Optimisation

CHAPITRE V
Théorie de la dualité
 Problème Primal  Problème dual
Les deux problèmes ont les mêmes

paramètres
avril 13 S.Hammami 2
 Notation matricielle  Exemple
interprétation
 Supposons qu’un entrepreneur veut acheter toutes les ressources
disponibles des 3 ateliers. Il veut certainement que le prix total des
ressources soient minimal. On définit alors :
 y1: prix d’une heure de l’atelier 1
 y2 : prix d’une heure de l’atelier 2
 y3 : prix d’une heure de l’atelier 3
 L’entrepreneur doit payer W= 4y1+12y2+18y3
 Mais il doit payer suffisamment pour convaincre l’entreprise de vendre ses
ressources. Par exemple, il doit payer au moins :
 y1+3y3  3
 2y2+2y3  5
 Avec y1  0 et y2  0
Origine de la Dualité
• Primal : lecture horizontale, Dual : à
l’envers
• Primal :
• chaque colonne (except RHS) donne
les coeff d’une seule variable dans les
différentes contraintes et dans la fct
objectif
• Chaque ligne (sauf dernière) donne
les paramètres d’une seule contrainte
• Dual :
• chaque ligne (except RHS) donne les
coeff d’une seule var dans les
différents contraintes et dans la fct
objectif
• Chaque colonne (sauf dernière)
donne les paramètres d’une seule
contrainte
• RHS colonne = RHS Primal = objectif dual
• Dernière ligne = objectif primal = RHS
avril 13
dual
Origine de la dualité
 Le dual est basé sur l’aperçu fondamental et plus particulièrement
l’équation (0) de l’aperçu fondamental (P.7)
 (t*=t+y*T=[y*A-c, y*, y*b])
 On adopte la même notation de l’aperçu fondamental sauf qu’on
 Remplace Z par W
 On omet (*) pour indiquer qu’on est dans n’importe quelle itération
  l’itération i VB éq Z x1 … xn xn+1 …xn+m RHS
Z (0) 1 z1-c1 zn-cn y1 ym W
 z=(z1..zn) : vecteur que la méthode simplexe a ajouté aux coefficients initiaux
(-c) des variables de décision
 y=(y1…ym) : vecteur que la méthode simplexe a ajouté aux coefficients initiaux
(0) des variables d’écart
 L’aperçu fondamental permet de déduire la relation entre z, y et W
 W=yb
 z=yA
Aperçu fondamental
 Tableau initial
 Tableau final

W   bi yi
Ainsi, on obtient le problème dual  a

i
 yi  c j , j
ij
i
yi  0, i
 Le problème réside dans la fct objectif

 W (c’est Z) : en principe on cherche à maximiser
 C’est incorrect : raison
 Les seules solutions faisables du nouveau problème (dual) sont celles
qui satisfont la condition d’optimalité du primal
 Donc, seulement la solution optimale du primal correspond à une
solution faisable du dual
 Par conséquent, la valeur optimale de Z dans le primal est la valeur
minimale faisable de W dans le dual. Donc W doit être minimisée
Origine du dual : conséquences
1. Le problème dual est une formulation en un PL de l’objectif de la
méthode simplexe (atteindre une solution du problème primal qui
satisfait la condition d’optimalité)
2. Avant que l’objectif soit atteint (tous les coefficients de l’éq (0) 0 :
condition d’optimalité), le vecteur y de l’éq (0) (coeff des var
d’écart) du tableau courant représente une solution infaisable du
dual
3. Une fois que l’objectif soit attient, le vecteur y est optimal (y*) pour
le dual. y* représente une solution faisable qui atteint la valeur
minimal faisable de W. y* : shadowprice du primal
4. W*=Z*. Donc  x solution faisable du primal ,  y solution faisable
du dual on a : c x yb
Relations entre primal et dual
 Théorème de la faible dualité
 Si x solution faisable du primal, y solution faisable du dual, alors cx yb
 Implication :
 W*Z(x),  x du domaine réalisable du primal DRp
 Z*W(y),  y du domaine réalisable du dual DRD
 Par conséquent, si on a une solution réalisable quelconque de l’un des
problèmes (Primal P ou Dual D), la faible dualité peut être utilisée pour
obtenir une borne (inf ou sup) sur la valeur de la fonction objectif de l’autre
 Si yb – cx est petit : on peut choisir la solution x sans fournir un effort
supplémentaire pour la recherche de x* (x n’est pas très loin de x*)
 Exemple du cours
 (2,1,1) solution faisable du dual. W(y) = 38, ainsi, Z*  38
 (1,6) solution faisable du primal. Z(x)= 33, ainsi W* 33
 Donc la valeur de la fct obj de la solution optimale du P (ainsi que du D) est comprise entre 33
et 38

