Cours D Optimisation

1
Cours doptimisation
2
Chapitre I. Programmation lin

eaire
3
Introduction `
a la programmation lin
eaire
I: Introduction
I.1 Un exemple de probl`

eme de r
egime alimentaire
Mr X se demande comment gerer au mieux ses depenses alimentaires tout en respectant ses
besoins quotidiens en energie (2000 kcal), proteines (55g) et calcium (800 mg). Il selectionne
six produits qui semblent etre des sources nutritionnelles bon marche.
Maintenant, Mr X se demande comment composer ses menus? Il decide donc dimposer
les limites suivantes sur le nombre de services par jour pour chacun des aliments:
Cereales: au plus 4 services par jour,
Poulet : au plus 3 services par jour,
Oeufs : au plus 2 services par jour,
Lait entier : au plus 8 services par jour,
Tarte aux pommes : au plus 2 services par jour,
Poissons et haricots : au plus 2 services par jour.

4
Aliment Quantite Energie (kcal) Proteines (g) Calcuim (mg) Prix
Cereales 28 g 110 4 2 3
Poulet 100g 205 32 12 24
Oeufs 2 160 13 54 13
Lait entier 25 cl 160 8 285 9
Tartes aux pommes 170g 420 4 22 20
Poissons et haricots 260g 260 14 80 19
Nous proposons de formaliser ce probleme comme celui de la recherche dun menu compose
de :
x1 services de Cereales,
x2 services de poulet,
x3 services doeufs,
x4 services de lait entier,
x5 services de tarte aux pommes,
x6 services de poissons et haricots.
An de respecter les limites imposees, le menu doit satisfaire :
0 x1 4
0 x2 3
0 x3 2
0 x4 8
0 x5 2
5
0 x6 2.
Le menu doit satisfaire aussi les contraintes sur les besoins en:
Energie:
110x1 + 205x2 + 160x3 + 160x4 + 420x5 + 260x6 2000
Proteines:
4x1 + 32x2 + 13x3 + 8x4 + 4x5 + 14x6 55
Calcium:
2x1 + 12x2 + 54x3 + 285x4 + 22x5 + 80x6 800.
Le co
ut quotidien du menu est :
3x1 + 24x2 + 13x3 + 9x4 + 20x5 + 19x6
Pour composer le menu le moins cher, Mr X cherche les valeurs de x1 , x2 , ..., x6 qui satisfont les
inegalitès precedentes et qui rendent la valeur du co

ut très petite que possible. La formulation
mathematique de ce problème de regime est donc :
Minimiser 3x1 + 24x2 + 13x3 + 9x4 + 20x5 + 19x6

6
Sous les contraintes :

0 x1 4

0 x2 3

0 x3 2

0 x4 8

0 x5 2 (0.1)

0 x6 2.

110x1 + 205x2 + 160x3 + 160x4 + 420x5 + 260x6 2000

4x1 + 32x2 + 13x3 + 8x4 + 4x5 + 14x6 55

2x1 + 12x2 + 54x3 + 285x4 + 22x5 + 80x6 800
II. Les programmes lin

eaires
Les problèmes comme celui du regime sont appeles problèmes de programmation lineaire
ou PL. La programmation lineaire est la branche des mathematiques appliquees qui traite ces
problèmes.
7
Exemple de PL :
Maximiser 5x1 + 4x2 + 3x3 Sous les contraintes :

2x1 + 3x2 + x3 5

4x1 + x2 + 2x3 11
(0.2)

3x1 + 4x2 + 2x3 8

x1 , x 2 , x 3 0
Un autre problème pourrait etre:
Minimiser 3x1 + x2
Sous les contraintes :

x1 + 6x2 x3 + x4 3

7x2 + 2x4 = 5

x 1 + x2 + x3 = 1 (0.3)

x3 + x4 2

x2 , x 3 0
II.2 Fonctions,
equations et in
equations lin
eaires
D
enition1 : Soient c1 , c2 , ..., cn des nombres reels. La fonction f denie sur les variables
reelles x1 , x2 , ..., xn par :
f (x1 , x2 ..., xn ) = c1 x1 + c2 x2 + ... + cn xn
est appelee fonction lineaire.
D
enition2 : Soient f une fonction lineaire et b un nombre reel, alors lequation
f (x1 , x2 , ..., xn ) = b est appelee lequation lineaire et les inegalites
f (x1 , x2 , ..., xn ) b
8
f (x1 , x2 , ..., xn ) b
sont appellees des inequations lineaires. Les equations et inequations lineaires sont appelees
ici des contraintes lineaires.
D
enition3 : Un programme lineaire est un problème qui consiste à maximiser ou minimiser
une fonction lineaire tout en respectant un ensemble ni de contraintes lineaires.
La fonction lineaire que lon doit maximiser ou minimiser dans un problme PL est dite
fonction objectif du problème.
Exemple :
La fonction f des variables x1 , x2 , x3 , x4 , x5 , x6 denie par:
f (x1 , ..., x6 ) = 3x1 + 24x2 + 13x3 + 9x4 + 20x5 + 19x6
est la fonction objective du problème de regime de Mr X.
Les nombres x1 , x2 , ..., xn qui satisfont toutes les contraintes dun problème PL donne
constituent une solution realisable ou admissible de ce problème.
Par exemple nous avons vu que x1 = 0, x2 = 0, x3 = 0, x4 = 8, x5 = 2, x6 = 0 est une solution
realisable de (0.1).
II.3 Solution r
ealisable, Solution optimale
D
enition 4 :
Une solution realisable qui maximise la fonction objective dun problème PL (sous la forme
standard) est appelee solution optimale.
La valeur associee à une solution optimale est appelee valeur optimale du problème.
Par exemple x1 = 4, x2 = 0, x3 = 0, x4 = 9/2, x5 = 2, x6 = 0 est la solution optimale de
(0.1). Ainsi la valeur optimale correspondante est 92.5.

9
Remarque : Attention, tous les problèmes PL nadmettent pas une solution optimale unique ;
certains problèmes peuvent avoir de nombreuses solutions optimales alors que dautres peuvent
nen avoir aucune. Ce dernier cas peut se produire pour des raisons radicalement opposees :
Soit il nexiste pas de solution realisable.
Soit, dans un certain sens, il en existe trop.

10
Exemple : On peut illustrer le premier cas sur le problème
Maximiser 3x1 + x2
Sous les contraintes:

x1 + x2 2

2x1 2x2 10 (0.4)

x1 , x 2 0
Maximiser x + y
Sous les contraintes:

x+y 1

x, y 0
Ce problème admet une innite de solutions optimales.
III. Ecriture Matricielle
Soit A = (aij ) une matrice de rèels de taille m n, b = (b1 , ...., bm ) et c = (c1 , ..., cn ) deux
vecteurs de rèels de taille m et n respectivement. Resoudre le problème lineaire deni par
A, b, c consiste à trouver des reels x1 , x2 , ..., xn satisfaisant les m inequations (une pour chaque
i entre 1 et m ) :

n
aij xj bi Ax b
j=1

n
aij xj bi Ax b
j=1

n
aij xj < bi Ax < b
j=1

n
aij xj > bi Ax > b
j=1

n
aij xj = bi Ax = b
j=1
11
Parmi ceux-ci, il faut trouver ceux qui rendent maximal:

n
cj xj
j=1
Exemple:

x1 + 3x2 + x3 2

2x1 + 5x2 + x3 8
(0.5)

x1 x2 + x3 5

max(2x1 + x2 x3 )

1 3 1 x1 2

2 5 1
x2 8

1 1 1 x3 5
IV. Mise sous forme standard
Maximiser

n
cj xj
j=1
Sous conditions:

Ax b

Cx = d (0.6)

x0
est appele forme standard dune PL. On peut se ramener toujours à cette forme quitte à
remplacer :
Minimiser f est equivalent à maximiser -f

12
x = x+ x avec x+ 0 et x 0
a = b est equivalent à a b et b a
V. D
enitions
D
enition 1:
Lensemble {x Rn /Ax b, Cx = d} : lensemble des solutions realisables (admissibles),
est appele polyèdre. Cet ensemble est convexe.

13
D
enition 2 :
Un sommet du polyèdre P = {x Rn /Ax b, Cx = d} est un point x qui ne peut pas
secrire comme combinaison convexe de deux points de P distincts de x.
Le maximum de la fonction objectif, sil existe, est atteint au moins en un sommet de
P.
Exemple: max(4x + 5y) sous conditions:

x+y 5

2x + y 8

x + 2y 8

x, y 0
VI. Principales conditions suivre dans PL
Les modèles de programmation lineaire doivent respecter certaines conditions fondamen-
tales pour quils soient valides. Ces conditions sont en nombre de quatre :
Comprehension du problème.
Identication des variables de decision.
Fixation des objectifs à atteindre.
Mise en equation des ses contraintes.

