Vous êtes sur la page 1sur 25

Programmation lin´eaire

Pr. Khatmi samira

Septembre 2011

Table des mati`eres

1 Introduction

1

1.1 Probl`emes de programmation math´ematique

.

.

.

.

.

.

.

.

.

.

.

.

2

1.2 Probl`emes de programmation lin`eaire

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

2

2 Formulation d’un programme lin´eaire (PL)

 

5

2.1 Les conditions de formulation d’un PL

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

5

2.2 Les ´etapes de formulation d’un PL

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

5

2.3 Pr´esentation th´eorique

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

6

2.4 Exemples de formulations

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

7

2.5 Exercices

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

9

3 R´esolution graphique

 

11

3.1 Introduction

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

11

3.2 Repr´esentation graphique des contraintes

 

.

.

.

.

.

.

.

.

.

.

.

.

12

3.3 Repr´esentation de la fonction objectif

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

13

3.4 Recherche du point optimal de la fonction objectif .

.

.

.

.

.

.

.

.

14

3.5 Les diff´erents types de solutions d’un probl`eme de PL .

.

.

.

.

.

.

18

3.5.1 Infinit´e de solution

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

18

3.5.2 Solution optimale infinie

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

19

3.5.3 Aucune solution

 

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

20

3.6 Conclusion

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

21

3.7 Exercices

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

.

21

 

i

Chapitre 1

Introduction

Dans une ´economie caract´eris´ee par la rar´efaction des ressources naturelles, une diminution des sources de financement et une concurrence toujours plus vive entre les entreprises, la r´epartition optimale de moyens limit´es entre la multitude des besoins devient la tˆache principale des responsables politiques et ´economiques de notre soci´et´e. Ce probl`eme se retrouve dans tous les domaines de l’activit´e ´eco- nomique, politique, scientifique et sociale. En gestion de la production, il s’agit, par exemple, de d´efinir une politique d’approvisionnement, d’adapter la produc- tion a` la demande, de d´eterminer les niveaux de stocks. En gestion financi`ere, il faut proc´eder au choix des investissements et d´efinir un programme d’amor- tissements. En marketing, il est n´ecessaire d’´etablir un r´eseau de repr´esentants, de choisir un support publicitaire. En raison de l’ampleur des enjeux d´ecision- nels, le d´ecideur ne peut plus prendre de d´ecisions hˆatives et justifier un choix d’attribution fond´e sur un raisonnement instinctif ou des calculs na¨ıfs. Une bonne r´esolution de ce type de probl`emes n´ecessite la connaissance de m´ethodes approu- v´ees ainsi que la maˆıtrise des outils math´ematiques et informatiques d´evelopp´es `a cet effet. Les m´ethodes propos´ees pour r´esoudre les probl`emes ´evoqu´es ci-dessus sont nombreuses, mais elles peuvent toutes se r´esumer a` l’´enonc´e math´ematique suivant, a` savoir maximiser ou minimiser une fonction num´erique de variables soumises a` diverses contraintes.

`

A partir de la fin de la Seconde Guerre Mondiale, de nouvelles m´ethodes permirent de r´esoudre des probl`emes complexes l`a o`u les m´ethodes classiques ´echouaient. Ces m´ethodes furent connues sous le nom de programmation lin´eaire, d´evelopp´ees principalement par George B. Dantzig (n´e le 8 novembre 1914), ma- th´ematicien am´ericain et cr´eateur de la m´ethode du Simplexe, et L. Kantorovich (1912-1986). Danzig, outre la programmation lin´eaire, ´etudia entre autres la pro- grammation math´ematique, la prise de d´ecision et les mod`eles de planification a` large ´echelle. L’impact de son œuvre fut consid´erable en gestion et en ´economie et ses m´ethodes restent totalement d’actualit´e.

1

Introduction

1.1 Probl`emes de programmation math´ematique

De mani`ere g´en´erale, la r´esolution de probl`emes de programmation math´ema- tique vise a` d´eterminer l’allocation optimale (c’est-`a-dire la meilleure combinaison possible) de ressources limit´ees pour atteindre certains objectifs. Les allocations doivent minimiser ou maximiser une fonction dite objectif. En ´economie, ces fonctions sont par exemple le profit ou le coˆut. Ces probl`emes, trait´es par la pro- grammation math´ematique, se distinguent des probl`emes d’optimisation classique par le fait que leurs solutions sont d’ordre num´erique. Celles-ci sont obtenues par une technique num´erique it´erative, alors que les solutions `a un probl`eme classique sont en g´en´eral donn´ees sous forme de formules ferm´ees. La forme g´en´erale d’un probl`eme de programmation math´ematique est la suivante :

Optimiser

Sous les contraintes

z = f (x 1 , x 2 ,

h i (x 1 , x 2 ,

,

,

x n )

x n )

=

b i

 

(1.1)

i = 1

m

(1.2)

o`u les fonctions f et h i sont des fonctions num´eriques `a n variables.