Relations entre primal et dual
 Théorème de la forte dualité
 Si x* solution optimale du primal, y* solution optimale du
dual alors cx*=y*b
 Résultat important :
 Si x* est optimal pour P, alors 𝑐𝐵 𝐵−1 est optimal pour D
 Corollaires
 P infini  D non réalisable
 D infini P non réalisable
 P non réalisable et D réalisable  D infini
 D non réalisable et P réalisable  P infini
Relation Primal-Dual
 La faible dualité présente la relation entre une paire
quelconque des solutions du primal et du dual (x,y)
où les deux solutions sont faisables de leurs
problèmes correspondants (x pour le primal, y pour
le dual)
 À chaque itération, la méthode simplexe donne une
paire spécifique de solutions des deux problèmes où
la solution du primal est faisable alors que la solution
du dual est non faisable (à l’exception de la dernière
itération). Les deux théorèmes suivants décrivent la
relation de cette paire spécifique.
 Th1 : solutions complémentaires
 À chaque itération, la méthode simplexe identifie
simultanément un point extrême faisable PEF x du primal et
une solution complémentaire y du dual (on peut les trouver
de l’équation (0), coefficients des variables d’écart) où
cx=yb
 Si x est non optimal du Primal alors y est non faisable du
dual
 Exemple itération 1 de l’exemple du cous
 x1=0, x2=6, y1=0, y1=5/2, y3=0 avec cx=yb =30
 x est faisable du Primal (mais non optimal) alors y est non faisable du
dual (y1+3y3 3)
 Th1 : solutions optimales complémentaires
 A l’itération finale, la méthode simplexe identifie
simultanément la solution optimale x* du primal et la
solution optimale complémentaire y* du dual (on peut la
déterminer à partir de l’éq (0), coefficients des var d’écart)
où cx*=y*b
 yi* : shadow price du primal
Applications
 Le dual peut être résolu avec la méthode simplexe
afin d’identifier la solution optimale du Primal
 Or le nombre de contraintes fonctionnelles (m) affecte le
temps de résolution avec la méthode simplexe plus que le
nombre de variables de décisions (n)
 Si m>n, donc le dual a moins de contraintes fonctionnelles
que le primal. Ainsi, en appliquant la méthode simplexe
directement au dual permet d’atteindre la solution optimale
du Primale plus rapidement
Relations Primal-Dual
 Le dual est un PL. Il admet donc des points extrêmes
 En recourant à la forme augmentée, ces points extrêmes
correspondent à des solutions basiques
 Étant donné que les contraintes sont sous la forme  (yA c) la
forme augmentée est obtenue en introduisant des variables
surplus (vecteur S)
 yA –S = c donc S= yA-c
 Or dans l’éq (0) du tableau simplexe Primal, les coefficients des
variables de décisions dans n’importe quelle itération : yA-c =z-c
 Ainsi, zj-cj joue le rôle d’une variable surplus de la contrainte j
 Ainsi, la solution basique de chaque point extrême du dual (y1,..,ym)
est (y1,..,ym,z1-c1, …,zn-cn )
 La solution basique de dual admet (n+m) variables dont m variables
non basiques et n variables basiques
 Une relation importante entre primal et dual est la
correspondance directe de leurs solutions basiques
grâce à l’éq (0) du tableau simplexe
 L’éq (0) de n’importe quelle solution basique primal peut
être obtenue
 L’éq (0) permet de déduire la solution basique de dual
 La solution du dual déduite de l’éq(0) du tableau
