Vous êtes sur la page 1sur 33

CHAPITRE II: LALGORITHME DU SIMPLEXE

Dans cette section nous allons aborder un outil mathmatique de type algorithmique qui nous
aidera rsoudre des programmes linaires. Il sagit de lalgorithme du simplexe.
Nous avons comment que dans un problme doptimisation les contraintes forment un ensemble
de solutions ralisables dont les sommets appels solutions de base sont des candidats loptimalit.
Lalgorithme du simplexe est un outil mathmatique nous permettant de passer dun sommet
lautre et den valuer lventuelle optimalit. Afin de pouvoir utiliser cet outil nous prsenterons tout
dabord quelques considrations quant au formalisme de rigueur.

2.1- Formalisme dun programme linaire:


Pour rsoudre un programme linaire grce lalgorithme du simplexe, il est indispensable que le
programme linaire soit formul de la faon correcte cest--dire, comme un problme de maximisation
dont les contraintes sont toutes de type infrieur ou gal .
Si la forme dun programme linaire venait diffrer du cadre gnral, il devrait tre transform.
2.1.1.- Les transformations rgulires pour un programme linaire:
Dans le cadre de ce cours nous nous limiterons travailler avec des variables de dcision xi +
relles, positives ou nulles. Nous ne traiterons pas le cas de variables de dcision ngatives ou entires.
Cela tant dit, travaillons sur un exemple:

Soit le programme linaire suivant:

Min 3 x1 + x2

x1 + x2 4
( P) s
c x1 + x2 2
x1 , x2 0

( 1)
(2)

- Transformer le programme linaire (P) afin quil remplisse les exigences formelles.

Auteur: Philippe Gollotte


Page 39 de 159
Consorcio e-Miage - Universidad de San Martn de Porres, B105 Programmation Mathmatique et Optimisation

Nous avons voqu plus haut que tout programme linaire doit tre prsent sous forme dun
problme de maximisation dont les contraintes soient de type infrieur ou gal .
Le problme (P) est ici un problme de minimisation et la contrainte (2) est de type suprieur ou
gal . Nous retiendrons donc les rgles suivantes de transformation dun programme linaire:
Soit un programme linaire (P):



Min J x
Max J x

m x b
m x b
1
1
1
1

( P)
( P ) 


s c m2 x b2
s c m2 x b2


x0
x0

()
()
()

()

()
()

Nous ne prsenterons pas de dmonstration rigoureuse, nous nous contenterons de vrifier


intuitivement que ces transformations sont correctes.
a) De la contrainte: nous commenons par la contrainte du fait quil est trs facile de se rendre
compte de la rgularit de cette transformation:
En effet nous savons depuis longtemps quen multipliant une inquations entire par un nombre
ngatif (-1 dans notre cas) le signe dingalit change de sens. Nous avons:

ab
( 1) a ( 1) b

a b

Et en effet,

3 2
3 2
b) De la fonction objectif: illustrons graphiquement cette transformation.
Soit une fonction f(x) quelconque et m son minimum.
Rechercher m, minimum de f(x)

Equivaut

(au

signe

prs)

Afin de corriger le signe nous

rechercher M, maximum de f(x). multiplions M par (-1).


mx

my
-m y

x (-1)
-m y

my

mx
M

mx

Auteur: Philippe Gollotte


Page 40 de 159
Consorcio e-Miage - Universidad de San Martn de Porres, B105 Programmation Mathmatique et Optimisation

c) Conclusion: en appliquant ces rgles notre problme nous obtenons:

Min 3 x1 + x2

x +x 4
( P ) s 1 2
c x1 + x2 2
x1 , x2 0

Max 3 x1 x2

(1 )
x1 + x2 4
( P)
s
(2)
c x1 x2 2
x1 , x2 0

(1)
(2)

Cette dernire formulation en tant que problme de maximisation comportant des contraintes de
type infrieur ou gal est appele FORME CANONIQUE
2.1.2.- Les diffrentes formes dun programme linaire:
Afin de pouvoir utiliser lalgorithme du simplexe sur un programme linaire ce dernier doit tre
transform. Nous remarquerons trois tapes de transformation lesquelles deviennent un automatisme
avec un peu de pratique.
Reprenons notre exemple. La forme brute du programme linaire est:

Min 3 x1 + x2

x1 + x2 4
( P) s
c x1 + x2 2
x1 , x2 0

( 1)
(2)

Nous avons vu que ce problme doit tre transform en un problme de maximisation comportant
des contraintes de type infrieur ou gal . Nous obtenons alors la forme CANONIQUE du
problme.

Min 3 x1 + x2

x +x 4
( P ) s 1 2
c x1 + x2 2
x1 , x2 0

Max 3 x1 x2

(1 )
x1 + x2 4
( P)
s
(2)
c x1 x2 2
x1 , x2 0

(1)
(2)

Nous allons ensuite raliser une nouvelle transformation dans le but dobtenir un problme de
maximisation comportant des contraintes de type gal . Intressons-nous la contrainte (1):

x1 + x2 4 signifie que la solution au programme linaire demande que x1 + x2 soit infrieur


4 ou bien la limite gal 4 mais jamais suprieur 4.

Pour que x1 + x2 soit toujours gal 4 nous introduisons une variable e positive ou nulle
appele VARIABLE DECART telle quelle prenne la valeur ncessaire pour que x1 + x2 + e1 = 4 .

Cette variable dcart est videmment positive ou nulle. En effet si les valeurs de x1 et x2
solutionnant le problme sont telles que x1 + x2 = 4 alors e1 = 0 y si les valeurs de x1 et x2
solutionnant le problme sont telles que x1 + x2 4 alors e1 0

Auteur: Philippe Gollotte


Page 41 de 159
Consorcio e-Miage - Universidad de San Martn de Porres, B105 Programmation Mathmatique et Optimisation

Nous obtenons la transformation suivante:

Min 3 x1 + x2

x +x 4
( P ) s 1 2
c x1 + x2 2

x1 , x2 0

Max 3 x1 x2

(1 )
x1 + x2 4
( P)
s
(2)
c x1 x2 2

x1 , x2 0

Max 3 x1 x2

( 1)
(1 )
x1 + x2 + e1 = 4
( P)
s
(2)
( 2)
c x1 x2 + e2 = 2

x1 , x2 0 e1 , e2 0

Cette dernire forme sappelle FORME STANDARD du problme.

Il ne nous reste plus qu prsenter le problme sous forme de tableau simplexe. Pour nous
aider dans cette tche nous prsenterons la forme matricielle de notre problme.

