Recherche oprationnelle

Plan du cours
Chapitre I

: Introduction la programmation linaire ............................................................................... 2

Srie 1

: Corrigs des exercices n 1 2 et 5.......................................................................................... 4

Chapitre II

: Rsolution dun PL par la mthode graphique ....................................................................... 9

Srie 2

: Corrigs dexercices ............................................................................................................... 20

Chapitre III : Rsolution dun PL par la mthode dite du Simplexe .................................................... 24

Srie 3

: Corrigs dexercices ............................................................................................................... 30

Chapitre IV : Mthode du Simplexe : Problme de minimisation et problme irrgulier.......................... 39

Chapitre V

: Dualit.........................................................................................................................................

Chapitre VI : Ordonnancement ..........................................................................................................................

T.P. : Programme de rsolution dun PL : L.I.N.D.O.........................................................................................

Recherche oprationnelle

Recherche oprationnelle

Introduction la
programmation linaire

18
02

2005

CHAPITRE
1

I Introduction
La programmation linaire est une classe de modles mathmatiques doptimisation qui a pour objet la
maximisation ou minimisation dune fonction linaire de variables ( appele fonction objectifs soumise des
contraintes (quations ou inquations ).
Le terme programmation indique le fait que cest un problme doptimisation qui, du point de vue
conomique, concerne lallocation efficace des rares ressources certaines activits en vue de maximiser ( ou
minimiser ) un certain objectif.
Le terme linaire indique que les relations mathmatiques qui lient ces activits aux variables sont
linaires.
Lune des dcisions les plus frquentes dun gestionnaire est lallocation des ressources entre des
activits donnes en vue dun objectif dtermin : La minimisation des cots, la maximisation des profits o
loptimisation dun critre quelconque de performance constitue lune des proccupations urgentes du chef
dentreprise surtout que ce dernier dispose de ressources limites en matires premires, main duvre et fonds.
Donc, la programmation linaire fournit au dcideur une mthode pour la recherche des solutions
optimales ces problmes dallocation.

II Formulation dun modle de

dcision
1 Caractristiques dun programme linaire (PL)
Un PL est caractris par :
A Sa fonction conomique ou fonction objectif ou fonction linaire note Z :

Z = C1x1 + C2x2 + + Cnxn

x1,x2, , xn = Variables
Remarque : Si cest un profit, on parle alors de maximiser Z. Sil sagit de cots, lon parle alors de
minimiser Z tout en respectant les contraintes.
B Des inconnues (x1,x2, , xn) ou variables de dcision. indpendantes dont on cherche les valeurs.
C Des contraintes qui doivent vrifier ces inconnues qui prennent la forme dgalits ou ingalits.

2 Formulation dun PL
Un menuisier fabrique des portes et des chaises. Quel est lobjectif du menuisier ?
Sa fonction objectif : Maximiser le profit.

Recherche oprationnelle

Ce menuisier est soumis des contraintes.

On a :
Z = C1x1+C2x2
Avec : x1 = la quantit produite de tables.
x2 = la quantit produite de chaises.
C1 = Prix de vente des tables.
C2 = Prix de vente des chaises.
Il est noter que le profit unitaire gnr par la vente dune table est de 2D. Le profit unitaire gnr par
la vente dune chaise est de 3D. Do :
Z = 2x1 +3x2
x1
2
3
2

HM
MP
U

x2
4
2
3

Disposition
120
240

Supposons que :
- 1 unit produite de tables ncessite 2 units dheures de main duvre et 3 units de matires
premires.
- 1 unit produite de chaises ncessite 4 units dheures de main duvre et 2 units de matires
premires.
- Le menuisier dispose de 120 heures de main duvre et de 140 units de matires premires.
Disposer les donnes en tableau !
HM = Heures de main duvre.
MP = Matire premire.
U = Profit unitaire ( - pi pour profit ).
Le programme linaire scrit sous la forme :
Max Z = 2 x1 +3 x2
Sous les contraintes :
2x1 + 4x2 120
3x1 +2x2 240
avec toujours x1 0 et x2 0 .
La formulation initiale dun programme linaire donne en gnral un problme sous la forme gnrale
qui est :
n

Max ou Min Z = C1x1 + C2x2+ + Cnxn =

C x
i =1

S/C

a11x1 + a12x2 + + a1nxn

.
.

an1x1 + an2x2 + + annxn

b1
bi
= bi

1er type
2me type
3me type

Exemple de formulation
Dans une raffinerie, on fait la distillation de 2 types de ptrole B1 et B2 pour dterminer 3 qualits
dessences E1, E2 et E3.
La raffinerie doit approvisionner un distributeur dessence. La distillation de 100 litres de B1 fournit 10
litres de E1, 10 litres de E2 et 20 litres de E3 alors que la distillation de la mme quantit de B2 fournit 50
litres de E1, 40 litres de E2 et 20 litres de E3.
La raffinerie doit satisfaire une commande de 500 litres de E1, 400 litres de E2 et 600 litres de E3.
Sachant que les cots par m3 sont de 20 d pour B1 et de 25 D pour B2, formulez le PL qui minimise le
cot des quantits des bruts utiliss pour la satisfaction de la demande.

Recherche oprationnelle

Recherche oprationnelle

Correction dexercices
de la srie n1

19
02

Rappels : Les tapes de la formulation dun PL sont :

c Fonction objectif : Max ou Min Z = C1x1 + C2x2+ + Cnxn =

C x
i =1

d Variables de dcision : xj
e Contraintes :

a11x1 + a12x2 + + a1nxn

.
.

b1
bi
= bi

1er type
2me type
3me type

an1x1 + an2x2 + + anmxn

Remarque : Les contraintes forment un systme matriciel : A X = b .

Corrig de lexercice n1
c Fonction objectif : Minimiser les cots des quantits de brut. <-> Zmin = C1x1 + C2x2
d Variables de dcision :
x1 : Quantit de brut de B1.
x2 : Quantit de brut de B2.
e Contraintes : Contraintes de satisfaction des commandes.
Do le PL suivant :
Min Z = 20x1 + 25x2
S
10 x1 + 50 x2
C
10 x1 + 40 x2
20 x1 + 20 x1
avec x1 et x2

500
400
600
0

Corrig de lexercice n2
c Fonction objectif : Maximiser le profit <-> max
d Variables de dcision :
Quantits produites dinterrupteurs de type A : x1

Quantits produites dinterrupteurs de type B :x2

e Contraintes : La production est limite par :
a) 1re contrainte : Le temps de travail
T = nombre dheures de travail disponibles
t1 = nombre dheures ncessaires pour fabriquer un interrupteur de type A.

2005

CHAPITRE
1

Recherche oprationnelle

t2 = nombre dheures ncessaires pour fabriquer un interrupteur de type B.

T = t1 x1 + t2 x2 T
T1 = 2 t2
Si x1 = 0 , on fabrique le maximum de B c..d. x2 = 1000.
Nous avons = t2 x2 = T <-> 1000 t2 = T
Do : 2 t2 x1 + t2 x2 1000 t2

2 x1 + x2 1000

b) 2me contrainte : Lisolant disponible

x1 + x2 600
c) 3me contrainte : La quantit de fil de laiton

Do le PL suivant :
Max = 0,4 x1 + 0,3 x2
S
2 x1 + x2

C
x1 + x2

x1

x2

avec x1 et x2

x1 400
x2 700
1000
600
400
700
0

Corrig de lexercice n5
xi = nombre de chauffeurs qui commencent le travail au dbut de la priode i de 2 heures.
Pour avoir ai pendant la priode i, on essaie de dfinir les contraintes par priode :
x1 + x2 + x3 + x4 + x5 + x6 + x7 +x8 + x9 + x10 +x11 + x12 a1
x1 + x10 + x11 + x12 a1
Priode d : x1 + x2 + x11 + x12 a2
Priode e : x1 + x2 + x3 + x12 a3
Priode f : x1 + x2 + x3 + x4 a4
Priodes 5 12 : xk-3 + xk-2 + xk-1 +xk ak
Exemple pour la priode g : x2 + x3 + x4 + x5
Priode c :

Recherche oprationnelle

Introduction la
programmation linaire

26
02

2005

CHAPITRE
1

Recherche oprationnelle

3 La formulation algbrique dun programme linaire

Forme gnrale G

A
Et

Forme standard S
La formulation initiale dun programme linaire donne en gnral un problme sous une forme gnrale
qui est la suivante :

Forme gnrale G
Max ou Min Z = C1x1 + C2x2+ + Cnxn =

C x
j =1

a11x1 + a12x2 + + a1nxn

b1

1er type

.
.

bi
= bi

2me type
3me type

an1x1 + an2x2 + + anmxn

Les variables de dcision sont x1, x2, , xn et la fonction conomique optimiser est reprsente par Z.
Les paramtres Cij, bi et aij sont des constantes connues davance.
Trois types de contraintes sont gnralement prsentes : , ou = .
Il y a aussi deux catgories de variables de dcision : Certaines sont supposes ne prendre que des
valeurs non ngatives alors que dautres peuvent prendre toute valeur relle. Un PL sous forme gnrale (G)
peut tre transform en un PL quivalent sous forme standard note A ou S.
n

Max Z =

C x
j

j =1

a x
ij

<->

bi

<->

xj 0

Max Z = C1x1 + C2x2+ + Cnxn

b1
a11x1 + a12x2 + + a1nxn
a21x1 + a22x2 + + a2nxn
b2
................................................
................................................
................................................
an1x1 + an2x2 + + annxn bn

La forme gnrale (G) se caractrise par le fait que cest un problme o toutes les contraintes sont du
type et les variables de dcision sont non ngatives.
Sa forme standard (S) est :
Max Z =

C x

a x

ij

= bi

Recherche oprationnelle

xj 0
La forme standard se caractrise par des contraintes sous forme dquations (galit = ).

