Académique Documents
Professionnel Documents
Culture Documents
Abrg de thermodynamique,
Daniel Fargue
Stratgie dentreprise
Thierry Weil
Recherche oprationnelle
Mthodes doptimisation en gestion
Michel Nakhla, Jean-Claude Moisdon
e-mail : presses@mines-paristech.fr
http://www.mines-paristech.fr/Presses
ISBN : 978-2-911256-15-8
Dpt lgal : 2010
INTRODUCTION
La Recherche Oprationnelle constitue selon les cas, une simple branche des
mathmatiques ; l'autre bout du spectre, elle consiste en l'application des mthodes
scientifiques au contrle et au pilotage de l'action organise. Dans le cadre de cet
ouvrage, nous nous limiterons volontairement la dfinition suivante :
La Recherche Oprationnelle est une collection de techniques, issues du
champ des mathmatiques appliques, destines reprsenter des
situations o un ou plusieurs acteurs ont un certain nombre de choix
effectuer, et guider ces acteurs dans leur dcision de faon ce qu'ils
satisfassent au mieux un ou plusieurs critres tout en respectant un
ensemble de contraintes prdfinies .
En quelque sorte, on s'intresse bien un secteur particulier des mathmatiques, celui de
l'optimisation sous contraintes, mais en en restreignant le champ : en effet la dfinition
propose suggre que l'on ne traitera que de problmes de dcision conomique, ou en
tout cas qui y ressemblent : l'ensemble des variables de dcision, des critres, des
contraintes auront une signification conomique et gestionnaire. Il s'agira donc de
formaliser des problmes d'allocation de ressources, d'organisation de la logistique,
d'ordonnancement de production, de planification de production
Cette dfinition explique tout d'abord la nature des problmes abords par la R.O
(Recherche Oprationnelle) : ils ne sont pas guids par le dveloppement autonome
d'une branche des mathmatiques, mais par l'ensemble des problmes de dcision
conomique que peuvent se poser les collectivits organises, pour l'essentiel les
entreprises ou les administrations. Ces problmes sont ordonns dans des classes larges
(problmes d'ordonnancement d'atelier par exemple) o non seulement les questions
poses sont communes tous les problmes de la classe, mais galement un certain
nombre de variables et de relations entre ces dernires, si bien que l'on peut laborer des
modles de base, quitte ensuite, au cas par cas, examiner comment on peut les adapter
aux situations concrtes envisages.
Il va de soi que le prsent ouvrage, compte tenu de son volume, n'a pour ambition que de
prsenter les principaux modles de rfrence.
Une autre consquence de cette dfinition est que, comme le lecteur s'en apercevra
facilement, une htrognit certaine caractrise fatalement un expos des principales
techniques de la R.O : cela provient de la grande varit des problmes dcisionnels que
l'on peut rencontrer dans les entreprises, problmes qui n'ont aucune raison de relever
d'un formalisme voisin. Il y a en effet peu de rapport entre l'optimisation dun plan de
transport de marchandises et la fixation d'un nombre de guichets dans un phnomne
d'attente : en effet les modlisations s'attaquant l'un et l'autre de ces deux problmes
n'ont clairement pas grand chose de commun.
La R.O s'attaque des problmes de gestion et de dcision des organisations
conomiques et la prise en compte du combinatoire et de l'incertitude.
