Cours

Recherche
Opérationnelle
(Chapitre Introductif)
(Chapitre Introductif)
Nada Ben Elhadj
Définition:
• La recherche opérationnelle (R.O) est une

p
discipline scientifique
q q qui utilise des modèles
mathématiques, statistiques et algorithmiques
pour la résolution de problèmes de gestion et
d’aide à la décision.
• Une discipline à la croisée des mathématiques

et de l'informatique.
Intro 2
Champs d’application:
p pp
• Conception, configuration et exploitation de
systèmes techniques complexes (réseaux de
communication, systèmes d'information)
• Gestion de la chaîne logistique (transports,
(transports
production, stocks. ..)
• Par exemple:
– Production: maximiser le profit selon disponibilité de la
main d’œuvre,, demande du marche,, capacité p de
production, prix de revient du matériau brut. . .
– Transport: minimiser distance totale parcourue selon
quantités de matériaux a transporter,
transporter capacité des
transporteurs, points de ravitaillement en carburant. . .
Intro 3
Formulation d
Formulation d’un
un programme
programme
linéaire
(Chapitre I)
(Chapitre I)
Nada Ben Elhadj
Introduction:
• LLa programmation
ti li é i estt un outil
linéaire til très
t è puissant
i t de
d la
l
recherche opérationnelle. C’est un outil générique qui peut
résoudre un grand nombre de problèmes.
• Les problèmes de programmations linéaires sont
généralement liés à des problèmes d’allocations de ressources
limitées de la meilleure façon possible,
limitées, possible afin de maximiser un
profit ou de minimiser un coût.
• On parle d’un problème de programmation linéaire lorsqu’il
faut maximiser/minimiser une fonction sous contraintes
linéaires.
• Par exemple,
exemple maximiser le bénéfice d d’une
une entreprise sous les
contraintes de satisfaire la demande et de respecter la
capacité de production.
Chap.I: Formulation PL
5
Exemple: Problème d’agriculture
p g
• U
Un agriculteur
i lt veutt allouer
ll 150 hectares
h t d surface
de f
irrigable entre culture de tomates et celles de
piments. Il dispose de 480 heures de main d d’œuvre
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
bé éfi nett de
bénéfice d 100 dinars.
di U hectare
Un h t d piments
de i t
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 ?
6
Conditions de formulation d’un PL:
• La programmation linéaire admet des hypothèses (des
conditions)) qque le décideur doit valider avant de p
pouvoir
les utiliser pour modéliser son problème. Ces hypothèses
sont :
– Les
L variables
i bl ded décision
dé i i dud problème
blè sont positives;
ii
– Le critère de sélection de la meilleure décision est décrit par
une fonction linéaire de ces variables, cc’estest 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
j (ou fonction économique).
q
– Les restrictions relatives aux variables de décision (exemple:
limitations des ressources) peuvent être exprimées par un
ensemble d d’équations
équations linéaires.
linéaires Ces équations forment
l’ensemble des contraintes.
Chap.I: Formulation PL 7
Hypothèses des variables de décision:
yp
• Proportionnalité: La contribution des variables de décision à la
fonction objectif et aux contraintes est proportionnelle à leur
valeur.
valeur
• Additivité:
– La contribution des variables de décision à la fonction objectif et
aux contraintes est indépendante des valeurs prises par les autres
variables,
– La fonction objectif et le terme gauche des contraintes sont
composés de la somme des contributions individuelles de chaque
variable de décision.
• Divisibilité: Les variables peuvent prendre des valeurs non
entières (fractionnaires).
• Certitude: Les paramètres du problème (en dehors des
variables
bl ded décisions)
dé ) ont des
d valeurs
l connues avec certitude.
d
Etapes de formulation:
p
• Généralement il y a trois étapes à suivre pour pouvoir
construire le modèle d d'un
un programme linéaire :
1. Identifier les variables du problème à valeur non
connues ((variable de décision)) et les représenter
p sous
forme symbolique (exp. x1, x2 );
2. Identifier l’objectif ou le critère de sélection et le
représenter
é t sous la l f
forme d’
d’une f ti
fonction
mathématique linéaire en fonction des variables de
décision. Spécifier si le critère de sélection est à
maximiser ou à minimiser;
3. Identifier les restrictions (les contraintes) du problème
et les exprimer par un système d’équations linéaires.
linéaires
Choix des variables:
• Définition: On appelle variable toute quantité
utile
il à la
l résolution
é l i d problème
du blè d
dont l
le
modèle doit déterminer la valeur.
• Cette définition permet de différencier les
variables des paramètres, qui sont des
données qui peuvent varier,
varier par exemple
d’une période à l’autre ou d’un scénario à
l autre.
l’autre.
• Ex. Agriculture:
– x1 = Surface
S f pour la
l culture
lt d Tomates,
des T t
– x2 = Surface pour la culture des Piments.
Expression de l’objectif
p j
• Définition: On appelle fonction objectif d’un
problème d d’optimisation
optimisation le critère de choix entre les
diverses solutions possibles.
• La fonction objectif est une forme linéaire en
fonction des variables de décision.
• Ex. Agriculture:
– L’agriculteur désire allouer de façon optimale la surface
du terrain entre culture de piments et de tomates.
– L’objectif s’exprime comme suit :
max Z = 100 x1 + 200 x2
(Z= Profit de l’agriculteur)
Expression des contraintes
p
• Définition: On appelle contraintes du problème
toutes les relations limitant le choix des valeurs
possibles des variables.
• Ces relations peuvent être de simples bornes sur les
variables. Par exemple, les quantité produites ne
peuvent être négatives: x1 ≥ 0, x2 ≥ 0.
• Elles
Ell peuventt être
êt plusl complexes…
l
• Contraintes de l’agriculteur :
– Limitation de la surface du terrain: x1 + x2 ≤ 150.
– Ressource eau: 4 x1 + 2x2 ≤ 440.
– Ressource main d’œuvre: x1 + 4 x2 ≤ 480.
– Restriction de production de tomates: x1 ≤ 90.
Formulation générale:
g
• Considérons qu’il y a N produits (variables) nécessitant
ll’utilisation
utilisation de M ressources.
ressources Notons cj, la marge unitaire du
produit (profit unitaire) j et bi, la quantité de ressource i
disponible. Notons par aijj la quantité de ressource i
consommée pour produire une unité de produit j.
• Les données numériques du problème sont résumées au
tableau suivant:
Ressource Produit Capacité
disponible
1 2 … N
1 a11 a12 … a2N b1
2 a21 a22 … b2
….
M aM1 aM2 … aMN bM