Nous avons:

Max 3x1 x2

( 1)
x + x +e = 4
P
( ) s 1 2 1
( 2)
c x1 x2 + e2 = 2
x1 , x2 0 e1 , e2 0

Ceci peut sexprimer matriciellement sur le modle suivant:


 
Max c; x

( P ) M x = b
s c 
x 0
avec:


x = ( x1 ; x2 ; e1 ; e2 )

c = ( 3; 1;0;0 )
1 1 1 0
M =

1 1 0 1
 4
b=
2

Nous prsentons cette information sous forme de tableau et nous obtenons alors le tableau
simplexe initial relatif notre problme (nous expliquerons plus loin pourquoi nous le qualifions
dinitial).

x1

x2

e1

e2

-1

Auteur: Philippe Gollotte


Page 42 de 159
Consorcio e-Miage - Universidad de San Martn de Porres, B105 Programmation Mathmatique et Optimisation

2.2- Dtermination du tableau simplexe relatif un sommet et valuation de loptimalit.


Comme nous le savons dj les solutions de base ou sommets du polydre des solutions possibles
sont les candidats loptimalit dun problme doptimisation Nous verrons ici comment obtenir le tableau
simplexe relatif une solution de base et comment valuer si la dite solution est optimum ou non.
Soit le programme linaire (P), nous remarquons quil sagit dun problme de maximisation avec
contraintes de type infrieur ou gal ce qui nous permet de dduire facilement la forme standard:

Max 2 x1 + 3 x2

2 x + x 4 ( 1)
( P ) s 1 2
c x1 + 2 x2 4 ( 2 )

x1 , x2 0 ( 3 ) , ( 4 )

Max 2 x1 + 3 x2

2 x + x + e = 4 ( 1)
( P ) s 1 2 1
c x1 + 2 x2 + e2 = 4 ( 2 )

x1 , x2 0 ( 3 ) , ( 4 )

2.2.1.- Les informations du graphique:


Intressons-nous au graphique relatif ce problme pour ensuite comprendre ce que reprsentent
les tableaux simplexes relatifs aux solutions de base.

Sans dtailler (pour en savoir plus sur la reprsentation graphique, reportez-vous au chaptre 1),
nous prsentons le graphique correspondant au problme (P).
x2

LGENDE:

x2

contraintes
aire des solutions
ralisables

solutions de base

A
2

1
(3)
(4)
0

(1)

(2)
5

x1

C
1

Nous remarquons que nous avons 4 solutions de base, les points O, A, B y C.


2.2.2.- Les solutions de base:
Nous avons identifi les candidats loptimalit: les sommets du polydre des solutions ralisables.

Auteur: Philippe Gollotte


Page 43 de 159
Consorcio e-Miage - Universidad de San Martn de Porres, B105 Programmation Mathmatique et Optimisation

x1

Le principe le plus important est le suivant: chaque sommet est associ une base.
Commenons par le sommet O.
a) Coordonnes: graphiquement le point O a pour coordonnes ( x1 , x2 ) = ( 0, 0 ) . En remplaant x1 et

x2 par leurs valeurs dans les quations des contraintes

(1)

et

(2),

nous dduisons que

( e1 , e2 ) = ( 4, 4 ) .
En conclusion pour le point O: ( x1 , x2 , e1 , e2 ) = ( 0, 0, 4, 4 )
b) Base: en regardant les coordonnes du point O, nous constatons que les variables non nulles sont

e1 et e2 . Le point O est donc associ la base = {e1 , e2 } .


c) Matrice de base: grce aux quations des contraintes

(1)

et

(2),

nous dterminons rapidement les

coordonnes des vecteurs e1 et e2 et obtenons la matrice de base B associe au point O:

1 0
B=

0 1
Nous remarquons que la base associe au point O est la base canonique de 2 . Cela sera toujours
le cas pour les vecteurs en base.
d) Vecteurs hors base: les variables nulles associes au point O sont x1 et x2 . Nous avons donc

= { x1 , x2 }
e) Matrice des vecteurs hors base: nous avons identifi les vecteurs hors base associs notre point.
Nous extrayons les vecteurs x1 et x2 depuis les contraintes

(1)

et

(2)

de notre problme. Nous

obtenons:

2 1
B=

1 2
Bien entendu pour le tableau simplexe associ au point O, nous avons besoin des coordonnes de
la matrice B dans la base associe au dit point (on lobtient par le calcul B 1 B . La base
tant ici la base canonique de 2 , la matrice de base B est lment neutre pour lopration de
changement de base. Les coordonnes de la matrice B dans la base ne sont autres que la
matrice B elle-mme.
f) Second membre: les contraintes (1) et (2) nous donnent comme second membre des inquations 4 et
4. Nous avons donc:

 4
b=
4

De la mme manire nous voulons les coordonnes du vecteur b dans la base (on lobtient par

le calcul B 1b ). Pour les mmes raisons que pour la matrice B , les coordonnes du vecteur b

dans la base nous donnent le vecteur b lui-mme.

Auteur: Philippe Gollotte


Page 44 de 159
Consorcio e-Miage - Universidad de San Martn de Porres, B105 Programmation Mathmatique et Optimisation

g) Tableau simplexe associ au point O:

x1

x2

e1

e2

e1

e2

Nous remarquons que ce tableau simplexe est le tableau simplexe initial associ au problme. En fait
tout problme doptimisation nous donnera mcaniquement comme tableau simplexe initial celui du
point O associ la base canonique de n .
Ce tableau doit maintenant tre complt jusqu la culmination de lvaluation de loptimalit du
point O. Diffrents aspects doivent tre pris en compte:
h) La base: chaque sommet est associ une base. Nous la faisons apparatre dans la partie gauche du
tableau simplexe. Reprer les vecteurs de base est facile, il suffit de reprer dans lordre les
vecteurs de la base canonique qui apparaissent dans le tableau simplexe (en vert). Cela permet
galement une lecture directe de gauche droite de la valeur des vecteurs non nuls de la base (en
rouge).

i)

x1

x2

e1

e2

e1

e2

Le point est-il ralisable? Lalgorithme du simplexe ne peut tre utilis que pour valuer des points
ralisables cest--dire des points provenant de lensemble des solutions possibles. Si lon sort de
cet ensemble, lalgorithme nest pas fiable, il nest pas conu pour valuer des points impossibles.
Nous nous proccuperons donc de vrifier que le point en question est ralisable cest dire que le
second membre est positif ou nul.
-1

B b 0,

j)

x1

x2

e1

e 2 point ralisable

e1

e2

Evaluation de loptimalit: pour valuer loptimalit du point O, nous avons besoin de comprendre
le concept de COT DOPPORTUNIT. Pour simplifier les choses nous nous reportons Wikipedia:

Auteur: Philippe Gollotte


Page 45 de 159
Consorcio e-Miage - Universidad de San Martn de Porres, B105 Programmation Mathmatique et Optimisation

Le cot d'opportunit (ou cot d'option) mesure la perte des biens auxquels on renonce en
affectant les ressources disponibles un usage donn. C'est le cot d'une chose estim en termes
d'opportunits non-ralises, ou encore la valeur de la meilleure autre option non-ralise.
Dans notre optique doptimisation il sagit de mesurer pour chaque variable du problme la perte
subie dans la fonction objectif du fait de la diffrence entre la situation actuelle de la variable et la
situation non ralise de compter sur cette variable en base.
Pour les variables en base le cot dopportunit est nul du fait quil ny a pas de diffrence de cot
entre la situation actuelle (les variables sont en base) et la situation hypothtique o les variables
seraient en base. En dautre termes le scnario alternatif est ralis.
Pour une variable hors base par exemple x1 on mesure le cot dopportunit support par rapport
une situation o cette variable serait en base, de la faon suivante:
Le cot dopportunit de x1 est la diffrence entre le coefficient de x1 dans la fonction objectif et le
produit scalaire du vecteur x1 dans le tableau simplexe dune part et le vecteur form par les
coefficients quont les variables en base dans la fonction objectif. Ici:

2 0
C x1 = 2 ; = 2
1 0
1 0
C x2 = 3 ; = 3
2 0
Nous remarquons que dans le tableau simplexe initial, les cots dopportunit de x1 et x2 sont
gaux leur coefficient dans la fonction objectif du fait que le vecteur form par les coefficients
quont les variables en base dans la fonction objectif est le vecteur nul (en effet

e1 et e2

napparaissent pas dans la fonction objectif quest Max 2 x1 + 3 x2 . Leurs coefficients sont 0).
-1

B b 0,
x1

x2

e1

e 2 point ralisable

e1

e2

Les cots dopportunit des variables hors base sont positifs. La fonction objectif se verrai donc
bnficie si au moins lune de ces variables tait en base. Le point nest pas optimum.
k) Fonction objectif: nous remplaons les coordonnes du point O: ( x1 , x2 , e1 , e2 ) = ( 0, 0, 4, 4 ) dans la
fonction objectif 2 x1 + 3 x2 et nous obtenons: J ( x1 , x2 ) = 2 ( 0 ) + 3 ( 0 ) = 0 .
Auteur: Philippe Gollotte
Page 46 de 159
Consorcio e-Miage - Universidad de San Martn de Porres, B105 Programmation Mathmatique et Optimisation

-1

B b 0,
x1

x2

e1

e 2 point ralisable

e1

e2

J =0

Nous avons dtermin que le point O nest pas optimum, nous valuerons maintenant le point A.
a) Coordonnes: graphiquement le point A a pour coordonnes ( x1 , x2 ) = ( 0, 2 ) . En remplaant x1 et

x2 par leurs valeurs dans les quations des contraintes

(1)

et

(2),

nous dduisons que

( e1 , e2 ) = ( 2, 0 ) .
En conclusion pour le point A: ( x1 , x2 , e1 , e2 ) = ( 0, 2, 2, 0 )
b) Base: en regardant les coordonnes du point A, nous constatons que les variables non nulles sont

x2 et e1 . Le point A est donc associ la base = { x2 , e1} .


c) Matrice de base: grce aux quations des contraintes

(1)

et

(2),

nous dterminons rapidement les

coordonnes des vecteurs x2 et e1 et obtenons la matrice de base B associe au point A:

1 1
B=

2 0
Dans notre tableau simplexe la matrice B relative aux vecteurs x2 et e1 apparatra comme la
matrice canonique de 2 . Nous avons en effet voqu plus haut que les vecteurs en base
formeront toujours cette base canonique.
La raison est la suivante, les vecteurs qui apparaissent dans le tableau simplexe sont les vecteurs
relatifs aux variables du problme exprims dans la base de rfrence - = { x2 , e1} ici,

= {e1 , e2 } plus haut -. Dans le cas qui nous proccupe ici lexpression de la matrice B dans la
base B est forcment I, matrice identit car B 1 B = I . En rsum les contenus dun tableau
simplexe sont les suivants:

x1

...

e1

...

xn

B 1 B

e1

...

xn

B 1 B B 1b

en
Cx 1 ... Cx n Ce 1 ... Cx n

Auteur: Philippe Gollotte


Page 47 de 159
Consorcio e-Miage - Universidad de San Martn de Porres, B105 Programmation Mathmatique et Optimisation

d) Vecteurs hors base: les variables nulles associes au point A sont x2 et e2 . Nous avons donc

= { x1 , e2 }
e) Matrice des vecteurs hors base: nous avons identifi les vecteurs hors base associs notre point.
Nous extrayons les vecteurs x2 et e2 depuis les contraintes (1) et (2) de notre problme.

2 0
B=

1 1
Pour le tableau simplexe associ au point A, nous avons besoin des coordonnes de la matrice B
dans la base associe au dit point (on lobtient par le calcul B 1 B , calcul du changement de
base dune matrice). La matrice de base de est la matrice B.
Calcul de linverse de la matrice B

B 1 =

1
B

cof ( B )

1 1
1 0 1
B=
B 1 =

2 2 1
2 0
1 0 1
B 1 =

2 2 1
Calcul de B 1 B :

2 0
1 1

1 0 1 1 2 1 2
B 1 B =
=

2 2 1 3 2 1 2
f) Second membre: les contraintes (1) et (2) nous donnent comme second membre des inquations 4 et
4. Nous avons donc:

 4
b=
4

De la mme manire nous voulons les coordonnes du vecteur b dans la base (on lobtient par
le calcul B 1b ).

4

4
1 0 1 2
B 1b =
=
2 2 1 2
Auteur: Philippe Gollotte
Page 48 de 159
Consorcio e-Miage - Universidad de San Martn de Porres, B105 Programmation Mathmatique et Optimisation

Remarquons ici titre de vrification que le vecteur b correspond bien au coordonnes du point

A calcules plus haut o ( x1 , x2 , e1 , e2 ) = ( 0, 2, 2, 0 ) , cest--dire A: x2 = 2 et e1 = 2 .


g) Tableau simplexe associ au point A:
-1

B b 0,
x1

x2

e1

e 2 point ralisable

x2

1/2

1/2

e1

3/2

-1/2

h) Evaluation de loptimalit: pour valuer loptimalit du point A, nous calculons les cots
d'opportunit des variables hors base. Les variables en base ont un cot dopportunit nul.