Recherche oprationnelle
Introduction
rptitif (prix fixes et demande constante en probabilits), il peut alors agrger les
bnfices correspondant aux diffrentes ventes grce un oprateur simple que
connaissent bien les spcialistes des probabilits, savoir l'esprance mathmatique
(moyenne des bnfices pondrs par leurs probabilits). Un thorme clbre, le
Thorme Central Limite, justifie en effet que l'on prenne ce critre comme critre de
choix, dans un contexte de rptition (stabilit des donnes et dcision rpte un grand
nombre de fois). Il ne reste plus alors notre marchand de journaux, convaincu par cet
difice thorique, qu' calculer les esprances mathmatiques de bnfice, pour chaque
niveau d'achats du quotidien, et choisir le niveau qui maximise cette esprance. Il est
intressant de noter d'ailleurs qu' ce stade le problme reste assez compliqu : en effet,
il est facile de s'apercevoir que cette modlisation aboutit une formule relativement
complexe liant l'esprance du bnfice au niveau d'achat, pour laquelle les techniques
d'optimisation fonctionnelle classiques (drivation par exemple) sont inoprantes ; le
marchand de journaux sera donc oblig de procder pas pas, en ttonnant sur le niveau
d'achat, et en calculant chaque fois la formule, pour trouver le niveau optimal. Et
pourtant, les hypothses sont frustes ! On sent bien qu'un problme rel ressemblant ce
problme pur va supposer des hypothses plus fines (variation de la loi de
probabilits de la demande, possibilits de ventes le lendemain de la parution etc.)
risquant de compliquer quelque peu le modle.
Quoiqu'il en soit, on voit bien quel est l'apport de la R.O dans ce cadre : elle permet ce
que l'esprit ordinaire ne peut pas faire, c'est--dire l'intgration dans un calcul des
consquences des multiples vnements qui peuvent peser sur une dcision conomique.
Quelques lments historiques
On a l'habitude de situer la naissance de la R.O lors de la seconde guerre mondiale, au
sein de l'arme britannique, qui a commenc formaliser un certain nombre de
problmes stratgiques, tel l'optimisation du parcours ou de la composition des convois
maritimes ou encore celle du positionnement des radars etc.
Certains auteurs, cela dit, ne sont pas sans souligner que les perspectives d'application
des modles l'action organise se sont manifestes bien avant, qu'il s'agisse de la
construction des pyramides, de la mise en place du sige de Syracuse, ou encore des
problmes de dblai et de remblai formaliss par Monge.
Pour ce qui nous intresse, c'est dire la diffusion de la discipline dans les entreprises,
on peut nanmoins considrer que cette diffusion s'est opre, et un rythme acclr,
dans les annes cinquante.
On ne peut s'empcher de relier ce dveloppement celui de l'informatique. La plupart
des outils de la R.O ncessitent en effet un support informatique pour rsoudre les
problmes auxquels ils s'attaquent.
Mais, bien qu'il existe peu d'tudes sur ce type de sujet, on peut aussi penser que la R.O
est fonde sur une reprsentation implicite de l'entreprise et de son fonctionnement qui
s'est constitue rcemment, en tout cas au vingtime sicle. Faire de l'organisation une
combinatoire d'activits plus ou moins incertaines signifie en effet un pralable qui est la
codification de ces activits, une explicitation de ce qui les relie, une quantification des
Recherche oprationnelle
consommations de ressources qu'elles impliquent. C'est dire que la R.O est insparable
de l'approche scientifique du travail de Taylor.
Au cours des annes cinquante le dveloppement de la R.O dans les organisations s'est
transform en vritable engouement; une sorte de rve semble avoir t partag par
nombre de cadres de l'industrie, savoir la possibilit de traiter tous les problmes de
gestion, d'organisation et de dcision conomique par des modles et de conduire la
destine des entreprises grce aux mathmatiques.
La R.O s'est constitue en discipline part entire, au dbut des annes soixante, avec la
mise sur pied des principaux attributs d'une profession : experts spcialiss, cration de
revues, d'associations savantes, de chaires dans les universits, de congrs etc. Du ct
des entreprises on note le dveloppement de bureaux d'tudes, de services spcialiss
dans les grandes entreprises, souvent rattachs directement la direction gnrale. Le
secteur public est touch un peu plus tard, au milieu des annes soixante. Les progrs
au niveau des mthodes, de leur rapidit de calcul, sont spectaculaires. Les spcialistes
s'attaquent des problmes de plus en plus difficiles. Le ton est l'enthousiasme;
beaucoup pensent que l'on dispose l d'un dispositif essentiel de rationalisation de
l'action humaine dans les systmes organiss.