B Passage de la forme gnrale la forme standard

Un certain nombre de transformations algbriques permettent le passage de la forme gnrale la
forme standard :
n

C x

B1 Si le problme consiste minimiser Z <-> Min Z =

j =1

, on doit changer le sens

doptimisation i.e :
Min Z =

C j x j <-> Max Z =
j =1

(C ) x
j =1

B2 Si le sens dingalit des contraintes est de type suprieur ou gal , lon doit changer le
sens dingalit () :

a x
ij

bi <->

(a ) x
ij

-bi

B3 Si les contraintes sont de type (=), on doit convertir lgalit en ingalit :

aij x j bi (aij ) x j - bi

a
x
=
b
<->
a
x

b
<->
ij j i ij j i et

aij x j bi

B4 Convertir une ingalit en galit en introduisant des variables dcart :

a x

bi <->

a x

a x

bi <->

a x

ij

ij

ij

ij

+ Si = bi

- Si = bi

Remarque : Les variables dcart napportent aucune contribution la fonction objectif.

B5 Dans le cas o les variables de dcision sont libres ou sans contrainte de signe, lon doit
remplacer la variable xj par 2 variables non ngatives.
En dautres termes, si xj est libre, on introduit :
xj+ et xJ- 0
telles que :
xj = xj+ - xJ-

Quelques dfinitions et rappels

Un PL sous forme standard (S) peut tre crit sous une forme matricielle en utilisant la notation
suivante :

Recherche oprationnelle

A = Matrice des coefficients techniques (aij)

C = Matrice des cj
c1

c2
.

C = .

.
..

cn

Pour avoir Max Z :

Max Z = C X
S
AX =b
C
x0

a11

a21
.

A= .

.
.

an1

a1m

. . . . a2 m
.

.
.

an 2 . . . . anm
X = matrice des xi
x1

x2
.

X = .

.
..

xn
a12
a22

-- C est une matrice transpose de C <-> tC.

Une solution possible au PL est un vecteur X qui satisfait les contraintes AX = b.

Recherche oprationnelle

Recherche oprationnelle

Rsolution dun PL
Mthode graphique

26
02

2005

CHAPITRE
2

Lobjet principal de ce chapitre est de proposer une mthode de rsolution dun problme linaire ne
comportant que 2 variables de dcision.
La mthode consiste en la dlimitation de lintersection des demi-plans reprsentant les inquations des
contraintes et en la recherche dans ce domaine des points donnant loptimum de la fonction objectif.

I Dfinitions
1 - Solution possible non ralisable
Elle respecte le principe de la non ngativit et se trouve en dehors du polydre. Autrement dit, elle ne
vrifie pas les contraintes fonctionnelles.

2 Solution possible et ralisable

Elle se trouve lintrieur du polydre. Autrement dit, elle vrifie toutes les contraintes ( contraintes
fonctionnelles et contraintes de signe ).

3 Solution ralisable de base ( note SRB )

Cest un point extrme, sommet ou point extrmal du polydre :
C
A
D
B

4 Solution ralisable non optimale

Cest un point quelconque du domaine se trouvant lintrieur du polydre.

5 Solution optimale
Cest une solution ralisable de base maximisant la valeur de Z ( lorsque loptimisation est une
maximisation).
Elle est obtenue en dplaant la droite z vers le haut paralllement elle-mme (mme pente = mme
coefficient directeur de la droite : y = a x
-- a est la pente, le coefficient directeur ) jusquau
dernier contact avec un point extrme du polydre.

Recherche oprationnelle

II Recherche de la solution
optimale
La recherche de loptimum laide de la mthode graphique ne peut sappliquer aux problmes de + de
2 variables de dcision.
La mthode graphique prsente lavantage dtre simple et permet lillustration de certains principes de
base pour une mthode plus gnrale ( mthode du Simplexe ).

1 Reprsentation graphique des contraintes fonctionnelles

Dans la rgion des solutions possibles, on se propose de dterminer lensemble des solutions ralisables
c..d. qui vrifient simultanment toutes les contraintes fonctionnelles. Pour cela, il nous faut dabord
connatre lensemble des points qui respectent chacune de ces contraintes, chaque contrainte fonctionnelle tant
en relation linaire correspond un seul demi-plan limit par la droite qui reprsente cette contrainte au sens de
lgalit.
La connaissance des demi-plans qui respectent la contrainte rsulte dune simple valuation dun point
quelconque non situ sur la droite.
Dans la pratique, on utilise le point origine de coordonnes (0,0).
Lintersection des demi-plans constitue le polydre convexe : Cest le domaine des possibilits,
domaine de disponibilit, polygone des contraintes.

2 - Recherche de la solution optimale

Sachant que la droite qui correspond au profit Max doit traverser le domaine des solutions ralisables et
quun dplacement vers le haut de cette droite fait crotre la valeur de Z, le dernier point touch, le plus loign
de lorigine correspond la solution optimale.
Remarque : A lorigine,
x1 = 0
x2 = 0
Z=0
T.A.F. : Comment reprsenter la droite de la fonction objectif ?
Max Z =
C1 x1 + C2 + x2
C
Z
x2 =
1 x
C2 C2
C1
Z
x2 =
x1 +
C2
C2

x2 =

C1
x1 + Constante
C2

En gnral,
On fixe Z = 0, nous avons un premier point O de coordonnes ( 0,0 ), nous savons que par 2 points passe
une droite, il suffit de dterminer un deuxime point :
Z : Courbe de niveau

C
Z
z = x2 = 1 x1 + 0 nb :
= 0
Il suffit de reprsenter Z pour le 1er niveau
C2
C
2

qui correspond Z/C2 = 0 <-> Z = 0

O( 0,0 )
A( ?, ? ).

10

Recherche oprationnelle

3 Solutions optimales : Diffrents cas possibles

1er cas : Pas de solution, le polydre est vide.
5
4
3
2
1
-5 -4 -3 -2 -10
-1
-2
-3
-4
-5

1 2 3 4 5

2me cas : Il y a une solution unique optimale, elle se situe toujours un sommet du polygone.
3me cas : La solution optimale se situe sur un ct du polygone. Dans ce cas, la pente de la fonction
objectif (Z) est identique celle de la droite qui porte ce ct, plusieurs solutions optimales existent et
fournissent le mme gain.

4me cas : Solutions infinies : La solution optimale se trouve rejete linfini.

11

Recherche oprationnelle

Exemple applicatif : soit le PL suivant :

Max Z = 25 x1 + 15 x2
S
C 2 x1 +2 x2 240
3 x1 + x2 140
x1 0 et x2 0
T.A.F. : Rsoudre graphiquement ce PL !

Corrig :
1re tape : Reprsentation des droites des contraintes
1 = 2 x1 + 2 x2 = 240 x2 = 120 x1
2 = 3 x1 + x2 = 140 x2 = 140 3 x1

-- A(0,120)
-- C(0,140)

B(120,0)
D(40,20)

2me tape : Reprsentation de la droite de la fonction objectif Z

C
A

D
B

12

Recherche oprationnelle

C1
x1
C2
25
Z = x2 = x1
15
5
Z = x2 = x1
3
-- O(0,0)

Z = x2 =

E(120,-200)

La solution optimale est le point B.

B = 1 2
3me tape : Dterminer les coordonnes de B Rsoudre le systme suivant :
2 x1 + 2 x2 = 240
et par substitution lon a :

3 x1 + x2 = 140
x 2 = 120 x1

3x1 + 120 x1 = 140

x 2 = 120 x1

x1 = 10

x 2 = 110

x 1 = 10

do B(10,110)
do Z* = 1900

13

Recherche oprationnelle

Rsolution dun PL
Mthode graphique

05
03

2005

Recherche oprationnelle

CHAPITRE
2

Exemple applicatif n2 : soit le PL suivant :

Min Z = 24 x1 + 20 x2
S
C x1 + x2 30
x1 + 2 x2 40
x1 0 et x2 0
T.A.F. : Rsoudre graphiquement ce PL !

Corrig :
1re tape : Reprsentation des droites des contraintes
1 = x1 + x2 = 30 x2 = 30 x1
-- A(0,30)
B(30,0)
2 = x1 + 2 x2 = 40 x2 = 20 x1
-- C(0,20)
D(40,0)
2me tape : Reprsentation de la droite de la fonction objectif Z
C
Z = x2 = 1 x1
C2
24
Z = x2 =
x1
20
6
Z = x2 = x1
-- O(0,0)
E(5,-6)
5
Pour un problme de minimisation, on fait descendre la courbe Z le 1er point touch par Z est
alors le point D (40,0) = dernier point touch 24 * 40 + 20 * 0 = 960 Z* = 960.