1 2 3
C x1 = 2
; = 1 2
3 2 0
1 2 3
Ce2 = 0
; = 3 2
1 2 0
-1

B b 0,
x1

x2

e1

e 2 point ralisable

x2

1/2

1/2

e1

3/2

-1/2

1/2

-3/2

Le cot dopportunit de la variable hors base x1 est positif. La fonction objectif se verrai donc
bnficie si cette variable tait en base. Le point nest pas optimum.
i)

Fonction objectif: nous remplaons les coordonnes du point A: ( x1 , x2 , e1 , e2 ) = ( 0, 2, 2, 0 ) dans la


fonction objectif 2 x1 + 3 x2 et nous obtenons: J ( x1 , x2 ) = 2 ( 0 ) + 3 ( 2 ) = 6 .
Nous obtenons le tableau simplexe suivant:
-1

B b 0,
x1

x2

e1

e 2 point ralisable

x2

1/2

1/2

e1

3/2

-1/2

1/2

-3/2 J = 6

Auteur: Philippe Gollotte


Page 49 de 159
Consorcio e-Miage - Universidad de San Martn de Porres, B105 Programmation Mathmatique et Optimisation

Nous avons dtermin que le point A nest pas optimum, nous valuerons maintenant le point B.
Maintenant que nous dominons les principaux concepts qui nous permettent de dduire le tableau
simplexe associ un point nous amliorerons notre prsentation en sparant les informations
importantes du point de vue analytique dune part et les calculs dautre part. Il est alors conseill
de changer lorientation de la page.
Nous avons:

Auteur: Philippe Gollotte


Page 50 de 159
Consorcio e-Miage - Universidad de San Martn de Porres, B105 Programmation Mathmatique et Optimisation

(1)

et

(2),

Auteur: Philippe Gollotte

B b ).

( )

Page 51 de 159

1 0 4

0 1 4
1 2 1 2 3 1 3 4
B 1 B b =
=
3 1 2 1 3 2 3 4

Consorcio e-Miage - Universidad de San Martn de Porres, B105 Programmation Mathmatique et Optimisation

De la mme manire nous voulons les coordonnes du vecteur b dans la base (on lobtient par le calcul

 4
b=
4

f) Second membre:

2 1
1 2 1
1
B=
B =

3 1 2
1 2

Coordonnes de B y b dans la base :

Inverse de B:

e) Matrice des vecteurs hors base:

2 x1 + 4 3 = 4

Dans (1):

x2 = 4 3

2 x1 + x2 = 4
3 x2 = 4

2 x1 + 4 x2 = 8

Do:
( 3 ) ( 1) :

x1 = 4 3

1 0
B=

0 1

CALCULS:

x1 + 2 x2 = 4 ( 2 ) 2 2 x1 + 4 x2 = 8 ( 3 )

2 x1 + x2 = 4 (1)

ses coordonnes Coordonnes:

d) Vecteurs hors base: = {e1 , e2 }

2 1
B=

1 2

c) Matrice de base:

b) Base: = { x1 , x2 } .

B: ( x1 , x2 , e1 , e2 ) = ( 4 3, 4 3, 0, 0 )

Nous remplaons les coordonnes x1 et x2 ainsi obtenues dans les contraintes et obtenons:

x1 + 2 x2 = 4 ( 2 )

2 x1 + x2 = 4 (1)

a) Coordonnes: graphiquement le point B se situe lintersection des contraintes


vrifient donc simultanment les deux quations:

ANALYSE DU POINT B

e 2 point ralisable

-1/3 -4/3 J = 20/3

-1/3 2/3 4/3

2/3 -1/3 4/3

e1

-1

B b 0,

Auteur: Philippe Gollotte

1 3 2
Ce2 = 0
; = 4 3
2 3 3

2 3 2
Ce1 = 0
; = 1 3
1 3 3

Cots dopportunit:

Consorcio e-Miage - Universidad de San Martn de Porres, B105 Programmation Mathmatique et Optimisation

optimum et la fonction objectif vaut 20/3.

h) Evaluation de loptimalit: les cots d'opportunit des variables hors base sont tous ngatifs. Le point B est

x2

x2

x1

x1

g) Tableau simplexe associ au point B:

Page 52 de 159

2.3- Lalgorithme du simplexe.


Nous avons vu au point antrieur 2.2 comment nous positionner dans la base relative un sommet
et valuer si ce point est optimum ou pas. Lidal serait que nous puissions automatiquement passer dun
sommet lautre et valuer loptimalit de chacun. Cest justement ce que fait lalgorithme du simplexe.
Prenons un exemple le problme (P) suivant et commenons par le transformer en un problme de
maximisation avec contraintes de type infrieur ou gal condition ncessaire lapplication de
lalgorithme du simplexe puis, sous forme standard.

Min 2 x1 3 x2

x x 8 ( 1 )

( P ) s 1 2
c x1 + 2 x2 10 ( 2 )

x1 , x2 0 ( 3 ) , ( 4 )

Max 2 x1 + 3 x2

x + x 8 (1 )

( P ) s 1 2
c x1 + 2 x2 10 ( 2 )

x1 , x2 0 ( 3 ) , ( 4 )

Max 2 x1 + 3 x2

x + x + e = 8 ( 1)
( P ) s 1 2 1
c x1 + 2 x2 + e2 = 10 ( 2 )

x1 , x2 0 ( 3 ) , ( 4 )

Nous pouvons maintenant tablir le tableau simplexe initial relatif ce problme:

x1

x2

e1

e2

e1

e2

10

Nous remarquons que le second membre (vecteur b prsent dans


la partie droite du tableau) est positif donc, le point est ralisable.
Nous sommes ici en prsence du tableau simplexe initial, il sagit
donc de lorigine du repre le point O tel que x1 = 0 et x2 = 0 .

En toute logique les variables dcart sont en base et les cots dopportunit des variables hors
base sont ici gaux aux coefficients des variables x1 et x2 dans la fonction objectif, pour les raisons
videntes voques antrieurement.
Nous valuons loptimalit du point:

Base: = {e1 ; e2 }

Coordonnes: x = ( 0, 0,8,10 )

Evaluation de loptimalit: les cots dopportunit des variables hors base x1 et x2 sont

positifs. Le point nest pas optimum. La fonction vaut 2 x1 + 3 x2 = 2 ( 0 ) + 3 ( 0 ) = 0 .


Nous compltons notre tableau:
-1

B b 0,
x1

x2

e1

e 2 point ralisable

e1

e2

10

J =0

Auteur: Philippe Gollotte


Page 53 de 159
Consorcio e-Miage - Universidad de San Martn de Porres, B105 Programmation Mathmatique et Optimisation

Ce nest pas loptimum nous devons passer un autre sommet. Lalgorithme du simplexe par le
biais ditrations nous permettra de passer de sommet en sommet en choisissant -pour chaque sommetde suivre le chemin faisant crotre la fonction au plus vite et ce, jusqu ce que loptimum soit atteint
2.3.1.- Les principes de la mthode itrative:
Pour chaque tableau simplexe correspondant un sommet nous valuons loptimalit par les cots
dopportunit soufferts du fait que chaque variable hors base se trouve hors base et non en base. Si un
cot dopportunit est positif, la fonction peut crotre en faisant entrer cette variable en base.