partir des annes soixante-dix, on s'interroge sur la modestie des applications
concrtes dans les entreprises, ou encore du sort rserv aux modles, parfois
compltement contradictoire avec les attendus des promoteurs. Bon nombre des services
de R.O des grandes entreprises sont fusionns avec les services d'tudes
conomiques ou de stratgie , comme si un discrdit pesait sur la dnomination de
la discipline elle-mme. Dans la foule, le sigle des enseignements se transforme lui
aussi : on trouve les modles de R.O dans les cours dits d aide la dcision , ou de
mthodes scientifique de gestion , ou encore de modlisation des faits
conomiques . En 1978 parat dans la prestigieuse revue amricaine The journal of
the O.R Society une pitaphe joliment intitule The future of operational research is
past , d'autant plus perturbante qu'elle est l'uvre d'un des pionniers de la discipline,
Russel L. Ackoff. Cette contribution en entrane beaucoup d'autres et ouvre un dbat
parfois passionn autour de ce que l'on a pu appeler ``la crise'' de la Recherche
Oprationnelle.
Un point de vue raisonn
Il convient tout d'abord de souligner que les applications de la R.O. existent bel et bien :
c'est ainsi que la programmation linaire est devenue une sorte de routine pour des
industries du continu, notamment le raffinage ptrolier (Partie 1 de cet ouvrage), qu'il
n'est gure envisageable de dmarrer un projet de quelque envergure sans avoir recours
une mthode d'ordonnancement des tches, PERT ou Potentiel (Partie 2), que les
analyses du risque se sont multiplies dans de multiples secteurs (Partie 3). On peut
mme parfois s'inquiter lorsque l'on constate que certains logiciels de gestion, livrs
clef en main et tendant automatiser la conduite des entreprises, appartenant par
exemple la catgorie des GPAO (Gestion de Production Assiste par Ordinateur),
intgrent parfois, sans que l'utilisateur en ait conscience, des modles (gestion de stocks
par exemple) sur la gnralit desquels il est lgitime d'avoir quelques doutes.
Introduction
10
Recherche oprationnelle
Une premire partie sera consacre la programmation linaire. Dun point de vue
pdagogique, ce choix nest pas optimal ; en effet les programmes linaires, parmi les
outils que nous exposons ici, sont ceux qui font le plus appel aux mathmatiques, alors
que les graphes, par exemple, sont trs conomes en concepts et connaissances
mathmatiques, et sont donc plus mme de sduire des lecteurs intresss par la
discipline mais moins par les quations. D'un autre ct, beaucoup de problmes,
notamment rsolus par des mthodes appuyes sur les graphes, pourraient l'tre aussi par
un programme linaire, l'inverse n'tant pas vrai. Cest cet aspect fdrateur qui jusitifie
que lon dbute ainsi l'expos.
Aprs avoir reli la programmation linaire une problmatique gnrale de
planification de production industrielle, on dveloppera de faon complte la mthode de
rsolution phare , savoir l'algorithme du simplexe. On soulignera qu'il ne s'agit pas
de la mthode de rsolution a priori la plus rapide et on donnera quelques indications sur
d'autres mthodes logiquement plus performantes (sans que cela se vrifie
empiriquement).
On introduira dans cette partie la notion de dualit dans les programmes linaires, notion
fondamentale d'abord d'un point de vue conomique (fixation des prix d'acquisition de
ressources supplmentaires), ensuite d'un point de vue pratique (analyse de sensibilit).
Dans une seconde partie, nous passerons la thorie des graphes, et nous montrerons
que cet objet, trs simple dans son principe (des points et des flches) permet de
rsoudre un grand nombre de problmes combinatoires concrets et ayant des
implications videntes au niveau de l'organisation de la production et de la logistique.
