Vous êtes sur la page 1sur 103

Recherche opérationnelle

Nouisser Otheman ENCG KENITRA

2014-2015

Introduction

La recherche opérationnelle RO est apparue au deuxième guerre mondiale : ses racines sont attribuées au services militaires Exp : Allocation d’une manière efficace des ressources limités aux différentes opérations militaires

La croissance importante de l’industrie

militaires • La croissance importante de l’industrie Des mêmes Problèmes causé par la complexité croissante

Des mêmes Problèmes causé par la complexité

croissante dans les organisation

1960 : La RO est devenue indispensable dans plusieurs domaines : commerciales, industriel, télécommunication, finance, etc.

Introduction

La recherche opérationnelle est un processus d’aide à la décision:

modèles mathématiques permettant de représenter le cadre générale de la décision à prendre.

méthodes scientifiques utilisables pour élaborer des meilleurs décisions.

Exemple d’application :

- Production : maximisation d’un profit ou la minimisation d’un coût

- Déterminer le chemin le plus court pour un voyageur de commerce?

- Comment ordonnancer les tâches d’un projet tout en minimisant sa durée?

- Comment Envoyer un maximum d’information dans un réseau.

Introduction

La première étape de la RO est :

Observation du problème

La Formulation

Collecte des données associés

Construire un modèle scientifique qui tente d’abstraire l’essentiel du problème réel : modéliser le problème sous La Formulation  Collecte des données associés une forme exploitable. Trouver une meilleur solution

une forme exploitable.

Trouver une meilleur solution (solution optimale) dudu problème réel : modéliser le problème sous une forme exploitable. problème examiné : Objectif managérial.

problème examiné : Objectif managérial.

Modélisation du programme linéaire

La programmation linéaire est un problème d’optimisation (Maximisation ou minimisation) :

permet de définir un programme d’allocation optimale de ressources limités en tenant compte d’un objectif fixé. Ceci est traduit par une formulation mathématique du programme.

Qui permet de trouver la solution optimale.

Il y a trois composante principales du model d’optimisation :

Variables de décision : Elles représente les composantes du

model qui peuvent être modifie pour créer de

configurations différentes.

Contraintes : Elles représentent les limitations sur les variables.

Fonction objective (Fonction économique ) : Elle identifie l’objectif du problème sous forme linéaire en fonction de variables de décision.

Exemple: Elaboration d’un programme de production

Formulation du programme linéaire

La société ALPHA fabrique deux produits A et B. La fabrication de ces produits nécessite un passage dans des ateliers pour lesquels on dispose des renseignements

suivants pour un mois d’activité.

Pour rentabiliser cette activité, la société doit produire au moins 80 produits. La demande mensuelle maximum est de 100 produits A et de 150 produits B. Les prix de vente unitaires sont de 770 Dh pour le produit A et de 535 pour le produit B.

La société souhaite déterminer le programme mensuel de production optimal.

 

Capacité

Nombre

Nombre

Coût

exprimée

d’unités

d’unités

variable

en unités

d’œuvre

d’œuvre

d’une

d’ œuvre

pour un

pour un

unité

produit A

produit B

d’oeuvre

Atelier

900

6

5

40

dhs

1

 

Ateleir

720

6

3

45

dhs

2

 

Exemple: Elaboration d’un programme de production

Définition des variables:

Soit : x est le nombre de produits A à produire chaque mois. y est le nombre de produits B à produire chaque mois.

Contraintes :

- Contraintes de positivité : x et y sont nécessairement positives ou nulles

( contraintes dites évidentes ou implicites)

x ≥ 0

y ≥ 0

- Contraintes techniques :

6x+5y ≤ 900

6x+3y ≤ 720

- Contrainte de rentabilité :

x+y ≥ 80

- Contrainte de marché :

x ≤ 100

y ≤ 150

Exemple: Elaboration d’un programme de production

Calcul des marges unitaires sur coût variables

 
   

A

B

Atelier1

240

200

Atelier2

270

135

1- charges variables

510

335

2- Prix de vente

770

535

Fonction objective :

Marge sur coûts variables

260

200

Maximiser 260 x+ 200 y

 

Exemple: Elaboration d’un programme de production

D’où la forme mathématique du programme de production est :

la forme mathématique du programme de production e s t : Maximiser F(x,y)= 260 x+ 200

Maximiser F(x,y)= 260 x+ 200 y sous contraintes :

x ≥ 0

y ≥ 0

6x+5y ≤ 900 6x+3y ≤ 720

x+y ≥ 80 x ≤ 100 y ≤ 150

Divers solutions sont envisageables pour leur résolution .

Formulation du programme linéaire

Les étapes de formulation d’un P.L :

Généralement, il y a quatre étapes à suivre pour pourvoir modéliser un programme linéaire :

1. Identifier les variables du problème à valeur non connues (variables de

décision) et les représenter sous forme symbolique (exp : x 1 , x 2 ,

.)

2. Identifier les restrictions (contraintes) du problème et les exprimer par un système d’équations ou d’inéquations linéaires.