Marge c1 c2 … cN
13
Formulation générale:
g
• En suivant les étapes
p de formulation ci‐dessus,,
on peut représenter le PL comme suit :
Max ( Min ) Z  c1 x1  c 2 x 2    c N x N
s .c a 11 x 1  a 12 x 2    a 1 N x N  (  ou  ) b 1
a 21 x 1  a 22 x 2    a 2 N x N  (  ou  ) b 2

a M 1 x 1  a M 2 x 2    a MN x N  (  ou  ) b M
x1  0 , x 2  0 ,  , x N  0
Résolution graphique d’un programme
é l h d’
linéaire
(Chapitre II)
(Chapitre II)
Nada Ben Elhadj
Introduction
• Après avoir illustré par des exemples, comment un
problème p
p pratique
q peut être formalisé p
p par un
programme linéaire, on va s’intéresser maintenant
à la résolution de ce problème mathématique. La
méthode
éth d graphiquehi estt l’une
l’ d
des premières
iè
méthodes utilisées à ce sujet.
• Si on parle
l de
d résolution
é l ti graphique
hi alors
l on doit
d it se
limiter à une représentation à deux variables.
• Un problème
blè li é i est résolu
linéaire é l graphiquement
hi en
suivant le processus en trois étapes :
1. Représentation graphique de la région réalisable,
2. Représentation graphique de la fonction objectif,
3. Détermination de la solution optimale.
Chap.II: Résolution graphique d’un PL 16
Système d’axes
y
• Une des conditions de la réussite de notre
représentation
é t ti graphique
hi estt le
l choix
h i d'un
d'
système d’axes. Un mauvais choix peut rendre
notre représentation
é i non claire
l i et imprécise.
i é i
• A cause des contraintes de non‐négativité
x 2
des variables de décision, nous nous

intéressons seulement au cadran
positif.
x 1
• Cette région s’appelle la

région des solutions possibles du problème.
Chap.II: Résolution graphique d’un PL
17
1ère étape: Représentation de la région
p p g
réalisable
• Une représentation graphique des inégalités (des
contraintes) va nous permettre de déterminer l’ensemble
des solutions réalisables.
• Définition: On appelle région réalisable, l’ensemble des
valeurs de variables de décision qui satisfont toutes les
contraintes.
• Dans le cas de l’exemple de l’agriculteur, c’est l’ensemble
des points (x1, x2) satisfaisant les inégalités de:
x1 ≥ 0, x2 ≥ 0.
x1 + x2 ≤ 150. (1)
4 x1 + 2x2 ≤ 440. (2)
x1 + 4 x2 ≤ 480. (3)
x1 ≤ 90. (4)
≤ 90 (4)
18
Exemple de l’agriculteur:
p g
(2)
(4)
(3)
Région réalisable
(1)
19
2ème étape: Représentation de l’objectif
p p j
• Pour représenter la droite de la fonction objectif il suffit de
donner à Z une valeur particulière (généralement un
m ltiple des coefficients de la fonction objectif).
multiple objectif)
• Une fois représentée, la droite de la fonction objectif sera
translatée parallèlement à elle elle‐même
même dans le sens de
l’amélioration de l’objectif (maximisation ou minimisation).
• Toutes ces droites ont le même coefficient directeur.
• On va représenter graphiquement les droites de niveaux de
la fonction objectif de l’agriculteur:
max Z = 100 x1 + 200 x2
• La droite de niveau z = 1000, c’est‐à‐dire :
Z = 100 x1 + 200 x2 = 1000
passe par les points (10,0) et (0,5).
p p p ( , ) ( , )
20
p g
(2)
(4)
(3)
(1)
Détermination du point optimum:
p p
• Le problème est de connaître quelle est la
d i quii correspond
droite d à la
l valeur
l maximale
i l
de la fonction objectif ?
• Pour maximiser l’objectif, on cherchera la
plus haute courbe de niveau qui a une
intersection non vide avec le domaine des
solutions
l réalisables.
é l bl Tout point
appartenant à cette intersection est une
solution optimale.
22
p g
La solution optimale de l’agriculteur
est: (x1 =40,
40, x2=110,
110, ZZ= 26000)
(2)
(4)
A B
(3)
C
(1)
D
O E
Deuxième méthode: Enumération
• La solution optimale, si elle existe, sera un point
extrême du domaine des solutions réalisables c‐à‐d
sur le bord du domaine des solutions réalisables.
• De
D plus
l elle
ll est dans
d l cas général
le é é l donnée
d é par un des
d
points anguleux correspondant aux intersections des
droites de contraintes: Une telle solution est appelée
solution réalisable de base (SRB).
• Donc la méthode est de localiser toutes les SRB.
SRB
• Calculer la valeur de la fonction objectif en chacun de
ces points et sélectionner la solution optimale.
24
Deuxième méthode: Enumération
O A B C D E
X1 0 0 40 70 90 90
X2 0 120 110 80 40 0
Z 0 24000 26000 23000 17000 9000
Solution optimale
25
Remarques:
q
• Si le PL admet une seule solution optimale
alors elle est l'un des sommets de la
région
é réalisable.
é
• Si le PL admet plusieurs solutions
optimales alors au moins une est située à
l’un des sommets de la région réalisable.
réalisable
p
• Si deux SRB sont des solutions optimales
alors ces deux points sont adjacents.
26
Contraintes saturées / marginales:
Contraintes saturées / marginales:
• Il est important au décideur d’évaluer les restes
des ressources résultant de l’application de son
programme d’action optimal.
• Une contrainte ayant un écart nul est appelée
contrainte saturée.
• Une contrainte ayant un écart non nul est appelée
contrainte marginale.
marginale
• Remarque: L’identification de la nature d’une
contrainte
i en un point
i donné
d é peut se faire
f i par
simple observation du graphique.
27
p g
La solution optimale de l’agriculteur est:
(x1 =40, x2=110, Z= 26000)
Les écarts à l’optimum sont donnés comme suit:
Contraintes Ressources Utilisation Ecarts
(1): x1 + x2 ≤ 150 150 150 0 Saturée
(2): 4 x1 + 2x
(2): 4 x 2x2 ≤ 440
≤ 440 440 380 60 Marginal
e
(3): x1 + 4 x2 ≤ 480 480 480 0 Saturée
(4): x1 ≤ 90 90 40 50 Marginal