14
VII. Mod
elisation de certains probl`
emes
economiques
VII.1 Probl`
eme doptimisation en
economie
Les problèmes que lon etudie dans ce paragraphe consistent à trouver les optimums dune
fonction, quon appelle fonction economique, donnee f (x1 , ..., xn ) = c1 x1 + ... + xn o`

u les ci
sont des constantes, les variables etant liees par certaines relations qui sont des equations ou
des inequations lineaires gi (x1 , ..., xn ) 0 pour tout i = 1, ..., p.
Loptimisation de telles fonctions ore des possibilites de modelisation est un ensemble de
methodes permettent daboutir à des solutions coherentes des modèles. Le champ actuel des
applications de loptimisation à leconomie est très vaste. Un domaine important concerne
la gestion et lutilisation des ressources rares pour accrotre la productivite. Ces applications
incluent des problèmes operationnels tels que la distribution de biens, lordonnancement de
la production, la selection de portefeuilles, la conception et lanalyse de reseaux de transport.
Les
etapes `
a suivre dans le processus de mod
elisation
La structure dun modèle de programmation lineaire comporte trois elèments importants:
Les variables de decision.
Les contraintes lineaires.
La fonction economique o`
u fonction objectif.
Les etapes à suivre dans le processus de modelisation sont:
Identication dune situation problematique de gestion.
Formalisation de la situation problematique.

15
Identication des objectifs.
Construction du modele.
16
VII.2 Exemples de probl`

emes se ramenant `
a une programmation
lin
eaire
VII.2.1 Probl`
eme de transport
Une usine stocke un produit dans trois sites S1 , S2 et S3 . Les quantites stockees dans
chaque site sont respectivement 40, 50 et 30 tonnes. Les depots doivent alimenter quatre
magasins B1 , B2 , B3 et B4 . Les quantites necessaires minimum au point de vente B1 sont de
10 tonnes, 12 tonnes au point B2 , 14 tonnes au point B3 et 9 tonnes au point B4 .
Question: Comment lentreprise doit-elle repartir les stocks du produit entre les points de
vente ?
Mod
elisation du probl`
eme
Notons xij la quantite du produit que le depot Si livre au magasin Bj . Ces inconnues:
x11 , x12 , x13 , x14 , x21 , x22 , x23 , x24 , x31 , x32 x33 , x34
sont donc positives ou nulles.
Comme les depots S1 , S2 et S3 ne peuvent livrer respectivement que 40 tonnes, 50 tonnes et
30 tonnes au maximum, alors on a:

x11 + x12 + x13 + x14 40

x21 + x22 + x23 + x24 50

x31 + x32 + x33 + x34 30
Comme la quantite minimum à livrer aux magasins B1 , B2 , B3 et B4 respectivement etant

17
de 10 tonnes, 12 tonnes, 14 tonnes et 9 tonnes, alors on a :

x11 + x21 + x31 10

x12 + x22 + x32 12

x13 + x23 + x33 14

x14 + x24 + x34 9
Toute solution à ce système dinequation est une solution, cest-à-dire est une repartition
realisable des produits stockes entre les points de vente. Parmi toutes ces solutions, nous
allons chercher les plus economiques. Supposons que cij soit le co

ut du transport du depot
Si au magasin Bj . Pour une solution donnee du système dinequation, le co

ut correspondant
est:

i=3,j=4
c11 x11 + c12 x12 + ... + c34 x34 = cij xij
i=1,j=1
Nous devons donc chercher à minimiser cette fonction. Nous avons donc le modèle mathematique
suivant:

xij 0

x11 + x21 + x31 10

x12 + x22 + x32 12

x13 + x23 + x33 14

x14 + x24 + x34 9

x11 + x12 + x13 + x14 40

x21 + x22 + x23 + x24 50

x31 + x32 + x33 + x34 30

min(c11 x11 + c12 x12 + ... + c34 x34 )
Nous verrons, dans les paragraphes suivants, comment resoudre un tel problème.
18
Exercice: Un chocolatier-consseur confectionne des assortiments de chocolats. Dans
ceux-ci, il a convenu dy placer 3 sortes de chocolats, denotes chocolats 1,2 et 3, dont chaque
kg lui co
ute respectivement 4 DH, 1,45 DH et 2,40 DH. Chaque assortiment doit peser un kg
et se vendra 8 DH. Le chocolat 1 doit representer entre 0.1 et 0.2 du poids dun assortiment.
Les chocolats 1 et 2 presents dans un assortiment ne doivent pas peser plus de 800g. Au moins
la moitie du poids dun assortiment doit provenir des chocolats 1 et 3. Quelle proportion de
chaque sorte de chocolats, le chocolatier-consseur doit-il utiliser pour maximiser les revenus
nets quil tirera de la vente de ses assortiments ?
Un probl`
eme de production
Soit une entreprise produisant deux biens A et B à laide de quatre procedes de fabrication
(ou activites). Les activites 1 et 2 sont reservees à la production du bien A et les activites
3 et 4 la production du bien B. Les donnees de production sont regroupees dans le tableau
suivant:
19
Facteur de Bornes de Bien A Bien A Bien B Bien B
production ressources Activite1 Activite2 Activite3 Activite4
Equipement (heure-machine) 70 3 2 4 3
Main douvre (heure) 120 7 8 10 12
Matière première (Kg) 15 1 1 1 1
Co
ut de production unitaire 2 5/2 4 3
On suppose en outre que lentreprise ecoule toute sa production de A et B aux prix de
vente unitaire respectifs 8 et 11.
Le problème initial de lentreprise est repartie sa production entre les activites 1, 2, 3 et 4
de facon à maximiser sa marge brute totale à laide des ressources en facteurs de production
dont elle dispose.
Soient x1 , x2 , x3 , x4 0 des niveaux dactivites donnes respectifs aux activites 1, 2, 3 et 4.
Les contraintes de limitations des ressources secrivent pour les trois facteurs de production:
Pour lequipement:
3x1 + 2x2 + 4x3 + 3x4 70
Pour la main douvre:
7x1 + 8x2 + 10x3 + 12x4 120
Pour la matière première :
x1 + x2 + x3 + x4 15
Ces inegalites peuvent etre transformees en egalites par ladjonction de variables dites decart
mesurant les excedents des facteurs. Soient x5 , x6 , x7 les variables decart pour les contraintes
respectives à lequipement, la main douvre et la matière première.

20
Lexcedent en ressource dequipement est:
x5 = 70 (3x1 + 2x2 + 4x3 + 3x4 )
Lexcedent en ressource de la main douvre:
x6 = 120 (7x1 + 8x2 + 10x3 + 12x4 )
Lexcedent en ressource de la main douvre:
x6 = 120 (7x1 + 8x2 + 10x3 + 12x4 )
Lexcedent en ressource de la matière première:
x7 = 15 (x1 + x2 + x3 + x4 )
La contrainte correspondante de limitation de ressource peut aussi bien sexprimer par un
excedent non negatif.
La variable x5 peut etre considere comme le niveau dune activite 5 ctives qui consomme de
lequipement et ne produit rien.
la main douvre et ne produit rien.
la matière première et ne produit rien.
Les contraintes de limitations des ressources par le système de trois equations lineaires à 7
21
inconnues (equations dequilibre) :

xi 0

3x1 + 2x2 + 4x3 + 3x4 + x5 + 0x6 + 0x7 = 70

7x1 + 8x2 + 10x3 + 12x4 + 0x5 + 0x6 + 0x7 = 120

x1 + x2 + x3 + x4 + 0x5 + 0x6 + x7 = 15

Un calcul elementaire des marges brutes unitaires permet dexprimer la marge brute totale
en fonction des niveaux dactivites :
11
6x1 + x2 + 7x3 + 8x4
2
On cherche donc à maximiser cette fonction.

22
VIII. Probl`
eme g
en
eral de programmation lin
eaire
VIII.1 Probl`
eme g
en
eral
D
enition : Tout problème de programmation lineaire peut se mettre sous la forme suivante:
Trouver les nombres x1 , ..., xn soumis aux conditions suivantes:

xi 0

a11 x1 + a12 x2 + ... + a1n xn b1

..
.

am1 x1 + am2 x2 + ... + amn xn bm

et qui optimisent (maximisent ou minimisent) la fonction lineaire :
c1 x1 + ... + cn xn .
VIII.2 Probl`
eme canonique
Nous allons interesser à un type particulier de programmation lineaire, appelle program-
mation canonique, et decrire une methode algorithmique de resolutions.

23
D
enition: On appelle programme lineaire canonique un programme du type:

xi 0

a11 x1 + a12 x2 + ... + a1n xn b1

..

.

am1 x1 + am2 x2 + ... + amn xn bm

u11 x1 + u12 x2 + ... + u1n xn = d1

..

.

um1 x1 + um2 x2 + ... + umn xn = dm

bi , di 0

max(c1 x1 + ... + cn xn )

24
VIII.3 Tableau initial dun programme canonique
La resolution des programmes lineaires a plus de deux variables ne pourra se faire par
des methodes geometriques. Comme la resolution des systèmes dinequations lineaires pose
de nombreux problèmes, nous allons nous ramener en introduisant des variables decart à un
système dequations lineaires.
An de schematiser à lextreme les procedures algebriques de resolution, nous allons convertir
notre programme en un tableau et mettre en evidence les proprietes de ce tableau ici dun
programme canonique.
Dans le paragraphe suivant, nous verrons, comment à partir dun programme lineaire quel-
conque, nous ramenons à un tableau analogue à un tableau dun programme canonique.
Considerons un programme canonique :

xi 0

a11 x1 + a12 x2 + ... + a1n xn b1

..

.

am1 x1 + am2 x2 + ... + amn xn bm

bi 0

max(c1 x1 + ... + cn xn )

25
Introduisons les variables decart. Nous obtenons le système suivant:

xi 0

a11 x1 + a12 x2 + ... + a1n xn + e1 = b1

..

