Vous êtes sur la page 1sur 115

Facult Ordinateurs, Informatique et Microlectronique

Filire Francophone I nformatique




Vasile MORARU





Elments de cours










Chiinu
U.T.M.
2012


UNIVERSITE
TECHNIQUE
DE MOLDOVA



AGENCE
UNIVERSITAIRE
DE LA
FRANCOPHONIE
Digitally signed by
Library TUM
Reason: I attest to the
accuracy and integrity
of this document

2
n lucrare este tratat metoda simplex n vederea utilizrii
acesteia n determinarea soluiilor optime a problemelor de
programare liniar, de programare n numere ntregi, de
programare liniar-fracionar. Se prezint problema de transport i
se abordeaz dualitatea n programarea liniar.
Lucrarea reprezint o iniiere n cursul de Cercetri
operaionale, coninnd exemple i exerciii care s faciliteze
studiul individual i este destinat studenilor din anul doi de la
Facultatea Calculatoare, Informatic i Microelectronic,
Filiera francofon Informatica.




Autor: conf. univ., dr. Vasile Moraru
Responsabil pentru ediie: conf. univ. Liviu Carcea

Recenzeni: conf.univ., dr. Mihail Perebinos
lector superior Daniela Istrati





U.T.M., 2012

3
Avant- Propos
Dans lindustrie, le commerce, ladministration,
lconomie, la chimie, lnergie, le transport, les rseaux, dans
presque tous les domaines de lactivit humaine apparaissent des
problmes qui conduisent au choix une situation donne et ce
choix doit tre fait dune telle manire quil soit assure la
ralisation dun but bien dtermin. Les problmes de ce type sont
nomms problmes de dcision. Un rle important dans les
problmes de dcision le joue les problmes doptimisation qui
consistent dans le calcul du maximum ou du minimum dune
fonction donne de plusieurs variables lies entre elles par dune
dentre toutes les possibilits daction dans des diffrentes
relations. Un cas particulier des problmes doptimisation est la
programmation linaire qui inclue un systme dquations et (ou)
inquations linaires, nommes restrictions du problme, aussi
quune fonction linaire qui reprsente le but dsir, le but dsir
par la valeur maximale ou minimale de celle-ci.
Le problme de programmation linaire a t formul pour
la premire fois en 1939 par Kantorovitch L.V. En 1947 Dantzig
George a labor la mthode simplex de rsolution des problmes
de programmation linaire. La mthode simplex consiste dans le
parcours des sommets du polydre des solutions admissibles, en

4
sapprochant de la solution optimale, jusquau moment de sa
atteinte dans un des sommets du polydre.
Dans louvrage on tudie la mthode simplex pour son
utilisation pour la dtermination des solutions optimales des
problmes de programmation linaire, de programmation des
nombres entiers, de programmation linaire fractionnaire. On
prsente le problme de transport et on aborde la dualit dans la
programmation linaire. On discute la sensibilit de la solution et
on indique les possibilits dutilisation du produit informatique
QM pour la rsolution des problmes laide de lordinateur.
Les mthodes doptimisation linaire sont inclues dans les
programmes denseignement universitaire comme objet spar ou
les compartiments des cours de Recherche Oprationnelle ou de
Programmation Mathmatique. Les cours respectives sont lues
aux tudiants des institutions denseignement suprieur avec un
profil technique et conomique. Cest eux que cet ouvrage est
adress aussi comme aux autres hommes qui veulent sinitier dans
loptimisation linaire.

5

Liste des notations

R lensemble de nombres rels.
n
R lespace linaire ndimensionnel.
k
x suite des vecteurs:
k
x .
x
*
la solution du problme:
n
R x
*
.
||x|| la norme du vecteur
n
R x . Un indice peut prciser
la nature de cette norme.
T
A

la transpose de la matrice A.
1
A linverse de la matrice A.
I la matrice unit.
y x, le produit scalaire des vecteurs
n
R y x,
P x lensemble des lments x avec la proprit P.
x f le gradient de la fonction f(x).
x f
2
la matrice Hesse de la fonction f(x).
x . 0 si 0 x
x
x


6
1. NOTIONS CONCERNANT LES
ENSEMBLES ET LES FONCTIONS
CONVEXES

1.1. Ensembles convexes

Un ensemble M, M R
n
, est appel ensemble convexe si
pour tous deux points M x x
2 1
, , appartenant cet ensemble, le
segment de droite qui les unit appartient de mme cet ensemble.
Autrement dit, pour tout M x x
2 1
, a lieu
M x x z
2 1
1
pour tout rel, 1 0 (fig.1.1).

En particulier, lensemble vide, lensemble form dun seul
lment et tout lespace n dimensionnel R
n
, sont des ensembles
convexes. Dans la fig. 1.2 sont donns des exemples densembles
2
R qui ne sont pas convexes.
On constate facilement que lintersection dune famille
densembles convexes est un ensemble convexe.
Soit R b a R x a
n
, 0 , , . Lensemble
x
1

5

x( )
M
M
M
Fig. 1.1. Ensemble convexe Fig. 1.2. Exemples densembles
qui ne sont pas convexes


7
n
i
i i
T
b x a x b x a x
1

forme un hyperplan de R
n
.
Les demi-espaces dtermins par lhyperplan sont
, b x a x S
T

. b x a x S
T

Evidemment, S S . Les ensembles S , et S sont
convexes.
Soit A une matrice de dimensions n m ,
n
R x et
m
R b .
Lensemble
n
j
i j ij
m i b x a x b Ax x T
1
, 2 , 1 ,
est appel tronon. Le tronon reprsente lintersection dun
nombre fini de demi espaces
, , , 2 , 1
1
m i b x a x S
n
j
i j ij i

et, donc, est un ensemble convexe.
Un tronon born est appel polydre convexe ou polytope.
Un polydre planaire est un polygone.
La combinaison linaire des lments m i R x
n i
, , 2 , 1 ,
de forme
m
m
x x x
2
2
1
1
o , 0
i

m i , , 2 , 1 et 1
2 1 m
sappelle combinaison
convexe des lments
m
x x x , , ,
2 1
.
Thorme1.1. Un ensemble convexe contient toute
combinaison convexe construite de ses lments.
Dmonstration (par induction). Soit M un ensemble
convexe,
n
R M . Il en rsulte que toute combinaison convexe,
construite de deux lments de M appartient M. Supposons que
M contient toute combinaison de maximum 3 , 1 m m , lments
de M. Considrons la combinaison convexe

8
m
m
x x x z
2
2
1
1
, m i M x
i
, , 2 , 1 , telle que
1
2 1 m
. Evidemment, au moins pur un des indices
1 :
i
i . On peut considrer que 1
1
. Alors
m
m
x x x y
3
3
2
2
, o m i
i
i
, 3 , 2 ,
1
1
, est une
combinaison convexe des lments
m
x x x ,...,
3 2
, car
i
0 et
1
3 2 m
. Conformment lhypothse inductive que
M y . Comme y x z
1
1
1
1 et M est un ensemble
convexe, il rsulte que z M, fait qui dmontre le thorme.
Soit
n
R M un ensemble non vide et convexe. On dit que
x M est un point dextremum de lensemble M sil nexiste aucun
z y M z y , 1 , 0 , , tels que:
z y x 1 .
Autrement dit, le point dextremum x ne peut pas appartenir
lintervalle (y,z) pour tous M z y, .
Nous montrons ici deux exemples de points dextremum
des ensembles convexes en
2
R . On note par E lensemble des
points dextremum de lensemble M.
1. 1 , 1
2
2
2
1
2
2
2
1
x x x E x x x M .
2. , 0 0 , 5 , 4 2
2 1 2 1 2 1
, x x x x x x x M
T T T T
E 2 , 3 , 0 , 2 , 5 , 0 , 0 , 0 .
Dans la fig.1.3 sont prsents ces deux ensembles pour
lesquels est videnti lensemble des points dextremum E.
Un hyperplan ou un demi-espace na pas de points
dextremum.
Un ensemble ferm et born en
n
R sappelle compacte.
Tout ensemble convexe compact en
n
R possde des points
dextremum. Si M est un ensemble convexe compacte en
n
R et
un nombre fini de points dextremum, alors tout lment de

9
lensemble M peut tre exprim comme une combinaison convexe
de ses points dextremum.



Soit le tronon
b Ax x T ,
o
n
R x , A est une matrice de dimension
m
R b n m n m , , .
Notons par A une sous matrice dordre n n de A. Supposons
que 0 det A . En ce cas, le systme dquations b x A , o b
contient des lments de b, aprs une ventuelle rmunration,
admet une solution unique x . Si T x alors x sappelle sommet
du tronon T.
On vrifie immdiatement que le tronon T a au plus
! ! / ! n m n m C
n
m
sommets, qui sont ses points dextremum.
Exemple: Soit le tronon T dfini par:
x
2
x
1
1
2
0
2

x
2
x
1
5
0

2
3

0
0

Fig. 1.3 Puncte extreme

10
. 0
0
5
, 4 2
2
1
2 1
2 1

-x
, -x
, x x
x x

o 2 , 4 n m . On aura les sommets (voir fig.1.3)

0
2
x ,
2
3
x ,
5
0
x ,
0
0
4 3 2 1
x
. 0 x
, 4 2x

, 5 x
, 4 2x

0,
, 5 x

, 0
, 0
2
2 1
2 1
2 1
1
2 1
2
1
x
x
x
x
x
x
x


1.2. Fonctions convexes
Soit M un ensemble convexe dans
n
R . La fonction f(x)
dfinie sur lensemble M sappelle fonction convexe si :
y f x f y x f 1 1 (1.1)
pour tout x,y M et tout 1 , 0 . Si lingalit (1) est stricte pour
tout x,y M, x y et tout 1 , 0 , alors on dit que la fonction f(x)
est une fonction strictement convexe.
La fonction f(x) est appele concave (strictement concave)
si la fonction -f(x) est convexe (strictement convexe).
Sil existe R, 0, tel que pour tout x,y M et tout
1 , 0 , a lieu lingalit
2
2
1 1 1 y x y f x f y x f , (1.2)
on dit que la fonction f(x) est fortement convexe, c..d. la fonction
2
2
2
x x f est convexe.
On constate que toute fonction fortement convexe est une
fonction strictement convexe.

11
Exemple 1. La fonction , ,
2
2
R x x x x x f
n
, est
une fonction trs convexe. Pour cette fonction lingalit (1.2) se
transforme en galit avec la constante 1:
2
2
2
2
2
2
2
2
1 1 1 y x y x y x
pour tout x,y
n
R et tout 1 , 0 .
Exemple 2. Toute fonction linaire
n
R c x x c x f , , ,
est une fonction convexe et en mme temps une fonction concave,
parce que
). ( ) 1 ( ) ( ) ) 1 ( ( y f x f y x f
Soit la fonction f(x),
n
R x , qui admet les drives
partielles
i
x
x f ) (
, . , 1,2, , ,
2
n j i
x x
x f
j i

Le vecteur, les lments duquel sont les drives partielles
sappelle gradient de la fonction x f . On le note par grad f(x) ou
x f ,ou x f :
T
n
x
x f
x
x f
x
x f
x f , , ,
2 1


La matrice de dimensions n n
2
2
2
2
1
2
1 2
2
2
2
2
1 2
2
1
2
2 1
2
2
1
2
2

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


n n n
n
x
x f
x x
x f
x x
x f
x x
x f
x
x f
x x
x f
x x
x f
x x
x f
x
x f
x f




12
sappelle la matrice Hesse de la fonction x f ou la matrice
hessienne. Elle est note aussi par H(x) ou f (x).
Dans le cours danalyse mathmatique on dmontre que si
la fonction f(x) a les drives partielles du premier ordre continues
sur
n
R , alors
y y x f x f y x f , . (1.3)
Si f(x) admet des drives partielles du deuxime ordre
continues sur
n
R , alors
2
2
,
2
1
, y y y x f y x f x f y x f . (1.4)
Thorme 1.2. Soit f(x) une fonction qui admet des
drives partielles du premier ordre continues sur
n
R . La fonction
f(x) est convexe si
n
R y x y x f x f y x f , , , .
La fonction f(x) est strictement convexe si et seulement si
0 , , , , y R y x y x f x f y x f
n
.
La fonction f(x) est trs convexe si et seulement si
n
R y x y y x f x f y x f , ,
2
,
2
2
.
Autrement dit, le graphe de la fonction convexe
(strictement convexe) est situ plus haut (strictement au-dessus) de
lhyperplan tangent. Pour les fonctions trs connexes le graphe est
situ plus haut dun certain parabolode (fig. 1.5)
2
2

0 si 0,
0 si ,
x x f e x f
x
x x
x f
n

a) b) c)
Fig.1.5. Types de convexit: a) fonction convexe;
b) fonction strictement convexe; c) fonction
fortement convexe.

Thorme 1.3. Si la fonction f(x), x R
n
, admet des drives
partielles du deuxime ordre continues sur
n
R , la fonction f(x) est

13
convexe si et seulement si la matrice Hesse x f
2
) est positive
semidfinie pour tout
n
R x , c..d.
n
R y x y y x f , , 0 ,
2
.
Une condition ncessaire et suffisante pour que la fonction f(x) soit
fortement convexe est: existent 0 , m R m
n
, tels que

n
R y x y m y y x f , , ,
2
2
. (1.5)
Exemple 3. Soit
2
R x et la fonction:
3 8 5
2 1 2 1
2
1
x x x x x x f .
On a:
0 1 -
1 - 2
,
8 -
5 2
2
1
2 1
x f
x
x x
x f .
La matrice Hesse la matrice Hesse
2
f(x) est positive semidfinie
et, donc, on peut affirmer que la fonction considre est convexe.
Observons que la fonction de lexemple prcdent peut tre
crite de la manire suivante :
3 8 - , 5
2 1 -
1 - 2
,
2
1
2
1
2
1
2 1
x
x
x
x
x x x f
ou
c x b x Ax c x b Ax x x f
T T
, ,
2
1
2
1
,
o x f A
2
,
T
b 8 , 5 et 3 c . De mme, on remarque que
la somme des vecteurs Ax et b reprsente le gradient x f .
Soit A une matrice de dimensions
n
R b n n , et c R. La
fonction x Ax x ,
2
1
est appele forme quadratique sur R
n
. La
fonction
c x b x Ax x f , ,
2
1
(1.6)
sappelle fonction quadratique. On vrifie immdiatement que

14
n
R x,y y Ay y b Ax x f y x f , ,
2
1
, . (1.7)
Vue que
2
2 2
, y A y Ay , on a
2
,
2
1
y y Ay . Par
consquent, on peut crire
y y b Ax x f y x f ,
et, conformment (1.3), le gradient de la fonction quadratique
est:
b Ax x f .
Maintenant de (1.4) et (1.7) rsulte que la matrice Hesse
2
f(x) dune fonction quadratique (1.6) est constante et identique
la matrice A.
Les fonctions quadratiques jouent un rle important dans
les problmes doptimisation. Cela est expliqu par le fait
quautour des points de minimum les fonctions ont un
comportement quadratique. De plus, le dveloppement dune
fonction jusqu lapproximation du deuxime ordre donne une
fonction quadratique.
En ce qui suit nous montrerons que si la matrice A est
positivement dfinie, alors la fonction quadratique (1.6) est trs
convexe. Soit 0 , x Ax pour 0 , x R x
n
.
Notons par
1 , z R z z S
n
.
Lensemble S est ferm et born. Vue que la orme quadratique
z Az z g ,
2
1
est continue, existe z* S tel que g(z*) g(z) pour
tout z S. Ayant lhypothse que la matrice A est positivement
dfinie, on a :
0 * *,
2
1
* z Az z g .
Evidemment, pour tout
n
, 0 R x x , il rsulte que S
x
x
z et

15
2 2
2
,
2
1 x
,
2
,
2
1
x z Az x
x x
x
A
x
x Ax ,
ce qui montre que la matrice Hesse A x f
2
satisfait lingalit
(1.5) avec m=2 0.
Il faut souligner que si la matrice Hesse est positivement
dfinie :
0 , , 0 ,
2
y R x,y y y x f
n
, (1.8)
on peut seulement affirmer que la fonction f(x) est strictement
convexe (mais non trs convexe). Autrement dit, les relations (1.5)
et (1.8) ne sont pas quivalentes dans le cas des fonctions non
quadratiques. De plus, la condition (1.8) est seulement une
condition suffisante pour une fonction quelconque (non
quadratique) quelle soit strictement convexe.
Exemple 4. Considrons dans lespace bidimensionnel
2
R la fonction strictement convexe (vrifiez cette affirmation !)
dfinie par :
4
2
4
1
x x x f .
On a :
2
2
2
1 2
12x 0
0 12x
x f
La matrice Hesse x f
2
ne satisfait pas la condition (1.8) dans
le cas o
T
x 0 , 0 .

16

2. LA PROGRAMMATION LINEAIRE
2.1. Problme gnral de programmation linaire

Un problme gnral de programmation linaire consiste
dterminer les rels
n
x x x , , ,
2 1
qui maximisent (ou minimisent)
une fonction linaire
n n
x c x c x c f
2 2 1 1

et qui vrifie les ingalits et les galits linaires :
,
K , k x
b x a ... x a x a
... .......... .......... .......... .......... ..........
b x a ... x a x a
b x a ... x a x a
b x a ... x a x a
b x a ... x a x a
k
s n sn s s
r n ,n r , r , r
r n rn r r
n n
n n
0
,
,
,
2 2 1 1
1 1 2 2 2 1 1 1
2 2 1 1
2 2 2 22 1 21
1 1 2 12 1 11

o n j s i b a c
i ij j
, , 2 , 1 , , , 2 , 1 , , , sont des rels donns ; K est
un ensemble dindices de lensemble n , , 2 , 1
En utilisant les notations matricielles:
,
x
x
x
, x
b
b
b
, b
... a a a
..... .......... ..........
... a a a
... a a a
A
n r rn r r
n
n

2
1
2
1
2 1
2 22 21
1 12 11



17
,
c
c
c
, c
b
b
b
b ,
a ... a a
..... .......... .......... ..........
... a a a
... a a a
A
n s
r
r
s,n s, s
,n r , r , r
,n r , r , r

2
1
2
1
2 1
2 2 2 1 2
1 2 1 1 1


le problme gnral de programmation linaire peut tre crit de la
forme :
K. , k x
, b x A
b, Ax
) ( (c,x) f(x)
k
0
min max

Faisons la notation:
. K , k , x b x A b, Ax R x T
k
n
0
Lensemble T est appel domaine des solutions admissibles du
problme. Le domaine des solutions admissibles est un ensemble
convexe (voir 1.1). Les conditions 0 , x b x A b, Ax
k

sont appeles restrictions ou contraintes du problme de
programmation linaire. Les coefficients
ij
a et les termes libres b
i

sont des valeurs constantes donnes.
La fonction f(x) qui est maximise (ou minimise) est
appele fonction objectif, ou fonction critre, ou fonction but, ou
fonction defficacit.
Une solution admissible T x* pour laquelle
T, x f(x), f(x*) dans le cas du problme de maximum,
ou T, x f(x), f(x*) dans le cas du problme de
minimum, sappelle solution optimale du problme de
programmation linaire.