A
C

14

Recherche oprationnelle

Ce problme de minimisation ne diffre de celui de la maximisation que par la recherche des

courbes de niveau qui donne la plus petite valeur de la fonction objectif tout en satisfaisant toutes les
contraintes.
Graphiquement, on dplace la droite de la fonction objectif paralllement elle-mme
lintrieur du domaine des possibilits. La fonction objectif diminue de valeur mesure quon se
rapproche de lorigine des axes. Cela correspond loptimum puisquil sagit dun point de
minimisation.

Diffrentes solutions possibles dun PL par la mthode graphique

1er cas : Problme impossible
Min Z = 3 x1 + 2 x2
S
x1 + 2 x2 2
C
2 x1 + 4 x2 8
x1 0 et x2 0
Soient 1 = x1 + 2 x2 = 2 x2 = 1 x1
-- A(0,1)
2 = 2 x1 + 4 x2 = 8 x2 2 x1
-- C(0,2)
3
-- O(0,0)
Z = - x1
2
Lespace des solutions ralisables est vide ; cest un problme impossible.

B(2,0)
D(4,0)
E(2,-3)

2me cas : Problme solutions multiples

Max Z = x1 + 3 x2
S
2 x1 + 6 x2 30
C
x1 10
x2 4
x1 0 et x2 0
Soient 1 = 2 x1 + 6 x2 = 30 x2 =
2 = x1 = 10
3 =x2 = 4
1
Z = - x1
3
6
5

30 6 x 2
1
5 x1
2
3

-- A(0,5)

B(3,4)

-- O(0,0)

E(3,-1)

A
B

4
3
2
1
-3

-2

-1 0
-1
-2

10 11

15

Recherche oprationnelle

Lensemble des points dcrits par le segment [B,D] reprsente les solutions optimales du PL. Cest un
problme solutions multiples :
1
1

x1 = 3
x2 = 5 x1
4 = 5 x1
D = 1 2
D(3,4) Z* = 15.
3
3
x2 = 4
x2 = 4
x2 = 4

3me cas : Problme avec solutions non-bornes

Max Z =
S
C

Soient :

-2 x1 + 3 x2
x1 5

2 x1 3 x2 6
x1 0 et x2 0

1 = 5

2
2 = x2 = -2 + x1 -- A(0,-2)
B(3,0)
3
2
Z = x2 = x1
-- O(0,0)
C(3,2)
3
On peut augmenter la valeur de la fonction objectif
indfiniment ( dplacement de Z vers le haut ). Donc, la solution est
non borne.

1
-1 0
-1

3B 4

-2 A
-3

4me cas : Problme de dgnrescence

Max Z =
S
C

Soient :

x1 +x2
3 x1 + 2 x2 40
x1 10
x2 5

x1 0 et x2 0

1 =3 x1 + 2 x2 = 40 x2 =
2 = x1 = 10
3 = x2 = 5
Z = x2 = - x1

40 3x1
3
x 2 = 20 x1
2
2

-- A(0,20)

B((20,-10)

-- O(0,0)

C(20,-20)

B
0

C
La solution optimale B(10,5) est dite dgnre si trois contraintes concourent en ce point.

16

Recherche oprationnelle

Exemple applicatif n1
Max Z = 100 x1 + 200 x2
S
x1 + x2 150
C
4 x1 +2 x2 440
x1 + 4x2 480
x1 90
x1 0 et x2 0

Corrig
Soient les droites suivantes :
1 = x1 +x2 =150 x2=150 x1
2 = 4 x1 + 2 x2=440 x2 = 220 2 x1
1
3 = x1 +4 x2 = 480 x2 = 120 x1
4
4 = x1 =90
-100
-1
Z =
x
x
200 1
2 1

-- A(0,150)
-- C(0,220)

B(150,0)
D(110,0)

-- E(0,120)

F(480,0)

-- O(0,0)

G(220,-110)

H est la solution optimale.

H= 1 3
x1 +x2 = 150 c

c - d = 330 x2 = 110
x1 +4 x2 = 480 d
x1 = 150-110 x1 = 40 H(40,110)
: * = 40 * 100+110 * 200= 26000
: * = 26000

17

Recherche oprationnelle

Exemple applicatif n2
Max Z = 30 x + 70 y
S
4 x + 10 y 80
C
14 x +8 y 112
x + y 10
x 0 et y 0

Exemple applicatif n3
Max Z = 8 x + 2 y
S
2 x -6 y 12
C
5 x +4 y 40
x + 2 y 12
y6
x 0 et y 0

Corrig
Soient les droites suivantes :
2 x 12
1
1 = 2 x 6 y = 12 y=
y = x -2
6
3
B(6,0)
5
2 = 5 x + 4 y = 40 10 x
4
D(8,0)
1
3 = x + 2 y =12 y = 6 x
2
F(12,0)
4 = y = 6
Z = y = 4 x
G(1,-4)

11
10
9
8
7
6
5
4
3
2
1
-5 -4 -3 -2 -10
-1
-2
-3
-4
-5

-- A(0,-2)
-- C(0,10)
-- E(0,6)

-- O(0,0)

D
B
F
1 2 3 4 5 6 7 8 9 10 11 12 13
A
H

18

Recherche oprationnelle

La solution optimale est le point J = 2 3 Le systme suivant est donc

rsoudre :
x + 2 y =12 c
2 x + 4 y = 24
10
16

et y =
3 x = 16 x =

5 x + 4 y = 40
5 x + 4 y = 40
3
3
:*=8*

16
10
128 20 148
+2*
:*=
+ =
3
3
3
3
3
148
:*=
.
3

19

Recherche oprationnelle

Recherche oprationnelle

Correction des exercices

de la srie n2

Exercice n1
Fonction Objectif :

Max = 100 x1 +200 x2

Variables de dcision :
x1 : Surface alloue la culture des tomates.
x2 : Surface alloue la culture des piments.

Contraintes :

Main duvre
:
x1 + 4 x2 480
Eau
:
4 x1 +2 x2 440
Surface de terrain
:
x1 +x2 150
Limitation du bureau du primtre irrigu : x1 90
Avec x1 0 et x2 0

Rsolution : Voir exemple applicatif n 1 du 05

2005.
2

Exercice n2
Fonction objectif :
Minimiser le nombre de pilules prescrire.

Variables de dcision :
x1 = Nombre de pilules de petite taille.
x2 = Nombre de pilules de grande taille.

Contraintes :
Au moins 12 graines daspirine
Au moins 74 grains de bicarbonate
Au moins 24 grains de codine

2 x1 +x2 12
5 x1 + 8 x2 74
x1 +6 x2 24

20

12
03

2005

CHAPITRE
2

Recherche oprationnelle

Rsolution graphique
Soient :
1 = 2 x1 + x2 = 12 x2=12-2 x1
37 5
2 = 5 x1 + 8x2 =74 = x1
4 8
1
3 = x1 + 6 x2 =24 x2= 4 x1
6
Z = x2= -x1

-- A(0,12)

B(6,0)

-- C(2,8)

D(10,3)

-- (E(0,4)

F(12,2)

-- O(0,0)

G(2,-2)

E
D
F

Le point C(2,8) constitue la solution optimale, do : * = 10.

Exercice n3
Fonction objectif:

Max = 900 x1 + 1000 x2

Variables de dcision:
x1 : nombre dunits du produit P1
x2 : nombre dunits du produit P2

21

Recherche oprationnelle

Contraintes :
Contraintes de temps

11 x1 + 9 x2 9900
7 x1 + 12 x2 8400
6 x1 + 16 x2 9600
avec x1 0 et x2 0

Rsolution
11
2 = 11 x1 + 9 x2 = 9900 x2=1100 - - x1
9
7
2 = 7 x1 + 12 x2 = 8400 x2=700 x1
12
3
3 = 6 x1 + 16 x2 = 9600 x2= 600 x1
8
9
Z = x2 = - x1
10

A(0,1100)

B(900,0)

C(0,700)

D(1200,0)

E(0,600)

F(1600,0)

O(0,0)

G(1000,-900)

La solution optimale est H = 3 2

22

Recherche oprationnelle
7 x1 + 12 x2 = 8400 c
6 x + 16 x = 9600d

3
9600 * 3
(6 x1 + 16 x2 ) =
4
4

5
x = 1200
2 1

7 x1 +12 x2 = 8400
9 x +12 x = 7200
2
2 1
1200 * 2
x1 =
= 480
5

x2 = 420

do : * = 900 * 480 + 1000 * 420= 852000

Z* = 852000

23

Recherche oprationnelle

La mthode du
Simplexe

12
03

2005

Recherche oprationnelle

CHAPITRE
3

I - Introduction
On a prsent dans le chapitre prcdent une procdure graphique pour rsoudre un PL 2 variables. Par
contre, dans la plupart des problmes rels, on a plus de 2 variables dterminer.
Une procdure algbriques pour rsoudre les PL avec plus de 2 variables fera lobjet de ce chapitre.
Cest la mthode du Simplexe . Une implmentation de cette procdure a permis de rsoudre des PL avec un
peu plus de quelques milliers de variables. Le programme LINDO quon prsentera supporte au plus 200
variables et 100 contraintes.
Dans ce chapitre, la mthode du Simplexe est prsente pour les problmes de la forme :

