Vous êtes sur la page 1sur 124
REPUBLIQUE DU BENIN Ministère de l’Enseignement Supérieur et de la Recherche Scientifique Université d’Abomey

REPUBLIQUE DU BENIN

REPUBLIQUE DU BENIN Ministère de l’Enseignement Supérieur et de la Recherche Scientifique Université d’Abomey

Ministère de l’Enseignement Supérieur et de la Recherche Scientifique

l’Enseignement Supérieur et de la Recherche Scientifique Université d’Abomey Calavi Ecole Polytechnique d’Abomey

Université d’Abomey Calavi

Ecole Polytechnique d’Abomey Calavi

MANUEL DE COURS

Notes de Cours :

RECHERCHE OPERATIONNELLE

Enseignant :

Joël M. ZINSALO

1 e Edition

Recherche Opérationnelle

Recherche Opérationnelle CONTENU Chapitre 1 : INTRODUCTION A LA RECHERCHE OPERATIONNELLE Chapitre 2 : PROGRAMMATION

CONTENU

Chapitre 1 : INTRODUCTION A LA RECHERCHE OPERATIONNELLE Chapitre 2 : PROGRAMMATION LINEAIRE : RESOLTION PAR LA MRTHODE GRAPHIQUE

Chapitre 3 : METHODE DU SIMPLEXE ET DUALITE

Chapitre 4 : UTILISATION DES VARIABLES ARTIFICIELLES Chapitre 5 : NOTIONS ELEMENTAIRES SUR LES GRAPHES

Chapitre 6 : ORDONNANCEMENT

Chapitre 7 : PERT PROBABILISTE Chapitre 8 : PROBLEMES DE TRANSPORT ET D’AFFECTATION

MPM - PERT

Chapitre 8 : PROBLEMES DE TRANSPORT ET D’AFFECTATION MPM - PERT Professeur : Joël Mètogbé ZINSALO/EPAC-UAC
Chapitre 8 : PROBLEMES DE TRANSPORT ET D’AFFECTATION MPM - PERT Professeur : Joël Mètogbé ZINSALO/EPAC-UAC

Recherche Opérationnelle

Recherche Opérationnelle CHAPITRE 1 INTRODUCTION A LA RECHERCHE OPERATIONNELLE La recherche opérationnelle (aussi

CHAPITRE 1

INTRODUCTION A LA RECHERCHE OPERATIONNELLE

La recherche opérationnelle (aussi appelée aide à la décision) peut être définie comme l'ensemble des méthodes et techniques rationnelles orientées vers la recherche de la meilleure façon d'opérer des choix en vue d'aboutir au résultat visé ou au meilleur résultat possible. Elle fait partie des «aides à la décision» dans la mesure où elle propose des modèles conceptuels en vue d'analyser et de maitriser des situations complexes pour permettre aux décideurs de comprendre et d'évaluer les enjeux et d'arbitrer et/ou de faire les choix les plus efficaces. Le domaine fait largement appel au raisonnement mathématique ( logique, probabilités, analyse de données ) et à la modélisation des processus. Il est fortement lié à l'ingénierie des systèmes, ainsi qu'au management du système d'information.

1. Historique Dès le XVII e siècle, des mathématiciens comme Blaise Pascal tentent de résoudre des problèmes de décision dans l'incertain avec l'espérance mathématique. D'autres, au XVIII e et XIX e siècle, résolvent des problèmes combinatoires. Au début du XX e siècle, l'étude de la gestion de stock peut être considérée comme étant à l'origine de la recherche opérationnelle moderne avec la formule du lot économique (dite formule de Wilson) proposée par Harris en 1913. Mais ce n'est qu'avec la Seconde Guerre mondiale que la pratique va s'organiser pour la première fois et acquérir son nom. En 1940, Patrick Blackett est appelé par l'état-major anglais à diriger la première équipe de recherche opérationnelle, pour résoudre certains problèmes tels que l'implantation optimale de radars de surveillance ou la gestion des convois d'approvisionnement. Le qualificatif « opérationnelle » vient du fait que la première application d'un groupe de travail organisé dans cette discipline avait trait aux opérations militaires. La dénomination est restée par la suite, même si le domaine militaire n'est plus le principal champ d'application de cette discipline.

plus le principal champ d'application de cette discipline. Professeur : Joël Mètogbé ZINSALO/EPAC-UAC Page 3
plus le principal champ d'application de cette discipline. Professeur : Joël Mètogbé ZINSALO/EPAC-UAC Page 3

Recherche Opérationnelle

Recherche Opérationnelle Après la guerre, les techniques se sont considérablement développées, grâce, notamment, à

Après la guerre, les techniques se sont considérablement développées, grâce,

notamment, à l'explosion des capacités de calcul des ordinateurs. Les domaines d'application se sont également multipliés.

2. Types de problèmes traités

La recherche opérationnelle peut aider le décideur lorsque celui-ci est confronté à un problème combinatoire, aléatoire ou concurrentiel. Un problème est dit combinatoire lorsqu'il comprend un grand nombre de solutions admissibles parmi lesquelles on cherche une solution optimale ou proche de l'optimum. Exemple typique : déterminer où installer 5 centres de

distribution parmi 30 sites d'implantation possibles, de sorte que les coûts de transport entre ces centres et les clients soient minimum. Ce problème ne peut être résolu par une simple énumération des solutions possibles par l'esprit humain, puisqu'il en existe (30 x 29 x 28 x 27 x 26) / (1 x 2 x 3 x 4 x 5) = 142 506 (!). Et même si un problème de cette taille peut être résolu par énumération par un ordinateur, les décideurs sont régulièrement confrontés à des problèmes infiniment plus complexes, où le nombre de solutions acceptables se compte en milliards de milliards (voir explosion combinatoire). Un problème est dit aléatoire s'il consiste à trouver une solution optimale face à un problème qui se pose en termes incertains. Exemple typique : connaissant la distribution aléatoire du nombre de personnes entrant dans une administration communale en une minute et la distribution aléatoire de la durée de traitement du cas d'une personne, déterminer le nombre minimum de guichets à ouvrir pour qu'une personne ait moins de 5% de chances de devoir attendre plus de 15 minutes. Un problème est dit concurrentiel s'il consiste à trouver une solution optimale face à un problème dont les termes dépendent de l'interrelation entre ses propres agissements et ceux d'autres décideurs. Exemple typique : fixer une politique de prix de vente, sachant que les résultats d'une telle politique dépendent de la politique que les concurrents adopteront.

3. Applications pratiques

Les problèmes que la R.O. peut aider à résoudre sont soit stratégiques (on peut citer le choix d'investir ou pas, le choix d'une implantation, le dimensionnement

ou pas, le choix d'une implantation, le dimensionnement Professeur : Joël Mètogbé ZINSALO/EPAC-UAC Page 4
ou pas, le choix d'une implantation, le dimensionnement Professeur : Joël Mètogbé ZINSALO/EPAC-UAC Page 4

Recherche Opérationnelle

Recherche Opérationnelle d'une flotte de véhicules ou d'un parc immobilier…) ou opérationnelles (notamment

d'une flotte de véhicules ou d'un parc immobilier…) ou opérationnelles (notamment l'ordonnancement, la gestion de stock, l'affectation de moyens (humains ou matériels) à des tâches, les prévisions de ventes…). La gestion de projets est une composante très importante de la communauté de recherche opérationnelle. De nombreux travaux traitent de l'ordonnancement et de la gestion de projets, mais aussi de logistique (tournées de véhicule, conditionnement…), de planification, et de problèmes d'emploi du temps. Dans le cadre de l'industrie manufacturière, la recherche opérationnelle permet notamment de trouver des plans de productions (ordonnancement de production), de disposer au mieux les machines dans un atelier, de diminuer le gaspillage des matières premières (problèmes de découpe) ou de l'énergie ou bien encore d'optimiser le conditionnement et la livraison des produits intermédiaires ou finis. Dans le domaine de la finance, les problèmes d'investissement sont des problèmes classiques de recherche opérationnelle. Ils consistent en général à maximiser le profit (ou l'espérance de profit) obtenu à partir d'un montant donné en combinant au mieux les différentes possibilités offertes à l'investisseur. La recherche opérationnelle a aussi des applications dans le domaine de l'énergie. Elle est couramment utilisée dans l'industrie pétrolière, principalement dans l'établissement des plans de production, l'approvisionnement des bruts, l'utilisation des unités de raffinage, et le choix des canaux de distribution les plus rentables. De même, les opérateurs du Marché de l'électricité font largement appel à la recherche opérationnelle tant pour des problèmes stratégiques (par exemple des investissements sur le réseau) que pour des questions plus opérationnelles (stabilité du réseau, prévisions…). Pour plus de détails, voir Plans d'approvisionnement, de production et de distribution du pétrole Les applications dans le domaine de l'informatique sont très nombreuses elles aussi. On peut citer, entre autres, le choix de la localisation et du nombre de serveurs à mettre en place, de la capacité de stockage, de la puissance de calcul et du débit du réseau, le choix d'une architecture informatique (application centralisée / distribuée, traitements en temps réel ou en différé, réseau maillé ou en étoile, etc.), et l'ordonnancement dans les systèmes d'exploitation.

et l'ordonnancement dans les systèmes d'exploitation. Professeur : Joël Mètogbé ZINSALO/EPAC-UAC Page 5
et l'ordonnancement dans les systèmes d'exploitation. Professeur : Joël Mètogbé ZINSALO/EPAC-UAC Page 5

Recherche Opérationnelle

Recherche Opérationnelle 4. Implantation dans le monde des entreprises Très peu d'entreprises emploient des

4. Implantation dans le monde des entreprises Très peu d'entreprises emploient des chercheurs opérationnels pour aider le décideur à résoudre ses problèmes. Lorsque de tels problèmes se posent, ils sont généralement soumis à un gros cabinet de conseil ou au département de recherche opérationnelle d'une université (bien que la tendance actuelle soit à l'externalisation de ces compétences universitaires via de petites sociétés privées appelées spin-off, répondant mieux aux besoins du monde industriel). Certains problèmes simples peuvent être résolus au sein même de l'entreprise, la plupart des universités ayant intégré des cours d'introduction à la recherche opérationnelle dans les programmes des ingénieurs, des mathématiciens, des informaticiens, des contrôleurs de gestion et, moins souvent, des économistes. Malgré son importance intrinsèque, la R.O. est encore peu utilisée dans le monde industriel, soit à cause du manque d'(in)formation des décideurs, soit par le manque de pertinence de l'outil ou sa difficulté de mise en œuvre. Les principales craintes émises par le décideur quant à l'application de modèles R.O. dans son entreprise sont :

Une prise en compte limitée des facteurs Pour les questions stratégiques, la réponse « pure et parfaite » d'une solution mathématique semble rarement applicable de facto. Même si la recherche opérationnelle intègre beaucoup de facteurs, si certains aspects sont relativement faciles à modéliser au sens mathématique du terme (le coût, la rentabilité, la distance, la durée, la cadence, par exemple), d'autres éléments sont en revanche plus difficiles à modéliser : contraintes légales, volonté commerciale de faire barrage à un concurrent, importance des relations avec les élus, climat social, etc. Le poids de ces éléments dans la décision est pourtant important, parfois déterminant.