18
2.2. Exemples de problmes de programmation linaire
2.2.1. Problme du menu optimal
Supposons quon dispose de n produits alimentaires (pain,
fromage, sucre, etc.) qui contiennent m substances nutritives
(vitamines, protines, etc.). Le problme du menu consiste
dterminer les quantits de chaque produit qui doivent tre
utilises, de la faon que certaines demandes en substances
nutritives soient satisfaites et que le ncessaire biologique soit
assur un cot minimal.
Soit une unit du produit alimentaire i contienne a
ij
units
de substance nutritive j. Supposons que le ncessaire de
lorganisme en substances nutritives j est b
j
et le cot dune unit
du produit alimentaire i est c
i
. Pour formuler mathmatiquement le
problme, notons par x
i
le nombre dunits de produits
alimentaires i qui seront utilises. Le problme du menu sera crit
sous la forme:
min
2 2 1 1
x c ... x c x c f(x)
n n

avec les contraintes
,
. x , ...., , x x
b x a ... x a x a
.... .......... .......... .......... ..........
b x a ... x a x a
b x a ... x a x a
n
m n mn m m
n n
n n
0 0 0
2 1
2 2 1 1
2 2 2 22 1 21
1 1 2 12 1 11

La fonction linaire
n
i
i i
x c x f
1
) ( reprsente le cot total
du menu, le minimum duquel est cherch. Les contraintes du
problme expriment les conditions dassurance des ncessits de
lorganisme en substances nutritives. Evidemment, les variables x
i
,
i = 1,2, , n, ont une certaine signification pour le problme du
menu seulement si elles sont non ngatives.

19
On peut analyser et dautres critres, comme, par exemple,
la maximisation de la quantit totale de calories ou la minimisation
du volume des produits alimentaires.
Le problme du menu est un cas particulier dun problme
du mlange. Tout problme dans lequel on dsire que des quantits
x
i
, i = 1,2, , n des produits avec certaines proprits soit faite une
combinaison qui contienne certains lments j, j=1,2, en quantits
b
j
, si on connat les quantits a
ij
des lments j contenus dans une
unit de x
i
, avec une dpense minimale, sappelle problme du
mlange (voir [3]).

2.2.2. Problme de lutilisation optimale des ressources
disponibles
Dans une entreprise on fait n types de produits nots P
1
, P
2
,
, P
n
qui ncessitent m types de ressources de matire premire
R
1
, R
2
, , R
m
, ayant la disposition b
i
units de m i R
i
, , 2 , 1 , .
Pour une unit de produit P
i
sont utilises a
ij
units de R
j
de
matire premire. On connat encore que chaque unit de produit
P
i
apporte un bnfice gal c
i
lei. On demande de dterminer
combien dunits de chaque produit sont ncessaires pour obtenir
un bnfice maximal. Autrement dit, dterminer un plan de
production optimal, c..d. un vecteur
n
R x tel que
max
2 2 1 1
x c ... x c x c f(x)
n n

dans les contraintes suivantes:
,
0 0 0
2 1
2 2 1 1
2 2 2 22 1 21
1 1 2 12 1 11
. x , ...., , x x
b x a ... x a x a
..... .......... .......... .......... ..........
b x a ... x a x a
b x a ... x a x a
n
m n mn m m
n n
n n

Ici
n
x x x , ,
2 1
reprsente respectivement la quantit dunits de
P
1
, P
2
, , P
n
fabriques par lentreprise.


20
2.2.3. Problme du transport
Considrons un certain produit qui est estoqu en m centres
de dpt
m
A A A , , ,
2 1
en quantits
m
a a a , , ,
2 1
. Ce produit doit
tre transport n centres de distribution
n
B B B , , ,
2 1
en quantits
n
b b b , , ,
2 1
. On connat le cot du transport dune unit de produit
du centre A
i
au centre B
i
. On suppose que
n
n j
i
m
i
i
b a
1
,
c..d. la rserve totale des dpts est gale la demande totale des
centres de distribution. On demande de concevoir un plan optimal
de transport (de dterminer les quantits x
ij
de produit transportes
de A
i
B
j
) tel que le cot total du transport soit minimum
(minimal).
Le cot du transport du centre A
i
au centre B
i
est c
ij
x
ij
units
financires. Le cot total des transports sera:
m
i
n
j
ij ij mn mn m m m m
n n n n
x c x c x c x c
x c x c x c x c x c x c f
1 1
2 2 1 1
2 2 22 22 21 21 1 1 12 12 11 11
. ...
... ... ...

Les r contraints de ce problme scrivent comme il suit:
a) La quantit transporte du dpt A
i
vers les n centres de
distribution doit tre gale avec le disponible de A
i
, c..d.
; ,..., 2 , 1 , ...
2 1
m i a x x x
i in i i

b) la quantit transporte dans le centre de distribution B
i
de
tous les centres de dpt est gale avec la quantit de
produit b
j
ncessaire:
; ,..., 2 , 1 , ...
2 1
n j b x x x
j mj j j

c) les quantits x
ij
doivent tre des grandeurs non ngatives.
La formulation mathmatique du problme de transport peut
tre reprsente de la manire:
Dterminer la valeur minimum (minimale ou du minimum) de
la fonction:

21
m
i
n
j
ij ij
x c f
1 1
.
dans les contraintes:
. ,..., 2 , 1 , ,..., 2 , 1 , 0
, ,..., 2 , 1 ,
, ,..., 2 , 1 ,
1
1
n j m i x
n j b x
m i a x
ij
n
j
j ij
n
j
i ij

Dans le modle ci-dessus du problme de transport on a suppos
que la condition
n
n j
i
m
i
i
b a
1
est satisfaite. Cette condition
sappelle condition dquilibre. Dans le cas o la condition
dquilibre nest pas ralise, le problme sappelle problme non
quilibr, qui, en introduisant un centre fictif, peut tre rduit un
problme de transport quilibr.

2.3. Forme dun problme de programmation linaire
On dit que le problme de programmation linaire a la
forme standard sil est de la forme:
max ) , ( ) ( x c x f ,
avec les contraintes:
. 0
,
x
b Ax

o:
m n n n
R b R x R c R x , , , , A matrice de dimensions
n m A rang n m , . Donc, dans le problme de
programmation linaire en forme standard le systme des
contraintes est un systme dgalits et toutes les inconnues sont
imposes les conditions de non ngativit.

22
Tout problme de programmation linaire peut tre rduit
la forme standard. Il est vident que:
x f x f
T x T x
max min .
En consquence, le problme de minimum se rduit au problme
de maximum.
Si 0 , x b Ax , on peut crire :
, 0 , 0
,
y x
b y Ax

o
T
m
y y y y , , ,
2 1
.
Si 0 , x b Ax , alors
. 0 , 0
,
y x
b y Ax

Les variables
m
y y y , , ,
2 1
sappellent variables de compensation
ou variables cart. Il faut mentionner que les variables de
compensation napparaissent pas dans la fonction objective.
Si au moins pour une des variables x
i
il nest pas pose la
condition de non-ngaivit, alors on peut la remplacer dans le
problme considr par
i i i
v u x , o u
i
et

v
i
sont deux variables
nouvelles, telles que 0 , 0
i i
v u .
Exemple. Soit le problme de programmation linaire
min 2 ) (
3 2 1
x x x x f
avec les contraintes:
. 0 , 0
, 1 3
, 8 2
2 1
3 2 1
3 2 1
x x
x x x
x x x

Transformons ce problme la forme standard.
1. La minimisation de la fonction f est quivalente sa
maximisation
3 2 1
2 ) ( ) ( x x x x f x g .
2. Substituons
5 4 3
x x x , o 0 , 0
5 4
x x .

23
3. Introduisons les variables de compensation 0
6
x et
0
7
x pour transformer les contraintes - inquations en
contraintes - quations:
. 0 , 0
, 1 3
, 8 2
7 6
7 3 2 1
6 3 2 1
x x
x x x x
x x x x

Donc, le problme considr se rduit au problme suivant
de programmation linaire la forme standard:
max 2 ) (
5 4 2 1
x x x x x g
avec les contraintes:
. , , , , , , i x
, x x x x x
, x x x x x
i
7 6 5 4 2 1 0
1 3
8 2
7 5 4 2 1
6 5 4 2 1

Une autre forme de prsentation des problmes de
programmation linaire est la forme canonique. Si toutes les
contraintes sont des ingalits de mme sens et toutes les
inconnues sont non-ngatives, alors on dit que le problme de
programmation linaire a la forme canonique:
) (ou x c x f min max ) , ( ) (
avec les contraintes:
. 0
, 0
ou
, 0
,
x
Ax
x
b Ax

Il faut souligner que si le sens de lingalit est , la
fonction objectif se maximise et pur la fonction objectif se
minimise.
Observons que toute contrainte de la forme:
i in i i
b a a x a ...
2 1 1

est quivalente un systme de deux restrictions:
.
...
, ...
2 1 1
2 1 1
i in i i
i in i i
b a a x a
b a a x a


24
Constaterons que tout problme de programmation
linaire peut tre rduit soit la forme standard, soit la forme
canonique.

2.4. Interprtation gomtrique des problmes de
programmation linaire deux variables
Considrons le problme de programmation linaire la
forme canonique dans lespace bidimensionnel avec la fonction
objectif
2 2 1 1
x c x c f et le systme des contraintes:

Dessinons dans le systme cartsien de coordonnes
2 1
Ox x les
droites d
i
, les quations desquelles sont:
. ,..., 2 , 1 ,
2 2 1 1
m i b x a x a
i i i

Notons par T le domaine du plan pour lequel sont satisfaites les
restrictions du problme considr de programmation linaire.
Supposons que ce domaine est le polygone ABCDEF (voir fig.
2.1). Selon 1.1, T est un polygone convexe (tronon).
Pour rsoudre le problme de programmation linaire, il
faut chercher les points M(x
1
, x
2
), appartenant lensemble T, pour
lesquels la fonction objectif
2 2 1 1
x c x c f prend la valeur
maximale.
Reprsentons la droite d
0
dquation 0
2 2 1 1
x c x c . Cette
droite passe par lorigine est perpendiculaire au
vecteur
T
c c n
2 1
, . Le vecteur n est orient dans le sens croissant
des valeurs de la fonction f. Soit v une valeur arbitraire de la
fonction objectif
2 2 1 1
x c x c f . Alors lquation
v x c x c
2 2 1 1

. 0 , 0
......... .......... ..........
,
,
2 1
, 2 2 1 1
2 2 22 1 21
1 2 12 1 11
x x
b x a x a
b x a x a
b x a x a
m m m

25
reprsente une famille de droites parallles la droite d
0
; quand la
grandeur v varie dans lintervalle , la droite v x c x c
2 2 1 1

se dplace, restant perpendiculaire au vecteur n.
Vu que
2 1
, x x M doit appartenir lensemble T, il rsulte
que le maximum de la fonction
2 2 1 1
x c x c f satteint dans le
sommet E du T. En fait, le vecteur n montre la direction o il faut
dplacer la droite d, pour augmenter la valeur de la fonction
objectif, parce que la fonction linaire
2 2 1 1
x c x c f est croissante
dans la direction de n. Alors la valeur maximale sobtient pour les
coordonnes du point E qui se trouvent lintersection des droites
2
d et
3
d (voir la fig. 2.1).
Sur la fig.2.1 on voit que le minimum de la fonction
objectif satteint dans le sommet B du polygone T. Si la droite
0
d
nest pas parallle avec aucune des cots du polygone des
solutions admissibles, alors il nexiste quune seule solution
optimale.
E
x
1
n

x
2
A
F
D
O
C
d
m
d
o
x
1
x
2
O

n
Fig. 2.1
Fig. 2.2

26
Dans le cas quand une des cots du polygone des solutions
admissibles est parallle la droite
0
d , alors le problme admet
une infinit de solutions optimales qui seront reprsentes par les
coordonnes de tous les points de cette cot.
Une autre situation, qui peut apparatre dans le problme de
programmation linaire, est quand la fonction objectif na pas de
maximum (ou minimum) finit (voir la fig. 2.2). Cela se passe
quand le tronon T nest pas born.
Exemple: Dterminer les valeurs de
1
x et
2
x telles que la
fonction
2 1
x x f soit maximale dans les conditions :
. 0 , 0
, 3
, 9 3
, 2
, 4 2
2 1
2
2 1
2 1
2 1
x x
x
x x
x x
x x

Pour a reprsentons graphiquement les droites :


. 0 :
, 3 :
, 9 3 :
, 2 :
, 4 2 :
2 1 0
2 4
2 1 3
2 1 2
2 1 1
x x d
x d
x x d
x x d
x x d








d
1
d
4
x
2
x
1
n
d
0
o
d
3
d
2
A

B

C

D

Fig .2.3


27
On obtient le polygone convexe ABCD. En donnant la
droite
0
d dquation 0
2 1
x x un dplacement parallle avec
elle-mme dans la direction n on obtient que les coordonnes de
point C ralisent le maximum de la fonction linaire
2 1
x x f .
On dtermine les coordonnes de ce point lintersection des
droites
3
d et
4
d :
. 3
, 9 3
2
2 1
x
x x

On a 3 , 2
*
2
*
1
x x et 5 3 2 max f .
Il rsulte que la solution optimale dun problme de
programmation linaire deux variables satteint dans un des
sommets du tronon T. Ces sommets, vu dans 1.1, ne sont que les
points extrmes de lensemble T. Ce phnomne est gnral :
nimporte quelle solution optimale dun problme de
programmation linaire avec un nombre quelconque de variables
et de restrictions correspond un point extrme du tronon des
solutions admissibles.

III. Mthode du Simplexe
De faon comme on a constat dans le chapitre II, le
problme de programmation linaire, revient la dterminaison
des extrmes (sommeils) du polydre convexe et le choix des
sommeils pour lesquels la fonction objectif prend une valeur
optimale. La mthode du simplexe a t labore en 1949 de B. G.
Dantzing et consiste en parcours des sommeils du polydre
convexe de telle faon que la fonction objectif de chaque fois
prend la meilleure valeur dans le sens optimal que dans le sommeil
antrieur. Quand lamlioration optimale de la fonction nest pas
possible, on obtient une solution optimale. La mthode du
simplexe peut tre prsente sous diverses formes (voir, par
exemple [1,2,3,5,6,9,11]). Dans tout les cas la mthode du
simplexe se dcompose en tapes suivantes :

28
- on dtermine la solution initiale de base ;
- par une procdure itrative on remplace la solution
initiale de base, jusqu ce quon arrive la situation
quand la valeur de la fonction objectif ne croit pas ou la
conclusion que le problme nadmet pas un optimum
finit.
La description de la mthode simplexe [9] est donne en
continuation. On considre le problme de programmation linaire
donne sous forme standard :
, 0
,
max ) , (
x
b Ax
x c f
(3.1)
o , ) , , , ( , ) , , , ( , ) , , , (
2 1 2 1 2 1
T
n
T
n
T
n
b b b b x x x x c c c c et A
est une matrice de dimensionne n m avec n m . Supposons que
les lignes de la matrice A sont indpendantes linaires, donc
m A rang ) ( .

3.1. Solution admissible de base
Notons avec B la sous-matrice de la matrice A constitu de
m colonnes de faon que B soit une matrice non singulire
) 0 (det B dordre m m et avec N la sous-matrice dordre
) ( m n m qui contienne les colonnes restes de A. Donc nous
avons la dcomposition :
N B A
La matrice B sappelle matrice basique, et N - matrice non basique.
De mme faon on spare les vecteurs c et x :
N
B
N
B
c
x
x
c
c
c ,
o
B
c
et
B
x sont composs de tels m composants qui dterminent
la dcomposition de la matrice A. Alors le systme b Ax
devient :

29
b Nx Bx
N B

Ce systme peut tre crit sous la forme
N B
Nx b Bx
ou
.
1 1
N B
Nx B b B x (3.2)
Les composantes du vecteur
B
x sappellent variables
basiques (ou de base) mais les composantes du vecteur
N
x tant
appeles variables non basiques.
On dit quun systme des quations de la forme (3.2) est un
systme sous la forme explicite. La solution de ce systme donne
par
0
1
N
B
x
b B x

sappelle solution de base du systme . b Ax
Si 0
1
b B alors la solution de base vrifie les conditions
de non-ngativit :
0
) 0 (
) 0 (
N
B
x
x
x
et sappelle solution de base admissible du problme de
programmation linaire (3.1).
Une solution de base admissible pour le problme (1)
sappelle non dgnre, si le nombre des ses composantes non
nulles est gal avec le nombre des quations du systme b Ax ,
cest--dire 0
1
b B .
On dmontre (vois, par exemple, [2,3]) que la solution de
base admissible nest quun point extrme de lensemble
0 , , x b Ax R x x T
n

et rciproquement.

