Vous êtes sur la page 1sur 52

Recherche oprationnelle

1
Plan du cours



Chapitre I : I ntroduction la programmation linaire...............................................................................2
Srie 1 : Corrigs des exercices n 1 2 et 5..........................................................................................4
Chapitre II : Rsolution dun PL par la mthode graphique.......................................................................9
Srie 2 : Corrigs dexercices...............................................................................................................20
Chapitre III : Rsolution dun PL par la mthode dite du Simplexe ....................................................24
Srie 3 : Corrigs dexercices...............................................................................................................30
Chapitre IV : Mthode du Simplexe : Problme de minimisation et problme irrgulier..........................39
Chapitre V : Dualit.........................................................................................................................................
Chapitre VI : Ordonnancement ..........................................................................................................................
T.P. : Programme de rsolution dun PL : L.I .N.D.O.........................................................................................
Recherche oprationnelle

2




R e c h e r c h e o p r a t i o n n e l l e


18



CHAPITRE
1

Introduction la
programmation linaire
02 2
0
0
5





I I n t r o d u c t i o n
La programmation linaire est une classe de modles mathmatiques doptimisation qui a pour objet la
maximisation ou minimisation dune fonction linaire de variables ( appele fonction objectifs soumise des
contraintes (quations ou inquations ).
Le terme programmation indique le fait que cest un problme doptimisation qui, du point de vue
conomique, concerne lallocation efficace des rares ressources certaines activits en vue de maximiser ( ou
minimiser ) un certain objectif.
Le terme linaire indique que les relations mathmatiques qui lient ces activits aux variables sont
linaires.
Lune des dcisions les plus frquentes dun gestionnaire est lallocation des ressources entre des
activits donnes en vue dun objectif dtermin : La minimisation des cots, la maximisation des profits o
loptimisation dun critre quelconque de performance constitue lune des proccupations urgentes du chef
dentreprise surtout que ce dernier dispose de ressources limites en matires premires, main duvre et fonds.
Donc, la programmation linaire fournit au dcideur une mthode pour la recherche des solutions
optimales ces problmes dallocation.

I I F o r mu l a t i o n d u n mo d l e d e
d c i s i o n
1 Caractristiques dun programme linaire (PL)
Un PL est caractris par :
A Sa fonction conomique ou fonction objectif ou fonction linaire note Z :
Z = C
1
x
1
+ C
2
x
2
+ + C
n
x
n
x
1
,x
2
, , x
n
= Variables
Remarque : Si cest un profit, on parle alors de maximiser Z. Sil sagit de cots, lon parle alors de
minimiser Z tout en respectant les contraintes.

B Des inconnues (x
1
,x
2
, , x
n
) ou variables de dcision. indpendantes dont on cherche les valeurs.
C Des contraintes qui doivent vrifier ces inconnues qui prennent la forme dgalits ou ingalits.

2 Formulation dun PL
Un menuisier fabrique des portes et des chaises. Quel est lobjectif du menuisier ?
Sa fonction objectif : Maximiser le profit.
Recherche oprationnelle

3
Ce menuisier est soumis des contraintes.
On a : Z = C
1
x
1
+C
2
x
2

Avec : x
1
= la quantit produite de tables.
x
2
= la quantit produite de chaises.
C
1
= Prix de vente des tables.
C
2
= Prix de vente des chaises.
Il est noter que le profit unitaire gnr par la vente dune table est de 2
D
. Le profit unitaire gnr par
la vente dune chaise est de 3
D
. Do :
Z = 2x
1
+3x
2

Supposons que :
- 1 unit produite de tables ncessite 2 units dheures de main duvre et 3 units de matires
premires.
- 1 unit produite de chaises ncessite 4 units dheures de main duvre et 2 units de matires
premires.
- Le menuisier dispose de 120 heures de main duvre et de 140 units de matires premires.
Disposer les donnes en tableau !

HM = Heures de main duvre.
MP = Matire premire.
U = Profit unitaire ( - pi pour profit ).
Le programme linaire scrit sous la forme :
Max Z = 2 x
1
+3 x
2

Sous les contraintes :
2x
1
+ 4x
2
120
3x
1
+2x
2
240
avec toujours x
1
0 et x
2
0 .

La formulation initiale dun programme linaire donne en gnral un problme sous la forme gnrale
qui est :
Max ou Min Z = C
1
x
1
+ C
2
x
2
+ + C
n
x
n
=

=
n
i
i i
x C
1

S/C a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
b
1
1
er
type
. b
i
2
me
type
. = b
i
3
me
type
a
n1
x
1
+ a
n2
x
2
+ + a
nn
x
n


Exemple de formulation
Dans une raffinerie, on fait la distillation de 2 types de ptrole B
1
et B
2
pour dterminer 3 qualits
dessences E
1
, E
2
et E
3
.
La raffinerie doit approvisionner un distributeur dessence. La distillation de 100 litres de B1 fournit 10
litres de E1, 10 litres de E2 et 20 litres de E3 alors que la distillation de la mme quantit de B2 fournit 50
litres de E1, 40 litres de E2 et 20 litres de E3.
La raffinerie doit satisfaire une commande de 500 litres de E1, 400 litres de E2 et 600 litres de E3.
Sachant que les cots par m3 sont de 20 d pour B1 et de 25 D pour B2, formulez le PL qui minimise le
cot des quantits des bruts utiliss pour la satisfaction de la demande.
x
1
x
2
Disposition
HM 2 4 120
MP 3 2 240
U 2 3
Recherche oprationnelle

4




R e c h e r c h e o p r a t i o n n e l l e


19



CHAPITRE
1

Correction dexercices
de la srie n1
02 2
0
0
5



Rappels : Les tapes de la formulation dun PL sont :
Fonction objectif : Max ou Min Z = C
1
x
1
+ C
2
x
2
+ + C
n
x
n
=

=
n
i
i i
x C
1


Variables de dcision : x
j


Contraintes : a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
b
1
1
er
type
. b
i
2
me
type
. = b
i
3
me
type
a
n1
x
1
+ a
n2
x
2
+ + a
nm
x
n

Remarque : Les contraintes forment un systme matriciel : A X = b .

Co r r i g d e l e x e r c i c e n 1

Fonction objectif : Minimiser les cots des quantits de brut. <-> Z
min
= C
1
x
1
+ C
2
x
2

Variables de dcision : x
1
: Quantit de brut de B
1
.
x
2
: Quantit de brut de B
2
.
Contraintes : Contraintes de satisfaction des commandes.

Do le PL suivant :
Min Z = 20x
1
+ 25x
2
C
S

10 x
1
+ 50 x
2
500
10 x
1
+ 40 x
2
400
20 x
1
+ 20 x
1
600
avec x
1
et

x
2
0

Co r r i g d e l e x e r c i c e n 2
Fonction objectif : Maximiser le profit <-> max
Variables de dcision :
Quantits produites dinterrupteurs de type A : x
1


Quantits produites dinterrupteurs de type B :
x2

Contraintes : La production est limite par :
a) 1
re
contrainte : Le temps de travail
T = nombre dheures de travail disponibles
t
1
= nombre dheures ncessaires pour fabriquer un interrupteur de type A.
Recherche oprationnelle

5
t
2
= nombre dheures ncessaires pour fabriquer un interrupteur de type B.
T = t
1
x
1
+ t
2
x
2
T
T
1
= 2 t
2
Si x
1 =
0 , on fabrique le maximum de B c..d. x
2
= 1000.
Nous avons = t
2
x
2
= T <-> 1000 t
2
= T
Do : 2 t
2
x
1
+ t
2
x
2
1000 t
2

2 x
1
+ x
2
1000

b) 2
me
contrainte : Lisolant disponible
x
1
+ x
2
600

c) 3
me
contrainte : La quantit de fil de laiton
x
1
400
x
2
700
Do le PL suivant :
Max = 0,4 x
1
+ 0,3 x
2


C
S

2 x
1
+ x
2
1000
x
1
+ x
2
600
x
1
400
x
2
700
avec x
1
et

x
2
0

Co r r i g d e l e x e r c i c e n 5
x
i
= nombre de chauffeurs qui commencent le travail au dbut de la priode i de 2 heures.
Pour avoir a
i
pendant la priode i, on essaie de dfinir les contraintes par priode :

Priode : x
1
+ x
2
+ x
3
+ x
4
+ x
5
+ x
6
+ x
7
+x
8
+ x
9
+ x
10
+x
11
+ x
12
a
1
x
1
+ x
10
+ x
11
+ x
12
a
1

Priode : x
1
+ x
2
+ x
11
+ x
12
a
2

Priode : x
1
+ x
2
+ x
3
+ x
12
a
3

Priode : x
1
+ x
2
+ x
3
+ x
4
a
4

Priodes 5 12 : x
k-3
+ x
k-2
+ x
k-1
+x
k
a
k

Exemple pour la priode : x
2
+ x
3
+ x
4
+ x
5


Recherche oprationnelle

6



R e c h e r c h e o p r a t i o n n e l l e


26



CHAPITRE
1

Introduction la
programmation linaire
02 2
0
0
5



3 La formulation algbrique dun programme linaire
A Forme gnrale G
Et
Forme standard S
La formulation initiale dun programme linaire donne en gnral un problme sous une forme gnrale
qui est la suivante :
Forme gnrale G

Max ou Min Z = C
1
x
1
+ C
2
x
2
+ + C
n
x
n
=

=
n
j
j j
x C
1

C
S
a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
b
1
1
er
type
. b
i
2
me
type
. = b
i
3
me
type
a
n1
x
1
+ a
n2
x
2
+ + a
nm
x
n


Les variables de dcision sont x
1
, x
2
, , x
n
et la fonction conomique optimiser est reprsente par Z.
Les paramtres C
ij
, b
i
et a
ij
sont des constantes connues davance.
Trois types de contraintes sont gnralement prsentes : , ou = .
Il y a aussi deux catgories de variables de dcision : Certaines sont supposes ne prendre que des
valeurs non ngatives alors que dautres peuvent prendre toute valeur relle. Un PL sous forme gnrale (G)
peut tre transform en un PL quivalent sous forme standard note A ou S.
Max Z =

=
n
j
j j
x C
1

< - > Max Z = C
1
x
1
+ C
2
x
2
+ + C
n
x
n

C
S

j ij
x a b
i
xj 0
< - >
a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
b
1

a
21
x
1
+ a
22
x
2
+ + a
2n
x
n
b
2
................................................
................................................
................................................
a
n1
x
1
+ a
n2
x
2
+ + a
nn
x
n
b
n


La forme gnrale (G) se caractrise par le fait que cest un problme o toutes les contraintes sont du
type et les variables de dcision sont non ngatives.
Sa forme standard (S) est :
Max Z =
j j
x C
C
S

j ij
x a = b
i

Recherche oprationnelle

7
xj 0
La forme standard se caractrise par des contraintes sous forme dquations (galit = ).

