥∆ 0  ∆ 1 ≤ 3 3 0
 5 − 4/03 ≥∆ 0  ∆ 1 ≤ 7 / 2 5
Donc tant que 120 ≤ b1 ≤ 160,85 la base demeure la même et la solution
optimale est stable mais elle change en valeur (exemple: pour ∆ = 3 le vecteur
de solutions optimale est (x1,x2,S1,S2,S3,S4)=(44,109,0,46,0,46))

Remarque : D’après le résultat ci-dessus on peut conclure que le coût marginal


de 200/3 par hectare de la première ressource n’est valide que si la solution de
base demeure stable. Donc si et seulement si 120 ≤ b1 ≤ 160,85. Ceci est appelé
le domaine de validité du coût marginal.

Exercice 1:
Sans faire de calcul, de combien peut-on modifier la quantité de m3 d’eau sans
nuire à la solution optimale ? confirmez votre résultat a l'aide de la méthode
d'analyse de sensibilité exposé ci-dessus ?

Exercice 2 :
Déterminer l’intervalle dans lequel peut varier b1 et b3 (les ressources en surface
et en main d’œuvre) sans que la base optimale change.

Réponse 2 :

58
 4 + 4/03∆ 1 − 1/3∆ 2 ≥ 0  4∆ 1 ∆− 2 −≥ 1 2 0
 6 + 1 0/3∆ 4+ 2/3∆ ≥ 0  7∆ ∆+ ≤ 9 0
 1 2 12
 ⇔ 
 1 + 1/3∆ 1 + 10/3∆ 2 ≥ 0  ∆ 1 ∆− 2 ≤ 3 3 0
 5 + 4/03∆ 1 − 1/3∆ 2 ≥ 0  4∆ 1 ∆− 2 ≤ 1 5 0
Pour ∆ 1 = 0 (variation nulle de la surface en hectare), la solution optimale est
stable pour une variation ∆ 2 des ressources en main d’œuvre entre 570 et 730
heures (-150 ≤ ∆ 2 ≤ 90).
Le coût marginal de 100/3 par heure de main d’œuvre de la 3ème ressource n’est
valide que dans l’intervalle [570, 730].

c. Analyse de sensibilité sur les coefficients aij


Supposons que dans le problème de l’agriculteur, le nombre d’unités de la ième
ressources nécessaire pour produire une unité de produit j, soit (aij + δ ) ou lieu
de aij. Ainsi, on se pose la question si la solution optimale demeure stable suite à
un tel changement.

i) xj est une variable de base et la ième ressource est totalement utilisée.

Par exemple : x1 + (4+δ )x2 ≤ 480 ⇒ x1 + (4 + δ )x2 + S3 =


480
A l’optimum, la base est inchangée donc
x1* + (4 + ∂ ) x *2 + S*3 = 480
S*3 = 0, x1* ≥ 0, x *2 ≥ 0
• Si δ ≥ 0 , alors l’équation ne peut pas être satisfaite sinon S*3 < 0 puisque
x1* + 4 x *2 = 480 et ∂ x2* + S*3 = 0 , x *2 ≥ 0 .
• Si δ ≤ 0 , alors on a un excèdent de la 3ème ressource (S3 ≠ 0), ce qui nous
contraint à changer la base (la solution optimale n’est plus stable).

Conclusion: Dans le cas où xj est une variable de base optimale et la ième


ressource est totalement utilisée, il est impossible de modifier le
coefficient aij sans que la base dans la solution optimale ne change pas
(la solution optimale n'est pas satable).

ii) xj est une variable de base et la ième ressource n’est pas totalement utilisée.

59
Par exemple: (4 +δ ) x1 + 2x2 ≤ 440
⇒ (4 + δ )x1 +2x2 + S2 = 440
A l’optimum, la solution est inchangée donc
(4 + ∂ ) x1* + 2 x 2* + S * 2 = 440
S*2 = 60, x1* ≥ 0, x 2* ≥ 0

Pour que la base demeure toujours optimale il faut et il


suffit que

 ∂ x2* + S2* = 6 0
* 6 0
 * ⇒ 6 − ∂0 x2 ≥ 0 ⇒ ∂ ≤ * ⇒ δ ≤ 3/ 2
 S2 ≥ 0 x2
Conclusion: Dans le cas où xj serait une variable de base optimale et où la ième
ressource n’est pas totalement utilisée, il est possible de modifier le coefficient
S
− ∞ ≤ δ ij ≤ i
aij d’une valeur δ ij égale à x *j et la solution optimale demeure stable.
iii) Si xj est une variable hors base (xj = 0). Ceci implique qu’on ne va pas
produire le produit j
• Si δ ij ≥ 0, alors il est encore moins économique de fabriquer ce produit si le
coefficient technologique aij augmenterait de δ ij
• Si δ ij ≤ 0 , alors la fabrication du produit j peut devenir économique si on
utilise moins de ressources.

IV. Introduction d’une nouvelle activité


On sait déjà que la valeur optimale de la variable duale représentent les coûts
marginaux (d’opportunité) associés à l’utilisation de ressources limitées.
On peut également utiliser ces coûts marginaux pour évaluer des décision
concernant l’introduction de nouveaux produits ou de nouveaux procédés de
fabrication.

a. Introduction d’une nouvelle variable de décision


L’agriculteur prévoit de produire des pommes de terre. Un hectare de pomme de
terre demande 3 m3 d’eau et 2 heures de travail pour un revenu de C3 dinars.

La question est pour qu’elle valeur de C3, l’agriculteur a-t-il intérêt à introduire
cette nouvelle production ?

