Vous êtes sur la page 1sur 31

1.

Introduction
2. Exemples de problèmes de PL
3. Formes d'un PL
4. Forme canonique d'un PLS
5. Résolution géométrique d'un PL
6. Description algébrique des points extrêmes

Un problème programmation linéaire(PL): problème


d'optimisation modélisé par un système linaire.
minimiser ou maximiser une fonction linéaire avec
des contraintes qui sont décrites par des
fonctions linéaires.
Domaine des mathématiques appliquées développé à
la fin des années 1940 pour résoudre des problèmes
d'allocation des ressources pour les
gouvernements.
Un outil essentiel de la recherche opérationnelle
Appliqué à un nombre varié de problèmes réels,
produisant d'énormes économies d'argent et de
ressources.

1/31

Ismail Akharraz Chapitre 6Programmation linéaire


1. Introduction
2. Exemples de problèmes de PL
3. Formes d'un PL
4. Forme canonique d'un PLS
5. Résolution géométrique d'un PL
6. Description algébrique des points extrêmes
Exemple 1.

Dans une usine de fabrication de bois on fait deux


traitements sur le bois : (1) rabattre le bois en
planches de construction et (2) scier le bois en
finition. Pour la finition de 100 mètres de planche
il faut 2 heures et il faut 5 heures pour transporter
ces 100 mètres de planches. Pour rabattre 100 mètres
de planche de de construction il faut 2 heures et 3
heures sont nécessaires pour les transporter. La scie
est disponible 8 heures par jour et l'avion est
disponible 15 heures par jour. Si le bénéfice sur 100
mètres de planches de qualité finale est de 1200 DH et
que le bénéfice sur 100 mètres de planches de
construction est de 1000 DH, combien de mètres de
planche de chaque type de bois doivent être sciés pour
maximiser le profit?
2/31

Ismail Akharraz Chapitre 6Programmation linéaire


1. Introduction
2. Exemples de problèmes de PL
3. Formes d'un PL
4. Forme canonique d'un PLS
5. Résolution géométrique d'un PL
6. Description algébrique des points extrêmes

Solution de l'exemple 1.

Profit par jour =?


x la quantité de bois sciée par jour.
y la quantité de bois rabattue par jour.
Nombre d'heures nécessaires par jour pour la scie
:
x et y doivent satisfaire la contrainte :
Nombre d'heures requis par jour pour l'avion :
x et y doivent satisfaire :
x et y
Le profit à maximiser est donné : z =

3/31

Ismail Akharraz Chapitre 6Programmation linéaire


1. Introduction
2. Exemples de problèmes de PL
3. Formes d'un PL
4. Forme canonique d'un PLS
5. Résolution géométrique d'un PL
6. Description algébrique des points extrêmes

Solution de l'exemple 1.

Profit par jour =?


x la quantité de bois sciée par jour.
y la quantité de bois rabattue par jour.
Nombre d'heures nécessaires par jour pour la scie
2x 2y
: 100 + 100
x et y doivent satisfaire la contrainte :
2x 2y
100 + 100 ≤ 8.
Nombre d'heures requis par jour pour l'avion :
5x 3y
100 + 100 ,
5x 3y
x et y doivent satisfaire : 100 + 100 ≤ 15.
x ≥ 0 et ≥ 0.
Le profit à maximiser est donné : z = 12x + 10y.
Le modèle mathématique est:
4/31

Ismail Akharraz Chapitre 6Programmation linéaire


1. Introduction
2. Exemples de problèmes de PL
3. Formes d'un PL
4. Forme canonique d'un PLS
5. Résolution géométrique d'un PL
6. Description algébrique des points extrêmes

Modèle mathématique :
Trouvez les valeurs de x et y qui maximise z = 12 x + 10 y
Sous les contraintes :
2x + 2y ≤ 800
5x + 3y ≤ 1500
x ≥ 0
y ≥ 0

Maximiser z = 12 x + 10 y
Sous les contraintes :
2x + 2y ≤ 800
5x + 3y ≤ 1500
x ≥ 0
y ≥ 0
5/31

Ismail Akharraz Chapitre 6Programmation linéaire


1. Introduction
2. Exemples de problèmes de PL
3. Formes d'un PL
4. Forme canonique d'un PLS
5. Résolution géométrique d'un PL
6. Description algébrique des points extrêmes

