Vous êtes sur la page 1sur 93

OPTIMISATION ET ANALYSE DE FAISABILIT

CHAPITRE 3
OPTIMISATION

Concepts de base: recherche oprationnelle


Programmation linaire
Programmation en nombre entier
Logiciel LINDO
OPTIMISATION ET ANALYSE DE FAISABILIT
CONCEPTS DE BASE
RECHERCHE OPRATIONNELLE
Dfinitions
Origines
Applications
Mthodes
Modles
OPTIMISATION ET ANALYSE DE FAISABILIT

RECHERCHE OPRATIONNELLE

DFINITIONS
Application de mthodes, techniques, instruments
scientifiques pour modliser et rsoudre les problmes
dans tous les domaines
Application de la mthode scientifique pour modeler et
rsoudre les problmes dans tous les domaines
Art de donner des mauvaises rponses des problmes
auxquels autrement de pires rponses seraient donnes
OPTIMISATION ET ANALYSE DE FAISABILIT

RECHERCHE OPRATIONNELLE

ORIGINES
Dveloppement durant la seconde guerre mondiale
applications aux oprations militaires
rpartition des troupes, du matriel, des ressources
approvisionnement en vivres, en pices, en armement
Scientifiques et ingnieurs: applications civiles
programmation linaire (1re publication en 1939)
dveloppement du simplexe par G. Dantzig (1947)
dveloppement des techniques classiques en
programmation linaire, non-linaire, dynamique, thorie
des files dattente, etc.
ralentissement des recherches gnr par le manque
doutils de calcul
OPTIMISATION ET ANALYSE DE FAISABILIT

RECHERCHE OPRATIONNELLE

APPLICATIONS
Applications aux problmes rels de grande envergure
arrive des processeurs rapides
dveloppement des bases de donnes
techniques d optimisation appliques de nombreux domaines
Domaines dutilisation
militaire
transport
aroport
route, trajet, livraison
horaire
contrle des rseaux
infrastructures, distribution
etc.
OPTIMISATION ET ANALYSE DE FAISABILIT

RECHERCHE OPRATIONNELLE

2 importants centres de recherche Montral


CRT: Centre de Recherche sur les Transports
GRAD: Groupe dtude et de Recherche en Analyse
des Dcisions
OPTIMISATION ET ANALYSE DE FAISABILIT

RECHERCHE OPRATIONNELLE

CONCEPT DE SYSTME
Systme
Agrgat ou assemblage dobjets joints par des
interactions ou interdpendances rgulires
Activit
Processus qui cre un changement de ltat du systme
Entit
Objet dintrt dans un systme
Attribut
Proprits relatives une entit
OPTIMISATION ET ANALYSE DE FAISABILIT

RECHERCHE OPRATIONNELLE

EXEMPLE DE SYSTME

SYSTME ACTIVIT ENTIT ATTRIBUT


circulation mouvements vhicules vitesse
trajets routes distances

banque dpts clients tat de crdit

communications transmission message priorit


OPTIMISATION ET ANALYSE DE FAISABILIT

RECHERCHE OPRATIONNELLE

MTHODES
Techniques mathmatiques
Techniques statistiques
Modles de gestion des stocks
Modles daffectation
Modles de programmation dynamique
Modles de files dattente
Modles squentiels
Modles de remplacement
Modles de comptition
Techniques de simulation
Mthodes heuristiques
OPTIMISATION ET ANALYSE DE FAISABILIT

RECHERCHE OPRATIONNELLE

MODLE
Moyen pour mieux comprendre la ralit utilise pour
reprsenter les proprits fondamentales dun certain
phnomne
Problmes de gestion souvent complexes
Ncessit frquente dignorer certains paramtres pour
tirer une version idale, pure: cest un modle
OPTIMISATION ET ANALYSE DE FAISABILIT

RECHERCHE OPRATIONNELLE

CLASSIFICATION DES MODLES


Modles physiques
Modles iconiques
Pour visualiser une solution pratique
Modles rduits, maquettes
Modles analogiques
Phnomne quon tudie pour reprsenter un autre
Analogie lectrique en hydraulique
Modles symboliques
Modles mathmatiques
Dterministiques
Probabilistes ou stochastiques
Modles verbaux
OPTIMISATION ET ANALYSE DE FAISABILIT

RECHERCHE OPRATIONNELLE

Modles mathmatiques
Modles dterministiques
Incertitude ngligeable
Rsultats du phnomne prvu avec certitude
Modles probabilistes ou stochastiques
Incertitude considre comme facteur important du
phnomne ou systme analys
Classe de modles dterministiques
Modles de programmation linaire
quations ou inquations du premier degr reprsentant
les contraintes du problme
Fonction conomique qui traduit lobjectif de lentreprise
OPTIMISATION ET ANALYSE DE FAISABILIT

