Introduction Dans beaucoup de problmes rels, on peut retrouver des contraintes de type suprieur ou gale et/ou de type gale, ainsi que des problmes o on a minimiser au lieu de maximiser. Dans ce chapitre, on tudiera les modifications apporter la mthode du simplexe pour quelle puisse rsoudre tous ces types de programmes.
Problme de maximisation avec contraintes mixtes
Considrons le programme linaire suivant : Max 4x1 + 3x2 S.c x1 + x2 = 10 x1 + 3x2 20 2 x1 - x2 15 x1 0 , x2 0 La mise sous forme standard du PL donne: Max 4x1 + 3x2 + 0 S1 + 0 S2 S.c x1 + x2 = 10 x1 + 3x2 + S1 =20 2 x1 - x2 - S2= 15 x1 0 , x2 0, S1 0, S2 0 3
Problme de maximisation avec contraintes mixtes
Afin de gnrer une solution ralisable de base initiale pour la mthode de simplexe, on a annul les variables de dcision x1 et x2 . Ceci nous permet de commencer partir de lorigine O. Or, on vrifie bien que lorigine nest pas une solution ralisable (car non confirme lhypothse de positivit des variables). La question qui se pose est comment nous allons rcrire le programme de manire quon puisse construire le tableau de simplexe initial lorigine. Pour arriver cette fin, on doit ressortir une astuce mathmatique qui se rsume lintroduction de nouvelles variables, dite variables artificielles A1 et A2.
Problme de maximisation avec contraintes mixtes
Ces variables nont aucune interprtation, comme leur nom lindique, elles sont conues artificiellement pour nous aider utiliser la procdure de simplexe et formuler le tableau initial partir de l'origine. Si on ajoute ces deux variables artificielles A1 et A2 respectivement la 1re et 3me contrainte, les contraintes deviennent: x1 + x2 + A1 = 10 x1 + 3x2 + S1 =20 2 x1 - x2 - S2+ A2 =15 x1 0, x2 0, S1 0, S2 0 ,A1 0,A2 0 Maintenant on peut obtenir une solution initiale de base du systme dquations, si on pose x1 = x2 = 0 avec A1 et A2 tant des variables de base. Remarque: La forme standard du PL ninclut pas les variables artificielles 5
Problme de maximisation avec contraintes mixtes
La solution initiale est: x1 = 0, x2 = 0, S1 = 20, S2 = 0, A1 = 10, A2 = 15 Cette solution nest pas ralisable puisque x1 + x2 < 10. Ainsi, il est important de distinguer entre une solution rellement ralisable et une solution du programme linaire rcrit pour la procdure du simplexe. Certes, une solution ralisable du problme rel reste toujours une solution ralisable pour le programme linaire transform, le contraire nest pas toujours vrai. On peut conclure que tant que les variables artificielles restent dans la base, la solution demeure non ralisable rellement pour notre programme.
Problme de maximisation avec contraintes mixtes
Une manire pour garantir que ces variables artificielles sortent de la base avant datteindre la solution optimale est de leur associer un grand cot -M dans la fonction objectif. Ainsi, si ces variables restent dans la base, elles vont causer une diminution importante de la valeur de la fonction objectif. Ce qui nous contraint les faire sortir le plutt possible de la base. La fonction objectif scrit : Max z = 4x1 + 3x2 - M A1 - M A2 avec M un trs grand nombre (exemple: M 1010) .
Problme de maximisation avec contraintes mixtes
En appliquant ces modifications, le tableau de simplexe initial est: 4 VB x1 - M A1 1 0 S1 1 -M A2 2
3 x2 1 3 -1
0 s1 0 1 0
0 s2 0 0 -1
-M A1 1 0 0
-M A2 0 0 1
bi 10 20 15
Problme de maximisation avec contraintes mixtes
1re Itration: 4 VB x1 - M A1 1 0 S1 1 -M A2 2
3 x2 1 3 -1
0 s1 0 1 0
0 s2 0 0 -1
-M A1 1 0 0
-M A2 0 0 1
bi 10 20 15 -25M
Zj
-3M
-M
-M
4+3M
-M
RT
10 20 7,5
La variable entrante est x1 et la variable sortante est A2 .
9
Problme de maximisation avec contraintes mixtes
2me Itration: 4 3
0 0
-M -M
VB x x2
s s2
A1
A2
bi
RT
-M A1
1,5
0 0,5
-0,5
2,5
5/3
s1
3,5
1 0,5
-0,5
12,5
25/7
x1
-0,5
0 -0,5
0,5
7,5
----
Zj
4 -2-1,5M 0 -2-0,5M -M 2+0,5M
0 5+1,5M
0 2+0,5M
30-2,5M
-2-1,5M
Le tableau de simplexe aprs la deuxime itration indique que la
variable entrante est x2 et la variable sortante est A1. 10
Problme de maximisation avec contraintes mixtes
Simplification du tableau: Les deux premire itrations on fait sortir de la base les variables artificielles A1 et A2. Leurs effets nets est maintenant ngatif et trs lev, elles ne pourront donc pas tre slectionnes litration suivante, ni mme ultrieurement comme on peut facilement le constater. Donc on peut supprimer du tableau les colonnes relatives A1 et A2.
