Chapitre4 Simplex

Introduction
Objectif
Mise sous forme standard
Algorithme du simplexe : Mthode algbrique
Exercice
Mthode des tableaux
Dgnrescences
Mthode des deux phases
Lalgorithme du simplexe
Mohammed Saddoune
12 novembre 2013
Mohammed Saddoune Lalgorithme du simplexe
Introduction
Objectif
Exercice
Mthode des tableaux
Dgnrescences
Introduction
Lalgorithme du simplexe est la mthode la plus utilise de la
recherche oprationnelle. Cest Dantzig qui, dans un article paru en
1949, a dcrit cet algorithme, qui constitue lpine dorsale de la
recherche oprationnelle. Depuis, cet algorithme a fait lobjet de
plusieurs centaines darticles scientiques et a servi la rsolution
de nombreux modles linaires relatifs des problmes de gestion,
de transport, daectation...
Introduction
Objectif
Exercice
Mthode des tableaux
Dgnrescences
Objectif
Lobjectif de ce chapitre est double :
Prsenter les concepts de base de lalgorithme du simplexe ;
Dcrire, laide dexemples numriques, comment rsoudre un
modle linaire par lalgorithme du simplexe.
Introduction
Objectif
Exercice
Mthode des tableaux
Dgnrescences
Les variables dcart et les variables dexcdent
- Lalgorithme du simplexe permet doptimiser les modles linaires
continus dont les variables sont non-ngatives et dont les
contraintes sont crites sous formes dquations. Beaucoup de
problmes pratiques, toutefois, se modlisent de telle faon que
plusieurs contraintes scrivent sous forme dinquations.
- An de pouvoir utiliser lalgorithme du simplexe pour rsoudre ces
problmes, nous indiquons comment transformer un modle
comportant des contraintes des signes ou en un modle
quivalent dont toutes les contraintes, sauf celles de non-ngativit,
sont de signe =.
Introduction
Objectif
Exercice
Mthode des tableaux
Dgnrescences
Problme de production
Une entreprise peut fabriquer, sur une machine donne, travaillant
45 heures par semaine trois produits dirents P
1
, P
2
et P
3
. Cette
machine peut fabriquer un seul type de produits la fois ; ses temps
de rgalges sont ngligeables. Une unit du produit P
1
laisse un
prot net de 4 euros, une de P
2
, un prot de 12 euros, et enn, 3
euros pour P
3
.
Les rendements de la machine sont, respectivement pour les trois
produits, et dans le mme ordre : 50, 25 et 75 units par heure.
On sait dautre part, grce une tude de march que les
possibilits de vente ne dpassent pas 1000 units de P
1
, 500 units
de P
2
et 1500 units de P
3
, par semaine.
Le problme est comment rpartir la capacit de production entre
les trois produits, de manire maximiser le prot hebdomadaire.
Introduction
Objectif
Exercice
Mthode des tableaux
Dgnrescences
Modle
Appelons x
1
, x
2
et x
3
les quantits respectives (inconnues) des produits
P
1
, P
2
et P
3
que nous avons fabriquer pour obtenir le prot maximal.
Formulation complte
Max z = 4x
1
+12x
2
+3x
3
(1)
subject to : (2)
x
1
1000 (3)
x
2
500 (4)
x
3
1500 (5)
1
50
x
1
+
1
25
x
2
+
1
75
x
3
45 (6)
x
i
0, i (7)
Introduction
Objectif
Exercice
Mthode des tableaux
Dgnrescences
Modle
Appelons x
1
, x
2
et x
3
les quantits respectives (inconnues) des produits
P
1
, P
2
et P
3
que nous avons fabriquer pour obtenir le prot maximal.
Formulation complte
Max z = 4x
1
+12x
2
+3x
3
(1)
subject to : (2)
x
1
1000 (3)
x
2
500 (4)
x
3
1500 (5)
1
50
x
1
+
1
25
x
2
+
1
75
x
3
45 (6)
x
i
0, i (7)
Introduction
Objectif
Exercice
Mthode des tableaux
Dgnrescences
Modle
Formulation complte
Max z = 4x
1
+12x
2
+3x
3
(8)
subject to : (9)
x
1
1000 (10)
x
2
500 (11)
x
3
1500 (12)
3x
1
+6x
2
+2x
3
6750 (13)
x
i
0, i (14)
Introduction
Objectif
Exercice
Mthode des tableaux
Dgnrescences
Dnition
La mise sous forme standard consiste introduire des variables
supplmentaires (une pour chaque contrainte) de manire rcrire les
ingalits () ou et () sous la forme dgalits.
une variable dcart reprsente le nombre de ressources non utilises.
Elle sert transformer en quation la contrainte de signe .
une variable dexcdent reprsente le nombre de ressources en excs
par rapport au minimum exig. Elle sert transformer en quation
la contrainte de signe .
En programmation linaire, lcriture des contraintes respecte
gnralement la covention suivante : les termes impliquant une variable
sont tous placs gauche du symbole relationnel (=, , ) ; le terme
constant est isol droite et il est non ngatif.
Introduction
Objectif
Exercice
Mthode des tableaux
Dgnrescences
Modle : Forme standard
Forme standard
Max z = 4x