RECHERCHE OPRATIONNELLE

Mthode scientifique
1. Expriences vcues
2. Critres qui permettent de
juger si le problme est
rsolu
3. Principaux aspects de la
ralit
4. Paramtres du modle
5. Mthodes appropries
6. Conclusions obtenues
versus opinions des
personnes
7. Implantation de la dcision
OPTIMISATION ET ANALYSE DE FAISABILIT

RECHERCHE OPRATIONNELLE

Formulation du modle mathmatique


Dfinir le problme
Quelle est la nature exacte du problme?
Quel est lobjectif recherch?
Quelles sont les conditions dopration?
Quels sont les paramtres considrer? Quelle
influence?
Quel est le degr de prcision requis?
OPTIMISATION ET ANALYSE DE FAISABILIT

PROGRAMME LINAIRE

PL
problme doptimisation consistant
maximiser (ou minimiser) une fonction objectif linaire
de n variables de dcision
soumises un ensemble de contraintes exprimes sous
forme dquations ou dinquations linaires
La terminologie est due George B. Dantzig,
inventeur de lalgorithme du simplexe (1947)
OPTIMISATION ET ANALYSE DE FAISABILIT

PROGRAMMATION LINAIRE

Hypothses:
La linarit des contraintes et de la fonction objectif
La proportionnalit des gains/cots et des
consommation de ressources
La divisibilit des variables
Le dterminisme des donnes
Lors de la modlisation d'un problme rel, l'impact de ces
hypothses sur la validit du modle mathmatique doit tre
tudi
Cette analyse peut mener choisir un modle diffrent (non
linaire, stochastique, ...) et est essentielle pour la phase
d'interprtation des rsultats fournis par le modle
OPTIMISATION ET ANALYSE DE FAISABILIT

MISE EN FORME MATHMATIQUE

Dfinir les variables de dcision


ensemble des variables qui rgissent la situation modliser
variables relles, entires, binaires
Prciser la fonction objectif
fonction mathmatique compose des variables de dcision qui
reprsente le modle physique modlis
fonction linaire, non-linaire
Prciser les contraintes du problme
ensemble des paramtres qui limitent le modle ralisable
quations ou inquations composes des variables de dcision
Prciser les paramtres du modle
constantes associes aux contraintes et la fonction objective
OPTIMISATION ET ANALYSE DE FAISABILIT

PROGRAMMATION LINAIRE

Validation du modle et des rsultats


Sassurer
que le modle dvelopp est conforme la ralit
que les rsultats sont valides dans toutes les conditions
Conception du systme dapplication
Possibilit dutiliser des logiciels spcialiss
Implantation
OPTIMISATION ET ANALYSE DE FAISABILIT
FORMULATION MATHMATIQUE
DUN PROGRAMME LINAIRE
FONCTION OBJECTIF
Maximiser ou minimiser
z = c1x1 + c2x2 + c3x3 + + + cnxn
Contraintes
a11x1 + a12x2 + a13x3 + + a1nxn ( , =, ) b1
a21x1 + a22x2 + a23x3 + + a2nxn ( , =, ) b2
am1x1 + am2x2 + am3x3 + + amnxn ( , =, ) bm
Contraintes de non-ngativit
xj 0 ; j = 1, 2, 3, n
avec
xj variables de dcision (inconnues)
aij, bi, cj paramtres du programme linaire
OPTIMISATION ET ANALYSE DE FAISABILIT

TERMINOLOGIE DU MODLE

Activits
Ensemble des actes et oprations effectuer
j = 1,n activits
Ressources
Moyens disponibles pour effectuer les activits
bi, i = 1,m ressources
Quantit requise de ressource
Quantit unitaire de ressources consommes pour chaque activit
aij
Niveau activation
Quantit de ressources affecte une activit
xj = niveau dactivation de lactivit j
Cot ou profit
Mesure de performance de lallocation des ressources aux activits
cj
OPTIMISATION ET ANALYSE DE FAISABILIT