3. Identifier l’objectif ( critère de sélection) et le représenter sous forme linéaire en fonction des variables de décision. La fonction qui représente le critère de sélection est dite fonction objective où fonction coût.

4. Spécifier si le critère de sélection est à maximiser ou à minimiser.

Formulation du programme linéaire

Les conditions de formulation d’un PL

Le PL admet des hypothèses (des conditions) que le décideur doit vérifier avant de pouvoir les utiliser pour modéliser son problème :

1.

Les variables de décision du problème sont positives et ils prennent des valeurs réelles. Si elle est violée on parle de la programmation en nombres entiers.

2.

Le critère de sélection ( fonction objectif) de la meilleur décision est

décrit par une fonction linéaire de ces variables. c.à.d, dans l’expression

de la fonction objective on peut pas obtenir un produit de deux variables.

3.

Les restrictions relatives aux variables de décision (limitation de ressources ) peuvent être exprimées par un ensemble d’équations linéaires. Ces équations forment l’ensemble des contraintes.

4.

La contribution de chaque variable est indépendante de la valeur des

autres variables et est proportionnelle à leur valeur. Si elle est violée on

parle de la programmation non linéaire.

5.

Les paramètres du problème en dehors des variables de décision ont une valeur connue avec certitude. Si elle est violée on parle de la programmation stochastique.

Programme linéaire : définition

En générale, un programme linéaire est défini par:

Des variables réelles se sont les variables de décision:

x 1 , x 2 ,

, x n

Contraintes linéaires (égalités ou inégalités) :

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 m1 x 1 + a m2 x 2 + · · · + a mn x n = b m

≤ b 1 ≥ b 2

·

·

Une fonction objectif linéaire (fonction de coût ou fonction économique), à optimiser (min ou max) donnée par :

F(x 1 , x 2 ,

, x n )= c 1 x 1 + c 2 x 2 + · · · + c n x n

P = (x 1 , x 2 ,

contraintes.

, x n ) est appelée solution admissible d’un PL: si P satisfait toutes les

On appel solution optimale d’un PL: toute solution admissible qui optimise (maximise ou minimise) la fonction objective.

Domaine admissible = l’ensemble des solutions admissibles. On la note D.

Il y a plusieurs manières d’exprimer un programme linéaire :

la forme canonique et la forme standard.

Programme linéaire : Forme canonique

Un programme linéaire (P.L.) est dit canonique s’il est de la forme

n Max F ( x , 1  , x )  n c x
n
Max
F
( x
,
1
 ,
x
) 
n
c x
j
j
j  1
n
s c
.
.
x
i
1,
,
m
 a
ij
j
j  1
x
j
0,
j
1,
,
n

Donc, un (P.L) est dit canonique lorsqu’on a:

Un problème de maximisation

Toutes les variables de décision sont non négatives

Toutes les contraintes sont des inéquations du type “≤”

b

,
i

Programme linéaire : Forme standard

Un programme linéaire (P.L.) est dit standard s’il est de la forme

n Max F  x , x ,  , x  c x 
n
Max
F
x
,
x
,
,
x
c x
 
1
2
n
j
j
j  1
n
s c
.
.
x
b
,
i
1,
,
m
 a
ij
j
i
j  1
j
0,
j
1,

Donc, on a:

Un problème de maximisation

Toutes les variables sont non négatives

Toutes les autres contraintes sont des équations du type “=”

x

,

n

Règles de transformation

Propriété

Tout P.L. peut se mettre au choix sous forme canonique ou standard.

Quelques règles de transformation :

Inéquation

• Quelques règles de transformation : – Inéquation équation : ajouter une variable d’ écart –

équation : ajouter une variable d’ écart

a x

≤ b

a x ≥ b

Équation

a x + e = b,d’ écart – a x ≤ b • a x ≥ b – Équation a x

a x − e e

= b,

• a x ≥ b – Équation a x + e = b, a x −

inéquations :

e

≥ 0

e ≥ 0

a x = b

• a x = b a x ≤ b et a x ≥ b a x

a x

≤ b

et a x

≥ b

≥ b

a x

≤ b

et (-a) x ≤ -b

Variable libre :

 

x є IR

• x є IR x = x + − x − , avec x + ≥

x = x + − x , avec x +

0 et

x

≥ 0

Cas variable négative

x ≤ 0

x = (-x + ) et x + ≥ 0 -x + ) et x + ≥ 0

Exemple de conversion

Soit le programme linéaire suivant :

 Minimiser  2 x  3 x 1 2  s c . .
Minimiser
2
x
3
x
1
2
s c
.
.
x  x 
7
1
2
x
2
x
4
1
2
x
1  0

Remarque:

Minimiser une fonction

x 1  0  • Remarque: – Minimiser une fonction maximiser la fonction opposée (×

maximiser la fonction opposée (× −1)

Minimisation --> maximisation : min f(x) = −max (−f(x))

Pour minimiser F = c x, il suffit de maximiser W = −c x = (−c)x

multiplier la valeur optimale de W par −1 pour obtenir celle de F.