C'est ainsi que l'on traitera de quelques algorithmes destins rsoudre le problme du
chemin de valeur minimale dans un graphe. Nous montrerons que ces mthodes peuvent
s'appliquer sans difficults la question trs importante de l'ordonnancement des tches
dans un projet. Comme on l'a signal plus haut, peu de projets industriels se privent
l'heure actuelle d'une planification base d'un PERT ou d'une mthode potentiels, qui
constituent les deux outils concurrents en la matire. L aussi, l'expos restera succinct,
dans la mesure o l'on ne fera qu'voquer les complications introduites dans ces
techniques par la prise en compte de contraintes autres que celles portant sur la
succession des tches (les contraintes disjonctives notamment, qui ouvrent l'immense et
difficile chapitre de l'ordonnancement d'atelier).
On traitera ensuite des problmes lis des graphes particuliers, nomms arbres ; on
montrera que cette notion permet de traiter simplement des questions de trac de rseaux
(comment relier n points de la faon la plus conomique ?). Le concept voisin
d'arborescence conduit moins, de son ct, des outils d'optimisation de rseau qu
une classe particulire de mthodes visant approcher des questions hautement
combinatoires et particulirement difficiles. C'est dans ce cadre que nous aborderons le
fameux problme du voyageur de commerce (cf. supra).
Le dernier chapitre de cette partie abordera les problmes de flots : il s'agit cette fois-ci
de faire circuler des flux dans des rseaux (flux divers : pices, matires premires, mais
aussi individus ou voitures sur un rseau autoroutier) de faon soit maximiser les
entres totales sur le rseau (problme du flot maximal), soit minimiser un cot global
de transport, entre totale donne (programme de transport). On montrera galement
Introduction
11
1.1. UN
EXEMPLE SIMPLE
Ateliers
Camions de type
A
Camions de type
B
1h
3h
2h
1h
1h
1h
Moteurs
II
Carrosseries
III
Assemblage
14
Recherche oprationnelle
Par ailleurs, l'tude des capacits de production des 3 ateliers a dgag qu'en un mois,
450 heures de travail pouvaient tre utilises dans l'atelier I, 350 heures dans l'atelier II,
200 dans l'atelier III.
Enfin, on sait que le bnfice unitaire ralis par l'entreprise sur les camions de type A
s'lve 4000 et que celui ralis sur les camions de type B est de 8000.
La question que l'on se pose est la suivante : quelle doit tre la production mensuelle en
camions de chaque type pour rendre le bnfice de l'entreprise le plus grand possible ?
Nous pouvons formaliser ce problme de la faon suivante :
Soit
Les contraintes de disponibilit d'heures de travail dans chacun des ateliers peuvent
s'crire:
Atelier I : x1
Atelier II : 2 x1
Atelier III : x1
3x2
450
x2
350
x2
200
(a)
(b)
15
x2
(I)
( )
150 A
125
100
( 0)
C
50
50
100
150
D
175 200
x1
Figure 1
Un point M quelconque du plan reprsente une production qui n'est peut tre pas
ralisable. Pour qu'elle le soit, il faut d'abord que x1 0 et x2 0 donc que lon se limite
au quadrant nord-est du plan. Ensuite, il s'agit de reprsenter les autres contraintes du
systme d'inquation (a).
Pour cela traons les trois droites
x1 + 3x2 = 450
(I)
2x1 + x2 = 350
(II)
x1 + x2 = 200
(III)
Il est clair que ces trois droites dlimitent un domaine D, hachur sur la figure 1, qui
reprsente l'ensemble des solutions possibles compte tenu des contraintes (a) et (b). Il
s'agit du polygone convexe OABCD dont chaque sommet est donn par l'intersection de
deux droites parmi les cinq qui dterminent les contraintes (A par exemple, est
l'intersection de x1 = 0 et de x1+3x2 = 450).