.

am1 x1 + am2 x2 + ... + amn xn + em = bm

bi , ei 0

max(c1 x1 + ... + cn xn )

Le tableau associe à ce programme est:
x1 x2 xn e1 e2 em
a11 a12 a1n 1 0 0 b1
a21 a22 a2n 0 1 0 b2

.. .. .. .. .. .. ..
. . . . . . .
am1 am2 amn 0 0 1 bm
c1 c2 cn 0 0 0 0
Remarque: Nous remarquons que les m dernières colonnes et m premières lignes de ce
tableau constituent une matrice carree dordre m, appelee matrice de lidentite et les coe-
cients correspondant dans la fonction economique sont nuls.
D
enition: On dit quun tableau est initialise si les coecients, dans les m dernières colonnes
de ce tableau, correspondant dans la fonction economique sont nuls.
Dans cet exemple, le tableau est initialise. Dun tel tableau initialise se degage une solution
26
evidente. En loccurrence:
x1 = 0, , xn = 0, e1 = b1 , , em = bm
et
c1 x1 + + cn xn = 0.
Cette solution nest pas evidement la solution maximale. Le fait remarquable que nous venons
de decrire est tout tableau initialise donne directement une solution au programme considere.
Exemple
Trois machines M1 , M2 etM3 peuvent produire chacune deux types de pièces P1 et P2 . Le
temps de fabrication dune pièce de type Pi sur la machine Mj est donne dans le tableau
suivant en heures:
M1 M2 M3
P1 3 4 4
P2 4 6 5
On veut fabriquer au moindre co

ut 6 pièces de type P1 , 8 pièces de type P2 . La machine
M1 est disponible 14 heures, les machines M2 et M3 sont disponibles chacunes 24 heures. Le
co
ut horaires respectivement de M1 , M2 et M3 sont 7, 5 et 6.
1) Ecrire le programme lineaire modelisant ce problème.
2) Ce problème est-t-il canonique? sinon erire un programme canonique equivalent.
3) Ecrire le tableau correspondant.
4) Ce tableau est-t-il initialise? Justier votre reponse. Sinon initialise ce tableau.

27
Solution
1) Le programme est le suivant :

xij 0

x11 + x12 + x13 = 6

x21 + x22 + x23 = 8

3x11 + 4x21 14

4x12 + 5x22 24

4x13 + 6x23 24

min(z = 21x11 + 28x21 + 20x12 + 30x22 + 24x13 + 30x23 )
2) Ce programme nest pas canonique, sa forme canonique est:

xij 0

x11 + x12 + x13 = 6

x21 + x22 + x23 = 8

3x11 + 4x21 14

4x12 + 5x22 24

4x13 + 6x23 24

max(z = 21x11 28x21 20x12 30x22 24x13 30x23 )
28
3) Introduisant les variables decart dans les inequations. Le système secrit:

xij 0

x11 + x12 + x13 = 6

x21 + x22 + x23 = 8

3x11 + 4x21 + e1 = 14

4x12 + 5x22 + e2 = 24

4x13 + 6x23 + e3 = 24

max(z = 21x11 28x21 20x12 30x22 24x13 30x23 )
Le tableau correspondant est:
x11 x12 x13 x21 x22 x23 e1 e2 e3
1 1 1 0 0 0 0 0 0 6
0 0 0 1 1 1 0 0 0 8
3 0 0 4 0 0 1 0 0 14
0 4 0 0 5 0 0 1 0 24
0 0 4 0 0 6 0 0 1 24
21 20 24 28 30 30 0 0 0 0
Ce tableau nest pas initialise. Pour cela on procède comme suit:
Introduisant dautres variables x et y dans les deux premières equations.
Considerons la nouvelle fonction:
max(21x11 28x21 20x12 30x22 24x13 30x23 M x M y)

29
Le tableau associe secrit donc:
x11 x12 x13 x21 x22 x23 x y e1 e2 e3
1 1 1 0 0 0 1 0 0 0 0 6
0 0 0 1 1 1 0 1 0 0 0 8
3 0 0 4 0 0 0 0 1 0 0 14
0 4 0 0 5 0 0 0 0 1 0 24
0 0 4 0 0 6 0 0 0 0 1 24
21 20 24 28 30 30 M M 0 0 0 0
Qui est equivalent à:
x11 x12 x13 x21 x22 x23 x y e1 e2 e3
1 1 1 0 0 0 1 0 0 0 0 6
0 0 0 1 1 1 0 1 0 0 0 8
3 0 0 4 0 0 0 0 1 0 0 14
0 4 0 0 5 0 0 0 0 1 0 24
0 0 4 0 0 6 0 0 0 0 1 24
21 + M 20 + M 24 + M 28 + M 30 + M 30 + M 0 0 0 0 0 14M
Ce dernier tableau sobtient en ajoutant à la dernière ligne M fois la première et M fois la
seconde. Ce tableau est initialise.
Exemple:
Une entreprise dispose de deux usines de fabrications U1 et U2 et de trois depots D1 , D2
et D3 . Les usines, qui ont des disponibilites limitees doivent fournir au depot les quantites
demandees. Lacheminement des marchandises a un co

ut (frais de transport, de carburant,
taxes,...) et ce co
ut varie suivant les destinations. Le problème qui se pose est celui de
30
lacheminement au moindre co
ut. Les disponibilites de lusine U1 sont de 18, de U2 de 32. Les
demandes des depots D1 , D2 et D3 sont respectivement de 9, 21 et 20. Les co

uts de transports
de lusine U1 à chacun des depots D1 , D2 et D3 sont respectivement de 13, 9 et 15 et ceux de
lusine U2 sont respectivement de 11, 10 et 18 par quantite transportee.
1) Ecrire le programme lineaire modelisant ce problème.
2) Ce problème est-t-il canonique? sinon erire un programme canonique equivalent.
3) Ecrire le tableau correspondant.
4) Ce tableau est il initialise? Justier votre reponse. Sinon initialise ce tableau.

31
IX. Cas o`
u les contraintes sont des in
equations dans les deux sens ou des
equations
Supposons que lon ait un programme du type:

xi 0

a11 x1 + a12 x2 + ... + a1n xn b1

..

.

ar1 x1 + ar2 x2 + ... + arn xn br

ar+11 x1 + ar+12 x2 + ... + ar+1n xn br+1

..

.

am1 x1 + am2 x2 + ... + amn xn bm

max(c1 x1 + ... + cn xn )

Nous introduisons les variables decarts positives, en les ajoutant lorsque le seconde mem-
bre est superieur au premier et en les retranchant dans le cas contraire. Nous obtenons le
32
programme suivant:

xi , e j 0

a11 x1 + a12 x2 + ... + a1n xn + e1 = b1

..

.

ar1 x1 + ar2 x2 + ... + arn xn + er = br

ar+11 x1 + ar+12 x2 + ... + ar+1n xn er+1 = br+1

..

.

am1 x1 + am2 x2 + ... + amn xn em = bm

max(c1 x1 + ... + cn xn )

33
Le tableau correspondant à un tel système est le suivant:
x1 x2 xn e1 er er+1 em
a11 a12 a1n 1 0 0 0 0 b1

.. .. .. .. ... .. .. ..
. . . . 0 . . .
ar1 ar2 arn 0 0 1 0 0 br

..
ar+11 ar+12 ar+1n 0 0 0 1 . br+1
.. .. .. .. .. .. .. ..
. . . . . . 0 0 . 0 .
am1 am2 amn 0 0 0 0 1 bm
c1 c2 cn 0 0 0 0 0
Ce tableau nest pas initialise: En eet, nous navons quune partie des vecteurs constituant
la matrice identite. Les contraintes bi 0 nous empechent de remplacer les vecteurs colonnes
du type
0 0

.. ..
. .

0 0

1 par des vecteurs de types 1
.

0 0

.. ..

. .

0 0
Daprès le tableau precedent, il manque m-r vecteurs colonnes de la matrice identite.
IX.1 Initialisation du tableau
1) On introduit mr variables articielles 1 , ...mr et on aectue à la fonction economique

34
des coecients w negatifs. Ainsi nous sommes amenes à maximiser la fonction:
c1 x1 + c2 x2 + ... + cn xn + w1 + ... + wmr .