30

3.2. Critre doptimalisation
Soit B une matrice basique et respectivement
T
N
T
B
T
c c c .
Alors la fonction objectif ) , ( x c f devient
. ) ( ) (
1 1 1 1
N
T
N
T
B
T
B N
T
N N
T
B
N
T
N B
T
B
N
B T
N
T
B
T
x c N B c b B c x c Nx B b B c
x c x c
x
x
c c x c f

Le problme de programmation linaire (1) peut tre crit sous la
forme
. 0 , 0
,
max ) , ) ( ( ) , (
1 1
1 1
B N
N N
N N B
T T
B
x x
Nx B b B x
x c c B N b B c f
(3.1)
Cette forme sappelle forme explicite du problme de
programmation linaire (3.1).
Notons b B
1
et . ) (
1
B
T
c B
Alors la forme explicite peut tre crite en mode suivant
. 0 , 0
,
max ) , ( ) , (
1
B N
N N
N N
T
B
x x
Nx B x
x c N c f

Le vecteur
N
T
c N reprsente le critre
doptimalisation, parce quil nous dit si la solution de base
admissible est une solution optimale de la programmation linaire
(1).
Soit z
j
, (c
N
)
j
et (x
N
)
j
, j=1,2, . . .,n-m, les composantes des
vecteurs
T
N z et respectivement x
N
. On constate que si
0 ) (
j N j j
c z , j=1,2, . . . ,n-m, le maximum de la fonction
objectif

31
m n N m n N N B
x x x c f ) ( ) ( ) ( ) , (
2 2 1 1

satteint pour 0
N
x . Pour nimporte quelle autre solution
admissible x au moins une composante 0 ) (
j N
x et au passage
dune solution admissible de base lautre valeur de la fonction
objectif devient plus petite.
Cest--dire, si nous avons une solution de base admissible pour
laquelle
, , , 2 , 1 , 0 m n j
j

alors elle est une solution optimale.
Noterons par , , , 2 , 1 , m n j a
j
la colonne qui lui
correspond de la matrice N. On observe que ). , (
j
T
j j
a a z Sil
existe j tel que 0
j
et le vecteur
j j
a B
1
a toutes les
composantes plus petites ou gales zro 0 ) ( (
i j
pour
) , , 2 , 1 m j alors la fonction objectif f nest pas borne
suprieur dans lensemble des solutions admissibles. Vraiment, on
vrifie immdiatement que pour tout 0 , t T t , le vecteur
N
B
x
x
x
dfini par
, , , 2 , 1 , , 0 ) ( , ) ( , m i j i x t x t x
i N j N j B


est de mme une solution admissible du problme de
programmation linaire considr. En choisissant un t
suffisamment grand, on constate que le problme a des solutions
admissibles non bornes ( 0 , x b x A pour nimporte quel
0 t et x si t ), donc nadmet un maximum finit:

j B
t c x c f ) , ( ) , ( pour t .
Il est possible aussi et le cas suivant. Parmi les
composantes du vecteur
j j
a B
1
(correspondant la
diffrence 0
j
) sont des grandeurs positives. Soit 0
s


32
et 0 ) (
i s
, o i est un nombre naturel, gal lun des nombres
1,2, . . ., m. En ce cas
s N
x ) ( il ne peut pas prendre des valeurs
arbitraires, parce que pour s i nous avons 0 ) (
i N
x et
s N s B
x x ) ( mais
s N s B
x c f ) ( ) , ( .
De la condition dadmissibilit 0
B
x rsulte
i x
i s
i
s N
,
) (
) (
En choisissant
k s
k
i s
i
a i
s N
s
x
) ( ) (
min
) (
0 ) (
(3.4)
nous obtiendrons une autre solution admissible avec
0
) (
) ( , 0 ) (
k s
k
s N s B
x x
On peut dmontrer (vois, par exemple, [2,3]) que cette solution
distingue une solution de base admissible qui correspond une
nouvelle matrice basique B . La matrice B sobtient de la matrice
prcdente B par le remplacement de sa colonne k par le
vecteur
s
a . Pour la solution admissible de base obtenue, la valeur
de la fonction objectif devient plus grande que la valeur dans la
solution prcdente.
Cette opration de passage dune solution admissible de
base lautre sappelle pivotation ou itration simplexe, et
llment 0 ) (
k s
sappelle pivot. A cette tape sexclue la
variable
s B
x ) ( de l ensemble des variables de base, en
introduisant au lieu delle la variable
s N
x ) ( . En ayant une nouvelle
matrice basique B , nous obtenons une autre forme explicite du
systme : b Ax
N B
x N B b B x
1 1
) ( ) ( .
Le choix (4) nous assure que la solution de base

33
0
) (
1
b B
x
x
x
N
B
(3.5)
est une solution de base admissible, cest--dire 0 ) (
1
b B .
Par consquent, sont possibles les cas suivants:
1. Si , , , 2 , 1 , 0 m n j
j
alors la solution de base
admissible donne par 0 ,
N B
x x est une solution
optimale du problme (3.3).
2. Sil existe un indice j tant que 0
j
et tous les lments
de la colonne de
j j
a B
1
sont plus petits ou gaux
zro, alors le problme de programmation linaire (3.3)
nadmet un maximum finit.
3. Sil existe au moins un s pour lequel 0
s
et les
vecteurs
s
ont les composantes positives, on va
dterminer une nouvelle solution admissible de base
laide de la formule (3.5).


3.3. Algorithme du simplexe
En base de celles dmontres ci-dessus, dans section 3.2,
lorganisation des calcules peut tre faite par des diffrentes
faons. Ainsi on obtient des diverses variantes de la mthode du
simplexe. Nous allons nous arrter sur lune delle [9]. Cette
variante de lalgorithme du simplexe, dcrit plus haut, sutilise
dans la majorit des programmes spciaux pour la rsolution des
problmes de programmation linaire laide des moyennes
techniques de calcul. En pratique les problmes avec un caractre
concret ont un nombre, en gnral, suffisamment grand des
variables et des restrictions et peuvent tre rsolues seulement
laide des machines de calcul.

34
Soit un problme de programmation linaire sous la forme
explicite (3.3), ainsi on connat une matrice basique B tel que le
vecteur
0
1
b B
x
est une solution de base admissible du problme de programmation
linaire donne. Alors les pas de lalgorithme du simplexe sont les
suivants:
Pas 1. On dtermine le vecteur
B
T
c B
1
) (
Le calcul de ce vecteur est quivalent la rsolution du systme
des quations linaires
B
T
C B
1
) ( .
Pas 2. On calcule le produit scalaire
) , (
j j
a z
et les diffrences
j N j j
c z ) (
pour m n j , , 2 , 1 . Ici
j
a est la colonne j de la matrice N.
Pas 3. On tudie les signes des diffrences
j
.
a) Si pour tous j, nous avons 0
j
, alors la solution de
base disponible est une solution optimale. ARRET.
b) Sil existe au moins un j pour lequel 0
j
, alors on
calcule
j s
j
min
0
et on passe au pas suivant.
Pas 4. On dtermine le vecteur
s s
a B
1
,
donc, on rsout le systme des quations linaires
s s
a B .
Pas 5. On tudie les composantes du vecteur
s
.

35
a) Si , , , 2 , 1 , 0 ) ( m i
i s
alors le problme donn a la
fonction objectif non borne suprieure sur lensemble des ses
solutions admissibles. ARRET.
b) En cas contraire on dtermine
i s
i
i
k s
k
i s
) (
min
) ( 0 ) (

et on passe au pas 6 dalgorithme.
Pas 6. On forme une nouvelle matrice basique B tel quau
lieu de la colonne k de la matrice B on crit la colonne
s
a de la
matrice N et on calcule la solution de base admissible qui
correspond la nouvelle matrice basique B , o
k s
k
s N
x
) (
) ( et 0 ) (
s B
x .
On revient au premier pas de lalgorithme. Lalgorithme se rpte
jusquau moment quand sobtient une solution optimale (Pas 3) ou
stablit que la fonction objectif nest pas borne suprieur sur
lensemble des solutions admissibles (pas 5, a).
Exemple. Utilisons lalgorithme du simplexe pour la
rsolution du problme de programmation linaire
min
1 2
x x g
dans des contraintes suivantes:
. 0 , 0
5
2 2
2 2
2 1
2 1
2 1
2 1
x x
x x
x x
x x

Au pralable transformons ce problme la forme standard, ainsi:
min
2 1
x x f

36
. 5 , 4 , 3 , 2 , 1 , 0
, 5
, 2 2
, 2 2
5 2 1
4 2 1
3 2 1
i x
x x x
x x x
x x x
i

La matrice du systme des quations est
1 0 0 1 1
0 1 0 2 1
0 0 1 1 2
A
et a le 3 ) (A rang .
Choisissons
1 1
2 1
1 2
,
1 0 0
0 1 0
0 0 1
N B ,
parce que 0 1 ) det(B et donc B est une matrice basique.
Soulignons le fait que 0
1
b b B . En tenant compte de a, on
obtient
.
5
2
2
,
0
0
0
3
2
1
x
x
x
x c
B B

,
0
0
,
1
1
2
1
x
x
x c
N N

1
2
1
,
1
1
2
2 1
.
Pas 1.
0
0
0
0
0
0
1 0 0
0 1 0
0 0 1
) (
1
B
T
c B .

37
Pas 2. . 1 ) ( , 1 ) ( , 0
2 2 1 1 2 1 N N
c c z z
Pas 3. Ainsi 0
1
et donc la solution de base admissible
T
x ) 5 , 2 , 2 , 0 , 0 (
) 1 (
nest pas optimale. Elle peut tre amliore par
le changement de la matrice basique B.
Pas 4.
.
1
1
2
1
1
2
1 0 0
0 1 0
0 0 1
1
1
1
a B
Pas 5.
2 1
2
1
0 ) ( ) ( 1
5
,
1
2
min
) (
min
1
i
i
i
i
.
Pas 6.
.
0 1
1 2
0 1
,
1 1 0
0 1 0
0 2 1
N B
La matrice B sobtient de la B, en remplaant la deuxime
colonne par le vecteur
1
a .
On calcule
,
0
1
,
0
0
,
3
2
6
,
1 1 0
0 1 0
0 2 1
) (
2
4
5
1
3
1
N N
B
c
x
x
x
x
x
x
x B


0
1
0
,
1
2
1
,
0
1
0
2 1
a a c
B

et on revient au premier pas avec B B .


38
Pas 1.
.
0
1
0
0
1
0
1 0 0
1 1 2
0 0 1
) (
1
B
T
c B
Pas 2.
. 1 0 1 ) (
, 1 ) 1 ( 2 ) (
, 1 ) , ( , 2 ) , (
2 2 2
1 1 1
2 2 1 1
N
N
c z
c z
a z a z

Pas 3. Vu que 0
1
, la solution de base admissible
T
x ) 3 , 0 , 6 , 0 , 2 (
) 2 (
nest pas la solution optimale.
Pas 4.
.
3
2
3
1
2
1
1 1 0
0 1 0
0 2 1
1
1
1
a B
Pas 5. On calcule
3 1
3
1
0 ) (
) ( 3
3
) (
min
1
i
i
i
i
.
Pas 6. Au lieu de la troisime colonne de la matrice B on
crit le vecteur
1


,
1 1 0
2 1 0
1 2 1
B
0 1
1 0
0 0
N .
On obtient des donnes
3 / 1 3 / 1 0
3 / 2 3 / 1 0
1 1 1
) (
1
B ,
2
1
3
1
4
9
x
x
x
x
B
,

39
0
0
5
4
x
x
x
N
, ,
0
0
N
c ,
1
1
0
B
c ,
1
0
0
1
a ,
0
1
0
2
a .
En reprenant lalgorithme du simplexe avec B B nous
avons
Pas 1.
3 / 1
3 / 2
0
1
1
0
3 / 1 3 / 2 1
3 / 1 3 / 1 1
0 0 1
) (
1
B
T
c B .
Pas 2.
3
1
) , (
1 1
a z ,
3
2
,
2 2
a z ,
3
1
0
3
1
1 1 1 N
c z ,
3
2
0
3
2
) (
2 2 2 N
c z .
Pas 3. Vu que 0 , 0
2 1
, la solution de base
admissible obtenue
T
x ) 0 , 0 , 9 , 1 , 4 (
) 3 (
est optimale. Nous avons
3 ) max( f pour 1 , 4
*
2
*
1
x x et donc -3. min(g)
Lobservation 1. Si en cours de lapplication de lalgorithme du
simplexe la solution de base admissible obtenue est dgnre
(contient des composantes non nulles au moins que le nombre des
restrictions), alors il est possible un cycle; on peut revenir une
solution de base trouve antrieurement. Soulignons le fait que la
dgnration nimplique pas obligatoirement le cycle. Pour
lloignement du cycle on procde dans un mode spcial (on
applique la technique de perturbation ou la mthode
lexicographique; voir les travaux [5, 6, 13, 23, 28]). Quoique
beaucoup de problmes pratiques sont dgnrs, peu delles sont
cycliques. Dans la littrature de spcialit on connat des exemples
des cycles, mais elles sont construites avec difficult.

40
Heureusement ce type de problme est rare en pratique. Voil un
exemple dun probleme dgnr :
. 0 , 0
, 0
, 6
max 2 5
2 1
2 1
2 1
2 1 2 , 1
x x
x x
x x
x x x x f

Lobservation 2. Lalgorithme du simplexe assure la
convergence vers la solution optimale dans un nombre finit de pas.
Vraiment, du fait quun problme de programmation linaire a
seulement un nombre finit de solutions de base admissibles non
dgnres aprs un nombre finit ditrations on va arriver soit
une solution optimale, soit la conclusion que la fonction objectif
nest pas borne suprieur sur lensemble des ses solutions
admissibles.
Lobservation 3. Au moment o j
j
, 0 rsulte que
la fonction objectif ne peut pas crotre. Si pour une variable non
basique x
k
nous avons 0
k
, alors au cas o sur la colonne k
est possible de choisir un pivot 0 ) (
i s
dans le pas suivant
nous obtiendrons une nouvelle solution optimale qui donne la
mme valeur pour la fonction objectif. En faisant une combinaison
linaire convexe des solutions optimales trouves, on obtient
lensemble de toutes les solutions optimales.

3.4. Tableaux simplexe
Si le problme de programmation linaire nest pas grand,
on peut organiser les calculs aprs lalgorithme du simplexe
laide des tableaux appels tableaux simplexe.
Soit donne un problme de programmation linaire la
forme explicite (voir 3.2.):

41
, 0 , 0
,
max , ,
1
N B
N B
N N
T
B
x x
Nx B x
x c N c f

o la matrice basique B est suppose gale avec la matrice unit I.
Supposerons encore que les thermes libres
m
b b b ,..., ,
2 1
sont non
ngatifs. En ce cas
m n m n
a a a b , , , , 0
2 2 1 1
la
solution admissible de base est
1 1
) ( b x
B
,
2 2
) ( b x
B
, ...,
m m B
b x ) ( , 0 ) (
1 N
x , 0 ) (
2 N
x , ..., 0 ) (
m n N
x , et la
fonction objectif a la valeur ) , (
B
c f . Avec ces donnes on peut
construire le tableau suivant qui sappelle tableau simplexe:

Varia
bles
de
base

1
) (
B
x

2
) (
B
x


m B
x ) (

1
) (
N
x


S N
x ) (


m n N
x ) (
i s
i

1
) (
B
x

1 b

1 0


0
1 1


1 s


1 m n

k m n

2
) (
B
x

2
b

0 1


0
2 1


2 s


2 m n




k B
x ) (

k
b

0 0


0
k 1


k s


k m n




m B
x ) (

m
b

1 0


1
m 1


m s


m m n

j j
j
c z

f

0 0


0
1


m n




42


Chaque ligne de ce tableau correspond lquation, qui
reprsente les variables de base
1
) (
B
x
, ...,
m B
x ) ( par rapport au
variables
1
) (
N
x
,
2
) (
N
x
, ...,
m n N
x ) ( . La dernire ligne correspond
aux diffrences
j j j
c z
, o ) (
, j B j
a c z , . , ..., n-m , j 2 1
Pour chaque colonne de la matrice basique nous aurons 0
j
.
Si toutes les diffrences
j
sont non ngatives, la solution
de base
B
x sera une solution optimale. En cas contraire on choisit
comme colonne pivot la colonne
s
de la variable non basique
s N
x ) ( pour laquelle
s
est la plus petite:
j
j
s
j
0 (
min .
On tudie les composantes du vecteur
s
. Si 0
i s
pour
, ,..., 2 , 1 m i alors le problme de programmation linaire nadmet
pas un maximum finit. Si le vecteur
s
a des composantes
positives, alors on constitue le rapport
i s i
) ( , avec les i pour
lesquels 0
i s
. Nous choisirons comme llment pivot
k s

(dans le tableau il est not
k s
) si
i s
i
i i
k S
k
s ) (
min
) (
0 ) (

La ligne k sappellera la ligne pivot. Si la valeur minimale
est atteinte pour quelques indices k, alors on choisit lun deux.
A cette tape sexclut la variable
k B
x de lensemble des
variables de base, en introduisant au lieu delle la variable
s N
x et
on passe au tableau suivant. Le passage dun tableau lautre
consiste en calculer des composantes des vecteurs qui ne font pas
partie de la base et des diffrences correspondantes
j N j j
c z . Notons les lments du tableau suivant avec

43
. , , ,
' ' ' '
j
i
j i
f b Ces lment peuvent tre obtenus facilement
aprs une rgle qui sappelle la rgle du rectangle: on forme un
rectangle, en ayant un sommeil dans llment qui se calcule, et
llment pivot qui est situ dans le sommeil diamtralement
oppos.
La nouvelle valeur de llment calcul sera gale au
produit entre la vieille valeur et llment pivot, duquel on
soustrait le produit des autres sommeils du rectangle, le rsultat est
divis au pivot:
k s
j s k i
j i
k s
j s k i k s j i
j i
. . .
'

Les lments de la ligne pivot se divisent avec le coefficient
k s

mais pour les lments situs sur la colonne du pivot nous avons
0
'
i s
pour k i et 1
'
k s
.
Exemple. Considrons le problme suivant de
programmation linaire
max 3
3 2 1
x x x f
avec les contraintes:
3 , 2 , 1 ; 0
, 5 3
, 2 2 4
, 1 2
3 1
3 2 1
3 2 1
i x
x x
x x x
x x x
i

En utilisant les variables de compensation , 0 , 0 , 0
6 5 4
x x x
transformons le problme de programmation linaire la forme
standard avec les termes libres non ngatifs :
(a
i
)
j
(a
s
)
j
(a
i
)
k
(a
s
)
k

44
. 6 , , 2 , 1 , 0
, 5 3
, 2 2 4
, 1 2
max 0 0 0 3
6 3 1
5 3 2 1
4 3 2 1
6 5 4 3 2 1
i x
x x x
x x x x
x x x x
x x x x x x f
i

On observe que le systme des quations du problme standard est
explicite par rapport aux inconnues , ,
5 4
x x et
6
x . On peut crire
donc le premier tableau simplexe:

Dans ce tableau la dernire ligne contient deux diffrences
ngatives: 0 1
2
et . 0 3
3
Ce signifie que la solution
initiale de base 0 , 5 , 2 , 1
3 2 1 6 5 4
x x x x x x nest pas
optimale.
On choisit comme colonne pivot, la colonne forme des
coefficients , 1
1 1
1 , 1
3 1 2 1
de la variable non
basique
3
x , pour laquelle 3
3
est la plus petite. Elaborons les
rapports
i i 1
/ pour lesquels 1 / : 0
1 1 1 1 i
,
. 5 /
3 1 3
En consquence llment pivot sera 1
1 1
. En
appliquant la mthode dcrite plus haut nous obtiendrons la
succession suivante de trois tableaux simplexe.