La fonction f de (1.1) est la fonction objectif a` optimiser, tandis que les ´equations ou in´equations de (1.2) sont les contraintes. Selon la nature des fonctions f et h i , on peut ˆetre confront´e `a plusieurs types de probl`emes de programmation math´ematique. Lorsque les fonctions f et h i ,

i = 1,

de plus, on impose que les variables ne peuvent prendre que des valeurs enti`eres, on parle de programmation lin´eaire enti`ere. Les probl`emes dans lesquels la fonc- tion f ou h i sont non lin´eaires font partie de la programmation non-lin´eaire. Un cas particulier est la programmation quadratique relative aux probl`emes pour lesquels la fonction f est quadratique et les fonctions h i lin´eaires. Par la suite, nous ´etudierons essentiellement les probl`emes de programmation lin´eaire.

, m sont lin´eaires, il s’agit d’un probl`eme de programmation lin´eaire. Si

1.2 Probl`emes de programmation lin`eaire

la programmation lin`eaire est beaucoup utilis´ee (pour ne citer que les cas les plus connus) dans la logistique, la finance d’entreprise ou encore aussi en th´eorie de la d´ecision lorsque nous devons r´esoudre un jeu a` strat´egie mixte (Th´eorie de la d´ecision et des jeux). Dans le cadre de r´esolution de probl`emes o`u interviennent des produits de deux variables nous parlons alors logiquement ”programmation quadratique”. C’est typiquement le cas en ´econom´etrie dans la mod´elisation des portefeuilles (Econom´etrie). La programmation lin´eaire est un cas particulier de la programmation math´ematique pour laquelle (1.1) et (1.2) sont lin´eaires. De plus, les variables sont suppos´ees ˆetre non-n´egatives. Un probl`eme de programmation lin´eaire revient donc a` :

1.2 Probl`emes de programmation lin`eaire

Optimiser

z = c 1 x 1 + c 2 x 2 +

+

c n x n

(1.3)

+ a in x n

=

  b i

n

Sous les contraintes

x j

a i1 x 1 + a i2 x 2 +

j = 1

n

(1.4)

(1.5)

a ij , b i et c j sont des constantes connues, avec i = 1

Ce cours sera consacr´e a` la r´esolution de probl`emes de programmation lin´eaire par deux m´ethodes :

m et j = 1,

La m´ethode graphique

La m´ethode du Simplexe

Introduction

Chapitre 2

Formulation d’un programme lin´eaire (PL)

2.1 Les conditions de formulation d’un PL

La programmation lin´eaire comme ´etant un mod`ele admet des hypoth`eses (des conditions) que le d´ecideur doit valider avant de pouvoir les utiliser pour mod´eliser son probl`eme. Ces hypoth`eses sont :

1. Les variables de d´ecision du probl`eme sont positives

2. Le crit`ere de s´election de la meilleure d´ecision est d´ecrit par une fonction lin´eaire de ces variables, c’est `a dire, que la fonction ne peut pas conte- nir par exemple un produit crois´e de deux de ces variables. La fonction qui repr´esente le crit`ere de s´election est dite fonction objectif (ou fonction ´economique).

3. Les restrictions relatives aux variables de d´ecision (exemple : limitations des ressources) peuvent ˆetre exprim´ees par un ensemble d’´equations lin´eaires. Ces ´equations forment l’ensemble des contraintes.

4. Les param`etres du probl`eme en dehors des variables de d´ecisions ont une valeur connue avec certitude

2.2 Les ´etapes de formulation d’un PL

G´en´eralement il y a trois ´etapes a` suivre pour pouvoir construire le mod`ele d’un programme lin´eaire :

1. Identifier les variables du probl`eme `a valeur non connues (variable de d´eci- sion) et les repr´esenter sous forme symbolique (Par exemple x 1 ; x 2 )

2. Identifier les restrictions (les contraintes) du probl`eme et les exprimer par un syst`eme d’´equations lin´eaires.

5

Formulation d’un programme lin´eaire (PL)

3. Identifier l’objectif ou le crit`ere de s´election et le repr´esenter sous une forme lin´eaire en fonction des variables de d´ecision. Sp´ecifier si le crit`ere de s´elec- tion est `a maximiser ou a` minimiser.