TERMINOLOGIE DE LA SOLUTION

Solution ralisable
Solution o toutes les contraintes du modle sont
satisfaites
Zone de solution
Ensemble de toutes les solutions ralisables
Solution optimale
Solution ralisable o la fonction objectif atteint la
meilleure valeur, maximum ou minimum
Plusieurs solutions optimales possibles
OPTIMISATION ET ANALYSE DE FAISABILIT
EXEMPLE: PROBLME
D'ALLOCATION DE RESSOURCES
Vous disposez de
8 kg de pommes
2,5 kg de pte
6 plaques
pour confectionner des chaussons et des tartes
Pour faire un chausson, il vous faut:
150 g de pommes
et 75 g de pte
Chaque chausson est vendu 3 $
Pour faire une tarte, il vous faut
1 kg de pommes
200 g de pte
et 1 plaque
Chaque tarte est divise en 6 parts vendues chacune 2 $
Que faut-il cuisiner pour maximiser le chiffre d'affaires de
la vente ?
OPTIMISATION ET ANALYSE DE FAISABILIT
PROBLME D'ALLOCATION DE
RESSOURCES
Dfinissons 2 variables de dcision
x1 : le nombre de chaussons confectionns
x2 : le nombre de tartes confectionnes
Le chiffre daffaires associ une production (x1; x2) est
z = 3x1 + (6 x 2)x2 = 3x1 + 12x2
Il ne faut pas utiliser plus de ressources que disponibles
150x1 + 1000x2 8000 (pommes)
75x1 + 200x2 2500 (pte)
x2 6 (plaques)
On ne peut pas cuisiner des quantits ngatives :
x1 et x2 0
OPTIMISATION ET ANALYSE DE FAISABILIT
MODLE: PROBLME
D'ALLOCATION DE RESSOURCES

Pour maximiser le chiffre daffaires de la vente, il faut


dterminer les nombres x1 et x2 de chaussons et de
tartes a cuisiner, solution du problme
Max z = 3x1 + 12x2
Sujet
150x1 + 1000x2 8000
75x1 + 200x2 2500
x2 6
x 1 ; x2 0
En fait, il faudrait galement imposer x1 et x2 de ne
prendre que des valeurs entires
OPTIMISATION ET ANALYSE DE FAISABILIT
EXEMPLE: PROBLME DE
RECOUVREMENT

DONNES : Les demandes journalires en


chauffeurs dans une entreprise de transport
Lu Ma Me Je Ve Sa Di
13 18 21 16 12 25 9
Les chauffeurs travaillent 5 jours d'affile (et peuvent
donc avoir leurs 2 jours adjacents de cong n'importe quand
dans la semaine)
OBJECTIFS : Dterminer les effectifs formant les 7
quipes possibles de chauffeurs de manire :
couvrir tous les besoins
engager un nombre minimum de chauffeurs
OPTIMISATION ET ANALYSE DE FAISABILIT
PROBLME DE RECOUVREMENT
MODLISATION

Variables de dcision : On associe une variable de


dcision chacune des 7 quipes possibles
x1 : nombre de chauffeurs dans lquipe du lundi (repos
le samedi et le dimanche),
x2 : nombre de chauffeurs dans lquipe du mardi, ...
x7 : nombre de chauffeurs dans lquipe du dimanche.
Fonction objectif : On veut minimiser le nombre
total de chauffeurs engags
z = x1 + + x7
OPTIMISATION ET ANALYSE DE FAISABILIT
PROBLME DE RECOUVREMENT
CONTRAINTES

Contraintes : Le nombre de chauffeurs prsents


chaque jour doit tre suffisant
x1 + x4 + x5 + x6 + x7 13 (lundi)
x1 + x2 + x5 + x6 + x7 18 (mardi)

x3 + x4 + x5 + x6 + x7 9 (dimanche)
Contraintes de bornes : Le nombre de chauffeurs
dans chaque quipe doit non seulement tre non
ngatif mais galement entier
xi 0 et entier; i = 1; ; 7
OPTIMISATION ET ANALYSE DE FAISABILIT
PROBLME DE RECOUVREMENT :
FORMULATION
Min z = x1 + x2 + x3 + x4 + x5 + x6 + x7
Sujet :
x1 + x4 + x5 + x6 + x7 13
x1 + x2 + x5 + x6 + x7 18
x1 + x2 + x3 + x6 + x7 21
x1 + x2 + x3 + x4 + x7 16
x1 + x2 + x3 + x4 + x5 12
x2 + x3 + x4 + x5 + x6 25
x3 + x4 + x5 + x6 + x7 9
x1 ; x2 ; x3 ; x4 ; x5 ; x6 ; x7 0 entiers
Ce problme n'est pas un PL mais un programme
linaire en nombres entiers (PLNE)
OPTIMISATION ET ANALYSE DE FAISABILIT