e
28
Exemples:
p
• Dans cette section on donne quelques
exemples particuliers de résolution
graphique
hi d problèmes
de blè li é i
linéaires relatifs
l if
aux différents cas possibles :
– Problème de maximisation non borné;
– Problème
P blè à solution
l ti impossible;
i ibl
– Problème à solution multiple.
Pb de maximisation non borné
(solution rejetée vers l’infini)
Max 2x1  3x 2
s.c : x1  5 (1)
3 2  6 (2)
2 1 - 3x
2x
(1)
x1  0, x 2  0
(2)
Problème impossible:
p
Min 3 x1  2 x 2
s.c. x1  2 x 2  2 (1)
2 x1  4 x 2  8 (2)
x1  0, x 2  0
(1) (2)
Problème à solution multiple:
p
Max 6x1  4 x 2
s.c : x1  4 (1)
(1)
2x 2  12 (2)
3x1  2 x 2  18 (3)
x1  0, x 2  0
(2)
(3)
Résolution d
Résolution d’un
un PL par la
PL par la
méthode de simplexe
p
(Chapitre III)
(Chapitre III)
Nada Ben Elhadj
33
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 problèmes réels, on a plus que deux variables à
déterminer.
• La méthode du simplexe permet de résoudre les programmes
linéaires avec plus que deux variables
• La méthode du simplexe est un algorithme itératif de recherche d’une
solution
l ti optimale
ti l d’un
d’ programme linéaire
li é i donné.
d é
• La méthode simplexe consiste à commencer par une solution
réalisable de base initiale p
puis p
passer à une autre solution adjacente
j
de façon à améliorer la valeur de la fonction objectif.
• La procédure d’optimisation se fait par une suite de tableaux appelés
tableaux du simplexe.
simplexe
• Nous étudierons dans ce chapitre le cas de maximisation type ≤ avec
second membre des contraintes positif.
34
Mise en œuvre de la méthode du simplexe:
• La mise en œuvre de la méthode du simplexe peut
être divisée en 3 étapes:
1. Mettre le modèle sous forme standard en y
introduisant des variables d’écart qui ont pour rôle de
transformer les inégalités en égalités;
2. Établir le premier tableau de simplexe (tableau à
l’origine);
3. Procéder à une série d’itérations sur les tableaux de
simplexe
p aboutissant à la solution optimale.
p
• Nous allons reprendre l’exemple de l’agriculteur pour
le résoudre par la méthode du simplexe.
35
Rappel de l’exemple de l’agriculteur:
pp p g
• Max Z = 100 x
M Z 100 1 + 200 x
+ 200 2 (profit de l’agriculteur)
( fit d l’ i lt )
s.c: x1 ≥ 0, x2 ≥ 0.
x1 + x2 ≤ 150.
150 (terrain)
4 x1 + 2x2 ≤ 440. (eau)
x1 + 4 x2 ≤ 480.
480 (Heures
(H d main
de i d’œuvre)
d’ )
x1 ≤ 90. (limitation de surface de culture de tomates)
Avec x1: surface allouée à la culture des tomates

x2: surface allouée à la culture des piments
36
1ère étape: Mise sous forme standard
• La mise sous forme standard consiste à introduire des variables
supplémentaires (une pour chaque contrainte) de manière a réécrire les
i é lité sous la
inégalités l forme
f d'é lité Chacune
d'égalités. Ch d ces variables
de i bl représente
é t le
l
nombre de ressources non utilisés. On les appelle variable d'écart.
• La forme standard s'écrit donc :
x1 + x2 ≤ 150  x1 + x2 +s1= 150 (1)
4 x1 + 2x2 ≤ 440  4 x1 + 2x2 +s2= 440 (2)
x1 + 4 x ≤ 480  x1 + 4 x
4 2 ≤ 480 4 2 +s3= 480 (3)
480 (3)
x1 ≤ 90  x1 +s4= 90 (4)
x1 ≥ 0, x
≥ 0 x2 ≥ 0
≥0
Où si (i=1,..4) représente la quantité de ressource non utilisée.
• Les variables d
d’écart
écart n
n’ont
ont aucun effet sur la fonction objectif:
max Z = 100 x1 + 200 x2+0 s1+0 s2+0 s3+0 s4
• Nous nous limitons au cas où le second membre des inégalités est positif.
g p
37
• Pour résumer:
é
max Z = 100 x1 + 200 x2+0 s1+0 s2+0 s3+0 s4
s.c:
x1 + x
+ x2 +s1= 150
= 150
4 x1 + 2x2 +s2= 440
x1 + 4 x2 +s3= 480
x1 +s4= 90
= 90
x1 ≥ 0, x2 ≥ 0,s1 ≥ 0,s2 ≥ 0,s3 ≥ 0,s4 ≥ 0.
38
Remarq es
Remarques:
• Le tableau simplexe ne prend en compte que les
variables positives.
• Si la variable de décision x
Si la variable de décision xi ≤ 0, on procède au
≤ 0 on procède au
changement de variables suivant: xi= ‐ xi’ avec xi’ ≥ 0.
• Si la variable de décision xi est quelconque, on procède
au changement de variables suivant: xi= xi’‐xi’’ avec
xi’ ≥ 0 et xi’’ ≥ 0.
39
2ème étape: Tableau à l’origine
1ère solution réalisable de base
solution réalisable de base
• La méthode de simplexe commence par l'identification
d'une
d une solution réalisable de base et ensuite,
ensuite trouver
d'autres solutions réalisables de base jusqu’à atteindre
la solution optimale. Ainsi, on doit, tout d’abord,
retrouver cette solution réalisable
é de base.
• On remarquera que les égalités du problème forment
un système de m=4 égalités en n+m=2+4 inconnues.
inconnues
Donc la valeur de n=2 variables peut être fixée
arbitrairement.
• Alors une solution réalisable de base est obtenue en
annulant les (n) variables de décision (on dit qu’elles
sont mises hors base) et la valeur des variables d
d'écart
écart
est directement donnée par le second membre. Cette
solution correspond à l’origine. Elle est appelée aussi
solution à l’origine.
40
l ti é li bl d b
• Variables hors base (v.h.b): les n variables fixées à zéro.
Les m variables restantes sont appelées variables de
base (v.d.b).
• Solution de base: une solution où en ayant choisi n
variables hors base, on obtient une solution unique en
résolvant les m contraintes d’égalités obtenues en
ajoutant les variables d’écart.
• Solution de base réalisable: une solution de base qui, en
plus vérifie les contraintes de positivité (point extrême
plus,
du domaine réalisable).
• Solutions de base adjacentes: deux solutions de base
dont les variables de base sont les mêmes sauf une qui
est de base dans la première base et hors base dans la
seconde.
seconde
41
solution réalisable de base
• Que vaut la fonction objectif pour cette première solution de
base ?
Z=0 c’est‐à‐dire une marge bénéficiaire nulle, ce qui n’est pas