B Passage de la forme gnrale la forme standard
Un certain nombre de transformations algbriques permettent le passage de la forme gnrale la
forme standard :
B1 Si le problme consiste minimiser Z <-> Min Z =

=
n
j
j j
x C
1
, on doit changer le sens
doptimisation i.e :
Min Z =

=
n
j
j j
x C
1
<-> Max Z =

=

n
j
j j
x C
1
) (

B2 Si le sens dingalit des contraintes est de type suprieur ou gal , lon doit changer le
sens dingalit () :
j ij
x a b
i
<->


j ij
x a ) ( -b
i

B3 Si les contraintes sont de type (=), on doit convertir lgalit en ingalit :
j ij
x a = b
i
<->
j ij
x a b
i
<->


b
b - ) ( b
i
i
j ij
i j ij j ij
x a
x a x a
et

B4 Convertir une ingalit en galit en introduisant des variables dcart :
j ij
x a bi <->
j ij
x a + S
i
= b
i

j ij
x a bi <->
j ij
x a - S
i
= b
i

Remarque : Les variables dcart napportent aucune contribution la fonction objectif.

B5 Dans le cas o les variables de dcision sont libres ou sans contrainte de signe, lon doit
remplacer la variable x
j
par 2 variables non ngatives.
En dautres termes, si x
j
est libre, on introduit :
x
j
+
et x
J
-
0
telles que :
x
j
= x
j
+
- x
J
-


Quelques dfinitions et rappels
Un PL sous forme standard (S) peut tre crit sous une forme matricielle en utilisant la notation
suivante :




Recherche oprationnelle

8
A = Matrice des coefficients techniques (a
ij
)

=
nm n n
m
m
a a a
a a a
a a a
A
. . . .
. .
. .
. .
. .
. . . .
. . . .
2 1
2 22 21
1 12 11

C = Matrice des c
j
X = matrice des x
i

=
n
c
c
c
C
..
.
.
.
2
1

=
n
x
x
x
X
..
.
.
.
2
1


Pour avoir Max Z :
Max Z = C X -- C est une matrice transpose de C <->
t
C.
C
S
AX =b
x 0

Une solution possible au PL est un vecteur X qui satisfait les contraintes AX = b.
Recherche oprationnelle

9




R e c h e r c h e o p r a t i o n n e l l e


26



CHAPITRE
2

Rsolution dun PL
Mthode graphique
02 2
0
0
5



Lobjet principal de ce chapitre est de proposer une mthode de rsolution dun problme linaire ne
comportant que 2 variables de dcision.
La mthode consiste en la dlimitation de lintersection des demi-plans reprsentant les inquations des
contraintes et en la recherche dans ce domaine des points donnant loptimum de la fonction objectif.

I D f i n i t i o n s
1 - Solution possible non ralisable
Elle respecte le principe de la non ngativit et se trouve en dehors du polydre. Autrement dit, elle ne
vrifie pas les contraintes fonctionnelles.

2 Solution possible et ralisable
Elle se trouve lintrieur du polydre. Autrement dit, elle vrifie toutes les contraintes ( contraintes
fonctionnelles et contraintes de signe ).

3 Solution ralisable de base ( note SRB )
Cest un point extrme, sommet ou point extrmal du polydre :


4 Solution ralisable non optimale
Cest un point quelconque du domaine se trouvant lintrieur du polydre.

5 Solution optimale
Cest une solution ralisable de base maximisant la valeur de Z ( lorsque loptimisation est une
maximisation).
Elle est obtenue en dplaant la droite z vers le haut paralllement elle-mme (mme pente = mme
coefficient directeur de la droite : y = a x -- a est la pente, le coefficient directeur ) jusquau
dernier contact avec un point extrme du polydre.
A
B
C
D
Recherche oprationnelle

10

I I Re c h e r c h e d e l a s o l u t i o n
o p t i ma l e
La recherche de loptimum laide de la mthode graphique ne peut sappliquer aux problmes de + de
2 variables de dcision.
La mthode graphique prsente lavantage dtre simple et permet lillustration de certains principes de
base pour une mthode plus gnrale ( mthode du Simplexe ).

1 Reprsentation graphique des contraintes fonctionnelles
Dans la rgion des solutions possibles, on se propose de dterminer lensemble des solutions ralisables
c..d. qui vrifient simultanment toutes les contraintes fonctionnelles. Pour cela, il nous faut dabord
connatre lensemble des points qui respectent chacune de ces contraintes, chaque contrainte fonctionnelle tant
en relation linaire correspond un seul demi-plan limit par la droite qui reprsente cette contrainte au sens de
lgalit.

La connaissance des demi-plans qui respectent la contrainte rsulte dune simple valuation dun point
quelconque non situ sur la droite.
Dans la pratique, on utilise le point origine de coordonnes (0,0).
Lintersection des demi-plans constitue le polydre convexe : Cest le domaine des possibilits,
domaine de disponibilit, polygone des contraintes.

2 - Recherche de la solution optimale
Sachant que la droite qui correspond au profit Max doit traverser le domaine des solutions ralisables et
quun dplacement vers le haut de cette droite fait crotre la valeur de Z, le dernier point touch, le plus loign
de lorigine correspond la solution optimale.
Remarque : A lorigine, x
1
= 0
x
2
= 0
Z = 0

T.A.F. : Comment reprsenter la droite de la fonction objectif ?
Max Z = C
1
x
1
+ C
2
+ x
2

x
C
C
C
Z
x
2
1
2
2
=
2
1
2
1
2
C
Z
x
C
C
x +

=

Constante
1
2
1
2
+ = x
C
C
x
En gnral,
On fixe Z = 0, nous avons un premier point O de coordonnes ( 0,0 ), nous savons que par 2 points passe
une droite, il suffit de dterminer un deuxime point :

= + = = 0 : 0
2
1
2
1
2
C
Z
nb x
C
C
x
z

O( 0,0 ) A( ?, ? ).

Z
: Courbe de niveau
Il suffit de reprsenter
Z
pour le 1
er
niveau
qui correspond Z/C
2
= 0 <-> Z = 0
Recherche oprationnelle

11
3 Solutions optimales : Diffrents cas possibles
1
er
cas : Pas de solution, le polydre est vide.
2
me
cas : Il y a une solution unique optimale, elle se situe toujours un sommet du polygone.

3
me
cas : La solution optimale se situe sur un ct du polygone. Dans ce cas, la pente de la fonction
objectif (Z) est identique celle de la droite qui porte ce ct, plusieurs solutions optimales existent et
fournissent le mme gain.


4
me
cas : Solutions infinies : La solution optimale se trouve rejete linfini.

-5 -4 -3 -2 -1 0 1 2 3 4 5
-5
-4
-3
-2
-1
1
2
3
4
5
Recherche oprationnelle

12
Exemple applicatif : soit le PL suivant :
Max Z = 25 x
1
+ 15 x
2

C
S
2 x
1
+2 x2 240
3 x
1
+ x
2
140
x
1
0 et x
2
0

T.A.F. : Rsoudre graphiquement ce PL !

Corrig :

1
re
tape : Reprsentation des droites des contraintes

1
= 2 x
1
+ 2 x
2
= 240 x
2
= 120 x
1
-- A(0,120) B(120,0)

2
= 3 x
1
+ x
2
= 140 x
2
= 140 3 x
1
-- C(0,140) D(40,20)

2
me
tape : Reprsentation de la droite de la fonction objectif Z
A
B
C
D
E
Recherche oprationnelle

13

Z
= x
2
=
1
2
1
x
C
C

Z
= x
2
=
1
15
25
x

Z
= x
2
=
1
3
5
x
-- O(0,0) E(120,-200)

La solution optimale est le point B.
B = 1 2

3
me
tape : Dterminer les coordonnes de B Rsoudre le systme suivant :

= +
= +
140 3
240 2 2
2 1
2 1
x x
x x
et par substitution lon a :

=
=

=
=

= +
=
10 x
110 x

10
120 x

140 120 3
120
1
2
1
1 2
1 1
1 2
x
x
x x
x x


do B(10,110)
do Z* = 1900




Recherche oprationnelle

14




R e c h e r c h e o p r a t i o n n e l l e


05



CHAPITRE
2

Rsolution dun PL
Mthode graphique
03 2
0
0
5



Exemple applicatif n2 : soit le PL suivant :
Min Z = 24 x
1
+ 20 x
2

C
S
x
1
+ x2 30
x
1
+ 2 x
2
40
x
1
0 et x
2
0
T.A.F. : Rsoudre graphiquement ce PL !
Corrig :
1
re
tape : Reprsentation des droites des contraintes

1
= x
1
+ x
2
= 30 x
2
= 30 x
1
-- A(0,30) B(30,0)

2
= x
1
+ 2 x
2
= 40 x
2
= 20 x
1
-- C(0,20) D(40,0)
2
me
tape : Reprsentation de la droite de la fonction objectif Z

Z
= x
2
=
1
2
1
x
C
C

Z
= x
2
=
1
20
24
x

Z
= x
2
=
1
5
6
x -- O(0,0) E(5,-6)
Pour un problme de minimisation, on fait descendre la courbe
Z
le 1
er
point touch par
Z
est
alors le point D (40,0) = dernier point touch 24 * 40 + 20 * 0 = 960 Z* = 960.