1
+12x
2
+ 3x
3
+ 0x
4
+ 0x
5
+ 0x
6
+ 0x
7
sujet :
x
1
+ x
4
= 1000
x
2
+ x
5
= 500
x
3
+ x
6
= 1500
3x
1
+ 6x
2
+ 2x
3
+ x
7
= 6750
x
1
, x
2
, x
3
, x
4
, x
5
, x
6
, x
7
0,
Interprtation
Les variables x
4
, x
5
, x
6
et x
7
sont nommes variables dcart.
x
4
reprsente lcart la saturation du march en produit P
1
.
Les variables dcart ont une contribution nulle la fonction objectif
(ou conomique)
Introduction
Objectif
Exercice
Mthode des tableaux
Dgnrescences
Modle : Forme standard
Forme standard
Max z = 4x
1
+12x
2
+ 3x
3
+ 0x
4
+ 0x
5
+ 0x
6
+ 0x
7
sujet :
x
1
+ x
4
= 1000
x
2
+ x
5
= 500
x
3
+ x
6
= 1500
3x
1
+ 6x
2
+ 2x
3
+ x
7
= 6750
x
1
, x
2
, x
3
, x
4
, x
5
, x
6
, x
7
0,
Interprtation
Les variables x
4
, x
5
, x
6
et x
7
sont nommes variables dcart.
x
4
reprsente lcart la saturation du march en produit P
1
.
Les variables dcart ont une contribution nulle la fonction objectif
(ou conomique)
Introduction
Objectif
Exercice
Mthode des tableaux
Dgnrescences
Dnition
Une solution de base est obtenue en annulant les n m
variables et en rsolvant les m contraintes pour dterminer les
valeurs des autres m variables restantes.
les n-m variables 0 sont des variables hors base.
Introduction
Objectif
Exercice
Mthode des tableaux
Dgnrescences
Thorme 1
La rgion ralisable pour tout problme de programmation linaire
est un ensemble convexe. Si un PL possde une solution optimale,
alors un point extrme de la rgion ralisable doit tre optimal.
Thorme 2
Pour tout PL, il existe un point extrme unique de la rgion
ralisable qui correspond chaque solution de base ralisable.
Introduction
Objectif
Exercice
Mthode des tableaux
Dgnrescences
Mthode de simplexe : pratique
Cest une procdure itrative qui passe dune solution
ralisable de base une autre jusqu atteindre la solution
optimale.
Le nombre de bases candidates ne peut pas excder C
n
m+n
.
Une mthode base sur lexploration des points extrmes est
ce pendant non-polynomiale.
lexprience montre que pour un problme de n variables et m
contraintes, la solution optimale est trouve en moyenne en
moins de 3m oprations.
Introduction
Objectif
Exercice
Mthode des tableaux
Dgnrescences
Mthode de simplexe : pratique
Cest une procdure itrative qui passe dune solution
ralisable de base une autre jusqu atteindre la solution
optimale.
Le nombre de bases candidates ne peut pas excder C
n
m+n
.
Une mthode base sur lexploration des points extrmes est
ce pendant non-polynomiale.
lexprience montre que pour un problme de n variables et m
contraintes, la solution optimale est trouve en moyenne en
moins de 3m oprations.
Introduction
Objectif
Exercice
Mthode des tableaux
Dgnrescences
Principe gnral
1
Soit un programme linaire sous la forme standard constitu de n
variables et m contraintes (n m).
2
Une solution de base est obtenue en annulant (n m) variables et
en rsolvant les m contraintes pour dterminer les valeurs des autres
m variables.
3
Pour la mthode de simplexe, une solution ralisable de base initiale
est demande. Dans notre cas par exemple, on peut commencer par
la solution o on annule toutes les variables de dcision.
4
partir de ce point la mthode de simplexe va gnrer
successivement des solutions ralisables de base pour notre systme
dquations en sassurant que la valeur de la fonction objectif est
entrain daugmenter jusqu localiser la solution optimale du
problme qui est un point extrme de lespace des solutions
ralisables.
Introduction
Objectif
Exercice
Mthode des tableaux
Dgnrescences
Appliquer cette mthode sur le problme de production.
Introduction
Objectif
Exercice
Mthode des tableaux
Dgnrescences
Une compagnie alimentaire produit 2 types de produits (A et B) pour
lesquels elle utilise 3 matires premires : bl, houblon et malt.
Bl Houblon Malt Bnce (euros)
Type A 2.5 kg 125 g 175 kg 65
Type B 7.5 kg 125 g 10 kg 115
Quantits disponibles 240 kg 5 kg 595 kg
Table: Description des donnes
Pour fabriquer 1 tonneau du produit A, la compagnie utilise 2.5 kg de
bl, 125 g de houblon et 17.5 de malt. La fabrication de ce tonneau
rapporte un bnce de 65 euros. La mme chose pour le type B.
1
Modliser ce problme sous la forme dun programme linaire.
2
Dterminer graphiquement la fabrication optimale de la production.
3
Vrier le rsultat par la mthode algbrique de simplexe.
Introduction
Objectif
Exercice
Mthode des tableaux
Dgnrescences
Principe
1- choisir le
j
le plus grand et positif
2- calculer les quotients