Il est possible que plusieurs variables hors base doivent entrer en base avant de trouver loptimum.
Cependant elles entreront une une en cdant toujours la priorit la variable prsentant le cot
dopportunit le plus lev. Dans notre cas, x2 entre en base.
Nous devons maintenant dterminer quelle sera la variable qui devra sortir de base et cder sa
place x2 . Pour cela nous prenons la colonne de x2 dans le tableau simplexe et nous la copions ct du

vecteur b . Nous obtenons deux colonnes de chiffres. Dans chaque ligne nous diviserons le chiffre de

gauche (correspondant b ) par le chiffre de droite (correspondant x2 ) si et seulement si le chiffre de


droite est positif, jamais sil est ngatif. La variable sortant de base sera celle appartenant la ligne qui
obtnt le nombre le plus petit.
La coordonne se trouvant lintersection de la colonne de la variable entrant en base et de la
ligne de la variable sortant de base sappelle PIVOT.
Notre tableau simplexe devient:
-1

B b = 0,
x1

x2

e1

e1

=8

e2

10

=5

J =0

pivot

e 2 point ralisable
sort

entre

2.3.2.- Actualisation des coordonns du tableau:


Le point antrieur ntait pas optimum. Notre processus ditration nous conduit faire entrer en

base la variable x2 la place de e2 . Nous aurons donc dans le tableau simplexe correspondant au prochain
sommet ces deux variables formant la base canonique de 2 suivant lordre des variables en base spcifi
dans la partie gauche du tableau, et leurs cots dopportunit apparaissant nuls:

Auteur: Philippe Gollotte


Page 54 de 159
Consorcio e-Miage - Universidad de San Martn de Porres, B105 Programmation Mathmatique et Optimisation

x1

x2

e1

e1

x2

e2

Les coordonnes manquantes sactualisent en deux temps:

La ligne du pivot du tableau antrieur se reproduit dans le nouveau tableau en la divisant par le
pivot au pralable. Nous obtenons:

x1
e1
x2

1/2

x2

e1

e2
1/2

Pour actualiser les dernires coordonnes nous devons reprer les quatre lments suivants: La
coordonne actualiser (appelons-l cact), le pivot, la coordonne se trouvant lintersection
de la ligne de la coordonne actualiser et de la colonne du pivot (appelons-l clc) et la
coordonne se trouvant lintersection de la colonne de la coordonne actualiser et de la
ligne du pivot (appelons-l ccl).

x1

x2

e1

e2

e1

x2

10

clc

pivot

cact
ccl

La nouvelle coordonne sobtient grce au calcul suivant:

nouvelle coordonne = cact

clc ccl
pivot

Cette opration mule compltement le changement de base que nous ralisions avant.
Nous obtenons le tableau simplexe suivant:

x1

x2

e1

e2

e1

1/2

-1/2

x2

1/2

1/2

Le second membre est positif donc le point est ralisable. Il ne nous reste plus qu valuer
loptimalit du sommet correspondant cette base et itrer si nous ne concluons loptimalit.

Evaluation de loptimalit:
Base: = {e1 ; x2 }

Auteur: Philippe Gollotte


Page 55 de 159
Consorcio e-Miage - Universidad de San Martn de Porres, B105 Programmation Mathmatique et Optimisation

Coordonnes: x = ( 0,5,3, 0 )
Nous devons calculer les cots dopportunit des variables hors base x1 et e2 . Nous avons:

Cx1 = 2

120
123

1 2 0
1
3
et Ce2 = 0
= .
12 3
2
2

Le cot dopportunit de la variable hors base x1 est positif. Le point nest pas optimum, x1
entre en base. La fonction vaut 2 x1 + 3 x2 = 2 ( 0 ) + 3 ( 0 ) = 15 .
Nous obtenons le tableau simplexe suivant:
-1

B b = 0,
x1

x2

e1

e1

1/2

-1/2

1/2

x2

1/2

1/2

1/2 = 10

1/2

-3/2 J = 15

pivot

e 2 point ralisable
=6

sort

entre

2.3.3.- Conclusion:
Nous procdons litration et nous obtenons le tableau simplexe suivant:
-1

B b 0,

x1

x2

e1

e 2 point ralisable

x1

-1

x2

-1

-1

-1 J = 18

Evaluation de loptimalit:
Base: = { x1 ; x2 }

Coordonnes: x = ( 6, 2, 0, 0 )
Les cots dopportunit des variables hors base sont tous ngatifs. Le point est optimum, la
fonction vaut 2 x1 + 3 x2 = 2 ( 6 ) + 3 ( 2 ) = 18 .

Conclusion: Nous avons rsolu le problme mais, il reste quelques dtails subtils voquer. En
effet, le problme original tait un problme de minimisation que nous avons transform en
problme de maximisation afin de pouvoir utiliser lalgorithme du simplexe selon:

Min 2 x1 3 x2

x x 8 (1)
P

( ) s 1 2
(
x
+
2
x

10
2)
1
2
c

x1 , x2 0 ( 3 ) , ( 4 )

Max 2 x1 + 3 x2

x + x 8 (1 )
P
( ) s 1 2
c x1 + 2 x2 10 ( 2 )

x1 , x2 0 ( 3 ) , ( 4 )

Auteur: Philippe Gollotte


Page 56 de 159
Consorcio e-Miage - Universidad de San Martn de Porres, B105 Programmation Mathmatique et Optimisation

Nous avons ensuite trait le problme avec lalgorithme simplexe comme sil sagissait de
maximiser lobjectif 2 x1 + 3 x2 . Cependant lquivalence entre lobjectif de minimisation et
celui de maximisation est de type Min 2 x1 3 x2

Max 2 x1 + 3 x2 .

Nous ne sommes pas en prsence dun optimum maximum avec une fonction valant 18 sinon
dun optimum minimum avec une fonction valant -18. En remplaant x1 et x2 par leur valeur
dan la fonction objectif originale, on obtient:

2 x1 3x2 = 2 ( 6 ) 3 ( 2 ) = 18

Problmes de synthse pour le chaptre 2.


Problme n1:
Source: daprs Module 105 Programmation Mathmatique et Optimisation, Grard Michel
Cochard.