A
B
C
D O
E
Recherche oprationnelle

15
Ce problme de minimisation ne diffre de celui de la maximisation que par la recherche des
courbes de niveau qui donne la plus petite valeur de la fonction objectif tout en satisfaisant toutes les
contraintes.
Graphiquement, on dplace la droite de la fonction objectif paralllement elle-mme
lintrieur du domaine des possibilits. La fonction objectif diminue de valeur mesure quon se
rapproche de lorigine des axes. Cela correspond loptimum puisquil sagit dun point de
minimisation.


Diffrentes solutions possibles dun PL par la mthode graphique

1
er
cas : Problme impossible
Min Z = 3 x
1
+ 2 x
2

C
S
x
1
+ 2 x
2
2
2 x
1
+ 4 x
2
8
x
1
0 et x
2
0

Soient
1
= x
1
+ 2 x
2
= 2 x
2
= 1 x
1
-- A(0,1) B(2,0)

2
= 2 x
1
+ 4 x
2
= 8 x
2
2 x
1
-- C(0,2) D(4,0)

Z
= -
2
3
x
1
-- O(0,0) E(2,-3)
Lespace des solutions ralisables est vide ; cest un problme impossible.

2
me
cas : Problme solutions multiples
Max Z = x
1
+ 3 x
2

C
S
2 x
1
+ 6 x
2
30
x
1
10
x
2
4
x
1
0 et x
2
0

Soient
1
= 2 x
1
+ 6 x
2
= 30 x
2
=
1
2
3
1
5
2
6 30
x
x

-- A(0,5) B(3,4)

2
= x
1
= 10

3
=x
2


= 4

Z
= -
3
1
x
1
-- O(0,0) E(3,-1)
-3 -2 -1 0 1 2 3 4 5 6 7 8 9 10 11
-2
-1
1
2
3
4
5
6
A
B
Recherche oprationnelle

16
Lensemble des points dcrits par le segment [B,D] reprsente les solutions optimales du PL. Cest un
problme solutions multiples :
D =
1

2
) 4 , 3 (
4
3
4
3
1
5 4
4
3
1
5
2
1
2
1
2
1 2
D
x
x
x
x
x
x x

=
=

=
=

=
=
Z* = 15.
3
me
cas : Problme avec solutions non-bornes
Max Z = -2 x
1
+ 3 x
2

C
S
x
1
5
2 x
1
3 x
2
6
x
1
0 et x
2
0

Soient :
1
= 5

2
= x
2
= -2 +
3
2
x
1
-- A(0,-2) B(3,0)

Z
= x
2
=
3
2
x
1
-- O(0,0) C(3,2)
On peut augmenter la valeur de la fonction objectif
indfiniment ( dplacement de
Z
vers le haut ). Donc, la solution est
non borne.

4
me
cas : Problme de dgnrescence
Max Z = x
1
+
x2
C
S
3 x
1
+ 2 x
2
40
x
1
10
x
2
5
x
1
0 et x
2
0
Soient :
1
=3 x
1
+ 2 x
2
= 40 x
2
=
1 2
1
2
3
20
2
3 40
x x
x
=

-- A(0,20) B((20,-10)

2
= x
1
= 10

3
= x
2
= 5

Z
= x
2
= - x
1
-- O(0,0) C(20,-20)
La solution optimale B(10,5) est dite dgnre si trois contraintes concourent en ce point.
-1 0 1 2 3 4 5 6
-3
-2
-1
1
2
3
4
5
A
B
C
0
A
B
C
Recherche oprationnelle

17
Exemple applicatif n1
Max Z = 100 x
1
+ 200 x
2

C
S
x
1
+ x
2
150
4 x
1
+2 x
2
440
x
1
+ 4x
2
480
x
1
90
x
1
0 et x
2
0

Corrig

Soient les droites suivantes :

1
= x
1
+x
2
=150 x
2
=150 x
1
-- A(0,150) B(150,0)

2
= 4 x
1
+ 2 x
2
=440 x
2
= 220 2 x
1
-- C(0,220) D(110,0)

3
= x
1
+4 x
2
= 480 x
2
= 120
1
4

x1
-- E(0,120) F(480,0)

4
= x
1
=90

Z
=
-100
200
x
1

-1
2
x
1
-- O(0,0) G(220,-110)

H est la solution optimale.
H=
1

3

x
1
+x
2
= 150
x
1
+4 x
2
= 480
- = 330 x
2
= 110
x
1
= 150-110 x
1
= 40 H(40,110)
:
*
= 40 * 100+110 * 200= 26000
:
*
= 26000

Recherche oprationnelle

18
Exemple applicatif n2
Max Z = 30 x + 70 y
C
S
4 x + 10 y 80
14 x +8 y 112
x + y 10
x 0 et y 0



Exemple applicatif n3
Max Z = 8 x + 2 y
C
S
2 x -6 y 12
5 x +4 y 40
x + 2 y 12
y 6
x 0 et y 0

Corrig

Soient les droites suivantes :

1
= 2 x 6 y = 12 y=
2 x 12
6
y =
1
3
x -2 -- A(0,-2)
B(6,0)

2
= 5 x + 4 y = 40 10
5
4
x -- C(0,10)
D(8,0)

3
= x + 2 y =12 y = 6
1
2
x -- E(0,6)
F(12,0)

4
= y = 6

Z
= y = 4 x -- O(0,0)
G(1,-4)

-5 -4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10 11 12 13
-5
-4
-3
-2
-1
1
2
3
4
5
6
7
8
9
10
11
A
B
C
D
E
F
H
Recherche oprationnelle

19
La solution optimale est le point J =
2

3
Le systme suivant est donc
rsoudre :

x + 2 y =12
5 x + 4 y = 40

2 x + 4 y = 24
5 x + 4 y = 40
3 x = 16 x =
16
3
et y =
10
3


:
*
= 8 *
16
3
+ 2 *
10
3
:
*
=
128
3
+
20
3
=
148
3

:
*
=
148
3
.



Recherche oprationnelle

20




R e c h e r c h e o p r a t i o n n e l l e


12



CHAPITRE
2

Correction des exercices
de la srie n2
03 2
0
0
5



Ex e r c i c e n 1

Fonction Objectif :
Max = 100 x
1
+200
x2

Variables de dcision :
x
1
: Surface alloue la culture des tomates.
x
2
: Surface alloue la culture des piments.

Contraintes :
Main duvre : x
1
+ 4 x
2
480
Eau : 4 x
1
+2 x
2
440
Surface de terrain : x
1
+x
2
150
Limitation du bureau du primtre irrigu : x
1
90
Avec x
1
0 et x
2
0

Rsolution : Voir exemple applicatif n 1 du
05
2
2005.


Ex e r c i c e n 2

Fonction objectif :
Minimiser le nombre de pilules prescrire.

Variables de dcision :
x
1
= Nombre de pilules de petite taille.
x
2
= Nombre de pilules de grande taille.

Contraintes :
Au moins 12 graines daspirine 2 x
1
+x
2
12
Au moins 74 grains de bicarbonate 5 x
1
+ 8 x
2
74
Au moins 24 grains de codine x
1
+6 x
2
24

Recherche oprationnelle

21
Rsolution graphique
Soient :

1
= 2 x
1
+ x
2
= 12 x
2
=12-2 x
1
-- A(0,12) B(6,0)

2
= 5 x
1
+ 8x
2
=74 =
37
4

5
8
x
1
-- C(2,8) D(10,3)

3
= x
1
+ 6 x
2
=24 x
2
= 4
1
6
x
1
-- (E(0,4) F(12,2)

Z
= x
2
= -x
1
-- O(0,0) G(2,-2)


Le point C(2,8) constitue la solution optimale, do :
*
= 10.

Ex e r c i c e n 3
Fonction objectif:
Max = 900 x
1
+ 1000 x
2


Variables de dcision:
x
1
: nombre dunits du produit P
1

x
2
: nombre dunits du produit P
2

A
B
C
D
E
F
G
Recherche oprationnelle

22

Contraintes :
Contraintes de temps 11 x
1
+ 9 x
2
9900
7 x
1
+ 12 x
2
8400
6 x
1
+ 16 x
2
9600
avec x
1
0 et x
2
0

Rsolution

2
= 11 x
1
+ 9 x
2
= 9900 x
2
=1100 - -
11
9
x1 A(0,1100) B(900,0)

2
= 7 x
1
+ 12 x
2
= 8400 x
2
=700
7
12
x
1
C(0,700) D(1200,0)

3
= 6 x
1
+ 16 x
2
= 9600 x
2
= 600
3
8
x
1
E(0,600) F(1600,0)

Z
= x
2
= -
9
10
x
1
O(0,0) G(1000,-900)


La solution optimale est H =
3

2

Recherche oprationnelle

23

7 x
1
+ 12 x
2
= 8400
6 x
1
+ 16 x
2
= 9600



3
4
(6 x
1
+ 16 x
2
) =
9600 * 3
4

7 x
1
+12 x
2
= 8400

9
2
x
1
+12 x
2
= 7200


5
2
x
1
= 1200 x
1
=
1200 * 2
5
= 480 x
2
= 420
do :
*
= 900 * 480 + 1000 * 420= 852000
Z* = 852000


Recherche oprationnelle

24




R e c h e r c h e o p r a t i o n n e l l e


12



CHAPITRE
3

La mthode du
Simplexe
03 2
0
0
5




I - I n t r o d u c t i o n
On a prsent dans le chapitre prcdent une procdure graphique pour rsoudre un PL 2 variables. Par
contre, dans la plupart des problmes rels, on a plus de 2 variables dterminer.
Une procdure algbriques pour rsoudre les PL avec plus de 2 variables fera lobjet de ce chapitre.
Cest la mthode du Simplexe . Une implmentation de cette procdure a permis de rsoudre des PL avec un
peu plus de quelques milliers de variables. Le programme LINDO quon prsentera supporte au plus 200
variables et 100 contraintes.
Dans ce chapitre, la mthode du Simplexe est prsente pour les problmes de la forme :
Max
t
C x
C
S
A x b
x 0
et en utilisant le problme de lagriculteur (cf. Srie n2, ex n1) :
Max Z = 100 x
1
+ 200 x
2