Variables
de base

1
x

2
x

3
x

4
x

5
x

6
x

i s i
) /(

4
x

1 2 -1 1 1 0 0
1 : 1

5
x 2 -4 2 -1 0 1 0 -
6
x 5 3 0 1 0 0 1
1 : 5
j

0 1 -1
3

0 0 0

45
Eta
pe
Variab
les de
base

1
x
2
x

3
x

4
x
5
x

6
x

i s
i
) (

II

3
x

1 2 -1 1 1 0 0
5
x

3 -2
1

0 1 1 0
1
3

6
x

4 1 1 0 -1 0 1
1
4

j

3 7
-4
0 3 0 0
III
3
x

4 0 0 1 2 1 0 -
2
x

3 -2 1 0 1 1 0 -
6
x

1
3

0 0 -2
-
1
1
3
1

j

15 -1 0 0 7 4 0
IV
3
x

4 0 0 1 2 1 0
2
x

11/3 0 1 0 -1/3 1/3 2/3
1
x

1/3 1 0 0 -1/2 -1/3 1/3
j

46/3 0 0 0 19/3 11/3 1/3



46
Toutes les diffrences
j
du dernier tableau sont non
ngatives, le fait qui attire lattention que lalgorithme du simplexe
est arriv la dernire tape. En consquence, nous avons une
solution optimale 4 , 3 / 11 , 3 / 1
*
3
*
2
*
1
x x x et une valeur
optimale de la fonction objective 3 / 46
max
f .
Observation. Sil existe plus dun rapport minimum
i s
i
a i
r s
r
k s
k
i s ) (
min
) (
0 ) (

alors on peut choisir comme lment pivot
k s
) ( ou
r s
) ( . En
choisissant llment pivot
k s
) ( obtiendrons 0 ) (
r B
x . La
solution de base obtenue sera dgnre. En ce cas il est possible
que la valeur de la fonction objectif ne soit pas modifie en cours
de quelques tapes successives et revenons lune des solutions de
base admissibles par lesquelles nous avons dj pass. Cette
situation sappelle cyclique; lalgorithme du simplexe peut tre
continu jusqu linfini sans conduire aux solutions. Voil
pourquoi on suppose la non-dgnration dans lapplication de
lalgorithme du simplexe. La finitude de lalgorithme du simplexe
est assure pour les problmes de programmation linaire non
dgnrs (ayant toutes les solutions de base non dgnrs).
Soulignons encore une fois le fait que la dgnration (lexistence
au moins dune solution de base dgnre) nimplique pas
obligatoirement le cycle. Quoique beaucoup de problmes
pratiques soient dgnrs, aucun na pas fait le cycle jusqu
prsent et les exemples avec les cycles ont t construits avec
difficult. Dans le cas de dgnration on procde dans un mode
spcial pour viter le phnomne du cycle, en utilisant soit la
technique de perturbation, soit la mthode lexicographique (voir
par exemple [2,6,9,11]).



47
3.5. Dterminaison de la solution initiale de base
Comme on a tablit dans le paragraphe 3.3, pour la
rsolution dun problme de programmation linaire on passe
dune solution de base initiale et en utilisant lalgorithme
simplexe, on arrive une solution optimale. Pas chaque matrice B
de la dcomposition N B A nous assure que 0
1
b B x
B
et
par consquent il faut continuer avec une autre matrice B. Le
nombre des essais peut tre assez grand. Au plus, dans le cas
quand lensemble des solutions admissibles est vide alors nexiste
pas une matrice B qui nous pourra donner une solution de base
admissible.
Considrons un problme de programmation linaire sous
la forme standard
max ) , ( x c f
0
,
x
b Ax
(3.6)
o A est une matrice de la dimension
. , , ,
m n n
R b R c R x n m Supposons que 0 b ; en cas
contraire nous pouvons multiplier la ligne i dans laquelle 0
i
b
avec 1. Faisons une association avec le problme (3.6) le
problme suivant de programmation linaire
min ...
2 1 m
y y y g
0 , 0
,
y x
b y Ax
(3.7)
Les variables
m
y y y ,..., ,
2 1
sappellent variables artificielles. Le
problme (3.7) a la forme explicite avec la matrice B=I o I est la
matrice lunit de dimension m m et avec la solution de base
admissible 0 ,..., 0
1 1 m m
b y b y , 0 ...
2 1 n
x x x . Par
consquent nous pouvons appliquer lalgorithme du simplexe pour
la rsolution du problme (3.7).

48
Si le problme (3.7) a une solution optimale ) , (
* *
y x et
0 ) min(g , comme 0
*
i
y , rsulte que tous 0
*
i
y . Deux cas
sont possibles [5, 6]:
1). Aprs lapplication de lalgorithme du simplexe aucune
des variables artificielles
m
y y y ,..., ,
2 1
nest pas une variable
basique. Alors, en loignant les variables artificielles et ses
coefficients sobtient un tableau simplexe correspondant une
forme explicite du systme b Ax dans lequel les thermes libres
sont non ngatifs.
2). Dans le tableau simplexe final unes des variables
artificielles
m
y y y ,..., ,
2 1
sont des variables basiques. Cest possible
si le problme (3.6) est dgnr ou si m r A rang ) ( . Si
m A rang ) ( et le problme (3.7) a dgnr, alors au lieu de la
variable basique 0
i
y introduisons la variable non basique
i
x
sans affecter la non-ngativit des thermes libres et la solution
optimale pour le problme (3.7), parce que la solution de base
admissible nouvellement obtenue est la mme que la solution
prcdente. Dans le cas o m r A rang ) ( , peuvent rester parmi
les variables basiques 0
i
y , mais leurs lignes sont exclues du
systme sans modification de lensemble des solutions admissibles
pour le problme (3.6).
Dans ce mode peuvent tre limins successivement parmi
les variables basiques du tableau simplexe final toutes les variables
artificielles, aprs quoi on peut continuer lalgorithme du simplexe
avec la solution de base admissible
*
x pour le problme (3.6).
Si 0 ) min(g , en ce cas au moins un 0
*
i
y et, donc, le
problme (3.6) na pas de solutions admissibles et donc aucune
solution optimale.
Cette mthode sappelle encore mthode des deux phases.
Une autre mthode est la mthode de la pnalisation, qui consiste
en rsolution du problme suivant

49
m
i
i
y M x c f
1
max ) , (
0 , 0
,
y x
b y Ax
(3.8)
o M est un nombre rel suffisamment grand.
Le problme (3.8) a une solution de base
admissible 0
i i
b y , m i ,..., 2 , 1 ; n i x
i
,..., 2 , 1 , 0 . Si aprs
lapplication de lalgorithme du simplexe le problme (3.8) a une
solution optimale ) , (
* *
y x pour laquelle 0
*
y , alors
*
x est une
solution optimale du problme (3.6). Dans le cas o 0
*
y le
problme (3.6) na pas de solutions admissibles. Si le problme
(3.8) a la fonction objectivement non borne suprieur alors le
problme (3.6) na pas de solutions optimales (na pas de solutions
admissibles ou la fonction objectif nest pas borne suprieur).

IV. Dualit en programmation linaire

4.1. Problmes duals symtriques

Soit un problme de programmation linaire sous forme
0
,
max ) , ( ) (
x
b Ax
x c x f
(P)
o
n
R c ,
m
R b ,
n
R x et A est une matrice des dimensions
n m .
Associons au problme (P) un autre problme de
programmation linaire dfini par

50
0
,
min ) , ( ) (
y
c y A
y b y g
T
(D)
o
m
R y , et A, b et c sont les donnes du problme (P).
Etant donnes le problme (P), appel problme primal, le
problme (D) sappellera le problme dual associ au problme
(P).
Exemple. Ecrivez le problme dual au problme:
max 4 3 2 ) (
4 3 2 1
x x x x x f
, 4 , 3 , 2 , 1 , 0
, 5 2
, 8 6 4 5
, 4 3 2 3
4 3 2 1
4 3 2 1
4 3 2 1
i x
x x x x
x x x x
x x x x
i

Nous avons le problme dual
min 5 8 4 ) (
3 2 1
y y y y g
. 3 , 2 , 1 , 0
, 4 6
, 1 4
, 3 5 2
, 2 2 3
3 2 1
3 2 1
3 2 1
3 2 1
i y
y y y
y y y
y y y
y y y
i

Si on transforme le problme (D) dans un problme de
minimum, en lcrivant sous la forme
, 0
,
max ) , ( ) (
y
c y A
y b y g
T
( D )
et construisons le dual du problme ( D ) alors le problme dual
associ celui-ci sera le problme (P). Nous pouvons dire que les
problmes (P) et (D) constituent une paire des problmes duaux

51
lun lautre. Ces problmes (P), (D) sappellent encore duaux
symtriques.

4.2. Thormes duales de la programmation linaire
Entre les problmes primal et dual peuvent tre tablies des
relations qui sont plusieurs fois trs utiles aussi du point de vu
pratique que du point de vu thorique.
Thorme 4.1. Soit x une solution admissible du problme
primal P , et y une solution admissible du problme dual D .
Alors a lieu la relation
y g x f .
Dmonstration. Supposons que 0 , 0 y x sont des
solutions admissibles des problmes D P , . Multiplions
b x A du P avec 0 y et c y A
T
du D avec 0 x . On
obtient
x A y x y A x c
T
, , , ,
x A y y x A y b , , , ,
do rsulte que x f y g et le thorme est dmontr.
Thorme 4.2. Si * x est une solution admissible du
problme P et * y est une solution admissible du problme D
et a lieu
* , * , x c y b
alors * y et * x sont des solutions optimale du problme D et
respectivement du problme P .
Dmonstration. Soit * x une solution admissible du
problme P . Du thorme 4.1 rsulte que pour chaque solution
admissible y du problme D a lieu
* , , x c y b
et prenant en consideration que * , * , y b x c il suit
y b y b , * , .

52
Donc * y est une solution optimale du problme D . En mode
analogue on montre que * x est une solution optimale du
problme P . Le thorme est dmontr.
Thorme 4.3 (Thorme de la dualit). Si le problme
primal P a une solution optimale alors le problme dual D de
mme a une solution optimale mais les valeurs optimales des
fonctions objectifs des ces deux problmes sont gales:
min max
g f .
Dmonstration. Supposons que le problme P admet une
solution optimale * x . Dans ce cas la solution * x peut tre
obtenue, En rsolvant laide de lalgorithme du simplexe le
problme standard associ au problme P :
max , 0 ,
s
x x c
, b Ix Ax
s

0 , 0
s
x x

o
m
s
m
T
R x R , 0 ,..., 0 , 0 0

et I est une matrice unit dordre
m.
Si on note avec B la sous-matrice de la matrice I A
construite par deux colonnes pour lesquelles la solution optimale
sera
0 0
*
1 *
b B x
x
B

alors 0 ,
1
j N j B j
c a B c , o
B
c est le vecteur constitu de
ces composantes du vecteur c qui correspondent aux inconnues
*
B
x
du dernier tableau simplexe associ au problme standard de plus
haut.
On peut crire que
m n j c a B c
j N j B
,..., 2 , 1 , ,
1
.
Vu que
T T
B
T
B
c B c 0
1
,
il rsulte

53
j B j
T
B
c a B c
1

et
T T T
B
c I A B c 0
1
.
Si on note
1
* B c y
T
B
T
de la dernire relation rsulte
T
T
c A y * et 0 * I y
T

ou
c y A
T
* et 0 * y
et donc * y est une solution admissible du problme dual D . En
plus on peut crire
* , * * * ,
* 1
x c x c x c b B c b y y b
T
B
T
B
T
B
T
.
Mais * x est une solution admissible du problme P et * y est
une solution admissible du problme D et alors en utilisant le
thorme 4.1 on constate que
* , * , , y b x c y b
pour chaque solution admissible y, ainsi * y est une solution
optimale du problme D . Le thorme est dmontr.

Le problme primal P peut tre considr comme le dual
du problme D et alors du thorme 4.3 il rsulte
immdiatement aussi comme dans le cas o le problme dual D
a une solution optimale suit que le problme primal P a de
mme une solution optimale et les valeurs optimales des fonctions
objectifs sont gales.
Thorme 4.4 (Thorme des cartes complmentaires).
Pour que deux solutions admissibles * x et * y des problmes
duaux P et respectivement D soient des solutions optimales il
est ncessaire et suffisant que ces solutions vrifient les relations:
0 * *, b Ax y ,
0 * *, c y A x
T
.

54
Dmonstration. Ncessit. Soit * x et * y des solutions
optimales du problme dual P et respectivement D . On peut
crire
* , * , x c y b et * *, * *, x y A Ax y
T
.
Do
0 * *, * *, c y A x Ax b y
T
.
Du fait que * , 0 * , 0 * Ax b x y et c y A
T
* , de la relation
den haut il rsulte
0 * *, Ax b y ,
0 * *, c y A x
T
.
Suffisance. Rciproquement, si * x est admissible pour le
problme primal, et * y pour le dual, du 0 * *, Ax b y et
0 * *, c y A x
T
, nous avons * *, * *, Ax y x y A
T
, il rsulte
* , * , x c y b . Tant que * x est une solution optimale du
problme primal P , et * y solution optimale du problme
dual D . Donc le thorme est dmontr.

4.3. Algorithme simplexe dual
Lapplication de lalgorithme du simplexe la rsolution
du problme dual ne conduit pas un nouvel algorithme de
rsolution des problmes de programmation linaire, appel
lalgorithme du simplexe dual. Lalgorithme du simplexe dual
construit une succession de solutions de base du problme primal
tant que la premire solution de base admissible est une solution
optimale du problme. Pour le commencement dcrirons le
procd de trouver une solution optimale laide de la mthode
simplexe, qui correspond la rsolution optimale du problme
primal.
Soit * x la solution optimale du problme primal
max , x c x f
. 0 , x b Ax

55

De la dmonstration du thorme de dualit (voir 4.2.) on dduit
immdiatement que le vecteur
B
T
c B y
1
*
est une solution optimale du problme dual
min , y b y g
, c y A
T
0 y .
En langage des tableaux simplexe a signifie que les coordonnes
du vecteur * y sont situes dans la dernire ligne du tableau
simplexe qui correspond au vecteur unit.

Exemple. Etant donn le problme primal:
max 2
3 2 1
x x x x f
avec les contraintes:
0 , 0 , 0
, 2 3 2
, 1
2
1
3 2 1
3 2 1
3 2 1
x x x
x x x
x x x
,
le problme dual sera:
min 2
2 1
y y y g
avec les contraintes:
0 , 0
, 2 3
, 1 2
2
1
, 1
2 1
2 1
2 1
2 1
y y
y y
y y
y y

On applique lalgorithme du simplexe au problme primal
transforme la forme standard et on obtient la succession suivante
des tableaux simplexe.


56
Etape
Variables
de base

1
x

2
x

3
x
4
x
4
x
i s
i
) (

I
4
x
1 1 1/2 1 1 0
1:1
5
x
2 1 2 [3] 0 1
3 : 2

j

0 -1 -1
-2
0 0

II
4
x
1/3 [2/3] 1/6 0 1 -1/3
3 : 1
4
x
2/3 1/3 2/3 1 0 1/3
2
j

4/3 -
1/3
1/2 0 0 2/3

III
4
x
1/2 1 1/4 0 3/2 -1/2

4
x
1/2 0 7/12 1 -1/2 1/2

j

3/2 0 7/12 0 1/2 1/2


La solution optimale du problme primal est , 2 / 1
*
1
x
2 / 1 , 0
*
3
*
2
x x . Conformment au tels mentionn au-dessus, la
solution optimale du problme dual se trouve dans la dernire
ligne des tableaux simplexe: 2 / 1 , 2 / 1
*
2
*
1
y y . Pour les
deux problmes, la fonction defficacit la valeur
2 / 3
min max
g f .
Passons la description de lalgorithme du simplexe dual.
Considrons un problme de programmation linaire en forme
explicite (avec les notations prcdentes): il faut dterminer la
valeur maximale de la fonction
m n N m n N N B
x x x c x f
2 2 1 1
,
dans les contraintes suivantes
m n N m n N N B
x x x x
2 2 1 1
,
0 , 0
B N
x x .
On dit que le problme de programmation linaire est
admissible dual sil est en forme explicite et les diffrences

57
m n
,..., ,
2 1
sont ngatives. Dans le cas o la matrice de base
B concide avec la matrice unit I, alors le problme est dual
admissible si les coefficients de la fonction objectif sont non-
positifs.
Supposons que 0
j
pour chaque m n j ,..., 2 , 1 . La
solution de base
0 0
B
x
x
sappelle solution admissible dual du problme.
Lalgorithme du simplexe dual est un algorithme simplexe
appliqu au dual sans construire le problme dual. Cet algorithme
excute cyclique la successions suivante de pas.
Pas 1. Le choix de la ligne pivot p.
On dtermine lindice p tant que
i
i
p
i
min
0
.
Dans le cas o i
i
, 0 , alors la solution de base disponible est
une solution optimale du problme de programmation linaire.
ARRET.
Pas 2. Le choix de la colonne pivot.
Dans la ligne p on cherche des lments 0 ) (
p j
et on dtermine
llment avec lindice q pour lequel
p j
j
j
p q
q
p j ) (
min
) (
0 ) (

et on dcide llimination parmi des composants de la solution de
base de linconnue x
p
et son remplacement avec la variable x
q
.
Si tous j
p j
, 0 ) ( , alors le problme considr na pas
de solutions admissibles. ARRET.
Pas 3. On excute les transformations lmentaires
ncessaires dans le tableau simplexe associ au problme, avec le
pivot
p
q
, aprs les rgles de lalgorithme du simplexe et on
revient au pas 1.

58
Exemple. Soit le problme de programmation linaire
min 3
3 2 1
x x x
avec les contraintes
3 , 2 , 1 , 0
, 1 2
, 0 3
, 2
, 1 2
3 2
3 1
2 1
3 2 1
i x
x x
x x
x x
x x x
i

En transformant ce problme la forme standard on obtient le
problme de programmation linaire
max 3
3 2 1
x x x x f
dans les contraintes
. 7 ,..., 2 , 1 , 0
, 1 2
, 0 3
, 2
, 1 2
7 3 2
6 3 1
5 2 1
4 3 2 1
i x
x x x
x x x
x x x
x x x x
i

Ce problme est sous la forme duale admissible et en lui
appliquant lalgorithme du simplexe dual on obtient la succession
suivante des tableaux simplexe:
Eta
pe
Variabl
es de
base

1
x

2
x

3
x
4
x
5
x
6
x
7
x
min
i

I
4
x
-1 -2 -1 1 1 0 0 0
5
x
-2 [-1] 1 0 0 1 0 0 2

6
x
0 -3 0 -1 0 0 1 0
7
x
-1 0 -1 -2 0 0 0 1
j

0 1 3 1 0 0 0 0
p
j j
/

1


59
II
4
x
3 0 -3 1 1 -2 0 0
1
x
2 1 -1 0 0 -1 0 0
6
x
6 0 -3 -1 0 -3 1 0
7
x
-1 0 -1 [-2] 0 0 0 1 1

j

-2 0 4 1 0 1 0 0
p
j j
/

4
1/2

III
4
x
5/2 0 5/2 0 1 -2 0 1/2
1
x
2 1 -1 0 0 -1 0 0
6
x
13/
2
0 7/2 0 0 -3 1 -1/2
3
x
1/2 0 1/2 1 0 0 0 -1/2
j

-5/2 0 7/2 0 0 1 0 1/2

Par consquent la solution optimale du problme considr
est , 0 , 2
*
2
*
1
x x 2 / 1
*
3
x et 2 / 5
max
f . La solution optimale
du problme dual est , 1 , 0
*
2
*
1
y y 2 / 1
*
3
y .
Avant de finir ce compartiment, soulignons le fait que
lalgorithme du simplexe ou lalgorithme du simplexe dual ne
constitue pas les mthodes uniques de rsolution des problmes de
programmation linaire. Avec les autres mthodes de rsolution on
peut faire connaissance dans les ouvrages [5, 6, 11, 13, 16, 17, 23,
25, 28].
Lalgorithme du simplexe a t cr en 1947 de George
Dantzing (S.U.A.) et aprs ce quon avait vu, consiste en parcourir
des sommeils du polydre des solutions admissibles, en
sapprochant toujours de la solution optimale, jusquau moment
quand elle est atteinte dans un sommeil du polydre. Dans les
annes 70 on a constat que dans certains cas lalgorithme du
simplexe fonctionne en temps non-polynomial (le temps de calcul
nest pas une fonction polynomiale). En 1979 le savant
L.G.Khachian a propos un algorithme appel mthode

60
dellipsode. Dans cet algorithme il est parcouru un ensemble finit
dellipsodes, tant que le centre du dernier ellipsode correspond
une solution optimale et son temps de calcul est polynomial. Plus
tard, en 1984, par N. Karmarkar (le savant indien tablit aux tats-
Unis d'Amrique) a t lance une mthode originale de rsolution
des problmes de programmation linaire, qui considrablement
dpasse en rapidit les vieilles mthodes. La stratgie du
Karmarkar consiste en reformulation du problme de chaque fois,
tant quon obtient un ensemble finit de points situs dans le centre
des polydres des solutions admissibles. Pour les dtails en ce qui
concerne les mthodes de Khachian et Karmarkar le lecteur doit
voir la monographie [28], ainsi que louvrage de Karmarkar N.A.
New Polinomial-Time Algorithm for Linear Programming. Bell
AT&T Laboratories 1984, 38 p.