MODLISATION

Exemple: production de portes et fentres


3 usines:
#1 cadres d aluminium
#2 cadres de bois
#3 vitres et assemblages des produits
2 produits
A portes vitres avec cadrage d aluminium
B fentres avec cadrage en bois
demande illimite pour les produits
profits par lot: A: 3000$ B: 5000$
temps de production pour chaque lot produit par heure
#1 A: 1 B: 0
#2 A: 0 B: 2
#3 A: 3 B: 2
temps de production disponible par semaine
#1: 4% #2: 12% #3: 18%
OPTIMISATION ET ANALYSE DE FAISABILIT

FORMULATION DU PROBLME

PRODUCTION DE PORTES ET FENTRES

Temps de production
Usine 1 2 Temps disponible par semaine
1 1 0 4
2 0 2 12
3 3 2 18
Profit 3000 5000
OPTIMISATION ET ANALYSE DE FAISABILIT

FORMULATION DU PROBLME

Objectif
Maximiser les profits
Variables de dcision
x1: quantit du produit A fabrique
x2: quantit du produit B fabrique
Fonction objectif
MAXIMISER z = 3x1 + 5x2
Contraintes
usine 1: 1x1 + 0x2 4
usine 2: 0x1 + 2x2 12
usine 3: 3x1 + 2x2 18
Contraintes de non-ngativit
x1 0
x2 0
OPTIMISATION ET ANALYSE DE FAISABILIT

PROGRAMMATION LINAIRE

Rsolution selon les techniques appropries


Exemple
MAXIMISER z = 3x1 + 5x2
SUJET
x1 4
2x2 12
3x1 + 2x2 18
x1 0 ; x2 0
Solutions optimales
programmation linaire: simplexe
programmation en nombre entier: branch-and-bound
programmation dynamique
Solutions sous-optimales: heuristiques
OPTIMISATION ET ANALYSE DE FAISABILIT

ZONE DE SOLUTION RALISABLE

Zone limite par lensemble des quations de contraintes


du problme et par les limites des variables de dcision
x2
3 x1 + 2x 2 = 18
8
x1 = 4

6 2x 2 = 12

0 x1
2 4 6 8 10
OPTIMISATION ET ANALYSE DE FAISABILIT

FONCTION OBJECTIVE

Dplacement de la fonction objective lintrieur de la


zone de solution ralisable pour atteindre un extremum
x2

z = 36 = 3 x1 + 5 x 2 8 Solution
x1 = 2
(2,6) x2 = 6
6
z = 36
z = 20 = 3 x1 + 5 x 2
4

z = 10 = 3 x1 + 5 x 2
2

0 x1
2 4 6 8 10
OPTIMISATION ET ANALYSE DE FAISABILIT

PROGRAMMATION LINAIRE

PHASES DUNE TUDE DE R.O.


Formulation du problme
Construction du modle mathmatique
Identification des variables associes au problme
Formulation des contraintes qui dlimitent les valeurs que
peuvent prendre les variables
Formulation de la mesure defficacit associe aux
variables (fonction linaire dite fonction objectif)
Obtention dune solution optimale partir du modle
Vrification du modle et de la solution
tablissement de contrles sur la solution
Mise en uvre de la solution
OPTIMISATION ET ANALYSE DE FAISABILIT
RSULTAT DUNE
OPTIMISATION LINAIRE

Le domaine admissible dun PL peut tre


vide: dans un tel cas, le problme est sans solution
admissible (pas de solution optimale)
born (et non vide): le problme possde toujours au
moins une solution optimale
non born: dans ce cas, selon la fonction objectif
le problme peut possder des solutions optimales
il peut exister des solutions admissibles de valeur
arbitrairement grande (ou petite)
dans un tel cas, le PL n'admet pas de solution optimale
finie et est dit non born
OPTIMISATION ET ANALYSE DE FAISABILIT

FORMULATION DU PROBLME

PROGRAMMATION LINAIRE

Ressources par activit


Activits
Ressources 1 2 n Ressource disponible
1 a11 a12 a1n b1
2 a21 a22 a2n b2
. .
m am1 am2 amn bm
Contribution c1 c2 cn
OPTIMISATION ET ANALYSE DE FAISABILIT

PROBLME DE MAXIMISATION

Maximiser
Z = x1 + 2x2
Sujet
2x1 + x2 4
x1 + x2 8
-x1 + x2 4
x1 5
x1 0, x2 0
OPTIMISATION ET ANALYSE DE FAISABILIT