Il s'agit donc de trouver le point (ou les points) de D tel que la fonction 4000 x1 + 8000x2
soit maximale en ce point, ou, ce qui est la mme chose, tel que la fonction x1 + 2x2
soit maximale.
Pour ce faire, il suffit de se souvenir que la distance de 0 la droite ax1 + bx2 = c est
donne par la quantit :
ax10
c
a2
si le point (
b2
a2
bx20
b2
16
Recherche oprationnelle
est alors
a11 x1 a12 x2
a21 x1 a2 2 x2
a1n xn
a2 n xn
b1
b2
am1 x1 am 2 x2
x1
x2
0
0
a m n xn
bm
xn
17
Il s'agit de trouver
satisfaisant ces contraintes et maximisant la
fonctionnelle, appele fonction conomique :
z = c1 x1 c2 x2
Les
et
cn xn
appartenant R
On peut en effet toujours crire un programme linaire sous cette forme, aprs
ventuellement les corrections suivantes :
1) sil s'agit de minimiser :
z = c1 x1 c2 x2
cn xn
On maximisera :
c1 x1 c2 x2 ... cn xn
ai1 x1 ai 2 x2
a in xn
bi
on les transformera en :
bi
ai1 x1 ai 2 x2
a in xn = bi
elles quivalent :
ai1 x1 ai 2 x2
ai1 x1 ai 2 x2
a in xn bi
a in xn bi
soit encore :
ai1 x1 ai 2 x2
a in xn
bi
bi
On peut donc toujours se ramener la forme nonce ci-dessus, dite forme canonique
que l'on peut synthtiser en utilisant des notations matricielles.
Posons en effet :
A, matrice (m,n) =
18
Recherche oprationnelle
x, vecteur colonne
c, vecteur ligne
b, vecteur colonne
= (c1cn)
Nous utiliserons souvent une autre forme que la forme canonique, appele forme
standard et obtenue de la faon suivante :
On transforme les ingalits
en galits en introduisant m variables
supplmentaires dites variables d'cart. En effet, le programme linaire :
a1n x
b1
amn xn
bm
a11x1 a12 x2
(I)
am1 x1 am 2 x2
x1 x2
Max Z
(II)
Max
xn
a21x1 a22 x2
am1 x1 am 2 x2
x1, x2 xn , xn 1
a2 n xn xn 2 = b2
amn xn xn m = bm
xn
Z ' c1 x1 c2 x2 ... cn xn
(Les contraintes
0 xn
... 0 xn
du programme (I))
Les variables
sont appeles variables dcart, par opposition aux
variables x1, x2xn appeles variables principales.
La forme (II), o toutes les ingalits sont transformes en galits est appele forme
standard.
Si l'on utilise les notations matricielles pour un programme ramen la forme standard
(aprs adjonction de m variables d'cart), on obtient
19
aij x j
bi
j 1
i 1,2...n
n
cjxj
Max Z =
j 1
20
Recherche oprationnelle
2) prsent, considrons que l'unit de production doit produire m biens dans des
quantits au moins gales
( reprsentant la demande du bien ).
est la quantit de bien produite partir d'une unit du facteur de production
j. Enfin, le cot imputable une unit du facteur de production est .
Le problme est de satisfaire la demande sur chaque produit en minimisant le
cot de production, soit :
n
aij x j
bi i 1,2...n
j 1
cjxj
j 1
Un problme du premier type est par exemple le cas de l'entreprise de camions que nous
avons tudi au premier paragraphe.
Un exemple clbre de problmes du second type est le problme du rgime alimentaire:
un leveur doit fournir ses animaux certaines quantits journalires d'lments de base
(lipides, protides, ou glucides) ; il peut acheter un certain nombre d'aliments, qui
possdent ces lments de base dans des proportions variables. Quelles quantits des
diffrents aliments doit-il acheter pour assurer aux animaux une nourriture satisfaisante
et minimiser le cot total d'achat des aliments ?