C
S
x
1
+ x
2
150
4 x
1
+2 x
2
440
x
1
+ 4x
2
480
x
1
90
x
1
0 et x
2
0

I I Mi s e s o u s f o r me s t a n d a r d
La mise sous forme standard consiste introduire des variables supplmentaires ( 1 pour chaque
contrainte ) de manire rcrire les ingalits ( ) sous la forme dgalits. Chacune de ces variables
reprsente le nombre de ressources non utilises. On les appelle variables dcart.
La forme gnrale scrit donc :
Max C
1
x
1
+ C
2
x
2
+ + C
n
x
n

C
S

a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
b
1

a
21
x
1
+ a
22
x
2
+ + a
2n
x
n
b
2
................................................
................................................
................................................
a
n1
x
1
+ a
n2
x
2
+ + a
nn
x
n
b
n



Recherche oprationnelle

25
La forme standard serait alors :
Max C
1
x
1
+ C
2
x
2
+ + C
n
x
n
+ 0 S
1
+ 0 S
2
+ + 0 S
n


C
S
a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
+ S
1
= b
1

a
21
x
1
+ a
22
x
2
+ + a
2n
x
n
+ S
2
= b
2
.........................................................................................
.........................................................................................
.........................................................................................
a
n1
x
1
+ a
n2
x
2
+ + a
nm
x
n
S
m
= b
m



Exemple : La forme standard du problme de lagriculteur est :
Max Z = 100 x
1
+ 200 x
2
+ 0 S
1
+ 0 S
2
+ 0 S
3
+ 0 S
4

C
S
x
1
+ x
2
+ S
1
= 150
4 x
1
+ 2 x
2
+ S
2
= 440
x
1
+ 4 x
2
+ S
3
= 480
x
1
+ S
4
= 90
x
1
0, x
2
0, S
1
0, S
2
0, S
3
0 et S
4
0

I I I Re v u e a l g b r i q u e d e l a
m t h o d e d u S i mp l e x e
La question qui se pose est : Que demande-t-on dune procdure algbrique?
En premier lieu, on note que les contraintes du problme forment un systme de 4 quations et 6
variables Or, il y a un nombre infini de solutions ce systme. Une procdure algbrique pour la rsolution
dun PL doit tre capable de retrouver les solutions des systmes dquations o il y a plus de varibales que de
contraintes.
En deuxime lieu, on peut noter que ce nesont pas toutes les solutions qui vrifient toutes les contraintes
qui sont solutions au PL; ils doivent en plus satisfaire les contraintes de non ngativit. Ainsi, un procdure
algbrique doit tre capable dliminer de lensemeble des solutions qui satisfait les contraintes celles qui
narrivent pas satisfaire les contraintes de non ngativit.
Finalement, une procdure algbrique pour rsoudre lesPL doit tre en mesure de choisir parmi
lesoslutions ralisables celles qui maximisent la fonction objectif.
La mthode du Simplexe est une procdure algbriquee qui tient compte de ces 3 considrations.
Pour illustrer cette procdure, supposons que x
2
= 0 et S
1
= 0 :
On a x
2
=S
1
=0
Do le systme suivant :

X
1
= 150
4 x
1
+ S
2
= 440
x
1
+ S
3
=480
x
1
+ S
4
=90

Do les solutions suivantes :
x
1
= 150
x
2
= 0
S
1
= 0
S
2
= -160
S
3
= 330
Recherche oprationnelle

26
S
4
= -60
Les variables x
1
, S
2
, S
3
et S
4
, non nulles, sont dites variables de base ( notes VB ) et les
variables S
1
et x
2
, nulles, sont dites variables hors base ( notes VHB).
Gnralement, si on a un PL standard constitu de n variables et m contraintes avec n m, alors
une solution de base ( cest un extrme ) est obtenue en annulant n-m variables et en rsolvant les m
contraintes pour dterminer les valeurs des autres m variables.
On note quune solution de base nest pas toujours ralisable. Cest le cas de la solution quon
vient de trouver.
Une solution ralisable de base serait celle o :

x
1
=x
2
=0
x
j
= 0

S
1
= 150
S
2
= 440
S
3
=480
S
4
= 90

Cette solution correspond un point extrm de lensmeble des solutions ralisables qui est
lorigine O.
Pour la mthode du Simplexe, une SRB
i
( i.e. solution ralisable de base initiale ) est demande.
Une telle solution peut tre retrouve en annulant toutes les variables de dcision ( ce qui correspond
dans la mthode graphique au point dorigine O ).
Apartir de ce point, la mthode du Simplexe va gnrer successivement des solutions ralisables
de base pour notre systme dquations en sassurant que la valeur de la fonction objectif est en train
daugmenter jusqu localiser la solution optimale du problme qui est un point extrme de lespace des
solutions ralisables, donc une solution ralisable de base.
Ainsi, on peut dcrire la mthode du Simplexe comme tant une procdure itrative qui passe de
la SRB
i
une autre solution ralisablede base jusqu atteindre la solution optimale.

Recherche oprationnelle

27




R e c h e r c h e o p r a t i o n n e l l e


19



CHAPITRE
3

La mthode du
Simplexe
03 2
0
0
5



Ra p p e l s
PL de lagriculteur :
Forme gnrale Forme standard
Max Z = 100 x
1
+ 200 x
2

C
S
x
1
+ x
2
150
4 x
1
+2 x
2
440
x
1
+ 4x
2
480
x
1
90
x
1
0 et x
2
0
Max Z = 100 x
1
+ 200 x
2
+ 0 S
1
+ 0 S
2
+ 0 S
3
+ 0 S
4

C
S
x
1
+ x
2
= 150
4 x
1
+2 x
2
= 440
x
1
+ 4x
2
= 480
x
1
= 90
x
1
, x
2
0 et S
1
, S
2
, S
3
, S
4
0

SRB
i

x
1
=
x2
=0
= 0
S
1
= 150
S
2
= 440
S
3
= 480
S
4
= 90

I V - La m t h o d e d u S i mp l e x e

A Tableau du Simplexe initial ( lorigine )
C
j
100 200 0 0 0 0
C
i
VB Q
i
x
1
x
2
S
1
S
2
S
3
S
4
R
i

0 S
1
150 1 1 1 0 0 0 150
0 S
2
440 4 2 0 1 0 0 220
0 S
3
480 1 4 0 0 1 0 120 VS
0 S
4
90 1 0 0 0 0 1
Z
j
0 0 0 0 0 0 0
C
j
- Z
j
100 200 0 0 0 0

VE

R
i
: Ratio .
VE : Variable entrante Correspond la colonne Pivot.
VS : Variable sortante Correspond la ligne Pivot.
: lorsque division par zro, tend vers linfini.
C
j
Z
j
: Effet de laugmentation de la j
me
variable.
On remarque quon a plac en premire ligne les contributions unitaires de toutes les variabes (de
dcision & dcart ) dans la fonction objectif.
Recherche oprationnelle

28
Dans la 3
me
ligne, on retrouve la 1
re
contrainte. La valeur 150 reprsente la valeur de S
1
relative la
solution ralisable de base initiale ou SRB
i
.
Dans la 1
re
colonne (C
i
), on retrouve les contributions nulles des variables dcart qui forment les SRB
i
.

B Amlioration de la solution
Pour amliorer la solution, il faut gnrer une autre solution de base (point extrme) qui augmente la
valeur de la fonction objectif, i.e. quon doit slectionner une variable hors base ( VHB ) et variable de base
(VB) et les permuter de telle faon que la nouvelle solution donne une plus grande valeurde la fonction objectif.
Pour savoir si lon peut amliorer notre SRB
i
, nous allons introduire 2 nouvelles lignes au-dessous du
tableau du Simplexe :
- La 1
re
ligne, note Z
j
, reprsente la variation de la valeur de la fonction objectif qui rsulte du
fait quune unit de la variable corrrespondante la jme colonne de la matrice A est amene
dans la base.
Gnralement, lon a Z
j
= a
ij
C
i

- La 2
me
ligne, note C
i
Z
j
, reprsente leffet net de laugmentation dune unit de la j
me

variable.
En analysant la ligne relative lvaluation nette C
j
Z
j
, on remarque quune augmentation dune unit
de la valeur x
1
engendre un profit de 100
D
et quune augmentation dune unit de la valeur de x
2
engendre un
profit supplmentaire de 200
D
.donc, si on a choisir, on va opter pour une augmentation de la valeur de x
2
. On
dit que x
2
est la variable entrante.
Le problme est maintenant jusquo on peut augmenter x
2
. Cette augmentation ne peut pas se faire
indfiniment. Sous lhypothse que x
1
reste nulle, on a :
X
1
+ S
1
= 150
2 x
2
+ S
2
= 440 S
2
= 0, 2 x
2
= 440 x
2
=
440
2
x
2
= 220
4 x
2
+ S
3
= 480 S
3
= 0, 4 x
2
= 480 x
2
=
480
4
x
2
= 120
S
4
= 90
On peut voir que x
2
peut prendre comme valeur maximale 120 ( Il ne faut pas oublier que les S
i
sont des
variables positives ).
SRB
i
SRB
S
1
= 150 S
1
=
S
2
= 440 S
2
=
S
3
= 480 x
2
= 120
S
4
= 90 S
4
=
C Calcul du tableau suivant
C
j
100 200 0 0 0 0
C
i
VB Q
i
x
1
x
2
S
1
S
2
S
3
S
4
R
i

0 S
1
30 3
4

0 1 0
-
1
4

0 40 VS
0 S
2
200 7
2

0 0 1
-
1
2

0 400
7


200 X
2
120 1
4

1 0 0 1
4

0 480
0 S
4
90 1 0 0 0 0 1 90
Z
j
24000 50 200 0 0 50 0
C
j
- Z
j
50 0 0 0 -50 0

VE

Recherche oprationnelle

29

Si C
j
Z
j
0 La solution est optimale.
Dans notre cas : Solution non optimale = SRB Nouvelle itration indispensable.
Ce qui reste dterminer sont les coefficients a
ij
de la nouvelle matrice A et les valeurs Q
i
des variables
de base. Ceci est ralis en utilisant la rgle du pivot :
tape : Diviser la ligne du pivot par la valeur de llment pivot pour trouver la
ligne transforme de la ligne du pivot.
tape : chacune des variables de base, on associe la valeur 1 lintersection de la
ligne et de la colonne relatives cette mme variable et dans le reste de la
colonne on trouve des zros.
tape : Pour calculer le reste des valeurs du tableau, on opre des combinaisons
linaires dans le prcdent tableau du Simplexe. Par exemple, pour calculer
la nouvelle valeur qui va prendre la place de la valeur 150 devant la variable
de base S
1
on procde comme suit :
150 * 4 (1 * 480 )
4
=30
440 * 4 2 * 480
4
=200
90 *4 0 * 480
4
=90
1 * 4 1 * 1
4
=
3
4