Sans résoudre le nouveau programme linéaire suivant:

60
Max 100x1 + 200x2 + C3x3
S.c x1 + x2 + x3 ≤ 150
4x1 + 2x2 +3x3 ≤ 440
x1 + 4x2 + 2x3 ≤ 480
x1 ≤ 90
x1, x2, x3 ≥ 0

On peut déterminer si l’agriculteur a un intérêt à introduire la production ou pas.


En d’autres termes, s’il n’a pas intérêt à le faire, la solution optimale du
programme linéaire ci-dessus donne x3 = 0. Ce qui revient à dire, que pour
l’agriculteur l’utilisation d’un hectare de terrain, de 3 mètres cube d’eau et de
deux heures de travail lui procurent plus de gain s’ils va les mettre au service de
la production de tomates et/ou de piments plutôt que dans la production de
pommes de terre. Ceci est équivalent au fait que la contrainte suivante:
y1* + 3 y 2* + 2 y 3* ≥ C 3 n’est pas satisfaite (avec y1* , y 2* et y 3* sont les prix minimaux des
ressources pour notre agriculteur).

Cette contrainte correspond à la 3ème contrainte du programme dual du


programme linéaire ci-dessus :
200 * 100
On a : y1* = ,y 2 = 0 et y *3 = , donc :
3 3
• Si C3 < 200/3, l’agriculteur n’a pas intérêt à introduire la nouvelle activité
• Si C3 > 200/3, l’agriculteur a intérêt à introduire cette nouvelle activité, la
solution optimale va changer et la valeur de la fonction objectif augmentera
• Si C3 = 200/3, l’agriculteur est indifférent envers l’introduction de cette
nouvelle activité.

b. Introduction d’une nouvelle contrainte


Si la solution optimale satisfait la nouvelle contrainte, le problème admettra la
même solution. Sinon l’introduction de cette contrainte va engendrer une
nouvelle solution optimale.

CHAPITRE 6

Logiciel pour la
résolution des
61
programmes
linéaires :
LINDO
(Linear INteractive and Discrete Optimizer)

I. Introduction
Lindo est un logiciel utilisé pour résoudre les modèles d’optimisation linéaires,
entiers et quadratiques. Une des caractéristiques de Lindo c’est qu’il offre des
outils qui peuvent aider à l’analyse des modèles en utilisant la méthode de
Simplexe.
On présente dans ce chapitre la version étudiant 6.0 (1997). Cette version résout
des problèmes de dimension maximale de 200 variables et de 100 contraintes.

II. Installation du Logiciel


Pour utiliser cette version de Lindo il est conseillé d’avoir au moins un
processeur 486 et 8Mo de mémoire RAM. Il faut aussi prévoir un espace disque
dur de 2Mo pour pouvoir l’installer.
Les étapes de l’installation sont :
1. Démarrer Windows.
2. Insérer le CD-ROM ou la disquette.
3. Cliquer sur l’icône Setup (install) dans votre explorateur de Windows
4. Suivre les instructions sur l’écran
Pour plus d’information sur ce logiciel visiter l’adresse web : www.lindo.com

III. Résolution d’un exemple


Dans cette section, et sur la base de l’exemple de l’agriculteur, on va focaliser
notre attention sur les opérations suivantes : introduire les données, résoudre le
problème, et analyser les résultats que donne LINDO.

a. Le problème de l’agriculteur
Le programme linéaire qui modélise le problème de l’agriculture est :

62
Max 100 x1 +200 x2
s.c. x1 +x2 ≤150
4 x1 +2 x2 ≤440
x1 +4 x2 ≤480
x1 ≤90
x1 ≥0, x2 ≥0

b. Introduction des données


Double cliquer sur l’icône «lindo 6.0 for Windows » de votre menu
démarrer/programmes. Le logiciel va s’exécuter et vous aurez cette fenêtre qui
s’affiche sur votre écran :

Dans tous les modèles de Lindo la fonction objectif est définie en première
ligne. Dans notre exemple la fonction objectif est :

M _ 1 _ x1_a0+ _2 _x02 0 0
Les tirés bas indique la présence d’un espace obligatoire entre les entrées pour
pouvoir les différentiées.
Il faut noter qu’on peut remplacer x1 et x2 par n’importe quel mot qui indique
ces deux variables, par exemple, on peut remplacer x1 par "tomates" et x2 par
"piments". Une autre caractéristique est que Lindo ne fait pas de différence
entre majuscule et minuscule. Pour lui la variable « TOMATE » est la même
que la variable « tomAtE ».
Pour commencer à écrire les contraintes, il faut introduire la mention « subject
to » ou tout simplement son abréviation « st ».
Dans notre exemple les contraintes sont :

63
s u b j e_ tcot
t e r r a xi1n_ +) _ x2_ < _ =1 5 0
e a u 4)_ x1 _ + _ 2 _ x2 _ < _ =4 4 0
M o x)1 _ + _ 4 _ x2 _ < _ =4 8 0
b u r e ax1u_)< _=9 0
On remarque qu’on peut appeler chaque contrainte par un nom nominatif que
Lindo va utiliser pour afficher les résultats.
L’écran qu’on obtient après avoir introduit les différents paramètres est le
suivant :

On n’a pas à ajouter les contraintes de non-négativité, Lindo suppose par défaut
que les variables de décision sont de types nonnégative.

c. Résolution du problème
Après avoir écrit convenablement le programme linéaire, on passe maintenant à
la résolution.