étonnant vu que cela correspond à une production nulle des
deux produits.
• Dans l’exemple, la solution de base suivante:
– VHB: x1=0,
=0 x2=0.
=0
– VB: s1=150,, s2=440,, s3=480,, s4=90

est réalisable car toutes les variables de base sont positives. 42
2ème étape: Tableau à l’origine Forme
standard d’un tableau simplexe:
Coef. Cj correspondants
aux variables dans Z
aux variables dans Z
Toutes les variables RT (Valeur des
Coef. C
Coef Ci VB ) Matrice des coef VB/aij entrant)
Valeur A=(aij) Matrice des coef.
Valeur
des VB des VB des variables dans les
contraintes
zj= ci aij
cj‐ zj
43
cj 100 200 0 0 0 0
ci Variables de Valeurs VB x1 x2 s1 s2 s3 s4
base ((VB))
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
zj 0 0 0 0 0 0 0
cj‐zj 100 200 0 0 0 0
44
3ème étape: Amélioration de la solution:
Objectif:
• N
Nous examinerons
i l procédure
la éd lié à la
liée l
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.
objectif
• C’est à dire, qu’on doit sélectionner une variable
h
hors b
base ett une variable
i bl de d base
b ett les
l
permuter de telle façon que la nouvelle solution
(dite adjacente) donne une plus grande valeur de
la fonction objectif  Opération Pivot
45
Détermination de la colonne pivot
• On détermine la colonne pivot (VB entrante) en
sélectionnant la colonne avec la plus grande valeur
positive de cj‐zzj (le plus grand profit marginal).
marginal)
• Si x1 augmente d’une unité, Z augmente de 100.
• De même si x2 augmente d’une unité, Z augmente de
200.
• Donc, si on a à choisir, on va opter pour une
augmentation
g de la valeur de x2.
2 On dit q
que x2 est la VB
entrante.
• La colonne correspondante ss’appelle
appelle colonne pivot.
pivot
46
Dét
Détermination de la colonne pivot
i ti d l l i t
Ci 100 200 0 0 0 0
VB Valeur x1 x2 s1 s2 s3 s4
VB
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
Zj 0 0 0 0 0 0 0
cj‐zj 100 200 0 0 0 0
47
Détermination de la ligne pivot
• Détermination de la ligne pivot (variable de base sortante):
1. En divisant les valeurs de la colonne valeur des VB par les
valeurs correspondantes dans la colonne pivot (on obtient
une nouvelle colonne RT: ratio test)
2. En sélectionnant la ligne
g avec le p plus ppetit q
quotient p
positif
pour RT.: Ligne pivot
• Ex: Min {150/1, 440/2,480/4,‐}=Min {150,220,120,‐}=120
• Donc, S3 est la variable sortante. Elle devient une VHB.
• Dans le cas où le coefficient dans la colonne RT est négatif
g ou
nul, la ligne n’entre pas en compte dans le calcul du minimum.
• Définition: On appelle élément pivot le coefficient situé à
l’intersection de la colonne pivot et de la ligne pivot.
48
Détermination de la ligne pivot
Ci 100 200 0 0 0 0
VB Valeur x1 x2 s s s s RT
VB 1 2 3 4
0 s1 150 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 ‐
Zj 0 0 0 0 0 0 0
cj‐zj 100 200 0 0 0 0
Elément Pivot
lé
49
Calcul des tableaux suivants:
Calcul des tableaux suivants:
• Le pas suivant de l’itération Simplexe consiste à déterminer une nouvelle
solution réalisable.
• Dans le nouveau tableau de simplexe on va remplacer s3 par x2 (x2
devient non nul et entre dans la base et s3 devient nul et sort de la
base))
• 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 qque celle de la variable sortante s3.
• Ce qui reste à déterminer sont les coefficients aij de la nouvelle
matrice A et les valeurs des variables de base. Ceci est réalisé en
utilisant la règle
g de ppivot :
1. Diviser le ligne de pivot par la valeur de l’élément de pivot pour
trouver la ligne transformée de la ligne de pivot.
2 Enfin pour calculer le reste des valeurs du tableau,
2. tableau on retranche
des autres lignes un multiple de la ligne pivot transformée de
façon à faire apparaître la matrice identité au niveau des
nouvelles variables de base.
50
Nouveau tableau:
Nouveau tableau:
• Ligne pivot transformée:
Ligne pivot transformée:
Ci 100 200 0 0 0 0
VB Valeur x1 x2 s s s3 s
VB 1 2 4
0 s1
0 s2
200 x2 120 1/4 1 0 0 1/4 0
0 s4
zj
cj‐zj
51
Nouveau tableau:
Nouveau tableau:
Ci 100 200 0 0 0 0
VB Valeur VB 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 x2 120 1/4 1 0 0 1/4 0
0 s4 90 1 0 0 0 0 1
zj 24000 50 200 0 0 50 0
cj‐zj 50 0 0 0 ‐50 0
 La valeur de la fonction objectif: zj=∑ci aij.