35
Le tableau devient:
x1 x2 xn e1 er er+1 em 1 mr
a11 a12 a1n 1 0 0 0 0 0 0 b1

.. .. .. .. .. .. .. .. .. ..
. . . . 0 . . . . . 0 .
ar1 ar2 arn 0 0 1 0 0 0 0 br

..
ar+11 ar+12 ar+1n 0 0 0 1 . 1 0 0 br+1
.. .. .. .. .. .. ... ... .. ..
. . . . . . 0 0 0 . .
am1 am2 amn 0 0 0 0 1 0 0 1 bm
c1 c2 cn 0 0 0 0 0 w w
Tous les vecteurs colonnes de la matrice identite gure dans le tableau.
2) An que le tableau precedent soit initialise, il est necessaire de rendre nul les coecients
de la fonction economique situee sous les colonnes de la matrice identite. Ainsi pour eliminer
le premier coecient w correspondant à la colonne associee à 1 , on remplace la dernière ligne
par la dernière mois w fois la ligne r+1; on opère de meme pour les autres coecients. Et on
obtient le tableau initialise suivant:

36
x1 x2 xn e1 er er+1 em 1 mr
a11 a12 a1n 1 0 0 0 0 0 0 b1

.. .. .. .. .. .. .. .. .. ..
. . . . 0 . . . . . 0 .
ar1 ar2 arn 0 0 1 0 0 0 0 br

..
ar+11 ar+12 ar+1n 0 0 0 1 . 1 0 0 br+1
.. .. .. .. .. .. .. .. .. ..
. . . . . . 0 0 . 0 . . .
am1 am2 amn 0 0 0 0 1 0 0 1 bm

m
c1 c2 cn 0 0 0 0 0 0 0 j=r+1 wbj
Avec
ci = ci w(ar+1i + + am1 ), 1in
Un tel tableau est initialise. Les colonnes de reference sont ici les colonnes associees
aux variables e1 , e2 , , er , 1 , , mr . Les coecients de la fonction economique sont, au
dessus de ces colonnes, tous egaux à 0.
Exemple: Soit à resoudre le système suivant:

x + y + 3z 15

2x + y + 5z 20

x + 2y + z 10

max(x + 3y + z)

x, y, z 0
On introduit les variables decart:

37

x + y + 3z e1 = 15

2x + y + 5z e2 = 20

x + 2y + z + e3 = 10

max(x + 3y + z)

x, y, z, e1 , e2 , e3 0
Le tableau associe est:

x y z e1 e2 e3
1 1 3 1 0 0 15
2 1 5 0 1 0 20
1 2 1 0 0 1 10
1 3 1 0 0 0
On introduit les variables articielles:
x y z e1 e2 e3 1 2
1 1 3 1 0 0 1 0 15
2 1 5 0 1 0 0 1 20
1 2 1 0 0 1 0 0 10
1 3 1 0 0 0 w w
Initialisons le tableau:
38
x y z e1 e2 e3 1 2
1 1 3 1 0 0 1 0 15
2 1 5 0 1 0 0 1 20
1 2 1 0 0 1 0 0 10
1 3w 3 2w 1 8w w w 0 0 0 35w
La valeur de la nouvelle fonction economique est:
x + 3y + z + w1 + 2
est initialisee par la valeur 35w pour la solution de base
x = y = z = 0, e1 = e2 = 0, e3 = 10, 1 = 15, 2 = 20.

39
Chapitre II. M
ethode de simplexe
40
M
ethode de simplexe
On sait la solution, si elle existe, se trouve au moins sur un sommet du domaine des solu-
tions realisables, la recherche de la solution optimale seectue uniquement sur ces sommets.
Lalgorithme du simplexe examine comme première solution un des sommets (en general
lorigine), qui constitue la solution de base de lalgorithme, puis il se deplace de sommet
en sommet, an dameliorer la fonction economique à chaque etape. Après un nombre ni
diterations, il arrive à un sommet à partir duquel tout deplacement vers un autre sommet
nameliore plus cette valeur. On est alors au sommet optimal.
Lalgorithme du simplexe consiste à parcourir le polyèdre des points realisables de sommet
en sommet jusquà ce quon ne puisse plus ameliorer la solution. Au point de depart, la fonc-
tion objectif est nulle, et il sagit de laugmenter. Si certains de ses coecients sont positifs,
il apparat clairement quen augmentant lune des variables correspondant à un coecient
positif, on augmente cette fonction objectif. On a donc un critère dobtention de loptimum:
tant que la dernière ligne dun tableau du simplexe contient au moins un coecient positif,
la solution examinee peut etre amelioree.
Remarques et d
enitions:
1) Lajout des variables decart dans un système de contraintes AX b permet dobtenir
facilement une solution de depart realisable, puisque les coecients de ces variables constituent
une matrice unite et un ensemble de m-vecteurs unites est lineairement independant.
2) Considerons un système de m equations lineaires AX = b comportant n variables
(m < n).
Une solution de base au système dequations AX = b sobtient en egalant n-m variables
à zero et en resolvant le système pour les m variables restantes.

41
Les n-m variables qui sont annulees sont dites des variables hors base alors que les m
variables restantes sont appelees variables de base.
Lorsque la solution de base satisfait les contraintes de non negativite, la solution est
alors appelee solution de base realisable.
Les solutions de base realisables sont la caracteristique algebrique des points extremes
de la region des solutions realisables.
Une solution de base realisable n a jamais plus de m variables positives.
3) Chaque solution de base realisable est equivalente à un point extreme. Il peut exister plus
dune solution realisable correspondant au meme point extreme.
4) Une solution de base realisable est dite degeneree lorsque une ou plusieurs variables de
base prend une valeur 0.
5) Une solution de base realisable dont les m variables de base sont positives est dite solution
de base realisable non degeneree.
6) Dans un programme lineaire comportant m contraintes, deux solutions de base realisables
sont dites adjacentes si lensemble respectif des variables de base de chaque solution a m-1
variables de base en commun.
Principe du processus it
eratif
A partir dune solution de base realisable, on obtient une nouvelle solution de base
realisable adjacente, meilleure ou aussi bonne, en transformant une variable hors base en une
variable de base dite variable entrante et en meme temps, rendre une variable de base actuelle
en variable hors base dite variable sortante. Cette operation algebrique permet dobtenir une
nouvelle solution realisable.

42
II. Description de lalgorithme du Simplexe
Premi`
ere
etape: Recherche du pivot:
Le pivot est un coecient du tableau qui permet, grace à la methode du pivot, dannuler
tous les coecients de la colonne contenant ce pivot, excepte cet element qui est ramene à 1
après la division de la ligne le contenant par ce nombre.
Choix de la colonne pivot
La colonne pivot est denie à partir des coecients de la fonction economique. On cherche
à se focaliser sur la variable qui, en augmentant, augmentera le plus possible la fonction
objectif. Cette variable correspond au plus grand coecient positif de la fonction objectif.
Considerons les coecients c1 , ..., cn de la fonction economique. Parmi tous les coecients
positifs, on considère le plus grand. La colonne pivot est la colonne qui le contient. La variable
correspondante sera la variable entrante car elle ne va plus sannuler.
Remarque: Sil existe plusieurs coecients correspondant à cette valeur positive maximale,
on peut choisir celui que lon veut.
Choix de la ligne pivot
La variable entrante va prendre la place dune des variables de base, appele variable
sortante. Il faut maintenant trouver quelle valeur maximum peut prendre cette variable
entrante an de maximiser la fonction objectif. Pour cela, chaque coecient de la dernière
colonne est divise par le coecient correspondant de la colonne pivot. Si la colonne pivot est:
43

a1j

a2j

a3j

..
.

anj

cj
On calcule les rapports bi

aij
pour 1 i n lorsque aij > 0. On obtient de cette facon, pour
chaque contrainte prise separement, la valeur maximale que peut prendre la variable entrante.
On selectionne le plus petit rapport positif: Oncherche lindice k tel que 0 bk

akj
bi
aij
, en ne
considrant les i que si aij > 0.

bk
La k-ième ligne est la ligne pivot, et akj est le pivot: la ligne pivot est la ligne k telle que akj
soit positif et minimal. La variable correspondant à cette ligne est la variable sortante.
Troisi`
eme
etape: It
eration
Sil existe un coecient ci positif dans le nouveau tableau, on retourne à la première etape
(choix du pivot) puis à la deuxième (reduction du tableau). On reitère ce processus jusquà ce
que tous les coecients de la fonction economique soient negatifs. Cela se produira forcement.
44
III. Exemple dapprentissage: D

etermination de la solution
optimale
Exemple 1: Si on considère le programme lineaire suivant:

x1 + x2 1

x2 2

3x1 + 4x2 12

x1 + x3 3

max(3x1 x2 + x3 )

xi 0
En introduisant les variables decart, on obtient:

x1 + x2 + e1 = 1

x2 + e2 = 2

3x1 + 4x2 + e3 = 12

x1 + x3 + e4 = 3

max(3x1 x2 + x3 )

xi , e i 0
Le premier tableau se presente donc ainsi:

45
x1 x2 x3 e1 e2 e3 e4
e1 1 1 0 1 0 0 0 1
e2 0 1 0 0 1 0 0 2
e3 3 4 0 0 0 1 0 12
e4 1 0 1 0 0 0 1 3
Z 3 -1 1 0 0 0 0 0
Le plus grand coecient positif de la fonction economique est c1 = 3. La colonne pivot est
donc la première colonne. La variable x1 est donc entrante.
La première ligne est la ligne pivot. Les seuls coecients positifs non nuls de cette colonne
bi b1
sont a11 = 1, a31 = 3 et a41 = 1. Calculons les rapports ai1
correspondants. On a a11
= 1,
b3 b4
a31
= 4, a41
= 3.
Le plus petit rapport est le premier, donc la ligne pivot est la première. Le pivot associe
est a11 = 1. La variable entrante est x1 et la variable sortante est e1 .
Deuxi`
eme
etape : R
eduction du tableau
On divise la ligne pivot par le pivot puis on annule ensuite les coecients du tableau
situees au-dessus et au-dessous du pivot, en soustrayant la ligne pivot aux autres lignes.
x1 x2 x3 e1 e2 e3 e4
x1 1 1 0 1 0 0 0 1
e2 0 1 0 0 1 0 0 2
e3 0 1 0 -3 0 1 0 9 L3 L3 3L1
e4 0 -1 1 -1 0 0 1 2 L4 L4 3L1
Z 0 -4 1 -3 0 0 0 -3 L5 L5 3L1
46
La solution correspondante est denie par x1 = 1, x2 = x3 = 0, e1 = 0, e2 = 2, e3 = 9 et
e4 = 2. La fonction economique vaut 3 en ce point.
On a un coecient positif, à savoir c3 = 1. La troisième colonne est donc la colonne pivot.
Le seul coecient positif de cette colonne est a43 = 1, cest donc le pivot. On reduit le tableau
et on obtient:
x1 x2 x3 e1 e2 e3 e4
x1 1 1 0 1 0 0 0 1
e2 0 1 0 0 1 0 0 2
e3 0 1 0 -3 0 1 0 9
x3 0 -1 1 -1 0 0 1 2
Z 0 -3 0 -2 0 0 -1 -5 L5 L5 L4
Tous les coecients de la fonction economique sont negatifs, on a donc la solution optimale.
Elle est denie par x1 = 1, x2 = 0, x3 = 2, e1 = 0, e2 = 2, e3 = 9 et e4 = 0. Dans ce cas,
max(3x1 + x2 + x3 ) = 5.
Exemple 2:
On considère le programme lineaire suivant:

3x1 + 2x2 + 4x3 + 3x4 70

7x1 + 8x2 + 10x3 + 12x4 120

x1 + x2 + x3 + x4 15

max(6x1 + 11 x + 7x3 + 8x4 )
2 2

xi 0
La resolution de ce programme nous donne ces tableaux successifs:

47
x1 x2 x3 x4 e1 e2 e3
e1 3 2 4 3 1 0 0 70
e2 7 8 10 12 0 1 0 120
e3 1 1 1 1 0 0 1 15
Z 6 11/2 7 8 0 0 0 0
La solution correspondante est x1 = x2 = x3 = x4 = 0 et e1 = 70, e2 = 120, e3 = 15. La
variable entrante est x4 et la variable sortante est e2 .
x1 x2 x3 x4 e1 e2 e3
e1 5/4 0 3/2 0 1 -1/4 0 40 L1 L1 1/4L2
x4 7/12 2/3 5/6 1 0 1/12 0 10 L2 1/12L2
e3 5/12 1/3 1/6 0 0 -1/12 1 5 L3 L3 1/12L2
Z 4/3 1/6 1/3 0 0 -2/3 0 -80 L4 L4 2/3L2
La solution correspondante est x4 = 10, e1 = 40 et e3 = 5, les autres variables etant nulles.
La fonction economique vaut 80.
On cherche le pivot, et on le trouve sur la première colonne et troisième ligne. La variable
entrante est donc x1 et la variable sortante est e3 :
x1 x2 x3 x4 e1 e2 e3
e1 0 -1 1 0 1 0 -3 25 L1 L1 3L3
x4 0 -53/3 3/5 1 0 1/5 -7/5 3 L2 L2 7/5L3
x1 1 4/5 2/5 0 0 -1/5 12/5 12 L3 12/5L3
Z 0 -9/10 -6/5 0 0 -2/5 -36/15 -96 L4 L4 16/5L3

48
Ce tableau est le dernier car tous les coecients de la dernière ligne sont negatifs. La
solution optimale correspondante est x1 = 12, x4 = 3, e1 = 25. La fonction economique vaut
en ce point 96.
IV. Variable entrante, variable sortante
Lidee de la mehode du simplexe est, partant dune solution de base realisable, daugmenter
la valeur dune des variables hors base, la variable entrante, de facon à diminuer (si on
minimise) ou à augmenter (si on maximise) la valeur du critère. Lexpression du co

ut reduit
en fonction des variables hors base qui apparat dans la première ligne du dictionnaire, permet
de choisir la variable entrante.
Exemple 3:
Resoudre le système suivant en utilisant la methode du dictionnaire:

2x1 + 4x2 + 5x3 + 7x4 42

x1 + x2 + 2x3 + 2x4 17

x1 + 2x2 + 3x3 + 3x4 24

max(7x1 + 9x2 + 18x3 + 17x4 )

xi 0
Solution: On introduit les variables decart:
e1 = 42 2x1 4x2 5x3 7x4
e2 = 17 x1 x2 2x3 2x4
e3 = 24 x1 2x2 3x3 3x4 Dictionnaire I
Z = 7x1 + 9x2 + 18x3 + 17x4

49
Le problème secrit maintenant : Maximiser Z sous les conditions x1 , x2 , , e3 0.
Les variables e1 , e2 et e3 dites variables de base sont exprimees en fonction des variables
x1 , x2 , x3 , x4 dites variables hors base.
Une solution de base est une solution dans laquelle toute les variables hors base sont
nulles. Dans ce cas, x1 = x2 = x3 = x4 = 0 implique e1 = 42, e2 = 17 et e3 = 24.
Cette solution est dite realisable car les valeurs des variables sont strictement positives.
Pour faire crotre Z, on augmente la valeur dune variable dont le coecient dans la
ligne de Z est plus grande positive. Disons x3 .
e1 0 ce qui impose x3 8.4,
e2 0 ce qui impose x3 8.5,
e3 0 ce qui impose x3 8,
Cette operation revient à se deplacer dun sommet de polyèdre (0, 0, 0, 0) à un autre sommet
(0, 0, 8, 0) le long dune arrete jusquà rencontrer un nouvel hyperplan (e3 = 0).
Pour pouvoir iterer cette operation, il faut obtenir un nouveau dictionnaire en echangeant
les roles de x3 et e3 .
1 2 5
e1 = 2 x1 x2 2x4 e3
3 3 3
1 1 2
e2 = 1 x1 + x2 + e3
3 3 3
1 2 1
x3 = 8 x1 x2 x4 e3 Dictionnaire II
3 3 3
Z = 144 + x1 3x2 x4 6e3
50
On doit choisir x1 comme variable entrante. Limite sur largumentation de x1 :
x3 0 ce qui impose x1 24,
Donc la variable e2 sort de la base.
x1 = 3 + x2 3e2 + 2e3
e1 = 1 x2 2x4 + e2 + e3
x3 = 7 x2 x4 + e2 e3 Dictionnaire III
Z = 147 2x2 x4 3e2 4e3
Cette operation revient à se deplacer dun sommet de polyèdre (0, 0, 8, 0) à un autre
sommet (3, 0, 7, 0) le long dune arrete jusquà rencontrer un nouvel hyperplan (e2 = 0).
Tous les coecients dans la ligne de la fonction objectif sont negatifs, donc la solution
courante est x1 = 3, x2 = x4 = e2 = e3 = 0 et x3 = 7 est optimale et sa valeur est 147.
Exemple 4:
On considère le programme lineaire suivant.

2x1 + 2x2 + 8x3 + 7x4 40

2x1 + 3x2 + 6x3 + 4x4 10

x1 + 2x2 + x3 + 3x4 80

max(6x1 + 8x2 + 5x3 + 8x4 )

xi 0
Resoudre ce problème en utilisant la methode de simplexe.

51
Exemple 5:
On considère le programme lineaire suivant.

x1 + 2x2 + 7x3 + 2x4 50

x1 + 3x2 + 5x3 + 2x4 30

2x1 + 6x2 + 4x3 + 3x4 10

max(x1 + 2x2 5x3 + 2x4 )

xi 0
Resoudre ce problème en utilisant la methode de simplexe et la methode de dictionnaire.
VI.1 D
eg
en
erescence
La presence de plusieurs candidats pour quitter la base a des consequences interessantes.
Pour illustrer ce fait, regardons lexemple suivant:
Exemple: Resoudre le système suivant en utilisant les dictionnaires:

2x3 1

2x1 4x2 + 6x3 3

x1 + 3x2 + 4x3 2

max(2x1 x2 + 8x3 )

xi 0
Solution: On introduit les variables decart:
e1 = 1 2x3
e2 = 3 2x1 + 4x2 6x3
e3 = 2 + x1 3x2 4x3
Z = 2x1 x2 + 8x3
52
Après avoir choisi x3 comme variable entrante en base, on trouve que les trois variables de
base e1 , e2 , e3 limitent la croissance de x3 à 21 . Ainsi chacune de ces trois variables peut etre
choisie pour quitter la base. Nous choisissons e1 . Après avoir pivote, on obtient le dictionnaire:
1 1
x3 = e1
2 2
e2 = 2x1 + 4x2 + 3e1
e3 = x1 3x2 + 2e1
Z = 4 + 2x1 x2 + 4e1
Ce dictionnaire dière de tous les autres rencontres jusquà present. En eet, dans la
solution realisable associee à ce dictionnaire, les variables de base e2 et e3 sont nulles. Les
solutions de base ayant une (ou plusieurs) variable(s) de base nulle(s) sont dites degenerees.
La degenerescence peut avoir des eets de bord ennuyeux. Ce fait est illustre par les
iterations suivantes de lexemple precedent. En eet, x1 entre en base et e2 quitte la base.
A cause de la degenerescence, la contrainte e2 0 limite lincrement de x1 à zero. Ainsi la
valeur de x1 reste inchangee, de meme que les valeurs des autres variables et de la fonction
objectif Z. Cest ennuyeux, puisque la motivation première de lalgorithme du simplexe est
daugmenter la valeur de la fonction objectif à chaque iteration. Pour cette iteration, notre
desir reste insatisfait et le pivot nous donne le dictionnaire suivant:
1 1
x3 = e1
2 2
3 1
x1 = 2x2 + e1 e2
2 2
7 1
e3 = x2 + e1 e2
2 2
Z = 4 + 3x2 e1 e2
53
Cela naecte pas la solution associee. Les iterations du simplexe qui ne modient pas la
solution de base sont dites degenees. Vous pourrez verier que literation suivante est à
nouveau degeneree, mais celle daprès ne lest pas et fournit la solution optimale.
Le pivot est donc le coecient de x2 et on obtient le système suivant:
1 1
x3 = e1
2 2
17 3
x1 = e1 e2 2e3
2 2
7 1
x2 = e1 e2 e3
2 2
19 5
Z = 4 + e1 e2 3e3
2 2
Le pivot est donc le coecient de e1 et on obtient le système suivant:
e1 = 1 2x3
17 3
x1 = 17e1 e2 2e3
2 2
7 1
x2 = 7x3 e2 e3
2 2
27 5
Z = 19x3 e2 3e3
2 2
Dans un sens, la degenerescence est accidentelle. En eet, une variable de base ne peut
disparatre (i.e valoir zero) que si les operations successives du pivot mènent exactement à
la suppression dans chaque ligne dune meme variable. Pourtant la degenerescence dit que
presque tous les problèmes pratiques mènent à une solution de base realisable degeneree à une
certaine iteration de lalgorithme du simplexe. Quoi quil se passe, la methode du simplexe
peut stagner en passant par quelques iterations (parfois nombreuses) degenerees sur une ligne.
En règle generale, un tel bloc diterations se termine par la decouverte dune iteration non
degeneree. Mais ce nest pas toujours le cas et nous allons vous presenter un contre-exemple.
V.2 Les cycles