Sur une mme machine on peut fabriquer 3 types d'objets diffrents: A, B, C. La machine
fonctionne 35h par semaine et les rendements horaires (nombre d'objets fabriqus par heure)
sont les suivants:
Objet
A
B
C
Rendement horaire

40

60

30

La demande maximale de la clientle par semaine est de 500 objets de type A, 800 de type B et
1200 de type C. Le bnfice net issu de la vente des objets est de 20 par objet de type A, 10
par objet de type B, 30 par objet de type C.
Dterminer le nombre d'objets de chaque type produire par semaine pour assurer un
bnfice net maximum.

Auteur: Philippe Gollotte


Page 57 de 159
Consorcio e-Miage - Universidad de San Martn de Porres, B105 Programmation Mathmatique et Optimisation

PROPOSITION DE RESOLUTION

Demande de C

Nous avons:

Demande de B

b.- Fonction objectif:

Auteur: Philippe Gollotte

40

Demande de A

Rendements

Produit A: x1

60
-

30

Produit C: x3

Type

1 200

800

500

35

Saturation

Consorcio e-Miage - Universidad de San Martn de Porres, B105 Programmation Mathmatique et Optimisation

Produit B: x2

VARIABLES DE DCISION

Exprimons les contraintes de notre problme en un systme dquations grce un tableau variablescontraintes indiquant les diffrentes catgories de contraintes pesant sur le produit du processus productif.

1 x1 + 1 x2 + 1 x3 35 (1)
60
30
40
x1 500 ( 2 )

x2 800 ( 3 )
x 1200 ( 4 )
3
x1 , x2 0 ( 5 ) , ( 6 )

a.- Contraintes:

Soient x1 , x2 et x3 les nombres dobjets A, B et C fabriquer respectivement.

CONTRAINTES

Page 58 de 159

Max J ( x1 , x2 , x3 ) = Max 20 x1 + 10 x2 + 30 x3

10 et 30, nous obtenons comme fonction objectif J maximiser:

Nous cherchons maximiser le bnfice net issu de la vente des produits A, B et C. Sachant leurs prix de 20,

Tableau simplexe initial:

Auteur: Philippe Gollotte

Page 59 de 159

Cots dopportunit et fonction objectif: comme il


Consorcio e-Miage - Universidad de San Martn de Porres, B105 Programmation Mathmatique et Optimisation

Max 20 x1 + 10 x2 + 30 x3

1 40 x1 + 1 60 x2 + 1 30 x3 + e1 = 35

x + e = 500
( P ) s 1 2
c x2 + e3 = 800
x3 + e4 = 1200

xi , ei 0 i

Connaissant la fonction objectif et les contraintes nous pouvons crire le problme linaire correspondant,
sa forme standard et le tableau simplexe initial associ.

Max 20 x1 + 10 x2 + 30 x3

1 40 x1 + 1 60 x2 + 1 30 x3 35

x 500

( P ) s 1
c x2 800
x3 1200

x1 , x2 0

c.- Programme linaire:

x3

10

20

e4

entre

30

e2

e3

-5/2

-5

x3

e 4 -3/4 -1/2

3/4 1/2

x2

x3

x1

-900

-30

30

e1

Tableau simplexe associ:

Base = { x3 , e2 , e3 , e4 }

Auteur: Philippe Gollotte

e2

e3

J =0

1 200

800

500

35

=1 200

imp.

imp.

1/30 = 1 050

e 4 point ralisable
sort

e3

J = 31 500

1 200

800

500

1 050

e 4 point ralisable

0 0
30 0

30 30
0 0

0 0
1 2 0

1 2 30
0 0

0 0
3 4 0

5
2

= 900

= 5

Page 60 de 159

J ( x ) = 20 ( 0 ) + 10 ( 0 ) + 30 (1 050 ) = 31 500

Fonction objectif:

Cx1 = 0

Cx1 = 10

Cx1 = 20

3 4 30
1 0

Cots dopportunit:

sagit du tableau simplexe initial, les cots


dopportunit des variables hors base sont gaux
leur coefficients dans la fonction objectif, laquelle
vaut 0 car nous nous trouvons au point O.

Consorcio e-Miage - Universidad de San Martn de Porres, B105 Programmation Mathmatique et Optimisation

e2

B b = 0,

-1

Evaluation de loptimalit: les cots dopportunit des variables hors base sont positifs. Le point nest pas
optimum.

e3

e2

e1

pivot

d.- Algorithme du simplexe:

x2

e 1 1/40 1/60 1/30

x1

-1

B b = 0,

hors base sont tous ngatifs. Le point est optimum. La fonction vaut 31 500. Nous maximiserons donc le
bnfice net 31 500 en vendant 1 050 units de produit C.

Evaluation de loptimalit: au point x = ( 0, 0,1 050, 0, 500,800,1 200 ) , les cots dopportunit des variables

{ x2 , e2 , e3 }

et dmontrer que le point correspondant

Consorcio e-Miage - Universidad de San Martn de Porres, B105 Programmation Mathmatique et Optimisation

nest pas ralisable.


5.- Trouver la solution optimum en utilisant lalgorithme du simplexe partir du tableau antrieur.

4.- Prsenter le tableau simplexe associ la base

pas ralisable.

3.- Prsenter le tableau simplexe associ la base { x2 , e1 , e3 } et dmontrer que le point correspondant nest

1.- Formuler le problme de lentreprise.


2.- Rsoudre le problme de lentreprise graphiquement.

Nous fabriquons deux produits grce deux substances A et B. Nous utilisons 2 et 4 units de substance A
dun ct et 2 et 1 unit de substance B dun autre ct pour fabriquer un produit 1 et un produit 2
respectivement.
Nous disposons galement dune machine pouvant fonctionner jusque 60 heures par semaine et dont le
rendement horaire (numro de produits fabriqus par heure) est de 10 pour chacun des produits 1 et 2.
Le hangar de stockage contient 2 000 et 1 000 units des substances A et B respectivement. Les prix de vente
des produits 1 et 2 sont S/. 600 et S/. 1 000 respectivement.

Auteur: Philippe Gollotte

Problme n2:
Source: daprs Optimizacin - Miage, thme de travail n6, Universidad de San Martn de Porres, Lima-Per.

Page 61 de 159

Nous avons:

Type

60

1 000

2 000

Saturation

Auteur: Philippe Gollotte


Consorcio e-Miage - Universidad de San Martn de Porres, B105 Programmation Mathmatique et Optimisation

respectivement, nous obtenons comme fonction objectif J maximiser:

Nous cherchons maximiser la vente des produits 1 et 2. Sachant leurs prix de S/600 et S/. 1 000

b.- Fonction objectif:

2 x1 + 4 x2 2 000 (1)

2 x1 + x2 1 000 ( 2 )

x1 + x2 600 ( 3 )
x1 , x2 0 ( 4 ) , ( 5 )

1
10

1
10

Rendements

4
1

Produit 2: x2

Substance B

Substance A

Produit 1: x1

VARIABLES DE DCISION

Exprimons les contraintes de notre problme en un systme dquations grce un tableau variablescontraintes indiquant les diffrentes catgories de contraintes pesant sur le produit du processus productif.