PROBLME DE MAXIMISATION

x2

-x1 + x2 = 4 X1 = 2
8 X2 = 6

6 Z = 14
x1 = 5

2 x 1 + x2 = 8

2x1 + x2 = 4
0 x1
2 4 6 8 10
OPTIMISATION ET ANALYSE DE FAISABILIT

PROBLME DE MINIMISATION

Minimiser
Z = x1 - x2
Sujet
x1 + x2 8
-x1 + 8x2 40
x1 8
x2 8
x1 0, x2 0
OPTIMISATION ET ANALYSE DE FAISABILIT

PROBLME DE MINIMISATION

X1 = 8
x2
X2 = 6
x2 = 8
8 Z=2

6
-x1 + 8x2 = 40
4

x1 = 8
2 x1 + x2 = 8

0 2 4 6 8 10 12 14 16 18 20 x1
OPTIMISATION ET ANALYSE DE FAISABILIT

MTHODE DU SIMPLEXE

INTRODUCTION
dveloppe initialement par George Dantzig en 1947
seule mthode exacte pour solutionner des problmes
linaires de grande taille
mthode itrative algbrique o lon circule
squentiellement sur les sommets lintrieur de la
zone de solution jusqu lobtention de la solution
optimale
OPTIMISATION ET ANALYSE DE FAISABILIT

PROPRITS DU SIMPLEXE

Zone de solution du problme linaire toujours convexe


une surface est convexe si elle est situe toute entire du
mme cot d un plan tangent
Sil existe une seule solution optimale au problme
linaire, elle est obligatoirement localise sur un
sommet de la zone de solution
Sil existe de multiples solutions optimales, au moins
deux dentre elles doivent tre localises sur des
sommets adjacents
Le nombre de sommets de la zone de solution est fini
Si la solution ralisable localise un sommet donn
na pas de voisin adjacent dont la solution est
suprieure, ce sommet est la solution optimale
OPTIMISATION ET ANALYSE DE FAISABILIT

ALGORITHME DU SIMPLEXE

1. Dterminer une solution de base ralisable


2. Vrifier si la solution actuelle est optimale
3. Dterminer la variable hors base qui va devenir
variable de base
4. Dterminer la variable de base qui sortira de la
solution
5. Effectuer les oprations linaires (pivots) selon la
technique de Gauss-Jordan
ALGORITHME
DU SIMPLEXE
OPTIMISATION ET ANALYSE DE FAISABILIT
MTHODE DU SIMPLEXE
DFINITIONS

Systmes dquations quivalents


Systmes qui possdent le mme ensemble de solutions
Variable de base
Variable qui a un coefficient unitaire positif dans une des quations
du systme et un coefficient nul partout ailleurs
Oprations pivot
Opration de Gauss-Jordan pour transformer un systme
dquations quivalent dans lequel une variable devient de base
Systme canonique
Systme dquations o il y a une variable de base par quation
Solution de base
Systme dquations o les variables hors base sont fixes zro
rsolu pour les variables de base
OPTIMISATION ET ANALYSE DE FAISABILIT

FORME CANONIQUE

PROBLME DE MAXIMISATION
n
Max c x
j =1
j j

n
sujet aij xj bi i = 1, ...,m
j =1

xj 0 j = 1,...,n
PROBLME DE MINIMISATION
n
Min c x
j =1
j j

n
sujet a
j =1
ij xj bi i = 1, ...,m

xj 0 j = 1,...,n
OPTIMISATION ET ANALYSE DE FAISABILIT

FORME NORMALISE

PROBLME DE MAXIMISATION
n
Max c x
j =1
j j

n
sujet a
j =1
ij xj = bi i = 1, ...,m

xj 0 j = 1,...,n
PROBLME DE MINIMISATION
n
Min c x
j =1
j j

n
sujet a x
j =1
ij j = bi i = 1, ...,m

xj 0 j = 1,...,n
OPTIMISATION ET ANALYSE DE FAISABILIT

MTHODE DU SIMPLEXE

FORME CANONIQUE

Max Z = 3 x1 + 5 x2

sujet
x1 4
2 x2 12
3 x1 + 2 x2 18
et
x1 0, x2 0
OPTIMISATION ET ANALYSE DE FAISABILIT

MTHODE DU SIMPLEXE

FORME NORMALISE
Max Z
Z - 3 x1 - 5 x2 = 0 (0)
x1 + x3 = 4 (1)
2 x2 + x4 = 12 (2)
3 x1 + 2 x2 + x5 = 18 (3)
avec
xj 0, pour j =1, 2, 3, 4, 5
OPTIMISATION ET ANALYSE DE FAISABILIT