Les contraintes de positivités :

x   x x '' j , avec x  0 et x ''
x
 
x
x
'' j
,
avec
x
0
et
x
'' j
0
j
' j
' j

Transformation des égalités en deux contraintes :

 x  x ' ''   x 2  7  x '
 x
 x
' ''
x
2  7
 x
' ''
1
2
x
x
2 
7 :
1
2
 x
x
' ''
x
2  7
 
1
2

Exemple de conversion

Le programme linéaire devient le programme suivant :

' ''  Max 2 x  3 x  3 x 1 2 2
'
''
 Max
2
x
3
x
3
x
1
2
2
'
''
s c
.
.
x
x
x
7
1
2
2
'
''
x
2
x
2
x
4
1
2
2
'
''
x
,
x
,
x
 0
1
2
2

Version canonique du programme linéaire ci-dessus

 Max 2 x  3 x  3 x 1 2 3  s
Max
2
x
3
x
3
x
1
2
3
s c
.
.
x
x
x
7
1
2
3
x
x
  7
x
x
2
x
2
x
4
1
2
3
x
,
x
,
x
0
1
2
3
 

'

2 ''

avec

x

2

x

2

et x

3

x


1

2

3

Exemple de conversion

Conversion en forme standard

Pour convertir un PL de sa forme canonique en forme standard on introduit

une variable positive appelé variable d’écart.

Si dans un PL on a m contraintes de type :

n  a x b ,1   i m j  ij i j
n
 a
x
b
,1
 
i
m
j 
ij
i
j  1

On introduit dans la i ème contrainte la variable d’écart e i

la i è m e contrainte la variable d’écart e i Donc la i è m

Donc la i ème contrainte sera sous la forme de l’égalité :

n  a x  e  b , avec e 0 i  ij
n
 a
x
e
b
,
avec
e
0
i 
ij
j
i
i
j  1

Exemple de conversion

Dans l’exemple, le nombre de contraintes dans la forme canonique est m =3, on aura (P.L) sous format standard est donné par:

Max 2 x  3 x  3 x  1 2 3  s
Max
2
x
3
x
3
x
1
2
3
s c
.
.
x
x
x
e
7
1
2
3
1
x
x
   7
x
e
1
2
3
2
x
2
x
2
x
e
4
1
2
3
3
x
,
x
,
x
,
e
,
e
,
e 
0
1
2
3
1
2
3

On a le résultat général suivant

Proposition : Chaque programme linéaire en forme standard s’écrit en forme canonique et inversement

Méthode Graphique

Méthode Graphique Elle ne peut être utili sée que lorsque le problème se limite à deux

Elle ne peut être utilisée que lorsque le problème se limite à deux variables.

Détermination du domaine des solutions admissibles :

Le domaine des solutions admissibles et déterminer par l’ensemble des contraintes où chaque contrainte partage le plan en deux demi plan ( deux parties). L’étude du point (0,0) permet de le définir. A Chacune des inéquations on peut associer une droite dont l’ équation correspond à l’égalité entre les deux membres. Prenons l’exemple de programme de production. Alors, le domaine des solutions admissibles est déterminé par les droites des équations suivantes :

6x+5y = 900 6x+3y = 720 x+y = 80

x

= 100

y

=

150

Méthode Graphique

1. Le demi-plan qui respecte la contrainte :

Si l’inéquation est vérifiée pour (0,0), le demi-plan qui contient (0,0) fait partie du domaine des solutions acceptables. Quand l’inégalité est au sens large, les points de la droite font partie du D.S.A

y 150 100 5x  6y  900 5x6y 900 50 0 0 50 100
y
150
100
5x  6y  900
5x6y 900
50
0
0
50
100
150
200

x

Méthode Graphique

2. Le demi-plan qui ne respecte pas la contrainte :

Si l’inéquation n’est pas vérifiée pour (0,0), le demi-plan qui contient (0,0) ne fait pas partie du domaine des solutions acceptables. On hachure la partie qui fait partie des D.S.A

y x y 80 100 x  y  80 50 x y 80 0
y
x y 80
100
x  y  80
50 x y 80
0
100
50

x

Le domaine des solutions admissibles (acceptables D.S.A) est l’ensemble

des combinaisons (x,y) qui respecte les contraintes du P.L. à résoudre.

Autrement dit: Le D.S.A est l’intersection des demi-plans qui font partie du

domaine des solutions acceptables.

Méthode Graphique

Tracement de la fonction objective

Pour tracer une fonction économique

F(x, y) ax by

, Il faut étudier la

fonction

ax by k

, en donnant une valeur à k ( généralement 0 ).

a

b dont tous

Il s’agit d’une famille de droites parallèles de coefficient directeur

les points (x,y) fournissent la même valeur k de la fonction économique.

Exemple: étudier la fonction Fx, y 260x 200y

 

k=0

k=26000

k=39000

Fonction

260 x+200y=0

260 x+200y=26000

260 x+200y=39000

Passe par

(0,0)

(0 ; 130)

(0;195)

et par

(100,-130)

(100;0)

(150;0)

Valeur de

F= 0

F= 26000

F=39000

F

Méthode Graphique

En particulier,

la droite 260 x + 200 y = 0 passe par l'origine et donne une valeur nulle à la fonction économique (k = 0).