Pour résoudre notre programme il faut cliquer sur le bouton « » dans la


barre d’outils. Lindo va commencer ainsi à compiler le modèle. Si un message
d’erreur s’affiche c’est que le programme, par exemple, est non borné ou bien
non réalisable...
Lors de la compilation, on voit une barre qui montre le pourcentage de travail
effectué.

d. Interprétation des résultats


S’il n’y a pas d’erreur de formulation, Lindo va commencer à résoudre le
problème. Par défaut, il va vous demander si vous voulez faire une analyse de
sensibilité. Pour le moment on va répondre « Non ».
64
Avant que Lindo nous propose un premier rapport sur la solution optimale, il
nous donne l’état du problème exprimé par cette fenêtre :

Ce rapport préliminaire nous indique que :


a) Status : Optimal ; Il nous informe sur l’état de la solution actuelle. Elle peut
être Optimal (optimale), Feasible (réalisable), Infeasible (non réalisable) ou
Unbounded (non bornée).
b) Iterations : 2 ; Il indique le nombre d’itérations nécessaire pour résoudre le
problème (en utilisant la version révisée de la méthode de Simplexe).
c) Infeasibility : 0 ; Ceci indique la quantité de violation dans les contraintes.
d) Objective : 26000 ; C’est la valeur de fonction objectif relative à la solution
actuelle.
e) Best IP : N/A ; C’est la meilleure valeur de la fonction objectif. Ceci n’est
vrai que pour les problèmes de type entier.
f) IP Bound : N/A ; C’est la borne de la fonction objectif pour cette solution.
Ceci n’est vrai que pour les problèmes de type entier.
g) Branches : N/A ; C’est le nombre de variables entiers « branched on » par
Lindo. Ceci n’est vrai que pour les programmes de type entier.
h) Elapsed Time : 00 :06 :45 ; C’est le temps écoulé avant que le résolveur ne
soit invoqué (ce temps est variable même pour le même exemple).

Si on ferme cette fenêtre, on remarque qu’un autre rapport s’affiche. Ce rapport


contient des informations sur la solution optimale.

65
Dans le tableau ci-dessus s’affichent dans la première colonne les différentes
variables de décision et aussi les variables d’écart relatives à chaque contrainte
du programme. Leurs valeurs sont données dans la deuxième colonne. On
vérifie bien que la solution optimale coïncide avec la solution déjà retrouvée
dans les précédants chapitres. La troisième colonne représente les valeurs nettes,
i.e. c j −z j . Pour les variable d’ecart c’est les prix duals.

III. Les commandes de Lindo


Dans cette section, on décrit brièvement les différentes commandes présentes
dans le logiciel Lindo.
Dans l’environnement Windows, Lindo divise ces commandes en six catégories.

1. File

a) New : Créer un nouveau document.

66
b) Open : Ouvrir un document existant et le placer dans une fenêtre d’édition
(cette fenêtre a une capacité maximale de 64000 caractères).
c) View : Ouvrir un document existant dans une fenêtre de vision (view
window). Ce genre de fenêtre permet d’importer des programmes à plus de
64000 caractères de votre éditeur (tels que Word). Quelques opérations ne
sont pas autorisées dans un view window tels que : couper, copier, coller,
effacer…
d) Save : Enregistrer. Le format par défaut est le *.ltx, et c’est le format texte de
Lindo.
e) Save as : Enregistrer sous. D’autres formats sont présents tels que le *.lpk
(c’est un format compressé qui ne peut être lu par aucun autre éditeur autre
que celui de Lindo) ou le *.mps (malgré qu’il n’accepte pas les commentaires
dans le rapport, ce format est utilisé par d’autres logiciels)
f) Close : fermé.
g) Print : Imprimé.
h) Priter setup : propriétés de l’imprimante.
i) Log Output : Pour ouvrir ou fermer des log file utilisés pour enregistrer les
résultats de votre session.
j) Take Commands : Pour exécuter des macros.
k) Basis Read : Pour charger du disque une solution de base pour le modèle
actif.
l) Basis Save : Enregistrer sur le disque la solution de base du modèle actif.
m) Title : Afficher le nom pour le modèle actif.
n) Date : Afficher la date.
o) Elapsed Time : Afficher le temps écoulé depuis le commencement de la
session.
p) Exit : Quitter Lindo.

2. Edition

67
a) Undo :Annuler la dernière opération.
b) Cut : Couper
c) Copy : Copier
d) Paste : Coller
e) Clear : Effacer
f) Find /Replace : Rechercher/Remplacer
g) Options : Utiliser pour modifier les paramètres par défaut du système.

h) Go to Line : aller à la ligne numéro .. de la fenêtre active.


i) Paste Symbol : Elle affiche une fenêtre de dialogue qui contient les syntaxes,
les variables et les noms des lignes réservés par Lindo. On peut utiliser cette
commande pour ajouter des contraintes supplémentaires au modèle.

j) Select All : Sélectionner Tout


k) Clear All : Effacer tout
l) Choose New Font : Choisir les polices dans la fenêtre active.

68
3. Solve

a) Solve : Résoudre le modèle dont la fenêtre est active


b) Compile Model : Compiler (sans résoudre) le modèle dont la fenêtre est
active
c) Debug : Débugger le modèle dont la fenêtre est active, s’il est non réalisable
ou non borné. Dans le cas d’un problème non réalisable, la commande Debug
détecte l’ensemble des contraintes (sufficient set), dont l’élimination est
suffisante pour garantir une solution optimale. Et il détermine aussi un
ensemble de contraintes (necessary set), dont la modification entraîne
nécessairement un modèle réalisable. Dans le cas d’un problème non borné,
la commande Debug détecte l’ensemble des variables de décision (sufficient
set), dont la fixation de leurs valeurs est suffisante pour garantir une solution
optimale. Et il détermine aussi un ensemble de variables de décision
(necessary set), dont la modification entraîne nécessairement un modèle
borné.
d) Pivot : Une des opérations fondamentales dans la méthode de Simplexe est
l’opération pivot, qui correspond à une itération du simplexe. Lindo nous
donne la possibilité de choisir nous même les variables entrantes et sortantes
et nous permet ainsi de résoudre le programme itération par itération.
Exemple : Essayons de résoudre le problème de l’agriculteur en utilisant la
commande « Pivot ».
La variable entrante dans le premier tableau de Simplexe est X2 et la variable
sortante est la variable d’écart de la contrainte dans la 4ième ligne.