Max tC x
S Axb
C

x0

et en utilisant le problme de lagriculteur (cf. Srie n2, ex n1) :

Max Z = 100 x1 + 200 x2
S
x1 + x2 150
C
4 x1 +2 x2 440
x1 + 4x2 480
x1 90
x1 0 et x2 0

II Mise sous forme standard

La mise sous forme standard consiste introduire des variables supplmentaires ( 1 pour chaque
contrainte ) de manire rcrire les ingalits ( ) sous la forme dgalits. Chacune de ces variables
reprsente le nombre de ressources non utilises. On les appelle variables dcart.
La forme gnrale scrit donc :
Max

C1x1 + C2x2+ + Cnxn

a11x1 + a12x2 + + a1nxn
b1
a21x1 + a22x2 + + a2nxn
b2
................................................
................................................
................................................
an1x1 + an2x2 + + annxn bn

24

Recherche oprationnelle

La forme standard serait alors :

Max C1x1 + C2x2+ + Cnxn + 0 S1 + 0 S2 + + 0 Sn
S

a11x1 + a12x2 + + a1nxn +

S1

b1

S2
=
b2
a21x1 + a22x2 + + a2nxn +
.........................................................................................
.........................................................................................
.........................................................................................
an1x1 + an2x2 + + anmxn
Sm
=
bm

Exemple : La forme standard du problme de lagriculteur est :

Max Z = 100 x1 + 200 x2 + 0 S1 + 0 S2 + 0 S3 + 0 S4
S
x1 + x2 + S1 = 150
C
4 x1 + 2 x2 + S2 = 440
x1 + 4 x2 + S3 = 480
x1 + S4 = 90
x1 0, x2 0, S1 0, S2 0, S3 0 et S4 0

c
d
e
f
g
h

III Revue algbrique de la

mthode du Simplexe
La question qui se pose est : Que demande-t-on dune procdure algbrique?
En premier lieu, on note que les contraintes du problme forment un systme de 4 quations et 6
variables Or, il y a un nombre infini de solutions ce systme. Une procdure algbrique pour la rsolution
dun PL doit tre capable de retrouver les solutions des systmes dquations o il y a plus de varibales que de
contraintes.
En deuxime lieu, on peut noter que ce nesont pas toutes les solutions qui vrifient toutes les contraintes
qui sont solutions au PL; ils doivent en plus satisfaire les contraintes de non ngativit. Ainsi, un procdure
algbrique doit tre capable dliminer de lensemeble des solutions qui satisfait les contraintes celles qui
narrivent pas satisfaire les contraintes de non ngativit.
Finalement, une procdure algbrique pour rsoudre lesPL doit tre en mesure de choisir parmi
lesoslutions ralisables celles qui maximisent la fonction objectif.
La mthode du Simplexe est une procdure algbriquee qui tient compte de ces 3 considrations.
Pour illustrer cette procdure, supposons que x2 = 0 et S1 = 0 :
On a x2=S1 =0
Do le systme suivant :
4 x1 + SX21== 150
440
x1 + S3 =480
x1 + S4 =90
Do les solutions suivantes :
x1 = 150
x2 = 0
S1 = 0
S2 = -160
S3 = 330

25

Recherche oprationnelle

S4 = -60
Les variables x1, S2, S3 et S4 , non nulles, sont dites variables de base ( notes VB ) et les
variables S1 et x2, nulles, sont dites variables hors base ( notes VHB).
Gnralement, si on a un PL standard constitu de n variables et m contraintes avec n m, alors
une solution de base ( cest un extrme ) est obtenue en annulant n-m variables et en rsolvant les m
contraintes pour dterminer les valeurs des autres m variables.
On note quune solution de base nest pas toujours ralisable. Cest le cas de la solution quon
vient de trouver.
Une solution ralisable de base serait celle o :
SS12 == 150
x1=x2=0
440

S3 =480
xj = 0
S4 = 90
Cette solution correspond un point extrm de lensmeble des solutions ralisables qui est
lorigine O.
Pour la mthode du Simplexe, une SRBi ( i.e. solution ralisable de base initiale ) est demande.
Une telle solution peut tre retrouve en annulant toutes les variables de dcision ( ce qui correspond
dans la mthode graphique au point dorigine O ).
Apartir de ce point, la mthode du Simplexe va gnrer successivement des solutions ralisables
de base pour notre systme dquations en sassurant que la valeur de la fonction objectif est en train
daugmenter jusqu localiser la solution optimale du problme qui est un point extrme de lespace des
solutions ralisables, donc une solution ralisable de base.
Ainsi, on peut dcrire la mthode du Simplexe comme tant une procdure itrative qui passe de
la SRBi une autre solution ralisablede base jusqu atteindre la solution optimale.

26

Recherche oprationnelle

Recherche oprationnelle

La mthode du
Simplexe

19
03

2005

CHAPITRE
3
Rappels
PL de lagriculteur :
Forme gnrale
Max Z = 100 x1 + 200 x2
S
x1 + x2 150
C
4 x1 +2 x2 440
x1 + 4x2 480
x1 90
x1 0 et x2 0

Forme standard
Max Z = 100 x1 + 200 x2 + 0 S1 + 0 S2 + 0 S3 + 0 S4
S
x1 + x2 = 150
C
4 x1 +2 x2 = 440
x1 + 4x2 = 480
x1 = 90
x1 , x2 0 et S1 , S2 , S3 , S4 0

SRBi
x1=x2=0
=0

S1 = 150
S2 = 440
S3 = 480
S4 = 90

IV - La mthode du Simplexe
A Tableau du Simplexe initial ( lorigine )
Ci
0
0
0
0

Cj
Qi
150
440
480
90
0

VB
S1
S2
S3
S4
Zj
Cj - Zj

100
x1
1
4
1
1
0
100

200
x2
1
2
4
0
0
200

VE

0
S1
1
0
0
0
0
0

0
S2
0
1
0
0
0
0

0
S3
0
0
1
0
0
0

0
S4
0
0
0
1
0
0

Ri
150
220
120

VS

Ri : Ratio .
VE : Variable entrante Correspond la colonne Pivot.
VS : Variable sortante Correspond la ligne Pivot.
: lorsque division par zro, tend vers linfini.
Cj Zj : Effet de laugmentation de la jme variable.
On remarque quon a plac en premire ligne les contributions unitaires de toutes les variabes (de
dcision & dcart ) dans la fonction objectif.

27

Recherche oprationnelle

Dans la 3me ligne, on retrouve la 1re contrainte. La valeur 150 reprsente la valeur de S1 relative la
solution ralisable de base initiale ou SRBi.
Dans la 1re colonne (Ci), on retrouve les contributions nulles des variables dcart qui forment les SRBi.

B Amlioration de la solution
Pour amliorer la solution, il faut gnrer une autre solution de base (point extrme) qui augmente la
valeur de la fonction objectif, i.e. quon doit slectionner une variable hors base ( VHB ) et variable de base
(VB) et les permuter de telle faon que la nouvelle solution donne une plus grande valeurde la fonction objectif.
Pour savoir si lon peut amliorer notre SRBi , nous allons introduire 2 nouvelles lignes au-dessous du
tableau du Simplexe :
- La 1re ligne, note Zj, reprsente la variation de la valeur de la fonction objectif qui rsulte du
fait quune unit de la variable corrrespondante la jme colonne de la matrice A est amene
dans
la
base.
Gnralement, lon a Zj = aij Ci
- La 2me ligne, note Ci Zj , reprsente leffet net de laugmentation dune unit de la jme
variable.
En analysant la ligne relative lvaluation nette Cj Zj , on remarque quune augmentation dune unit
de la valeur x1 engendre un profit de 100D et quune augmentation dune unit de la valeur de x2 engendre un
profit supplmentaire de 200D .donc, si on a choisir, on va opter pour une augmentation de la valeur de x2 . On
dit que x2 est la variable entrante.
Le problme est maintenant jusquo on peut augmenter x2. Cette augmentation ne peut pas se faire
indfiniment. Sous lhypothse que x1 reste nulle, on a :
X1 + S1 = 150
440
2 x2 + S2 = 440 S2 = 0, 2 x2 = 440 x2 =
x2 = 220
2
480
4 x2 + S3 = 480 S3 = 0, 4 x2 = 480 x2 =
x2 = 120
4
S4 = 90
On peut voir que x2 peut prendre comme valeur maximale 120 ( Il ne faut pas oublier que les Si sont des
variables positives ).
SRBi
SRB
S1 = 150
S1 =
S2 = 440
S2 =
S3 = 480
x2 = 120
S4 = 90
S4 =

C Calcul du tableau suivant

Ci
0

VB
S1

Cj
Qi
30

S2

200

200

X2

120

S4
Zj

90
24000
Cj - Zj

100
x1
3
4
7
2
1
4
1
50
50

VE

200
x2
0

0
S1
1

0
S2
0

0
200
0

0
0
0

0
0
0

0
S3
1
4
1
2
1
4
0
50
-50

0
S4
0
0
0
1
0
0

Ri
40
400
7
480
90

28

VS

Recherche oprationnelle

Si Cj Zj 0 La solution est optimale.