Pour augmenter la valeur de k et donc la fonction économique, il suffit

d'éloigner de l'origine (dans le quart de plan x ≥ 0 ; y ≥ 0) la droite de pente 2,6 (d’une façon parallèle à cette droite )

Remarque : Puisque la solution du P.L doit respecter les contraintes, alors cette droite sera déplacée parallèlement de telle sorte que l’intersection avec le domaine des solutions admissible sera non vide.

Méthode Graphique

Plus la valeur k augmente (diminue), Plus la parallèle de F est éloignée (proche) de l’origine et plus la valeur de l’objectif augmente (diminue).

y

200

100

0

0

100

200

x

de l’origine et plus la valeur de l’objectif augmente (diminue). y 200 100 0 0 100

Méthode Graphique

Recherche de l’optimum

Le résultat suivant sera admis:

S’il existe au moins une solution optimale, il y a un sommet du D.S.A qui
S’il existe au moins une solution optimale, il y a un sommet du
D.S.A qui correspond à une solution optimale.

Deux méthodes de recherche sont possibles :

1. Méthode analytique

Maximisation

Plus la valeur de k est grande, meilleur est le résultat.

La solution maximale est donc le sommet par lequel passe le parallèle de

F(x, y) 0

la plus éloignée du point d’origine (0,0).

Minimisation

Plus la valeur de k est petite, meilleur est le résultat.

La solution minimale est donc le sommet par lequel passe le parallèle la plus proche du point d’origine (0,0).

Méthode Graphique

2. Méthode énumérative

La méthode énumérative consiste à calculer la valeur de F en chacun des

sommets du D.S.A (dans le cas du D.S.A est borné) et à retenir la solution optimale.

Cette méthode est utilisée en complément de la précédente, lorsque la translation de la fonction économique laisse un doute entre les sommets les plus proches.

Cas particulier : dégénérescence

Quand la fonction économique est parallèle à un côté du domaine des solutions admissibles et ne passe plus par un seul sommet, la solution optimale n’est pas unique et le cas est dit dégénéré. L’ensemble des solutions optimales est infini et se compose de toutes les combinaisons situées sur le segment du D.S.A. parallèle à la fonction économique.

Résolution graphique: problème à deux variables

Soit D la région admissible

Si D est bornée non vide

D est un polygone de IR² dont les côtés sont des segments de droites représentant les contraintes linéaires du problème

un point P à l ’intersection de 2 côtés du polygone est un point extrême ou

sommet

Une solution optimale est soit:

Un sommet : solution optimale unique

Un côté du polygone : infinité de solutions optimales ( la valeur de la f. o. est unique)

optimale unique – Un côté du polygone : infinité de solutions optimales ( la valeur de
optimale unique – Un côté du polygone : infinité de solutions optimales ( la valeur de

Résolution graphique:problème à deux variables

Si D est non bornée et non vide La solution optimale est soit :

un sommet: solution optimale unique

un côté de la région admissible: infinité de solutions optimales ( la valeur de la f. o. est unique )

elle est infinie (aucune solution admissible finie)

de solutions optimales ( la valeur de la f. o. est unique ) • elle est
de solutions optimales ( la valeur de la f. o. est unique ) • elle est
de solutions optimales ( la valeur de la f. o. est unique ) • elle est

Résolution graphique: problème à deux variables

Si D est vide (cas de contraintes incompatible)

Résolution graphique: problème à deux variables – Si D est vide (cas de contraintes incompatible)
Résolution graphique: problème à deux variables – Si D est vide (cas de contraintes incompatible)

Exemples :Résolution graphique des

problèmes linéaires

Méthode analytique

Exemple 1.

problèmes linéaires • Méthode analytique Exemple 1. La forme canonique : Maximiser F= 260 x+ 200
La forme canonique :
La forme canonique :

Maximiser F= 260 x+ 200 y Sous conditions

forme canonique : Maximiser F= 260 x+ 200 y Sous conditions x ≥ 0 y ≥

x

≥ 0

y

≥ 0

6x+5Y ≤ 900

6x+3Y ≤ 720 x+Y ≥ 80 x ≤ 100 Y ≤ 150

Exemples :Résolution graphique des problèmes linéaires

En prenant une règle et en la déplaçant parallèlement

à F, on constate que le sommet D est le point de D.S.A

par lequel passe la parallèle la plus éloignée de l’origine. La solution optimale est telle que :

x

6 x

6

La solution est donnée par : x=75 et y=90. Donc la valeur optimale de F est :

5

y

900

3

y

720

F (75260) (90200) 37500

Donc le programme optimal est donc la production de 75 produit BET et de 90 produit de NUM pour une marge sur coût variable maximale égale à 37500 francs.