MTHODE DU SIMPLEXE

TAPE DINITIALISATION
Dterminer une solution de base ralisable
Porter les variables hors base zro
Solutionner les variables de base
Exemple:
z, x3, x4 et x5 sont les variables de base
x1 et x2 sont les variables hors base
On obtient:
x1 = 0 et x2 = 0
x3 = 4, x4 = 12 et x5 = 18
z=0
OPTIMISATION ET ANALYSE DE FAISABILIT

MTHODE DU SIMPLEXE

VARIABLE ENTRANT DANS LA BASE


Variable hors base entrant dans la base
Celle qui sera choisie fera augmenter la valeur de la
fonction objective le plus rapidement possible
Variable ayant le plus grand coefficient ngatif (cas de
maximisation)de lquation (0)
Exemple:
X2 devient variable de base
OPTIMISATION ET ANALYSE DE FAISABILIT

MTHODE DU SIMPLEXE

VARIABLE SORTANT DE LA BASE


Variable qui limitera le plus rapidement la progression de la
nouvelle variable de base
Exemple
si x2 entre dans la base
quation (2)
2 x2 + x4 = 12
x2 max = 6
quation (3)
3 x1 + 2 x2 + x5 = 18
x2 max = 9
limite maximale de x2 gale 6 sinon x4 devient ngatif
OPTIMISATION ET ANALYSE DE FAISABILIT

MTHODE DU SIMPLEXE

OPRATIONS PIVOT
Systme dquations original (variables de base en gras)
Z - 3 x1 - 5 x2 = 0 (0)
x1 + x3 = 4 (1)
2 x2 + x4 = 12 (2)
3 x1 + 2 x2 + x5 = 18 (3)
Pour revenir la forme canonique, il faut que les variables
de base aient un coefficient unitaire dans une quation et
nul dans les autres
quation (2) multiplie par
2 x2/2 + x4/2 = 12 /2 (2)

x2 + x4= 6(2)
Il faut liminer les termes x2 des autres quations
OPTIMISATION ET ANALYSE DE FAISABILIT

MTHODE DU SIMPLEXE

OPRATIONS PIVOT (suite)


quation (0) = ancienne (0) + 5 quation (2)
Z - 3 x1 - 5 x2 = 0 (0)
5 x2 + 5/2 x4 = 30 (2)
Z - 3 x1 + 5/2 x4 = 30 (0)

quation (3) = ancienne (3) 2 quation (2)


3 x1 + 2 x2 + x5 = 18 (3)
- 2 x2 - x4 = -12 (2)
3 x1 - x4 + x5 =6 (3)
OPTIMISATION ET ANALYSE DE FAISABILIT

MTHODE DU SIMPLEXE

OPRATIONS PIVOT (suite)


Nouveau systme quivalent dquations
Z - 3 x1 - 5/2 x4 = 30 (0)
x1 + x3 = 4 (1)
x2 + x4 = 6 (2)
3 x1 - x4 + x5 = 6 (3)
OPTIMISATION ET ANALYSE DE FAISABILIT

MTHODE DU SIMPLEXE

CRITRE DOPTIMALIT
Optimalit assure lorsquil est impossible de faire
augmenter (cas de maximisation) la valeur de z
Exemple:
x1 peut faire augmenter z
Variable entrante x1
Variable sortante x5
quation (1)
x1 + x3 = 4
x1 max = 4
quation (3)
3 x1 x4 + x5 = 6
x1 max = 2
OPTIMISATION ET ANALYSE DE FAISABILIT

MTHODE DU SIMPLEXE

SOLUTION OPTIMALE
Systme quivalent dquations
Z + 3/2 x4 + x5 = 36 (0)
x3 + 1/3 x4 - 1/3 x5 = 2 (1)
x2 + x4 = 6 (2)
x1 - 1/3 x4 +1/3 x5 = 2 (3)
Variables hors base
x4 = 0, x5 = 0
Variables de base
x1 = 2, x2 = 6, x3 = 2
Fonction objective
z = 36
OPTIMISATION ET ANALYSE DE FAISABILIT

SIMPLEXE SOUS FORME TABULAIRE

Mthode essentiellement identique


Informations
Coefficients des variables
Constantes des quations
Variables de base de chaque quation
OPTIMISATION ET ANALYSE DE FAISABILIT

SIMPLEXE SOUS FORME TABULAIRE

Initialisation
Critre doptimalit
Coefficients de lquation (0) non ngatifs ?
Itration # 1
Variable entrante x2
Entourer la colonne pivot
Variable sortante x4
Entourer la ligne pivot
Point pivot lintersection
Transformation de Gauss-Jordan
OPTIMISATION ET ANALYSE DE FAISABILIT