i
ie
o e reprsente lindice de la variable
qui entrera dans la base. Prendre le rapport le plus petit.
3- reprer le pivot lintersection de la ligne s (indice de la colonne
associe la variable x
s
sortante de la base) et de la colonne e
(indice de la colonne associe la variable x
e
entrante dans la base).
4- diviser les lments de la ligne s par le pivot
se
cest dire dans
le tableau central et la colonne de droite.
5- remplacer lindice du tableau de gauche, 2eme colonne, par
lindice e de la colonne qui entre dans la base.
6- remplacer le coecient c
s
du tableau de gauche, 1ere colonne,
par la valeur c
e
du coecient de la fonction conomique.
Introduction
Objectif
Exercice
Mthode des tableaux
Dgnrescences
Principe
7- parmi les autres lignes du tableau, celles qui comportent un 0
dans la colonne e qui entre dans la base (
ke
= 0 avec k = s) ne
sont pas modifes.
8- les lments des autres lignes du tableau qui comportent un
lment dirent de 0 dans la colonne qui entre dans la base
(
ke
= 0 avec k = s) sont modies comme suit :
on multiplie les lments de la nouvelle ligne du pivot
(dsormais ligne e) par cet lment
ke
dirent de 0 et on
soustrait les rsultats aux lments correspondants de la ligne
modier.
ce traitement est applicable aux lments du vecteur des
seconds membres (). Il sapplique galement aux lments de
la ligne z de la fonction conomique.
Introduction
Objectif
Exercice
Mthode des tableaux
Dgnrescences
Dgnrescence de premire espce
Pour certains programmes linaires, loptimum peut tre ralis en
plusieurs points de la frontire du domaine admissible : tous les
points dune arrte ou dune facette sont alors optimaux. On dit
quon a une Dgnrescence de premire espce
Exemple : Rsoudre le problme :
Max z = 6x
1
+4x
2
(15)
sous contraintes : (16)
3x
1
+ 2x
2
4 (17)
3x
1
+ 2x
2
16 (18)
x
1
3 (19)
x
1
, x
2
0 (20)
Introduction
Objectif
Exercice
Mthode des tableaux
Dgnrescences
Dgnrescence de deuxime espce
Pour certains programmes linaires, une ou plusieurs variables de la
base optimale peut tre nulle. On dit quon a une Dgnrescence
de deuxime espce
Max z = x
1
+x
2
(21)
x
1
+ 4x
2
22 (23)
3x
1
+ 2x
2
4 (24)
3x
1
+ 2x
2
16 (25)
x
1
3 (26)
x
1
, x
2
0 (27)
Introduction
Objectif
Exercice
Mthode des tableaux
Dgnrescences
Cas gnral
En gnral, un programme linaire peut comporter 3 types de
contraintes (P), (Q) et (R) :
(P) :
n
j =1
a
ij
x
j
b
i
n
j =1
a
ij
x
j
+ y
i
= b
i
(on introduit une variable dcart)
(Q) :
n
j =1
a
ij
x
j
b
i
n
j =1
a
ij
x
j
y
i
= b
i
(on introduit une variable dexcdant)
(R) :
n
j =1
a
ij
x
j
= b
i
(on nintroduit ni variable dcart ni variable
dexcdant)
Introduction
Objectif
Exercice
Mthode des tableaux
Dgnrescences
Cas gnral
(P) :
n
j =1
a
ij
x
j
b
i
n
j =1
a
ij
x
j
+ y
i
= b
i
(Q) :
n
j =1
a
ij
x
j
b
i
n
j =1
a
ij
x
j
y
i
= b
i
(R) :
n
j =1
a
ij
x
j
= b
i
dexcdant)
Introduction
Objectif
Exercice
Mthode des tableaux
Dgnrescences
Cas gnral
(P) :
n
j =1
a
ij
x
j
b
i
n
j =1
a
ij
x
j
+ y
i
= b
i
(Q) :
n
j =1
a
ij
x
j
b
i
n
j =1
a
ij
x
j
y
i
= b
i
(R) :
n
j =1
a
ij
x
j
= b
i
dexcdant)
Introduction
Objectif
Exercice
Mthode des tableaux
Dgnrescences
Cas gnral
(P) :
n
j =1
a
ij
x
j
b
i
n
j =1
a
ij
x
j
+ y
i
= b
i
(Q) :
n
j =1
a
ij
x
j
b
i
n
j =1
a
ij
x
j
y
i
= b
i
(R) :
n
j =1
a
ij
x
j
= b
i
dexcdant)
Introduction
Objectif
Exercice
Mthode des tableaux
Dgnrescences
Cas gnral
(P) :
n
j =1
a
ij
x
j
b
i
n
j =1
a
ij
x
j
+ y
i
= b
i
(Q) :
n
j =1
a
ij
x
j
b
i
n
j =1
a
ij
x
j
y
i
= b
i
(R) :
n
j =1
a
ij
x
j
= b
i
dexcdant)
Introduction
Objectif
Exercice
Mthode des tableaux
Dgnrescences
Cas gnral
Si toutes les contraintes taient de type (P), on serait dans le
cas favorable trait plus haut.
Si on se trouve avec des contraintes de type (Q) ou/et (R),
alors on ajoute une nouvelle variable de coecient 1 nomme
variable articielle.
les variables articielles comme les autres variables sont
positives ou nulles.
Normalement les valeurs des variables articielles doivent tre
nulles, car si non, les contraintes sont violes.
Introduction
Objectif
Exercice
Mthode des tableaux
Dgnrescences
Ide
partir dune base comportant une ou plusieurs variables articielles et
obtenir, en itrant lalgorithme de simplexe, si possible une base sans
variables articielles.
Introduction
Objectif
Exercice
Mthode des tableaux
Dgnrescences
Rsolution
Phase 1 : Introduire une nouvelle fonction conomique z
qui consiste
minimiser la somme des variables articielles sous les mmes contraintes
du problme (la forme standard avec les variables articeilles)
Phase 2 :
Si z
= 0, alors on a obtenu un sommet du polydre, partir