Un investissement important L'outil mathématique lui-même exige un niveau élevé de connaissances mathématiques, une bonne aptitude à modéliser les problèmes et décrire les facteurs ; ces contraintes sont consommatrices de temps et d'argent (que ce soit par développement interne, qui consomme des ressources; ou par développement externe, qui consomme de l'argent). Il est alors

développement externe, qui consomme de l'argent). Il est alors Professeur : Joël Mètogbé ZINSALO/EPAC-UAC Page 6
développement externe, qui consomme de l'argent). Il est alors Professeur : Joël Mètogbé ZINSALO/EPAC-UAC Page 6

Recherche Opérationnelle

Recherche Opérationnelle nécessaire de trouver un équilibre entre l'investissement nécessaire et les retombées

nécessaire de trouver un équilibre entre l'investissement nécessaire et les retombées prévues.

Pour des événements peu fréquents L'entreprise ne bénéficie pas de l'effet d'expérience : d'une fois sur l'autre, le problème concerne un service différent, ou les responsables ont changé entre deux études. Il est donc difficile d'entretenir les compétences R.O. à l'intérieur de l'entreprise.

Le décideur devra prendre ces différents aspects en compte lorsqu'il décidera ou non de mettre en œuvre des modèles de recherche opérationnelle dans son entreprise.

5. Relations avec d'autres disciplines La recherche opérationnelle se situe au carrefour de différentes sciences et technologies. Par exemple, l'analyse économique est souvent nécessaire pour définir l'objectif à atteindre ou pour identifier les contraintes d'un problème. Elle est aussi liée à l'ingénierie des systèmes. Par rapport à celle-ci, le champ d'application de la recherche opérationnelle est historiquement plus axé sur les événements incertains et l'industrie, et ses méthodes plus particulièrement mathématiques. La recherche opérationnelle utilise de nombreuses méthodes issues de théories mathématiques diverses. En ce sens, une partie de la recherche opérationnelle peut être considérée comme une branche des mathématiques appliquées. Les mathématiques, notamment les statistiques, contribuent aussi à poser efficacement les termes d'un problème. La théorie des graphes sert de support à la résolution d'un vaste échantillon de problèmes, notamment certains issus de l'algorithmique classique, tels que les problèmes de plus court chemin, le problème du voyageur de commerce, les problèmes d'ordonnancement de tâches, les problèmes de planning ou encore les problèmes d'optimisation de flux. Les progrès de l'informatique sont intimement liés à l'accroissement des applications de la recherche opérationnelle. Une puissance de calcul importante est nécessaire à la résolution de problèmes de grande taille. Cette puissance est cependant loin de constituer une panacée : la théorie de la complexité des

loin de constituer une panacée : la théorie de la complexité des Professeur : Joël Mètogbé
loin de constituer une panacée : la théorie de la complexité des Professeur : Joël Mètogbé

Recherche Opérationnelle

Recherche Opérationnelle algorithmes nous apprend que certains problèmes ne peuvent pas être résolus de manière

algorithmes nous apprend que certains problèmes ne peuvent pas être résolus de manière optimale dans un temps raisonnable, même si l'on considère des ordinateurs un milliard de fois plus puissants que ceux d'aujourd'hui. Plusieurs méthodes de résolution de problèmes sont issues de l'intelligence artificielle. Alors que l'approche de l'intelligence artificielle est de proposer des méthodes de résolution génériques, la recherche opérationnelle utilise ces méthodes en les spécialisant pour les rendre plus efficaces à résoudre des classes plus restreintes de problèmes. On peut aussi citer la théorie des jeux, bien connue des économistes, qui aide à résoudre les problèmes concurrentiels.

6. Principales (classes de) méthodes

Algorithmes polynomiaux Certains problèmes de recherche opérationnelle ne sont pas NP-complets. Dans ce cas, on utilise un algorithme polynomial pour le résoudre, si le

polynôme est de degré raisonnable.

Programmation dynamique Certains problèmes ont de bonnes caractéristiques qui permettent de les résoudre à l'aide d'une formule de récurrence. Les méthodes de programmation dynamique peuvent alors éventuellement permettre de résoudre le problème avec une complexité polynomiale ou pseudo- polynomiale.

Processus stochastiques Les processus stochastiques concernent tous les problèmes aléatoires, en particulier des problèmes de fiabilité (de systèmes, de composants électroniques…) et des phénomènes d'attente.

Simulation informatique La simulation est souvent employée pour résoudre des problèmes de RO, notamment dans le milieu non académique.

Optimisation linéaire et non linéaire L'optimisation linéaire est très souvent utilisée pour résoudre des problèmes combinatoires. Elle permet de résoudre très efficacement les problèmes dans lesquels les variables sont continues. Lorsqu'il y a des

dans lesquels les variables sont continues. Lorsqu'il y a des Professeur : Joël Mètogbé ZINSALO/EPAC-UAC Page
dans lesquels les variables sont continues. Lorsqu'il y a des Professeur : Joël Mètogbé ZINSALO/EPAC-UAC Page

Recherche Opérationnelle

Recherche Opérationnelle variables discrètes, optimisation linéaire et méthodes arborescentes (voir ci- après)

variables discrètes, optimisation linéaire et méthodes arborescentes (voir ci- après) peuvent être combinées. L'optimisation non linéaire peut aussi être utilisée. La possibilité d'utiliser des contraintes ou des fonctions objectifs non linéaires offre une puissance de modélisation très importante mais les algorithmes de résolution des problèmes d'optimisation non linéaire sont significativement moins efficaces que ceux de l'optimisation linéaire.

Méthodes de complémentarité linéaire et non linéaire

Méthodes arborescentes Les méthodes de type A* ou branch and bound sont couramment utilisées pour trouver la solution exacte d'un problème de recherche opérationnelle. Pour une résolution efficace, un soin particulier est apporté au calcul de bornes supérieures ou inférieures pour la valeur de la solution. La programmation par contraintes permet de mettre en œuvre rapidement et efficacement de telles méthodes de recherche arborescente. Plusieurs bibliothèques (logiciels) d'optimisation commerciales ou non reposent sur cette approche (ILOG Solver, Chip, Mozart/Oz, FaCiLe). De nombreux logiciels d'optimisation de problèmes réels utilisent ainsi cette technologie.

Heuristiques et métaheuristiques Lorsque la solution optimale ne peut être obtenue en un temps raisonnable, on a souvent recours à des méthodes approchées de type heuristique ou métaheuristique.

des méthodes approchées de type heuristique ou métaheuristique. Professeur : Joël Mètogbé ZINSALO/EPAC-UAC Page 9
des méthodes approchées de type heuristique ou métaheuristique. Professeur : Joël Mètogbé ZINSALO/EPAC-UAC Page 9

Recherche Opérationnelle

Recherche Opérationnelle CHAPITRE 2 : PROGRAMMATION LINEAIRE : RESOLTION PAR LA MRTHODE GRAPHIQUE À partir de

CHAPITRE 2 :

PROGRAMMATION LINEAIRE : RESOLTION PAR LA MRTHODE GRAPHIQUE

À partir de la fin de la Seconde Guerre mondiale, de nouvelles méthodes permirent de résoudre des problèmes complexes là où les méthodes classiques échouaient. Ces méthodes furent connues sous le nom de programmation linéaire, développées principalement par George B. Dantzig (né le 8 novembre 1914), mathématicien américain et créateur de la méthode du Simplexe, et L. Kantorovich (1912-1986). Danzig, outre la programmation linéaire, étudia entre autres la programmation mathématique, la prise de décision et les modèles de planification à large échelle. L’impact de son œuvre fut considérable en gestion et en économie et ses méthodes restent totalement d’actualité. De manière générale, la résolution de problèmes de programmation mathématique vise à déterminer l’allocation optimale (c’est-à-dire la meilleure combinaison possible) de ressources limitées pour atteindre certains objectifs. Les allocations doivent minimiser ou maximiser une fonction dite objectif. En économie, ces fonctions sont par exemple le profit ou le coût. Ces problèmes, traités par la programmation mathématique, se distinguent des problèmes d’optimisation classique par le fait que leurs solutions sont d’ordre numérique. Celles-ci sont obtenues par une technique numérique itérative, alors que les solutions à un problème classique sont en général données sous forme de formules fermées.