Dans notre cas : Solution non optimale = SRB Nouvelle itration indispensable.
Ce qui reste dterminer sont les coefficients aij de la nouvelle matrice A et les valeurs Qi des variables
de base. Ceci est ralis en utilisant la rgle du pivot :
tape c: Diviser la ligne du pivot par la valeur de llment pivot pour trouver la
ligne transforme de la ligne du pivot.
tape d : chacune des variables de base, on associe la valeur 1 lintersection de la
ligne et de la colonne relatives cette mme variable et dans le reste de la
colonne on trouve des zros.
tape e : Pour calculer le reste des valeurs du tableau, on opre des combinaisons
linaires dans le prcdent tableau du Simplexe. Par exemple, pour calculer
la nouvelle valeur qui va prendre la place de la valeur 150 devant la variable
de base S1 on procde comme suit :
150 * 4 (1 * 480 )
=30
4
440 * 4 2 * 480
=200
4
90 *4 0 * 480
=90
4
1*41*1 3
=
4
4

D Itration suivante
Ci
100

VB
X1

Cj
Qi
40

S2

60

200

X2

110

S4

50

Zj

26000

100

200

Cj - Zj

100
1

200
x2
0

x1

0
S1
4
3
14
3
1
3
4
3
200
3
200
3

0
S2
0
1
0
0
0
0

0
S3
1
3
2
3
1
3
1
3
100
3
100
3

0
S4
0
0
0
1
0
0

Cj Zj 0 Solution optimale
SRB : x1 = 40
X2 = 110
= 26000

29

Recherche oprationnelle

Recherche oprationnelle

Correction des exercices

de la srie n3

Rappels : La mthode du
simplexe
tape c : FG FS
FG :
Max

C1x1 + C2x2+ + Cnxn

a11x1 + a12x2 + + a1nxn
b1
a21x1 + a22x2 + + a2nxn
b2
.................................................
.................................................
.................................................
an1x1 + an2x2 + + anmxn bn

FS :
C1x1 + C2x2+ + Cnxn + 0 S1 + 0 S2 + + 0 Sn
a11x1 + a12x2 + + a1nxn +
S1
=
b1
a21x1 + a22x2 + + a2nxn +
S2
=
b2
....................................................................................
....................................................................................
....................................................................................
an1x1 + an2x2 + + anmxn
Sn
=
bn
x 0
si 0

tape d : SRBi

On annule toutes les variables de dcision dans les quations des contraintes :
S1 = b1
S2 =b2
.
.
La SRBi correspond lorigine.
.
.
.
Sn =bn

SRB

30

26
03

2005

CHAPITRE
3

Recherche oprationnelle

tape e : Tableau initial du simplexe

Ci
0
0

VB
S1
S2

0
0

S3
S4

Zj

Cj
Qi
b1
B2

C1
x1
a11
a21

C2
a12
a22

C3
x3
a13
a23

B3
B4

a31
a41

a32
a42

a33
a43

x2

PIVOT

0
S1
1
0

0
S2
0
1

0
S3
0
0

0
0

0
0

1
0

Ri
Ligne
Pivot

Cj - Zj
Colonne
pivot

VE = Cj Zj la plus grande possible.

VS = celle qui possde le ratio le plus faible positif.

tape f : 2me tableau du simplexe

-

Diviser la ligne pivot par llment pivot.

Marquer 1 dans chaque intersection dune VRB avec elle-mme et 0 chaque intersection dune
VRB avec une autre VRB.
Cellules restantes : Procder des combinaisons linaires comme suit :
Erreur !

Lalgorithme sera rpt jusqu obtention de la solution optimale qui correspond Cj Zj 0

Exercice n1
A - FG FS
Max
S
C

FG
Z = 2 x1 + 5 x2
x1 400

x2 300
x1 + x2 600
avec x1 0 et x2 0

FS
Max Z = 2 x1 + 5 x2 + 0 S1 + 0 S2 + 0 S3
S
x1 +S1 = 400
C
x2 + S2 = 300
x1 + x2 + S3 = 600
avec x1 , x2 0 et S1 , S2 , S3 0

B SRBi

S1 = 400
S2 = 300
S3 = 600

31

Recherche oprationnelle

C Tableau initial
Ci
0
0

VB
S1
S2

Cj
Qi
400
300

2
x1
1
0

5
x2
0

S3
Zj

600
0

1
0
2

1
0
5

VE

Cj - Zj

0
S1
1
0

0
S2
0
1

0
S3
0
0

0
0
0

0
0
0

1
0
0

Ri

300

VS

600

D Nouvelle matrice transforme

Ci
0
5
0

SRB = S1
x2
S3
1re tape : Diviser la ligne pivot par llment pivot.
2me tape : Mettre 1 chaque croisement de chaque variable de base avec elle-mme.
3me tape : Mettre 0 chaque croisement de chaque variable de base avec une autre variable de base.
Cj
2
5
0
0
0
VB
Qi
x1
x2
S1
S2
S3
Ri
S1
400
1
0
1
0
0
400
x2
300
0
1
0
1
0

S3
300
0
0
-1
1
300 VS
1
Zj

1500
Cj - Zj

0
2

VE

5
0

0
0

5
-5

0
0

5
x2
0
1
0
5
0

0
S1
1
0
0
0
0

0
S2
1
1
-1
3
-3

0
S3
-1
0
1
2
-2

E Nouvelle matrice transforme

SRB : S1
x1
x2

Ci
0
5
2

VB
S1
x2
x2
Zj

Cj
Qi
100
300
300
2100
Cj - Zj

2
x1
0
0
1
2
0

Les Cj Zj 0 Cest la solution optimale

x1 = 300
x2 = 300
max = 2100

32

Recherche oprationnelle

Exercice n2
A - FG FS
Max
S
C

FG
Z = 100 x + 150 y
10 x + 4 y + S1 160

Max
S
C

x + y + S2 20
10 x + 20 y + S3 300
avec x 0 et y 0

FS
Z = 100 x + 150 y + 0 S1 + 0 S2 + 0 S3
10 x + 4 y + S1 = 160

x + y + S2 = 20
10 x + 20 y + S3 = 300
avec x , y 0 et S1 , S2 , S3 0

B SRBi

S1 = 160
S2 = 20
S3 = 300

C Tableau initial
Ci
0
0
0

Cj
Qi
160
20
300
0

VB
S1
S2
S3
Zj
Cj - Zj

100
x
10
1
10
0
100

150
y
4
1
20
0
150

VE

0
S1
1
0
0
0
0

0
S2
0
1
0
0
0

0
S3
0
0
1
0
0

Ri
40
20
15

VS

D Nouvelle matrice transforme

SRB = S1
S2
y
1re tape : Diviser la ligne pivot par llment pivot.
2me tape : Mettre 1 chaque croisement de chaque variable de base avec elle-mme.
3me tape : Mettre 0 chaque croisement de chaque variable de base avec une autre variable de base.
Cj
100
150
0
0
0
Ci
VB
Qi
x
y
S1
S2
S3
Ri
1
12.5
0
S1
100
8
0
1
0
5
1
1
0
S2
5
0
0
1
10
VS
2
20
1
1
150
y
15
1
0
0
30
2
20
Zj
2250
75
150
0
0
7.50
15
Cj - Zj
25
0
0
0
2

33

Recherche oprationnelle

VE

E Nouvelle matrice transforme

SRB : S1
x
y
100
x
0

150
y
0

0
S1
1

0
S2
-16

Ci
0

VB
S1

Cj
Qi
20

100

10

150

10

-1

Zj

2500

100
0

150
0

0
0

50
-50

Cj - Zj

0
S3
6
10
1
10
1
10
5
-5

Les Cj Zj 0 Cest la solution optimale

x = 10
y = 10
max = 2500

Exercice n3
A - FG FS
Max
S
C

FG
Z = 600 x1 + 540 x2 + 375 x3
x1 + x2 + x3 12

FS
Max Z = 600 x1 + 540 x2 + 375 x3 + 0 S1 + 0 S2 + 0 S3
S
x1 + x2 + x3 +S1 = 12
C
x1 + S2 = 5
80 x1 + 70 x2 +50 x3 + S3 = 750
avec x1 , x2 0 et S1 , S2 , S3 0

x1 5
80 x1 + 70 x2 +50 x3 750
avec x1 , x2 et x3 0

B SRBi

S1 = 12
S2 = 5
S3 = 750

C Tableau initial
Ci
0
0

VB
S1
S2

Cj
Qi
12
5

600
x1
1

S3
Zj

750
0
Cj - Zj

540
x2
1
0

375
x3
1
0

0
S1
1
0

0
S2
0
1

0
S3
0
0

80
0
600

70
0
540

50
0
375

0
0
0

0
0
0

1
0
0

Ri
12
5
9,375

34

VS

Recherche oprationnelle

VE

D Nouvelle matrice transforme

SRB = S1

Ci
0
600
0

x1

S3

VB
S1
x1
S3

Cj
Qi
7
5
350

600
x1
0
1
0

540
x2
1
0

Zj

3000

600
0

0
540

VE

Cj - Zj

70

375
x3
1
0
50

0
S1
1
0
0

0
S2
-1
1
-80

0
S3
0
0
1

0
375

0
0

600
-600

0
0

Ri
7

VS

E Nouvelle matrice transforme

SRB : S1

x1

x2

Ci

VB

Cj
Qi

600
x1

540
x2

S1

600

x1

540

x2

Zj

5700

600
0

540
0

Cj - Zj

375
x3
2
7
0
5
7
385,71
-10.71

0
S1
1
0
0
0
0

0
S2
1
7

1
8
7
-17,14
17.14

VE
-

0
S3
1
70
0
1
70
7.71
-7.71

Ri
14
5
35
8

VS

8 La variable sortante est celle qui possde le ration le plus faible positif !
F Nouvelle matrice transforme
SRB : S1 = 0