 La
L nouvelle
ll solution
l ti est:
t x1 = 0,
0 x2 = 120,
120 s1 = 30,
30 s2 = 200,
200 s3 = 0,
0
s4 = 90, Z=24 000.
 La première itération nous a amené,
amené dans le sens de ll'amélioration
amélioration de
la fonction objectif, le long de l’axe des ordonnées.
52
2ème itération:
• Ayant
ya t retrouvé
et ou é u
unee nouvelle
ou e e so
solution,
ut o , o
on veut
eut sa
savoir
o ss’il est
possible de retrouver une solution réalisable de base
meilleure.
• En utilisant la même procédure que dans ll’itération
itération
précédente, on sélectionne la variable entrante puis la
variable sortante.
• La variable entrante est x1 (colonne pivot), elle présente
la plus grande valeur cj‐ zj .
• La variable
bl sortante est s1(ligne
(l pivot),
) elle
ll présente
é l
la
plus petite valeur du ratio RT=40
• LL’élément
élément pivot dans ce tableau est 3/4.
3/4
• La nouvelle base est composée de x1, s2, x2, s4.
53
2ème itération: (Tableau optimal)
ié i (T bl i l)
• Le tableau de simplexe suivant issu de l’application
de la règle de pivot est :
Ci 100 200 0 0 0 0
VB Valeur VB 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
zj 26000 100 200 200/3 0 100/3 0
cj‐zj 0 0 ‐200/3 0 ‐100/3 0
• La ligne cj‐zj est négative ou nulle.
• La solution donnée par ce dernier tableau est alors optimale.
La solution donnée par ce dernier tableau est alors optimale
• Cette solution est: x1= 40, x2= 110 , Z= 26000. 54
Résumé de la procédure de la méthode de
simplexe: (dans le cas d'un problème de maximisation sous
simplexe: (d l d' blè d i i i
contraintes  et avec un second membre positif)
Transformer le programme à sa forme
Transformer le programme à sa forme
standard
Former le tableau initial à l’origine
oui
Solution optimale
p
cj –zj ≤ 0 j donnée par ce dernier
tableau
non
Ch i i l
Choisir la colonne pivot (plus grand c
l i t( l d j‐
zj)
Choisir la ligne pivot (plus petit RT)
Développer un nouveau tableau
simplexe 55
PL particuliers:
• Solutions multiples:
Au niveau du tableau optimal, l’une des VHB apparait avec un
(cj‐zj ) nul, c‐à‐d que cette variable peut entrer dans la base et
donner une nouvelle solution sans que la valeur de la fonction
objectif ne change.
change
• Solution non bornée:
Si on n’arrive
’ i pas à sélectionner
él ti l variable
la i bl sortante
t t (tous
(t l ratios
les ti
RT sont négatifs ou nuls), càd que la variable entrante n’admet
aucune limite sur sa valeur d
d’entrée.
entrée.
• Solution dégénérée:
Si au niveau du tableau optimal une ou plusieurs des VB sont nulles.
nulles
• Remarque: Un programme de maximisation avec seulement des
contraintes de type «  » ne peut pas être impossible (sous
l’hypothèse que le second membre des contraintes est positif).
56
Problèmes de minimisation
(Chapitre IV)
(Chapitre IV)
57
Introduction
• Dans beaucoup de problèmes réels,
réels on peut
retrouver des contraintes de type supérieur ou
égale et/ou de type égale,
égale ainsi que des
problèmes où on a à minimiser au lieu de
maximiser.
• Dans ce chapitre,
chapitre on étudiera les modifications
à apporter à la méthode du simplexe pour
qu’elle
qu elle puisse résoudre tous ces types de
programmes.
58
Maximisation avec ≥ ou =
• 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 + 0 S1 + 0 S2
S.c ‐x1 + x2 + S1 = 4
5x1 + 3x2 = 60
x 2 ‐ S2 = 5
x1  0 , x2  0, S1  0, S2  0
59
• 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 ppermet de commencer
à partir de l’origine O. Or, on vérifie bien que l’origine
n’est pas une solution réalisable (car non confirme à
l’h thè de
l’hypothèse d positivité
iti ité des
d variables).
i bl )
• La question qui se pose est comment nous allons
réécrire le programme de manière qu’on q ’on puisse
p isse
construire le tableau de simplexe initial à l’origine.
• Pour arriver à cette fin,
fin on doit ressortir une astuce
mathématique qui se résume à l’introduction de
nouvelles variables, dite variables artificielles A1 et A2.
60
• Ces variables n’ont aucune interprétation, comme leur
nom ll’indique
indique, elles sont conçues 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, les
contraintes deviennent:
‐x1 + x2 + S1 = 4
5x1 + 3x2 + A1 = 60
x2 ‐S2 + A2 = 5
x1  0,
0 x2  0,
0 S1  0,
0 S2  0 , A1  0,
0 A2  0
• Maintenant on peut obtenir une solution initiale de
base du système d’équations, si on pose x1 = x2 = 0
avec A1 et A2 étant des variables de base.
61
• 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 linéaireli é i réécrit
éé it pour la l procédure
éd d
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.
vrai
• On peut conclure que tant que les variables artificielles
restent dans la base,base la solution demeure non réalisable
réellement pour notre programme. 62
• Une manière pour garantir que ces variables artificielles
sortent
t t ded lal base
b avantt d’atteindre
d’ tt i d lal solution
l ti optimale
ti l
est de leur associer un grand coût ‐M dans la fonction
objectif Ainsi,
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 contraint à les faire
sortir le plutôt possible de la base.
• La fonction objectif ss’écrit
écrit :
Max z = 5x1 + 6x2 ‐ M A1 ‐ M A2
avec M un très grand nombre (exemple: M 1010)
.
63
• En appliquant de ces modifications, le tableau
p
de simplexe initial est:
5 6 0 0 ‐M
M ‐M
M
VB Valeur x1 x2 s1 s2 A1 A2
VB
0 s1 4 ‐1 1 1 0 0 0
‐M
M A1 60 5 3 0 0 1 0
‐M A2 5 0 1 0 ‐1 0 1
64
5 6 0 0 ‐M ‐M
VB Valeur VB
Valeur VB x1 x2 s1 s2 A1 A2 RT
0 s1 4 ‐1 1 1 0 0 0 ‐4
M
‐M A1 60 5 3 0 0 1 0 12
‐M A2 5 0 1 0 ‐1 0 1 ‐
Zj ‐65M ‐5M ‐4M 0 M ‐M ‐M
Cj‐Zj 5+5M 6+4M 0 ‐M 0 0
• La variable entrante est x1 (5 +5M  6 + 4M avec M