On remarquera que l'criture d'un problme sous la forme d'un programme linaire
ncessite un grand nombre d'hypothses (en particulier les hypothses de linarit et
d'indpendance des productions). L'emploi de tels outils est insparable de l'examen
attentif de la signification et de la validit de ces hypothses.
b appartient galement
et tout
b appartenant , le
21
appartient ).
c= a
tel qu'on ne
Avec
(plus trivialement,
des extrmits).
a = 1 a1
2 a2
a1, a2 ,...an de
a qui s'crit
n an
avec
Ax = b
x 0
Max
avec
z cx
22
Recherche oprationnelle
satisfaisant aux
etc..
x j Pj = b
j =1
23
z=
cj xj
j =1
que l'on
k avec
Le point
avec k m,
extrme du domaine des solutions ralisables, que nous appellerons D. C'est que l'on
peut trouver deux points x1 et x2 (solutions ralisables) tels que :
x=
x1 (1
) x2
avec
0<
<1
Ce qui impose d'abord que les n+m-k dernires composantes de x1 et x2 soient nulles.
24
Recherche oprationnelle
Donc :
et
x11 P1 x12 P2
x1k Pk = b
x12 P1 x22 P2
xk2 Pk = b
et
mais, puisque P1, P2PK sont linairement indpendants, b s'exprime d'une faon
unique en fonction de ceux-ci; en consquence :
1
2
x11 = x12 = x1 ; x12 = x22 = x2 ; xk = xk = xk
do : = 0 ou 1
Donc,
Soit
on a :
n m
xi Pi = b
i =1
25
Parmi les xi, un certain nombre sont positifs, les autres nuls. Supposons qu'il y en ait
positifs. Aprs renumrotation, on peut crire :
r
xi Pi = b
i =1
Pi = 0
i
i =1
xi Pi
i =1
Pi = b
Pi = b
i =1
et
r
xi Pi
i =1
i =1
Les
xi
et
et xi
x=
1 1
x
2
1 2
x
2
26
Recherche oprationnelle
xi Pi = b
i =1
Cependant, dans les cas o r < m ce systme est en gnral impossible. On essaiera
toujours de se ramener au cas o r = m grce au thorme suivant :
Thorme III : un point extrme du domaine des solutions ralisables peut tre
associ un ensemble de m vecteurs Pi linairement indpendants.
Nous remarquerons tout d'abord que, grce l'addition des variables d'cart 1, le rang des
vecteurs P1, P2, Pn+m est gal m. En effet :
27
x1 P1
x2 P2
xm Pm = b
Le point (
positifs ou nuls.
sont
Si un certain nombre de xi parmi les x1, x2, xm sont nuls, la solution est dite dgnre.
La solution
base du programme linaire.
(n m)!
nombre de systme de
n!m!
a j1 x1 a j 2 x2
a jn xn = b j
qui est l'quation d'un hyperplan dans l'espace des variables principales (
).
28
Recherche oprationnelle
n
ai j x j = b .
i =1
On trouvera une illustration de ces points dans l'exemple des carmions expos
prcdemment, o
. On a en effet dj remarqu qu'un sommet du
polygone convexe, donc un point extrme du domaine des solutions ralisables, est
donn par l'intersection de deux droites (soit du type
), soit du type
ax1 bx2 = 0
Par ailleurs, si on ajoute les variables d'cart x3, x4, x5 avec
x1
3x2
2 x1
x2
x1
x2
x1 , x2 , x3 , x4 , x5
x3
450
x4
x5
=
=
350
200
On voit que chaque point extrme du domaine des solutions ralisables est caractris
par variables positives sur les et les deux autres nulles, ce qui correspond bien aux
solutions de base dfinies plus haut. Par exemple :
.
Revenons maintenant l'expos gnral pour souligner l'importance des points extrmes
du domaine D.