Exemple 2.
Une usine de fabrication de drap de polyéthylène a deux sites, un
localisé dans la ville de Casablanca et l'autre localisé à
Kenitra. Il y a trois entrepôts de distribution, un à Agadir, un
autre à Fès, et le troisième Oujda. L'entrepôt de Casablanca
peut fournir 140 tonnes du produit par semaine, alors que le
l'entrepôt de Kenitra peut fournir 120 tonnes par semaine.
L'entrepôt de d'Agadir a besoins de 100 tonnes hebdomadaire pour
faire face à sa demande, le besoin hebdomadaire de l'entrepôt de
Fès est de 60 tonnes, et l'entrepôt d'Oujda a besoin chaque
semaine de 80 tonnes. Le tableau suivant donne le coût du
transport en Dirham par tonne du produit :
Agadir Fès Oujda
Casablanca 700 500 900
Kenitra 700 600 1000

Combien de tonnes de Polyéthylène doivent être transportés de


chaque site vers chaque entrepôt pour minimiser le coût total de
transport tout en répondant à la demande.
6/31

Ismail Akharraz Chapitre 6Programmation linéaire


1. Introduction
2. Exemples de problèmes de PL
3. Formes d'un PL
4. Forme canonique d'un PLS
5. Résolution géométrique d'un PL
6. Description algébrique des points extrêmes
Modèle mathématique.

S1 et S2 les deux sites à Casablanca et Kenitra.


E1 , E2 et E3 les entrepôts à Agadir, Fès et Oujda.
Variables de décision :
xij : le nombre de tonnes transportées de Si à Ej
cij : le coût de transport d'une tonne de Si à Ej
pour i=1,2 et j=1,2,3.
Contraintes :
La quantité envoyée de S1 est x11 + x12 + x13 : x11
+ x12 + x13 ≤ 120
Quantité envoyée de S2 est x21 + x22 + x23 : x21 +
x22 + x23 ≤ 140
Quantité reçu à E1 : x11 + x21 : x11 + x21 ≥ 100
x12 + x22 ≥ 60
x13 + x23 ≥ 80
On doit aussi avoir xij ≥ 0 pour i = 1, 2 et j = 1, 2, 3
Le coût total de transport à minimiser : z = c11 x11 + c12 x12
+ c13 x13 + c21 x21 + c22 x22 + c23 x23
Le modèle mathématique est : Chapitre 6Programmation linéaire
Ismail Akharraz
7/31
1. Introduction
2. Exemples de problèmes de PL
3. Formes d'un PL
4. Forme canonique d'un PLS
5. Résolution géométrique d'un PL
6. Description algébrique des points extrêmes

Modèle mathématique.

Le coût total de transport à minimiser :


z = c11 x11 + c12 x12 + c13 x13 + c21 x21 + c22 x22 +
c23 x23
Modèle mathématique :

Pi=2 Pi=2
Minimiserz = i= 1 j=1 cij xij
S.C. P
j=3
1 xij ≤ si , i = 1, 2.
Pj= j=2
i=1 xij ≥ dj , j = 1, 2, 3.
xij ≥ 0, i = 1, 2 et j = 1, 2, 3.

8/31

Ismail Akharraz Chapitre 6Programmation linéaire


1. Introduction
2. Exemples de problèmes de PL
3. Formes d'un PL
4. Forme canonique d'un PLS
5. Résolution géométrique d'un PL
6. Description algébrique des points extrêmes

Forme standard :(PLS)

Trouver x1 , x2 , ..., xn qui maximise z = c1 x1 + c2 x2 + .... + cn xn


S. C.


 a11 x1 + a12 x2 + ... + a1n xn ≤b1

a21 x1 + a22 x2 + ... + a2n xn ≤b2




.. .

 .≤.
. (1)

am1 x1 + am2 x2 + ... + amn xn ≤bm




xj ≥ 0, j = 1, 2, ..., n.

z : fonction objective
Les inégalités du système linéaire : contraintes
La fonction objective et les deux termes de chaque
contraintes sont des fonctions linéaires de x1 , x2 , ..., xn
9/31

Ismail Akharraz Chapitre 6Programmation linéaire


1. Introduction
2. Exemples de problèmes de PL
3. Formes d'un PL
4. Forme canonique d'un PLS
5. Résolution géométrique d'un PL
6. Description algébrique des points extrêmes

Forme canonique : (PLC)


Maximise z = c1 x1 + c2 x2 + .... + cn xn
S.C.

 a11 x1 + a12 x2 + ... + a1n xn =b1

a21 x1 + a22 x2 + ... + a2n xn =b2




.. .. (2)

 .=.

am1 x1 + am2 x2 + ... + amn xn =bm




xj ≥ 0, j = 1, 2, ..., n.