D Itration suivante

C
j
100 200 0 0 0 0
C
i
VB Q
i

x1
x
2
S
1
S
2
S
3
S
4

100 X
1
40 1 0 4
3

0
-
1
3

0
0 S
2
60 0 0
-
14
3

1 2
3

0
200 X
2
110 0 1
-
1
3

0 1
3

0
0 S
4
50 0 0
-
4
3

0 1
3

1
Z
j
26000 100 200 200
3

0 100
3

0
C
j
- Z
j
0 0
-
200
3

0
-
100
3

0
C
j
Z
j
0 Solution optimale
SRB : x
1
= 40
X
2
= 110
= 26000
Recherche oprationnelle

30




R e c h e r c h e o p r a t i o n n e l l e


26



CHAPITRE
3

Correction des exercices
de la srie n3
03 2
0
0
5




Ra p p e l s : La m t h o d e d u
s i mp l e x e
tape : FG FS
FG :
Max C
1
x
1
+ C
2
x
2
+ + C
n
x
n


C
S

a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
b
1

a
21
x
1
+ a
22
x
2
+ + a
2n
x
n
b
2
.................................................
.................................................
.................................................
a
n1
x
1
+ a
n2
x
2
+ + a
nm
x
n
b
n

FS :
C
1
x
1
+ C
2
x
2
+ + C
n
x
n
+ 0 S
1
+ 0 S
2
+ + 0 S
n


a
11
x
1
+ a
12
x
2
+ + a
1n
x
n
+ S
1
= b
1

a
21
x
1
+ a
22
x
2
+ + a
2n
x
n
+ S
2
= b
2
....................................................................................
....................................................................................
....................................................................................
a
n1
x
1
+ a
n2
x
2
+ + a
nm
x
n
S
n
= b
n

x 0


s
i
0

tape : SRB
i

On annule toutes les variables de dcision dans les quations des contraintes :
SRB
i

S
1
= b
1
S
2
=b
2
.
.
.
.
.
S
n
=b
n
La SRB
i
correspond lorigine.


Recherche oprationnelle

31
tape : Tableau initial du simplexe
C
j
C1 C2 C3 0 0 0
C
i
VB Q
i
x
1

x2
x
3
S
1
S
2
S
3
R
i

0 S
1
b
1
a
11
a
12
a
13
1 0 0
0 S
2
B
2
a
21
a
22
a
23

PIVOT
0 1 0 Ligne
Pivot
0 S
3
B
3
a
31
a
32
a
33
0 0 1
0 S
4
B
4
a
41
a
42
a
43
0 0 0


Z
j

C
j
- Z
j


C
o
l
o
n
n
e

p
i
v
o
t


VE = C
j
Z
j
la plus grande possible.
VS = celle qui possde le ratio le plus faible positif.

tape : 2
me
tableau du simplexe
- Diviser la ligne pivot par llment pivot.
- Marquer 1 dans chaque intersection dune VRB avec elle-mme et 0 chaque intersection dune
VRB avec une autre VRB.
- Cellules restantes : Procder des combinaisons linaires comme suit :
Erreur !

Lalgorithme sera rpt jusqu obtention de la solution optimale qui correspond C
j
Z
j
0

Ex e r c i c e n 1

A - FG FS
FG FS
Max Z = 2 x
1
+ 5 x
2

C
S
x
1
400
x
2
300
x
1
+ x
2
600
avec x
1
0 et x
2
0
Max Z = 2 x
1
+ 5 x
2
+ 0 S
1
+ 0 S
2
+ 0 S
3

C
S
x
1
+S
1
= 400
x
2
+ S
2
= 300
x
1
+ x
2
+ S
3
= 600
avec x
1
, x
2
0 et S
1
, S
2
, S
3
0

B SRB
i

S
1
= 400
S
2
= 300
S
3
= 600
Recherche oprationnelle

32
C Tableau initial

C
j
2 5 0 0 0
C
i
VB Q
i
x
1
x
2
S
1
S
2
S
3
R
i

0 S
1
400 1 0 1 0 0
0 S
2
300 0
1
0 1 0 300 VS
0 S
3
600 1 1 0 0 1 600
Z
j
0 0 0 0 0 0
C
j
- Z
j
2 5 0 0 0

VE


D Nouvelle matrice transforme
SRB = S
1
x
2

S
3

1
re
tape : Diviser la ligne pivot par llment pivot.
2
me
tape : Mettre 1 chaque croisement de chaque variable de base avec elle-mme.
3
me
tape : Mettre 0 chaque croisement de chaque variable de base avec une autre variable de base.
C
j
2 5 0 0 0
C
i
VB Q
i
x
1
x
2
S
1
S
2
S
3
R
i

0 S
1
400 1 0 1 0 0 400
5 x
2
300 0 1 0 1 0
0 S
3
300
1
0 0 -1 1 300 VS
Z
j
1500 0 5 0 5 0
C
j
- Z
j
2 0 0 -5 0

VE


E Nouvelle matrice transforme
SRB : S
1
x
1

x
2


C
j
2 5 0 0 0
C
i
VB Q
i
x
1
x
2
S
1
S
2
S
3

0 S
1
100 0 0 1 1 -1
5 x
2
300 0 1 0 1 0
2 x
2
300 1 0 0 -1 1
Z
j
2100 2 5 0 3 2
C
j
- Z
j
0 0 0 -3 -2

Les C
j
Z
j
0 Cest la solution optimale
x
1
= 300
x
2
= 300

max
= 2100


Recherche oprationnelle

33
Ex e r c i c e n 2

A - FG FS
FG FS
Max Z = 100 x + 150 y
C
S
10 x + 4 y + S
1
160
x + y + S
2
20
10 x + 20 y + S
3
300
avec x 0 et y 0

Max Z = 100 x + 150 y + 0 S
1
+ 0 S
2
+ 0 S
3

C
S
10 x + 4 y + S
1
= 160
x + y + S
2
= 20
10 x + 20 y + S
3
= 300
avec x , y 0 et S
1
, S
2
, S
3
0


B SRB
i

S
1
= 160
S
2
= 20
S
3
= 300

C Tableau initial
C
j
100 150 0 0 0
C
i
VB Q
i
x y S
1
S
2
S
3
R
i

0 S
1
160 10 4 1 0 0 40
0 S
2
20 1 1 0 1 0 20
0 S
3
300 10 20 0 0 1 15 VS
Z
j
0 0 0 0 0 0
C
j
- Z
j
100 150 0 0 0

VE


D Nouvelle matrice transforme
SRB = S
1
S
2

y
1
re
tape : Diviser la ligne pivot par llment pivot.
2
me
tape : Mettre 1 chaque croisement de chaque variable de base avec elle-mme.
3
me
tape : Mettre 0 chaque croisement de chaque variable de base avec une autre variable de base.
C
j
100 150 0 0 0
C
i
VB Q
i
x y S
1
S
2
S
3
R
i

0 S
1
100 8 0 1 0
-
1
5

12.5
0 S
2
5 1
2

0 0 1
-
1
20

10 VS
150 y 15 1
2

1 0 0 1
20

30
Z
j
2250 75 150 0 0 7.50
C
j
- Z
j
25 0 0 0
-
15
2


Recherche oprationnelle

34

VE


E Nouvelle matrice transforme
SRB : S
1
x
y
C
j
100 150 0 0 0
C
i
VB Q
i
x y S
1
S
2
S
3

0 S
1
20 0 0 1 -16 6
10

100 x 10 1 0 0 2
-
1
10

150 y 10 0 1 0 -1 1
10

Z
j
2500 100 150 0 50 5
C
j
- Z
j
0 0 0 -50 -5

Les C
j
Z
j
0 Cest la solution optimale
x = 10
y = 10

max
= 2500

Ex e r c i c e n 3

A - FG FS
FG FS
Max Z = 600 x
1
+ 540 x
2
+ 375 x
3

C
S
x
1
+ x
2
+ x
3
12
x
1
5
80 x
1
+ 70 x
2
+50 x
3
750
avec x
1
, x
2
et x
3
0
Max Z = 600 x
1
+ 540 x
2
+ 375 x
3
+ 0 S
1
+ 0 S
2
+ 0 S
3

C
S
x
1
+ x
2
+ x
3
+S
1
= 12
x
1
+ S
2
= 5
80 x
1
+ 70 x
2
+50 x
3
+ S
3
= 750
avec x
1
, x
2
0 et S
1
, S
2
, S
3
0

B SRB
i

S
1
= 12
S
2
= 5
S
3
= 750

C Tableau initial
C
j
600 540 375 0 0 0
C
i
VB Q
i
x
1
x
2
x
3
S
1
S
2
S
3
R
i

0 S
1
12 1 1 1 1 0 0 12
0 S
2
5
1
0 0 0 1 0 5 VS
0 S
3
750 80 70 50 0 0 1 9,375
Z
j
0 0 0 0 0 0 0
C
j
- Z
j
600 540 375 0 0 0
Recherche oprationnelle

35

VE

D Nouvelle matrice transforme
SRB = S
1
x
1
S
3


C
j
600 540 375 0 0 0
C
i
VB Q
i
x
1
x
2
x
3
S
1
S
2
S
3
R
i

0 S
1
7 0 1 1 1 -1 0 7
600 x
1
5 1 0 0 0 1 0
0 S
3
350 0
70
50 0 -80 1 5 VS
Z
j
3000 600 0 0 0 600 0
C
j
- Z
j
0 540 375 0 -600 0