S2 = 0

x2 = 540

Cj
600
Ci
VB
Qi
x1
9
1
0
S1
7
7
0
S2
5
1
75
8
540
x2
7
7
Zj
5785,71
617,14
Cj - Zj
-17.14
Les Cj Zj 0 Cest la solution optimale
x=0
75
y=
7
max = 5785.71

540
x2
0
0
1
540
0

375
x3
2
7
0
5
7
385,71
-10.71

0
S1

0
S2

0
0

0
0

0
S3
1
70
0
1
70
7,71
-7.71

35

Recherche oprationnelle

Exercice n4
A - FG FS
Max
S
C

FG
Z = 50 x1 + 60 x2
x1 + 2 x2 8

FS
Max Z = 50 x1 + 60 x2 + 0 S1 + 0 S2 + 0 S3
S
x1 + 2 x2 +S1 = 8
C
2 x1 + 2 x2 + S2 = 10
9 x1 + 4 x2 + S3 = 36
avec x1 , x2 0 et S1 , S2 , S3 0

2 x1 + 2 x2 10
9 x1 + 4 x2 36
avec x1 0 et x2 0

B SRBi

S1 = 8

S2 = 10

S3 = 36

C Tableau initial
Ci
0

VB
S1

Cj
Qi
8

0
0

S2
S3
Zj

10
36
0
Cj - Zj

50
x1
1

60
x2

2
9
0
50

2
4
0
60

VE

0
S1
1

0
S2
0

0
S3
0

0
0
0
0

1
0
0
0

0
1
0
0

0
S2
0

0
S3
0

Ri
8

2
20
7

Ri
4

VS

5
9

D Nouvelle matrice transforme

SRB = x2

S2

S3

Ci
60

VB
x2

Cj
Qi
4

S2

0
S1
1
2
-1

S3

20

-2

Zj

240

30
20

VE

60
0

30
-30

0
0

0
0

60
x2
1

S3
0
S1
1

0
S2
1
2
1
-7
20
-20

0
S3
0

Cj - Zj

50
x1
1
2

60
x2
1

VS

E Nouvelle matrice transforme

SRB : x2
Ci
60

VB
x2

Cj
Qi
3

50
0

x1
S3
Zj

2
6
280

x1
50
x1
0

1
0
0
0
50
60
Cj - Zj
0
0
Les Cj Zj 0 Cest la solution optimale.

-1
5
10
-10

0
1
0
0

36

Recherche oprationnelle

x1 = 2

max = 280

x2 = 3

Exercice n5
A - FG FS
Max
S
C

FG
Z = 7 x1 + 5 x2 + 5x3 +4 x4
2 x1 + 4x2 +2x3 + 3 x4 45000

Max
S

x1 +x2 6000
x3 +x4 7000
x1 + x3 5000
x2 + x4 6000
avec x1 , x2 , x3 et x4 0

B SRBi

S1 = 45000

S2 = 6000

FS
Z = 7 x1 + 5 x2 + 5x3 +4 x4 + 0 S1 + 0 S2 + 0 S3
+ S4 + 0 S5
2 x1 + 4x2 +2x3 + 3 x4 + S1 = 45000

x1 +x2 + S2 = 6000
x3 +x4 + S3 = 7000
x1 + x3 + S4 = 5000
x2 + x4 + S5 = 6000
avec x1 , x2 , x3 et x4 0 et S1 , S2 , S3 , S4 et S5 0

S3 = 7000

S4 = 5000

S5 = 6000

C Tableau initial
Ci
0
0
0
0

VB
S1
S2
S3
S4

Cj
Qi
45000
6000
7000
5000

7
x1
2
1
0

S5
6000
Zj
0
Cj - Zj

0
0
7

VE

5
x2
4
1
0
0

5
x3
2
0
1
1

4
x4
3
0
1
0

0
S1
1
0
0
0

0
S2
0
1
0
0

0
S3
0
0
1
0

0
S4
0
0
0
1

0
S5
0
0
0
0

1
0
5

0
0
5

1
0
4

0
0
0

0
0
0

0
0
0

0
0
0

1
0
0

S3 = 0
5
x3
0
-1

4
x4
3
0

x1 = 7
0
S1
1
0

0
S2
0
1

S5 = 0
0
S3
0
0

0
S4
-2
-1

0
S5
0
0

0
0
1
0
5

1
1
0
7
-2

1
0
1
0
4

0
0
0
0
0

0
0
0
0
0

1
0
0
0
0

0
1
0
7
-7

0
0
1
0
0

Ri
22500
6000

5000 VS

D Nouvelle matrice transforme

SRB : S1 = 0
Cj
Qi
35000
1000

Ci
0
0

VB

0
7
0

S3
7000
x1
5000
S5
6000
Zj
35000
Cj - Zj

S1
S2

S2 = 0
7
x1

0
0
0
1
0
7
0

5
x2
4

Ri
8750
1000 VS

6000

37

Recherche oprationnelle

VE

E Nouvelle matrice transforme

SRB : S1 = 0

x2 = 5

S3 = 0

x1 = 7

S5 = 0

Ci

VB

Cj
Qi

7
x1

5
x2

5
x3

4
x4

0
S1

0
S2

0
S3

0
S4

0
S5

S1

31000

-4

5
0
7

x2
S3
x1

1000
7000
5000

0
0
1

1
0
0

-1
1
1

0
1
0

0
0
0

1
0
0

0
1
0

-1
0
1

0
0
0

Ri
31000
3

7000

S5

5000

-1

5000

7
0

5
0

2
3

0
4

VE

0
0

5
-5

0
0

2
-2

0
0

0
S2
-1
1
1
0
-1
1
-1

x4 = 4
0
S3
0
0
1
0
0
0
0

0
S4
-1
-1
-1
1
1
6
-6

0
S5
-3
0
-1
0
1
4
-4

Zj
Cj - Zj

F Nouvelle matrice transforme

SRB : S1 = 0
Ci
0
5
0
7
4

x2 = 5
Cj
7
VB
Qi
x1
S1
16000
0
x2
1000
0
S3
2000
0
x1
5000
1
x4
5000
0
Zj
60000
7
Cj - Zj
0

5
x2
0
1
0
0
0
5
0

S3 = 0
5
x3
1
-1
0
1
1
6
-1

4
x4
0
0
0
0
1
4
0

x1 = 7
0
S1
1
0
0
0
0
0
0

Les Cj Zj 0 Cest la solution optimale

x1 = 5000
x2 = 1000
x3 = 0
x4 = 5000
max = 60000

38

VS

Recherche oprationnelle

Problme de minimisation
&
problmes irrguliers

02
04

2005

CHAPITRE
4

Recherche oprationnelle
Mthode du Simplexe

I Introduction
Dans le chapitre prcdent, tous les PL quon a traits taient du type :
Maximiser une fonction linaire
S
Contraintes
C
(avec un second membre positif )

Max
<->

Ci xj
S

aij xi

bi

( avec bi 0 )
( avec xi 0 et j : 1 .. n )

Or, dans beaucoup de problmes rels, on peut retrouver des contraintes du type et/ou = ainsi que des
problmes o lon a minimiser au lieu de maximiser.
Dans ce chapitre, on tudiera les modifications apporter la mthode du Simplexe pour quelle puisse
rsoudre tous ces types de programmes.

II Problmes de minimisation et
problmes avec contraintes mixtes
A Cas de minimisation

Cas dun problme de minimisation avec contraintes du type :

Min Z = Cj xj
S

aij xj

bi

si, dans un PL, la fonction objectif doit tre minimise, on peut rsoudre le PL :
- En changeant la rgle de choix de la variable et de la rgle darrt. On choisit comme variable
entrante celle dont lintroduction rduit le plus la fonction objectif, i.e. celle dont le Cj Zj est le
plus grand ngatif ; on sarrte quand il nest plus possible de rduire la fonction objectif i.e. lorsque
toutes les Cj Zj sont positives ou nulles.
-

On peut rsoudre le PL en le rduisant un problme de maximisation ; ceci peut tre accompli

en prenant loppos de la fonction objectif :
Min Z = Cj xj Max ( -Z ) = (-Cj) xj ,
les contraintes fonctionnelles et les contraintes formelles restant les mmes. Dans ce cas, on peut

39

Recherche oprationnelle

utiliser la mthode dcrite pour le cas de maximisation en changeant le critre de slection des V.E.
de Cj - Zj Zj Cj .
La solution est optimale lorsque Zj Cj est ngative ou nulle.