54
Est-ce que la methode du simplexe peut engendrer un nombre inni diterations sans
jamais trouver la solution optimale ? La reponse est OUI. Pour justier ce fait, considerons
le dictionnaire suivant:
Exemple:
Resoudre le système suivant en utilisant les dictionnaires:

1
x 11 x 52 x3 + 9x4 0

2 1 2 2

1
x 32 x2 12 x3 + x4 0

2 1

x1 1

max(10x1 57x2 9x3 24x4 )

xi 0
Solution:
Introduction des variables decart:
1 11 5
e1 = x1 + x2 + x3 9x4
2 2 2
e2 = 1 x1
1 3 1
e3 = x1 + x2 + x3 x4
2 2 2
Z = 10x1 57x2 9x3 24x4
On pose les règles suivantes:
La variable entrante sera toujours la variable hors base ayant le plus grand coecient
dans la ligne du dictionnaire associee à la fonction objectif Z.
Si plusieurs variables peuvent etre choisies pour quitter la base, on prendra celle de plus
petit indice. Ainsi, nous obtenons pour les six prochaines iterations, les dictionnaires
suivants:
55
La première iteration: x1 entrante et e1 par exemple sortante
x1 = 11x2 + 5x3 18x4 2e1
e2 = 4x2 2x3 + 8x4 + e1
e3 = 1 11x2 5x3 + 18x4 + 2e1
Z = 53x2 + 41x3 204x4 20e1
La deuxième iteration: x2 entrante et e2 par exemple sortante
1 1 1
x2 = x3 + 2x4 + e1 e2
2 4 4
1 3 11
x1 = x3 + 4x4 + e1 e2
2 4 4
1 3 11
e3 = 1 + x3 4x4 e1 + e2
2 4 4
29 27 53
Z = x3 98x4 e1 e2
2 4 4
La troisieme iteration: x3 entrante et x1 par exemple sortante
1 5
x2 = x1 2x4 e1 e2
2 2
3 11
x3 = 2x1 8x4 + e1 e2
2 2
e3 = 1 x1
Z = 29x1 + 18x4 + 15e1 93e2
La quatrième iteration: x4 entrante et x2 par exemple sortante
1 1 1 5
x4 = x1 x2 e1 + e2
2 2 4 4
1 9
x3 = 2x1 4x2 e1 + e2
2 2
e3 = 1 x1
21 141
Z = 20x1 9x2 + e1 e2
2 2
56
La cinquième iteration: e1 entrante et x3 par exemple sortante
1 3 1
x4 = x 1 + x2 + x3 e2
2 2 2
e1 = 4x1 8x2 2x3 + 9e2
e3 = 1 x1
Z = 22x1 93x2 21x3 + 24e2
La sixième iteration: e2 entrante et x4 par exemple sortante
1 3 1
e2 = x1 + x 2 + x3 x4
2 2 2
1 11 5
e1 = x1 + x2 + x3 9x4
2 2 2
e3 = 1 x1
Z = 10x1 57x2 9x3 24x4
On retrouve donc le premier dictionnaire après avoir introduire les variables decart.
Puisque le dictionnaire construit après la sixième iteration est identique au dictionnaire
initial, la methode bouclera sur les memes iterations indeniment, sans jamais trouver la
solution optimale (laquelle, comme nous le verrons plus tard, vaut 1). Ce phenomène est
connu sous le nom de cycle. Plus precisement, nous disons que la methode du simplexe cycle
si un dictionnaire apparat dans deux iterations dierentes (et donc la sequence diterations
menant de ce dictionnaire à lui-meme peut etre repetee sans ni). Il faut noter que les cycles
ne peuvent apparatre quen presence de degenerescence: puisque la valeur de la fonction
objectif augmente avec chaque iteration non degeneree et reste inchangee après celles qui le
sont, toutes les iterations dans une sequence menant dun dictionnaire à lui-meme doivent
etre degenerees. Les cycles sont la raison pour laquelle la methode du simplexe peut ne pas
terminer; le theorème suivant montre que cest lunique raison.

57
Th
eor`
eme 1 : Si la m
ethode du simplexe ne termine pas, alors elle doit cycler.
Cesst pourquoi, dans la plupart des implementations de lalgorithme du simplexe, le
problème du cycle nest pas pris en compte.
Plusieurs methodes existent pour prevenir le phenomène de cycle. La methode classique
de perturbation et la mèthode lexicographique evitent de cycler par un choix judicieux de la
variable sortante à chaque iteration du simplexe. La règle du plus petit indice, methode plus
recente, se base sur le choix de la variable entrante et aussi de celle sortante. Cette dernière
methode, quant à elle, ne necessite pas de calcul supplementaire, mais elle ne laisse pas le
choix des variables entrantes et sortantes.
La règle du plus petit indice: Lorsque plusieurs variables sont candidates pour entrer
(resp. sortir) de la base, on prend toujours celle ayant le plus petit indice. La motivation
pour adopter cette règle provient du resultat suivant:
Th
eor`
eme 2: La m
ehode du simplexe sarr
ete d`
es lors que les variables en-
trantes et sortantes sont s

electionn
ess via la r`
elge du plus petit indice, `
a chaque
it
eration.
58
Chapitre III. Dualit

e en programmation lin
eaire
59
Dualit
e en programmation lin
eaire
I. Introduction
D
enition 1:
On appelle un programme primal un modèle de programmation lineaire associe à un
problème donne ou encore modèle original.
Pour chaque modèle de programmation lineaire, il existe un et un seul autre modèle de
programmation lineaire appele un programme dual (ou bien son dual).
Comme le modèle original a deux formes importantes qui sont la forme canonique et la
forme standard, alors le modè le dual aussi a ces deux formes.
D
enition 2:
On dit quun programme lineaire est dans sa forme symetrique si les variables sont toutes
non negatives et que toutes les contraintes de type dans le cas dune maximisation o`
u
toutes les contraintes de type dans le cas de minimisation de la fonction objectif.
II. Le dual dune forme lin

eaire canonique
La forme canonique dun programme primal consiste en un modèle de programmation
lineaire dont loptimisation en est une de maximisation avec des contraintes de type inferieure
ou egal et des variables toutes positives, on lui associe un programme canonique dual dont
loptimisation en est une de minimisation avec des contraintes de type superieur ou egal et
des variables toutes positives.
Tout programme primal canonique de type :

maximiserZ = C T X

AX B

X, B 0
60
On lui associe son dual canonique de la forme:

minimiserW = B T Y

Y TA C

Y 0
Autrement:

n
m

maximiserZ = j=1 ci xi

minimiserW = i=1 bi yi

n n
i=1 aij xj bi , 1 i m aij yi ci , 1 j n
Primal : Dual :

i=1

xj 0 yi 0
Remarque:
1) Si la fonction objectif du primal doit etre maximiser, celle du dual doit etre minimiser
et inversement.
2) Les coecients cj de la fonction objectif du primal o

u les composantes de C deviennent
les seconds membres des contraintes du dual alors que les seconds membres des con-
traintes du primal o`
u composantes de B deviennent les coecients des variables duales
dans la fonction objectif.
3) Les coecients des variables dans les contraintes du dual sont ceux du primal mais
transposes: les coecients de la ième ligne du primal deviennent les coecients de la
ième colonne du son dual.
4) A chaque contrainte du primal de type , lui associe une variable du dual positive.
5) A chaque variable de decision non negative dans le primal, lui correspond une contrainte
non negative dans son dual.