1. Définitions On appelle Programmation Linéaire, le problème mathématique qui consiste à optimiser (maximiser ou minimiser) une fonction linéaire de plusieurs variables qui sont reliées par des relations linéaires appelées contraintes. Les problèmes de programmations linéaires sont généralement liés à des problèmes d’allocations de ressources limitées, de la meilleure façon possible, afin de maximiser un profit ou de minimiser un coût. Le terme meilleur fait référence à la possibilité d’avoir un ensemble de décisions possibles qui réalisent la même satisfaction ou le même

possibles qui réalisent la même satisfaction ou le même Professeur : Joël Mètogbé ZINSALO/EPAC-UAC Page 10
possibles qui réalisent la même satisfaction ou le même Professeur : Joël Mètogbé ZINSALO/EPAC-UAC Page 10

Recherche Opérationnelle

Recherche Opérationnelle profit. Ces décisions sont en général le résultat d’un problème mathématique. La

profit. Ces décisions sont en général le résultat d’un problème mathématique. La programmation linéaire est définie donc comme étant un cas particulier de la programmation mathématique pour laquelle la fonction objectif et les contraintes sont linéaires.

2. Formulation d’un programme linéaire

Exercice introductif :

Soit à résoudre le problème suivant :

Une usine fabrique 2 pièces P1 et P2 usinées dans deux ateliers A1 et A2. Les

sont

pour P1: de 3 heures dans l'atelier A1 et de 6 heures dans l'atelier A2 pour P2: de 4 heures dans l'atelier A1 et de 3 heures dans l'atelier A2. Le temps de disponibilité hebdomadaire de l'atelier A1 est de 160 heures et celui de l'atelier A2 de 180 heures. La marge bénéficiaire est de 1200 F pour une pièce P1 et 1000 F pour une pièce

P2.

temps

d'usinage

Quelle production de chaque type doit-on fabriquer pour maximiser la marge hebdomadaire? Le problème peut se formaliser de la façon suivante :

variables économiques ou d'activité: ce sont les inconnues x1 = quantité de pièces P1 à fabriquer x2 = quantité de pièces P2 à fabriquer

 

3

x1 + 4 x2

160

contrainte due à l'atelier A1

contraintes économiques

 

6

x1 + 3 x2

180

contrainte due à l'atelier A2

contraintes de signe

x1 0

;

x2 0

fonction économique ou objectif

z = 1200 x1 + 1000 x2

à maximiser

Les conditions de formulation d’un Programme Linéaire

La programmation linéaire comme étant un modèle admet des hypothèses (des conditions) que le décideur doit valider avant de pouvoir les utiliser pour modéliser son problème. Ces hypothèses sont :

les utiliser pour modéliser son problème. Ces hypothèses sont : Professeur : Joël Mètogbé ZINSALO/EPAC-UAC Page
les utiliser pour modéliser son problème. Ces hypothèses sont : Professeur : Joël Mètogbé ZINSALO/EPAC-UAC Page

Recherche Opérationnelle

Recherche Opérationnelle a) Les variables de décision du problème sont positives b) Le critère de sélection

a) Les variables de décision du problème sont positives

b) Le critère de sélection de la meilleure décision est décrit par une fonction linéaire de ces variables, c’est à dire, que la fonction ne peut pas contenir par exemple un produit croisé de deux de ces variables. La fonction qui représente le critère de sélection est dite fonction objectif (ou fonction économique).

c) Les restrictions relatives aux variables de décision (exemple: limitations des ressources) peuvent être exprimées par un ensemble d’équations linéaires. Ces équations forment l’ensemble des contraintes.

Les paramètres du problème en dehors des variables de décisions ont une valeur connue avec certitude.

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

a) Identifier les variables du problème à valeur non connues (variable de décision) et les représenter sous forme symbolique (exp. x 1 , y 1 ).

b) Identifier les restrictions (les contraintes) du problème et les exprimer par un système d’équations linéaires.

c) Identifier l’objectif ou le critère de sélection et le représenter sous une forme linéaire en fonction des variables de décision. Spécifier si le critère de sélection est à maximiser ou à minimiser.

Exemple 2 : Problème de médecine Un spécialiste en médecine a fabriqué un médicament (des pilules) pour guérir les sujets atteints d’un rhume. Ces pilules sont fabriquées selon deux formats :

Petite taille : elle contient 2 grains d’aspirine, 5 grains de bicarbonate et 1 grain de codéine.

Grande taille : elle contient 1 grain d’aspirine, 8 grains de bicarbonate et 6

grains de codéine. Pour guérir la maladie, le sujet a besoin de 12 grains d’aspirine, 74 grains de bicarbonate et 24 grains de codéine. Déterminer le nombre de pilules minimales à prescrire au sujet pour qu’il soit guérit.

pilules minimales à prescrire au sujet pour qu’il soit guérit. Professeur : Joël Mètogbé ZINSALO/EPAC-UAC Page
pilules minimales à prescrire au sujet pour qu’il soit guérit. Professeur : Joël Mètogbé ZINSALO/EPAC-UAC Page

Recherche Opérationnelle

Recherche Opérationnelle Formulation du problème en un PL : Le problème de médecine présente certaines ressemblances

Formulation du problème en un PL :

Le problème de médecine présente certaines ressemblances avec le problème de l’agriculture, dans les deux cas c’est un problème d’allocation de ressources.

Les variables de décision qui représentent des valeurs inconnues par le décideur qui est dans ce cas le spécialiste en médecine sont :

x 1 : le nombre de pilules de petite taille à prescrire.

x 2 : le nombre de pilules de grande taille à prescrire.

On vérifie bien que les variables de décision x 1 et x 2 sont positives :

x

1

0,

x

2

0

.

Les contraintes imposées par le problème sur les valeurs possibles de x 1 et x 2 sont :

La prescription doit contenir des pilules avec au moins 12 grains d’aspirine. Sachant qu’une petite pilule contient 2 grains d’aspirine et qu’une grande pilule contient un seul grain d’aspirine, on obtient la contrainte suivante :

2

x

1

+ x

2

12

.

De la même façon que pour l’aspirine, la prescription du spécialiste en médecine doit contenir au moins 74 grains de bicarbonate. Ainsi la contrainte

suivante doit être satisfaite : 5

x

1

+

8

x

2

74

.

Finalement la contrainte imposée par le fait que la prescription doit contenir

au moins 24 grains de codéine est

x

1

+

6

x

2

24

.

Etape 3 : Identification de la fonction objectif. On remarque qu’il y a plusieurs

couples de solutions (

l’étape 2. La prescription doit contenir le minimum possible de pilules. Donc le critère de sélection de la quantité de pilules à prescrire est celle qui minimise le

nombre total des pilules

qui peuvent satisfaire les contraintes spécifiées à

x

1

,

x

2

)

z = x

1

+ x .

2

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

Min

s c

.

.

x

2

1

x

+

1

+

x

2

x

2

5

x

x

x

1

1

1

+

8

+

6

0 ,

x

2

x

2

x

2

12

74

24

0

1 + 8 + ≥ 6 0 , x 2 x 2 x 2 ≥ ≥
1 + 8 + ≥ 6 0 , x 2 x 2 x 2 ≥ ≥

Recherche Opérationnelle

Recherche Opérationnelle 3. Méthodologie Cette méthode n'est applicable que dans le cas où il n'y a

3. Méthodologie Cette méthode n'est applicable que dans le cas où il n'y a que deux variables. Son avantage est de pouvoir comprendre ce que fait la méthode générale du Simplexe, sans entrer dans la technique purement mathématique. Les contraintes économiques et de signe sont représentées graphiquement par des demi-plans dont l'intersection est un ensemble convexe (c.à.d. tout segment de droite dont les extrémités appartiennent à l'ensemble est entièrement inclus dans cet ensemble). Les solutions, si elles existent appartiennent donc à cet ensemble appelé région des solutions admissibles.

à cet ensemble appelé région des solutions admissibles . Il s'agit donc de chercher à l'intérieur

Il s'agit donc de chercher à l'intérieur de ce domaine, le couple (x1, x2) maximisant la fonction objectif.

Or l'équation 1200 x1 + 1000 x2 = z0 est représentée par une droite de pente constante (-1,2) dont tous les points (x1 , x2) fournissent la même valeur z0 pour la fonction économique. En particulier, la droite 1200 x1 + 1000 x2 = 0 passe par l'origine et donne une valeur nulle à la fonction économique. Pour augmenter la valeur de z0 et donc la fonction économique, il suffit d'éloigner de l'origine (dans le quart de plan x1 0 ; x2 0) la droite de pente -1,2. Pour respecter les

≥ 0 ; x2 ≥ 0) la droite de pente -1,2. Pour respecter les Professeur :
≥ 0 ; x2 ≥ 0) la droite de pente -1,2. Pour respecter les Professeur :

Recherche Opérationnelle

Recherche Opérationnelle contraintes, cette droite sera déplacée jusqu'à l'extrême limite où il n'y aura

contraintes, cette droite sera déplacée jusqu'à l'extrême limite où il n'y aura plus

qu'un point d'intersection (éventuellement un segment) avec la région des

solutions admissibles.

un segment) avec la région des solutions admissibles. On remarquera que la solution optimale se trouve

On remarquera que la solution optimale se trouve nécessairement sur le pourtour

de la région des solutions admissibles.

La solution se trouvant sur les deux droites d'équation

3

x1 + 4 x2 = 160

6

x1 + 3 x2 = 180

la résolution de ce système conduit à la solution x1 =16 , x2 = 28, d'où z = 47200.

Prenons l’exemple 2 relatif au problème de médecine. Le programme linéaire est

le suivant :

Min

s c

.

.

x

1

+

x

2

2

x

1

+

x

2

5

x

1

+

8

x

2

x

1

+

6

x

2

x

1

0,

x

2

12

74

24

0

x 2 x 1 ≥ 0, x 2 ≥ 12 ≥ ≥ ≥ 74 24 0
x 2 x 1 ≥ 0, x 2 ≥ 12 ≥ ≥ ≥ 74 24 0

Recherche Opérationnelle

Recherche Opérationnelle Un bon choix se base sur une lecture des différents paramètres du programme linéaire.