2.3 Pr´esentation th´eorique

Un programme lin´eaire consiste a` trouver le maximum ou le minimum d’une forme lin´eaire dite fonction objectif en satisfaisant certaines ´equations et in´egalit´es dites contraintes. En langage math´ematique, on d´ecrira de tels mod`eles de la mani`ere suivante :

, x n , l’hypoth`ese que les variables de

Soient N variables de d´ecision x 1 , x 2

d´ecision sont positives implique que x 1 0, x 2 0,

La fonction objectif est une forme lin´eaire en fonction des variables de d´ecision de type

, x n 0

z

= c 1 x 1 + c 2 x 2 +

+ c n x n

o`u les coefficients c 1 ,

tude) et peuvent ˆetre positifs, n´egatifs ou nuls. Par exemple le coefficient c i peut repr´esenter un profit unitaire li´e a` la production d’une unit´e suppl´ementaire du

bien x i , ainsi la valeur de z est le profit total li´e a` la production des diff´erents

biens en quantit´es ´egales a` x 1 , x 2 ,

, c n doivent avoir une valeur bien d´etermin´ee (avec certi-

, x n

Supposons que ces variables de d´ecision doivent v´erifier un syst`eme d’´equa- tions lin´eaires d´efinis par p in´egalit´es :

a 11 x 1 + a 12 x 2 +

+ a 1n x n

a 21 x 1 + a 22 x 2 +

+ a 2n x n

.

.

.

a p1 x 1 + a p2 x 2 +

+ a pn x n

b 1 b 2

b p

o`u les coefficients a ij et b i i = 1

bien d´etermin´ee (avec certitude) et peuvent ˆetre positifs, n´egatifs ou nuls. Le param`etre b i repr´esente la quantit´e de mati`ere premi`ere disponible dont le bien x j utilise une quantit´e ´egale a` a ij x j . En suivant les ´etapes de formulation ci-dessus, on peut repr´esenter le PL comme suit :

p , j = 1 · · · n doivent avoir une valeur

Optimiser Sous contraintes

z = c 1 x 1 + c 2 x 2 + a 11 x 1 + a 12 x 2 + a 21 x 1 + a 22 x 2 +

+ c n x n + a 1n x n + a 2n x n

.

.

.

a p1 x 1 + a p2 x 2 + x 1 0, x 2 0,

+ a pn x n , x n 0

b 1 b 2

b p

2.4 Exemples de formulations

2.4 Exemples de formulations

La tˆache de formulation demande g´en´eralement une certaine expertise et connaissance du probl`eme pour pouvoir relever facilement les diff´erentes com- posantes du probl`eme et ainsi donner un programme qui mod´elise au mieux la situation r´eelle. Dans ce qui suit, on pr´esentera quelques exemples de formulation en programme lin´eaire li´es a` diff´erents probl`emes de d´ecision :

Exemple 2.4.1 (Probl`eme d’agriculture). Un agriculteur veut allouer 150 hectares de surface irrigable entre culture de tomates et celles de piments. Il dispose de 480 heures de main d’oeuvre et de 440 m 3 d’eau. Un hectare de tomates demande 1 heure de main d’oeuvre, 4 m 3 d’eau et donne un b´en´efice net de 100 dhs. Un hectare de piments demande 4 heures de main d’oeuvre, 2 m 3 d’eau et donne un b´en´efice net de 200 dhs. Le minist`ere d’agriculture veut prot´eger le prix des tomates et ne lui permet pas de cultiver plus de 90 hectares de tomates. Quelle est la meilleure allocation de ses ressources ?

1. Identification des variables de d´ecision

Les deux activit´es que l’agriculteur doit d´eterminer sont les surfaces `a al- louer pour la culture de tomates et de piments :

x 1 : la surface allou´ee `a la culture des tomates

x 2 : la surface allou´ee `a la culture des piments

On v´erifie bien que les variables de d´ecision x 1 0 et x 2 0

2. Identification des contraintes. Dans ce probl`eme les contraintes repr´esentent la disponibilit´e des facteurs de production :

Terrain : l’agriculteur dispose de 150 hectares de terrain, ainsi la contrainte li´ee `a la limitation de la surface de terrain est x 1 + x 2 150

Eau : la culture d’un hectare de tomates demande 4 m3 d’eau et celle d’un hectare de piments demande 2m 3 mais l’agriculteur ne dispose que de 440m 3 . La contrainte qui exprime les limitations des ressources en eau est 4x 1 + 2x 2 440

Main d’œuvre : Les 480 heures de main d’oeuvre seront d´epartager (pas n´ecessairement en totalit´e) ente la culture des tomates et celles des piments. Sachant qu’un hectare de tomates demande une heure de main d’oeuvre et un hectare de piments demande 4 heures de main d’oeuvre alors la contrainte repr´esentant les limitations des ressources humaines est x 1 + 4x 2 480

Les limitations du minist`ere d’agriculture : Ces limitations exigent que l’agriculteur ne cultive pas plus de 90 hectares de tomates. La contrainte qui repr´esente cette restriction est x 1 90

3. Identification de la fonction objectif La fonction objectif consiste `a maximiser le profit apport´e par la culture

Formulation d’un programme lin´eaire (PL)

de tomates et de piments. Les contributions respectives 100 et 200, des deux variables de d´ecision x 1 et x 2 sont proportionnelles `a leur valeur. La fonction objectif est donc z = x 1 + 2x 2 . Le programme lin´eaire qui mod´elise le probl`eme d’agriculture est :

Maximiser Sous contraintes

z = 100x 1 + 200x 2 x 1 + x 2 4x 1 + 2x 2 x 1 + 4x 2 x 1

x 1 0,

x 2 0

150

440

480

90

Exemple 2.4.2 ( Probl`eme de m´edecine).