Exemples :Résolution graphique des problèmes linéaires

Méthode énumérative appliquée à l’exemple 1:

 

A

B

C

D

E

F

G

Coordonnées

(0;80)

(0.150)

(25;150)

(75;90)

(100;140)

(100;0)

(80;0)

Valeur de F

16000

30000

36500

37500

34000

26000

20000

Exemple 2: Elaboration d’un programme de production

La saudel envisage de confier à son unité de Nort-Est, l’élaboration des produits (A) et (B) demandés par certains industriels. Cette fabrication devra répondre aux contraintes mensuelles suivantes :

- Fabrication minimale :

produit (A) : 4 000 unités.

produit (B)

: 5 000 unités.

- La matière première sera livrée par l’usine principale à l’unité de production qui devra traiter un minimum de 36 000 kg de matière.

- En ce qui concerne la main d’œuvre, et compte tenu des perspectives de

développement ultérieur , le maximum sera fixé à 10 000 heures.

- Renseignements complémentaires :

 

A

B

Matière première par

2 kg

3 kg

produit Main d’œuvre par produit

1 heure

0,5 heure

Poids du produit fini

1,5 kg

2 kg

Exemple 2: Elaboration d’un programme de production

La société souhaite déterminer le programme mensuel de fabrication de (A) et de(B), sachant que le coût des transports mis en place entre l’unité de production et l’usine principale pour l’acheminement des matières premières et le retour des produits finis devra rendu minimal; le prix de ce transport a été estimé à 2 dhs par kilo de matière ou de produit fini transporté. Présenter la forme canonique du problème:

Définition des variables :

x le nombre de produits (A) à produire chaque mois

y le nombre de produits ( B) à produire chaque mois

Contraintes :

- Contraintes de positivité : x

≥ 0

et

y

≥ 0

- Contrainte de marché :

x ≥ 4 000

et

y

≥ 5 000

- Contraintes techniques :

- Fonction objective :

2 x+ 3 y ≥ 36 000

x+ 0,5 y ≤ 10 000

Coût du poids transporté pour un produit A : 7 dhs. Coût du poids transporté pour un produit B: 10 dhs.

Minimiser 7x + 10 y.

Exemple 2: Elaboration d’un programme de production

La forme mathématique :

Minimiser F(x,y)=7x + 10 y s.c :

x

≥ 0

y

≥ 0

x

≥ 4 000

y

≥ 5 000

2 x+ 3 y ≥ 36 000

x+ 0,5 y ≤ 10 000

+ 10 y s.c : x ≥ 0 y ≥ 0 x ≥ 4 000 y

-

-

-

-

Méthode de simplexe

La méthode graphique est inapplicable au-delà de deux variables

Solution: Algorithme du simplexe (méthode des tableaux ou méthode de Dantzig)

Application aux problème de maximisation avec des contraintes toutes de type « »

Dans cette partie, on s’intéresse à résoudre le PL donnée sous la forme canonique avec le

second membre des contraintes est positif et le nombre de variables est supérieure au nombres de contraintes : étant donné, PL sous forme :

-

maximser F(x)  c x  b, sc  A x  x  
maximser F(x)
 c x
 b,
sc
 A x
x
0
x
1
avec c
 (c
, c
,
, c
)
R
n
, x
,
1
2
n
x
n
b
1
A
 (a
) une matrice de type
m
n
, n
m et b
 0.
i, j
b
m

Méthode de simplexe

La méthode du simplexe nécessite une mise sous forme standard. Donc après introduction des variables d’écarts, on s’intéresse à résoudre le PL donné par :

Maximiser F(x)  cx   0 e  F(x, e) Ax  I e
Maximiser F(x)
cx
 
0
e
F(x, e)
Ax
I
e
b
m
s.c
x
0,
e
0
x
1
e
1
avec
c
(
c
,
1
,
c
),
n
x
, e 
x
n
e
m
A
( a
) une matrice de type
m
n
, n
m et
b
0
i
, j
I
est la matrice identité.
m

b

1

b

m

Méthode Méthode de de simplexe simplexe

Solution de base réalisable

Définition : Considérons le programme linéaire donné sous sa forme standard :

maximiser F(x)  cx s c . : A x  b n n n
maximiser
F(x)
 cx
s c
.
:
A
x 
b
n
n
n
avec x
R
,
c
R
,
b
R
et A une matrice de typem
n avec m
n.
soit
x
x
,
1
,
x
n
une solution réalisable et J
1,
, n telque
nombre de contraintes . Alors
x
x
, 
,
x
n
es solution de base réalisable s i :
t
1
A x
 b
s i j
 est dite variable en base
J ,
x
j
s i j
 est dite variable hors base
J ,
x
j

J

nombre des éléments de

J

m

x
j

0,

 

j

x j 0,   j J
x j 0,   j J

J

Méthode de simplexe

Remarque :

Le passage de la forme canonique à la forme

standard d’un problème linéaire permet de déterminer facilement la solution de base réalisable :

Variable hors base : variables de décision

Variable en base :

variables d’ écart.

Méthode de simplexe

Solution de base réalisable

Prenons l’exemple :

 

maximiser

F

(

x

1

,

x

2

)

4

x

1

3

x

2

 

.

s c

:

3

x

1

4

x

2

7

x

1

2

x

2

x

1

0,

x

2

12

14

0

 

maximiser

F

(

x

1

,

s c

.