11
Problme de maximisation avec contraintes
mixtes 3me Itration:
12
VB x1
x2
s1
s2
bi
RT
x2
1/3
5/3
s1
-2/3 20/3
---
x1
-1/3 25/3
---
Zj
-1/3 115/3
1/3
Problme de maximisation avec contraintes mixtes
4me Itration: 4
VB x1
x2
s1
s2
bi
s2
s1
10
x1
10
Zj
40
-1
Le tableau ci-dessus est optimal car tous les effets nets sont ngatifs ou nuls. Donc la solution optimale est: x1 = 10, x2 = 0, S1 = 10, S2 = 5 13
Problme de minimisation: La rsolution dun PL de minimisation ncessite le changement de la rgle de choix de la variable entrante. En effet, dans un problme de maximisation la rgle est de choisir comme variable entrante celle qui a le plus grand effet net positif non nul. Ceci parce que notre objectif est de choisir la variable qui, en entrant dans la base, va engendrer un profit supplmentaire et ainsi accrotre la valeur de la fonction objectif. Pour un problme de minimisation, on va utiliser la rgle inverse. Cest--dire la variable entrante est celle laquelle on associe la plus petite valeur ngative non nulle de leffet net j=cj - zj. Ceci va nous amener aussi changer notre rgle darrt de la procdure de simplexe et de dfinir le tableau optimal, comme celui o tous les effets nets j sont positifs ou nuls. 14
Problme de minimisation: Min 24x1 + 20x2 Sc x1 + x2 30 x1 + 2x2 40 x1 0 , x2 0 Pour permettre la mthode de simplexe de dmarrer de lorigine, il faut comme on la dj vu dans le cas de problme de maximisation, introduire les variables artificielles. Dans le cas de problmes de minimisation, on a intrt changer le coefficient de ces variables en M (M trs grand) afin de les faire sortir de la base. Forme standard et ajout des variables artificielles: Min 24x1 + 20x2 + MA1 + MA2 Sc x1 + x2 - S1 + A1 = 30 x1 + 2x2 - S2 + A2 = 40 x1 , x2 , S1 , S2 , A1 , A2 0 15
Problme de minimisation: Autre mthode de rsolution: La minimisation de Z est quivalente la maximisation de Z. donc on peut utiliser la mthode dcrite pour une maximisation.
18
Problmes irrguliers Variables ngatives ou sans contraintes de signe Second membre dune contrainte ngatif PL particuliers: Cas dun problme impossible Cas de solutions multiples Cas de problme non born Cas de problme dgnr
19
Variables ngatives ou sans contraintes de
signe Le tableau simplexe ne prend en compte que les variables positives. Si la variable de dcision xi 0, on procde au changement de variables suivant: xi= - xi avec xi 0. Si la variable de dcision xi est quelconque, on procde au changement de variables suivant: xi= xi-xi avec xi 0 et xi 0. 20
Second membre de contrainte ngatif
Le problme qui peut se poser est que lune des variables du second membre soit ngative. Par exemple supposons que lors de la formulation on trouve une contrainte de ce type : x1 - x2 - 4 La condition quil faut vrifier avant de se lancer dans la rcriture de cette contrainte, en vue de construire le programme standard, est la non-ngativit du second membre. Ainsi, on doit modifier la contrainte avant de commencer la standardisation (multiplier la contrainte par -1) et la rcrire comme suit : -x1 + x2 4 21
PL particuliers: Solutions multiples: Au niveau du tableau optimal, lune desVHB apparait avec un j nul, c--d que cette variable peut entrer dans la base et donner une nouvelle solution sans que la valeur de la fonction objectif ne change. Solution non borne: Si on narrive pas slectionner la variable sortante (tous les ratios RT sont ngatifs ou nuls), c--d que la variable entrante nadmet aucune limite sur sa valeur dentre.
22
PL particuliers: Solution dgnre: Si au niveau du tableau optimal une ou plusieurs des VB sont nulles. Solution impossible: Lorsque la solution optimale contient des variables artificielles (variables de base) des niveaux non nuls.
23
Rcapitulatif de la mise sous forme
standard dun PL: Aprs avoir vrifier que le second membre des contraintes est positif, le tableau suivant rsume les transformations faire subir notre programme linaire avant de le rsoudre par la mthode de simplexe : Quand la contrainte est
Pour la fonction objectif dun problme de
Maximisation
De type , ajouter une
variable dcart
Attribuer un coefficient nul pour la variable dcart
De type =, ajouter une
variable artificielle
Attribuer un coef. M pour variable Attribuer un coef. M pour
artificielle variable artificielle
Attribuer un coef. Nul pour la
De type , ajouter une variable dcart et un coef. M variable dcart avec signe (-) et une variable artificielle pour variable artificielle 24
Minimisation
Attribuer un coef. nul pour la
variable dcart et un coef. M pour variable artificielle
Etapes de la mthode de simplexe:
Etape 1
Maximisation
Minimisation
Formuler un programme linaire pour le problme rel.
2 Vrifier que le second membre du programme linaire est positif sinon modifier les contraintes 3 4 5
Ecrire le programme linaire sous une forme standard
Construire le premier tableau de simplexe Choisir comme variable entrante dans la Choisir comme variable entrante dans la base celle qui admet le plus grand effet net base celle qui admet le plus petit effet net positif cj-zj. ngatif cj-zj.
6 Choisir la variable sortante de la base celle qui admet le plus petit ratio suprieur zro. 7 8
25
Construire le nouveau tableau en utilisant la rgle de pivot
Faire le test doptimalit. Si (cj-zj) 0 pour toutes les variables (hors base) donc la solution obtenue est optimale. Sinon retourner ltape 5.
Faire le test doptimalit. Si (cj-zj) 0 pour toutes les variables (hors base) donc la solution obtenue est optimale. Sinon retourner ltape 5.
![Chapite_6_part1 [Mode de compatibilité]](https://imgv2-1-f.scribdassets.com/img/document/76900628/149x198/5022f78119/1325453947?v=1)
![Exercices Résolus en c[5NOVEMBRE2007]](https://imgv2-2-f.scribdassets.com/img/document/40628794/149x198/40a42377c0/1556641493?v=1)