Un sp´ecialiste en m´edecine a fabriqu´e un m´edicament (des pilules) pour gu´erir les sujets atteints d’un rhume. Ces pilules sont fabriqu´ees selon deux formats :

Petite taille : elle contient 2 grains d’aspirine, 5 grains de bicarbonate et 1 grain de cod´eine.

Grande taille : elle contient 1 grain d’aspirine, 8 grains de bicarbonate et 6 grains de cod´eine. Pour gu´erir la maladie, le sujet a besoin d’au moins 12 grains d’aspirine, 74 grains de bicarbonate et 24 grains de cod´eine. D´eterminer le nombre de pilules minimales `a prescrire au sujet pour qu’il soit gu´erit.

Le probl`eme de m´edecine pr´esente certaines ressemblances avec le probl`eme de l’agriculture, dans les deux cas c’est un probl`eme d’allocation de ressources.

1. Identification des variables de d´ecision Les variables de d´ecision qui repr´esentent des valeurs inconnues par le d´e- cideur qui est dans ce cas le sp´ecialiste en m´edecine sont :

x 1 : le nombre de pilules de petite taille `a prescrire.

x 2 : le nombre de pilules de grande taille `a prescrire.

On v´erifie bien que les variables de d´ecision x 1 0 et x 2 0

2. Identification des contraintes. Les contraintes impos´ees par le probl`eme sur les valeurs possibles de x 1 et x 2 sont :

La prescription doit contenir des pilules avec au moins 12 grains d’aspi- rine. Sachant qu’une petite pilule contient 2 grains d’aspirine et qu’une grande pilule contient un seul grain d’aspirine, on obtient la contrainte suivante : 2x 1 + x 2 12

De la mˆeme fa¸con que pour l’aspirine, la prescription du sp´ecialiste en m´edecine doit contenir au moins 74 grains de bicarbonate.Sachant qu’une petite pilule contient 5 grains de bicarbonate et qu’une grande pilule contient 8 grains de bicarbonate. Ainsi la contrainte suivante doit ˆetre satisfaite :

5x 1 + 8x 2 74

2.5 Exercices

Finalement la contrainte impos´ee par le fait que la prescription doit conte- nir au moins 24 grains de cod´eine et sachant qu’une petite pilule contient un grain de cod´eine et qu’une grande pilule contient 6 grains de cod´eine. La contrainte est x 1 + 6x 2 24

3. Identification de la fonction objectif On remarque qu’il y a plusieurs couples de solutions qui peuvent satisfaire les contraintes sp´ecifi´ees `a l’´etape 2. La prescription doit contenir le mini- mum possible de pilules. Donc le crit`ere de s´election de la quantit´e de pilules `a prescrire est celle qui minimise le nombre total des pilules z = x 1 +x 2 . Le programme lin´eaire qui mod´elise ce probl`eme m´edical est donc le suivant :

Minimiser Sous contraintes

z = x 1 + x 2 2x 1 + x 2

12

5x 1 + 8x 2

74

x 1 + 6x 2

24

2.5

Exercices

x 1 0,

x 2 0

Faites la formulation math´ematique des programmes lin´eaires suivants.

Exercice 2.5.1. Une entreprise fabrique des chaises et des tables `a l’aide de deux machines A et B. Chaque produit passe obligatoirement par les deux machines. Pour produire une chaise, il faut 2 heures de machine A et 1 heure de machine B. Pour produire une table, il faut 1 heure de machine A et 2 heures de machine B. L’entreprise r´ealise un b´en´efice de 3Dh sur chaque chaise et de 4 Dh sur chaque table. Les deux machines A et B sont disponibles 12 heures par jour au maximum. Le probl`eme consiste `a savoir combien de chaises et de tables il faut fabriquer pour maximiser le b´en´efice.

Exercice 2.5.2. Une compagnie poss`ede deux mines de charbon A et B. La mine A produit quotidiennement 1 tonne de charbon de qualit´e sup´erieure, 1 tonne de qualit´e moyenne et 6 tonnes de qualit´e inf´erieure. La mine B produit par jour 2, 4 et 3 tonnes de chacune des trois qualit´es. La compagnie doit produire au moins 90 tonnes de charbon de qualit´e sup´erieure, 120 tonnes de qualit´e moyenne et 180 tonnes de qualit´e inf´erieure. Sachant que le coˆut de production journalier est le mˆeme dans chaque mine, soit 1 000, quel est le nombre de jours de production dans la mine A et dans la mine B qui minimisent le coˆut de production de la compagnie ?

