Ch3 MGC-800

OPTIMISATION ET ANALYSE DE FAISABILIT
CHAPITRE 3
OPTIMISATION
Concepts de base: recherche oprationnelle

Programmation linaire
Programmation en nombre entier
Logiciel LINDO
CONCEPTS DE BASE
RECHERCHE OPRATIONNELLE
Dfinitions
Origines
Applications
Mthodes
Modles
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
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
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.
2 importants centres de recherche Montral

CRT: Centre de Recherche sur les Transports
GRAD: Groupe dtude et de Recherche en Analyse
des Dcisions
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
EXEMPLE DE SYSTME
SYSTME ACTIVIT ENTIT ATTRIBUT

circulation mouvements vhicules vitesse
trajets routes distances
banque dpts clients tat de crdit
communications transmission message priorit

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
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
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
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
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
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?
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)
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
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
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
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
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
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
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 ?
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
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
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
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
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
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)
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%
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
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
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
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
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
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
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
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
PROBLME DE MAXIMISATION
Maximiser
Z = x1 + 2x2
Sujet
2x1 + x2 4
x1 + x2 8
-x1 + x2 4
x1 5
x1 0, x2 0
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
PROBLME DE MINIMISATION
Minimiser
Z = x1 - x2
Sujet
x1 + x2 8
-x1 + 8x2 40
x1 8
x2 8
x1 0, x2 0
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
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
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
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
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
FORME CANONIQUE
n
Max c x
j =1
j j
n
sujet aij xj bi i = 1, ...,m
j =1
xj 0 j = 1,...,n
n
Min c x
j =1
j j
n
sujet a
j =1
ij xj bi i = 1, ...,m
xj 0 j = 1,...,n
FORME NORMALISE
n
Max c x
j =1
j j
n
sujet a
j =1
ij xj = bi i = 1, ...,m
xj 0 j = 1,...,n
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
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
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
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
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
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
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
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)
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)
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
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
SIMPLEXE SOUS FORME TABULAIRE
Mthode essentiellement identique

Informations
Coefficients des variables
Constantes des quations
Variables de base de chaque quation
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
Itration #1 (suite)
Diviser la ligne pivot par le nombre pivot
Itration #1 (suite)
Appliquer les transformations
Nouvelle solution
z = 30
Solution (0, 6, 4, 0, 6)
Itration # 2
Solution
(2, 6, 2, 0, 0)
z = 36
Ensemble complet
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
SIMPLEXE
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
SIMPLEXE
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
SIMPLEXE
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
SIMPLEXE
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
SIMPLEXE
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
MICROSOFT EXCEL
RSOLUTION AVEC
RSOLUTION AVEC LINDO

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
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
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
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
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
DUALIT
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
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
PROBLME DE TRANSPORT
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
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
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

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
NOMBRE ENTIER
NOMBRE ENTIER
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
NOMBRE ENTIER

Ch3 MGC-800

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Ch3 MGC-800

Transféré par

Droits d'auteur :

Formats disponibles

OPTIMISATION ET ANALYSE DE FAISABILIT

Concepts de base: recherche oprationnelle

2 importants centres de recherche Montral

SYSTME ACTIVIT ENTIT ATTRIBUT

banque dpts clients tat de crdit

communications transmission message priorit

CLASSIFICATION DES MODLES

Formulation du modle mathmatique

MISE EN FORME MATHMATIQUE

Dfinir les variables de dcision

Validation du modle et des rsultats

Pour maximiser le chiffre daffaires de la vente, il faut

DONNES : Les demandes journalires en

Variables de dcision : On associe une variable de

Contraintes : Le nombre de chauffeurs prsents

Exemple: production de portes et fentres

PRODUCTION DE PORTES ET FENTRES

Rsolution selon les techniques appropries

ZONE DE SOLUTION RALISABLE

Zone limite par lensemble des quations de contraintes

Dplacement de la fonction objective lintrieur de la

PHASES DUNE TUDE DE R.O.

Le domaine admissible dun PL peut tre

Ressources par activit

Zone de solution du problme linaire toujours convexe

1. Dterminer une solution de base ralisable

Systmes dquations quivalents

VARIABLE ENTRANT DANS LA BASE

VARIABLE SORTANT DE LA BASE

OPRATIONS PIVOT (suite)

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

OPRATIONS PIVOT (suite)

SIMPLEXE SOUS FORME TABULAIRE

Mthode essentiellement identique

SIMPLEXE SOUS FORME TABULAIRE

SIMPLEXE SOUS FORME TABULAIRE

SIMPLEXE SOUS FORME TABULAIRE

SIMPLEXE SOUS FORME TABULAIRE

SIMPLEXE SOUS FORME TABULAIRE

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

RSOLUTION AVEC LINDO

PROBLME PRIMAL PROBLME DUAL

Le problme dual du programme

Utiliser la mthode du simplexe

4 usines et 3 centres de distribution

Demande 120 20 200

Vous aimerez peut-être aussi