3

4

x
1

x

2

7

x

1

2

x

2

x

1

0,

x

2

e

1

e

2

0,

 

x

2

e

1

,

e

1

,

e

2

12

14

0,

e

2

)

4

0

x

1

3

x

2

0

e

1

0

e

2

Sous format standard on a

Méthode de simplexe

Solution de base réalisable

On voit que

x

x

x

e

e

1

2

1

2

  0

 

0

12

14

satisfait les contraintes.

x est solution de base réalisable.

Les variables de bases étant :

Les variables hors bases étant :

Dans ce cas on a F(0,0,12,14)=0. La solution n’est pas optimale. On peut résumer sous forme d’un tableau

e x

1

1

0 12 et et x e

2

2

14

 

0

e variables x 1 x e 2 1 S 2 variable de Base e 3
e
variables
x 1 x
e
2
1
S
2
variable
de Base
e
3
4
1
0
12
1
e
2
7
2
0
1
14
F(x)
4
3
0
0
0

Dans la ligne 1 on écrit les

variables

La ligne 2, on écrit les contraintes

La colonne S on écrit les valeurs des variables de base

La dernière ligne on écrit les coefficients de la fonction économique

Méthode de simplexe

Définition: La méthode de simplexe est une méthode qui a pour but de trouver à partir d’une solution de base réalisable initial de trouver

une autre solution de base réalisable qui améliore la valeur de la

fonction économique.

Autrement dit : à partir d’une solution de base réalisable x on cherche une

autre solution de base réalisable

x telle que :

FxFx

Méthode de simplexe

Principe :

La méthode de simplexe consiste à remplacer une variable de base , x r , par une autre variable hors base , x k , de telle sorte la valeur de la fonction objective augmente. c.à.d,

Ensuite,

Ancienne base

Nouvelle base

x

x

r

k

0

 

x

r

0

 

x

k

0

0

Écrire la fonction objective en fonction des nouvelles variables hors bases et on répète la procédure jusqu’à ce que les coefficients de la fonction objective sont tous négatifs. On obtient ainsi la valeur maximale en annulant toutes les variables hors bases et les valeurs des variables hors bases du programme initial (variables de décision)

sont obtenues en solvant le système des contraintes.

Méthode de simplexe

Exemple: Problème de maximisation avec trois variables La société BETA fabrique trois modèles de meubles: classiques, rustiques, modernes.

 

Modèle

Modèle rustique

Modèle moderne

Capacité

classique

maximale

Bois

5

8

5

900

Main d’œuvre

1

2

3

516

Centre finition

2

2

0

200

Marge sur coût

1000

960

1200

 

variable

La société BETA souhaite déterminer un programme de production optimal

Méthode de simplexe

Forme canonique du programme Variables: x: nombre de modèles classiques à produire y: nombre de modèles rustiques à produire z: nombre de modèles modernes à produire

Contraintes



0,

0,

z

0

5

z

900

3

z

516

0

z

200

x

960

y

x

y

5

x

8

1

x

2

y

y

2

  F

x

2

y

1000

1200

z

Objectif: Maximiser F(x,y,z)

Méthode de simplexe

Forme standard

x

0,

y

0,

5

z

3

z

0

z

x

e

e

0,

e

y

1

z

0,

e

2

5 8

1

x

x

2

F

x

y

2

y

2

y

e

1

2

3

960

900

516

200

1000

1200

z

0,

0

e

e

1

3

0

0

e

2

0

e

3

Méthode de simplexe

Étape 1: déterminer une solution initiale :

La solution initiale ou solution de base consiste à annuler les variables de décision ( variables hors base) et donc les variables d’écarts (variables de base) prend les valeurs maximales.

Dans l’exemple on a la solution de base est :

x=y=z=0

e1=900; e2= 516 et e3= 200 .

Il correspond à une solution admissible qui consiste à ne rien produire La production est donc nulle (x=0; y=0; z=0), la valeur de la fonction économique est donc nulle. La capacité disponible des facteurs de production sont intactes:

e1=900; e2= 516 et e3= 200 .

Méthode de simplexe

Étape 2: Pour améliorer la solution, il faut commencer à produire.

L’étude des marges sur coût variable indique qu’ il est préférable de commencer par le produit le plus rentable. C’est-à-dire la variable z, qui doit avoir une valeur non nulle. Augmenter la valeur de F revient à donner à z une valeur maximale en tenant Compte des

contraintes.

Exprimons les variables en base de la forme standard en fonction des variables hors base:

(

s

1

)

e

e

e

1

2

3

F

900

5

8

5

x

y

y

2

z

  516

  200

  2

x

2

x

x

3

z

y

0

z

y

1200


1000

960

z

x et y restent nulles. Les variables que

900

516

5

3

z

z

e ,e

1

2

0

0

,e

3

devant être positives ou nulles, ceci implique

z

180

z 172

Méthode de simplexe

Donc la valeur maximale du produit z est z=172. dans ce cas la valeur de la

e  0 2
e
 0
2

variable de base

devienne une variable hors base.