Formulation d’un programme lin´eaire (PL)

Exercice 2.5.3. Un tailleur a `a sa disposition 10 m`etres de coton, 7,5 m`etres de laine et 5 m`etres de soie. Il a besoin pour un complet d’un m`etre de coton, d’un m`etre de laine et de 0,25 m`etre de soie. Pour une robe, il emploie un m`etre de coton, 0,5 m`etre de laine et un m`etre de soie. Si un complet coˆute 160 Dh et une robe 100 Dh, combien doit-il confectionner de complets et de robes pour maximiser son revenu ?

Exercice 2.5.4. Une di´et´eticienne doit pr´eparer un repas compos´e de deux aliments A et B qui contienne au moins 300 g de prot´eines et 400 g d’hydrates de carbone. Chaque unit´e de l’aliment A contient 10 g de prot´eines et 16 g d’hydrates de carbone et coˆute 80 centimes. Chaque unit´e de l’aliment B contient 12,5 g de prot´eines et 10 g d’hydrates de carbone et coˆute 1,20 Dh. D´eterminer le m´elange qui coˆute le moins cher et qui apporte la quantit´e requise de prot´eines et d’hydrates de carbone.

Chapitre 3 R´esolution graphique

3.1

Introduction

Apr`es avoir illustrer par des exemples, comment un probl`eme pratique peut ˆetre mod´elis´e par un programme lin´eaire, l’´etape qui va suivre sera certainement celle de la r´esolution de ce probl`eme math´ematique. La m´ethode graphique est l’une des premi`eres m´ethodes utilis´ees a` ce sujet. Cette m´ethode n’est applicable que dans le cas o`u il n’y a que deux variables ou au plus trois variables. Son avantage est de pouvoir comprendre ce que fait la m´ethode g´en´erale du Sim- plexe, sans entrer dans la technique purement math´ematique. Soit le probl`eme d’optimisation lin´eaire suivant :

(3.1)

Optimiser

z = c 1 x 1 + c 2 x 2 +

+

c n x n

Sous les contraintes

x j 0

a i1 x 1 + a i2 x 2 +

j = 1

n

a ij , b i et c j sont des constantes connues, avec i = 1

+ a in x n

=

m et j = 1,

  b i

n

(3.2)

(3.3)

D´efinition 3.1.1.

On appelle point admissible ou point r´ealisable , tout point x de l’espace qui satisfait les contraintes ´economiques et les contraintes de signe (3.2) et

(3.3).

On appelle Zone des solutions admissibles ou ensemble des solu- tions r´ealisables, l’ensemble des points r´ealisables.

D´efinition 3.1.2.

On appelle solution optimale un point r´ealisable qui optimise (maximise ou minimise) la fonction objectif z(x).

La valeur optimale est la valeur de la fonction objectif z(x) atteinte pour toute solution optimale.

11

R´esolution graphique

3.2 Repr´esentation graphique des contraintes

Une repr´esentation graphique des in´egalit´es (des contraintes) va nous per- mettre de d´eterminer l’ensemble des solutions r´ealisables.

Revenons a` l’exemple du probl`eme de m´edecine. Une des contraintes de ce probl`eme est celle relative au grain d’aspirine :2x 1 + x 2 12. L’ensemble des solutions qui v´erifient cette in´egalit´e est le demi-plan limit´e par la droite 2x 1 + x 2 = 12 situ´e au dessus de celle-ci.

2 x 1 + x 2 = 12 situ´e au dessus de celle-ci. Figure 3.1 –

Figure 3.1 – Repr´esentation du demi plan 2x 1 + x 2 12

L’espace hachur´e repr´esente le demi-plan des solutions qui v´erifient la contrainte 2x 1 +x 2 12

Si on fait de mˆeme pour les deux autres contraintes du probl`eme (voir figures 3.2), on obtient les deux autres demi-plans P 2 et P 3 relatifs aux solutions v´erifiant respectivement les contraintes 5x 1 + 8x 2 74 et x 1 + 6x 2 24.

x 1 + 8 x 2 ≥ 74 et x 1 + 6 x 2 ≥
x 1 + 8 x 2 ≥ 74 et x 1 + 6 x 2 ≥

Figure 3.2 – Repr´esentation des demi- plans 5x 1 + 8x 2 74 et x 1 + 6x 2 24

3.3 Repr´esentation de la fonction objectif

Donc la zone des solution r´ealisables du probl`eme est l’ensemble des points du plan qui appartiennent aux trois demi-plans relatifs `a chaque contrainte du programme lin´eaire, en d’autre terme l’intersection des trois demi plans (P 1 P 2 P 3) voir figure (3.3)

demi plans ( P 1 ∩ P 2 ∩ P 3) voir figure (3.3) Figure 3.3

Figure 3.3 – Zone des solutions r´ealisables

Remarque 3.2.1. La r´egion des solutions admissibles est un ensemble convexe (c.`a.d. tout segment de droite dont les extr´emit´es appartiennent `a l’ensemble est enti`erement inclus dans cet ensemble).