SIMPLEXE SOUS FORME TABULAIRE

Itration #1 (suite)
Diviser la ligne pivot par le nombre pivot
OPTIMISATION ET ANALYSE DE FAISABILIT

SIMPLEXE SOUS FORME TABULAIRE

Itration #1 (suite)
Appliquer les transformations
Nouvelle solution
z = 30
Solution (0, 6, 4, 0, 6)
OPTIMISATION ET ANALYSE DE FAISABILIT

SIMPLEXE SOUS FORME TABULAIRE

Itration # 2
Solution
(2, 6, 2, 0, 0)
z = 36
OPTIMISATION ET ANALYSE DE FAISABILIT

SIMPLEXE SOUS FORME TABULAIRE

Ensemble complet
OPTIMISATION ET ANALYSE DE FAISABILIT
SIMPLEXE
SOUS FORME MATRICIELLE
Forme canonique Max Z = cx
sujet
Ax b
x0
o
x1 b1 0
x b 0
x = 2 b= 2 0=
... ... ...

x
n b
m 0
a11 a12 ..... a1n
a a ..... a
A = 21 22 2n

..... ..... ..... .....



am1 am 2 ..... amn
OPTIMISATION ET ANALYSE DE FAISABILIT
SIMPLEXE
SOUS FORME MATRICIELLE
Forme normalise Max Z = cx
sujet
x
[ A, I ] = b
x s
x
x 0
s
o
I = matrice identite m m
xn +1
x
x s = n+2
...

x
n+m
OPTIMISATION ET ANALYSE DE FAISABILIT
SIMPLEXE
SOUS FORME MATRICIELLE
Problme
c = [ 3 5]
1 0 1 0 0

[ A , I ] = 0 2 0 1 0
3 2 0 0 1
4 x3
x1
b = 12 x= x s = x4
x2
18 x5
OPTIMISATION ET ANALYSE DE FAISABILIT
SIMPLEXE
SOUS FORME MATRICIELLE
Itration 0
x 3 1 0 0 1 0 0
x B = x 4 B = 0 1 0 B 1 = 0 1 0
x 5 0 0 1 0 0 1
X2 entre
X4 sort
x 3 1 0 0 4 4
x B = x 4 = 0 1 0 12 = 12
x 5 0 0 1 18 18
4
c B = [ 0 0 0] Z = [ 0 0 0] 12 = 0
18
OPTIMISATION ET ANALYSE DE FAISABILIT
SIMPLEXE
SOUS FORME MATRICIELLE
Itration 1
x3 1 0 0 1 0 0
x B = x 2 B = 0 2 0 B 1 = 0 0,5 0
x 5 0 2 1 0 1 1
X1 entre
x 3 1 0 0 4 4
X5 sort
x B = x 2 = 0 0,5 0 12 = 6
x 5 0 1 1 18 6
4
c B = [ 0 5 0] Z = [ 0 5 0] 6 = 30
6
OPTIMISATION ET ANALYSE DE FAISABILIT
SIMPLEXE
SOUS FORME MATRICIELLE
Itration 2

x3 1 0 1 1 0,33 0,33
x B = x 2 B = 0 2 0 B 1 = 0 0,50 0
x1 0 2 3 0 0,33 0,33
x 3 1 0,33 0,33 4 2
x B = x 2 = 0 0,50 0 12 = 6
x1 0 0,33 0,33 18 2
2
c B = [ 0 5 3] Z = [ 0 5 3] 6 = 36
2
OPTIMISATION ET ANALYSE DE FAISABILIT

MICROSOFT EXCEL
RSOLUTION AVEC
OPTIMISATION ET ANALYSE DE FAISABILIT

RSOLUTION AVEC LINDO


OPTIMISATION ET ANALYSE DE FAISABILIT

MTHODE DU SIMPLEXE

SITUATIONS PARTICULIRES
galit des profits relatifs
Choix alatoire de la variable
galit des ratios
Choix alatoire
Situation de dgnrescence: remonter ltape des
ratios identiques
Solution non borne
En pratique, une contrainte est absente
Solutions multiples
Variables hors base avec des coefficients nuls dans la
fonction objective
OPTIMISATION ET ANALYSE DE FAISABILIT