La solution est désormais x=0,y=0,z=172 et la fonction objective vaut:

. La variable z devient une variable en base et la variable

e 2
e
2

F 1200172 206400

Dans l’équation qui donne la valeur maximale de z, on écrit la variable entrante

en fonction des variables hors base :

1

2

1

z 172 x y e

3

3

3

2

Méthode de simplexe

On écrit alors le nouveau système des contraintes en fonction des variables hors base

x, y,e

2

(

s

2

)


e

1

z

  e

3

10

3

1

14 5

3

2

3

2

y

y

y

1

3

3

e

2

40

172

x

x

3

200 2

x

e

2

La fonction économique est donnée en fonction des variables hors base sous la forme :

F

1000

x

960

y

1200(172

1

3

x

2

3

y

1

3

e

2

)

600

x

160

y

400

e

2

206400

Méthode de simplexe

Étape 3: Maintenant si on veut améliorer la valeur de la fonction objective, il faut donner à la variable x une valeur non nulle, tout en respectant le nouveau système de contrainte (S2).

Les variables

le système devient

y, e

2

, restent nulles. Les variables

e , z,e

1

3

, devant être positives,


10

3

1

3

2

40

x 0

172

x 0

200

x 0

x 12

x 516

x 400

La valeur maximale de x qui respecte les contraintes est x=12, ce qui donne

Donc la variable x devient une variable en base et

e

1 sort de la base.

e

1

0

.

Méthode de simplexe

Dans l’équation qui donne la valeur maximale de la variable entrante, on exprime celle-ci en fonction des variables hors base. On obtient :

x 12 1,4 y 0,5e

2

0,3e

1

Le nouveau système des contraintes en fonction des variables hors base :


x

12

1,4

1

0,5

e

2

1,4

y

1,4

y

0,3

e

1

y

z

   e

3

172

3

200

(12

2(12

0,5

e

2

0,5

e

2

0,3

e

1

0,3

e

)

1

)

2 1

3

2

y

y

3

e

2

(

s

3 )

x

z

e

3

12

1,4

y

168

0,2

y

0,5

e

2

0,5

e

2

0,3

e

1

0,1

e

1

176

0,8

y

1

e

0,6

e

2 1

Méthode de simplexe

La fonction économique devient en fonction des variables hors base :

F  680

180

100

213600

y y e e 0

1

2

e

1

e

2

Pour

, la solution est désormais x=12,y=0,z=168.

La valeur de la fonction pour cette solution est : F= 213600.

Il n’est plus possible d’améliorer la valeur de la fonction économique car tous ses coefficients sont tous négatifs. Donc, pour avoir un programme optimal, la société doit fabriquer 12 produits x et 168 produits z, pour un résultat maximale de 213600.

c.à.d., la solution optimale est : x=12, y=0, z=168.

Simplexe : Méthode des tableaux

Pour simplifier les calculs, on utilise des tableaux pour illustrer la méthode du simplexe. - Les calculs sont présentés dans des tableaux en utilisant la méthode de Pivot de Gauss .

1.Interprétation d’un tableau

Quelque soit le tableau :

Les variables hors base sont égales à zéro,

La valeur des variables de base est lue dans la colonne S,

L’optimum est atteint si tous les coefficients de la dernière ligne sont négatifs ou nuls.

Simplexe : Méthode des tableaux

Considérons l’exemple de la société BETA.

x

 

x

y

  F

0,

8

2

2

y

y

0,

5

3

z

0,

e

y

1

0,

e

2

z

5

z e

1

900

516

200

1

x

2

x

z e

2

0

x

z e

3

960

y

1000

1200

0,

0

e

e

1

3

0

0

e

2

0

e

3

2. Solution de départ: 1er tableau.

Le premier tableau reprend les coefficients de la forme standard

Lecture du tableau variables Variables en base x y z e e e S 1
Lecture du tableau
variables
Variables
en base
x
y
z
e
e
e
S
1
2
3
variables
variables
e
5
8
5
1
0
0
900
hors base
en base
1
e
1
2
3
0
1
0
516
x=0
2
e
1  900
y=0
e
2
2
0
0
0
1
200
3
e
2 516
z=0
F
1000
960
1200
0
0
0
0
F=0
e
3 200
La dernière ligne contient les coefficients correspondants à chaque
variable dans la fonction objective
Valeur de –F correspondante à la solution de base

Simplexe : Méthode des tableaux

Interprétation du premier tableau:

- Il correspond à une solution admissible qui consiste à ne rien produire

- La production est donc nulle (x=0; y=0; z=0), la valeur de la fonction économique est donc nulle. -La capacité disponible des facteurs de production sont intactes:

e 1 =900;

e 2 = 516 et

e 3 = 200 .

Critère d’optimalité:

Si un des coefficients de la dernière ligne est strictement positif, on peut

améliorer la solution.

C’est le cas pour la première solution.

Simplexe : Méthode des tableaux

Critère d’amélioration de la solution:

- Pour améliorer la solution, il faut commencer à produire.

- Il est préférable de commencer par le produit le plus rentable. C’est-à-dire la variable z, qui doit avoir une valeur non nulle Donc z devient variable en base.