3.3 Repr´esentation de la fonction objectif

La fonction objectif est une droite d’´equation z = ax + by y = a x + z

b

b

D´efinition 3.3.1.

• − a

b

est la pente de la droite.

le vecteur directeur de la droite est donn´e par le vecteur b

a

le vecteur normal de la droite est donn´e par le vecteur a

b

Proposition 3.3.1. Deux droites qui ont la mˆeme pente sont parrall`eles

Remarque 3.3.1. On peut tracer une infinit´e de droites qui repr´esentent des diff´erentes valeurs de la fonction objectif, toutes ces droites ont la mˆeme pente a

b . Par suite elles sont parall`eles entre elles. Donc pour les tracer, il suffit d’initialiser la fonction objectif, tracer la droite corespondante et prendre toutes les droites qui lui sont parall`eles.

R´esolution graphique

Remarque 3.3.2. Pour initialiser la fonction objectif z c’est `a dire lui donner une valeur z 0 , il suffit de choisir un point (x 0 ; y 0 ) qui appartient `a la zone des solutions admissibles et calculer la valeur de z qui lui corresponds z 0 = ax 0 + by 0 .

On peut diminuer ou augmenter la valeur de z ind´efiniment.Le probl`eme est de connaˆıtre qu’elle est la droite qui correspond `a la valeur optimal de la fonction objectif ?

3.4 Recherche du point optimal de la fonction objectif

1. On dessine la zone des solutions admissibles.

2. Initialiser la fonction objectif z et tracer la droite qui la repr´esente.

3. On translate la droite de la fonction objectif selon son vecteur normal.

Si le vecteur normal indique un d´eplacement vers le haut, la fonction ob- jectif doit couper l’axe (OY ) le plus haut possible dans le cas d’une maximisation, et le plus bas possible dans le cas d’une minimisation, tout en touchant la zone des solutions admissibles.

Si le vecteur normal indique un d´eplacement vers le bas, la fonction ob- jectif doit couper l’axe (OY ) le plus bas possible dans le cas d’une maximisation, et le plus haut possible dans le cas d’une minimisation, tout en touchant la zone des solutions admissibles.

Si le vecteur normal est un vecteur horizontal (cas rare mais possible), la fonction objectif ne coupera pas l’axe (OY ). Le point optimal sera, selon les cas, le plus ´eloign´e ou le plus proche de l’axe (OY ).

4. Le point optimal est le dernier point de la zone des solutions admissibles que la droite de la fonction objectif touchera lors de son d´eplacement.

Exemple 3.4.1 (Probl`eme de maximisation avec la normale dirig´ee vers le haut).

Maximiser Sous contraintes

z = 1200x 1 + 1000x 2 3x 1 + 4x 2

160

6x 1 + 3x 2

180

x 1 0,

x 2 0

Les contraintes ´economiques et de signe sont repr´esent´ees graphiquement par des demi-plans dont l’intersection est un ensemble convexe (c.`a.d. tout segment de droite dont les extr´emit´es appartiennent `a l’ensemble est enti`erement inclus dans cet ensemble). Les solutions, si elles existent appartiennent donc `a cet ensemble. Il s’agit donc de chercher `a l’int´erieur de ce domaine, le couple (x 1 , x 2 ) maximisant la fonction objectif.

3.4 Recherche du point optimal de la fonction objectif

3.4 Recherche du point optimal de la fonction objectif Figure 3.4 – Zone des solutions r´ealisables

Figure 3.4 – Zone des solutions r´ealisables

On a le point (0, 0) appartient au domaine, donc on peut choisir la valeur ini- tiale z 0 = 1200 0 + 1000 0 = 0 et tracer la droite 1200x 1 + 1000x 2 = 0 qui passe par l’origine et donne une valeur nulle `a la fonction ´economique. Pour augmenter la valeur de z 0 et donc la fonction ´economique, il suffit de d´eplacer cette droite vers le haut puisque le vecteur normal de la fonction ´economique est dirig´e vers le haut. cette droite sera d´eplac´ee jusqu’`a l’extrˆeme limite o`u il n’y aura plus qu’un point d’intersection (´eventuellement un segment) avec la r´egion des solutions ad- missibles. On remarquera que la solution optimale se trouve n´ecessairement sur

que la solution optimale se trouve n´ecessairement sur Figure 3.5 – Recherche du point optimal le

Figure 3.5 – Recherche du point optimal

le pourtour de la r´egion des solutions admissibles. La solution se trouvant sur les deux droites d’´equation (3x 1 + 4x 2 = 160 et 6x 1 + 3x 2 = 180). La r´esolution de ce syst`eme conduit `a la solution x 1 = 16 ; x 2 = 28, d’o`u z = 47200.