Remarque

(1) Tout problème de PL peut être formulé sous forme standard ou canonique.
(2) Tout Pb de minimisation est équivalent à un problème de maximisation :
Pi=n Pi=n
Min i=1 ci xi = −Max i=1 ci xi
(3) On peut multiplier une contrainte par une constante sans changer la
solution du problème .
10/31

Ismail Akharraz Chapitre 6Programmation linéaire


1. Introduction
2. Exemples de problèmes de PL
3. Formes d'un PL
4. Forme canonique d'un PLS
5. Résolution géométrique d'un PL
6. Description algébrique des points extrêmes

Forme matricielle :

Trouver x ∈ IR n qui maximise z = c T .x


S. C.
A.x ≤ b
x ≥0
Avec :

11/31

Ismail Akharraz Chapitre 6Programmation linéaire


1. Introduction
2. Exemples de problèmes de PL
3. Formes d'un PL
4. Forme canonique d'un PLS
5. Résolution géométrique d'un PL
6. Description algébrique des points extrêmes

Dénition
Un vecteur x ∈ IR n qui satisfait les contraintes d'un PL est appelé
solution réalisable de ce PL. Une solution réalisable qui maximise ou
minimise la fonction objective est appelée solution optimale du PL.
Exemple 1.

12/31

Ismail Akharraz Chapitre 6Programmation linéaire


1. Introduction
2. Exemples de problèmes de PL
3. Formes d'un PL
4. Forme canonique d'un PLS
5. Résolution géométrique d'un PL
6. Description algébrique des points extrêmes

Forme canonique d'un PLS :

Un PLC : système d'équations linéaires résoluble


par les méthodes d'algèbre linéaire.
Convertir un PLS en PLC : Ajouter des variables
d'écarts
ai 1 x1 + ai 2 x2 + ... + ai 1 xn ≤ bi
ai 1 x1 + ai 2 x2 + ... + ai 1 xn +ui = bi
Le système devient :


 a11 x1 + a12 x2 + ... + a1n xn +u1 = b1

a21 x1 + a22 x2 + ... + a2n xn +u2 = b2




....

.. (3)


a x + am2 x2 + ... + amn xn +um = bm

 m1 1



xj ≥ 0, j = 1, 2, ..., n.

13/31

Ismail Akharraz Chapitre 6Programmation linéaire


1. Introduction
2. Exemples de problèmes de PL
3. Formes d'un PL
4. Forme canonique d'un PLS
5. Résolution géométrique d'un PL
6. Description algébrique des points extrêmes

Une solution réalisable d'un PLS produit une solution


réalisable à un PLC en adjoignant les valeurs d?écart.
Une solution réalisable à un PLC fournit une solution
réalisable au PLS en tronquant les variables d?écart.
Exemple(Usine de bois) :

Avec les variables d'écart u et v, le problème devient :


Maximiser z = 12x + 10y
S.C. 
 2x + 2y + 1.u + 0.v = 8

5x + 3y + 0.u + 1.v = 15 (4)

x ≥ 0, y ≥ 0, u ≥ 0, ≥ 0.

x=2, y=1 est une solution réalisable du PLS,


u= 8-2.2-2.1 = 2 et v = 15-5.2-3.1 = 2
x = 2, y = 1, u = 2, v = 2 une solution réalisable du PLC
x = 1, y = 1, u = 4, v = 7 une autre solution du PLC,
x = 1, y = 1 est une autre solution réalisable du PLS.
14/31

Ismail Akharraz Chapitre 6Programmation linéaire


1. Introduction
2. Exemples de problèmes de PL 5.1. Géométrie des contraintes
3. Formes d'un PL 5.2. Géométrie de la fonction objective
4. Forme canonique d'un PLS 5.3. Géométrie de l'ensemble des solutions réalisable
5. Résolution géométrique d'un PL 5.4. Algorithme géométrique
6. Description algébrique des points extrêmes

Géométrie des contraintes.