VE

E Nouvelle matrice transforme
SRB : S
1
x
1
x
2


C
j
600 540 375 0 0 0
C
i
VB Q
i
x
1
x
2
x
3
S
1
S
2
S
3
R
i

0 S
1
2 0 0
2
7
1
1
7
-
1
70
14
600 x
1
5 1 0 0 0
1
0 5 VS
540 x
2
5 0 1
5
7
0 -
8
7

1
70
-
35
8

Z
j
5700 600 540 385,71 0 -17,14 7.71
C
j
- Z
j
0 0 -10.71 0 17.14 -7.71


VE

La variable sortante est celle qui possde le ration le plus faible positif !
F Nouvelle matrice transforme
SRB : S
1
= 0 S
2
= 0 x
2
= 540

C
j
600 540 375 0 0 0
C
i
VB Q
i
x
1
x
2
x
3
S
1
S
2
S
3

0 S
1

9
7
-
1
7
0
2
7
1 0 -
1
70

0 S
2
5 1 0 0 0 1 0
540 x
2

75
7

8
7
1
5
7
0 0
1
70

Z
j
5785,71 617,14 540 385,71 0 0 7,71
C
j
- Z
j
-17.14 0 -10.71 0 0 -7.71
Les C
j
Z
j
0 Cest la solution optimale
x = 0
y =
75
7

max
= 5785.71
Recherche oprationnelle

36
Ex e r c i c e n 4
A - FG FS
FG FS
Max Z = 50 x
1
+ 60 x
2

C
S
x
1
+ 2 x
2
8
2 x
1
+ 2 x
2
10
9 x
1
+ 4 x
2
36
avec x
1
0 et x
2
0
Max Z = 50 x
1
+ 60 x
2
+ 0 S
1
+ 0 S
2
+ 0 S
3

C
S
x
1
+ 2 x
2
+S
1
= 8
2 x
1
+ 2 x
2
+ S
2
= 10
9 x
1
+ 4 x
2
+ S
3
= 36
avec x
1
, x
2
0 et S
1
, S
2
, S
3
0
B SRB
i

S
1
= 8 S
2
= 10 S
3
= 36
C Tableau initial
C
j
50 60 0 0 0
C
i
VB Q
i
x
1
x
2
S
1
S
2
S
3
R
i

0 S
1
8 1
2
1 0 0 4 VS
0 S
2
10 2 2 0 1 0 5
0 S
3
36 9 4 0 0 1 9
Z
j
0 0 0 0 0 0
C
j
- Z
j
50 60 0 0 0

VE

D Nouvelle matrice transforme
SRB = x
2


S
2
S
3

C
j
50 60 0 0 0
C
i
VB Q
i
x
1
x
2
S
1
S
2
S
3
R
i

60 x
2
4 1
2

1 1
2

0 0 8
0 S
2
2
1
0 -1 1 0 2 VS
0 S
3
20 7 0 -2 0 1 20
7


Z
j
240 30 60 30 0 0
C
j
- Z
j
20 0 -30 0 0

VE

E Nouvelle matrice transforme
SRB : x
2


x
1
S
3

C
j
50 60 0 0 0
C
i
VB Q
i
x
1
x
2
S
1
S
2
S
3

60 x
2
3 0 1 1
-
1
2

0
50 x
1
2 1 0 -1 1 0
0 S
3
6 0 0 5 -7 1
Z
j
280 50 60 10 20 0
C
j
- Z
j
0 0 -10 -20 0
Les C
j
Z
j
0 Cest la solution optimale.
Recherche oprationnelle

37
x
1
= 2 x
2
= 3
max
= 280

Ex e r c i c e n 5

A - FG FS
FG FS
Max Z = 7 x
1
+ 5 x
2
+ 5x
3
+4 x
4

C
S
2 x
1
+ 4x
2
+2x
3
+ 3 x
4
45000
x
1
+x
2
6000
x
3
+x
4
7000
x
1
+ x
3
5000
x
2
+ x
4
6000
avec
x1
, x
2
, x
3
et x
4
0
Max Z = 7 x
1
+ 5 x
2
+ 5x
3
+4 x
4
+ 0 S
1
+ 0 S
2
+ 0 S
3

+ S
4
+ 0 S
5

C
S
2 x
1
+ 4x
2
+2x
3
+ 3 x
4
+ S
1
= 45000
x
1
+x
2
+
S2
= 6000
x
3
+x
4
+ S
3
= 7000
x
1
+ x
3
+ S
4
= 5000
x
2
+ x
4
+ S
5
= 6000
avec x
1
, x
2
, x
3
et x
4
0 et S
1
, S
2
, S
3
, S
4
et S
5
0

B SRB
i

S
1
= 45000 S
2
= 6000 S
3
= 7000 S
4
= 5000 S
5
= 6000

C Tableau initial
C
j
7 5 5 4 0 0 0 0 0
C
i
VB Q
i
x
1
x
2
x
3
x
4
S
1
S
2
S
3
S
4
S
5
R
i

0 S
1
45000 2 4 2 3 1 0 0 0 0 22500
0 S
2
6000 1 1 0 0 0 1 0 0 0 6000
0 S
3
7000 0 0 1 1 0 0 1 0 0
0 S
4
5000
1
0 1 0 0 0 0 1 0 5000 VS
0 S
5
6000 0 1 0 1 0 0 0 0 1
Z
j
0 0 0 0 0 0 0 0 0 0
C
j
- Z
j
7 5 5 4 0 0 0 0 0

VE



D Nouvelle matrice transforme
SRB : S
1
= 0 S
2
= 0 S
3
= 0 x
1
= 7 S
5
= 0
C
j
7 5 5 4 0 0 0 0 0
C
i
VB Q
i

x1
x
2
x
3
x
4
S
1
S
2
S
3
S
4
S
5
R
i

0
S1
35000 0 4 0 3 1 0 0 -2 0 8750
0
S2
1000 0
1
-1 0 0 1 0 -1 0 1000 VS
0 S
3
7000 0 0 1 1 0 0 1 0 0
7 x
1
5000 1 0 1 0 0 0 0 1 0
0 S
5
6000 0 1 0 1 0 0 0 0 1 6000
Z
j
35000 7 0 7 0 0 0 0 7 0
C
j
- Z
j
0 5 -2 4 0 0 0 -7 0
Recherche oprationnelle

38

VE

E Nouvelle matrice transforme
SRB : S
1
= 0 x
2
= 5 S
3
= 0 x
1
= 7 S
5
= 0


C
j
7 5 5 4 0 0 0 0 0
C
i
VB Q
i
x
1
x
2
x
3
x
4
S
1
S
2
S
3
S
4
S
5
R
i

0 S
1
31000 0 0 4 3 1 -4 0 2 0
31000
3

5 x
2
1000 0 1 -1 0 0 1 0 -1 0
0 S
3
7000 0 0 1 1 0 0 1 0 0 7000
7 x
1
5000 1 0 1 0 0 0 0 1 0
0 S
5
5000 0 0 1
1
0 -1 0 1 1 5000

VS
Z
j
7 5 2 0 0 5 0 2 0
C
j
- Z
j
0 0 3 4 0 -5 0 -2 0

VE


F Nouvelle matrice transforme
SRB : S
1
= 0 x
2
= 5 S
3
= 0 x
1
= 7 x
4
= 4
C
j
7 5 5 4 0 0 0 0 0
C
i
VB Q
i
x
1
x
2
x
3
x
4
S
1
S
2
S
3
S
4
S
5

0 S
1
16000 0 0 1 0 1 -1 0 -1 -3
5 x
2
1000 0 1 -1 0 0 1 0 -1 0
0 S
3
2000 0 0 0 0 0 1 1 -1 -1
7 x
1
5000 1 0 1 0 0 0 0 1 0
4 x
4
5000 0 0 1 1 0 -1 0 1 1
Z
j
60000 7 5 6 4 0 1 0 6 4
C
j
- Z
j
0 0 -1 0 0 -1 0 -6 -4

Les C
j
Z
j
0 Cest la solution optimale
x
1
= 5000
x
2
= 1000
x
3
= 0
x
4
= 5000

max
= 60000
Recherche oprationnelle

39




R e c h e r c h e o p r a t i o n n e l l e


02



CHAPITRE
4

Mthode du Simplexe
Problme de minimisation
&
problmes irrguliers
04
2
0
0
5



I I n t r o d u c t i o n
Dans le chapitre prcdent, tous les PL quon a traits taient du type :

Maximiser une fonction linaire
C
S
Contraintes
(avec un second membre positif )

< - >
Max

C
i
x
j


C
S



a
ij
x
i
b
i
( avec b
i
0 )
( avec xi 0 et j : 1 .. n )

Or, dans beaucoup de problmes rels, on peut retrouver des contraintes du type et/ou = ainsi que des
problmes o lon a minimiser au lieu de maximiser.
Dans ce chapitre, on tudiera les modifications apporter la mthode du Simplexe pour quelle puisse
rsoudre tous ces types de programmes.

I I P r o b l me s d e mi n i mi s a t i o n e t
p r o b l me s a v e c c o n t r a i n t e s mi x t e s
A Cas de minimisation
Cas dun problme de minimisation avec contraintes du type :
Min Z =



C
j
x
j

C
S



a
ij
x
j
b
i

si, dans un PL, la fonction objectif doit tre minimise, on peut rsoudre le PL :
- En changeant la rgle de choix de la variable et de la rgle darrt. On choisit comme variable
entrante celle dont lintroduction rduit le plus la fonction objectif, i.e. celle dont le C
j
Z
j
est le
plus grand ngatif ; on sarrte quand il nest plus possible de rduire la fonction objectif i.e. lorsque
toutes les C
j
Z
j
sont positives ou nulles.
- On peut rsoudre le PL en le rduisant un problme de maximisation ; ceci peut tre accompli
en prenant loppos de la fonction objectif :
Min Z =

C
j
x
j
Max ( -Z ) = (-C
j
) x
j
,
les contraintes fonctionnelles et les contraintes formelles restant les mmes. Dans ce cas, on peut
Recherche oprationnelle

40
utiliser la mthode dcrite pour le cas de maximisation en changeant le critre de slection des V.E.
de C
j
- Z
j
Z
j
C
j
.
La solution est optimale lorsque Z
j
C
j
est ngative ou nulle.