duquel on reprend la rsolution du PL initial (donc avec la fonction
conomique z maximiser).
Si z
> 0, alors toute base admissible du nouveau PL comporte au

moins une variable articielle de valeur > 0. Donc le PL initial est
impossible (polydre vide = contraintes sont contradictoires)
Introduction
Objectif
Exercice
Mthode des tableaux
Dgnrescences
Max z = 4x
1
+ 5x
2
+ 3x
3
(28)
x
1
+ 2x
2
+ x
3
5 (30)
2x
1
+ x
2
+ x
3
1 (31)
x
1
+ x
2
= 4 (32)
x
1
, x
2
, x
3
0 (33)
Introduction
Objectif
Exercice
Mthode des tableaux
Dgnrescences
Exercice 1 :
Dans une carrire, trois tailles t
1
, t
2
, t
3
sont susceptibles de fournir une
extraction maximale journalire de respectivement
e
1
= 200, e
2
= 500 et e
3
= 300 tonnes de trois minerais. La production
journalire est dabord stocke dans un local abrit, dune contenance
maximale de 1800 m
3
et lon indique les volumes spciques respectifs
des trois minerais : 1.8, 2, et 2.2 m
3
/t.
Le lendemain, les minerais sont lavs : la laverie dbite respectivement
80, 90, et 100 tonnes lheure pour les produits extraits des tailles
t
1
, t
2
, et t
3
; en outre, son horaire journalier est limit 10 heures de
travail.
Enn, les prots unitaires raliss sont, respectivement :
p
1
= 4, p
2
= 5, p
3
= 6 units montaires par tonne de minerai.
Quelle est la meilleure rpartition des quantits de minerais
extraire ?
Introduction
Objectif
Exercice
Mthode des tableaux
Dgnrescences
Exercice 2 :
Rsoudre le problme :
Max z = 5x
1
2x
2
+ 3x
3
(34)
2x
1
+ 2x
2
x
3
2 (36)
3x
1
4x
2
3 (37)
x
2
+ 3x
3
5 (38)
x
1
, x
2
, x
3
0 (39)

Chapitre4 Simplex

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

Chapitre4 Simplex

Transféré par

Droits d'auteur :

Formats disponibles

Introduction

= 0, alors on a obtenu un sommet du polydre, partir

> 0, alors toute base admissible du nouveau PL comporte au

Vous aimerez peut-être aussi