assez grand) et la variable sortante est A1 .
assez grand) et la variable sortante est
65
5 6 0 0 ‐M ‐M
VB Valeur VB x1 x2 s1 s2 A1 A2 RT
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
Zj 60‐5M 5 3‐M 0 M 1 ‐M
Cj‐Zj 0 3+M 0 ‐M ‐M‐1 0
• Le tableau de simplexe après la deuxième itération

indique
q q que la variable entrante est x2 et la variable
sortante est A2.
66
• Simplification du tableau:
• Les deux première itérations on fait sortir de
l base
la b l variables
les i bl artificielles
tifi i ll A1 ett A2.
Leurs effets nets est maintenant négatif et
très
è élevé,
él é elles
ll ne pourront doncd pas être
ê
sélectionnées à l’itération suivante, ni même
ultérieurement
lé comme on peut facilement
f l l
le
constater. Donc on peut supprimer du
tableau la colonne relative à A1 et A2.
67
5 6 0 0
VB Valeur x1 x2 s1 s2 RT
VB
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
Zj 75 5 6 0 ‐3
Cj‐Zj 0 0 0 3
68
5 6 0 0
VB Valeur x1 x2 s1 s2
VB
0 s2 5 0 0 5/8 1
5 x1 6 1 0 ‐3/8 0
6 x2 10 0 1 5/8 0
Zj 90 5 6 15/8 0
Cj‐Zj 0 0 ‐15/8 0
Le tableau ci
Le tableau ci‐dessus
dessus est optimal car tous les effets nets sont négatifs
est optimal car tous les effets nets sont négatifs
ou nuls. Donc la solution optimale est:
x1 = 6, x2 = 10, S1 = 0, S2 = 5
69
Second membre de contrainte négatif
Second membre de contrainte négatif
• Le problème qui peut se poser est que ll’une 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 ququ’ilil faut vérifier avant de se lancer dans la
réécriture de cette contrainte, en vue de construire le
programme standard, est la non‐négativité du second
membre.
• Ainsi, on doit modifier la contrainte avant de
commencer la standardisation (multiplier la contrainte
par ‐1) et la réécrire comme suit :
+ x2  4
‐xx1 + x
70
Problème de minimisation:
• La résolution d’un PL de minimisation nécessite le
changement de la règle de choix de la variable entrante.
entrante
• En effet, dans un problème de maximisation la règle est de
choisir comme variable entrante celle qui a le plus grand
effet
ff net positif
i if non nul.l Ceci
C i parce que notre objectif
bj if est
de choisir la variable qui en entrant dans la base va
engendrer
g un p profit supplémentaire
pp et ainsi accroître la
valeur de la fonction objectif.
• Pour un problème de minimisation, on va utiliser la règle
inverse
inverse. C’est‐à‐dire
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 changerh notre règle
è l d’arrêt
d’ ê de d
la procédure de simplexe et de définir le tableau optimal,
comme celui où tous les effets nets cj ‐ zj sont p positifs ou
nuls.
71
Min x1 + x2
Sc 2x1 + x2  12
5x1 + 8x2  74
x1 + 6x2  24
x1  0 , x
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,
maximisation introduire les variables artificielles.
artificielles
• Dans le cas de problèmes de minimisation, on a intérêt à
changer le coefficient de ces variables en M (M très grand) afin
de les faire sortir de la base.
base
• Forme standard:
Min x1 + x2 + MA1 + MA2+ MA3
Sc 2x1 + x2 ‐ S1 + A1 = 12
5x1 + 8x2 ‐ S2 + A2 = 74
x1 + 6x
6x2 ‐ S3 + A A3
3 = 2424
x1 , x2 , S1 , S2 , S3 , A1 , A2  0
72
1 1 0 0 0 M M M
VB Valeur x1 x2 S1 S2 S3 A1 A2 A3 RT
VB
M A1 12 2 1 ‐1 0 0 1 0 0 12
M A2 74 5 8 0 ‐1 0 0 1 0 9.25
M A3 24 1 6 0 0 ‐1
1 0 0 1 4
Zj 110M 8M 15M ‐M ‐M ‐M M M M
Cj‐Zj
Cj Zj 1‐8M
1 8M 1
1‐15M
15M M M M 0 0 0
73
• Autre méthode de résolution:
• La minimisation de Z est équivalente à la
La minimisation de Z est équivalente à la
maximisation de
–Z.
Z
donc on ppeut utiliser la méthode décrite p pour
une maximisation.
74
Récapitulatif de la mise sous forme
standard d’un PL:
Après avoir vérifier que le second membre des contraintes est
p q
positif, le tableau suivant résume les transformations à faire subir à
notre programme linéaire avant de le résoudre par la méthode de
simplexe :
i l
Quand la contrainte est Pour la fonction objectif d’un problème de
Maximisation Minimisation
De type ≤, ajouter une Attribuer un coefficient nul pour la variable d’écart
variable d’écart
De type =, ajouter une Attribuer un coef. –M pour Attribuer un coef. M pour
variable artificielle variable artificielle variable artificielle
De type ≥, ajouter une Attribuer un coef. Nul pour la Attribuer un coef. nul pour la