Le rapport suivant s’affiche :

69
Donc cette itération a fait passer la valeur de la fonction objectif à 24000.
Pour pouvoir choisir les variables entrantes et sortantes on peut afficher le
tableau de Simplexe relatif à la dernière itération en utilisant la commande
« Tableau » dans le menu « Reports ». On obtient :

D’après le tableau ci-dessus, la variable entrante est X1 et la variable sortante est


SLK 2.
On obtient ainsi le résultat suivant :

La valeur de la fonction objectif est optimale et on peut vérifier que le tableau de


simplexe relatif à cette dernière itération est optimal :

70
e) Preemptive Goal : Cette commande peut résoudre un problème à objectif
multiples en adoptant une manière lexicographique. Ainsi on optimise le
premier objectif puis le second sous une contrainte supplémentaire que le
premier est égale à la valeur optimale déjà trouvée. Plus précisément,
supposons que l’agriculteur peut acheter des ressources supplémentaires avec
un prix de 40 dinars pour un hectare de terrain(Y1), 10 dinars le m3 d’eau
(Y2) et 8 dinars l’heure supplémentaire de main d’œuvre (Y3). Les quantités
disponibles sur le marché respectivement pour Y1, Y2 et Y3 sont de 10
hectares de terrain, 5 m3 d’eau et 4 heures de main d’œuvre. On appelle G le
gain issu de la culture et D les dépenses d’achat des ressources
supplémentaires. Le programme peut s’écrire sous cette forme :

La résolution avec la commande « Preemptive Goal » nous donne les résultats


suivants :

71
4. Reports

a) Solution : Elle donne un rapport de résolution standard avec ou sans les


variables non nulles.

72
b) Range : Cette commande donne la marge de variation des coefficients de la
fonction objectif et du second membre sans que la base dans la solution optimale
ne change. Pour l’exemple de l’agriculteur, cette commande donne les résultats
suivants :

c) Parametrics : Cette commande permet de faire une analyse paramétrique du


second membre des contraintes. Par exemple, après avoir résolu le problème de
l’agriculteur, on aimerait avoir une idée sur la variation de la valeur de la
fonction objectif suite à une variation entre 150 à 300 hectares de la surface de
terrain disponible. En utilisant cette commande, une fenêtre de dialogue s’ouvre.
On fait entrer le numéro de la contrainte à étudier (2) ainsi que la variation du
second membre (300). On peut aussi choisir le type de rapport de résultat. Dans
notre cas, le choix s'est porté sur un graphique à deux dimensions.

Le rapport qu’on obtient est le suivant :

73
d) Statistics : Cette commande affiche des statistiques relatives au problème
actif dans la fenêtre du rapport tel que le nombre de variables de décision, le
nombre de lignes…

e) Pereuse : Cette commande est utilisée pour générer un rapport sous forme de
texte ou de graphique (en 2D ou en 3D) relatif aux résultats du problème actif.
Le menu associé à cette commande est le suivant :

On a choisi ici d’avoir un rapport graphique sur les valeurs des variables de
décision ainsi sur les variables duales qui leurs sont associées dans le problème
de l’agriculteur. Le résultat est le tableau suivant :

74
f) Picture : Cette commande permet de créer un texte ou une figure qui illustre
les différents paramètres du problème. La fenêtre de dialogue associée à cette
commande est la suivante :

Le résultat obtenu pour le problème de l’agriculteur est le suivant :

g) Basis Picture : Cette commande affiche dans la fenêtre rapport une figure
qui représente la matrice de base actuelle (relatif à la solution trouvée en
exécutant la commande solve du même menu). Le rapport qu’on obtient en
exécutant cette commande pour le problème de l’agriculteur est :

h) Tableau : Cette commande affiche le tableau de Simplexe relatif à la solution


en cours. Si la solution est optimale, cette commande permet d’avoir le
tableau de Simplexe optimal. Dans le problème de l’agriculteur le tableau de
Simplexe optimal obtenu en utilisant cette commande est :

75
i) Formulation : Elle permet de visualiser un élément sélectionné (des lignes)
ou tout le problème dans la fenêtre rapport.
j) Show Column : Cette commande vient s’ajouter à la commande formulation,
elle nous permet de visualiser des colonnes (choix relatifs aux variables de
décision) dans la fenêtre du rapport.
k) Positive Definite : Cette commande est utilisée pour les problèmes
quadratiques pour s’assurer que la valeur optimale est globale.

5. Window

a) Open Command Window : Cette commande ouvre une fenêtre de dialogue


qui sert à éditer des macros pour Lindo.

b) Open Status Window : Cette commande ouvre la fenêtre de dialogue qui


affiche l’état du programme Lindo (Lindo Solver Status).
c) Send to Back : Cette commande est utilisée pour balancer les fenêtres en
arrière plan.

d) Cascade : Cette commande arrange les fenêtres qui s’affichent sur l’écran
sous une forme dite cascade.

e) Title : Cette commande arrange les fenêtres de manière à redimensionner ces


fenêtres et les afficher horizontalement ou verticalement selon votre choix.

f) Close All : Cette commande permet de fermer toutes les fenêtres actives.