• L'ensemble des point x = (x1 , x2 , ..., xn ) de x ∈ IR n


vérifiant la contrainte ai 1 .x1 + ai 2 .x2 + ... + ain .xn ≤ bi est
un demi plan fermé.
Exemple.

Ensemble des solutions réalisables pour la contrainte


2x + 3y ≤ 6 :

15/31

Ismail Akharraz Chapitre 6Programmation linéaire


1. Introduction
2. Exemples de problèmes de PL 5.1. Géométrie des contraintes
3. Formes d'un PL 5.2. Géométrie de la fonction objective
4. Forme canonique d'un PLS 5.3. Géométrie de l'ensemble des solutions réalisable
5. Résolution géométrique d'un PL 5.4. Algorithme géométrique
6. Description algébrique des points extrêmes

Ensemble des solutions réalisables pour les


contraintes :
2x + 3y ≤ 6



−x + 2y ≤ 4 (5)
x ≥ 0, y ≥ 0

16/31

Ismail Akharraz Chapitre 6Programmation linéaire


1. Introduction
2. Exemples de problèmes de PL 5.1. Géométrie des contraintes
3. Formes d'un PL 5.2. Géométrie de la fonction objective
4. Forme canonique d'un PLS 5.3. Géométrie de l'ensemble des solutions réalisable
5. Résolution géométrique d'un PL 5.4. Algorithme géométrique
6. Description algébrique des points extrêmes

Géométrie de la fonction objective.

La fonction objective d'un PL peut s'écrire c T .x


La solution de l'équation c T .x = k est un
hyperplan, k une constante.
Noyau d'une application linéaire
f : x = (x 1, x 2, ..., xn) −→ c T .x − k
Suplémentaire d'une droite dans l'espace vect IR n .
Maximiser la fonction objective d'un PL :
rechercher le k le plus grand possible.
Géométriquement on cherche l'hyperplan qui
intersecte l'ensemble des solutions réalisables et
pour lequel k est maximum.
La valeur de k mesure la distance de l'origine à
l'hyperplan.
17/31

Ismail Akharraz Chapitre 6Programmation linéaire


1. Introduction
2. Exemples de problèmes de PL 5.1. Géométrie des contraintes
3. Formes d'un PL 5.2. Géométrie de la fonction objective
4. Forme canonique d'un PLS 5.3. Géométrie de l'ensemble des solutions réalisable
5. Résolution géométrique d'un PL 5.4. Algorithme géométrique
6. Description algébrique des points extrêmes

• On peut penser à prendre des k assez grands et les


diminuer jusqu'à atteindre l'hyperplan qui touche
l'ensemble des solutions réalisable.
Exemple. Maximiser z = 4x + 3y
S.C. 
 x +y ≤8
5x + 3y ≤ 5
x ≥ 0, y ≥ 0

(6) 18/31

Ismail Akharraz Chapitre 6Programmation linéaire


1. Introduction
2. Exemples de problèmes de PL 5.1. Géométrie des contraintes
3. Formes d'un PL 5.2. Géométrie de la fonction objective
4. Forme canonique d'un PLS 5.3. Géométrie de l'ensemble des solutions réalisable
5. Résolution géométrique d'un PL 5.4. Algorithme géométrique
6. Description algébrique des points extrêmes

Remarque.

Un problème de la programmation linéaire ne peut pas


avoir de solution si l'ensemble des solutions
faisables est sans bornes.
Exemple

Maximiser z = 2x + 5y
S.C.

−3x + 2y ≤ 6



x + 2y ≥ 2 (7)
x ≥ 0, y ≥ 0

19/31

Ismail Akharraz Chapitre 6Programmation linéaire


1. Introduction
2. Exemples de problèmes de PL 5.1. Géométrie des contraintes
3. Formes d'un PL 5.2. Géométrie de la fonction objective
4. Forme canonique d'un PLS 5.3. Géométrie de l'ensemble des solutions réalisable
5. Résolution géométrique d'un PL 5.4. Algorithme géométrique
6. Description algébrique des points extrêmes

Géométrie de l'ensemble des solutions réalisable

Où dans l'ensemble de solutions réalisables on


peut trouver un point où la fonction économique
prend sa valeur optimale.
Si x1 et x2 sont deux solutions réalisables,
∀x ∈ [x 1 , x 2] x est une solution réalisable.
[x1 , x2 ] = {x ∈ IR n tel que x = λx1 + (1 − λ)x2 , 0 ≤ λ ≤ 1}.