B Cas des contraintes fonctionnelles mixtes : Technique des variables
artificielles
Nous avons vu dans le chapitre prcdent quun PL sous la Forme Gnrale :
peut tre facilement mis sous forme canonique en introduisant des variables dcart. Cependant le PL original
contient des contraintes du type (=) ou ( ) et/ou des lments de b
i
qui ne sont pas tous non ngatifs.
FG Max Z =



C
j
x
j

C
S
a
ij
x
i
b
i
avec b
i
0
avec x
j
0
j : 1 .. n
Il peut tre mis sous forme standard facilement mais ne sera pas sous forme canonique.
On introduit dans cette section une mthode utilisant des variables artificielles la forme canonique. On passe
par les tapes suivantes :

1
re
tape : On part dun Pl sous FG
Max Z =



C
j
x
j

C
S

a
ij
x
j
b
i

a
ij
x
j
= b
i

a
ij
x
j
b
i

avec x
j
0

2
me
tape : Mettre le PL sous FS par lintroduction de variables dcart. Les contraintes deviennent :
C
S

a
ij
x
j
+ S
i
= b
i

a
ij
x
j
= b
i

a
ij
x
j
- S
i
= b
i

avec x
j
0 et S
i
0

Recherche oprationnelle

41
3
me
tape : On introduit les variables artificielles et les contraintes deviennent :
C
S

a
ij
x
j
+ S
i
= b
i

a
ij
x
j
+ A
i
= b
i

a
ij
x
j
- S
i
+ A
i
= b
i

avec x
j
0 , S
i
0 et A
i
0

Exemple de dtermination de la F.C. avec des contraintes mixtes
F.G.
Max Z = - x
1
x
2

C
S
3 x
1
+ x
2
= 3
4 x
1
+ 3x
2
6
x
1
+ 2 x
2
3
avec x
1
et x
2
0
F.S.
Max Z = - x
1
x
2

C
S
3 x
1
+ x
2
= 3
4 x
1
+ 3x
2
S
1
= 6
x
1
+ 2 x
2
+ S
2
= 3
avec x
1
, x
2
0 et S
1
, S
2
0

F.C.
Max Z = - x
1
x
2
+ 0 S
1
+ 0 S
2

C
S
3 x
1
+ x
2
+ A
1
= 3
4 x
1
+ 3x
2
S
1
+ A
2
= 6
x
1
+ 2 x
2
+ S
2
= 3
avec x
1
, x
2
0 , S
1
, S
2
0 et A
1
, A
2
0

La question qui se pose maintenant est : quels sont les coefficients des variables artificielles introduites
dans la base dans la fonction objectif ?
Lide des variables artificielles est de leur affecter des coefficients non nuls et dessayer de les annuler ce qui
permettrait de trouver une F.C. complte et aussi une solution de base possible.

La mthode de pnalit Big M
Puisque dans une contrainte o lon a introduit une variable artificielle qui est dans la base et qui peut
tre positive, la contrainte en question nest pas satisfaite, il faut donc faire sortir ces variables artificielles
rapidement de la base (en premier lieu) en vue dobtenir une solution de base possible. Pour faire sortir ces
variables de la base rapidement et en premier lieu, on leur affecte un coefficient pnalisateur trs grand dans la
fonction conomique.
Soit M > > ( M trs grand positif ) . On crit la fonction objectif de la sorte :
Max Z =
i i
A M - S 0 +
j j
x C
Exemple : Max Z = - 2 x
1
x
2
+ 0 S
1
+ 0 S
2
M A
1
- M A
2
( avec M >> 0 )
Le PL nest pas sous forme entirement canonique, car les coefficients des variables artificielles qui font
Recherche oprationnelle

42
partie des variables de base ne sont pas nuls. Pour rsoudre un PL avec des contraintes mixtes, il faut suivre la
procdure suivante :
Introduire des coefficients pnalisateurs trs grands attachs aux variables artificielles dans la
fonction objectif.
Appliquer la mthode du Simplexe. Deux cas se prsentent :
1
er
cas : Une variable artificielle au moins reste dans la base avec une valeur positive. Le
problme na pas de solution. Malgr le poids pnalisateur trs grand attach cette
variable, il nest pas possible de la rendre nulle.
2
me
cas : toutes les variables artificielles sortent de la base ou bien il reste certaines
artificielles dans la base mais avec valeurs nulles : Une solution de base possible est
trouve : Cest la solution optimale.

Exemples applicatifs

Exemple de minimisation avec contraintes

FG
Soit le PL suivant :
Min C = - 24 x
1
+ 20 x
2

C
S
x
1
+ x
2
30
x
1
+ 2 x
2
40
avec x
1
et x
2
0

FS
Min C = - 24 x
1
+ 20 x
2
+ 0 S
1
+ 0 S
2

C
S
x
1
+ x
2
- S
1
= 30
x
1
+ 2 x
2
S
2
= 40
avec x
1
, x
2
0 et S
1
, S
2
0

FC
Min C = - 24 x
1
+ 20 x
2
+ 0 S
1
+ 0 S
2
+ M A
1
+ M A
2

C
S
x
1
+ x
2
- S
1
+ A
1
= 30
x
1
+ 2 x
2
S
2
+ A
2
= 40
avec x
1
, x
2
0 et S
1
, S
2
0
Remarque : cas de minimisation : + M A
i

cas de maximisation : - M A
i



SRB
i

A
1
= 30
A
2
= 40

Recherche oprationnelle

43
Tableau initial

C
j
24 20 0 0 M M
C
i
VB Q
i
x
1
x
2
S
1
S
2
A
1
A
2
R
i

M A
1
30 1 1 -1 0 1 0 30
M A
2
40 1
2
0 -1
0
1
20
VS
Z
j
70 M 2 M 3 M -M -M M M
Z
j
C
j
2 M 24 3 M 20 - M - M 0 0


VE




Remarque : Minimiser C =



C
j
x
j
+



M A
i
. On dit quon a pnalis C, car M est trs grand, donc
minimise C prend le signe + M. Or M est trs grand et on cherche un minimum donc cela pnalise
C.
Maximiser Z=



C
j
x
j
-



M A
i
. On pnalise Z, car M est trs grand. Donc Maximiser Z prend le
signe de M. Or nous cherchons un maximum donc cela pnalise Z.

2
me
itration : Matrice transforme
SRB : A
1
= M x
2
= 20
C
j
24 20 0 0 M
C
i
VB Q
i
x
1
x
2
S
1
S
2
A
1
R
i

M A
1
10
1
2
0 -1
1
2

1
20 VS
20 x
2
20
1
2
1 0 -
1
2
0
Z
j
10 M + 400
M
2
+10 20 -M
M
2
-10
M

Z
j
C
j

M
2
-14 0 -M
M
2
-10 0



VE



3
me
itration
SRB : S
2
= 0 x
2
= 20
C
j
24 20 0 0
C
i
VB Q x
1
x
2
S
1
S
2

0 S
2
20 1 0 -
1
2
1
20 x
2
30 1 1 -1 0
Z
j
600 20 20 20 30
Z
j
C
j
-4 0 -20 0
Z
j
C
j
0 solution optimale
x
1
= 0
x
2
= 20
Recherche oprationnelle

44
C* = 600
Exemple de minimisation avec contraintes mixtes
Min C = 6 x
1
+ 4 x
2

C
S
3 x
1
+ 2 x
2
18
2 x
1
+ 4 x
2
= 20
2 x
2
8
avec x
1
et x
2
0


Exemple de maximisation avec contraintes mixtes
Max Z = 4 x
1
+ 3 x
2

C
S
x
1
+ x
2
= 10
x
1
+ 3 x
2
20
2 x
1
x
2
15
avec x
1
et x
2
0

Recherche oprationnelle

45




R e c h e r c h e o p r a t i o n n e l l e


09



CHAPITRE
4

Mthode du Simplexe
Problme de minimisation
&
problmes irrguliers
04
2
0
0
5




Ex e mp l e d e mi n i mi s a t i o n a v e c
c o n t r a i n t e s mi x t e s
FG
Min C = 6 x
1
+ 4 x
2

C
S
3 x
1
+ 2 x
2
18
2 x
1
+ 4 x
2
= 20
2 x
2
8
avec x
1
et x
2
0

Fc
Min C = 6 x
1
+ 4 x
2
+ 0 S
1
+ 0 S
2
+ M A
1
+ M A
2

C
S
3 x
1
+ 2 x
2
S
1
+ A
1
= 18
2 x
1
+ 4 x
2
+ A
2
= 20
2 x
2
+ S
2
= 8
avec x
1
, x
2
0 S
1
, S
2
0 , A
1
, A
2
0

SRB
i

A
1
= 18 A
2
= 20 S
2
=8


Tableau initial

C
j
6 4 0 0 M M
C
i
VB Q
i
x
1
x
2
S
1
S
2
A
1
A
2
R
i

M A
1
18 3 2 -1 0 1 0 9
M A
2
20 2 4 0 0 0 1 5
0 S
2
8 0
2
0 1
0
0
4
VS
Z
j
38 M 5 M 6 M -M 0 M M
Z
j
C
j
5M-6 6M-4 -M 0 0 0


VE




Recherche oprationnelle

46

C
j
6 4 0 0 M M
C
i
VB Q
i
x
1
x
2
S
1
S
2
A
1
A
2
R
i

M A
1
10 3 0 -1 -1
1
0
10
3

M A
2
4
2
0 0 -2
0
1
2
VS
4 x
2
4 0 1 0 0 0
Z
j
14M+16 5 M 4 -M -3M+2 M M
Z
j
C
j
5M-6 0 0 -3M+2 0 0


VE





C
j
6 4 0 0 M
C
i
VB Q
i
x
1
x
2
S
1
S
2
A
1
R
i

M A
1
4 0 0 -1
2
1
2 VS
6 x
1
2 1 0 0 -1 0
4 x
2
4 0 1 0
1
2

0
8
Z
j
4M+28 6 4 -M 2M-4 M
Z
j
C
j
0 0 -M 2M-4 0


VE



C
j
6 4 0 0
C
i
VB Q
i
x
1
x
2
S
1
S
2

0 S
2
2 0 0 -
1
2
1
6 x
1
4 1 0 -
1
2
0
4 x
2
3 0 1
1
4
0
Z
j
36 6 4 -2 0
Z
j
C
j
0 0 -2 0


Z
j
C
j
0 Solution optimale

x
1
= 4
x
2
= 3
cot minimum=36


Remarque
Nous rsumons les diffrentes variables introduire dans le modle pour obtenir un PL initial de base :
A- Dans chaque contrainte de type ( ) additionner des variables dcart .
B- Dans chaque contrainte de type () soustraire une variable dcart et ajouter une variable
artificielle.
C- Dans chaque contrainte de type (=) additionner des variables artificielles.