76
g) Arrange Icons : Cette commande permet d’arranger les fenêtres réduites sous
forme d’icône.

6. Help

a) Contents : Cette commande ouvre la fenêtre d’aide de Lindo

b) Search for Help On… : Cette commande permet la recherche rapide par
mots clés.

c) How to Use Help : Cette commande affiche un menu qui informe sur la
manière dont on peut utiliser le menu Help.

d) About LINDO… : Cette commande affiche quelques informations


concernant la version du logiciel Lindo utilisé.

VI. Programmation à nombres entiers

On peut utiliser Lindo pour résoudre des problèmes en nombres entiers. Il suffit
de mentionner que les variables du problème sont de type entier.
On va supposer ici que dans le problème de l’agriculteur les variables de
décision X1 et X2 sont de type entier. On sait déjà que la solution optimale va
demeurer inchangée puisque les valeurs de ces variables à l’optimum sont des
entiers.

Pour utiliser Lindo, il faut procéder comme avant :


1/ On fait entrer la fonction objectif
2/ Commencer à écrire les contraintes après avoir introduit la mention « Subject
to »
Après avoir terminer l’édition des contraintes il faut ajouter la commande
« END », qui indique que l’édition des contraintes est terminée. Ainsi on peut
définir la nature des variables de décision.

Pour dire qu’une variable X est de type

77
a) Entiers (X∈IN), on écrit : « GIN _ X »

b) Binaire (X={0,1}), on écrit : « INT _ X »

c) Non bornée (X∈IR), on écrit : « FREE _ X »

Pour le problème de l’agriculteur à variables entiers on écrit :

La résolution de ce problème donne le résultat suivant :

Exercices

A) Essayer de résoudre tous les exercices de la série 1 en utilisant le Logiciel


Lindo.
B) Problèmes de transport : Une entreprise approvisionne 4 de ces clients à
partir de 3 différents dépôts. Le chef de cette entreprise veut minimiser le
coût unitaire par unité transportée. Le tableau suivant présente toutes les
données :

78
Coût unitaire Client 1 Client 2 Client 3 Client 4 Capacité du
dépôt
Dépôt 1 6 2 6 7 30
Dépôt 2 4 9 5 3 25
Dépôt 3 8 8 1 5 21
Demande du 15 17 22 12
client

79
CHAPITRE 7

Introduction à la
Programmation
Dynamique
I. Introduction
La programmation dynamique est une technique mathématique qui a pour objet
d’aider à prendre des décisions séquentielles indépendantes les unes des autres.
Contrairement à la programmation linéaire, il n’y a pas un formalisme
mathématique standard. C’est une approche de résolution où les équations
doivent être spécifiées selon le problème à résoudre.
Notre exposé se base essentiellement sur de nombreux exemples qui illustrent
cette technique.

II. Exemple prototype. Le problème du voyageur

7 5
2 1
4 4
2 5 8 3
3 6
4 6 10
1 3 2
4 3

3 3 9 4
4 1 2
3
4 7
5

Un postier décide d’effectuer un voyage entre différentes villes qu’il ne connaît


pas. Son but est de choisir le chemin le moins dangereux. Pour choisir son
chemin, il s’informe auprès des assurances sur les différentes valeurs des polices
d’assurance de vie entre les différentes routes possibles du voyage.
Le trajet du postier est composé de 4 étapes (voir figure) et il doit arriver à la
ville numérotée 10 en partant de la ville numérotée 1. Les autres numéros
représentent les villes susceptibles d’être traversées. Les arcs entre ces nœuds

80
représentent les différents trajets possibles et les valeurs cij au-dessus des arcs
représentent le prix de la police d’assurance vie relatif au trajet décrit par l’arc.
Le chemin le moins dangereux est celui qui admet la plus petite valeur de la
police d’assurance vie

Exemple : Si le voyageur empreinte le trajet 1→ 2→ 6→ 9→ 10 , le coût total de


la police d’assurance est 13

Soit xn (n=1, ..., 4) les variables de décisions relatives à chacune des 4 étapes. Le
chemin à suivre par le voyageur est 1→ x1→ x2→ x3→ x4 avec x4 = 10.
Soit fn (S, xn) le coût total de la police d’assurance vie pour le reste des étapes
sachant que nous somme à l’état S de l’étape n et que la destination choisie est
xn.

Etant donné S et n, soit xn* la valeur de xn qui minimise fn (S, xn) et soit f n* (S) la
valeur minimale de fn (S, xn). ( f n* (S)= fn (S, xn* )).
L’approche de la programmation dynamique repose sur l’idée qu’un chemin ne
peut être optimal que si chacune des ses composantes est elle même optimale.
La démarche de la programmation dynamique consiste à étudier d’abord les
sous problèmes qui se situent chronologiquement les derniers et sur un principe
de retour en arrière.

L’objectif est donc de trouver la valeur de f1* (1). Pour l’avoir, la


programmation dynamique va essayer d’évaluer avec une procédure de chaînage
en arrière f 4* (s), f3* (s), f 2* (s) et enfin f1* (1).