V. Rsolution des problmes de transport

5.1. Prliminaires
Les premires applications de la mthode de
programmation linaire en rsolution des problmes de
planification les ont constitus les problmes de transport. En
4.2.2. a t expos le problme de transport comme un exemple de
programmation linaire. Ces problmes se rencontrent trs souvent
en pratique avec loccasion de distribution des produits, de la
rpartition entre les divers consommateurs etc. On dit quun
problme doptimisation est un problme de type transport, si son
model mathmatique peut tre prsent en mode suivant :
dterminer la valeur minimale de la fonction
m
i
n
j
ij ij
x c f
1 1
,

dans les conditions:

61
.
; ,..., 2 , 1 ; ,..., 2 , 1 , 0
; ,..., 2 , 1 ,
; ,..., 2 , 1 ,
1 1
1
1
n
j
j
m
i
i
ij
j
m
i
ij
i
n
j
ij
b a
n j m i x
n j b x
m i a x

Les donns du problme de transport peuvent tre prsents sous
la forme suivante des tableaux appels matrice de transport:

i
j
A
B

1
B

2
B
1 n
B
i
a
1
A


11
c


12
c


n
c
1

1
a

11
x
12
x
n
x
1

2
A

21
c


22
c


n
c
2

2
a

21
x

22
x

n
x
2




m
A

1 m
c


2 m
c


mn
c

m
a

1 m
x

2 m
x

mn
x

j
b

1
b
2
b

n
b
T

Dans le tableau par T est not la valeur commune des
m
i
n
j
j i
b a
1 1
. Cette condition sappelle condition dquilibre. Si
elle nest pas ralise, alors on peut introduire un centre fictif et

62
rduire en ce mode le problme un problme de transport
quilibr. Vraiment, soit
m
i
n
j
j i
b a
1 1
.
Alors on introduit une ligne 1 m avec
m
i
i
n
j
j m
a b a
1 1
1
et 0
, 1 j m
c pour . ,..., 2 , 1 n j
Pour le cas
m
i
n
j
j i
b a
1 1
,
on introduit une colonne 1 n avec
n
j
j
m
i
i n
b a b
1 1
1
et m i c
n i
,..., 2 , 1 , 0
1 ,
.
Ainsi dans les deux situations on arrive la forme quilibre.
Le problme de transport est un cas particulier de
programmation linaire, qui peut tre rsolu par lalgorithme
simplexe. Grce leur forme particulire, on peut faire la
rsolution par la mthode spciale. Ensuite nous montrerons une
variante dalgorithme simplexe appel mthode des potentielles.
Avant de passer la description de cette mthode nous
montrerons le procd de dtermination de la solution initiale de
base.

5.2. Dtermination de la solution initiale de base
Dans un problme de transport, le systme des quations
des conditions avec m+n-1 quations indpendantes. Vraiment, le
nombre de restrictions est m+n. Rsoudrons chaque quation, en
commenant avec la deuxime, du systme
m i a x
i
n
j
ij
,..., 2 , 1 ,
1

par rapport avec la variable
1 i
x :

63
. ,..., 3 , 2 ,
2
1
m i x a x
n
j
ij i i

En mode analogue rsoudrons chaque quation, en commenant
avec la deuxime, du systme
n j b x
j
m
i
ij
,..., 2 , 1 ,
1
,
par rapport la variable
j
x
1
:
. ,..., 3 , 2 ,
2
1
n j x b x
m
i
ij j j

Des premires quations des systmes mentionns nous avons
n
j
j
x a x
2
1 1 11
,
m
i
i
x b x
2
1 1 11

ou
n
j
m
i
n
j
ij i
m
i
ij j
x a b x b a x
2 2 2
1
2
1 11
,
do on dduit que
m
i
i
n
j
j
a b b a
2
1
2
1
,
cest--dire on obtient la condition dquilibre.
Par consquent, de la condition dquilibre rsulte que le
systme des quations restrictions peut tre rsolu par rapport
avec 1 n- m variables. Donc une solution de base a au plus
1 n- m composantes 0
ij
x , les autres seront nulles. Si nous
avons moins de 1 n- m de composantes positives, la solution de
base est dgnre.
Pour la dtermination dune solution initiale de base
exceptant les mthodes connues de la programmation linaire, on
connat aussi des mthodes spcifiques: le procd du coin Nord-
Ouest, le procd de llment minimale (du tableau, de la ligne

64
ou de la colonne). Ces procds ne ncessite pas une thorie
spciale et nous illustrerons avec leur application en cas de la
rsolution du problme concrte de transport avec trois centres de
production
2 1
, A A et
3
A dans lequel se trouvent les quantits 90t,
70t et respectivement 50t et qui doivent tre transport en quatre
centres de consommation
3 2 1
, , B B B et
4
B en quantits 80t,
60t, 40t et respectivement 30t. Le cot de transports des centres
i
A aux centres
j
B est prsent dans la matrice de transport.

i
j
A
B

1
B

2
B
3
B

4
B
i
a
1
A

2 1 3 2 90
80 10 - -
2
A
2 3 3 1 70
- 50 20 -
3
A
3 3 2 1 50
- - 20 30
j
b
80 60 40 30 210

Le procd du coin Nord-Ouest de dtermination de la
solution initiale de base consiste en suivantes. Dans le carr, qui
sappelle encore caisse, (1,1) du coin Nord-Ouest de la matrice de
transport on passe la valeur 80 gale avec le plus petit entre
1
a et
1
b ainsi que ) 90 , 80 min(
11
x . Vu que nous avons reparti la
quantit de produit ncessaire dans la premire colonne se
passent , 0
21
x 0
31
x . Dans la matrice de transport, dans ces
caisses crirons le symbole -. Les caisses dans lesquelles est
pass ce symbole sappellent les caisses libres.
Ensuite, fixons lattention sur
12
x du coin haut - gauche du
tableau form par les colonnes
2
B et
3
B et procdons en mode
analogue comme pour
11
x , ainsi prenons
10 10 , 60 min , min
1 1 2 12
b a b x .

65
Vu que la quantit entire 90
1
a a t repartie aux
centres B
1
et B
2
nous avons 0 , 0
14 13
x x .
Il nous reste un tableau form des lignes A
2
, A
3
et des
colonnes B
2
, B
3
et B
4
. Pour ce tableau sapplique de nouveau le
procd dcrit:
0 , 50 70 , 50 min
32 22
x x .
On passe
40 , 20 min
23
x 0 , 20
24
x .
Enfin
20 20 , 50 min
33
x , 30 30 , 30 min
34
x .
La solution initiale de base est 80
11
x , 10
12
x , 50
22
x ,
20
23
x , 20
33
x , 30
34
x . La valeur de la fonction defficacit
est:
450 30 1 20 2 20 3 50 3 10 1 80 2
1
f

La dtermination de la solution initiale de base laide du
procd de llment minimale (du tableau, de la ligne ou de la
colonne) est faite en mode semblable, sauf que chaque fois les
valeurs ne se passent pas dans le coin nord-ouest, mais dans les
caisses avec le cot minimal (du tableau, de la ligne
respectivement colonne).
Par exemple, en utilisant le procd dlment minimal
dans la ligne en problme de transport prcdent, on obtient le
tableau suivant :
i
j
A
B

1
B

2
B
3
B

4
B
i
a
1
A

2 1 3 2 90
30 60 - -
2
A
2 3 3 1 70
40 - - 30
3
A
3 3 2 1 50
10 - 40 -
j
b
80 60 40 30 210

66
On choisit dans chaque ligne llment
ij
c le plus petit et
on le reparti dans la caisse correspondante la plus petite quantit
parmi les quantits disponibles
i
a et tels ncessaires
j i ij j
b a x b , min : . Dans la premire ligne llment le plus petit
est 1
12
c . On destinera pour 60 60 , 90 min , min
2 1 12
b a x .
Donc 0
22
x , 0
32
x . Dans A
1
il reste encore 90-60-30t.
Chercherons dans la valeur de
j
c
1
immdiatement suprieur de
12
c . Cette valeur est donne par 2
14 11
c c . On constate quon
peut prendre arbitrairement nimporte quelle delles. Par exemple,
si on choisit la caisse (1,1), alors destinerons pour
11
x la valeur 30
gale 80 , 60 90 min .
Ensuite on procde en mode similaire avec les autres lignes
restes. On obtient la solution initiale de base suivante: 60
12
x ,
40
21
x , 30
24
x , 10
31
x , 40
33
x . La valeur de la fonction
devient: 340 40 2 10 3 30 1 40 2 60 1 30 2
2
f
Le procd de llment minimal dans la colonne est
semblable au procd de llment minimal dans la ligne, mais les
valeurs
j i ij
b a x , min sont dtermines en base de la valeur
minimale des lments
ij
c qui se trouvent dans chaque colonne.
Le rsultat dapplication de ce procd mne la solution de base
initiale montre dans le tableau suivant:
i
j
A
B

1
B

2
B
3
B

4
B
i
a
1
A

2 1 3 2 90
80 10 - -
2
A
2 3 3 1 70
- 50 - 20
3
A
3 3 2 1 50
- - 40 -
j
b
80 60 40 30 210

67
La valeur de la fonction defficacit est:
430 10 1 40 2 20 1 50 3 10 1 80 2
3
f .

Le procd de llment minimal du tableau consiste en
rpartition des quantits aux destinataires aprs le critre dlment
ij
c minimal du tableau. Lapplication de ce procd donne une
solution de base initiale qui concide avec celle obtenue par le
procd de llment minimal dans la ligne ou avec celle indique
dans le tableau suivant:

i
j
A
B

1
B

2
B
3
B

4
B
i
a
1
A

2 1 3 2 90
30 60 - -
2
A
2 3 3 1 70
50 - 20 -
3
A
3 3 2 1 50
- - 20 30
j
b
80 60 40 30 210

La valeur de la fonction defficacit sera :
4
= 2 30 + 1 60 + 2 50 + 3 20 + 2 20 + 1 30 = 350.
Les solutions de base initiales obtenues par les quatre
procds ne concide pas et
350 , 430 , 340 , 450
4 3 2 1
f f f f .
Les rsultats obtenus pour le problme considr ne
peuvent pas constituer une conclusion en avantage dutilisation
dun ou dautre procd dcrit.
Observation: Dans lexemple suivant m = 3, n = 4. Par les
procds prsents plus haut nous avons obtenu m + n 1 = 6 des
valeurs strictement positives pour x
ij
, et les autres m n (m + n
1) = 12 6 = 6 sont gales zro. On dmontre (voir, par
exemple, [6]) que, en cas gnral, pour m centres de stockage et n
centres de destination laide des procds dcrits plus haut nous

68
pouvons dterminer au plus m + n 1 valeurs des inconnues x
ij

strictement plus grandes que zro. Ces variables sappellent
variables de base et dterminent une solution initiale de base. De
cette solution initiale de base tablie par lun des procds prvus,
on peut passer une autre solution de base et ainsi de suite,
jusquau moment o on obtient la solution optimale. Ensuite
dcrirons la mthode appele mthode des potentiels qui est une
variante de lalgorithme simplexe.

5.3. Mthode des potentiels
Thorme 5.1. Soit n j m i x
ij
, 2 , 1 ; , , 2 , 1 ,
*
une
solution optimale du problme de transport. A chaque ligne i de la
matrice de transport il correspond un nombre
*
i
u et chaque
colonne j- un nombre
*
j
v tant que sont satisfaites les relations:
. ,..., 2 , 1 ; ,..., 2 , 1
, 0 pour
, 0 pour
* * *
* * *
n j m i
x c v u
x c v u
ij ij j i
ij ij j i

Dmonstration. Le problme de transport peut tre
considr comme un problme dual du problme de
programmation linaire suivante :
n
j
j j
m
i
i i
v b u a g
1 1
max
avec les restrictions
. ,..., 2 , 1 ; ,..., 2 , 1 , n j m i c v u
ij j i

Si n j m i v u
j i
, , 2 , 1 ; , , 2 , 1 , ,
* *
est une solution
optimale du problme de plus haut alors, conformment au
thorme des cartes complmentaires (voir 4.2), la condition
ncessaire et suffisante que,
*
ij
x ,
*
i
u et
*
j
v soient optimales est
donne par les relations
n j m i x c v u
ij ij j i
, , 2 , 1 ; , 2 , 1 , 0
* * *
.

69
Du fait que
* *
et
j i
v u sont des solutions admissibles pour le
problme dual suit que
n j m i c v u
ij j i
, , 2 , 1 ; , 2 , 1 , 0
* *

les relations qui en ensemble avec les relations de plus haut
dmontre le thorme.
Les grandeurs u
i
i v
j
sappellent potentiels des centres A
i
et
B
j
.
Reprenons lexemple de 5.2 et analysons la solution initiale
de base obtenue par le procd du coin nord-ouest pour les cas
optimal. Pour cela, au centre de consommation B
j
, j=1,2,3,4 le
potentiel v
j
.

i
j
A
B

1
B

2
B
3
B

4
B
i
a
1
A

2 1 3 2 90
80 10 - -
2
A
2 3 3 1 70
- 50 20 -
3
A
3 3 2 1 50
- - 20 30
j
b
80 60 40 30 210

Conformment au thorme dmontr plus haut pour les caisses
occupes nous avons:
. 1
, 2
, 3
, 3
, 1
, 2
4 3
3 3
3 2
2 2
2 1
1 1
v u
v u
v u
v u
v u
v u



70
Donc, pour dterminer les potentiels il faut rsoudre un
systme des six quations avec sept inconnues, qui ont une infinit
de solutions. En prenant dans ce systme dquations, par
exemple, 0
1
u , obtenons
0 , 1 , 1 , 2 , 1 , 2
4 3 3 2 2 1
v v u u v v
Calculons les diffrences u
i
+ v
j
c
ij
pour les caisses libres de la
matrice de transport:
pour la caisse (1,3): 0 2
13 3 1
c v u ;
pour la caisse (1,4): 0 0
14 4 1
c v u ;
pour la caisse (2,1): 0 2
21 1 2
c v u ;
pour la caisse (2,4): 0 1
24 4 2
c v u ;
pour la caisse (3,1): 0 0
31 1 3
c v u ;
pour la caisse (3,2): 0 1
32 2 3
c v u ;
On observe que
21 1 2
c v u

et
24 4 2
c v u , donc, la solution
initiale de base nest pas optimale. Pour amliorer la valeur de la
fonction defficacit, il faudra laborer un nouveau tableau, qui
reprsente de mme une solution de base admissible et laquelle
conduit a une valeur plus petite que la fonction defficacit.
Dterminons
2 max
21 1 2
,
c v u c v u
ij j i
j i
.
Ca signifie que dans la caisse (2.1) introduisons une quantit
quelconque . Lintroduction doit tre effectue dune faon que
dans la deuxime ligne dun 4 , 3 , 2 ,
2
j x
j
il faut soustraire pour
ne pas modifier le
2
a disponible et dans la colonne j il faut
additionner pour ne pas modifier le
j
b ncessaire et ainsi de
suite, jusquau moment o se ferme le cycle dans la caisse (2,1).
On appelle cycle dans la matrice de transport une ligne
brise ferme, les sommeils de laquelle sont situs dans les caisses
occupes, et segments au long des lignes ou des colonnes de la
ligne. Du chaque sommeil du cycle on peut arriver dans nimporte
quel autre sommeil des segments de la ligne brise.

71
On appelle cycle de recalcule de la caisse libre (i,j) un
cycle, pour lequel lun des sommeils est situ dans les caisses
occups. A chaque sommeil du cycle de recalcul on attribue le
signe + ou aprs la rgle suivante : la caisse libre (i,j)
choisi on attribue le signe + , la caisse - sommeil voisine le
signe , au sommeil suivant le signe + et a.d.s.
Pour construire une nouvelle solution de base dans le cycle
de recalcul dans les caisses avec le signe + additionnons la
valeur , mais dans les caisses avec le signe soustrairons .
Pour que tous les valeurs
ij
x situes dans les caisse sommeils
soient non-negatives, on choisi gal la valeur minimale des
caisses sommeils avec le signe attribu . Revenons
lexemple de plus haut et tudions le cycle de recalcule pour la
caisse libre (2,1). Nous avons le cycle de recalcule suivant avec les
caisses sommeils (1,1); (1,2); (2,1); (2,2) :


80
2 +
+
10
1




+

+
2

50


3

La valeur de est gale avec 50 50 , 80 min . Par
consquent, nous avons le tableau suivant:
i
j
A
B

1
B

2
B
3
B

4
B
i
a
1
A

2 1 3 2 90
30 60 - -
2
A
2 3 3 1 70
50 - 20 -
3
A
3 3 2 1 50
- - 20 30
j
b
80 60 40 30 210

72

Obtenons une nouvelle solution de base , 60 , 30
12 11
x x
x
21
=50, x
23
= 20, x
33
=20, x
34
=30. Par rapport cette solution la
valeur de la fonction defficacit est =350.
Vrifions si cette solution est optimale. Nous avons le
systme suivant :
. 1
, 2
, 3
, 2
, 1
, 2
4 3
3 3
3 2
1 2
2 1
1 1
v u
v u
v u
v u
v u
v u

En prenant 0
1
u , on obtient
2 , 3 , 1 , 2 , 1 , 0
4 3 2 1 3 2
v v v v u u .
Calculons } { max
,
ij j i
j i
c v u pour les caisses (1,3), (1,4), (2,2),
(2,4), (3,1), (3,2). Nous avons une seule caisse (2,4) avec
u
2
+ v
4
c
24
=1 0.
Donc, cette solution nest pas optimale.
Passons une nouvelle solution de base. Pour cela
effectuons une rpartition, en utilisant un nouvel cycle de recalcule
pour la caisse (2,4) avec = min(20,30) = 20:



20

3 +

+
1




20
+
2

30

1




73
Nous avons le tableau suivant:

i
j
A
B

1
B

2
B
3
B

4
B
i
a
1
A

2 1 3 2 90
30 60 - -
2
A
2 3 3 1 70
50 - - -
3
A
3 3 2 1 50
- - 40 30
j
b
80 60 40 30 210

Donc obtenons une nouvelle solution de base x
11
= 30, x
12
=
60, x
21
=50, x
24
=20, x
33
=40, x
34
=10 avec le cot total f =330.
Vrifions si cette solution est optimale. Conformment aux
tels exposs au-dessus, nous avons le systme suivant :
. 1
, 2
, 1
, 2
, 1
, 2
4 3
3 3
4 2
1 2
2 1
1 1
v u
v u
v u
v u
v u
v u

En ce cas u
1
= 0, u
2
= 0, u
3
= 0, v1=
2
, v
2
= 1, v
3
=2, v
4
= 1.
Constatons que pour les caisses libres
. 3 1
, 3 2
, 3 2
, 3 1
, 2 1
, 3 2
2 3
1 3
3 2
2 2
4 1
3 1
v u
v u
v u
v u
v u
v u

donc la solution obtenue est optimale.