Proposition
L'ensemble des solutions admissibles d'un PL est un polyèdre
convexe.

20/31

Ismail Akharraz Chapitre 6Programmation linéaire


1. Introduction
2. Exemples de problèmes de PL 5.1. Géométrie des contraintes
3. Formes d'un PL 5.2. Géométrie de la fonction objective
4. Forme canonique d'un PLS 5.3. Géométrie de l'ensemble des solutions réalisable
5. Résolution géométrique d'un PL 5.4. Algorithme géométrique
6. Description algébrique des points extrêmes

Proposition
(1) Sur un segment qui joigne deux SF, la FO est soit constante
soit atteint son min sur une extrémité et le max sur l'autre.
(2) S'il en existe, la solution optimale est sur un sommet (point
extrême) de la région réalisable.
Corollaire
Pour trouver l'optimum, il sut d'examiner les points extrêmes de
la région ralisable
Théorème
Si le polyèdre des des solutions d'un PL est borné, alors il existe au
moins une solution optimale et l'une d'elles est sur un point
extrême.
21/31

Ismail Akharraz Chapitre 6Programmation linéaire


1. Introduction
2. Exemples de problèmes de PL 5.1. Géométrie des contraintes
3. Formes d'un PL 5.2. Géométrie de la fonction objective
4. Forme canonique d'un PLS 5.3. Géométrie de l'ensemble des solutions réalisable
5. Résolution géométrique d'un PL 5.4. Algorithme géométrique
6. Description algébrique des points extrêmes

Algorithme géométrique :

(1) Partir d'un point extrême x de la région


réalisable.
(2) Déterminer une arête le long de laquelle
l'objectif augmente.
Si elle n'existe pas, x est optimal, FIN.
Sinon Faire (3)
(3) Se déplacer le long de l'arête jusqu'au point
extrême y suivant.
S'il n'existe pas, le problème est non borné.
FIN.
Sinon, x ←− y et revenir en (2).

22/31

Ismail Akharraz Chapitre 6Programmation linéaire


1. Introduction
2. Exemples de problèmes de PL 5.1. Géométrie des contraintes
3. Formes d'un PL 5.2. Géométrie de la fonction objective
4. Forme canonique d'un PLS 5.3. Géométrie de l'ensemble des solutions réalisable
5. Résolution géométrique d'un PL 5.4. Algorithme géométrique
6. Description algébrique des points extrêmes

Exemple (Usine de bois) :

Point extrêmes : (0, 0), (3, 0), (0, 4), et (3/2,


5/2). Maximum en (3/2, 5/2).
En termes du modèle, l'usine du bois devrait scier
1500 mètres du bois du niveau finition et 2500
mètres du niveau construction par jour.
Profit maximal de 43000DH par jour.
23/31

Ismail Akharraz Chapitre 6Programmation linéaire


1. Introduction
2. Exemples de problèmes de PL
3. Formes d'un PL
4. Forme canonique d'un PLS
5. Résolution géométrique d'un PL
6. Description algébrique des points extrêmes

Plus de trois variables : Les points extrêmes


sont difficiles à calculer géométriquement.
Description algébrique des points extrêmes qui
facilitera leur calcul.
Cette description utilise le concept d'une
solution de base du PL.

24/31

Ismail Akharraz Chapitre 6Programmation linéaire


1. Introduction
2. Exemples de problèmes de PL
3. Formes d'un PL
4. Forme canonique d'un PLS
5. Résolution géométrique d'un PL
6. Description algébrique des points extrêmes

Trouver x ∈ IR n qui maximise z = c T .x


S. C. (
A.x ≤ b
(8)
x≥ 0
où A est une m × s matrice, c ∈ IR s , x ∈ IR s et b ∈ IR m
Dénotons les colonnes de A par A1,A2,... , As.
(8) devient : x1.A1 + x2.A2 + ... +xs.As = b.
Cette description utilise le concept d'une
solution de base du PL.
Dans un PLC qui provient d'un PLS, nous avons m ≤
s et m colonnes de A sont linéairement
indépendants (i.e A est de rang m).
On peut toujours réordonner les colonnes de A de
façon à avoir les m dernier colonnes de A
indépendants.
25/31

Ismail Akharraz Chapitre 6Programmation linéaire


1. Introduction
2. Exemples de problèmes de PL
3. Formes d'un PL
4. Forme canonique d'un PLS
5. Résolution géométrique d'un PL
6. Description algébrique des points extrêmes

Résultat 1.