A chaque étape, on va essayer d’évaluer pour chaque état s, la valeur de f (S, xn)
pour chaque destination xn possible, puis de retrouver la meilleure destination
*
xn (celle qui correspond au plus petit coût f(S, xn)) et aussi la valeur de f n* (s).
Etape 4

x4 f4(S, x4)) f 4* (s), x*


4
S
8 3 3 10
9 4 4 10

Etape 3

81
f3(S, x3)=Csx3+ f 4* (x3)

x3 8 9 f 3* (s), *
x3
S
5 4(=1+3) 8(=4+4) 4 8
6 9 7 7 9
7 6 7 6 8
Etape 2
f2(S, x2)=Csx2+ f 3* (x2)

x2 5 6 7 f 2* (s) x1*
S
2 11 11 12 11 5 ou 6
3 7 9 10 7 5
4 8 8 11 8 5 ou 6
Etape 1
f1(S, x1)=Csx1+ f 2*
( x1)
x1 2 3 4 f1* (1) x1*
S
1 13 11 112 11 3 ou 4

La valeur de f1* (1) = 11 représente le coût total minimal de la police


d’assurance vie. Le chemin optimal n’est unique puisque dès le départ on peut
choisir x1* = 3 ou 4, donc l’ensemble de ces chemins est:
1 →3 → 5 → 8 → 10
1 →4 → 5 → 8 → 10
1 →4 → 6 → 9 → 10

Exercice 1 : (Problèmes de transport)


Modéliser le problème de plus court chemin en utilisant la programmation
linéaire ?
(Aide: Utiliser des variables du type binaires xi=0 ou 1)

82
III. Caractéristiques d’un problème de programmation
dynamique
Nous allons maintenant sur la base de l’exemple précédant analyser les
propriétés communes aux problèmes de programmation dynamique.

(i) Le problème peut être décomposé en étapes et une décision doit être prise à
chaque étape.
Le dernier exemple est devisé en 4 étapes où à chaque étape, la décision à
prendre est celle de la destination à choisir. Ces décisions sont interdépendantes
et séquentielles.

(ii) A chaque étape correspond un certain nombre d’états. Dans l’exemple du


voyageur, les états à chaque étapes sont représentés par les villes que le
voyageur visité. Le nombre de ces états dans l’exemple est fini. Dans ce qui suit
en étudiera des problèmes où le nombre d’états est infinie (xn∈ IN) ou continue
(xn∈ IR)

(iii) A chaque étape, la décision prise transforme l’état actuel en un état associé
à l’étape suivante (dans certains cas avec une distribution de probabilité).

Dans notre exemple, se trouvant à une ville donnée, le voyageur décide de se


rendre à une autre ville qui est un état de l’étape suivante.

(iv) Etant donné un état, une stratégie optimale pour les étapes restantes est
indépendante des décisions prises au étapes précédentes.

Si le voyageur est dans un état quelconque de l’étape i, le chemin optimal entre


cet état et l’état 10 sera indépendant de la façon dont il y est arrivé. En d’autres
termes, l’état actuel contient toute l’information nécessaire aux décisions
futures. Cette propriété est dite principe d’optimalité.

(v) L’algorithme de recherche de la solution optimale commence par trouver la


stratégie optimale pour tous les états de la dernière étape.

(vi) Une relation de récurrence identifie la stratégie optimale dans chaque état de
l’étape n à partir de la stratégie optimale dans chaque état de l’étape n+1.

83
Dans notre exemple la relation est f n* (S)= Mxin
n
{Csxn + f n*+1 (xn)}
La stratégie optimale étant donné que nous sommes à l’état S de l’étape n,
nécessite de retrouver la valeur de xn qui minimise l’expression ci-dessus.

Max Min
La relation de récurrence à toujours cette forme f n* (S)= xn ou xn
{fn(S,xn)},
avec fn(S,xn) est une expression en fonction de S, xn et f n*+1 (-)

(vii) Utilisant cette relation de récurrence, l’algorithme procède à reculons étape


par étape. Il détermine la stratégie optimale pour chaque état de chaque étape.

Dans tout problème de programmation dynamique, on peut construire à chaque


étape un tableau analogue au suivant.

Etape n
fn(S, x1)

X1 états n+1 f n* (s) *


xn
S
états n le coût ou la La longueur du Le meilleur
distance chemin optimal à état de l’étape
partir de S n+1 le long du
jusqu’à l’état final chemin
optimal final

IV. Programmation dynamique déterministe


a. Introduction
Dans cette section on s’intéresse au problème dit déterministe, où la
connaissance de l’état et de la décision à prendre suffisent pour savoir l’état à
l’étape suivante.
Un problème dynamique déterministe est caractérisé par la détermination de la
fonction objective. Cette fonction peut être le minimum de la somme de la
contribution induite par le passage d’un état à un autre, ou le maximum d’une
telle somme, ou le minimum du produit de ces termes… etc.

84
Il faut aussi déterminer la nature de l’ensemble des états dans chacune des
étapes. Ces états Sn peuvent être représentés par des variables discrètes ou par
des variables continues ou dans certains cas par un vecteur .

étape n étape n+1

Sn contribution de xn Sn+1

La structure de base d’un problème dynamique déterministe

b. Problème du type plus court chemin

Quel est le plus court chemin de A à B ?

Solution:
On considère l'ensemble des états les point d'intersection sur les diagonales.
Ainsi on a exactement 8 étapes.
fn(S, xn) = Csxn + fn+1 (xn), n=1,...., 8
avec f*n+1 (s) = Mxin
n
fn(S, xn) et f9 (S) = 0

85
Etape 8
f8(S, B)

x8 B f8* (S) x*
N
S
1 3 3 B
2 2 2 B
Etape 7
f7(S, x7) = Csx7+ f8( x7)

x7 1 2 f 7* (s) *
x7
S
1 7 - 7 1
2 5 6 5 1
3 - 6 6 2
Etape 6
f6(S, x6) = Csx6+ f7( x7)

x6 1 2 3 f 6* (s) *
x6
S
1 12 - - 12 1
2 9 8 - 8 2
3 - 7 11 7 2
4 - - 7 7 3

Etape 5
f5(s, x5) = Csx5+ f 6*
(x6)
x5 1 2 3 4 f 5* (s) *
x5
S
1 16 - - - 16 1
2 16 11 - - 11 2
3 - 12 8 - 8 3
4 - - 10 11 10 3
5 - - - 15 15 4