Un bon choix se base sur une lecture des différents paramètres du programme linéaire. Dans notre cas, on ne peut qualifier de bon, le choix de 20 comme unité dans les deux axes. Pour l’exemple, on peut choisir le système d’axes suivant :

x 2 12 6 3 6 12 24
x
2
12
6
3
6
12
24

x 1

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

2

x

1

+ x

2

12

.

L’ensemble des solutions qui vérifient cette inégalité est le même que celui qui

vérifie 2

x

1

+ x

2

=

12

et 2 x

1

+ x

2

> 12 . x 2 12 6 3 6 12 24
>
12
.
x 2
12
6
3
6 12
24

x 1

L’ensemble des solutions qui correspond à l’équation est l’ensemble des points de

. Cette droite admet une valeur de la pente égale

à –2 et intercepte l’axe des ordonnées en 12 (voir figure ci-dessus).

L’inégalité 2

. Or cette droite divise le plan en deux demi-plans ouverts donc quel est le demi- plan à choisir ?

la droite l définie par

x

1

+ x

2

>

12

x

2

=

2

x

1

+

12

correspond à un demi-plan limité par la droite

x

2

=

2

x

1

+

12

correspond à un demi-plan limité par la droite x 2 = 2 x 1 + 12
correspond à un demi-plan limité par la droite x 2 = 2 x 1 + 12

Recherche Opérationnelle

Recherche Opérationnelle x 2 12 1 6 3 6 12 24 x 1 Pour ce faire,
x 2 12 1 6 3 6 12 24
x 2
12
1
6
3
6 12
24

x 1

Pour ce faire, il suffit de prendre un point de l’un des demi-plans (c’est à dire

.

Par exemple le point de coordonnées (0,0) ne vérifie pas l’inégalité 2

donc le demi-plan 1 au-dessus de la droite est celui recherché (voir figure ci- dessus). L’espace hachuré représente le demi-plan fermé des solutions qui vérifient la

n’appartenant pas à la droite

x

2

=

2

x

1

+

12

) et voir s’il vérifie l’inégalité 2

x

1

x

1

+ x

2

+ x

>

12

2

> 12

contrainte 2

Si on fait de même pour les deux autres contraintes du problème (voir figures ci-dessous), on obtient les deux autres demi-plans 2 et 3 relatifs aux solutions

vérifiant respectivement les contraintes 5

x

1

+ x

2

>

12

.

x

1

+ 8 x ≥ 74 et x + 6 x ≥ 24 . 2 1
+
8
x
74
et
x
+
6
x
24
.
2
1
2
2
9.25
6
3
x 1
6
14,8
24
3 4 x 1 6 12 24
3
4
x 1
6
12
24

Une solution possible du problème est dite réalisable si et seulement si elle vérifie toutes les contraintes, c’est à dire si elle appartient aux trois demi-plans relatifs à

en d’autre terme à

chaque contrainte du programme linéaire, 1 2 3 (voir figure).

x 2 E nsem ble des 12 so lutio ns réalisables 3 6 12 24
x 2
E nsem ble des
12
so lutio ns
réalisables
3
6
12
24

x 1

E nsem ble des 12 so lutio ns réalisables 3 6 12 24 x 1 Professeur
E nsem ble des 12 so lutio ns réalisables 3 6 12 24 x 1 Professeur

Recherche Opérationnelle

Recherche Opérationnelle 4. Cas particuliers Problème à solutions multiples Max s c . . x 1

4. Cas particuliers

Problème à solutions multiples

Max

s c

.

.

x

1

2

x

x

x

x

1

2

1

+ 3

1

+

x

6

2

x

2

10

4

0,

x

2

30

0

(1)

(2)

(3)

x 2 (2) (1) A (3) B 10 Z= 0
x 2
(2)
(1)
A
(3)
B
10
Z= 0

x 1

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

Problème avec solution non bornée

Max

s c

.

.

- 2

x

1

x

2

x

x

1

1

1

+

5

3

x

2

3

0,

x

x

2

2

6

0

(1)

(2)

x 2 (2) 5 Z= 0 (1)
x 2
(2)
5
Z= 0
(1)

x 1

On peut augmenter la valeur de la fonction objectif dans la direction des flèches indéfiniment donc la solution est non bornée

Problème impossible

Min

s c

.

.

3

x

1

+

2

2

x

2

2

x

1

+

x

2

2 4

x

x

1

1

+

0,

x

x

2

2

8

0

(1)

(2)

x 2 (2) (1)
x 2
(2)
(1)

x 1

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

est l’intersection des deux zones grises de la figure ci-dessus Professeur : Joël Mètogbé ZINSALO/EPAC-UAC Page
est l’intersection des deux zones grises de la figure ci-dessus Professeur : Joël Mètogbé ZINSALO/EPAC-UAC Page

Recherche Opérationnelle

Recherche Opérationnelle Problème de dégénerescence   Max   + x 2   x 2 (2) (1)

Problème de dégénerescence

 

Max

 

+

x

2

 
x 2 (2) (1) B (3) A O C Z= 0 x 1
x 2 (2) (1) B (3) A O C Z= 0
x 2
(2)
(1)
B
(3)
A
O
C
Z= 0

x 1

x

1

.

s c

.

3

x

1

+

2

x

2

40

(1)

 

x

1

10

(2)

x

2

5

(3)

 

0

 

x

1

0,

x

2

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

dite dégénérée si trois contraintes concourent en ce point. Professeur : Joël Mètogbé ZINSALO/EPAC-UAC Page 19
dite dégénérée si trois contraintes concourent en ce point. Professeur : Joël Mètogbé ZINSALO/EPAC-UAC Page 19

Recherche Opérationnelle

Recherche Opérationnelle TRAVAUX DIRRIGES Exercice 1 : a) Déterminer le maximum de (x + 3y) sous

TRAVAUX DIRRIGES Exercice 1 :

a) Déterminer le maximum de (x + 3y) sous les contraintes suivantes :

x > 0 et y > 0

2x + 5y 3x + 4y

10

12

suivantes : x > 0 et y > 0 2x + 5y 3x + 4y 10

suivantes : x > 0 et y > 0 2x + 5y 3x + 4y 10

b) Déterminer le maximum de (x - y) sous les contraintes suivantes :

x

2x + y

+ 2y

x

+ y

(x - y) sous les contraintes suivantes : x 2x + y + 2y x +

(x - y) sous les contraintes suivantes : x 2x + y + 2y x +

(x - y) sous les contraintes suivantes : x 2x + y + 2y x +

- 3

10

10

c) Déterminer le minimum de (x + 2y) sous les contraintes suivantes :

x et y

x + 6y

6x + y

+ 2y) sous les contraintes suivantes : x et y x + 6y 6x + y

+ 2y) sous les contraintes suivantes : x et y x + 6y 6x + y

+ 2y) sous les contraintes suivantes : x et y x + 6y 6x + y

0

12

12

d) Déterminer le minimum de (2x + 3y) sous les contraintes suivantes :

2x + y x - y

0de (2x + 3y) sous les contraintes suivantes : 2x + y x - y 3

3

(2x + 3y) sous les contraintes suivantes : 2x + y x - y 0 3

x - y

-53y) sous les contraintes suivantes : 2x + y x - y 0 3 x -

Exercice 2 Le gérant d'un hôtel souhaite renouveler le linge de toilette de son établissement. Il a besoin de : 90 draps de bain, 240 serviettes et 240 gants de toilette. Une première entreprise de vente lui propose un lot A comprenant 2 draps de bain, 4 serviettes et 8 gants pour 200 francs. Une deuxième entreprise vend pour 400 francs un lot B de 3 draps de bains, 12 serviettes et 6 gants de toilettes. Pour répondre à ses besoins, le gérant achète x lots A et y lots B.

1. Traduire par un système d'inéquations les contraintes auxquelles satisfont x et y.

les contraintes auxquelles satisfont x et y. 2. On considère un plan P rapporté à un

2. On considère un plan P rapporté à un repère orthonormé (O ; i, j ). A tout couple (x ; y) on

associe le point M de P de coordonnées (x ; y), en prenant comme unité 2 cm pour 5 lots. Représentez dans P l'ensemble des points M(x ; y) satisfaisant aux inéquations :

X

2x + 3y

0 et y 0

90

x + 3y

4x + 3y

60

120

+ 3y ≥ ≥ 0 et y ≥ 0 90 x + 3y 4x + 3y
+ 3y ≥ ≥ 0 et y ≥ 0 90 x + 3y 4x + 3y

Recherche Opérationnelle

Recherche Opérationnelle 3. a) Exprimez en fonction de x et de y la dépense en francs

3. a) Exprimez en fonction de x et de y la dépense en francs occasionnée par l'achat de x lots A et

de y lots B.

b) Est-il possible de procéder aux achats nécessaires avec 5 000 francs? Justifiez votre réponse.

4. a) Déterminez graphiquement, en précisant la démarche suivie, le nombre de lots A et de lots B à

acheter pour avoir une dépense minimale.

b) Quelle est cette dépense minimale?

Exercice 3

Dans un lycée, un groupe d'élèves se charge de la distribution de pains au chocolat et de croissants

lors de la récréation de dix heures.

Pour pouvoir satisfaire la demande, ils doivent disposer au minimum de 108 pains au chocolat et

de 96 croissants. Deux boulangers proposent pour le même prix :

* l'un le lot A comprenant 12 pains au chocolat et 8 croissants;

* l'autre le lot B composé de 9 pains au chocolat et 12 croissants.

Le but de l'exercice est de déterminer le nombre de lots A et le nombre de lots B qui doivent être

achetés pour satisfaire la demande au moindre coût. On souhaite d'aider d'un graphique.

Pour cela, on rapporte le plan à un repère orthonormé (unité: graphique = 1cm) et, à l'achat de x

lots A et de y lots B, on associe le point de coordonnées (x, y).

1. Placer

* le point E associé à l'achat de 13 lots A et de 14 lots B;

* Le point F associé à l'achat de 10 lots A et de 1 lot B.

Les achats associés aux points E et F permettent-ils de satisfaire la demande?