(I)
29
A
B
M1
x
M2
0
Prenons en effet un point M l'intrieur du polygone et traons une droite quelconque
passant par M. Cette droite coupe les cts du polygone en deux points, ici M1 et M2. On
peut crire (synthtiquement) :
M=
M1 (1
) M2
M1 =
0 (1
0<
M2 =
<1
B (1
0<
)A
)C
<1
d'o
M=
(1
) A (1
B (1
)(1
)C
Dans cette expression, tous les coefficients numriques sont compris entre 0 et 1.
Par ailleurs,
1
(1
) (1
(1
)(1
) =1
Donc, M apparat bien sur ce petit exemple comme combinaison linaire convexe des
sommets du polygone convexe.
Le thorme propos est une gnralisation Rn de ce phnomne. Sa dmonstration est
d'ailleurs fonde sur l'illustration que nous venons de proposer.
30
Recherche oprationnelle
La restriction portant sur le caractre born du domaine des solutions ralisables est
fondamentale pour le thorme IV, comme on pourrait le voir en lisant l'annexe
Pour la suite de l'expos, nous considrerons toujours des domaines D borns : cette
hypothse n'est pas gnante en recherche oprationnelle, o l'on est cens manier des
grandeurs conomiques; elle le serait sans doute davantage pour un expos
mathmatique.
Le domaine D des solutions ralisables d'un P.L. porte, lorsqu'il est born, le nom
particulier de polydre convexe. Nous utiliserons ce terme dornavant. Les points
extrmes, en nombre fini, seront les sommets du polydre.
x=
xi
i =1
avec
tel que
pour tout
alors
p
Z (x)
Z (xk )
i =1
Z (x)
Z (xk )
Donc la fonction
Z ( x1 ) = Z ( x 2 ) =
avec
31
tels que
Z ( x q ) > Z ( xi )
q
i
i x avec
x
i 1
i 1
Z (x) =
Z ( xi )
i =1
Z ( x ) = Z ( x1 ) = Z ( x 2 ) =
Z (xq )
x1 2 x2
et le domaine des solutions ralisables :
200
32
Recherche oprationnelle
aij x j = b
j =1
33
xi Pi = b
i =1
Ce systme est de Cramer pour les variables i ; si ces dernires sont toutes positives ou
nulles, on a bien obtenu ainsi un sommet du polydre (sinon, on recommence en
choisissant
autres vecteurs i). Pour la solution de base ainsi trouve, on peut calculer
la valeur de la fonction conomique. On pourrait penser alors calculer cette valeur pour
tous les sommets du polydre, et comparer entre elles les grandeurs trouves pour
obtenir le maximum. Cette mthode est trs lourde.
Supposons en effet, pour fixer les ides, que m =10 et n = 20 (ce qui constitue un petit
programme linaire, si on le compare ceux qui sont utiliss couramment dans la
pratique).
30
34
Recherche oprationnelle
Ax = b
Z
cx
c
Supposons que nous disposions d'une solution de base du P.L., c'est--dire que nous
ayons trouv
vecteurs indpendants de la matrice . Rappelons que la solution de
base est alors constitue par variables de base non nulles2 (celles qui correspondent
aux vecteurs indpendants) les autres variables tant nulles (variables hors base).
Nous appellerons l'ensemble des indices des variables de base, l'ensemble des indices
des variables hors base. On peut crire
x=
xI
xI
vecteur colonne
valeur colonne
matrice
et
en
matrice
Sauf dgnrescences.
35
vecteur ligne
et
vecteur ligne
xI , xI
Comme
(2)
(3)
ou
Cette criture est absolument gnrale : elle ne prjuge en rien des valeurs des
composantes de
et : c'est une simple transformation des quations du programme
(1).
Pour la solution de base correspondant l'ensemble d'indices , les valeurs des variables
du PL sont donnes par :
et
Sur la formule (3), on constate le fait suivant, trs important :
lorsque l'on dispose d'une base, les variables de base s'expriment linairement en
fonction des variables hors base.