74
La mthode qui est dcrite plus haut est connue comme la
mthode des potentiels. Le nombre des itrations ncessaires pour
obtenir la solution optimale dpend de la solution initiale de base,
ainsi du procd de sa dtermination.
Observation importante. La mthode des potentiels dcrite
en variante plus haut ncessite que toutes les solutions de base
soient non-dgnres, cest--dire davoir chaque fois exactement
m+n-1 de caisses occupes. Si un moment on obtient une solution
de base dgnre (avec moins que m+n-1 de caisses occupes),
alors il existe des caisses libres pour lesquelles on ne peut pas
dterminer aucun cycle de leur recalcule. Ensuite nous montrerons
comment il faut procder en cas dapparition dune solution de base
dgnre. Ils sont possibles deux cas.
Cas 1. La solution de base dgnre sobtient en cours
dapplication de la mthode des potentiels, par exemple, en ayant
une solution de base non-dgnre, on peut obtenir un cycle de
recalcule, tant que en remplaant la valeur on annule en mme
temps plusieurs composantes de la nouvelle solution. Alors laissons
libre seulement une parmi ces caisses, mais dans les autres on crit
zro et elles sont considres occupe. Ces zros sappellent zros
essentiels. Les zros essentiels sont considrs des variables
basiques de mme que les variables diffrentes de zro. Par
consquent, on peut assurer que le nombre des caisses occupes sera
toujours gal avec m+n-1. Quand on vrifie si la solution de base est
optimale ou non, dans le systme
ij j i
c v u
(pour x
ij
0) on inclut aussi les quations correspondantes aux
valeurs gales avec les zros essentiels. Si la solution obtenue nest
pas optimale, alors on construit un nouveau cycle de recalcule pour
la caisse respective libre, le cycle dans lequel les caisses avec des
zros essentiels peuvent tre utilises comme sommeils.
Cas 2. La solution dgnre sobtient au commencement
comme une solution initiale de base dtermine par lun des
procds dcrits en 5.2. Cette solution est complte avec les zros
essentiels pour avoir m+n-1 caisses occupes. Le choix des

75
caisses, dans lesquelles on met des zros essentiels, doit tre
effectu avec attention, tant que les vecteurs correspondants
toutes les caisses occupes soient indpendants linaires (ils
doivent former une matrice basique). En ce but, dans les procds
de dtermination des solutions initiales de base, dcrites dans 5.2,
on va faire de la faon suivante. Si un pas quelconque on a
obtenu le rsultat que la quantit disponible a
i
est puise et la
quantit ncessaire de produit b
i
est repartie, alors dans la colonne
ou dans la ligne respective on crit zro essentiel, et dans les autres
caisses de la colonne et de la ligne donnes on va mettre le
symbole dj mentionn .
Exemple. Soit un problme de transport et soit une solution
initiale de base, calcul par le procd du coin nord-ouest, est celle
du tableau suivant:

i
j
A
B

1
B

2
B
3
B


a
i

A
1

30
3

20
2


1

50

A
2


3

5
40
6
40

b
j
30 20 40 90

Nous avons seulement trois caisses occupes, donc une
solution de base dgnre. Pour obtenir m+n-1=2+3-1=4 caisses
occupes mtrons un zro essentiel dans la caisse (1,3) ou dans la
caisse (2,2). Le chois de la caisse, dans laquelle on met un zro
essentiel, peut tre effectu en comparant les cots de transport (on
peut faire dune faon arbitraire, quand par la comparaison on ne
peut pas dcider). Obtenons le tableau suivant:




76
i
j
A
B

1
B

2
B
3
B


a
i

A
1

30
3
20
2
0
1
50

A
2


3

5
40
6
40

b
j
30 20 40 90

x
11
= 30 , x
12
= 20 , x
23
= 40, f = 370.
Pour dterminer les potentiels u
i
,v
j
, on rsout le systme des
quations:
. 6
, 1
, 2
, 3
3 2
3 1
2 1
1 1
v u
v u
v u
v u

Obtenons u
1
=0, u
2
=5, v
1
=3, v
2
=2, v
3
=1. En calculant u
i
+v
j
-
-c
ij
pour les caisses libres, on obtient:
, - - v u 0 5 3 8 3
1 2
. - - v u 2 5 7 5
2 2

Pour la caisse (2,1) on construit le cycle de recalcule avec les
caisses - sommeils (1,1), (1,3), (2,3), (2,1) :



30

3
+

0
+
1




+

+
3

40


6



77
La valeur de est gale avec min 30,40 =30. On obtient le
tableau:

i
j
A
B

1
B

2
B
3
B


a
i

A
1

30
3
20
2
0
1
50

A
2


3

5
40
6
40

b
j
30 20 40 90

x
12
= 20 , x
13
= 30 , x
21
= 30 , x
23
= 10, f = 220.
La suite de calculs reste pour le lecteur, en lui indiquant
que la solution optimale est 40 , 10
*
13
*
12
x x , 10 , 30
*
22
*
21
x x et
f
min
=200.
Soulignons encore, que si en analysant une solution
optimale nous trouvons une ou plusieurs diffrences nulles pour
les caisse libres:
, 0
ij j i
-c v u
alors on peut affirmer quil existe aussi des autres solutions
optimales de base qui donnent la mme valeur pour la fonction
objectif. Sil faut les dterminer, on peut continuer lapplication de
la mthode des potentiels, retenant la caisse libre, pour laquelle la
diffrence respective est nulle.
Avec les autres mthodes de rsolution des problmes de
transport vous pouvez faire la connaissance dans louvrage [3].





78
VI. Programmation linaire en nombres entiers

Considrons un problme de programmation linaire :
, x
b x
(c,x) f(x)
0
: s contrainte les sous
max

dans lequel toutes les variables
n
x x x , ,
, 2 1
(ou une partie delles)
sont des entiers. Si toutes les variables doivent avoir des valeurs
entires, le problme considr sappelle problme de
programmation linaire totalement dans des nombres entiers; en
cas contraire, elle sappellera problme de programmation linaire
partiellement dans des nombres entiers.
Ces types de problmes apparaissent dans le cas de
plusieurs modles mathmatiques dans lesquels les variables x
i

reprsentent des grandeurs physiques qui ne peuvent prendre que
des valeurs entires. Beaucoup de problmes dextremum au
caractre combinatoire peuvent tre de mme models comme des
problmes de programmation linaires dans des nombres
entiers (dans la majorit des cas les variables peuvent prendre une
des valeurs 0, 1). Nous donnerons ensuite quelques exemples de
problmes de programmation dans des nombres entiers.
Problme du sac dos. Un voyageur qui doit partir dans
une excursion doit prendre dans son sac dos n objets. Supposons
quil existe m restrictions sur le sac et les objets, par exemple le
volume du sac, le poids des objets, etc. Soit a
i,j
la caractristique i
de lobjet de type j, i=1,2,...,m; j=1,2,...,n, et b
i
, i=1,2,...,m sont le
volume, le poids, etc. Notons par x
i
le nombre dobjets de type j
planifis dtre pris dans le sac, j=1,2,...,n. On considre donne la
valeur utile c
j
dun objet de type j. le modle mathmatique du
problme du sac a la forme :


79
max
1
x c f(x)
n
j
j j


avec les contraints:
, , , 2 , 1 ,
1
m i b x a
i j
n
j
ij

. 2 1 entiers, - , 0 ,n , , i x x
i i

Beaucoup de problmes pratiques se rduisent au problme
du sac dos. Par exemple, en qualit de sac peut tre considr un
bateau ou un avion, dans le rle des objets tant les paniers avec
des marchandises ou les bombes de volume et de poids donns.
Problme daffection. Soit m travaux qui doivent tre
excuts par n personnes, chacune dentre elles pouvant excuter
exactement un de ces n travaux. On connat le bnfice c
i,j
obtenu
de lexcution du travail j par la personne i. On pose le problme
de dterminer la rpartition de ces n personnes de la manire que le
bnfice soit maximum.
Si on note par x
i,j
, i,j = 1,2,...,n, tel que x
i,j
=1 si la personne
i doit effectuer lexcution du travail j et x
i,j
=0 en cas contraire, on
peut crire :
max
1 1
ij
n
i
n
j
ij
x a

avec les contraintes :
, , , 2 , 1 , 1
, , , 2 , 1 , 1
1
1
n i x
n j x
n
j
ij
n
i
ij


. , , 2 , 1 , , 1 ou 0 n j i x
ij

Les contraintes de ce problme dterminent que chaque personne
excute une seule fois le travail et que chaque travail est excut
par une seule personne.

80
Problme du voyageur commercial. Supposons n villes,
numrots 0,1,2,...,n. Le voyageur commercial doit passer une
seule fois par chaque ville et revenir la maison, dans la ville 0, de
la faon que tout le chemin ait un cot minimum.
Soit les variables n j i x
ij
, , 2 , 1 , , telles que:
. contraire au , 0
, ville la ville la de passe chemin le si , 1 j j,i i
x
ij

Si
ij
c est le cot du chemin de la ville i vers la ville j, alors le
problme du voyageur se rduit la rsolution du problme de
programmation linaire dans des entiers :
max
1 1
ij
n
i
n
j
ij
x c

tel que soient satisfaites les conditions :
, , , 2 , 1 , 1
, , , 2 , 1 , 1
1
1
n i x
n j x
n
j
ij
n
i
ij


. , , 2 , 1 , , 1 ou 0 n j i x
ij

On a dmontr que les conditions ci-dessus ne garanties
pas toujours la connexion du chemin. Par exemple, le chemin du
dessin suivant:
satisfait aux conditions mentionnes, mais ne satisfait pas aux
conditions du problme du voyageur commercial. On dmontre
(voir, par exemple, louvrage ..
. .: ,1981, .240 - 242) que pour
3

2
0
1
6
5 4
5
6
1
0

2
3
4

81
garantir la connexion du chemin il est ncessaire dajouter aux
restrictions mentionnes les ingalits suivantes :
, ,..., 2 , 1 , , 1
,
n j i n nx u u
j i j i

o u
i
sont des variables supplmentaires, qui ne participent pas
dans la fonction objectif.
Le problme daffection et le problme du voyageur
commercial ont diverses applications dans lorganisation, dans les
rpartiteurs, dans le rels de tlvision, etc.
Le fait que dans un problme de programmation linaire
certaines ou toutes les variables doivent tre entires implique de
grosses difficults dans leur solution. On distingue 2 catgories de
mthodes de solution des problmes de programmation linaire en
nombres entiers :
Les mthodes de troncature (les mthodes de coupes)
les mthodes par sparation et valuation (branch and
bound)
Toutes les mthodes de coupes consistent dans les suivants :
1. On rsout le problme de programmation linaire obtenu
du problme donn en renonant aux restrictions dintgrit
(nomm problme relax);
2. Si la solution optimale du problme relax a les
composantes entires, elle est la solution optimale entire
cherche;
3. Sinon, on construit le nouveau problme relax obtenu du
problme relax antrieur en ajoutant une contrainte
supplmentaire.
Ainsi le problme de programmation linaire en nombres
entres se rduit la rsolution dune srie de problmes relaxs.
Les lois, daprs lesquelles sont construites les restrictions
supplmentaires, dterminent diffrentes mthodes de
sectionnement. Une des plus simples mthodes est lalgorithme de
Gomory.
En ce qui suit nous prsenterons le premier algorithme de
Gomory de rsolution du problme de programmation linaire
totalement en entiers.

82
Considrons le problme linaire en nombres entiers :
max , x c
avec les contraintes:
. entiere
, 0
,
x
x
b Ax

Notons par [a] la partie entire du nombre a et par {a} la
partie fractionnaire du nombre a:
a = a - a , 0 a 1.
On rsout le problme relax :
max ) , ( x c

avec les contraintes:
, 0
,
x
b Ax

en utilisant lalgorithme du simplex. On obtient la solution
optimale x
*
. Soit
*
i
x la premire composante de
*
i
x , non-entire,
dans lordre croissant des indices du dernier tableau simplex :
Varia
bles
de
base




(x
B
)
1



(x
B
)
i




(x
B
)
m,


(x
N
)
1




(x
N
)
j




(x
N
)
n-m

(x
B
)
1
x
1
*
1

0

0 (a
1
)
1


(a
j
)
1


(a
n-m
)
1


(x
B
)
i
x
i
*
0

1

0 (a
1
)
j


(a
j
)
i


(a
n-m
)
i


(x
B
)
m
x
m
*
0

0

1 (a
1
)
m


(a
j
)
m


(a
n-m
)
m


On calcule les parties fractionnaires (a
s
)
i
pour la ligne
correspondante la variable (x
B
)
i
et on construit un nouveau
problme de programmation linaire en ajoutant aux restrictions
donnes une nouvelle restriction de la forme :
*
2 2 1 1 i m n N i m n N i N i
x x a x a x a .

83
On dmontre (voir, par ex., [2]) que linquation ci-dessus dfinit
une section admissible, telle que la solution optimale x
*
du
problme relax ne vrifie pas cette inquation, mais toute solution
du problme de programmation linaire en nombres entiers la
vrifie.
On rsout le problme relax suivant:
max , x c
avec les contraintes:
m n
j
i j N
i
j
x x a
x b Ax
1
*
, 0 ,
.
Si la solution optimale de ce problme na pas de
composantes entires, alors on construit un nouveau problme de
programmation linaire en ajoutant aux contraintes donnes une
nouvelle section obtenue par le procd dcrit ci-dessus. On peut
dmontrer que lalgorithme de Gomory rsout le problme de
programmation linaire en nombres entiers dans un nombre fini de
pas. Dans le cas o (a
s
)
i
= 0 pour s = 1,2,...,n-m, on constate
que le problme de programmation linaire totalement en nombres
entiers na pas de solutions admissibles.
Exemple. Soit le problme de programmation linaire
totalement en nombres entiers:
max 9 7
2 1
x x f
avec les contraintes:
ntregi. - ,
, 0 , 0
, 35 7
, 6 3
2 1
2 1
2 1
2 1
x x
x x
x x
x x

En appliquant lalgorithme du simplex la rsolution du
problme relax associ au problme donn crit en forme
standard
max 9 7
2 1
x x f

84
avec les contraintes:
. 0 , 0 , 0 , 0
, 35 7
, 6 3
4 3 2 1
4 2 1
3 2 1
x x x x
x x x
x x x

on obtient le tableau simplex final suivant:

Variables
de base



1
x


2
x

3
x


4
x

2
x
2 / 7
0 1 22 / 7 22 / 1
1
x

2 / 9 1 0 22 / 1 22 / 3

j

63 0 0 11 / 28 11 / 15

La solution optimale
2
7
,
2
9
*
2
*
1
x x pour le problme relax
nest pas entire. On construit un nouveau problme de
programmation linaire en ajoutant aux contraintes antrieures une
section, par exemple x
2
:
,
22
1
22
7
*
2 4 3
x x x
ou :
.
2
1
22
1
22
7
4 3
x x
Ainsi, on a le problme relax suivant (rduit la forme
standard) :
max 9 7
2 1
x x f
avec les contraintes :

85
. 5 , , 2 , 1 , 0
,
2
1
22
1
22
7
, 35 7
, 6 3
5 4 3
4 2 1
3 2 1
i x
x x x
x x x
x x x
i


On remarque que le problme obtenu est dual admissible. En
utilisant lalgorithme du simplex dual, on obtient le tableau
simplex suivant :

Variables
de base



1
x

2
x

3
x

4
x

5
x
2
x
3 0 0 0
0 1
1
x 7 / 32
1 1 0 7 / 1 7 / 1
3
x
7 / 11 0 0 1 7 / 1 7 / 22

j

59 0 0
0
1 8
Vu que la solution optimale 3 ,
7
32
*
2
*
1
x x nest pas totalement
entire, on continue le processus de sectionnement. A la variable
x
1
correspond le sectionnement gnr par la contrainte:
,
7
1
7
1
*
1 5 4
x x x
ou, comme la partie fractionnaire
, 7 / 6 1 7 / 1 7 / 1 7 / 1 7 / 1
.
7
4
7
6
7
1
4 3
x x
On forme un nouvel problme de programmation linaire dual
admissible auquel on applique lalgorithme simplex dual. On
obtient le tableau suivant :


86


qui donne la solution optimale entire 3 , 4
*
2
*
1
x x et . 55
max
f
On observe que lefficacit diminue de 63 55 units.
Il faut souligner le fait que la restriction ajoute au
problme antrieur fait que le problme relax, aprs avoir tre
transforme la forme standard, soit dans une forme dual
admissible. En ce mode on peut appliquer lalgorithme simplex
dual. Cest lide qui exprime la partie la plus importante de
lalgorithme de Gomory.
Le premier algorithme de Gomory, dcrit ci-dessus, rsout
le problme de programmation linaire totalement en nombres
entiers. Le second algorithme de Gomory peut tre utilis la
rsolution des problmes totalement en nombres entiers, ainsi qu
la rsolution des problmes de programmation linaire
partiellement en nombres entiers. La description de cet algorithme
et dautres mthodes de rsolution des problmes de
programmation linaire en nombres entiers (mthodes de
ramification et limitation) peut tre trouve dans les recueils [5,
6,28], que nous conseillons aux lecteurs.