2. On s'intéresse à la satisfaction de la demande.

a) Montrer que, pour que l'achat correspondant au point de coordonnées (x, y) permette de

satisfaire la demande, les nombres x et y doivent vérifier le système suivant:

4x

2x

+ 3y

+ 3y

36

24

b) Colorier ou hachurer la région du plan dans laquelle se trouvent les points dont les

coordonnées (x, y) ne sont pas solutions du système :

x et y f 0

4x

2x

+ 3y

+ 3y

36

24

3. On cherche à minimiser le coût, c'est à dire le nombre (x + y) de lots achetés. Les points

associés à des achats d'un nombre de n lots sont situés sur la droite D n d'équation : D n : x + y = n

sur la droite D n d'équation : D n : x + y = n Professeur
sur la droite D n d'équation : D n : x + y = n Professeur

Recherche Opérationnelle

Recherche Opérationnelle a) Tracer D 9 et D 1 1 . b) D'après le graphique, peut-on

a) Tracer D 9 et D 11 .

b) D'après le graphique, peut-on satisfaire la demande en achetant au total seulement 9 lots ?

En achetant au total 11 lots ? Expliquer les réponses fournies.

c) En utilisant le graphique, déterminer l'achat qui permet de satisfaire la demande au moindre

coût. On ne demande d'expliquer la réponse fournie.

moindre coût. On ne demande d'expliquer la réponse fournie. Professeur : Joël Mètogbé ZINSALO/EPAC-UAC Page 22
moindre coût. On ne demande d'expliquer la réponse fournie. Professeur : Joël Mètogbé ZINSALO/EPAC-UAC Page 22

Recherche Opérationnelle

Recherche Opérationnelle CORRECTION Exercice 1 : a) On représente l'ensemble des points vérifiant le système. Pour

CORRECTION

Exercice 1 :

a)

On représente l'ensemble des points vérifiant le système.

Pour cela, on trace les droites:

D 1 : "x = 0"

D 2 : "y = 0"

D 3 : "2x + 5y = 10 "

D 4 : "3x + 4y = 12 "

On prend un point test (par exemple le point A de coordonnées : A( 1; 1).

On obtient alors la figure suivante :

: A( 1; 1). On obtient alors la figure suivante : Puis, on trace une droite

Puis, on trace une droite D (a) d'équation : "x + 3y = a" sur cette figure. Par exemple, on trace D (1) d'équation : " x + 3y = 1" On a alors la figure suivante :

: " x + 3y = 1" On a alors la figure suivante : Professeur :
: " x + 3y = 1" On a alors la figure suivante : Professeur :

Recherche Opérationnelle

Recherche Opérationnelle Puis on trace une autre droite D (a) pour une valeur différente de a.
Recherche Opérationnelle Puis on trace une autre droite D (a) pour une valeur différente de a.

Puis on trace une autre droite D (a) pour une valeur différente de a. Par exemple, la droite D (2) :

une valeur différente de a. Par exemple, la droite D (2) : On constate que le

On constate que le fait d'augmenter la valeur de a déplace la droite D (a) dans le sens croissant des abscisses. On cherche alors la droite D (a) passant par un point de l'ensemble des contraintes et correspondant à la plus grande valeur possible de a. Graphiquement, c'est le point A d'intersection des droites D 1 et D 3 de coordonnées A(0;2).

des droites D 1 et D 3 de coordonnées A(0;2). Professeur : Joël Mètogbé ZINSALO/EPAC-UAC Page
des droites D 1 et D 3 de coordonnées A(0;2). Professeur : Joël Mètogbé ZINSALO/EPAC-UAC Page

Recherche Opérationnelle

Recherche Opérationnelle Le maximum de (x + 3y) sous les contraintes (C) est donc atteint pour
Recherche Opérationnelle Le maximum de (x + 3y) sous les contraintes (C) est donc atteint pour

Le maximum de (x + 3y) sous les contraintes (C) est donc atteint pour (x = 0) et (y = 2). Ce maximum est : (0 + 2*3) = 6.

b)

On utilise les trois droites :

* D1 : " x + y = -3"

* D2 : " 2x + y =10 "

* D3 : "x + 2y = 10"

pour représenter l'ensembles des contraintes. Puis, on introduit l'ensemble des droites (a) d'équation :

(a) : x- y = a On trace alors, par exemple, les droites (0) et (5). On constate si a croit, la droite (a) se déplace dans le sens des "x" croissant. On constate alors que le point appartenant à l'ensemble des contraintes et par où passe une droite D(a) avec a maximum est le point appartenant à l'intersection de D1 et D2. C'est le point A de coordonnées A(13;-16) que l'on détermine en prenant les équations de ces deux droites. Le maximum de (x-y) sous les contraintes (C) est donc atteint pour (x = 13) et (y = - 16) et ce maximum est : Max = 29.

atteint pour (x = 13) et (y = - 16) et ce maximum est : Max
atteint pour (x = 13) et (y = - 16) et ce maximum est : Max

Recherche Opérationnelle

Recherche Opérationnelle c) On représente les contraintes en utilisant les droites suivantes: * D1 d'équation
Recherche Opérationnelle c) On représente les contraintes en utilisant les droites suivantes: * D1 d'équation

c)

On représente les contraintes en utilisant les droites suivantes:

* D1 d'équation "x = 0", qui est l'axe des ordonnées

* D2 d'équation "y = 0", qui est l'axe des abscisses

* D3 d'équation "x + 6y = 12"

* D4 d'équation "6x + y =12"

+ 6y = 12" * D4 d'équation "6x + y =12" Si on trace deux droites

Si on trace deux droites (a) d'équation " x + 2y = a", par exemple , sur la figure, on a tracé (30) et (10), on constate que la droite (a) qui passe par un point des contraintes et qui donne la plus petite valeur possible de a est celle passant par le point A d'intersection entre D3 et D4. Pour déterminer les coordonnées de A, on pose alors le système d'équation suivant :

2x + y =10 x + 2y =10

alors le système d'équation suivant : 2x + y =10 x + 2y =10 Professeur :
alors le système d'équation suivant : 2x + y =10 x + 2y =10 Professeur :

Recherche Opérationnelle

Recherche Opérationnelle 6 2 La solution de ce système est: "x = 35 48 " et

62

La solution de ce système est: "x = 35

48

" et " y = 35

Les coordonnées de A sont donc : A( 35 62

;

48 ).

35

Le minimum de (x + 2y) sous les contraintes (C) est donc :

62 +2

Min = 35

48

35

= 158 .

35

d)

On représente les contraintes (C) en utilisant les droites :

D 1 :" 2x + y = 0"

D 2 : " x - y = 3"

D 3 : " x - y = -5"

Puis on utilise les droites a d'équation " 2x+ 3y = a".

Sur la figure, on a tracé les droites 20 et 5 .

on a tracé les droites ∆ 2 0 et ∆ 5 . On constate alors que

On constate alors que le point de l'ensemble des contraintes par lequel passe la droite a avec la

valeur "a" minimale est le point A d'intersection entre D 1 et D 2 .

Ce point a pour coordonnées : A(1 ; -2).

Le minimum de (2x + 3y) sous les contraintes (C) est donc :

Min = 2.(1) +3.(-2) = - 4

Exercice 2

1)

Faisons un tableau pour résumer les contraintes du gérant de l'hôtel :

2)

pour résumer les contraintes du gérant de l'hôtel : 2) Professeur : Joël Mètogbé ZINSALO/EPAC-UAC Page
pour résumer les contraintes du gérant de l'hôtel : 2) Professeur : Joël Mètogbé ZINSALO/EPAC-UAC Page

Recherche Opérationnelle

Recherche Opérationnelle   Lot A x Lot B y Contraintes Draps 2 3 90 Serviettes 4
 

Lot A

x

Lot B

y

Contraintes

Draps

2

3

90

Serviettes

4

12

240

Gants de toilette

8

6

240

Prix du lot

200

400

200x + 400y

Comme x et y doivent être positifs, l'ensemble des contraintes du gérant peuvent alors s'écrire :

(C) :

2)

x et y

+

+

+

0

3y

12y

6y

90

2x

4x

8x

240

240

Le système dont on demande la représentation graphique est le système précédent après

simplification.

Considérons les droites suivantes:

D 1 d'équation "x = 0"

D 2 d'équation "y = 0"

D 3 d'équation "2x + 3y = 90"

D 4 d'équation "x + 3y = 60"

D 5 d'équation "4x + 3y = 120"

La représentation graphique de ce système donne alors:

La représentation graphique de ce système donne alors: 3) a) Comme le prix d'un lot A

3)

a) Comme le prix d'un lot A est de 200 francs et que le prix d'un lot B est de 400 francs, le prix total

pour x Lots A et y lots B est : (200x + 400y) francs

La dépense est donc : D(x, y) = 200x + 400y.

(200x + 400y) francs La dépense est donc : D(x, y) = 200x + 400y. Professeur
(200x + 400y) francs La dépense est donc : D(x, y) = 200x + 400y. Professeur

Recherche Opérationnelle

Recherche Opérationnelle b) On peut savoir simplement s'il est possible de procéder aux achats nécessaires avec

b) On peut savoir simplement s'il est possible de procéder aux achats nécessaires avec 5 000 francs en traçant sur la figure précédente la droite D d'équation :

D : 200x + 400y = 5000

On obtient alors la figure suivante :

D : 200x + 400y = 5000 On obtient alors la figure suivante : On constate

On constate alors cette droite n'a aucun point commun avec le polygone des contraintes.

Il

n'est donc pas possible de procéder aux achats avec 5 000 francs.

