BOUSEBA BADREDDINE – 4EME AUTOMATIQUE – 2018/2019

REPUBLIQUE ALGERIENNE DEMOCRATIQUE ET POPULAIRE

MINISTERE DE L’ENSEITGNEMNT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE
ECOLE NATIONALE POLYTECHNIQUE DE CONSTANTINE
DEPARTEMENT EEA

COMPTE RENDU
~ OPTIMISATION ET RECHERCHE OPERATIONNELLE ~

‘TP 06’
SIMPLEXE

Encadré par : Réalisé par :

Professeur Samir LADACI Badreddine BOUSEBA
samir_ladaci@yahoo.com badreddine.bouseba@gmail.com

2ème Année Cycle Ingénieur

Option Automatique
Semestre II

Année Universitaire : 2018/2019

Page | 1
 BOUSEBA BADREDDINE – 4EME AUTOMATIQUE – 2018/2019

I/ Introduction :

L'algorithme du simplexe est un algorithme de résolution des problèmes d'optimisation linéaire. Il a

été introduit par George Dantzig à partir de 1947. C'est probablement le premier algorithme permettant
de minimiser une fonction sur un ensemble défini par des inégalités1. De ce fait, il a beaucoup
contribué au démarrage de l'optimisation numérique. L'algorithme du simplexe a longtemps été la
méthode la plus utilisée pour résoudre les problèmes d'optimisation linéaire.

II/ But du TP :

Apprendre à comprendre la méthode, et suivre le bon raisonnement pour l’implémentation de cette

méthode sur ordinateur pour permettre à l’utilisateur de trouver directement la solution en insérant les
matrices nécessaires
Il est demandé également de faire un organigramme, et un code Matlab bien détaillé.

Page | 2
 BOUSEBA BADREDDINE – 4EME AUTOMATIQUE – 2018/2019

IV/ Organigramme :

Début

Déclaration :
A : Matrice des contraintes
B : vecteur des contraintes
C : fonction objective

Dictionnaire initiale

Vérification des coefficients positifs

Exists ? Non

Oui

Colonne Pivot

Ligne Pivot

Division de la ligne par le pivot

Calcule des nouveaux coefficients

Afficiher le dictionnaire

Afficher la valeur optimale ainsi que les

coefficients

Fin Page | 3
 BOUSEBA BADREDDINE – 4EME AUTOMATIQUE – 2018/2019

V/ Programmation sous Matlab :

Voir les commentaires sous Matlab pour l’ explication de chaque étape utilisée.

clear all;
close all;
clc

A=input('Entrez la matrice des contraintes A\n');

b=input('Entrez le vecteur b des contraintes\n');
c=input('Entrez le vecteur c ligne de la fonction objective\n');
[n,m]=size(A);
D=[A eye(n) b;c zeros(1,n+m+1-length(c))];
H=D(n+1,:);
for p=1:n+m
if H(p)>0
break
end
end
while p~=n+m || H(n+m)>0

l=D(:,n+m+1)./D(:,p);

for j=1:n
if l(j)<0 || l(j)==0
l(j)=1e100;
end
end
for q=1:n
if l(q)==min(l(1:n))
break
end
end

D(q,:)=D(q,:)/D(q,p);
for i=[1:q-1 q+1:n+1]
D(i,:)=D(i,:)-D(i,p)*D(q,:);
end
H=D(n+1,:);
for p=1:n+m
if H(p)>0
break
end
end

D
end

disp('La valeur de Z optimal est')

[nd,md]=size(D);
disp(-1*D(nd,md))

Page | 4
 BOUSEBA BADREDDINE – 4EME AUTOMATIQUE – 2018/2019

Affichage de l’exécution sous Matlab :

VI/ Conclusion :

Ce TP m’a permis de bien raisonner en ce qui concerne des algorithmes mathématiques de complexité
moyenne. La résolution mathématique est relativement facile mais l’implémentation sur ordinateur
nécessite un peu de réflexion. En termes d’optimisation, j’ai arrivé à programmer l’une des méthodes
très utilisées pour la recherche opérationnelle.

Page | 5