R´esolution graphique

Exemple 3.4.2 (Probl`eme de maximisation avec la normale dirig´ee vers le bas).

Maximiser

z =

x 1 x 2

Sous contraintes

x 1 2x 2

2

2x 1 x 2

4

x 1 + x 2

5

x 1 0,

x 2 0

x 1 + x 2 ≤ 5 x 1 ≥ 0 , x 2 ≥ 0

Figure 3.6 – Recherche du point optimal

Les contraintes ´economiques et de signe sont repr´esent´ees graphiquement par des demi-plans dont l’intersection est un ensemble convexe. Les solutions, si elles

existent appartiennent donc `a cet ensemble. Il s’agit donc de chercher `a l’int´erieur de ce domaine, le couple (x 1 , x 2 ) maximisant la fonction objectif. On consid`ere le point (1, 1) qui appartient `a cette zone (voir figure (3.6) pour initialiser la

fonction z 0 = 1 1 = 0 et tracer la droite z = x y

= 0.

Pour augmenter la fonction ´economique, il suffit de d´eplacer cette droite vers le bas puisque le vecteur normal de la fonction ´economique est dirig´e vers le bas. cette droite sera d´eplac´ee jusqu’`a l’extrˆeme limite o`u il n’y aura plus qu’un point d’intersection avec la r´egion des solutions admissibles.

3.4 Recherche du point optimal de la fonction objectif

On remarque que la solution optimale se trouve sur les deux droites d’´equation

(2x 1 x 2 = 4 et x 1 2x 2 = 2). La r´esolution de ce syst`eme conduit `a la solution

x 1 = 2

NB : les coordonn´ees du point optimal peuvent ˆetre relev´es directement sur le graphique.

; x 2 = 0, d’o`u z = 2.

Exemple 3.4.3 (Probl`eme de minimisation). Une compagnie poss`ede deux mines de charbon A et B. La mine A produit quotidiennement 1 tonne de charbon de qualit´e sup´erieure, 1 tonne de qualit´e moyenne et 6 tonnes de qualit´e inf´erieure. La mine B produit par jour 2, 4 et 3 tonnes de chacune des trois qualit´es. La compagnie doit produire au moins 90 tonnes de charbon de qualit´e sup´erieure, 120 tonnes de qualit´e moyenne et 180 tonnes de qualit´e inf´erieure. Sachant que le coˆut de production journalier est le mˆeme dans chaque mine, soit 1 000, quel est le nombre de jours de production dans la mine A et dans la mine B qui minimisent le coˆut de production de la compagnie ? Pour traduire ce probl`eme sous la forme d’un programme lin´eaire, posons x 1 le nombre de jours de travail dans la mine A et x 2 celui dans la mine B. Par jour, la mine A permet de produire 1 tonne de charbon de qualit´e sup´erieure tandis que la mine B peut en produire 2 tonnes. Comme la compagnie doit en produire au moins 90 tonnes, la contrainte s’´ecrit :

x 1 + 2x 2 90

De mˆeme, pour les deux autres qualit´es de charbon, on trouve :

x 1 + 4x 2 120

6x 1 + 3x 2 180

La fonction objectif `a minimiser est :

z = 1000x 1 + 1000x 2

Le probl`eme de programmation lin´eaire s’´ecrit donc :

Minimiser Sous contraintes

z = 1000x 1 + 1000x 2 x 1 + 2x 2

90

x 1 + 4x 2

120

6x 1 + 3x 2

180

x 1 0,

La figure (3.7) indique dans sa partie hachur´ee l’ensemble des points (x 1 ; x 2 ) qui satisfont les contraintes. Il s’agit dans ce cas d’une r´egion non-born´ee qui a pour sommets les points :

x 2 0

R´esolution graphique

Intersection de la droite d’´equation 6x 1 + 3x 2 = 180 avec l’axe x 2 : (0; 60). Intersection des droites 6x 1 + 3x 2 = 180 et x 1 + 2x 2 = 90 : (10; 40). Intersection des droites x 1 + 2x 2 = 90 et x 1 + 4x 2 = 120 : (60; 15). Intersection de la droite d’´equation x 1 + 4x 2 = 120 avec l’axe x 1 : (120; 0).

1 + 4 x 2 = 120 avec l’axe x 1 : (120; 0) . Figure

Figure 3.7 – L’ensemble des points r´ealisables n’est pas born´e.

La fonction objectif ´etant donn´ee par z = 1000x 1 + 1000x 2 sa pente vaut - 1. En tra¸cant des droites parall`eles ayant pour pente -1, on s’aper¸coit que celle qui conserve un point en commun avec la r´egion r´ealisable et dont l’ordonn´ee `a l’origine est la plus petite est la droite passant par le sommet (10; 40). La solution optimale est donc x 1 = 10 et x 2 = 40. Le coˆut de production est donn´e par :

z = 1000(10) + 1000(40) = 50000

3.5 Les diff´erents types de solutions d’un pro- bl`eme de PL

Jusqu’ici, les probl`emes r´esolus graphiquement avaient une solution optimale unique, ce qui n’est pas toujours le cas. En effet, trois autres situations peuvent se pr´esenter. Ces diff´erents types de solutions sont expliqu´es dans les probl`emes suivants.