Au plus m composantes de tout point extrême de S


peuvent être positifs. Le reste doit être nul.
On choisit m colonnes de A linéairement
indépendante.
On pose les s-m variables correspondantes à ces
colonnes égales à 0.
On obtient un système linéaire de m équation et m
inconnus et dont la matrice est inversible.
Ce système a une solution unique qu'on complète
par des zéros pour obtenir une solution de Ax = b.
On l'appelle solution de base de Ax = b.
26/31

Ismail Akharraz Chapitre 6Programmation linéaire


1. Introduction
2. Exemples de problèmes de PL
3. Formes d'un PL
4. Forme canonique d'un PLS
5. Résolution géométrique d'un PL
6. Description algébrique des points extrêmes

Exemple 1.

Posons x2 = x3 = x5 = 0, on obtient le système


suivant à 3 équations et 3 inconnus

Les colonnes de cette matrice sont indépendantes


linéairement, 27/31

Ismail Akharraz Chapitre 6Programmation linéaire


1. Introduction
2. Exemples de problèmes de PL
3. Formes d'un PL
4. Forme canonique d'un PLS
5. Résolution géométrique d'un PL
6. Description algébrique des points extrêmes

Exemple 1.

Solution x1 = b1, x 4 = b2 + b3 - bl, x 6 = - b2.


Une solution de base :x = (b1, 0, 0, b2 + b3 -
b1,0, - b2).
Remarque.
Si nous avions mis x1=x3 = x5 = 0, nous obtenons le
système :

La colonnes 1 est somme de 2 et 3. Ce système ne peut


pas être résolu si b1 6= 0.
Ce choix ne conduit pas à une solution de base. 28/31

Ismail Akharraz Chapitre 6Programmation linéaire


1. Introduction
2. Exemples de problèmes de PL
3. Formes d'un PL
4. Forme canonique d'un PLS
5. Résolution géométrique d'un PL
6. Description algébrique des points extrêmes

Résultat 2.

Pour le PL déterminé par (18), chaque solution


faisable de base est un point extrême, et,
inversement, chaque point extrême est une solution
faisable de base.
Résultat 3.

Le problème déterminé par (8) a un nombre fini de


solutions faisables de base.
Résultat 4.

1. Les points extrêmes d'un PLC fournissent des


points extrêmes du PLS correspondant, et vice versa.
2. Le nombre des solutions réalisables d'un PL est
fini
29/31

Ismail Akharraz Chapitre 6Programmation linéaire


1. Introduction
2. Exemples de problèmes de PL
3. Formes d'un PL
4. Forme canonique d'un PLS
5. Résolution géométrique d'un PL
6. Description algébrique des points extrêmes

Exemple.

Soit le PLC correspondant au PLS de l'exemple 1 :


Maximiser z = 12x + 10y
S.C.
2x + 2y + u = 8
5x + 3y + v = 15
x ≥ 0, y ≥ 0.

On pose x = y = 0 (variables non basiques), alors


u = 8 et v = 15 (variables de base).
Le vecteur (0, 0, 8, 15) est une solution de base 30/31

réalisable du Ismail
PLC.Akharraz Chapitre 6Programmation linéaire
1. Introduction
2. Exemples de problèmes de PL
3. Formes d'un PL
4. Forme canonique d'un PLS
5. Résolution géométrique d'un PL
6. Description algébrique des points extrêmes

Le vecteur (0, 0, 8, 15) est une solution de base


réalisable du PLC.
En enlevant les variables d'écart, on obtient (0,
0) solution de base réalisable pour le PLS.
Par contre, si on pose x = v = 0 et donc y = 5 et
u = -2, on trouve (0, 5, -2, 0) est solution de
base, mais non réalisable, puisque u est négative.
Liste des solution de base et ceux réalisables :

Eliminant les non réalisables et calculer la FO


pour les point extrêmes qui restent : l'optimal
est en x = 3/2 et y = 5/2
31/31

Ismail Akharraz Chapitre 6Programmation linéaire