4)

Pour une dépense de N francs, les choix de x lots A et y lots B correspondent aux points de la droite

D N d'équation : D N : 200x + 400y = N

Pour N quelconque, cette droite est parallèle à la droite D. On remarque que pour N = 0, la droite

D N passe par l'origine du repère et est située à gauche de D. Donc, la valeur de N sera d'autant

plus grande que la droite D N sera éloignée et à droite de D. On cherche donc la droite D N parallèle

à D, ayant des points communs avec ( C ) et la plus proche possible de D. Graphiquement, on voit alors que c'est la droite passant par le point A d'intersection des droites D 3 et D 4 .

par le point A d'intersection des droites D 3 et D 4 . Professeur : Joël
par le point A d'intersection des droites D 3 et D 4 . Professeur : Joël
par le point A d'intersection des droites D 3 et D 4 . Professeur : Joël

Recherche Opérationnelle

Recherche Opérationnelle En utilisant les équations de D 3 et D 4 , on détermine alors

En utilisant les équations de D 3 et D 4 , on détermine alors les coordonnées du point A. On trouve alors A(30 ; 10). La dépense minimale du gérant est donc de (200*30 + 400*10) francs, c'est-à-dire :

Dépense minimale = 10 000 francs

obtenue pour 30 lots A et 10 Lots B Pour finir, on peut aussi préciser que le gérant, pour cette dépense aura:

90 draps de bain,

240 serviettes,

300 gants de toilettes.

Exercice 3 1) Placer les points E et F ne pose aucun problème. Le point E a pour coordonnées (13 ; 14) et correspondant à l'achat de 13 lots A et 14 lots B.

Le nombre de pains au chocolat est alors : 13*12 + 14*9 = 282

Le nombre de croissants est alors : 13*8 + 14*12 = 272

L'achat associé au point E permet de satisfaire la demande. En revanche, le point F a pour coordonnées (10 ; 1). Le nombre de pains au chocolat est alors : 10*12 + 1*9 = 129

Le nombre de croissants est alors : 10*8 + 1*12 = 92 < 96. Le nombre de croissants n'est pas suffisant pour satisfaire la demande. L'achat associé au point F ne permet pas de satisfaire la demande. 2) Formons le tableau des contraintes, en appelant x le nombre de lots A et y le nombre de lot B.

en appelant x le nombre de lots A et y le nombre de lot B. 108.

108.

appelant x le nombre de lots A et y le nombre de lot B. 108. 96.

96.

x le nombre de lots A et y le nombre de lot B. 108. 96. 108.

108.

 

Lot A

Lot B

 

x

y

Contraintes

Pains au

 

chocolat

12

9

108

Croissants

8

12

96

Prix

p

p

Prix Total = p( x + y )

Les contraintes portant sur x et y sont alors :

12x + 9y

+ y ) Les contraintes portant sur x et y sont alors : 12x + 9y

108

+ y ) Les contraintes portant sur x et y sont alors : 12x + 9y
+ y ) Les contraintes portant sur x et y sont alors : 12x + 9y

Recherche Opérationnelle

Recherche Opérationnelle 8x + 12y 96 Ce système se simplifie et donne : 4x + 3y

8x + 12y

Recherche Opérationnelle 8x + 12y 96 Ce système se simplifie et donne : 4x + 3y

96

Ce système se simplifie et donne :

4x + 3y 2x + 3y

36+ 12y 96 Ce système se simplifie et donne : 4x + 3y 2x + 3y

2496 Ce système se simplifie et donne : 4x + 3y 2x + 3y 36 L'ensemble

L'ensemble des points M de coordonnées (x ; y) vérifiant ce système et, de plus les contraintes : x

0 et y ≥ 0 est alors, en considérant les droites : - D 1
0
et
y ≥ 0 est alors, en considérant les droites :
- D 1 : " 4x + 3y = 36 "
- D 2 : " 2x + 3y = 24 "
- Le point A est le point d'intersection de ces deux droites.
3)

Comme le prix des lots A et B est identiques, le coût total, en fonction de x et y est :

COUT TOTAL = p(x + y) Minimiser le coût total revient donc à minimiser (x + y). Le nombre (x + y) est le nombre de lots achetés au total.

a. Droites 9 et 11 .

lots achetés au total. a. Droites ∆ 9 et ∆ 1 1 . Professeur : Joël
lots achetés au total. a. Droites ∆ 9 et ∆ 1 1 . Professeur : Joël

Recherche Opérationnelle

Recherche Opérationnelle On remarque que ∆ 9 a une intersection vide avec l'ensembles des points qui
Recherche Opérationnelle On remarque que ∆ 9 a une intersection vide avec l'ensembles des points qui

On remarque que 9 a une intersection vide avec l'ensembles des points qui représentent les contraintes portant sur x et y. Donc, on ne peut pas satisfaire à la demande en achetant 9 lots au total.

On remarque que 11 a une intersection non vide avec l'ensembles des points qui représentent les contraintes portant sur x et y. On peut donc satisfaire à la demande en achetant 11 lots au total.

b)

La droite correspondant à un achat au moindre coût est la droite parallèle aux droites 9 et 11 et

passant par le point A appartenant aux droites 1 et 2 . Ce point a pour coordonnées (4 ; 6). L'achat permettant de satisfaire la demande au moindre coût est donc :

4

6

lots A

lots B

la demande au moindre coût est donc : 4 6 lots A lots B Professeur :
la demande au moindre coût est donc : 4 6 lots A lots B Professeur :

Recherche Opérationnelle

Recherche Opérationnelle CHAPITRE 3 METHODE DU SIMPLEXE ET DUALITE Ce chapitre est consacré à l’étude de

CHAPITRE 3

METHODE DU SIMPLEXE ET DUALITE

Ce chapitre est consacré à l’étude de la méthode du simplexe. Cette méthode est l’outil principal de

résolution des problèmes de programmation linéaire. Elle consiste à suivre un certain nombre

d’étapes avant d’obtenir la solution d’un problème donné. Il s’agit d’une méthode algébrique

itérative qui permet de trouver la solution exacte d’un problème de programmation linéaire en un

nombre fini d’étapes.

La résolution graphique est inapplicable au-delà de deux variables. Il est aussi nécessaire de

recourir à une autre méthode : la méthode du simplexe dite également méthode des tableaux ou

méthode de Dantzig. Cette méthode, applicable quelque soit le nombre de variables, sera présentée

pour des problèmes de maximisation dont toutes les contraintes (autres que celles de positivité) sont

de type ≤.

1.

METHODE DU SIMPLEXE

1.1.

Forme canonique d'un Programme Linéaire

Max z =

c1 x1

+ c2 x2

+

+ cn xn

a11 x1

+ a12 x2 +

+ a1n xn

b1

a21 x1

+ a22 x2 +

+ a2n xn

b2

am1 x1 + am2 x2 +

+ amn xn bm

x1 0 ;

x2 0 ;

; xn 0

Si la fonction objectif doit être maximisée et si toutes les contraintes sont des inéquations du

type , on dit que le programme linéaire se présente sous une forme canonique.

1.2. Forme standard d'un Programme Linéaire

On transforme les inégalités des contraintes économiques en égalités par introduction de variables

supplémentaires positives ou nulles appelées variables d'écart.

ai1 x1 + ai2 x2 +

d'où la forme standard :

+ ain xn

bi

devient ai1 x1 + ai2 x2 +

Max z =

c1 x1

+

c2 x2

+

+

cn xn

a11 x1

+ a12 x2 +

+ a1n xn

+ t1 = b1

a21 x1

+ a22 x2 +

+ a2n xn + t2 = b2

am1 x1 + am2 x2 +

+ amn xn + tm = bm

x1 0 ;

x2 0 ;

;

xn 0 ;

t1 0 ;

t2 0 ;

;

tm 0

+ ain xn + ti = bi

≥ 0 ; t 2 ≥ 0 ; ; t m ≥ 0 + a in
≥ 0 ; t 2 ≥ 0 ; ; t m ≥ 0 + a in

Recherche Opérationnelle

Recherche Opérationnelle Forme simpliciale : Un programme est dit sous forme simpliciale si : - elle

Forme simpliciale : Un programme est dit sous forme simpliciale si :

- elle est sous forme standard

- et les constantes du second membre sont toutes positives.

Le programme doit être mis sous forme simpliciale avant l'utilisation de l'algorithme de simplexe.

1.3.Résolution

Afin de comparer avec la résolution graphique, nous pouvons considérer que nous sommes dans un

espace à n dimensions (nombre de variables d'activité). Les contraintes délimitent un polyèdre convexe, région des solutions admissibles; la fonction objectif est un hyperplan que l'on va déplacer le plus loin possible de l'origine, jusqu'à l'extrême limite où il n'y aura plus qu'un point

avec la région des solutions admissibles.

La solution se trouvant forcément sur le pourtour du polyèdre admissible, la méthode du simplexe consiste en itérations qui font passer d'un sommet du polyèdre à un autre en sélectionnant le sommet adjacent maximisant la fonction objectif. Pour démarrer l'algorithme, il est nécessaire d'avoir une solution initiale. Dans le cas simple, l'origine est solution, c.à.d. que la première solution

est x1 = 0 ; x2 = 0 ;

tm = bm (ceci suppose que les bi ne

d'intersection (éventuellement un segment, un plan

)

;

xn = 0 ;

t1 = b1 ;

t2 = b2 ;

;

soient pas négatifs pour satisfaire les contraintes de signe).