3.5.1 Infinit´e de solution

Maximiser Sous contraintes

z = x + y 2x + 2y

x 0,

y 0

8

3.5 Les diff´erents types de solutions d’un probl`eme de PL

Comme indiqu´e sur la figure (3.8), la r´egion r´ealisable est ici un triangle rectangle dont les sommets sont les points (0 ;0), (0 ;4) et (4 ;0). La fonction objectif est parall`ele a` l’hypot´enuse.

La fonction objectif est parall`ele a` l’hypot´enuse. Figure 3.8 – L’ensemble des points r´ealisables est un

Figure 3.8 – L’ensemble des points r´ealisables est un triangle.

La droite qui permet d’attribuer la plus grande valeur a` z est le segment de droite reliant les sommets (0 ;4) et (4 ;0). Par cons´equent, tous les points de ce segment repr´esentent une solution optimale au probl`eme. Il existe donc une infi- nit´e de solutions qui donnent la mˆeme valeur de z, a` savoir 4. Comme les solutions optimales a` ce probl`eme correspondent au segment de droite d’extr´emit´es (0 ;4) et (4 ;0), elles peuvent ˆetre d´ecrites par l’ensemble :

{ x

y

= µ 4 + (1 µ) 4

0

0

,

0 µ 1}

En faisant varier µ entre 0 et 1 on obtient toutes les solutions optimales

3.5.2 Solution optimale infinie

Maximiser Sous contraintes

z = 2x 1 + 5x 2 8x 1 + 4x 2

40

x 1 + 5x 2

10

x 1 0,

x 2 0

Dans cet exemple, il sufit d’attribuer `a x 1 et x 2 des valeurs suffisamment grandes pour que les contraintes soient satisfaites. La valeur de la fonction objectif peut ˆetre augment´ee ind´efiniment. Sur la figure (3.9), nous constatons que la r´egion r´ealisable n’est pas born´ee et que la fonction objectif peut ˆetre d´eplac´ee `a l’infini en conservant toujours une intersection non vide avec la r´egion r´ealisable. Dans ce cas, on dit que le programme lin´eaire poss`ede une solution optimale infinie.

R´esolution graphique

R´esolution graphique Figure 3.9 – L’ensemble des points r´ealisables n’est pas born´e. 3.5.3 Aucune solution

Figure 3.9 – L’ensemble des points r´ealisables n’est pas born´e.

3.5.3 Aucune solution

Maximiser Sous contraintes

z = 2x 1 + x 2 x 1 + x 2

2

x 1 x 2

3

x 1 0,

x 2 0

La figure (3.10) ne pr´esente pas de r´egion r´ealisable. En effet, il n’existe aucun point qui satisfait simultan´ement les deux contraintes ainsi que les contraintes de non-n´egativit´e. Le programme lin´eaire ne poss`ede donc aucune solution.

Le programme lin´eaire ne poss`ede donc aucune solution. Figure 3.10 – L’ensemble des points r´ealisables est

Figure 3.10 – L’ensemble des points r´ealisables est impossible.

3.6 Conclusion

En r´esum´e, il existe quatre types de solutions a` un probl`eme de programmation lin´eaire :

Solution optimale unique ; Infinit´e de solutions optimales ; Solution optimale infinie ; Aucune solution.

3.6 Conclusion

Nous allons r´esumer quelques-unes des propri´et´es des probl`emes de program- mation lin´eaire que nous avons r´esolus graphiquement. Nous avons vu que pour

un programme lin´eaire fini, la r´egion des solutions r´ealisables ´etait convexe, qu’elle poss´edait des sommets et que des arˆetes reliaient les diff´erents sommets. De plus, nous avons remarqu´e que lorsque le maximum ou le minimum de z ´etait fini, la solution optimale ´etait toujours un sommet de la r´egion r´ealisable. La situation ´etait diff´erente quand la fonction objectif pouvait prendre des valeurs infinies. Dans ce cas, naturellement, aucun sommet n’´etait optimal. Du point de vue de

la terminologie, des solutions infinies ne sont pas qualifi´ees d’optimales. Le terme

”solution optimale” est employ´e quand le minimum ou le maximum de z est fini.

noter que ces constatations, qui d´erivent de simples exemples graphiques, sont

vraies pour le cas g´en´eral de la programmation lin´eaire. Nous en reparlerons

d’ailleurs quand nous ´etudierons la m´ethode du simplexe.

A

`

3.7 Exercices

Faites la r´esolution graphique des exercices du chapitre 1