86
Etape 4
f4(s, x4) = Csx4+ f5*
(x4)
x4 1 2 3 4 5 f 4* (s) *
x4
S
1 20 16 - - - 16 2
2 - 14 10 - - 10 3
3 - - 11 11 - 11 3,4
4 - - - 16 20 16 4

Etape 3
f3(s, x3) = Csx3+ f 4*
(x3)
x3 1 2 3 4 f 3* (s) *
x3
S
1 12 12 - - 12 2
2 - 12 16 - 12 2
3 - - 13 17 13 3

Etape 2
f2(s, x2) = Csx2+ f3*
(x3)
x2 1 2 3 f 2* (s) *
x2
S
1 15 15 - 15 1,2
2 2 16 14 14 3

Etape 1
f1(s, x1) = Csx1+ f 2* (x1)

x1 1 2 f1* (s) x1*


S
A 20 18 18 2

87
On peut résumer les résultats de la façon suivante:

Etapes 1 2 3 4 5 6 7 8 9
Chemin optimal 1 A 2 3 3 3 3 2 1 B
Chemin optimal 2 A 2 3 3 4 3 2 1 B

La longueur du chemin optimal (1 ou 2) est égale à 18.

c. Répartition optimale des moyens


Un projet du gouvernement est étudié par 3 groupes de chercheurs. La
probabilité que chacun de ces groupes 1, 2 et 3, n’arrive pas à terminer le projet
est respectivement: 0,4; 0,6 et 0,8.
Si on ajoute à ces groupes deux nouveaux chercheurs, les probabilités d’échec
sont donné par ce tableau

Probabilité d’échec
Nbre de nouveaux chercheurs Groupes
1 2 3
0 0,4 0,6 0,8
1 0,2 0,4 0,5
2 0,15 0,2 0,3

Le problème est de déterminer l’allocation optimale de ces deux chercheurs afin


de minimiser la probabilité que les groupes de recherche échouent dans leur
travail.

Solution:
• Etapes: 3 étapes ou les états représentent le nombre de chercheurs
disponibles
• Variable de décision: xn représente le nombre de chercheurs à allouer à
l’équipe de recherche n, n = 1, 2, 3.
• Contribution de la décision xn est la probabilité que l’équipe n échoue après
avoir eu xn chercheur de plus
• f n* (S) c’est la probabilité minimale que les groupes n,..., 3 échouent dans
Min
leurs recherches : f n* (S) = x n ≤ S fn(S, xn) n = 1, 2, 3
avec fn(S, xn) = pn(xn) × f n*+1 (S, xn), pn(xn) est la contribution de la décision
xn et f 3* (s) =1.

étape n étape n+1


S S- xn

88
pn(xn)

fn(S, xn) = pn(xn) f n*+1 (S- xn)

Etape 3
f3(S, x3) = p3(x3)

x3 0 1 2 f 3* (S) *
x3
S
0 0,8 - - 0,8 0
1 0,8 0,5 - 0,5 1
2 0,8 0,5 0,3 0,3 2

Etape 2

f2(S, x2) = p2(x2) f 3* (x3)

x2 0 1 2 f 2* (S) *
x2
S
0 0,48 - - 0,48 0
1 0,3 0,32 - 0,3 0
2 0,18 0,2 0,16 0,16 2

Etape 1
f1(S, x1) = p1(x1) f 2* (x1)

x1 0 1 2 f1* (S) x1*


S
2 0,064 0,06 0,072 0,06 1

La stratégie optimale est x1* = 1, x2* = 0 et x3* = 1.


La probabilité d’échec des trois groupes de recherche est de 0,06.

Exercice 2 : (Problème de gestion des Stocks)

89
Un magasin vend des chaussures de Ski. Par expérience, la période de vente de
ces chaussures dure 6 mois, du 1er Octobre jusqu’au 31 Mars.
Les prévisions de vente sont données par le tableau suivant:

Mois Demande
Octobre 40
Novembre 20
Décembre 30
Janvier 40
Février 30
Mars 20
Le magasin achète ces chaussures par lots de 10, 20, 30, 40 ou 50 paires avec un coût de 4$ par paire et des réductions sur les prix d’achat.

Quantité Solde
10 4%
20 5%
30 10%
40 20%
50 25%

Le coût de lancement d’une commande d’approvisionnement est fixe, et est de


2$. En plus un coût supplémentaire pour chaque ordre est de 8$ (coût de
transport des chaussures au magasin).

Le stock du magasin ne peut pas dépasser le nombre de 40 paires de chaussures


par mois.
Une paire qui reste en stock à la fin du mois engendre un coût de 0,2$ par paire
par mois.

Après 6 mois le magasin doit vendre toutes ces chaussures est le niveau des
stocks doit être nul. Sous l’hypothèse que la demande est fixe et uniforme
pendant chaque mois, retrouver la stratégie qui minimise le coût total des stocks.