Critère de la variable entrante

-La variable qui entre dans la base est celle dont le coefficient de la dernière ligne (la ligne qui correspondre aux coefficients de la fonction

économique) est le plus grand

Exemple: Le coefficient le plus élevé est 1200, correspond à la variable z.

Simplexe : Méthode des tableaux

Critère de la variable sortante:

Elle correspond à la variable dont le rapport entre le second membre

et la colonne de la variable entrante est le plus petit positif.

Une colonne résultante (notée R) est ajoutée au tableau précédent qui donne ce rapport.

Exemple: Min {900/5 ; ==> e 2 variable sortante

519/3 ; 100/0 } = 519/3=172

Détermination du pivot

1- La variable qui entre dans las base est celle dont le coefficients positif de la dernière ligne est le plus grand 2- La variable qui sort de la base est celle dont la résultante (R) positive est la plus petite 3- le pivot est situé à l’intersection de la variable entrante et de la variable sortante.

Simplexe : Méthode des tableaux

pivot =3

L1

L2

L3

L4

variables x y z e e e S 1 2 3 Variables en base e
variables
x
y
z
e
e
e
S
1
2
3
Variables
en base
e
5
8
5
1
0
0
900
1
e
1
2
3
0
1
0
516
2
e
2
2
0
0
0
1
200
3
F
1000
960
1200
0
0
0
0

R

900/5=180

516/3=172

200/0=+

960 1200 0 0 0 0 R 900/5=180 516/3=172 200/0=+ ∞ e2 sort de la base

e2 sort de la base

0 0 R 900/5=180 516/3=172 200/0=+ ∞ e2 sort de la base z entre dans la

z entre dans la base

z est entré dans la bse, e2 sort de la bse

Deuxième tableau

variables x y z e e e S 1 2 3 Var Base e 10/3
variables
x
y
z
e
e
e
S
1
2
3
Var
Base
e
10/3
14/3
0
1
-5/3
0
40
1
z
1/3
2/3
1
0
1/3
0
172
e
2
2
0
0
0
1
200
3
F
600
160
0
0
-400
0
-206400

L’1=L1- 5 L2/3 L’2=L2 /3 L’3=L3-0 L’2 L’4=L4- 1200 L’2

160 0 0 -400 0 -206400 L’1=L1 - 5 L2 /3 L’2=L2 /3 L’3=L3 - 0

Valeur de -F

Simplexe : Méthode des tableaux

X y z e e e S variables 1 2 3 variable En base e
X
y
z
e
e
e
S
variables
1
2
3
variable
En base
e
10/3
14/3
0
1
-5/3
0
40
1
z
1/3
2/3
1
0
1/3
0
172
e
2
2
0
0
0
1
200
3
F
600
160
0
0
-400
0
-206400

Lecture du deuxième tableau:

- Les variables hors base sont nulles: x=y=e2=0 -Les variables en base sont e1=40; z=172 et e3=200.

-La production est donc égale à 172 produit z.

-La deuxième contrainte est saturée (e2=0), la capacité disponible de la contrainte 1 est de 40 unités (e1=40) et la capacité disponible de la contrainte 3 est de 200 unités

(e3=200)

- L’objectif est égal à 206 400.

-Cette solution peut être améliorée puisque les coefficients de la ligne F ne sont pas

tous négatifs ou nuls.

Simplexe : Méthode des tableaux

pivot =10/3 x y z . e 1 e e S variables 2 3 .
pivot =10/3
x
y
z
. e 1
e
e
S
variables
2
3
.
Base
L ’1
e
10/3
14/3
0
1
-5/3
0
40
1
L’2
z
1/3
2/3
1
0
1/3
0
172
L’3
e
2
2
0
0
0
1
200
3
F
600
160
0
0
-400
0
-206400
L’4
Troisième tableau :

R

12

516

100

-400 0 -206400 L’4 Troisième tableau : R 12 516 100 L’’1=L’1/(10/3) L’’2=L’2 - (1/3)L’’1

L’’1=L’1/(10/3)

L’’2=L’2-(1/3)L’’1

L’’3=L’3-2L’’1

L’4=L’4-600L’’1

variables x y z. e e e S 1 2 3 Variables de base x
variables
x
y
z.
e
e
e
S
1
2
3
Variables
de base
x
1
1,4
0
0,3
-0,5
0
12
z
0
0,2
1
-0,1
0,5
0
168
e
0
-0,8
0
-0,6
1
1
176
3
F
0
-680
0
-180
-100
0
-213600

Simplexe : Méthode des tableaux

Troisième tableau :

L’’1=L’1/(10/3)

L’’2=L’2-(1/3)L’’1

L’’3=L’3-2L’’1

L’4=L’4-600L’’1

 

x

y

z.

e

1

e

2

e

3

S

Variables de

     

base

 

x

1

1,4

0

 

0,3

-0,5

0

12

 

z

0

0,2

1

-0,1

0,5

0

168

 

e

3

0

-0,8

0

-0,6

1

1

176

 

F

0

-680

0

-180

-100