Ex e mp l e d e ma x i mi s a t i o n a v e c
Recherche oprationnelle

47
c o n t r a i n t e s mi x t e s
FG
Max Z = 4 x
1
+ 3 x
2

C
S
x
1
+ x
2
= 10
x
1
+ 3 x
2
20
2 x
1
x
2
15
avec x
1
et x
2
0
FC
Max Z = 4 x
1
+ 3 x
2
+ 0 S
1
+ 0 S
2
M A
1
- M A
2

C
S
x
1
+ x
2
+ A
1
= 10
x
1
+ 3 x
2
+ S
1
= 20
2 x
1
x
2
S
2
+ A
2
= 15
avec x
1
, x
2
0 , S
1
, S
2
0 et A
1
, A
2
0
SRB
i

A
1
=10 S
1
=20 A
2
= 15

Tableau initial du Simplexe
A complter !
Recherche oprationnelle

48

Au t r e m t h o d e p o u r l a r g l e d u
p i v o t
1
re
tape
On divise la ligne pivot par llment pivot et lon obtient la nouvelle ligne pivot. Cest ce quon appelle
normalisation de la ligne pivot .
2
me
tape
Pour transformer une ligne autre que celle du pivot, on opre des combinaisons linaires entre la ligne
considre et la nouvelle ligne de pivot de manire remplacer la colonne de pivot par une colonne unit.
Pour cela, on retranche de la ligne considre le produit de la nouvelle ligne de pivot par al avec al tant
llment de la ligne transformer dans la colonne de pivot :
TL = L al * TLP
Avec TL = Cest la transforme dune ligne quelconque.
L = Cest la ligne transformer.
TLP = Transforme de la ligne de pivot.
Exemple :
Soit le T.I. suivant :

C
j
25 15 0 0
C
i
VB Q
i
x
1
x
2
S
1
S
2
R
i

0 S
1
240 2 2 1 0 120
0 S
2
140
3
1 0 1
140
3

VS
Z
j
0 0 0 0 0
C
j
Z
j
25 15 0 0


VE




TLP
140
3

3
3

1
3

0
3

1
3

TLP
140
3
1
1
3
0
1
3

L 240 2 2 1 0
al = lment de la ligne transformer dans la colonne pivot = 2
al * TLP 2 *
140
3
2 * 1 2 *
1
3
2 *0 2 *
1
3

al * TLP
280
3
2
2
3
0
2
3

TL = Transforme de la ligne L = L al * TLP
TL 240-
280
3
2-2 2-
2
3
1-0 0-
2
3

TL
440
3
0
4
3
1 -
2
3

Recherche oprationnelle

49
Do le tableau suivant :
C
j
25 15 0 0
C
i
VB Q
i
x
1
x
2
S
1
S
2
R
i

0 S
1
440/3 0 4/3 1 -2/3
25 x
1
140/3 1 1/3 0 1/3
Z
j

C
j
Z
j



I V Le s p r o b l me s i r r g u l i e r s
a / Les problmes impossibles
On reconnat que le problme est impossible si une ou plusieurs variables artificielles sont prsentes
dans la base dans le tableau du Simplexe optimal, ce qui signifie que la solution donne par ce tableau nest pas
rellement ralisable.
Exemple
FG
Max 4 x
1
+ 3 x
2

C
S
x
1
+ x
2
2
3 x
1
+ x
2
10
avec x
1
et x
2
0
FC
Max 4 x
1
+ 3 x
2
+ 0S
1
+ 0 S
2
M A
1

C
S
x
1
+ x
2
+ S
1
= 2
3 x
1
+ x
2
S
2
+ A
1
= 10
avec x
1
, x
2
0 , S
1
, S
2
0 et A
1
, A
2
0
SRB
i

S
1
= 2 A
1
= 10
Tableau initial

C
j
4 3 0 0 -M
C
i
VB Q
i
x
1
x
2
S
1
S
2
A
1
R
i

0 S
1
2
1
1 1 0
0
2 VS
-M A
1
10 3 1 0 -1
1 10
3

Z
j
-10M -3M -M 0 M -M
C
j
Z
j
3M+4 3+M 0 -M 0


VE



Recherche oprationnelle

50

C
j
4 3 0 0 -M
C
i
VB Q
i
x
1
x
2
S
1
S
2
A
1

4 x
1
2 1 1 1 0 0
-M A
1
5 0 -2 -3 -1 1
Z
j
8-5M 4 4+2M 4+3M M -M
C
j
Z
j
0 -1-2M -4-3M -M 0
C
j
Z
j
0 , mais il existe encore une variable artificielle dans la base Il sagit donc dun
problme impossible.

b/ Problmes solutions multiples
On identifie ce problme lorsque, dans la solution optimale, un des effets nets (relatif une variable hors
base : S
1
, S
2
, ) est nul.
C
j

C
i
VB Q
i
X
1
x
2
S
1
S
2

x
1

x
2

Z
j

C
j
Z
j
0 0
0
-3
S
1
: Variable hors base dont leffet est nul.

c / Problmes avec solutions infinies
On reconnat ce problme lorsque la variable rentrante nadmet aucune limite sur sa valeur dentre
cest--dire que tous les ratios sont ngatifs ou nuls.

Exemple
FG
Max x
1
+ 2 x
2

C
S
x
1
+ x
2
2
x
2
3
avec x
1
et x
2
0
FC
Max x
1
+ 2 x
2
+ 0 S
1
+ 0 S
2
M A
1

C
S
x
1
+ x
2
S
1
+ A
1
= 2
x
2
+ S
2
= 3
avec x
1
, x
2
0 , S
1
, S
2
0 et A
1
0
Aprs quelques itrations, on trouve le tableau suivant :
C
j
1 2 0 0
C
i
VB Q
i
x
1
x
2
S
1
S
2
R
i

2 x
2
3 0 1 0 1
0 S
1
1 -1 0 1 1 -1
Z
j
6 0 2 0 2
C
j
Z
j
1 0 0 -2


VE



Ce tableau montre que la variable x
2
nadmet aucune limite sur sa valeur de sortie : Donc la solution est
infinie.
Ratios
ngatifs ou
nuls
Recherche oprationnelle

51
d / Le problme solution dgnre
Un PL est dit dgnr si une ou plusieurs variables dans la base optimale sont nulles.
Exemple
FG
Max Z = 2 x
1
+
3
2
x
3

C
S
x
1
x
2
2
2 x
1
+ x
3
4
x
1
+ x
2
+ x
3
3
avec x
1
, x
2
et x
3
0
FS
Max Z = 2 x
1
+
3
2
x
3
+ 0 S
1
+ 0 S
2
+ 0 S
3

C
S
x
1
x
2
+ S
1
= 2
2 x
1
+ x
3
+ S
2
= 4
x
1
+ x
2
+ x
3
+ S
3
= 3
avec x
1
, x
2
et x
3
0 et S
1
, S
2
et S
3
0
Tableau initial
C
j
2 0
3
2
0 0 0
C
i
VB Q
i
x
1
x
2
x
3
S
1
S
2
S
3
R
i

0 S
1
2 1 -1 0 1 0 0 2
0 S
2
4 2 0 1 0 1 0 2 VS
0 S
3
3 1 1 1 0 0 1 3
Z
j
0 0 0 0 0 0 0
C
j
Z
j
2 0
3
2
0 0 0


VE




La variable rentrante est x
1
, mais les 2 premires contraintes donnent la mme valeur minimale ( mme
ratio ) de ratio.
Ceci indique que lorsque x
1
passe 2, les variables dcart S
1
et S
2
vont sannuler bien que lune des 2
demeure encore dans la base.
Dans ce cas, il faut choisir arbitrairement de faire sortir de la base lune ou lautre des deux variables
dcart S
1
ou S
2
.
Do le tableau suivant : ( on choisit de faire sortir S
1
)
C
j
2 0
3
2
0 0 0
C
i
VB Q
i
x
1
x
2
x
3
S
1
S
2
S
3
R
i

2 x
1
2 1 -1 0 1 0 0 -2
0 S
2
0 0
2
1 -2 1 0 0 VS
0 S
3
1 0 2 1 -1 0 1
Z
j
4 2 -2 0 2 0 0
C
j
Z
j
0 2
3
2
-2 0 0
Recherche oprationnelle

52


VE




S
2
est une variable de base qui est nulle et la valeur de la fonction objectif est gale 4. Cette solution
de base est donc dite dgnre :
SRB

x
1
=2
S
2
=0
S
3
=1
= 4
Continuons les itrations relatives la mthode du simplexe :
C
j
2 0
3
2
0 0 0
C
i
VB Q
i
x
1
x
2
x
3
S
1
S
2
S
3
R
i

2 x
1
2 1 0 0 0 4
0 x
2

0
0 1

-1 0 0 VS
0 S
3
1 0 0 0 1 -1 1
Z
j
4 2 0 0 0 1 0
C
j
Z
j
0 0
3
2
0 -1 0


VE




Ce tableau nest pas optimal . x
2
est une variable de base qui est nulle et la valeur de la fonction objectif
est toujours gale 4. Cette solution de base est donc dite dgnre.
SRB

x
1
=2
x
2
=0
S
3
=1
= 4
On remarque que ce passage dune solution une autre solution ne saccompagne pas dune
augmentation de la valeur de la fonction objectif.
On peut facilement vrifier que nous sommes en train de cycler sans atteindre la solution optimale. Ce
genre de cyclage dans la mthode du simplexe est dangereux et on doit lidentifier avant de commencer
rsoudre le problme sinon on passera un temps norme sans atteindre la solution optimale.


N.B. I l faut noter que ce nest pas tout problme de dgnrescence qui peut conduire un cyclage.