variable d’écart avec variable d’écart et un coef. –M variable d’écart et un coef.
signe
signe pour variable artificielle
pour variable artificielle M pour variable artificielle
M pour variable artificielle
(‐) et une variable
artificielle 75
Etapes de la méthode de simplexe:
Etape Maximisation Minimisation
1
Formuler un programme linéaire pour le problème réel.
2
Vérifier que le second membre du programme linéaire est positif sinon modifier les
contraintes
3
Ecrire le programme linéaire sous une forme standard
4
Construire le premier tableau de simplexe
5 Choisir comme variable entrante dans la Choisir comme variable entrante dans la
base celle qui admet le plus grand effet net base celle qui admet le plus petit effet net
positif cj-zj. négatif cj-zj.
6
Choisir la variable sortante de la base celle qui admet le plus petit ratio supérieur à zéro.
7
Construire le nouveau tableau en 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 (hors (cj-zj)  0 pour toutes les variables (hors
base) donc la solution obtenue est optimale. base) donc la solution obtenue est optimale.
Sinon retourner à l’étape 5. Sinon retourner à l’étape 5.
76
PL impossible:
PL impossible:
• On identifie un PL impossible avec la
méthode de simplexe lorsque la solution
optimale contient des variables artificielles
f
(variables de base) à des niveaux non nuls.
77
Dualité
(Chapitre V)
(Chapitre V)
78
Introduction
• A tout PL (Primal), on associe un second programme
linéaire appelé
pp dual.
• Ce PL a la propriété d’être en relation étroite avec le 1er PL.
• Chaque PL de maximisation possède un PL de
minimisation
i i i i correspondant d .
• De même chaque PL de minimisation possède un PL de
maximisation correspondant.
• Résoudre un PL est équivalent à résoudre son dual
correspondant.
• Parfois, il est plus simple de résoudre le PL Dual que de
résoudre le PL Primal.
• On reprend ll’exemple
exemple de ll’agriculteur
agriculteur pour illustrer cette
nouvelle notion et pour interpréter économiquement la
solution du dual.
79
Relation Primal‐Dual
• Soit le PL primal de l
Soit le PL primal de l’agriculteur:
agriculteur:
• Max Z = 100 x1 + 200 x2 (profit de l’agriculteur)
s.c: x1 ≥ 0, x2 ≥ 0.
x1 + x2 ≤ 150. (terrain)
4 x1 + 2x2 ≤ 440. ((eau))
x1 + 4 x2 ≤ 480. (Heures de main d’œuvre)
x1 ≤ 90. (limitation de surface de culture de tomates)
Avec x1: surface allouée à la culture des tomates

x2: surface allouée à la culture des piments
80
Relation Primal/Dual:
• Supposons qu’un client voudrait acheter la totalité des
ressources disponibles. L’agriculteur acceptera
certainement cette proposition si le prix offert par ce client
lui procure le même profit.
• On veut placer une valeur monétaire sur les ressources:
y1 le prix d'un hectare de terrain
y2 le pprix d’un m3 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
t
tomates.
t
• Le problème du client consiste à minimiser les frais d’achat
des ressources : c’est à dire
150 y1+440 y2+480 y3+90 y4
sous les contraintes que les prix satisfont notre agriculteur.
81
• Pour notre agriculteur un Hectare de terrain,
4m3 d’eau,
d’ea unene heure
he re de travail
tra ail et un
n hectare
de permission du bureau est équivalent à un
revenu de 100 DT.
DT
• Tandis qu’un hectare de terrain, 2m3 d’eau et 4
h
heures d travail
de t il lui
l i engendrent
d t un revenu de d
200 DT.
• Ill n’est
’ prêt ê à vendre
d ses ressources que si y1+
4y2+ y3+ y4 lui rapporte un revenu supérieur ou
é l à 100 DT et que sii y1+2y
égale 2 2+4y
4 3 lui
l i
rapporte un revenu supérieur ou égal à 200 DT.
82
• Ainsi le problème du client est le PL dual
suivant:
Min W = 150 y
Mi W 150 1 + 440 y 440 2 + 480 y
480 3 + 90 y
90 4
s.c: y1 + 4 yy2 + yy3 + yy4
4 ≥ 100.
y1 + 2 y2 + 4 y3 ≥ 200.
yi ≥ 0, avec i=1,..4.
83
• Problème primal: Maximiser le chiffre d’affaires
Etant donné la valeur unitaire (cj) de chaque produit (bénéfice) et
une borne supérieure à la disponibilité de chaque ressource (bi),
combien de chaque produit (xj) doit on fabriquer pour maximiser
la valeur totale des produits réalisés.
réalisés
• Problème dual: Minimiser le coût de production:

Etant donné la disponibilité de chaque ressource (bi) et une borne
inférieure à la valeur unitaire (cj) de chaque produit vendu,
quelles devront être les valeurs unitaires yi des ressources pour
minimiser la valeur totale des ressources utilisées.
84
• Il faut remarquer ququ’àà chaque variable du

Dual correspond une contrainte du Primal et
à chaque contrainte du dual correspond une
variable du primal.
85
• Forme canonique d’un primal de type maximisation (PL1) est:
Max Z= c x
Max Z cx
s.c: Ax ≤ b
x≥0
x ≥ 0
Avec x,b,c des vecteurs de dimensions respectives n et m et A une
matrice de dimension (m,n).
matrice de dimension (m,n).
• Forme canonique du dual du PL1:
Min w=b
Min w bt y
s.c: At y ≥ c
y≥0
y ≥ 0
Avec y un vecteur de dimension m et At la transposée de la matrice
A.
86
Propriétés de la dualité:
p
• Dualité faible:
• Si x
Si x est une solution réalisable du primal (Max) et y
est une solution réalisable du primal (Max) et y une
une
solution réalisable du dual (Min), alors:
∑nj=1 cj xj ≤ ∑mi=1 bi yi
Z≤W
Z ≤ W
• Dualité forte:
• Si x
Si x est une solution optimale du primal (Max) et y
est une solution optimale du primal (Max) et y une
une
solution optimale du dual (Min), alors:
∑nj=1 cj xj = ∑mi=1 bi yi
Z W
Z = W
87
Lien primal/dual:
Lien primal/dual:
• Etant donnés un problème primal (PL) et son
dual une et une seule des trois situations
dual,
suivantes a lieu :
1 Les deux problèmes possèdent chacun des
1.
solutions optimales et les valeurs optimales de
leurs fonctions objectifs sont égales. (Dualité
forte: Z = W)
2. Un des p problèmes p possède une solution q qui
tend vers l’infini, l'autre n'a pas de solution.
3. Aucun des deux p problèmes ne p possède de
solution réalisable.
• Le dual du dual est le primal
88
• En général le primal n n’est