Variables
de base



1
x


2
x

3
x


4
x


5
x


6
x

2
x 3
0 1 0 0 1 0
1
x

4
1 0 0 0 1 1
3
x

1 0 0 1 0 4 1
4
x

4
0 0 0 1 6 7
j

55 0 0 0 0 2 7

87
VII. Programmation linaire fractionnaire
Dans le cas o la fonction-objectif est le rapport de deux
fonctions linaires et le domaine des solutions admissibles
reprsente un tronon, on dit quon a un problme de
programmation linaire-fractionnaire. Le modle mathmatique
dun problme linaire-fractionnaire a la forme:
max
) , (
) , (
x q
x p
f
Sous la condition que
, 0
,
x
b Ax

o les vecteurs
m
R q p, , A est une matrice de dimensions , n m
et sont des scalaires. Ces problmes sont rductibles des
problmes de programmation linaire. Il existe des diffrentes
procdures de rduction [5]. Le procd que nous allons dcrire ci-
dessous a t propos en 1962 par Charnes et Cooper.
Supposons que le domaine des solutions admissibles
0 , : x b Ax R x D
n

est un ensemble born (c..d. un polydre) et 0 ) , ( x q pour
toute solution admissible . D x
Si on note
, et
) , (
1
x z y
x q
z
tenant compte du fait que z>0, le problme se rduit au problme
de programmation linaire suivant:
max ) , ( z y p f
avec les contraintes
. 0 , 0
, 1 ) , (
, 0
z y
z y q
bz Ay


88
En rsolvant ce problme, on obtient la solution optimale
y
*,
z
*
. En ce cas, x
*
=y
*
/z sera une solution optimale de
programmation linaire-fractionnaire. Vraiment, on constate
immdiatement que
, 0 et
* *
x b Ax
c..d. x
*
est une solution admissible. On peut crire
z y p z y p , ,
* *

pour tout
) , (
1
,
) , ( x q
z
x q
x
y
et tout , D x ce qui est quivalent :
D x
x q
x p
x q
x p
,
) , (
) , (
*) , (
*) , (

car . 1 * *) , ( z y q
Si , pour 0 ) , ( D x x q en faisant la notation:
, et
) , (
1
x z y
x q
z
on obtient le problme de programmation linaire suivant:
max ) , ( z y p f
avec les contraintes:
. 0 , 0
, 1 ) , (
, 0
z y
z y q
bz Ay

Analogiquement on dmontre que si y*, z* est une solution de ce
problme, alors * / * * z y x est une solution optimale du
problme de programmation linaire-fractionnaire considr.
Par consquence, dans la situation o lensemble D est
born et
, pour 0 ou 0 D x (q,x) (q,x)

89
on peut construire un problme linaire. En le rsolvant laide de
lalgorithme simplex, on obtient la solution optimale du problme
de programmation linaire-fractionnaire.
Mais, sil existent les points admissibles D x x
2 1
, tels que
, 0 ) , ( et 0 ) , (
2 1
x q x q
alors la fonction-objectif du problme de programmation linaire-
fractionnaire nest pas born sur lensemble D.
Exemple. Soit le problme de programmation linaire-
fractionnaire
max
1 2
2
2 1
2 1
x x
x x
f
avec les contraintes:
. 0 , 0
, 2 2
, 6 2
1
2 1
2 1
x x
x x
x x

On observe que . ,x x x x 0 0 pour 0 1
2 1 2 1
En
faisant la notation :
, , ,
1 2
1
2 2 1 1
2 1
zx y zx y
x x
z
on rduit ce problme au problme de programmation linaire:
max 2
2 1
y y f
avec les contraintes:
0 , 0 , 0
1 2
0 2 2
0 6 2
2 1
2 1
2 1
2 1
z y y
z y y
z y y
z y y

En appliquant lalgorithme du simplex, on obtient la solution
optimale
.
3
1
, 0 ,
3
2
* *
2
*
1
z y y

90
Par consquence, .
3
4
et 0 , 2
max
*
2
*
1
f x x


VIII. Roptimisation et analyse paramtrique

Les problmes de programmation linaire (P.P.L.) ont un
caractre statistique, mais la roptimisation et la paramtrisation de
ces problmes permettent un traitement plus dynamique des
phnomnes conomiques, des lments attachs aux phnomnes
conomiques.
La roptimisation et la post-optimisation consiste dans le
recalcul de la solution optimale dun P.P.L. dans le cas o
changent les conditions initiales du problme. Limportance dun
tel tude mne lconomie du temps, car on utilise linformation
quon dispose c..d. la solution optimale connue.
Dans le processus de roptimisation on peut avoir les
situations suivantes:
modification du vecteur des termes libres;
modification des coefficients de la fonction-objectif;
modification dun vecteur-ligne de A;
modification du nombre de contraintes du systme;
modification du nombre de variables.

8.1. Modification du vecteur des paramtres libres
On part de la formule de vrification dans le cadre de la
mthode simplex:
, ,..., 2 , 1 pour ,
1
1
n j a B a
b B x
j j
B

o
B
x et
j
a reprsentent les formules finales du tableau de
optimum (ou dautre tableau). Nous rappelons au lecteur que la

91
matrice
1
B peut tre lue dans lancien tableau final, ses colonnes
correspondent successivement aux colonnes unitaires initiales.
Dans le cas quand le vecteur b est modifi en b , le dernier tableau
doptimum reste valable, lexception de la colonne
B
x , qui est
recalcule comme il suit :
b B x
B
1

Ici peuvent apparatre deux situations :
a) le nouveau vecteur de la solution
B
x a toutes les
composantes non-ngatives et
B
x est la solution optimum,
car dans le dernier tableau simplex
j j j
c z ne dpend
pas de b ;
b) le nouveau vecteur de la solution
B
x a des composantes
ngatives. On applique alors lalgorithme du simplex dual
et on trouve la solution optimum.
On va analyser lexemple suivant :
max 2 2 ) (
3 2
x x x x f
n

avec les contraintes:
. 5 2 2
, 3
, 4 3 2
3 2 1
3 2 1
3 2 1
x x x
x x x
x x x

La solution optimum est , 6 *) ( , ) 0 2 1 ( * x f x
T

.
1 3 1
0 2 1
0 1 1
1
B
I. Soit la premire situation. Les nouvelles composantes du
vecteur . 5 3 5
T
b Vrifions :
B
x
1
1
2
5
3
5
1 3 1
0 2 1
0 1 1
B
x .

92
Toutes les composantes de
B
x sont non-ngatives, donc, la
solution est . 7 1 1 2 2 2 ) (
*
B
x f
II. Soit le vecteur
T
b 5 4 4 , on a alors :
,
3
4
0
5
4
4
1 3 1
0 2 1
0 1 1
1
b B x
B

ayant une composante ngative, on continue les itrations, partant
du dernier tableau, car elle est une solution dual-ralisable :
B
c
B
x

1
x
2
x
3
x
4
x
5
x
6
x
0
2
2

6
2
1
x
x
x

3
4
0

0
0
1

0
1
0

2
1
2

1
1
1

3
2
1

1
0
0

j j j
c z
8 0
0 1 0
2 0
0
2
2

5
2
1
x
x
x

1
2
1

0
0
1

0
1
0

3 / 2
) 3 ( , 0
33 , 1

3 / 1
) 3 ( , 0
667 , 0

1
0
0

1
) 6 ( , 0
) 3 ( , 0

j j j
c z
6 0 0
) 3 ( , 2

) 6 ( , 0

0 ) 6 ( , 0


On a obtenu la solution optimum:
6 ) ( et 0) 2 (1
* *
B
T
B
x f x .

8.2. Modification des coefficients de la fonction objective
La roptimisation de la fonction objectif se fait en base de
lanalyse de nouvelles diffrences. On distingue 2 cas :
1) Si les diffrences
j j j
c z correspondantes aux
vecteurs qui nappartiennent pas la base B gardent le

93
signe davant la modification du vecteur c. Cela signifie
que la nouvelle solution sera de mme optimum.
2) Si au moins une des diffrences
j j j
c z , qui
correspondent un vecteur nappartenant pas la base, est
positive dans le cas du problme de minimum et ngative
dans le cas du problme de maximum, alors les itrations
continueront par lapplication de lalgorithme simplex
primaire, partant du dernier tableau simplex.
Remarque. La roptimisation du vecteur c peut tre ralise de
mme en crivant le dual du problme donn; dans ce cas le
vecteur c devient b et on procde de la manire dcrite en 8.1.
Nous allons analyser les deux cas en base du mme exemple.
1. Soient les coefficients de la fonction objectif sont devenus
respectivement
T
c 1 2 3 . Il faut donc rsoudre:
max 2 3 ) (
3 2 1
x x x x f
avec les contraintes
0 , 0 , 0
5 2 2
3
4 3 2
3 2 1
3 2 1
3 2 1
3 2 1
x x x
x x x
x x x
x x x

On observe que na pas chang seulement la premire
composante de la fonction objective, qui correspond
1
x qui
nappartient pas la base
B
x , la solution reste donc optimum,
j

ne change pas de signe. On a:
. 7 2 2 1 3 et 0 2 1
*
) f(x , x
*
T

Soit le modle
3 2 1
3 2 2 ) ( x x x x f avec les contraintes
suivantes

94
0 , 0 , 0
5 2 2
3
4 3 2
3 2 1
3 2 1
3 2 1
3 2 1
x x x
x x x
x x x
x x x

Observons que seulement la composante de
3
x a chang, le
vecteur de laquelle entre dans la base
B
x , donc on continuera les
itrations en partant de la solution obtenue dans le cas 8.1.

8.3. Ajout dun vecteur colonne la matrice A
Dans le cas de lextension de la matrice A avec un ou
plusieurs vecteurs colonnes, il est ncessaire de vrifier le critre
doptimum, c..d. les diffrences
j j j
c z , qui correspondent
aux vecteurs introduits. On distingue 2 cas :
1) Si les conditions doptimum sont vrifies, la solution reste
optimale pour la matrice tendue aussi.
2) Sil existe au moins un vecteur
m
a , m un de lensemble
des indices introduits, qui ne vrifie pas le critre
doptimum, alors on continue les itrations jusque la
dtermination de la solution optimale.

8.4. Modification dun vecteur colonne de la matrice A
Supposons que le vecteur
i
a

de la matrice A a chang aprs
la dtermination de la solution optimale
B
x . Nous aurons tudier
2 cas, en dpendance de lappartenance ou non appartenance de ce
vecteur la base B :
1) Si
i
a nappartient pas la base B, alors on vrifie le critre
doptimum
j j j
c z . Dans le cas o la solution nest
pas optimale, on continue les itrations.
2) Si
i
a appartient a base optimale B, alors il acquiert la
forme
j
a . Donc, on a modifi une colonne de la matrice B,
fait qui mne au changement de
1
B , qui devrait tre

95
recalcule. Soit la nouvelle matrice note .
~
1
B laide de
cette matrice on refait, colonne par colonne, tout le tableau
final, en utilisant les formules :
m l a B a b B x
l l B
,.., 2 , 1 ,
~
~
;
~
~
1 1

Dans le cas de lalgorithme simplex primaire et dual il est
possible que certaines composantes du vecteur
B
x~
~
soient
ngatives, ainsi que le critre doptimum ne soit pas vrifi. Dans
ces cas on reprend le problme de litration antrieure lentre
du vecteur a
j
dans la base ou on augmente la matrice A dune
colonne, cas qui a t analys dans le point prcdent.

8.5. Ajout de nouvelles contraintes
Supposons quaprs la dtermination de la solution
optimale
B
x on ajoute des nouvelles contraintes (lignes) au
systme Ax=b. nous obtiendrons le PPL :
.
,
, 0
,
max ) (
1
1
1
1 1
R b R A
x
b
b
x
A
A
x c x f
n
T

Formons le system tendu:
.
.
, 0 , 0
,
max , ) (
1
1
1 1 1
1
n
n
l
l
R I
x x
b
b
x
x
I A
O A
x x c x g


96
Si
1
B est base optimale pour le PPL initial et
1
1
B - son inverse,
alors la matrice
I B
O B
B
2
1

est non singulire (
2
B est la matrice forme des composantes des
contraintes supplmentaires correspondantes la base
1
B dans la
solution optimale finale).
En notant par
1
b le vecteur des termes libres du problme
tendu, on obtient :
.
1
1
1
b B x
opt




IX. RESOLUTION DES PROBLEMES A
LORDINATEUR

9.1. Le produit informatique QM
Les algorithmes dcrits dans les paragraphes prcdents
crent la ncessit dutiliser un logiciel spcialis dans la
rsolution des problmes respectifs lordinateur. On peut utiliser
le produit informatique QM, ralis en buts didactiques [12].
Le paquet QM contient 15 modules. Le module A est ddi
aux problmes de programmation linaire et le module E aux
problmes de transport. Il permet lutilisateur de rsoudre
correctement et vite les problmes respectifs. Mais lavantage
majeur de lutilisation de QM est lanalyse conomique que
lusager peut raliser en base des rsultats fournis de ce paquet.
Nous allons expliquer le fonctionnement du produit QM en
base de 2 exemples concrets.


97
9.2. Lancement du paquet et sortie
Activons le directoire dans lequel se trouve QM et
excutons le programme qm.com. Sur le display apparat le Menu
principal, o nous slectons le module A pour rsoudre un
problme de programmation linaire (A. Linear Programming) ou
le module E pour un problme de transport (E. Transportation)
Aprs la slection du mode ncessaire, le programme
affiche linterface de travail, qui contient 3 fentres. La fentre la
plus basse contient une liste de commandes qui peuvent tre
actives en enfonant la touche respective. La sortie normale du
programme QM se fait en touchant <ESC> plusieurs fois pour
revenir au systme dexploitation.

9.3. Rsolution dun problme de programmation linaire
Soit le problme :
. 0 , ,
, 5 3
, 2 2 4
, 1 2
max 3
3 2 1
3 1
3 2 1
3 2 1
3 2 1
x x x
x x
x x x
x x x
x x x f

Excutons QM et slectons le module A. Ce module rsout
des problmes de programmation linaires avec plus de 50
contraintes et 50 variables, en utilisant lalgorithme simplex
primaire. Sur lcran apparat linterface de travail.
Pour introduire les donnes du problme, lanons la
commande New, en touchant la lettre N. Un autre cran 3
fentres apparat. Compltons les champs de donnes des
premires 2 fentres avec les donnes du problme dans le mode
suivant :
Dans la fentre den haut, dans le champ "Problem Title"
introduisons le titre du problme. Dans Type of Problem
(Max=1/Min=2) introduisons le chiffre 1, car nous avons un
problme de maximisation; dans Tableau(All=1/Final=2/No=3)
introduisons 1 pour afficher les tableaux simplex de toutes les

98
itrations ; dans Number of Constraints introduisons 3, car nous
avons trois restrictions dans le problme ; dans Number of
Variables introduisons 2 le nombre de variables. Le passage
dun champ lautre se fait en touchant <ENTER>.
Aprs avoir complt la premire fentre on passe celle
du milieu, o sont affichs les autres champs de donnes
complter. Ici nous devons introduire les coefficients de la
fonction initiale, les coefficients des restrictions, le type des
restrictions et les parties droites des restrictions.
Obj.: les coefficients pour la fonction objectif: -1 1 3;
C1: les coefficients de la contrainte 1: 2 1 1; type de la
contrainte 1: < (pour ); partie droite de la contrainte 1: 1;
C2: donnes de la contrainte 2: 4 -2 1 > -2;
C3: donnes de la contrainte 3: 3 0 1 < 5.
Aprs avoir introduit les donnes, lanons la commande
Run. QM va afficher les rsultats suivants :

Program: Liniar Programming
Problem Title : Pr. De programare liniar
***** Input Data *****
Max. Z= -1x1 + 1x2 + 3x3
Subject to
C1 2x1 1x2 + 1x3 <=1
C2 4x1 2x2 +1x3 >=-2
C3 3x1 + 1x3 <= 5

***** Program Output *****
Simplex Tableau 0
Cj
Cb
Basis Bi -1.000
x1
1.000
x2
3.000
x3
0.000
s1
0.000
0.000
0.000
s1
s2
s3
1.000
2.000
5.000
2.000
-4.000
3.000
-1.000
2.000
0.000
1.000
-1.000
1.000
1.000
0.000
0.000

99
Zj
Cj-Zj
0.000 0.000
-1.000
0.000
1.000
0.000
3.000
0.000
0.000

Cj
Cb

Basis

Bi
0.000
s2
0.000
s3

0.000
0.000
0.000
s1
s2
s3
1.000
2.000
5.000
0.000
1.000
0.000
0.000
0.000
1.000

Zj
Cj-Zj
0.000 0.000
0.000
0.000
0.000

Simplex Tableau 1
Cj
Cb

Basis

Bi
-1.000
x1
1.000
x2
3.000
x3
0.000
s1
3.000
0.000
0.000
x3
s2
s3
1.000
2.000
4.000
2.000
-2.000
1.000
-1.000
1.000
1.000
1.000
0.000
0.000
1.000
1.000
-1.000
Zj
Cj-Zj
3.000 6.000
-7.000
-3.000
4.000
3.000
0.000
3.000
-3.000

Cj
Cb

Basis

Bi
0.000
s2
0.000
s3

3.000
0.000
0.000
x3
s2
s3
1.000
3.000
4.000
0.000
1.000
0.000
0.000
0.000
1.000

Zj
Cj-Zj
3.000 0.000
0.000
0.000
0.000



Simplex Tableau 2

100
Cj
Cb

Basis

Bi
-1.000
x 1
1.000
x 2
3.000
x 3
0.000
s1
3.000
1.000
0.000
x 3
x 2
s 3
4.000
3.000
1.000
0.000
-2.000
3.000
0.000
1.000
0.000
1.000
0.000
0.000
2.000
1.000
-2.000
Zj
Cj-Zj
15.000 -2.000
1.000
1.000
0.000
3.000
0.000
7.000
-7.000

Cj
Cb

Basis

Bi
0.000
s2
0.000
s3

3.000
1.000
0.000
x 3
x 2
s 3
4.000
3.000
1.000
1.000
1.000
-1.000
0.000
0.000
1.000

Zj
Cj-Zj
15.000 4.000
-4.000
0.000
0.000



Simplex Tableau 3
Cj
Cb

Basis

Bi
-1.000
x 1
1.000
x 2
3.000
x 3
0.000
s 1
3.000
1.000
-1.000
x 3
x 2
x 1
4.000
3.667
0.333
0.000
0.000
1.000
0.000
1.000
0.000
1.000
0.000
0.000
2.000
-0.333
-0.667
Zj
Cj-Zj
15.333 -1.000
0.000
1.000
0.000
3.000
0.000
6.333
-6.333
Cj
Cb

Basis

Bi
0.000
s 2
0.000
s 3

3.000
1.000
-1.000
x 3
x 2
x 1
4.000
3.667
0.333
1.000
0.333
-0.333
0.000
0.667
0.333


101
Zj
Cj-Zj
15.333 3.667
-3.667
0.333
-0.333


Final Optimal Solution
Z= 15.333
Variable Value Reduced Cost
X1
X2
X3
0.333
3.667
4.000
0.000
0.000
0.000
Constrain Slack/Surplus Shadow Price
C1
C2
C3
0.000
0.000
0.000
6.333
3.667
0.333

Objective Coefficient Ranges
Va
ria
bl
es
Lower
Limit
Current
Values
Upper
Limit
Allowable
Increase
Allowable
Decrease
x1
x2
x3
-2.000
0.000
-0.000
-1.000
1.000
3.000
8.500
20.000
No limit
9.500
19.000
No limit
1.000
0.500
3.167
Right Hand Side Ranges

***** End of Output *****

Dans la premire partie il est prsent le problme
rsoudre. Ensuite sont affiches les tables simplex demandes. Ici
s1,s2,s3 sont les variables cart avec les coefficients 0 dans la
fonction objectif. Eventuellement peuvent apparatre des variables
artificielle notes A1,A2, avec les coefficients (-M) (ou M) dans
la fonction objectif.
La premire ligne du tableau simplex contient les coefficients de la
fonction objectif.
La seconde le nom des colonnes du tableau :

102
Cb: les coefficients de la fonction objectif pour la base
courante;
Basis : la base courante;
Bi: la solution litration courante;
x1,x2,,s1,s,,A1,A2,: coefficients de la variable
respective des contraintes;
Zj: produit scalaire entre la colonne Cb et la colonne sous laquelle
est affich Zj; la premire valeur est la valeur de la fonction
objectif pour la solution courante ; sous les colonnes
s1,s2,,A1,A2, se trouvent les valeurs des variables duales;
j j
Z - C : les diffrences entre Cj et Zj, qui reprsentent des
critres pour la vrification de loptimum de la solution. A la
maximisation la solution est optimale si 0 Z - C
j j
pour tout j.
(
j j
Z - C montre comment change la fonction objectif si la variable
xj, sj ou Aj non basique entrerait dans la base; de mme, (
j j
Z - C )
montre la valeur de la contrainte duale : (
i ij j
u a c )).
Le tableau suivant Final Optimal Solution contient les
valeurs optimales pour la fonction objectif et variables. La colonne
Reduced Cost montre les valeurs des restrictions (
j i ij
c u a )
pour le problme dual gales
j j
C Z du problme dual.
Dans le tableau suivant sont indiqus les valeurs des
variables cart, c..d. lcart de la valeur de la partie gauche de la
restriction par rapport la partie droite (Stack/Surplus) et les prix
ombre (Shadow Price), c..d. la solution optimale du problme
dual.
Le tableau Objective Coefficient Ranges montre la
sensibilit de la solution la variation des coefficients de la
fonction objectif. Ses colonnes : Variables = Variable (
j
x ); Lower
Limit = la limite infrieure; Curent Value = la valeur courante
(
j
c ); Upper Limit = la limite suprieure; Allowable Increase =
lincrmentation admise; Allowable Decrease = la dcrmentation
admise.