simplexe Primal est basique.
 Preuve :
 la solution basique de P admet m variables basiques dont les
coefficients est 0 dans l’éq (0)
 Donc la solution de dual déduite de l’éq(0) a m variables non basiques
 Les valeurs des n variables basiques sont déduites de la résolution du
système d’équation z-c=yA-c
 Théorème 1 : solutions basiques complémentaires
 Chaque solution basique de P admet une solution basique
complémentaire en D ayant la même valeur de la fct objectif
(W=Z).
 L’éq (0) du tableau simplexe du Primal permet de déduire la
solution basique complémentaire du dual (y,z-c)
 Théorème 2 : complementary slackness
 Les variables de la solution basique de P et la solution basique
complémentaire de D satisfont la relation de « slackness
complentary ». En prenant une paire de variables
complémentaires, si une variable admet une variable de surplus
dans la contrainte de non-négativité (variable basique >0), alors la
variable correspondante dans l’autre forme n’admet pas de variable
surplus (variable non basique =0)
• L’exemple du cours admet 8 SB :
5 SBF et 3 SB non faisables.
• La méthode simplexe appliquée
à cet exemple propose la
séquence suivante de SBF :
SBF1, SBF5 et SBF6
• Les 3 SB complémentaires du dual
peuvent être obtenues à partir de
l’équation (0) de chaque itération
• Les 5 autres SB
complémentaires peuvent être
obtenues ainsi :
• On construit l’équation (0) de chaque
SB primale en utilisant les formules
du tableau
 Le théorème 2  Ce système d’équation est
« complementary slackness » réduit à
peut être utilisée afin d’identifier  y1+0-0=3
pour chaque SB primale, les  2y2+0-0=5
variables basiques et non  Donc y1=3,y2=5/2, y3=0, z1-
basiques de la SB c1=z2-c2=0
correspondante du dual  D’où la SB du dual est
 Exemple SB7 (4,6,0,0,-6) (3,5/2,0,0,0)
 Les variables basiques sont x1,x2 et  Cette SB du dual est faisable :
x5
toutes les variables 0
 D’après le théorème 2 les variables
correspondantes au dual (z1-c1,z2-
c2 et y3) sont non basiques
 Or, la forme augmentée des
contraintes fonctionnelles du dual
 y1+3y3-(z1-c1)=3
 2y2+2y3-(z2-c2)=5
Relation entre les SB
complémentaires
 Faisabilité des SB (dual et primal)
 Dans la majorité des cas (except un cas), quand une SB est
faisable, son complémentaire est non faisable (tableau p.19)
 La SB6 du primal est optimale (Z=36)
 Étant donné que la SB complémentaire (du dual) est optimale
(W=36), les cinq premières SB du dual sont non faisables
(W<36) (rappelons que l’objectif du dual est Min W)
 Pour la même raison, les deux dernières SB du primal sont non
faisables (Z>36)
 Rappelons que la forte dualité : les solutions optimales
du primal et de dual ont la même valeur de leurs fct
objectif (W*=Z*)
Constatations sur les formes
du primal et du dual
 La relation de dualité est involutive puisque le dual du dual est
identique au primal
 La matrice des coefficients des contraintes de D (P) est la
transposée de celle de P (D).
 Les composants du second membre de D (P) sont les
coefficients de la fonction objectif de P (D).
 Chaque colonne (ou variable) de P (D) résulte en une contrainte
dans D (P).
 Lorsque P est un problème de maximisation avec des
contraintes de type , D est un problème de minimisation avec
des contraintes de type , et vice versa.
