Vous êtes sur la page 1sur 25

Mthode du simplexe (cas gnral) et

problmes irrguliers
(Chapitre IV)

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:
Tableau lorigine:

24

20

VB

x1

x2

S1

S2

A1

A2

bi

RT

A1

-1

30

30

A2

-1

40

20

Zj

2M

3M

-M -M M

70
M

24-2M

20-3M

1re Itration:

16

24

20

VB

x1

x2

S1

S2

A1

A2

bi

RT

A1

1/2

-1

1/2

-1/2

10

20

20

x2

1/2

-1/2

1/2

20

---

Zj

10+M/2

20

-M - 10+M/2

10 - M/2

400+10M

14 - M/2

-10+3M/2

10 - M/2

Problme de minimisation:
2me Itration:
24 20 0
VB x1 x2 S1
0 S2
20 x2
Zj

17

1
1
20
4

0
1
20
0

-2
-1
-20
20

0
S2 bi
1 20
0 30
0 600
0

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.