2 x1 + 4 x2 2 000 (1)

2 x1 + x2 1 000 ( 2 )
1
1
10 x1 + 10 x2 60 ( 3 )

x1 , x2 0 ( 4 ) , ( 5 )

a.- Contraintes:

Soient x1 et x2 les nombres de produits 1 et 2 fabriquer respectivement.

1.- Problme de lentreprise.

CONTRAINTES

Page 62 de 159

Connaissant la fonction objectif et lensemble des contraintes, nous dduisons:

Auteur: Philippe Gollotte

2.- Graphiquement.

Consorcio e-Miage - Universidad de San Martn de Porres, B105 Programmation Mathmatique et Optimisation

Max 600 x1 + 1 000 x2

2 x1 + 4 x2 2 000 (1) x2 1 2 x1 + 500 (1)

( P ) s 2 x1 + x2 1 000 ( 2 ) x2 2 x1 + 1 000 ( 2 )
c
x1 + x2 600 ( 3 ) x2 x1 + 600 ( 3 )
x , x 0 ( 4) , ( 5)
1 2

Il sagit de droites parallles de coefficients directeurs 3 .

x2 = 3 x1 + k
5
1 000

600 x1 + 1 000 x2 = k

Courbe de niveau k de J:

x = 600
1

J =
J

x = 1 000
2

Gradient de J: le vecteur gradient indique dans quelle direction la fonction objectif crot.

c.- Programme linaire:

Max J ( x1 , x2 , x3 ) = Max 600 x1 + 1 000 x2

Page 63 de 159

(3)
(1)
1 000

x1

600 ( 200 ) + 1 000 ( 400 ) = 520 000 nuevos soles.

La vente est maximum si lon produit 200 et 400 units


des produits 1 et 2. Elle slve :

1 x1* + 500 = x1* + 600 x1* = 200


2
*
x2 = x1* + 600 x2* = 400

Do:

2 x1* + 4 x2* = 2 000 (1) x2* = 1 x1* + 500 (1)


2
*
*
*
*
x1 + x2 = 600 ( 3 ) x2 = x1 + 600 ( 3 )

Loptimum x * se situe lintersection des contraintes (1)


et (3). Ses coordonnes vrifient donc les quations des
deux droites:

Matrice des vecteurs hors base:

CALCULS:

Page 64 de 159

4 1 0
0 1 0

1
B = 1 0 0 B = 1 4 0
1 0 1
0 1 1

Inverse de B:

Consorcio e-Miage - Universidad de San Martn de Porres, B105 Programmation Mathmatique et Optimisation

Vecteurs hors base: = { x1 , e2 }

4 1 0
B = 1 0 0
1 0 1

Matrice de base:

(2)

500

courbes de
niveau de J

gradient de J

solutions de base

x* solution optimale


J

aire des solutions


ralisables

contraintes

LGENDE:

3.- Tableau simplexe associ la base = { x2 , e1 , e3 } .

100

x*


J

Auteur: Philippe Gollotte

100

500

1 000

x2

-6

-1

x2

e1

e3

x1

e1

x2

-1

-4

e2

Tableau simplexe associ:

2 000

b = 1 000
600

Second membre:

1 000

-400

0 -2 000

e3

4 0 0
B = 1 1 0
1 0 1

Matrice de base:

Auteur: Philippe Gollotte

( )

CALCULS:

1 1 000

4 2 000
1 400

0 2 000

1 1 000
0 600

Page 65 de 159

4 0 0
1 4 0 0

1
B = 1 1 0 B = 1 4 1 0
1 0 1
1 4 0 1

Inverse de B:

2
1

0 1 0 2


B b = 1 4 0 = 6
0 1 1 1

Coordonnes de B y b dans la base :

Consorcio e-Miage - Universidad de San Martn de Porres, B105 Programmation Mathmatique et Optimisation

4.- Tableau simplexe associ la base = { x2 , e2 , e3 } .

Nous observons que le second membre contient des lments ngatifs. Nous avons donc enfreint au moins une
contrainte et nous nous trouvons au-del de lensemble des solutions possibles. Le sommet nest pas ralisable.

2 0
B = 2 1
1 0

1/2

100

e3

-250

-1/4

-1/4

1/4

e1

e2

100

500

500

1/2 = 200

3/2 = 750

1/2 = 1 000

0 J = 500 000

e 3 point ralisable

B b 0,

-1

sort

optimum. On itre.

( )

0
0

0
0

= 250

= 100

Page 66 de 159

1 4 500

1 4 500
1 4 100

1 2 000

0 1 000
0 600

J ( x ) = 600 ( 0 ) + 1 000 ( 500 ) = 500 000

Fonction objectif:

Ce1 = 0 1 4
1 4

1 4 1 000

Cx1 = 600 3 2
12

1 2 1 000

Cots dopportunit:

2
1

1 4 0 0 1 2


B b = 1 4 1 0 = 3 2
1 4 0 1 1 2

Coordonnes de B y b dans la base :

Consorcio e-Miage - Universidad de San Martn de Porres, B105 Programmation Mathmatique et Optimisation

Le point est ralisable. Le cot dopportunit de la variable hors base x1 est positif. Le point nest pas

Evaluation de loptimalit: au point x = ( 0,500, 0,500,100 ) : les lments du second membre sont positifs.

entre

pivot

3/2

e2

1/2

x2

x2

x1

Tableau simplexe associ:

2 000

b = 1 000
600

Second membre:

Auteur: Philippe Gollotte

Matrice des vecteurs hors base:

2 1
B = 2 0
1 0

Vecteurs hors base: = { x1 , e1}

100

x1

-200

-1/2

1/2

1/2

e1

e2

200

200

400

-200 J = 520 000

-3

-1

e 3 point ralisable

1 1 000

12 0
1 2 600

Consorcio e-Miage - Universidad de San Martn de Porres, B105 Programmation Mathmatique et Optimisation

Le point est ralisable. Les cots dopportunit des variables hors base sont tous ngatifs. Le point est
optimum. Les rsultats sont identiques bien entendus ceux obtenus graphiquement.
La vente est maximum S/. 520 000 si lon produit 200 et 400 units des produits 1 et 2 respectivement.