Le dual d’autres formes du
Primal
Exemples
max z = 2x1 + x2 min w = 2y1 + 3 y2 + y3
(P) s.c. x1 + x2 = 2 (D) s.c. y1 + 2 y2 + y 3  2
2 x1 - x2  3 y1 - y2 - y3 = 1
x1 - x2  1 y1<> 0, y2  0, y3  0
x1  0, x2 <>0
max w = -7 y1 + 14 y2 -3 y3
min z = 5x1 - 6 x2 + 7 x3 + x4 (D) s.c.
(P) s.c. y1 + 6 y2 -2 y3  5
x1 + 2 x2 - x3 - x4 = -7 2y1 - 3 y2 - 17 y3  -6
6 x1 - 3x2 + x3 + 7 x4  14 -y1 + y2 + 4 y3 = 7
-2 x1 -17 x2 + 4 x3 + 2 x4  -3 -y1 + 7y2 + 2 y3 = 1
x1 0 , x2  0; x3<>0, x4<>0 y1<> 0, y2  0, y3  0
Rôle de la dualité dans
l’analyse de sensibilité
 Changement des coefficients d’une variable non
basique
 Quel est l’effet sur la solution optimale courante x* ?
 Est-elle encore faisable
 Étant donné que le changement est effectué sur les paramètres (cj, aij)
d’une variable non basique (sa valeur 0), ça ne peut pas affecter la
faisabilité de la solution x*.
 Est-elle encore optimale ?
 Une question équivalente, la solution basique complémentaire du dual
y* est-elle encore faisable ? On peut vérifier si les contraintes du dual
sont satisfaites ?
 Si y* est encore faisable, donc x* est optimale.
 Sinon, x* est non optimale, on présentera après comment trouver le
nouvelle solution optimale
Rôle de la dualité dans
l’analyse de sensibilité
 Introduction de nouvelle variable
 Dans certains cas, les activités (exemple P1 et P2) sont
choisis parmi un nombre important d’activités. Les autres
activités n’ont pas été prises en compte dans le modèle en
supposant qu’elles ne sont pas si attractives.
 toutefois, ces activités peuvent être intéressantes,
autrement si on introduit une des ces activités, est ce que ça
peut changer la solution optimale du problème initial ?
 L’introduction d’une nouvelle activité signifie
 la proposition d’une nouvelle variable et la définition des paramètres
associés dans la fonction objectif et dans les contraintes fonctionnelles.
 La seule modification dans le dual est l’introduction d’une nouvelle
contrainte.
Introduction de nouvelle
variable
 Après avoir introduit cette nouvelle variable dans le
Primal, la solution optimale du problème original
demeure t-elle optimale (en supposant que la
nouvelle variable est non basique (=0) ?
 Une question équivalente, la solution basique
complémentaire (y*,z*-c) pour le problème dual est-
elle encore faisable ?
 Pour répondre à cette question, on vérifie si la nouvelle
contrainte du dual est satisfaite ?
Dualité dans l’analyse de
sensibilité : exemple du cours
 La solution optimale de ce problème sans
xnew : (2,6,2,0,0)
 Est-ce que cette solution est encore
optimale avec xnew=0 ?
 On doit vérifier si la solution basique
complémentaire du dual est faisable. Cette
solution est donnée par l’éq(0) du tableau
optimal de simplexe primal : (0,1.5,1,0,0).
 Est-ce que cette solution basique duale
satisfait la nouvelle contrainte du dual ?
 2y1+3y2+y3 4 : c’est le cas
 Donc la solution basique primale est
encore optimale

Optimisation

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Optimisation

Transféré par

Droits d'auteur :

Formats disponibles

CHAPITRE V

Les deux problèmes ont les mêmes

Ainsi, on obtient le problème dual  a

 Le problème réside dans la fct objectif

 L’éq (0) permet de déduire la solution basique de dual

Vous aimerez peut-être aussi