103
Pour x
1
, par exemple, linformation de ce tableau est
interprte de la manire : si toutes les autres conditions du
problme restent inchanges et le coefficient 1
1
c dauprs
1
x
de la fonction objectif varie dans lintervalle [-2;8.5] ( [Lower
Limit; Upper limit] ), c..d. la solution optimale du problme
primaire reste inchange et la valeur de la fonction objectif est
modifie par la valeur
1 1
c x .
Le tableau Right Hand Side Ranges montre la sensibilit
de la solution la variation des parties droites des contraintes. Ses
colonnes : Constraints = contrainte; Lower Limit, Curent Value
(
i
b ), Upper Limi, Allowabl Increase et Allowable Decrease avec
le mme sens du tableau prcdent.
Interprtation de linformation du tableau : Par exemple,
pour la restriction C3 : si toutes les autres conditions du problme
restes inchanges et la partie droite de la restriction C3 5
3
b
varie dans lintervalle ) ; 4 [ ( [Lower Limit; Upper Limit]),
c..d. dcrot avec ] 1 ; 0 [
3
b ( [0;Allowable Decrease] ) ou crot
avec ] ; 0 [
3
b ( [0;Allowable Increase] ), alors la solution
optimale du problme reste aussi inchange la valeur optimale de
la fonction varie avec .
3 3
b u Du thorme de la dualit on
dduit que la valeur optimale de la fonction objectif du problme
primaire changera respectivement avec la mme valeur.

9.4. Rsolution dun problme de transport
Soit le problme de transport de minimisation avec la
matrice
d1 d2 d3 d4 a
s1
s2
s3
2
2
3
1
3
3
3
3
2
2
1
1
90
70
50
b 80 60 40 30

104
Lanons QM et slectons le module E, qui rsout des
problmes de transport avec plus de 40 destinations
(consommateurs). Lanons la commande New pour introduire les
donnes du problme. Lcran de travail avec 3 fentres est alors
affich. Dans la fentre den haut, dans le champ Problem Title:
introduisons le titre du problme; dans Type of Problem
(Max=1/Min=2) introduisons 2, car nous avons un problme de
minimisation; dans Initial (MW=1/MC=2/VAM=3) indiquons la
mthode de dterminaison de la solution initiale :
1) mthode du coin Nord-Ouest (NW);
2) mthode du cot minimum du tableau (MC);
3) mthode Vogel = mthode des diffrences maximales
(VAM).
Dans le champ Number of Sourses introduisons 3- le
nombre de fournisseurs; dans Number of Destinations
introduisons 4 le nombre de consommateurs.
Dans la fentre seconde les sources sont notes par les lignes
S1,S2,, et les destinations par les colonnes D1,D2, . A
lintersection de ces lignes et ces colonnes introduisons les cots
unitaires de transport de la matrice de transport. Dans la colonne
"Sources" nous introduisons la quantit de marchandises pour
chaque source ; dans la ligne "Des." nous introduisons la quantit
de marchandises ncessaire chaque consommateur.
Finissons lintroduction des donnes par <ESC> et activons
Run pour rsoudre le problme. QM donne les rsultats suivants :
Program: Transportation
Problem Title : Pr. De transport
***** Input Data *****
Minimization Problem :
1 2 3 4 Supply
1
2
3

2.0
2.0
3.0

1.0
3.0
3.0
3.0
3.0
2.0
2.0
1.0
1.0
90.0
70.0
50.0
Demand 80.0 60.0 40.0 30.0

105

***** Program Output *****
Initial Solution by Northwest Corner Method
1 2 3 4 Supply
1
2
3
80.0
0.0
0.0
10.0
50.0
0.0
0.0
20.0
20.0
0.0
0.0
30.0
90.0
70.0
50.0
Demand 80.0 60.0 40.0 30.0 210.0
Initial Solution : 450.0
Optimal Solution by MODI
1 2 3 4 Supply
1
2
3

30.0
50.0
0.0

60.0
0.0
0.0
0.0
0.0
40.0
0.0
20.0
10.0
90.0
70.0
50.0
Demand 80.0 60.0 40.0 30.0 210.0

Optimal Solution : 330.0
***** End of Output *****

Le premier tableau contient la matrice de transport du
problme. (Supply = loffre; Demand = la demande).
Le tableau second contient la solution initiale dtermine
par la mthode slecte (NW) et le dernier tableau contient la
solution optimale obtenue par la mthode MODI (algorithme
simplex MODIfi pour les problmes de transport).


X. Exercices
1. Dmontrer que si X et Y sont deux ensembles convexes
alors lensemble Y X Z est aussi convexe.

106
2. Dmontrer que les sommets du tronon } | { b Ax x T ,
o A est une matrice de dimension
m n
R b R x n m n m , , ,
sont ses points
dextremum.
3. Dterminer les points dextremum du tronon T dfini par :
. 0
, 0
, 9
12,
, 18
, 12 2
2
1
2
1
2 1
2 1
x
x
x
x
x x
x x

4. Dmontrer que les fonctions
3
3 2 1
2
3
2
2
4
1 4
2
2 1
2
2
2
1 3
1
2
1
1
, 4 4 3 2 ) (
, , 2 2 ) (
, , 0 , ) (
, ) (
R x x x x x x x x f
R x x x x x x f
R x x x x f
R x x x f
n
k
n
k

sont convexes. Lesquelles sont strictement convexes et
lesquelles sont fortement convexes?
5. Soit , ), (
n
R x x f une fonction convexe. Montrer que si
R p p R x x f
n
, 1 et , 0 ) ( et alors la fonction
p
x f x g )] ( [ ) (
est convexe.
6. Soit
, , ) (
2
2
n
R x b Ax x f
o A est une matrice de dimension . ,
m
R b n m
Dmontrer que la fonction f(x) est convexe dans
n
R .

107
7. Dmontrer que si les fonctions
n
i
R m i x f , ,..., 2 , 1 ), ( sont
convexes alors la fonction
) ( max ) (
1
x f x g
i
m i

est aussi convexe.
8. Dmontrer que pour nimporte quelle fonction
, ), (
n
R x x f qui a un point de minimum global dans
n
R T , a lieu:
)). ( ( max ) ( min x f x f
T x T x

9. Ecrire sous la forme standard le problme de
programmation linaire suivant :
min 4 2 3 ) (
3 2 1
x x x x f
dans les contraintes
. 0 , 0
, 2 5 4
, 5 3 2
, 4 9 6 3
3 1
3 2 1
3 2 1
3 2 1
x x
x x x
x x x
x x x

10. Rsoudre par la mthode graphique de programmation
linaire
min 6 4 ) (
2 1
x x x f
dans les contraintes
. 0 , 0
, 9 3
, 12 6
, 8 2
2 1
2 1
2 1
2 1
x x
x x
x x
x x

11. On a le systme dquations linaires
. 4 , 3 , 2 , 1 , 0
, 3 2
4, 3
4 2 1
3 2 1
i x
x x x
x x x
i

a) crire ce systme sous la forme explicite ;

108
b) dterminer une solution de base ;
c) dterminer une solution admissible de base.
12. Rsoudre le problme de programmation linaire
0 , 0 , 0
, 0 2
, 2 5
min 2 2 ) (
3 2 1
2 2 1
3 2 1
3 2 1
x x x
x x x
x x x
x x x x f

utilisant la mthode du simplexe.
13. Dmontrer que la duale dun problme dual de
programmation linaire est le problme initial.
14. Rsoudre le problme primal et dual. Donner
linterprtation gomtrique.
a) min 2 ) (
2 1
x x x f
; 0 , 0
, 1 3
, 5 3
2 1
2 1
2 1
x x
x x
x x

b) max ) (
2 1
x x x f
; 0 , 0
, 6 3
, 6 3
2 1
2 1
2 1
x x
x x
x x

c) max 2 ) (
2 1
x x x f
. 0 , 0
, 2 2
, 2 3
2 1
2 1
2 1
x x
x x
x x

15. Dmontrer que si le problme primal a la fonction
objectif non borne sur lensemble des solutions
admissibles, alors le problme dual na pas de solutions
admissibles.
16. Utilisant lalgorithme du simplexe dual rsoudre le
problme de programmation linaire

109
min 3 2 ) (
3 2 1
x x x x f
. 0 , 0 , 0
. 3 2 2
, 2 2 2
, 6 2
, 3 4
3 2 1
3 2 1
3 2 1
3 2 1
3 2 1
x x x
x x x
x x x
x x x
x x x

17. Rsoudre le problme de transport avec les donnes
suivantes

18. Utilisant lalgorithme Gomory rsoudre le problme de
programmation linaire en nombres entiers
max 3 ) (
3 2 1
x x x x f
. 0 , 0 , 0
, ,
, 1 2
, 2 2 4
, 5 3
3 2 1
3 2 1
3 2 1
3 2 1
3 1
x x x
ntregi x x x
x x x
x x x
x x

19. Rsoudre le problme de programmation linaire
fractionnaire
max
1 2
3 1
3 2 1
x x
x x x
f
B
j
A
j
B
1
B
2
B
3
B
4
B
4
a
i

A
1


1

3

2 4 5 50

A
2


3

1 5 3 2 40

A
3


4

2

1

5 1 60

A
4
2 3 1 2 4 21

b
j
15 25 36 10 85 171

110
. 0 , 0 , 0
, 4 2
, 8 3
3 2 1
3 2 1
3 2 1
x x x
x x x
x x x


XI. Solutions de quelques exercices

1. Soit . ,
2 1
Z z z Rsulte que X z z
2 1
, et Y z z
2 1
, .
Considrons le point 1 0 , ) 1 ( ) (
2 1
z z z . Vu
que les ensembles x et y sont convexes on a X z ) ( et
Y z ) ( pour 1 0 , qui signifie que Z z ) ( .
2. Soit x un sommet du tronon T reprsent par le
systme b x A , o A est une matrice nn, non singulire
et soit T y z, deux points arbitraires.
Si z y x ) 1 ( , 1 0 rsulte
, 1 1 b b b z A y A x A b
contradiction.
3.
0
12
,
6
12
,
9
6
,
9
0
,
0
0
5 4 3 2 1
x x x x x
6. On vrifie immdiatement que
m n T
R y R x y A x y Ax , ), , ( ) , ( .
En consquence:
n T T
R y x y Ay A y b Ax A x f y x f , ), , 2 (
2
1
) ), ( ( 2 ) ( ) ( .
Rsulte :
) ( 2 b Ax A x f
T
, Ax A x f
T
2
2
.
Mais
n T
R v Av Av Av v Av A v v x f , 0 2 ) , ( 2 ) , ( 2 ,
2
2
2
,

111
cest--dire la matrice Hesse est positif semidfinie et
la fonction f(x) est convexe.
7.
). ( ) 1 ( ) (
) ( max ) 1 ( ) ( max
)] ( ) 1 ( ) ( [ max
) ) 1 ( ( max ) ) 1 ( (
1 1
1
1
y g x ag
y f x f a
y f x f
y x f y x g
i
m i
i
m i
i i
m i
i
m i

10. . 26 , 3 , 2
min
*
3
*
1
f x x
11. Pour la matrice
1 0 1 2
0 1 3 1
A
Si on choisi
1 0
0 1
B et
1 2
3 1
N
on obtient le systme explicit
2 1 4
2 1 3
2 3
3 4
x x x
x x x

Une solution de base est , 0 , 0
2 1
x x , 3 , 4
4 3
x x
qui nest pas admissible, parce quelle ne vrifie pas les
conditions de non ngativit.
Si on choisi
1 2
3 1
B et
1 0
0 1
N
on obtient explicitement
N B
Nx B b B x
1 1

ou

112
4 3 2
4 3 1
5
1
5
2
1
5
3
5
1
1
x x x
x x x

On a une solution admissible de base x
1
= 1, x
2
= 1, x
3
= 0,
x
4
= 0.
12. 7 / 12 , 7 / 2 , 7 / 4 , 0
min
*
3
*
2
*
1
f x x x
16. 2 / 21 , 0 , 2 / 9 , 2 / 3
min
*
3
*
2
*
1
f x x x
17.
. 21 , 60 , 25 , 10
, 5 , 15 , 20 , 15
*
43
*
35
*
25
*
24
*
22
*
13
*
12
*
11
x x x x
x x x x

18. . 15 , 4 , 3 , 0
max
*
3
*
2
*
1
f x x x
19. . 41 / 8 , 0 , 12 , 20
max
*
3
*
2
*
1
f x x x

113
BIBLIOGRAPHIE
1. Brezinski C. Initiation a la programmation linaire et a
lalgorithme du simplex. Ellipses Edition Marketing S.A.,
Paris, 2002. 90 p.
2. Mellouli K. Kamel A. El., Borne P. Programmation
linaire et applications. Elements de cours et exercices
rsolus. Editions Technip, Paris, 2004, 112 p.
3. Werra D., Liebling Th. M., Heche J.-F. Recherche
oprationnelle pour ingnieurs I. Presses polytechniques et
universitaires romandes. Lausanne, 2003, 386 p.
4. Moraru V., Prachi I., Berzan R. Introducere n
optimizarea liniar. Editutra A.S.E.M., 1997. 112 p.
5. Smadici C. Cercetare operaional. Universitatea Al. I.
Cuza, Iai, Facultatea de matematic, 1985.- 654p.
6. Strave P. Matematici speciale cu aplicaii n economie.
Scrisul romnesc, Craiova, 1982.- 547p.
7. . .
. .: , 1984.-224. (traducere din
limba englez Murtagh B. Advanced Linear
Programming: Computation and Practice, 1981).
8. .
. .: , 1991.-360. (traducere din
limba englez. Schrijver A. Theory of linear and integer
programming, 1990)
9. Lucrri practice. Studiile de caz rezolvate cu produsul
informatic QM. A .S.E. Bucureti, 1995.


114
Table des matires
Avant- Propos ....................................................................................................... 3
1. NOTIONS CONCERNANT LES ENSEMBLES ET LES FONCTIONS
CONVEXES ............................................................................................................ 6
1.1. Ensembles convexes ......................................................................................... 6
1.2. Fonctions convexes ........................................................................................ 10
2. LA PROGRAMMATION LINEAIRE ........................................................... 16
2.1. Problme gnral de programmation linaire ................................................. 16
2.2. Exemples de problmes de programmation linaire ........................................ 18
2.3. Forme dun problme de programmation linaire .......................................... 21
2.4. Interprtation gomtrique des problmes de programmation linaire deux
variables ............................................................................................................... 24
III. Mthode du Simplexe .............................................................................. 27
3.1. Solution admissible de base ............................................................................ 28
3.2. Critre doptimalisation .................................................................................. 30
3.3. Algorithme du simplexe .................................................................................. 33
3.4. Tableaux simplexe......................................................................................... 40
3.5. Dterminaison de la solution initiale de base .................................................. 47
IV. Dualit en programmation linaire..................................................... 49
4.1. Problmes duals symtriques .......................................................................... 49
4.2. Thormes duales de la programmation linaire ............................................ 51
4.3. Algorithme simplexe dual ............................................................................... 54
V. Rsolution des problmes de transport ............................................ 60
5.1. Prliminaires .................................................................................................. 60
5.2. Dterminaison de la solution initiale de base.................................................. 62
5.3. Mthode des potentiels................................................................................... 68
VI. Programmation linaire en nombres entiers .................................. 78
VII. Programmation linaire fractionnaire ............................................. 87
VIII. Roptimisation et analyse paramtrique ..................................... 90
8.1. Modification du vecteur des paramtres libres ............................................... 90
8.2. Modification des coefficients de la fonction objective..................................... 92
8.3. Ajout dun vecteur colonne la matrice A ..................................................... 94
8.4. Modification dun vecteur colonne de la matrice A ........................................ 94
8.5. Ajout de nouvelles contraintes ...................................................................... 95
IX. RESOLUTION DES PROBLEMES A LORDINATEUR...................... 96
9.1. Le produit informatique QM ......................................................................... 96
9.2. Lancement du paquet et sortie ....................................................................... 97
9.3. Rsolution dun problme de programmation linaire .................................... 97
9.4. Rsolution dun problme de transport .........................................................103
X. Exercices.......................................................................................................105
XI. Solutions de quelques exercices .......................................................110
BIBLIOGRAPHIE ...............................................................................................113


115



Recherche oprationnelle

Elments de cours




Autor: Vasile MORARU









Bun de tipar 23.01.12. Formatul hrtiei 60x84 1/16.
Hrtie ofset. Tipar RISO. Tirajul 30.
Coli de tipar. 7,25 Comanda nr. 10

U.T.M., 2004,Chiinu, bd. tefan cel Mare, 168.
Secia Redactare i Editare a U.T.M.
2068, Chiinu, str. Studenilor, 9/9.

Vous aimerez peut-être aussi