L'algorithme, basé sur la méthode du pivot de Gauss pour la résolution des systèmes d'équations linéaires, est présenté sous forme de tableau. Soit à résoudre le programme linéaire suivant sous sa forme canonique :

3

x1 +

4 x2

160

6

x1 +

3 x2

180

Max z = 1200 x1 +

x1 0 ;

* Forme standard

1000 x2

x2 0

3

x1 +

4 x2 +

1 t1 +

0 t2

= 160

6

x1 +

3 x2 +

0 t1 +

1 t2

= 180

Max z = 1200

x1 +

1000 x2 +

0

t1

0 t2

x1 0 ;

x2 0

+ 1000 x 2 + 0 t 1 0 t 2 x 1 ≥ 0 ;
+ 1000 x 2 + 0 t 1 0 t 2 x 1 ≥ 0 ;

Recherche Opérationnelle

Recherche Opérationnelle * Tableau 0 en ne conservant que les coefficients des équations ci-dessus, on obtient

* Tableau 0 en ne conservant que les coefficients des équations ci-dessus, on obtient le tableau de départ

 

HB

x1

x2

t1

t2

C

B

t1

3

4

1

0

160

t2

6

3

0

1

180

 

1200

1000

0

0

0

Ce tableau nous donne la première solution admissible :

- Les variables Hors Base (HB) (situées sur la première ligne du tableau) sont nulles : x1 = 0 ;

(t1 et t2 en rouge ne sont pas hors base; elles ne sont présentes que pour rappeler qu'il s'agit

des colonnes des coefficients de ces deux variables ; lorsqu'on travaille sur papier, il est préférable

d'indiquer la position de ces variables par des points pour bien montrer que seules x1 et x2 sont hors

base). Cela signifie qu'on fabrique 0 pièces P1 et 0 pièces P2.

x2 = 0

- Les valeurs des variables dans la Base (B) (apparaissant dans la première colonne) se lisent dans la

colonne C : t1 = 160 et t2 =180. Cela signifie qu'il reste 160 heures d'utilisation possible de l'atelier

A1 et 180 heures de l'atelier A2.

- La dernière cellule (intersection de C et ) donne la valeur de -z : -z = 0 donc z = 0. Cela signifie

que la marge est égale à 0.

- La ligne donne les valeurs marginales ou taux marginal de substitution; elles s'interprètent de la

manière suivante: à ce stade de la solution, une augmentation de 1 unité de x1 ferait croître la

fonction objectif de 1200, et une augmentation de 1 unité de x2 ferait croître la fonction objectif de

1000. Cela signifie qu'à ce stade de la production si on augmente la production de 1 pièce de P1, la

marge va augmenter de 1200 F et si on augmente la production de 1 pièce de P2, la marge va

augmenter de 1000F.

En effet, la solution actuelle est x1 = 0 ; x2 = 0 ; t1 = 160 ; t2 =180

et z =1200 . x1 + 1000 . x2 + 0 . t1 + 0 . t2 = 1200 . 0 + 1000 . 0 + 0 . 160 + 0 . 180 = 0

Si on augmente x1 de 1 unité,

z =1200 . 1 + 1000 . 0 + 0 . 0 . 160 + 0 . 180 = 1200

de 1 unité, z =1200 . 1 + 1000 . 0 + 0 . 0 .
de 1 unité, z =1200 . 1 + 1000 . 0 + 0 . 0 .

Recherche Opérationnelle

Recherche Opérationnelle Si on augmente x 2 de 1 unité, z =1200 . 0 + 1000

Si on augmente x2 de 1 unité,

z =1200 . 0 + 1000 . 1 + 0 . 0 . 160 + 0 . 180 = 1000

* Tableau 1

On augmente la fonction objectif en faisant entrer une variable dans la base, prenant la place d'une

variable qui va sortir de la base.

la place d'une variable qui va sortir de la base. x 1 entre donc dans la

x1 entre donc dans la base

HB x1 x2 t1 t2 C R B t1 3 4 1 0 160 160/3
HB
x1
x2
t1
t2
C
R
B
t1
3
4
1
0
160
160/3
t2
6
3
0
1
180
30
1200
1000
0
0
0

Pour sélectionner la variable sortant de la base, il est nécessaire de rajouter une colonne R au

tableau, obtenue en faisant le rapport membre à membre de la colonne C et de la colonne de la

variable entrant dans la base (x1).

de la colonne de la variable entrant dans la base ( x 1 ). t 2

t2 sort donc de la base

HB x1 x2 t1 t2 C R B t1 3 4 1 0 160 160/3
HB
x1
x2
t1
t2
C
R
B
t1
3
4
1
0
160
160/3
6
3
0
1
180
t2
30
1200
1000
0
0
0

variable entrant

variable sortant

180 t2 30 1200 1000 0 0 0 variable entrant variable sortant Professeur : Joël Mètogbé
180 t2 30 1200 1000 0 0 0 variable entrant variable sortant Professeur : Joël Mètogbé

Recherche Opérationnelle

Recherche Opérationnelle On appelle pivot (égal à 6) l'intersection de la variable entrante et de la

On appelle pivot (égal à 6) l'intersection de la variable entrante et de la variable sortante

Pour obtenir le tableau 1, on applique les règles suivantes :

obtenir le tableau 1, on applique les règles suivantes : La règle du rectangle est la

La règle du rectangle est la suivante :

règles suivantes : La règle du rectangle est la suivante : Remarque importante : d =

Remarque importante : d = d' c b = 0

En conséquence, si dans la colonne (resp. ligne) du pivot il y a un 0, toute la ligne (resp. colonne)

correspondante reste inchangée.

b = 0 ou c = 0

En appliquant ces règles on obtient le tableau 1 :

 

HB

x1

x2

t1

t2

C

B

t1

0

5/2

1

-1/2

70

x1

1

1/2

0

1/6

30

 

0

400

0

-200

-36000

Ce tableau nous donne la deuxième solution admissible :

- Les variables Hors Base (HB) sont nulles: x2 = 0 ; t2 = 0 (x1 et t1 en rouge ne sont pas hors base ;

elles ne sont présentes que pour rappeler qu'il s'agit des colonnes des coefficients de ces deux

variables). Cela signifie qu'on fabrique 0 pièces P2 et qu'il reste 0 heure d'utilisation disponible à

l'atelier A2. La contrainte associée à t2 est dite saturée.

- Les valeurs des variables dans la Base (B) se lisent dans la colonne C: t1 = 70 et x1 =30. Cela

signifie qu'on fabrique 30 pièces P1 et qu'il reste 70 heures d'utilisation disponible à l'atelier A1.

reste 70 heures d'utilisation disponible à l'atelier A1. Professeur : Joël Mètogbé ZINSALO/EPAC-UAC Page 37
reste 70 heures d'utilisation disponible à l'atelier A1. Professeur : Joël Mètogbé ZINSALO/EPAC-UAC Page 37

Recherche Opérationnelle

Recherche Opérationnelle - La dernière cellule (intersection de C et ) donne la valeur de -

- La dernière cellule (intersection de C et ) donne la valeur de -z : -z = -36000 donc z = 36000.

Cela signifie que la marge est égale à 36000 F.

- La ligne donne les valeurs marginales ou taux marginal de substitution; elles s'interprètent de la

manière suivante: à ce stade de la solution, une augmentation de 1 unité de x2 ferait croître la

fonction objectif de 400, et une augmentation de 1 unité de t2 ferait diminuer la fonction objectif de

200 (il est à noter qu'une augmentation de 1 unité de la variable d'écart t2 revient à diminuer le

second membre de l'équation correspondante de 1 unité).Cela signifie qu'à ce stade de la production si on augmente la production de 1 pièce de P2, la marge va augmenter de 400 F et si on diminue la disponibilité de 1 heure à l'atelier A2, la marge va diminuer de 200 F.

En effet, la solution actuelle est x1 = 30 ; x2 = 0 ; t1 = 70 ; t2 = 0 et

z =1200 . x1 + 1000 . x2 + 0 . t1 + 0 . t2 = 1200 . 30

Si on augmente x1 de 1 unité, on ne peut garder x1 = 30 car la 2° contrainte

6 x1 + 3 x2 + 0 t1 + 1 t2 = 180 est saturée. On doit donc déterminer la valeur de x1 permettant

d'augmenter x2 de 1 unité :

6 . x1 + 3 . 1 + 0 . 70 + 1 . 0 = 180

d'où z =1200 . 29,5 + 1000 . 1 + 0 . 70 + 0 . 0 = 36400, c.à.d. une augmentation de 400 F par rapport à la solution précédente.

Si on augmente t2 de 1 unité, la contrainte 6 x1 + 3 x2 + 0 t1 + 1 t2 = 180 devient 6 . x1 + 3 . x2 + 0

. 70 + 1 . 1 = 180 ou encore

l'atelier A2.

on a donc bien 1 heure de disponibilité en moins à

+ 1000 . 0 + 0 . 70 + 0 . 0 = 36000.

6 x1 + 3 = 180

x1 = 29,5

6 x1 + 3 x2 = 179;

De plus puisque x2 = 0, on aura x1 = 179/6 au lieu de 30

d'où z =1200 . 179/6 + 1000 . 1 + 0 . 70 + 0 . 1 = 35800, ce qui correspond à une baisse de 200 F. Tableau 2 :

HB x1 x2 t1 t2 C R B t1 0 5/2 1 -1 2 70
HB
x1
x2
t1
t2
C
R
B
t1
0 5/2
1
-1
2
70
28
x1
1 1/2
0
1/6
30
60
0 400
0 -200
- 36000

variable entrant

variable sortant

30 60 0 400 0 -200 - 36000 variable entrant variable sortant Professeur : Joël Mètogbé
30 60 0 400 0 -200 - 36000 variable entrant variable sortant Professeur : Joël Mètogbé

Recherche Opérationnelle

Recherche Opérationnelle d'où le tableau 2   HB x 1 x 2 t 1 t 2

d'où le tableau 2

 

HB

x1

x2

t1

t2

C

B

x2

0

1

2/5

-1/5

28

x1

1

0

-1/5

4/15

16

 

0

0

-160

-120

- 47200

Ce tableau nous donne la troisième solution admissible :

- Les variables Hors Base (HB) sont nulles: t1 = 0 ; t2 = 0 (x1 et x2 en rouge ne sont pas hors base ;

elles ne sont présentes que pour rappeler qu'il s'agit des colonnes des coefficients de ces deux

variables). Cela signifie qu'il reste 0 heure d'utilisation disponible aux ateliers A1 et A2. Les

contraintes associées à t1 et t2 sont saturées.

- Les valeurs des variables dans la Base (B) se lisent dans la colonne C : x2 = 28 et x1 =16.

Cela signifie qu'on fabrique 16 pièces P1 et 28 pièces P2.

- La dernière cellule (intersection de C et ) donne la valeur de -z : -z = - 47200 donc z = 47200.