Solution:
Les étapes représentent le début de chaque mois et les états le nombre de paires
de chaussures en stock.
ème
• Dn: demande à la n étape
ème
• xn: la commande au debut de la n étape
• φ (xn) = 10 + Cn× xn avec Cn le coût d'achat.
Min
• Pour n = 1,...,5, f n (S)= D − S ≤ x {φ (xn) +0,2(S+xn-Dn)+ f n +1 (S+xn-Dn)}
* *
n n

avec f 7* (S)=0

90
Etape 6
A la dernière étape le stock restant est nulle donc les états possibles de
cette étape sont 0, 10, 20.

x6 f 6* (s) x6*
S6
0 86 20
10 84 10
20 0 0
Etape 5
S6 = S5 + x5 – 30
f5(s, x5)= φ (x5) +0,2(S+x5-30)+ f 6* (S+x5-30)

f5(s, x5)
x5 0 10 20 30 100 50 f 5* (s x5*
S5 )
0 - - - 204 188 164 164 50
10 - - 172 168 142 - 142 40
20 - 134 136 122 - - 122 30
30 86 98 90 - - - 86 0
40 50 52 - - - - 50 0

Etape 4
S5 = S4 + x4 - 40
f4(s, x4)= φ (x4)+0,2(S+x5-30)+ f 6* (S+x5-30)
f4(s, x4)
x4 0 10 20 30 40 50 f 4* (s *
x4
S4 )
0 - - - - 302 304 302 40
10 - - - 282 282 286 282 30,40
20 - - 250 262 264 252 250 20
30 - 212 230 244 230 218 218 10
40 164 192 212 210 196 - 164 0
Etape 3
S4 = S3 + x3 - 30

f3(s, x3)= φ (x3)+2/3+1/3-30) f 4


*

(s4)

91
x3 0 10 20 30 40 50 f 3* (s x3*
S )
0 - - - 420 422 414 414 50
10 - - 388 402 392 384 384 50
20 - 350 370 372 362 323 323 50
30 302 332 340 342 310 - 302 0
40 284 302 310 290 - - 284 0

Etape 2
S3 = S2 + x3 - 20

f2(s, x2)= φ (x2)+0,2+ (S2 + x2-20) f 3


*

(s3)
0 10 20 30 40 50 f 2* (s) x2*
x2

S
0 - - 500 504 474 467 468 50
10 - 462 472 454 446 452 446 40
20 414 434 422 426 430 - 414 0
30 386 384 394 410 - - 384 10
40 336 356 378 - - - 336 0
Etape 1
S2 = S1 + x1 – 40

f1(s, x1)= φ (x1)+0,2+ (S1 + x1-40) f 2*


(s2)
x1 0 10 20 30 40 50 f1* (s x1*
S )
0 - - - - 606 608 606 40

la politique optimale est 40, 50, 0, 40, 50, 0. Le coût est 606.

d. Résolution d'un programme linéaire


La programmation linéaire peut être utiliser pour résoudre des programmes
linéaires de petite taille. On se limite ici à des programmes linéaires du type
entiers.
Considérons le programme linéaire suivant
Max 3x1 + 5x2

92
S.c 3 x1 + 2 x2 ≤ 9
4 x1 + 5 x2 ≤ 11
x1 ∈ IN , x2 ∈ IN

La décision à prendre est de déterminer les valeurs de x1 et x2. On peut assimiler


le problème à un programme dynamique à deux étapes, où dans un premier
temps, on doit déterminer la valeur de x1, et dans un deuxième temps la valeur
de x2. Reste à savoir quels sont les états relatifs à chaque étape ?
Ces états doivent fournir l'information nécessaire pour aider à choisir notre
décision.
Une simple réflexion nous amène à considérer, le nombre de ressources non
utilisées dans les contraintes, comme étant des états possibles.
Un état est décrit par un vecteur (R1,R2), où R1 et R2 sont respectivement les
ressources non utilisées dans la première et la deuxième contrainte.
A l'étape 1, l'unique état possible est S=(9,11).
La structure de base du problème est

étape n étape n+1


(R1,R2) (R1- a1n xn , R2- a2nxn )
cn xn

fn((R1,R2), xn) = cn xn + f n*+1 ((R1- a1n xn , R2- a2nxn ))

M ax
R1
xn ≤
avec f n* (R1,R2) = a1n { fn((R1,R2), xn)} pour n=1,2 et f 3* (R1,R2)=0
R
xn ≤ 2
a2n

Etape 2
A l'étape 2, si on considère toutes les combinaisons possibles des valeurs de R1
et R2 alors on aura à considérer un nombre d'état total égale à 99 états. Or tous
ces états ne sont pas réalisables dans le sens qu'on n'aura jamais par exemple
dans l'étape 2 l'état (10,8). Ainsi, pour déterminer l'ensemble des états
réalisables dans la deuxième étape, il suffit de considérer toutes les valeurs
possibles de x1 (0,1 et 2), et avoir par conséquence les états suivant: (9,11), (6,7)
et (3,3).

f2((R1,R2), x2) = 5 x2
0 1 2 f 2* (s) x2*
x2

93
S
9,11 0 5 10 10 2
6,7 0 5 - 5 1
3,3 0 - - 0 0
Etape 1
On a : f1((R1,R2), x1) == 3 x1 + f 2* ((R1- 3 x1 , R2- 4 x1 ))

f1((R1,R2), x1)
x1 0 1 2 f1* (s) x1*
S
9,11 10 3+5=8 6 10 0

La solution optimale est (x1,x2)=(0,2) et la valeur de la fonction objectif est égale


à 10.

Exercice 3: Résoudre les programmes linéaires suivants en utilisant la technique


de la programmation dynamique:

• Max 4x1 + 5x2


S.c 8 x1 + 5 x2 ≤ 24
2 x1 + 5 x2 ≤ 13
x1 ∈ IN , x2 ∈ IN
La solution optimale est (x1,x2)=(1,2).
• Max x1 + 2 x2 + x3
S.c 3 x1 + 2 x2 ≤ 5
3 x2 + 2 x3 ≤ 7
x1 ∈ IN , x2 ∈ IN , x3 ∈ IN
La solution optimale est (x1,x2,x3)=(1,1,2).

94

Anda mungkin juga menyukai