= 200

= 200

Page 67 de 159

J ( x ) = 600 ( 200 ) + 1 000 ( 400 ) = 520 000

Ce3 = 0 3 0
2 600

Ce1 = 0

CALCULS:

1 2 1 000

Cots dopportunit:

Evaluation de loptimalit: au point x = ( 200, 400, 0, 200, 0 ) : les lments du second membre sont positifs. Fonction objectif:

e2

x2

x2

x1

B b 0,

-1

A partir du tableau prcdent nous utilisons lalgorithme du simplexe et obtenons:

Auteur: Philippe Gollotte

5.- Algorithme du simplexe.

Exercices du chaptre 2.
Exercice 1.Soit le programme linaire:

Min 3 x1 2 x2

x1 + x2 5
( P ) s x1 + 2 x2 8
c 2x + x 8
1 2
x1 , x2 0
-

Rsoudre le problme grce lalgorithme du simplexe.

Exercice 2.Soit le programme linaire:

Max 3 x1 + 4 x2

x1 + x2 4
( P ) s x1 + x2 5
c x + 2x 8
2
1
x1 , x2 0
-

Rsoudre le problme grce lalgorithme du simplexe.

Exercice 3.Soit le programme linaire:

Min x1 + 4 x2 + 2 x3

x1 + x2 x3 2

( P ) s x1 + 3x2 x3 1

c x1 + x2 2 x3 3

x1 , x2 , x3 0

Rsoudre le problme grce lalgorithme du simplexe.

Exercice 4.Soit le programme linaire:

Max 3 x1 + 2 x2

x1 + x2 4
( P ) b 2 x1 + 3x2 4
r 2 x + x 6
1
2

x1 , x2 0

Auteur: Philippe Gollotte


Page 68 de 159
Consorcio e-Miage - Universidad de San Martn de Porres, B105 Programmation Mathmatique et Optimisation

Dterminer les coordonnes du point associ la base = { x1 , x2 , e3 } et expliciter le tableau


simplexe correspondant. Expliquer pourquoi ce point nest pas solution de base.

Dterminer les coordonnes du point associ la base = { x2 , e1 , e3 } et expliciter le tableau

simplexe correspondant. Conclure.


A partir de ce point trouver la solution optimum grce lalgorithme du simplexe.

Exercice 5.Une entreprise fabrique deux produits grce une machine dont le rendement horaire (nombre de
produits fabriqus par heure) es de 20 et 10 pour les produits 1 et 2 respectivement. La machine peut
fonctionner jusque 80 heures par semaine.
Le stock de matires premires slve une tonne. Chacun des deux produit require dun kilogramme de
matire premire pour sa fabrication.
La demande maximum des produits 1 et 2 es de 800 et 700 respectivement. Le prix de vente des produits
est de S/. 2 000 et S/. 1 000 respectivamente.
-

Formuler le problme de lentreprise.


Rsoudre graphiquement le problme de lentreprise.
Rsoudre le problme de lentreprise grce lalgorithme du simplexe.

Exercice 6.- Source: daprs Examen mensuel n2, Universidad de San Martn de Porres, Lima-Prou,
septembre 2010, Philippe Gollotte.
Une entreprise fabrique deux produits A et B lesquels incorporent 1 et 3 units de matire premire Z
respectivement. Les deux produits se vendent S/. 1 000.
Durant le processus productif les produits A et B passent par la machine 1 laquelle travaille 200 heures par
quinzaine et a un rendement di-hebdomadaire (dfini comme le nombre de produits fabriqus en quinze
jours) de 8 et 10 respectivement.
Le stock contient diffrents matriels ncessaires la fabrication des produits. On y trouve 15 units de
matire premire Z et tout le ncessaire pour fabriquer 9 units de produit A seul ou 6 units de produit B
seul ou toute combinaison linaire de A et B respectant ces dernires limites maximales.
-

Formuler le problme de lentreprise correspondant lobjectif de maximiser la vente.


Rsoudre le problme graphiquement.

Le responsable commercial remarque que son quipe vend trs bien le produit 2 et propose de ne produire
que du produit 2. Il estime mme quil pourrait en vendre 10 units.

Auteur: Philippe Gollotte


Page 69 de 159
Consorcio e-Miage - Universidad de San Martn de Porres, B105 Programmation Mathmatique et Optimisation

Reprer cette proposition sur le graphique (nous lappellerons point A) et expliquer pourquoi
elle nest pas ralisable.
Expliciter les coordonnes du point A. Les remplacer dans les quations des contraintes et
expliquer pourquoi cette proposition nest pas ralisable.
Expliciter la base correspondant au point A ainsi que le tableau simplexe associ. Expliquer
pourquoi cette proposition nest pas ralisable.

Expliciter le tableau simplexe associ la base = { x2 ; e2 ; e3 } et vrifier que le point est

ralisable mais non optimal.


A partir de ce point trouver la solution optimum grce lalgorithme du simplexe.

Exercice 7.- Source: daprs Module 105 Programmation Mathmatique et Optimisation, Grard
Michel Cochard.
Dans une usine sont fabriqus 2 types d'objet . Le type A conduit un bnfice net de 20, le type B 30.
On peut fabriquer 500 objets de type A seuls par jour ou bien 1000 objets de type B seuls par jour. Le stock
de matires premires permet de fabriquer 800 objets (A ou B) par jour, 400 objets de type A et 700 objets
de type B au maximum.
-

Dterminer la quantit d'objets A et B produire par jour pour maximiser le bnfice.

Exercice 8.- Source: daprs Module 105 Programmation Mathmatique et Optimisation, Grard
Michel Cochard.
Une usine compose de 3 ateliers A, B, C fabrique 3 produits 1,2,3. Les 3 ateliers A, B, C sont limits
respectivement 3000, 700 et 500 heures de travail par mois.
Le produit 1 est trait suivant le processus
Ateliers successifs

Rendements horaires

0,400 30 12 15

Le produit 2 est trait suivant le processus


Ateliers successifs

Rendements horaires

0,300

12

15

Ateliers successifs

Rendements horaires

10

12

Le produit 3 est trait suivant le processus

Auteur: Philippe Gollotte


Page 70 de 159
Consorcio e-Miage - Universidad de San Martn de Porres, B105 Programmation Mathmatique et Optimisation

Les demandes mensuelles pour les 3 produits sont respectivement 300, 1300, 1600. Une demande non
satisfaite n'implique pas de pnalisation commerciale.
Les revenus unitaires respectifs sur les 3 produits sont 400, 300 et 450.
-

Trouver le programme linaire qui assure un gain maximum.

Auteur: Philippe Gollotte


Page 71 de 159
Consorcio e-Miage - Universidad de San Martn de Porres, B105 Programmation Mathmatique et Optimisation