61
6) La dualite est une notion symetrique: Lun des programmes au choix est appele le
programme primal et lautre le programme dual.
7) Le dual du dual est le programme primal.
III. Le dual dune forme lin

eaire standard
Tout programme primal standart de type :

maximiserZ = C T X

AX B

X0

minimiserW = B T Y

Y TA C

Y 0
Autrement:

n
m

maximiserZ = i=1 ci xi


n n
i=1 aij xj bi , 1 i m aij yi ci , 1 j m
Primal : Dual :

i=1

xj 0 yi 0

maximiserZ = C T X

AX = B

X0

minimiserW = B T Y

Y TA C

Y sans restriction de signe
62
Autrement:

m

maximiserZ = ni=1 ci xi

n n
Primal :
i=1 aij xj = bi , 1 i m Dual :
aij yi ci , 1 j m

i=1

xj 0 yi sans restriction de signe
En utilisant la symetrie de la dualite on deduit :

minimiserZ = C T X

AX B

X0

maximiserW = B T Y

Y TA C

Y 0
Autrement:

n
m

minimiserZ = i=1 ci xi

maximiserW = i=1 bi yi

n n
i=1 aij xj bi , 1 i m aij yi ci , 1 j m
Primal : Dual :

i=1

xj 0 yi 0
Exemple: Formuler le dual des programmes lineaires suivant:

maximiserZ = 3x + 5x + 6x
maximiserZ = 2x1 + 4x2

1 2 3

x 2x + 6x = 20
2x1 2x2 + 3x3 = 250

1 2 3

2x1 + 8x2 + x3 15 2x1 + 8x2 9x3 = 150

x 1 + 10x 2 + 5x 3 120
x1 + 10x2 + 5x3 12

xi 0 xi 0
63

maximiserZ = 2x + 4x + 8x + 5x
maximiserZ = 3x1 + 5x2 + 2x3

1 2 3 4

2x 2x + 3x = 250
x1 2x2 + 6x3 = 20

1 2 3

2x1 + 8x2 9x3 = 150 2x1 + 8x2 + x3 = 15

x 1 + 10x 2 + 5x 3 = 120
x1 + 10x2 + 5x3 12

xi 0 xi 0

minimiserZ = 2x1 + 4x2
minimiserZ = 2x1 + 4x2 + 8x3 + 5x4

2x 2x + 3x = 250
2x1 2x2 + 3x3 = 250

1 2 3

2x1 + 8x2 9x3 15 2x1 + 8x2 9x3 = 150

x 1 + 10x 2 + 5x 3 120
x1 + 10x2 + 5x3 = 12

xi 0 xi 0
IV. Le dual dunne forme lin

eaire quelconque
Le modèle de programmation lineaire ne se presente pas toujours dans la forme canonique.
Comme nous le savons, un modèle peut se presenter avec des contraintes comportant les
symboles , ou = .
IV.1. R`
eles g
en
erales pour formuler le dual
Pour obtenir le dual dun programme primal comportant les equations qui nont pas un
meme sens on procède comme suit:
1) On cherche à standardiser le programme lineaire: soit trouve sa forme canonique ou sa
forme standard.
2) Puis on utilise lune des methodes precedentes: formulation du dual.
IV.2. Description g
en
erale du dual-primal
Maximiser Z o`
u W dans lordre Minimiser Z o`
u W dans lordre
64

Nombre de contraintes
Nombre de variables duales

A la contrainte i
Correspond la variable yi

Contrainte de type yi 0

Contrainte de type
yi 0

Contrainte de type =
yi sans restriction de signe

Nombre de variables(decisions)
Nombre de contraintes

xi 0 Contrainte de type

xi 0
Contrainte de type

xi sans restriction de signe Contrainte de type =
IV.3. Relation entre les valeurs num

eriques des fonctions objectifs
Soient un programme lineaire dans sa forme standard et son dual. Pour toute solution
realisable X au programme lineaire et toute solution realisable Y au son programme dual, on
a:
Dans le cas de maximiser la fonction objectif; la valeur maximale de la fonction objectif
du primal pour toute solution realisable au primal sera toujours inferieure ou egale à la
valeur de la fonction objectif du son dual et on ecrit:
C T X BT Y
Dans le cas de minimiser la fonction objectif; la valeur minimale de la fonction objectif
du primal pour toute solution realisable au primal sera toujours superieure ou egale à
la valeur de la fonction objectif du son dual et on erit:
C T X BT Y
65
On deduit donc que C T X inf(B T Y ) pour toute solution realisable Y du son dual et
que sup(C T X) B T Y pour toute solution realisable X du primal. Par suite sup(C T X)
inf(B T Y ) pour toute solution realisable X et Y du primal et du son dual respectivement.
Etant donne un programme primal de programmation lineaire et son dual, on a exactement
lun des trois cas suivant:
Si X et Y sont deux solutions optimales du primal respectivement du son dual, alors
C T X = B T Y.
Si un programme presente des solutions realisables mais pas de solution optimale nie,
lautre programme nadmet pas de solution realisable.
Aucun des deux programmes na pas de solution realisable.

66
Non lin
eaire
67
Notions sur la convexit

e
D
enition de la convexit
e
enition: Un ensemble K Rn est dit convexe si pour tout couple (x, y) K 2 et [0, 1]
D
on a
x + (1 )y K.
Cette denition peut sinterpreter en disant que le segment reliant x et y doit etre dans K.
Fonctions convexes
enition: On dit quune fonction f : K R, denie sur un ensemble convexe K, est

D
convexe si elle verie:
(x, y) K 2 , [0, 1], f (x + (1 )y) f (x) + (1 )f (y)
Lorsque n = 1 cette denition sinterprète bien geometriquement: le graphe de la fonction
est toujours en dessous du segment reliant les points (x, f (x)) et (y, f (y)).
Corollaire: On denit pour (x, y) K 2 , o`

u K est un ensemble convexe, la fonction
: [0, 1] R par
(t) = f (tx + (1 t)y).
Alors on a lequivalence (t) convexe sur [0, 1], (x, y) K 2 f convexe sur K.
Rappels de calcul di
erentiel
D
enition de la di
erentiabilit
e:
Dans Rn on note x le vecteur colonne

x1

..
.

x=

xn

68
et la notation designera la norme euclidienne

( n ) 21

x = x2k
k=1
enition: Soit f : Rn Rm , on dit que f est continue au point a Rn si pour tout reel
D
> 0 il existe > 0 tel que
x a < = f (x) f (a) < .
enition: Soit f : Rn Rm representee dans la base canonique de Rm par le vecteur

D

f1 (x)

..
.
f (x) =

f (x)
m

continue en a Rn . On dit que f est dierentiable en a sil existe une application lineaire,
notee f (a), telle que pour tout h Rn on ait
f (a + h) = f (a) + f (a)h + h(h)
u (h) est une fonction continue en 0 veriant lim (h)h0 = 0. On appelle f (a) derivee de
o`
f au point a.
Proposition: Soit f : Rn Rm dierentiable en a, alors
f (a + th) f (a)
lim = f (a)h.
t0 t
Proposition: Soit f : Rn Rm dierentiable en a, alors on peut representer f (a) par sa
matrice dans les bases canoniques de Rn et de Rm et on a
fi
[f (a)]ij = (a).
xj
69
On appelle souvent f (a) la matrice jacobienne de f au point a. Lorsque m = 1 on adopte
une notation et un nom particuliers: le gradient est le vecteur note f (a) et deni par
f (a) = f (a)T .
et on a
f (a + h) = f (a) + f (a)T h + h(h).
On se place maintenant dans le cas m = 1, soit f : Rn R.
enition: Soit f : Rn R est dite deux fois dierentiable sil existe une matrice
D
symetrique 2 f (a) telle que
f (a + h) = f (a) + f (a)T h + hT 2 f (a)h + h2 (h).
On appelle 2 f (a) matrice hessienne de f au point a.
Formes quadratiques
D
enition dune forme quadratique:
enition: Soit A une matrice symetrique n n etb Rn . On appelle forme quadratique

D
la fonction f : Rn R denie par
1
f (x) = xT Ax bT x
2
enition: Soit A une matrice symetrique n n etb Rn . On dit que A est semi-denie
D
positive et on note A 0, quand
xT Ax 0, x Rn .
On dit que A est denie positive et on note A > 0, quand
xT Ax > 0, x Rn , x = 0.
70
Lorsque la matrice A est denie positive (resp. semi-denie positive), on dira que f (x) est
une forme quadratique denie positive (resp. semi-denie positive).
Crit`
ere de Sylvester:
Soit A(n n) une matrice symetrique est denie positive ssi det(Ak ) > 0, 1 n, et Ak
matrice (k k) intersection des K premieres lignes et K premieres colonnes.
Th eme: Soit A une matrice symetrique n n etb Rn , et soit f la forme quadratique

eor`
associee, denie par

1
f (x) = xT Ax bT x
2
Soit x le vecteur (unique) veriant Ax = b, alors x realise le minimum de f, cest à dire
f (x ) f (x), x Rn .
71
Caracterisation de la convexit
e en termes Hessien:
u f : R R on a le resultat suivant:
Dans le cas o`
e: Si f : R R est deux fois contin

Propriet ument derivable sur K convexe alors f est

convexe ssi f 0x K, strictement convexe ssi f > 0x K.
Ce resultat se generalise pour n > 1
Th eme: Soit f : K Rn R (K convexe) une fonction deux fois dierentiable alors

eor`
f est convexe ssi 2 f (x) 0x K et strictement convexe ssi 2 f (x) > 0x K.
Exemple: Soit f : Rn R une forme quadratique denie par f (x) = 21 xT Ax bT x alors f
est convexe ssi A 0 et strictement convexe ssi A > 0.
Caracterisation de la convexit
e en termes gradient:
Dans le cas o
u f nest pas supposee quune fois dierentiable alors on a le resultat suivant:
Th
eor`
eme: Soit f : K Rn R (K convexe) une fonction une fois dierentiable
alors f est convexe ssi f (y) f (x) + f (x)T (y x)(x, y) K 2 et strictement convexe ssi
f (y) > f (x) + f (x)T (y x)(x, y) K 2 .
Th
eor`
eme: Soit f : K Rn R (K convexe) une fonction une fois dierentiable
et convexe si f (x )T (x x ) 0 alors le problème min f (x), x K admet une solution
optimale qui verie donc f (x ) f (x)x K.
Unicit
e
Th eme: Soit f : K Rn strictement convexe sur K convexe. Le minimum de f sur

eor`
K, sil existe, est unique.