est pas toujours sous
forme canonique.
• Donc on utilise le tableau suivant qui résume
les correspondances primal/dual:
89
Correspondance Primal/Dual:
p /
Maximisation Minimisation
Nombre de contraintes
Nombre de contraintes Nombre de variables
Nombre de variables
Nombre de variables Nombre de contraintes
Type des contraintes
yp Type
yp des variables principales
p p
= quelconque
≤ ≥ 0
≥ ≤ 0
Type des Variables de décision Type des contraintes
quelconque
l =
≥ 0 ≥
≤0
≤ 0 ≤
90
Tableau optimal du Dual:
Le tableau de simplexe final du programme dual est :
150 440 480 90 0 0
y1 y2 y3 y4 e1 e2
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
wj 150 380 480 40 ‐40 ‐110
cj‐wj 0 60 0 50 40 110
Avec e1 et e2, les variables d’écart à la 1ère et la 2ème

contrainte du programme dual.
dual
91
Tableau optimal du primal:
p p
• Tableau final du simplexe du Primal:
Ci 100 200 0 0 0 0
VB Valeur x1 x2 s1 s2 s3 s4
VB
100 x1 40 1 0 4/3 0 ‐1/3 0
0 s2 60 0 0 ‐14/3
14/3 1 2/3 0
200 x2 110 0 1 ‐1/3 0 1/3 0
0 s4 50 0 0 ‐4/3
4/3 0 1/3 1
zj 26000 100 200 200/3 0 100/3 0
cj‐zzj 0 0 ‐200/3
200/3 0 ‐100/3
100/3 0
92
Dual Primal
• On remarque que la solution y1 = 200/3  cs1 ‐ zs1 = ‐
200/3
optimale
l du
d dual
d l peut être
ê
y2 = 0  cs2 ‐ zs2 = 0
déduite
y3 = 100/3  cs3 ‐ zs3 = ‐
du primal
du primal de
de la
la manière
manière 100/3
suivante : y4 = 0  cs4 ‐ zs4 = 0
e1 = 0
= 0  cx1 ‐ zx1 = 0
= 0
e2 = 0  cx2 ‐ zx2 = 0
cy1 ‐ zy1 = 0  s1 =0
cy2‐ zy2 = 60  s2 =60
cy3‐ zy3 = 0  s3 =0
cy4 ‐ zy4 = 50  s4=50
ce1 ‐ ze1 = 40  x1=40
ce2 ‐ ze2 = 110
110  x2 = 110
110
w = 26000  Z = 26000 93
Théorème des écarts complémentaires:
• Une condition nécessaire pour qu’un couple de solutions
réalisable du primal (xj, j=1,..n) et du dual (yi i=1, ..m) soit
optimal est la propriété de complémentarité des écarts:
y*i s*i=0
e*j x*j=0
Où si et ej sont respectivement les variables d’écart des PL du
Primal et du Dual.
C’est‐à‐dire:
• Si une variable d’écart primale si* est dans la base alors la
variable
i bl duale
d l correspondante ll yi*. Et vice
d t estt nulle i versa.
• Si la variable de décision primal xj* est dans la base alors la
variable d’écart duale correspondante
p ej* est nulle. Et vice
versa.
94
Théorèmes du dual
• Le théorème des écarts complémentaires et
l coef.f de
les d la
l dernière
d iè li
ligne d tableau
du bl
simplexe (cj‐zj) vont permettre la déduction
de la solution optimale du Dual.
• Si les 2 PL admettent des solutions finies,
finies on a
:
– yi* est déterminé
é é par le |c
| j‐zj|de
| la variable d’écart
’é si
correspondante dans le primal
– ej* est déterminée par le cj‐zj de la variable de
décision xj correspondante dans le primal.
95
Interprétation économique de la ligne
cj – zj d’une variable d’écart
• C’est
C est la valeur marginale de la ressource
correspondante à la contrainte: la variation de Z
suite
it à l’
l’augmentation
t ti d’
d’une unité
ité
supplémentaire de cette ressource.
• Si PL de max (profit), on parle de gain marginal.
• Si PL de min (coût), on parle de coût marginal.
• Comme le cj‐zj de la variable d’écart détermine la
valeur
l d la
de l variable
i bl dual,
d l il estt appelé
lé aussii prix
i
fictif (Shadow Price).
96
Interprétation économique de la ligne
cj – zj d’une variable de décision
• Il est appelé coût réduit de la variable de
décision correspondante
décision correspondante.
• C’est la contribution nette de la variable
dans la valeur de Z lorsque cette variable
devient une VB.
97

Cours

Transféré par

Droits d'auteur :

Formats disponibles

Cours

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours

Transféré par

Droits d'auteur :

Formats disponibles

Recherche

• La recherche opérationnelle (R.O) est une

• Une discipline à la croisée des mathématiques

M aM1 aM2 … aMN bM

des variables de décision, nous nous

• Cette région s’appelle la

Contraintes Ressources Utilisation Ecarts

(1): x1 + x2 ≤ 150 150 150 0 Saturée

(4): x1 ≤ 90 90 40 50 Marginal

Avec x1: surface allouée à la culture des tomates

Z=0 c’est‐à‐dire une marge bénéficiaire nulle, ce qui n’est pas

• Dans l’exemple, la solution de base suivante:

– VB: s1=150,, s2=440,, s3=480,, s4=90

 La valeur de la fonction objectif: zj=∑ci aij.

• La variable entrante est x1 (5 +5M  6 + 4M avec M

• Le tableau de simplexe après la deuxième itération

De type ≥, ajouter une Attribuer un coef. Nul pour la Attribuer un coef. nul pour la

8 Faire le test d’optimalité. Si Faire le test d’optimalité. Si

Avec x1: surface allouée à la culture des tomates

• Problème dual: Minimiser le coût de production:

• Il faut remarquer ququ’àà chaque variable du

• En général le primal n n’est

Avec e1 et e2, les variables d’écart à la 1ère et la 2ème

Vous aimerez peut-être aussi