Posons :
et :
et
une matrice
xi = ti
tij x j
(4)
j I
pour
Remarque essentielle :
solution de base.
36
Recherche oprationnelle
soit
(5)
Cette criture, l aussi, est absolument gnrale.
Pour le sommet correspondant la base donne par l'ensemble d'indices
donne la valeur de la fonction conomique en ce sommet.
Par ailleurs, on voit sur (5) que, lorsqu'on dispose d'une base, la fonction
conomique peut toujours s'exprimer linairement en fonction uniquement des
variables hors base.
La formule (5) donne, si l'on pose
zj =
tij ci
i I
pour
Z Z0 =
(c j
zj ) xj
(6)
j I
Avec
xj =
tij ci
i I
pour
Les quantits :
pour
on a, d'aprs ce qu'on a vu :
xi = ti
tij x j
j I
(7)
Z Z0 =
(c j
37
zj ) xj
(8)
j I
avec
zj =
tij ci
i I
on ait
Rendons la variable correspondante positive, en laissant les autres variables hors base
nulles, le but de cette opration tant d'augmenter la fonction conomique : en effet si
est l'accroissement de la variable , les autres variables hors base restant nulles,
l'accroissement
de la fonction conomique est :
D'aprs l'quation (7), pour que l'on ait dans ces conditions une solution ralisable, il
faut que :
et
on en dduit :
1) si
pour tout
est positif quelle que soit la valeur
(positive) de
peut donc crotre indfiniment ainsi que les variables
et on obtient une solution ralisable
variables infinies : le
domaine n'est pas born, ce qui est contraire l'hypothse faite en II-3-5.
2) Il existe donc au moins un
; on doit alors avoir, pour respecter
pour tout
i/
s'annule, si
>0
pour tout
Cette opration a donc consist rendre positive une variable hors base pour annuler une
variable de base.
la fin, on a donc toujours
variables non nulles et variables nulles, donc une
solution de base : on est pass d'un sommet du polydre un autre.
Remarque : il faut vrifier que les vecteurs colonnes de la matrice des contraintes
associes aux variables nouvelles de base sont bien indpendants.
38
Recherche oprationnelle
Cela devient parfaitement vident si l'on prend soin de prendre pour contraintes du
programme linaire les quations (7) sous la forme :
xi
tij x j = ti
i I
(7)
j I
Ces quations, encore une fois, sont absolument quivalentes aux quations initiales du
programme (1). Alors, la matrice de base initiale (les
de base, avec
) est la
matrice unit
1
avec
0
.
Comme
par la colonne :
valeur
39
Or, si
, les autres variables hors base restant nulles, la nouvelle
de la fonction conomique est :
-
et alors
Ce test est parfaitement vident si l'on prend le P.L sous la forme donne par les
quations (7) et (8) :
En effet, encore une fois, ce programme est quivalent au programme initial (1). La
solution de ce programme, si
pour tout
est bien videmment
et donc
avec
valeur de la variable entre dans la base et
tant finis, on
est sr que, si l'on ne rencontre jamais de dgnrescences de premier type (variables de
base nulles) l'algorithme du simplexe est convergent, puisqu' chaque itration, la
fonction conomique s'accrot d'une quantit finie. Dans le cas contraire, il peut y avoir
(dans des circonstances trs rares) non convergence.
40
Recherche oprationnelle
ANNEXE
Principes de la dmonstration du thorme IV :
Si le domaine
des solutions ralisables est born, toute solution ralisable peut se
mettre sous la forme d'une combinaison linaire convexe des solutions de base
x1 , x 2 ,
x p.
Remarquons tout d'abord qu'on peut effectivement parler des solutions de base (ou
points extrmes)
puisque l'on a montr que ces solutions de base taient en
nombre fini.
Il s'agit de montrer que toute solution ralisable
avec
et
=1
x = E1 (1
) E2
o
et o
composantes non nulles.
Or, comme
peut exprimer
est , on