B Cas des contraintes fonctionnelles mixtes : Technique des variables

artificielles
Nous avons vu dans le chapitre prcdent quun PL sous la Forme Gnrale :
peut tre facilement mis sous forme canonique en introduisant des variables dcart. Cependant le PL original
contient des contraintes du type (=) ou ( ) et/ou des lments de bi qui ne sont pas tous non ngatifs.
FG

Max Z = Cj xj

aij xi bi

avec bi 0

xj 0
j : 1 .. n
Il peut tre mis sous forme standard facilement mais ne sera pas sous forme canonique.
On introduit dans cette section une mthode utilisant des variables artificielles la forme canonique. On passe
par les tapes suivantes :
avec

1re tape : On part dun Pl sous FG

Max Z

Cj xj
aij xj bi

aij xj = bi
aij xj bi

avec xj 0

2me tape : Mettre le PL sous FS par lintroduction de variables dcart. Les contraintes deviennent :
S

aij xj + Si = bi
aij xj = bi
aij xj - Si = bi

avec xj 0 et Si 0

40

Recherche oprationnelle

3me tape : On introduit les variables artificielles et les contraintes deviennent :

S

aij xj + Si = bi

aij xj + Ai = bi
aij xj - Si + Ai = bi

avec xj 0 , Si 0 et Ai 0

Exemple de dtermination de la F.C. avec des contraintes mixtes

F.G.
Max Z = - x1 x2
S
3 x1 + x2 = 3
C
4 x1 + 3x2 6
x1 + 2 x2 3
avec x1 et x2 0

F.S.
Max Z = - x1 x2
S
3 x1 + x2 = 3
C
4 x1 + 3x2 S1 = 6
x1 + 2 x2 + S2 = 3
avec x1 , x2 0 et S1 , S2 0

F.C.
Max Z = - x1 x2 + 0 S1 + 0 S2
S
3 x1 + x2 + A1 = 3
C
4 x1 + 3x2 S1 + A2 = 6
x1 + 2 x2 + S2 = 3
avec x1 , x2 0 , S1 , S2 0 et A1 , A2 0
La question qui se pose maintenant est : quels sont les coefficients des variables artificielles introduites
dans la base dans la fonction objectif ?
Lide des variables artificielles est de leur affecter des coefficients non nuls et dessayer de les annuler ce qui
permettrait de trouver une F.C. complte et aussi une solution de base possible.

La mthode de pnalit Big M

Puisque dans une contrainte o lon a introduit une variable artificielle qui est dans la base et qui peut
tre positive, la contrainte en question nest pas satisfaite, il faut donc faire sortir ces variables artificielles
rapidement de la base (en premier lieu) en vue dobtenir une solution de base possible. Pour faire sortir ces
variables de la base rapidement et en premier lieu, on leur affecte un coefficient pnalisateur trs grand dans la
fonction conomique.
Soit M > > ( M trs grand positif ) . On crit la fonction objectif de la sorte :
Max Z = C j x j + 0 S i - M A i
( avec M >> 0 )
Exemple : Max Z = - 2 x1 x2 + 0 S1 + 0 S2 M A1 - M A2
Le PL nest pas sous forme entirement canonique, car les coefficients des variables artificielles qui font

41

Recherche oprationnelle

partie des variables de base ne sont pas nuls. Pour rsoudre un PL avec des contraintes mixtes, il faut suivre la
procdure suivante :
c Introduire des coefficients pnalisateurs trs grands attachs aux variables artificielles dans la
fonction objectif.
d Appliquer la mthode du Simplexe. Deux cas se prsentent :
1er cas : Une variable artificielle au moins reste dans la base avec une valeur positive. Le
problme na pas de solution. Malgr le poids pnalisateur trs grand attach cette
variable, il nest pas possible de la rendre nulle.
2me cas : toutes les variables artificielles sortent de la base ou bien il reste certaines
artificielles dans la base mais avec valeurs nulles : Une solution de base possible est
trouve : Cest la solution optimale.

Exemples applicatifs
c Exemple de minimisation avec contraintes
FG
Soit le PL suivant :
Min C = - 24 x1 + 20 x2
S
x1 + x2 30
C
x1 + 2 x2 40
avec x1 et x2 0

FS
Min C = - 24 x1 + 20 x2 + 0 S1 + 0 S2
S
x1 + x2 - S1 = 30
C
x1 + 2 x2 S2 = 40
avec x1 , x2 0 et S1 , S2 0

FC
Min C = - 24 x1 + 20 x2 + 0 S1 + 0 S2 + M A1 + M A2
S
x1 + x2 - S1 + A1 = 30
C
x1 + 2 x2 S2 + A2 = 40
avec x1 , x2 0 et S1 , S2 0
Remarque : cas de minimisation : + M Ai
cas de maximisation : - M Ai

SRBi

A1 = 30
A2 = 40

42

Recherche oprationnelle

Tableau initial
Cj
24
20
VB
Qi
x1
x2
A1
30
1
1
A2
40
1
2
Zj
70 M
2M
3M
Zj Cj
2 M 24 3 M 20

VE

Ci
M
M

0
S1
-1
0
-M
-M

0
S2
0
-1
-M
-M

M
A1
1
0
M
0

M
A2
0
1
M
0

Ri
30
20

VS

Remarque : Minimiser C =Cj xj +M Ai . On dit quon a pnalis C, car M est trs grand, donc

minimise C prend le signe + M. Or M est trs grand et on cherche un minimum donc cela pnalise
C.
Maximiser Z=

Cj xj - M Ai . On pnalise Z, car M est trs grand. Donc Maximiser Z prend le

signe de M. Or nous cherchons un maximum donc cela pnalise Z.

2me itration : Matrice transforme

SRB : A1 = M

x2 = 20
24
20
x1
x2

Ci

VB

Cj
Qi

A1

10

1
2

-1

20

x2

20

1
2

Zj

10 M + 400

20

-M

-M

Zj Cj

M
+10
2
M
-14
2

0
S1

0
S2

1
2
-12
M
-10
2
M
-10
2

VE

M
A1
1

Ri
20

VS

M
0

3me itration
SRB : S2 = 0

x2 = 20
24
x1

Ci

VB

Cj
Q

S2

20

20

x2
Zj

30
600

1
20
-4

1
20
0

Zj Cj
Zj Cj 0 solution optimale
x1 = 0
x2 = 20

20
x2

0
S1
1
2
-1
20
-20

0
S2
1
0
30
0

43

Recherche oprationnelle

C* = 600

d Exemple de minimisation avec contraintes mixtes

Min C = 6 x1 + 4 x2
S
3 x1 + 2 x2 18
C
2 x1 + 4 x2 = 20
2 x2 8
avec x1 et x2 0

e Exemple de maximisation avec contraintes mixtes

Max Z = 4 x1 + 3 x2
S
x1 + x2 = 10
C
x1 + 3 x2 20
2 x1 x2 15
avec x1 et x2 0

44

Recherche oprationnelle

Problme de minimisation
&
problmes irrguliers

09
04

2005

CHAPITRE
4

Recherche oprationnelle
Mthode du Simplexe

Exemple de minimisation avec

contraintes mixtes
FG
Min C = 6 x1 + 4 x2
S
3 x1 + 2 x2 18
C
2 x1 + 4 x2 = 20
2 x2 8
avec x1 et x2 0

Fc
Min C = 6 x1 + 4 x2 + 0 S1 + 0 S2 + M A1 + M A2
S
3 x1 + 2 x2 S1 + A1 = 18
C
2 x1 + 4 x2 + A2 = 20
2 x2 + S2 = 8
avec x1 , x2 0 S1 , S2 0 , A1 , A2 0

SRBi

A1 = 18

A2 = 20

S2 =8

Tableau initial
Ci
M
M
0

Cj
VB
Qi
A1
18
A2
20
S2
8
Zj
38 M
Zj Cj

6
x1
3
2
0
5M
5M-6

4
x2
2
4

2
6M
6M-4

VE

0
S1
-1
0
0
-M
-M

0
S2
0
0
1
0
0

M
A1
1
0
0
M
0

M
A2
0
1
0
M
0

Ri
9
5
4

45

VS

Recherche oprationnelle

Ci

VB

Cj
Qi

A1

10

M
4

A2
x2
Zj

4
4
14M+16
Zj Cj

4
x2

0
S1

0
S2

-1

-1

0
1
4
0

0
0
-M
0

-2

-3M+2
-3M+2

0
5M
5M-6

VE

Ci
M
6

VB
A1
x1

Cj
Qi
4
2

x2

Zj

6
x1

4M+28
Zj Cj

6
x1
0
1

4
x2
0
0

0
S1
-1
0

6
0

4
0

-M
-M

M
A2

1
0
M
0

M
A1
1

6
x1

4
x2

Ci

VB

S2

x1

x2

Zj

36

6
0

4
0

-1
1
2
2M-4
2M-4

VE
0
S1
1
2
1
2
1
4
-2
-2

Ri
10
3
2

0
M
0

0
S2

Cj
Qi

Zj Cj

M
A1
1

Ri
2

0
0

VS

VS

M
0

0
S2
1
0
0
0
0

x1 = 4

x
Zj Cj 0 Solution optimale
2=3
cot minimum=36

Remarque
Nous rsumons les diffrentes variables introduire dans le modle pour obtenir un PL initial de base :
A- Dans chaque contrainte de type ( ) additionner des variables dcart .
B- Dans chaque contrainte de type () soustraire une variable dcart et ajouter une variable
artificielle.
C- Dans chaque contrainte de type (=) additionner des variables artificielles.

