Académique Documents
Professionnel Documents
Culture Documents
Chapitre
Chapitre
Chapitre
Plan du cours
Chapitre I
Srie 1
Chapitre II
Srie 2
Srie 3
Chapitre V
: Dualit.........................................................................................................................................
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.
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
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
C x
i =1
S/C
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
C x
i =1
d Variables de dcision : xj
e Contraintes :
b1
bi
= bi
1er type
2me type
3me type
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
2005
CHAPITRE
1
Recherche oprationnelle
2 x1 + x2 1000
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
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
b1
1er type
.
.
bi
= bi
2me type
3me type
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
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 = ).
C x
j =1
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
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
a x
bi <->
a x
a x
bi <->
a x
ij
ij
ij
ij
+ Si = bi
- Si = bi
Recherche oprationnelle
C = Matrice des cj
c1
c2
.
C = .
.
..
cn
a11
a21
.
A= .
.
.
an1
a1m
. . . . a2 m
.
.
.
an 2 . . . . anm
X = matrice des xi
x1
x2
.
X = .
.
..
xn
a12
a22
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.
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 ).
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
10
Recherche oprationnelle
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.
11
Recherche oprationnelle
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)
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)
3 x1 + x2 = 140
x 2 = 120 x1
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
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
B(2,0)
D(4,0)
E(2,-3)
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
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
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)
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
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
Exercice n1
Fonction Objectif :
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
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
Exercice n3
Fonction objectif:
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)
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
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
24
Recherche oprationnelle
S1
b1
S2
=
b2
a21x1 + a22x2 + + a2nxn +
.........................................................................................
.........................................................................................
.........................................................................................
an1x1 + an2x2 + + anmxn
Sm
=
bm
c
d
e
f
g
h
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 =
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
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
Rappels : La mthode du
simplexe
tape c : FG FS
FG :
Max
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
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
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
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
Ci
0
5
2
VB
S1
x2
x2
Zj
Cj
Qi
100
300
300
2100
Cj - Zj
2
x1
0
0
1
2
0
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
33
Recherche oprationnelle
VE
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
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
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
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
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
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
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
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
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
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
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.
-
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.
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
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
aij xj + Si = bi
aij xj + Ai = bi
aij xj - Si + Ai = bi
avec xj 0 , Si 0 et Ai 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.
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=
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
44
Recherche oprationnelle
Problme de minimisation
&
problmes irrguliers
09
04
2005
CHAPITRE
4
Recherche oprationnelle
Mthode du Simplexe
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.
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
47
Recherche oprationnelle
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
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
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
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