Cela signifie que la marge est égale à 47200 F.

- La ligne donne les valeurs marginales ou taux marginal de substitution; elles s'interprètent de la

manière suivante: à ce stade de la solution, une augmentation de 1 unité de t1 ferait diminuer la

fonction objectif de 160, et une augmentation de 1 unité de t2 ferait diminuer la fonction objectif de

120 (il est à noter qu'une augmentation de 1 unité d'une variable d'écart revient à diminuer le second

membre de l'équation correspondante de 1 unité).

membre de l'équation correspondante de 1 unité). Nous avons donc ici atteint la solution optimale. Remarques

Nous avons donc ici atteint la solution optimale.

Remarques importantes :

- S'il existe une variable HB ayant un coefficient positif dans la ligne et telle que tous les

coefficients correspondants dans le tableau soient nuls ou négatifs, alors la solution est infinie.

- Si, à la fin des itérations, une variable est HB avec un coefficient nul dans la ligne , alors on a

est HB avec un coefficient nul dans la ligne , alors on a Professeur : Joël
est HB avec un coefficient nul dans la ligne , alors on a Professeur : Joël

Recherche Opérationnelle

Recherche Opérationnelle une arête (plan, variable dans la base. ) optimale. Les autres sommets solutions sont

une arête (plan,

variable dans la base.

)

optimale. Les autres sommets solutions sont obtenus en faisant rentrer cette

- La résolution du problème à Minimum ne pose pas de difficulté; il suffit, dans le critère de sélection de la variable entrant dans la base, de remplacer "plus grand coefficient positif "par "plus grand coefficient négatif" et dans le critère d'arrêt des itérations de remplacer "coefficients négatifs ou nuls " par "coefficients positifs ou nuls".

Interprétation graphique de la méthode du simplexe :

Les différentes solutions obtenues à chaque tableau correspondent respectivement aux sommets O (x1 = 0 ; x2 = 0), A (x1 = 30 ; x2 = 0), B (x1 = 16 ; x2 = 28) du graphique. On a cheminé sur le pourtour du polyèdre des solutions admissibles, en sélectionnant parmi tous les sommets possibles celui donnant la valeur maximale à la fonction objectif.

celui donnant la valeur maximale à la fonction objectif. RETENONS 1) Pour un maximum , la

RETENONS

1) Pour un maximum, la variable entrante est celle qui, dans le tableau, a l'élément strictement positif le plus grand sur la ligne de la fonction économique (appelé ligne ci-après). Les valeurs des variables de la base étant toujours positives, celle ayant le coefficient positif de Z le plus élevé augmentera plus que les autres la valeur de la fonction économique. * Si tous les éléments de la ligne sont négatifs ou nuls, le programme est optimal :

- si les seuls éléments nuls de la ligne correspondent aux variables de base (ou d'écart), alors le maximum est unique. C'est le cas lorsque la ligne de niveau la plus éloignée de l'origine est tangente en un seul sommet du polyèdre convexe.

est tangente en un seul sommet du polyèdre convexe. Professeur : Joël Mètogbé ZINSALO/EPAC-UAC Page 40
est tangente en un seul sommet du polyèdre convexe. Professeur : Joël Mètogbé ZINSALO/EPAC-UAC Page 40

Recherche Opérationnelle

Recherche Opérationnelle - sinon, il y a une infinité de solutions , car n'importe quelle autre

- sinon, il y a une infinité de solutions, car n'importe quelle autre variable ayant un 0 pour la ligne peut (ou aurait pu) entrer à la place d'une variable de base affectant les valeurs des autres variables de base tout en gardant constant. C'est le cas lorsque la ligne de niveau la plus éloignée de l'origine est confondue à tout un segment de la frontière du polyèdre convexe.

* S'il existe un élément de la ligne strictement positif tel que les éléments de la colonne

correspondante sont tous négatifs ou nuls, le problème n'a pas de solution optimale finie, car il ne peut pas avoir de variable sortante. Ce cas "normalement" exclus du fait même de la nature des programmes économiques se produit quand il y a erreur de modélisation.

* S'il existe un ou plusieurs éléments de la ligne strictement positifs, on poursuit le processus

itératif, jusqu'à aboutir à l'un des deux cas ci-dessus. 2) Pour un minimum, la variable entrante est celle qui dans le tableau a le coefficient (sur la ligne ) strictement négatif le plus grand en valeur absolue. Les valeurs des variables de la base étant toujours positives, celle ayant le coefficient négatif de le plus élevé en valeur absolue diminuera plus que les autres la valeur de la fonction économique. * Si tous les éléments de la ligne sont positifs ou nul, le programme est optimal :

- si les seuls éléments nuls de la ligne correspondent aux variables de base (ou d'écart), alors le minimum est unique. C'est le cas lorsque la ligne de niveau la plus proche de l'origine est tangente en un seul sommet du polyèdre convexe. - sinon, il y a une infinité de solutions, car n'importe quelle autre variable ayant un coefficient nul sur la ligne peut (ou aurait pu) entrer à la place d'une variable de base affectant les valeurs des autres variables de base tout en gardant Z constant. C'est le cas lorsque la ligne de niveau la plus proche de l'origine est confondue à tout un segment de la frontière du polyèdre convexe.

* S'il existe un élément de la ligne strictement négatif tel que les éléments de la colonne correspondante sont tous négatifs ou nuls, le problème n'a pas de solution optimale finie, car il ne peut pas avoir de variable sortante. Ce cas "normalement" exclus du fait même de la nature des programmes économiques se produit quand il y a erreur de modélisation.

* S'il existe un ou plusieurs éléments de la ligne strictement négatifs, on poursuit le processus itératif, jusqu'à aboutir à l'un des deux cas ci-dessus.

La variable sortante est toujours celle qui correspond à la valeur finie positive la plus petite de la colonne C/k "colonne entrante", qu'il s'agisse de maximiser ou de minimiser la fonction

s'agisse de maximiser ou de minimiser la fonction Professeur : Joël Mètogbé ZINSALO/EPAC-UAC Page 41
s'agisse de maximiser ou de minimiser la fonction Professeur : Joël Mètogbé ZINSALO/EPAC-UAC Page 41

Recherche Opérationnelle

Recherche Opérationnelle économique. Comme ce rapport doit toujours être strictement positif , on comprend pourquoi

économique. Comme ce rapport doit toujours être strictement positif, on comprend pourquoi il

ne peut avoir de variable sortante :

- dans le cas du maximum, «S'il existe un élément de la ligne strictement positif tel que les

éléments de la colonne correspondante sont tous négatifs ou nuls».

- dans le cas du minimum, «S'il existe un élément de la ligne strictement négatif tel que les

éléments de la colonne correspondante sont tous négatifs ou nuls».

Le pivot est la valeur située à l'intersection de la variable entrante et la variable sortante de la base.

Le nouveau tableau est construit en rendant unitaire le pivot et en faisant les transformations de

Gauss (méthode du rectangle) nécessaires pour avoir partout 0 dans la colonne pivot y compris sur

la ligne de la fonction économique.

Exercice

Une société fabrique trois modèles de meubles : classique, rustique, moderne. Les standards

unitaires de production sont résumés dans le tableau suivant :

 

Modèle

Modèle

Modèle

Capacités

classique

rustique

moderne

maximales

Bois

5

8

5

900

Main d’œuvre

1

2

3

516

Centre finition

2

2

0

200

Marges sur coûts variables

1000

960

1200

Déterminer les quantités à produire pour maximiser son résultat.

Résolution

Forme canonique de ce programme

Soit :

le nombre de modèles classiques à produire

le nombre de modèles rustiques à produire

le nombre de modèles modernes à produire

5 + 8 + 5 ≤ 900 + 2 + 3 ≤ 516 2 + 2 + 0 ≤ 200 = 1000 + 960 + 1200 ≥ 0 ; ≥ 0 ; ≥ 0.

Forme standard

+ 1200 ≥ 0 ; ≥ 0 ; ≥ 0. ∑ Forme standard Professeur : Joël
+ 1200 ≥ 0 ; ≥ 0 ; ≥ 0. ∑ Forme standard Professeur : Joël

Recherche Opérationnelle

Recherche Opérationnelle La méthode du simplexe nécessite une mise sous forme standard : les inégalités sont

La méthode du simplexe nécessite une mise sous forme standard : les inégalités sont transformées

en égalités grâce à l’introduction des variables d’écart positives ou nulles notées .

Il y a une variable pour chaque contrainte (autre que contrainte de positivité).

Exemple : Etude de la contrainte relative au facteur bois

Emploi du facteur bois pour des niveaux de production x, y et z

5 +8 +5

d u c t i o n x , y e t z 5 +8 +5

+ = 900

Ecart entre la capacité et la consommation du facteur bois pour une production x, y, z. Cet écart permet l’égalité entre les deux membres

On obtient donc la forme standard :

5 +8 +5 + + 2 + 3 + 2 + 2 + 0 +

= 900 = 516 + = 200

= 1000 + 960 + 1200 + 0 + + ≥ 0 ; ≥ 0 ; ≥ 0.

Tableau 0 :

 

HB

.

.

.

C

B

5

8

5

1

0

0

900

1

2

3

0

1

0

516

2

2

0

0

0

1

200

1000

960

1200

0

0

0

0

Interprétation de ce tableau :

Il s’agit de la solution admissible de départ qui respecte toutes les contraintes : ne rien produire.

La production est donc nulle = 0 ; = 0 ; = 0! et la valeur de la fonction objectif est égale à

0.

Les capacités disponibles des facteurs sont intactes. Ainsi = 900 signifie qu’il reste 900 unités

de bois, = 516 signifie qu’il reste 516 unités de main d’œuvre, = 200 signifie qu’il reste 200

unités de centre finition.

Cette solution peut être améliorée puisque les coefficients de la ligne ne sont pas négatifs ou nuls.

Continuer l’exemple en suivant l’exemple précédent.

On trouve :