Exemple de maximisation avec

46

Recherche oprationnelle

contraintes mixtes
FG
Max Z = 4 x1 + 3 x2
S
x1 + x2 = 10
C
x1 + 3 x2 20
2 x1 x2 15
avec x1 et x2 0

FC
Max Z = 4 x1 + 3 x2 + 0 S1 + 0 S2 M A1 - M A2
S
x1 + x2 + A1 = 10
C
x1 + 3 x2 + S1 = 20
2 x1 x2 S2 + A2 = 15
avec x1 , x2 0 , S1 , S2 0 et A1 , A2 0

SRBi

A1 =10

S1 =20

A2 = 15

Tableau initial du Simplexe

A complter !

47

Recherche oprationnelle

Autre mthode pour la rgle du

pivot
1re tape
On divise la ligne pivot par llment pivot et lon obtient la nouvelle ligne pivot. Cest ce quon appelle
normalisation de la ligne pivot .

2me tape
Pour transformer une ligne autre que celle du pivot, on opre des combinaisons linaires entre la ligne
considre et la nouvelle ligne de pivot de manire remplacer la colonne de pivot par une colonne unit.
Pour cela, on retranche de la ligne considre le produit de la nouvelle ligne de pivot par al avec al tant
llment de la ligne transformer dans la colonne de pivot :

TL = L al * TLP
Avec TL = Cest la transforme dune ligne quelconque.
L = Cest la ligne transformer.
TLP = Transforme de la ligne de pivot.

Exemple :
Soit le T.I. suivant :

Ci
0

VB
S1

Cj
Qi
240

25
x1
2

15
x2
2

0
S1
1

0
S2
0

S2

140

Zj

0
25

VE

0
15

0
0

0
0

Cj Zj

140
3
1
0
3
3
3
3
140
1
TLP
1
0
3
3
L
240
2
2
1
al = lment de la ligne transformer dans la colonne pivot = 2
140
1
al * TLP
2*
2*1
2*
2 *0
3
3
280
2
al * TLP
2
0
3
3
TL = Transforme de la ligne L = L al * TLP
280
2
TL
2402-2
21-0
3
3
440
4
TL
0
1
3
3
TLP

Ri
120
140
3

VS

1
3
1
3
0
2*

1
3

2
3
0-

2
3

2
3

48

Recherche oprationnelle

Do le tableau suivant :
Ci
0
25

Cj
Qi
440/3
140/3

VB
S1
x1
Zj

25
x1
0
1

15
x2
4/3
1/3

0
S1
1
0

0
S2
-2/3
1/3

Ri

Cj Zj

IV Les problmes irrguliers

a / Les problmes impossibles
On reconnat que le problme est impossible si une ou plusieurs variables artificielles sont prsentes
dans la base dans le tableau du Simplexe optimal, ce qui signifie que la solution donne par ce tableau nest pas
rellement ralisable.
Exemple

FG
Max 4 x1 + 3 x2
S
x1 + x2 2
C
3 x1 + x2 10
avec x1 et x2 0

FC
Max 4 x1 + 3 x2 + 0S1 + 0 S2 M A1
S
x1 + x2 + S1 = 2
C
3 x1 + x2 S2 + A1 = 10
avec x1 , x2 0 , S1, S2 0 et A1 , A2 0

SRBi

S1 = 2

A1 = 10

Tableau initial
Ci
0

VB
S1

Cj
Qi
2

-M

A1

10

Zj

-10M
Cj Zj

4
x1

3
x2
1

0
S1
1

0
S2
0

-1

-3M
3M+4

VE

-M
3+M

0
0

M
-M

-M
A1
0
1

Ri
2
10
3

VS

-M
0

49

Recherche oprationnelle

Cj
Ci
VB
Qi
4
x1
2
-M
A1
5
Zj
8-5M
Cj Zj
Cj Zj 0 , mais il existe encore
problme impossible.

4
3
0
0
x1
x2
S1
S2
1
1
1
0
0
-2
-3
-1
4
4+2M
4+3M
M
0
-1-2M -4-3M
-M
une variable artificielle dans la base

-M
A1
0
1
-M
0
Il sagit donc dun

b/ Problmes solutions multiples

On identifie ce problme lorsque, dans la solution optimale, un des effets nets (relatif une variable hors
base : S1, S2 , ) est nul.
Cj
Ci
VB
Qi
X1
x2
S1
S2
x1
x2
Zj
Cj Zj
0
0
-3
0
S1 : Variable hors base dont leffet est nul.

c / Problmes avec solutions infinies

On reconnat ce problme lorsque la variable rentrante nadmet aucune limite sur sa valeur dentre
cest--dire que tous les ratios sont ngatifs ou nuls.
Exemple

FG
Max
S
C

x1 + 2 x2
x1 + x2 2
x2 3

avec x1 et x2 0

FC
Max
S
C

x1 + 2 x2 + 0 S1 + 0 S2 M A1
x1 + x2 S1 + A1 = 2

x2 + S2 = 3
Ratios
avec x1 , x2 0 , S1, S2 0 et A1 0
ngatifs ou
Aprs quelques itrations, on trouve le tableau suivant :
Cj
1
2
0
0
nuls
Ci
VB
Qi
x1
x2
S1
S2
Ri
0
2
x2
3
0
1
1

0
S1
1
-1
0
1
1
-1
Zj
6
0
2
0
2
-2
Cj Zj
1
0
0

VE
Ce tableau montre que la variable x2 nadmet aucune limite sur sa valeur de sortie : Donc la solution est
infinie.

50

Recherche oprationnelle

d / Le problme solution dgnre

Un PL est dit dgnr si une ou plusieurs variables dans la base optimale sont nulles.
Exemple

FG
3
Max Z = 2 x1 + x3
2
S
x1 x2 2
C
2 x1 + x3 4
x1 + x2 + x3 3
avec x1 , x2 et x3 0

FS
3
Max Z = 2 x1 + x3 + 0 S1 + 0 S2 + 0 S3
2
S
x1 x2 + S1 = 2
C
2 x1 + x3 + S2 = 4
x1 + x2 + x3 + S3 = 3
avec x1 , x2 et x3 0 et S1 , S2 et S3 0

Tableau initial
Ci
0
0
0

VB
S1
S2
S3
Zj

Cj

Qi
2
4
3
0

x1
1
2
1
0

x2
-1
0
1
0

Cj Zj

3
2
x3
0
1
1
0
3
2

S1
1
0
0
0

S2
0
1
0
0

S3
0
0
1
0

Ri
2
2
3

VS

VE
La variable rentrante est x1 , mais les 2 premires contraintes donnent la mme valeur minimale ( mme
ratio ) de ratio.
Ceci indique que lorsque x1 passe 2, les variables dcart S1 et S2 vont sannuler bien que lune des 2
demeure encore dans la base.
Dans ce cas, il faut choisir arbitrairement de faire sortir de la base lune ou lautre des deux variables
dcart S1 ou S2.
Do le tableau suivant : ( on choisit de faire sortir S1 )
3
Cj
2
0
0
0
0
2
Ci
VB
Qi
x1
x2
x3
S1
S2
S3
Ri
2
x1
2
1
-1
0
1
0
0
-2
0
S2
0
0
1
-2
1
0
0
VS
2
0
S3
1
0
2
1
-1
0
1

Zj
4
2
-2
0
2
0
0
3
-2
0
0
Cj Zj
0
2
2

51

Recherche oprationnelle

VE
S2 est une variable de base qui est nulle et la valeur de la fonction objectif est gale 4. Cette solution
de base est donc dite dgnre :
x1=2
SRB S2=0
= 4
S3=1
Continuons les itrations relatives la mthode du simplexe :
3
Cj
2
0
0
0
0
2
Ci
VB
Qi
x1
x2
x3
S1
S2
S3
Ri
2
x1
2
1
0

0
4
0
x2
0
1
-1

0
0
VS
0

0
S3
1
0
0
0
1
-1
1

Zj
4
2
0
0
0
1
0
3
Cj Zj
0
0
0
-1
0
2

VE
Ce tableau nest pas optimal . x2 est une variable de base qui est nulle et la valeur de la fonction objectif
est toujours gale 4. Cette solution de base est donc dite dgnre.
x1=2
SRB x2=0
= 4
S3 =1
On remarque que ce passage dune solution une autre solution ne saccompagne pas dune
augmentation de la valeur de la fonction objectif.
On peut facilement vrifier que nous sommes en train de cycler sans atteindre la solution optimale. Ce
genre de cyclage dans la mthode du simplexe est dangereux et on doit lidentifier avant de commencer
rsoudre le problme sinon on passera un temps norme sans atteindre la solution optimale.

N.B. Il faut noter que ce nest pas tout problme de dgnrescence qui peut conduire un cyclage.

52