72
Conditions n
ecessaires doptimalit
e en labsence de con-
traintes
Conditions n
ecessaires:
u K = Rn , cest à dire le problème sans

On va maintenant regarder de plus près le cas o`
contraintes (P). Dans le cas o`

u f est dierentiable, on a le resultat suivant
Th eme: Soit f : Rn R dierentiable et x veriant f (x ) f (x), x Rn , alors on

eor`
a necessairement f (x ) = 0.
Conditions n
ecessaires et susantes
La condition de gradient nul devient susante dans le cas o`

u f est convexe:
Th eme: Soit f : Rn R dierentiable et convexe, si x verie

eor`
f (x ) = 0,
alors on a f (x ) f (x), x Rn .
Lorsque la fonction nest pas convexe, on ne peut donner quune condition necessaire et
susante doptimalite locale. On designera par minimum local (que lon oppose au minimum
global) un vecteur veriant les conditions suivantes:
enition: On appellera x minimum local de f, sil existe > 0 tel que

D
f (x ) f (x), x, x x .
Dans le cas o`
u f est deux fois dierentiable on peut alors donner le resultat suivant:
Th eme: Soit f : Rn R deux fois dierentiable. Si

eor`

f (x ) = 0,

2 f (x ) > 0,
73
alors x est un minimum local de f.
Exercice: Determiner les points stationnaires de la fonction
f (x, y) = 2x3 3x2 6xy(x y 1).
Parmi ces points lesquels sont min locaux, max locaux, ni lun ni lautre?
74
M
ethode de Newton
La methode de Newton permet de construire un algorithme permettant de resoudre le systeme
u g : Rn R est dierentielle:
dequations non-lineaires: g(x) = 0 o`
On se donne x0 Rn et on fait les iterations suivantes:
xk+1 = xk g (xk )1 g(xk ).
Lapplication de cette methode au problème doptimisation:
minf (x)xRn .
Si on pose g(x) = f (x), on obtient les iterations suivantes:
xk+1 = xk 2 f (xk )1 f (xk ).
ument derivable et soit x verie:

Proposition: Soit g une fonction deux fois contin
g(x ) = 0, g (x ) = 0 alors si x0 est susament proche de x alors xk generee par la methode
de Newton converges to x .
Exercice: Soit le problè me minf (x, y, z) = x2 + y 2 + 3xy + xz + 3yz + 6x + 19y 5z.
Resoudre en utilisant la methode de Newton à partir du point initial:
x0 = 10, y0 = 10, z0 = 0.
75
Conditions doptimalit
e en optimisation avec contraintes
D
enition du lagrangien: Considerons le problème (PCE) avec contraintes degalite

minf (x) x Rn

h(x) = 0.
u h : Rn Rp .
o
enition: On appelle Lagrangien associe au problème (PCE) la fonction L : Rn Rp R

D
denie par
L(x, ) = f (x) + pi=1 i hi (x).
D
enition: On dit que x est un point regulier pour la contrainte h(x) = 0 si
(a) h(x ) = 0
(b) Les vecteurs hi (x ) sont lineairement independantes.
Th eme: Soit x un point regulier solution de (PCE). Alors il existe tel que
eor`
x L(x , ) = 0
et de plus pour y = 0 tel que hi (x )T y = 0 on a y T 2xx L(x , )y 0
Th eme: Soit x Rn et Rp veriant les conditions:

eor`
(a) h(x ) = 0
p
(b) f (x ) + i=1 hi (x ) = 0.
(c) y T 2xx L(x , )y 0 pour tout y = 0 veriant
hi (x )T y = 0
76
alors x est un minimum local du probleme (PCE).
Considerons le problème (PCI) avec contraintes dinegalite

minf (x) x Rn

g(x) 0.
Th eme: Soit x un point regulier solution de (PCI). Alors il existe tel que
eor`
x L(x , ) = 0
i 0, 1 i p.
i g(x ) = 0, 1 i p.
et de plus pour y = 0 tel que hi (x )T y = 0 on a y T 2xx L(x , )y 0
Th eme: Soit x Rn et Rp veriant les conditions:

eor`
(a) g(x ) 0
p
(b) f (x ) + i=1 gi (x ) = 0.
(c) i 0, 1 i p.
(d) i g(x ) = 0, 1 i p.
(e) y T 2xx L(x , )y 0 pour tout y = 0 veriant
hi (x )T y = 0
alors x est un minimum local du probleeme (PCI).

Cours D Optimisation

Hochgeladen von

Dokumentinformationen

Originaltitel

Copyright

Verfügbare Formate

Dieses Dokument teilen

Dokument teilen oder einbetten

Freigabeoptionen

Stufen Sie dieses Dokument als nützlich ein?

Sind diese Inhalte unangemessen?

Copyright:

Verfügbare Formate

Cours D Optimisation

Hochgeladen von

Copyright:

Verfügbare Formate

1

Chapitre I. Programmation lin

I.1 Un exemple de probl`

Maintenant, Mr X se demande comment composer ses menus? Il decide donc dimposer

Cereales: au plus 4 services par jour,

Poulet : au plus 3 services par jour,

Oeufs : au plus 2 services par jour,

Lait entier : au plus 8 services par jour,

Tarte aux pommes : au plus 2 services par jour,

Poissons et haricots : au plus 2 services par jour.

Aliment Quantite Energie (kcal) Proteines (g) Calcuim (mg) Prix

Poulet 100g 205 32 12 24

Lait entier 25 cl 160 8 285 9

Tartes aux pommes 170g 420 4 22 20

Poissons et haricots 260g 260 14 80 19

x4 services de lait entier,

x5 services de tarte aux pommes,

x6 services de poissons et haricots.

An de respecter les limites imposees, le menu doit satisfaire :

110x1 + 205x2 + 160x3 + 160x4 + 420x5 + 260x6 2000

4x1 + 32x2 + 13x3 + 8x4 + 4x5 + 14x6 55

2x1 + 12x2 + 54x3 + 285x4 + 22x5 + 80x6 800.

3x1 + 24x2 + 13x3 + 9x4 + 20x5 + 19x6

inegalit`es precedentes et qui rendent la valeur du co

mathematique de ce probl`eme de regime est donc :

Minimiser 3x1 + 24x2 + 13x3 + 9x4 + 20x5 + 19x6

Sous les contraintes :

II. Les programmes lin

Maximiser 5x1 + 4x2 + 3x3 Sous les contraintes :

Sous les contraintes :

reelles x1 , x2 , ..., xn par :

f (x1 , x2 ..., xn ) = c1 x1 + c2 x2 + ... + cn xn

est appelee fonction lineaire.

f (x1 , x2 , ..., xn ) = b est appelee lequation lineaire et les inegalites

ici des contraintes lineaires.

une fonction lineaire tout en respectant un ensemble ni de contraintes lineaires.

fonction objectif du probl`eme.

La fonction f des variables x1 , x2 , x3 , x4 , x5 , x6 denie par:

f (x1 , ..., x6 ) = 3x1 + 24x2 + 13x3 + 9x4 + 20x5 + 19x6

est la fonction objective du probl`eme de regime de Mr X.

constituent une solution realisable ou admissible de ce probl`eme.

Par exemple nous avons vu que x1 = 0, x2 = 0, x3 = 0, x4 = 8, x5 = 2, x6 = 0 est une solution

standard) est appelee solution optimale.

Par exemple x1 = 4, x2 = 0, x3 = 0, x4 = 9/2, x5 = 2, x6 = 0 est la solution optimale de

(0.1). Ainsi la valeur optimale correspondante est 92.5.

Soit il nexiste pas de solution realisable.

Soit, dans un certain sens, il en existe trop.

Exemple : On peut illustrer le premier cas sur le probl`eme

Sous les contraintes:

Sous les contraintes:

Ce probl`eme admet une innite de solutions optimales.

III. Ecriture Matricielle

vecteurs de r`eels de taille m et n respectivement. Resoudre le probl`eme lineaire deni par

Parmi ceux-ci, il faut trouver ceux qui rendent maximal:

IV. Mise sous forme standard

Minimiser f est equivalent `a maximiser -f

Lensemble {x Rn /Ax b, Cx = d} : lensemble des solutions realisables (admissibles),

est appele poly`edre. Cet ensemble est convexe.

Un sommet du poly`edre P = {x Rn /Ax b, Cx = d} est un point x qui ne peut pas

secrire comme combinaison convexe de deux points de P distincts de x.

Le maximum de la fonction objectif, sil existe, est atteint au moins en un sommet de

Exemple: max(4x + 5y) sous conditions:

VI. Principales conditions suivre dans PL