MTHODE DU SIMPLEXE

VARIABLES ARTIFICIELLES
Cas
ai1 x1 + ai2 x2 + ai3 x3 + + ain xn bi
Ajout dune variable dcart
ai1 x1 + ai2 x2 + ai3 x3 + + ain xn xm = bi
Coefficient de la variable dcart ngatif ne peut servir
comme variable de base
Ajout dune variable artificielle
ai1 x1 + ai2 x2 + ai3 x3 + + ain xn xm + xa = bi
OPTIMISATION ET ANALYSE DE FAISABILIT

MTHODE DU SIMPLEXE

VARIABLES ARTIFICIELLES
Cas =
Lajout dune variable artificielle permet linsertion dune
variable de base dans la solution de dpart
Les variables artificielles sont limines de la solution en
leur assignant une pnalit importante dans la fonction
objective
RSOLUTION
Mthode du grand M
Mthode des deux phases
OPTIMISATION ET ANALYSE DE FAISABILIT

DUALIT

PROBLME PRIMAL PROBLME DUAL


n m
Max Z = c x
j =1
j j Min Y0 = b y
i =1
i i

sujet sujet
n m
a x
j =1
ij j bi i = 1, ...,m a ij yi cj j = 1, ...,n
i =1
et et
xj 0 j = 1,...,n yi 0 i = 1,...,m
OPTIMISATION ET ANALYSE DE FAISABILIT

EXEMPLE DE DUALIT

Le problme dual du programme


Max z = x1 + 4x2
Sujet :
x1 x2 2
2x1 + x2 5
x2 3
x 1, x 2 0
est Min w = 2y1 + 5y2 + 3y3
Sujet :
y1 + 2y2 1
-y1 + y2 + y3 4
y1, y2 , y3 0
OPTIMISATION ET ANALYSE DE FAISABILIT

DUALIT
OPTIMISATION ET ANALYSE DE FAISABILIT

EXERCICE

Utiliser la mthode du simplexe


Max Z = 4 x1 + 3 x2 + 6 x3
Sujet
3 x1 + x2 + 3 x3 30
2 x1 + 2 x2 + 3 x3 40
et
x1 0, x2 0, x3 0
OPTIMISATION ET ANALYSE DE FAISABILIT

PROBLME DE TRANSPORT

EXEMPLE
Une municipalit possde 3 serres pour fournir 4 parcs
Capacit de production des serres C1, C2 et C3
Demande hebdomadaire D1, D2 et D3
Cot unitaire de transport Cij
OPTIMISATION ET ANALYSE DE FAISABILIT

PROBLME DE TRANSPORT

FORMULATION DU PROBLME
3 4
Min Z = c x
i =1 j =1
ij ij

sujet
3

x
i =1
ij = Dj j = 1, ...,4
4

x
j =1
j Ci i = 1, ...,3

et
xij 0 i = 1,...,3 j = 1,...,4
OPTIMISATION ET ANALYSE DE FAISABILIT

EXERCICE

3 serres:
S1 = 3
S2 = 7
S3 = 5
4 parcs:
P1 = 4
P2 = 3
P3 = 4
2 2 2 1
P4 = 4
c ij = 10 8 5 4
Cots dexpdition:
7 6 6 8
OPTIMISATION ET ANALYSE DE FAISABILIT

EXERCICE

4 usines et 3 centres de distribution


Distribution M1 M2 M3 Disponibilit
Usines

W1 4 3 7 140

W2 5 2 10 100

W3 13 8 17 60

W4 9 3 11 40

Demande 120 20 200


OPTIMISATION ET ANALYSE DE FAISABILIT
PROGRAMMATION LINAIRE EN
NOMBRE ENTIER

Max Z = 10 x1 + 50 x2
Sujet
-x1 + 2 x2 5
x1 + 2 x2 14
x1 8
et
x1 0, x2 0
x1, x2 entiers
OPTIMISATION ET ANALYSE DE FAISABILIT
PROGRAMMATION LINAIRE EN
NOMBRE ENTIER
OPTIMISATION ET ANALYSE DE FAISABILIT
PROGRAMMATION LINAIRE EN
NOMBRE ENTIER
OPTIMISATION ET ANALYSE DE FAISABILIT
PROGRAMMATION LINAIRE EN
NOMBRE ENTIER
Mthode de sparation et dvaluation
progressive (Branch-and-Bound Technique)
Choix de la variable de sparation
Critre de la variable la plus distante
Critre du meilleur cj
Critre de la
variable la plus
distante
Sparation
selon x1
Critre de la
variable la plus
distante
Sparation partir
de P2
Critre de la
variable la plus
distante
Sparation partir
de P1
Critre du
meilleur cj
OPTIMISATION ET ANALYSE DE FAISABILIT
PROGRAMMATION LINAIRE EN
NOMBRE ENTIER