Chapitre 3 Cours

Chapitre 3
Dualité en programmation linéaire

Illustration de la notion
La dualité associe à tout problème linéaire un autre problème linéaire qui

est appelé problème dual du problème initial ; par opposition le problème
initial est appelé problème primal.
La notion de dualité en P.L. est très intéressante puisqu’elle permet de
montrer qu’un problème d’allocation optimale des ressources rares est
aussi un problème de tarification optimale de ces ressources.
les propriétés liant le programme primal et son dual permettront de

résoudre des problèmes de minimisation en termes de maximisation, ce
qui est souvent plus facile, et de développer de nouveaux algorithmes qui
se révéleront plus performants dans un grand nombre de situations.
L’entreprise Remox fabrique quatre produits. La fabrication de chaque produit

nécessite une certaine quantité de ressources. Les ressources consommées et leurs
quantités disponibles en stocks ainsi que les bénéfices des produits sont récapitulés
dans le tableau suivant :
l’entreprise souhaite établir un plan de production de façon à maximiser le bénéfice.

Le modèle de l’entreprise Remox que nous dénoterons (P) :
Max z = 7x1 + 9x2 + 18x3 + 17x4

2x1 + 4x2 + 5x3 + 7x4 ≤ 42
x1 + x2 + 2x3 + 2x4 ≤ 17
x1 + 2x2 + 3x3 + 3x4 ≤ 24
x1 , x2 , x3 , x4 > 0
Une entreprise concurrente à Remox se propose d’acheter son stock.

Soit u1, u2 et u3 les prix respectifs d’une unité de la ressource A, de B et
de C. Quels prix minimaux u1, u2 et u3 doit elle offrir à Remox tout en
restant compétitif en ce qui concerne le marché précédent ?
Le problème revient à rendre minimum le coût recherché par l’entreprise
concurrente:
Min w = 42u1 + 17u2 + 24u3
Compte tenu des contraintes suivantes :
2 u1 + 1 u2 + 1 u3 ≥ 7 (Produit 1)
4 u1 + 1 u2 + 2 u3 ≥ 9 (Produit 2)
5 u1 + 2 u2 + 3 u3 ≥ 18 (Produit 3)
7 u1 + 1 u2 + 3 u3 ≥ 17 (Produit 4)
Et il est raisonnable de penser que
u1, u2, u3 ≥ 0
Les problèmes (P) et (D) utilisent en fait exactement les mêmes données
numériques. On peut les lire directement à partir du tableau ci-dessous ; (P)
correspond à une lecture ligne par ligne, (D) à une lecture colonne par
colonne.
Finalement, pour déterminer les prix unitaires minimaux qu’elle proposera

à Remox, l’entreprise concurrente devrait résoudre le programme linéaire
suivant :
(D) Min w = 42u1 + 17u2 + 24u3

2u1 + u2 + u3 ≥ 7
4u1 + u2 + 2u3 ≥ 9
5u1 + 2u2 + 3u3 ≥ 18
7u1 + 2u2 + 3u3 ≥ 17
u1 , u2 , u3 ≥ 0
Un pharmacien doit préparer une poudre vitaminée contenant au moins 25

mg de vitamine A, 60 mg de vitamine B et 15 mg de vitamine C. Il
s’approvisionne auprès un laboratoire qui vend deux types de poudre
vitaminée en sachet :
— une poudre X de 20 mg de A, 30 mg de B et 5 mg de C, au prix de 60 dh ;
— une poudre Y de 5 mg de A, 20 mg de B et 10 mg de C, au prix de 90 dh ;
Combien doit-il se procurer de poudre X et de poudre Y pour assurer, au

coût minimum, son nouveau poudre ?
Le problème du pharmacien se formule (P):
Min z = 60x1 + 90x2

20x1 + 5x2 ≥ 25
30x1 + 20x2 ≥ 60
5x1 + 10x2 ≥ 15
x1 , x2 ≥ 0
où x1 et x2 les nombres de poudres de types X et Y qu’il doit mélanger.

Le laboratoire décide de vendre séparément les vitamines A, B et C en
sachet de 25, 60 et 15 unités. Combien doit-il vendre l’unité de chaque
vitamine pour être compétitif avec le pharmacien ?
Soient u1, u2 et u3 les prix unitaires respectifs de A, B et C.
Le labo cherche donc à maximiser son chiffre d’affaire :
w = 25u1 + 60u2 + 15u3
Le labo doit fixer les prix offerts pour les vitas de façon à ce que :
20u1 + 30u2 + 5u3 ≤ 60
5u1 + 20u2 + 10u3 ≤ 90
Et il est raisonnable de penser que : u1, u2, u3 ≥ 0.
Finalement, pour déterminer les prix unitaires maximaux qu’il ne

doit pas dépasser pour rester compétitif, le labo devrait résoudre
le programme linéaire suivant (D):
Max w = 20u1 + 60u2 + 15u3
20u1 + 30u2 + 5u3 ≤ 60
5u1 + 20u2 + 10u3 ≤ 90
u1 , u2 , u3 > 0
• Considérons une entreprise • Problème de l’entreprise:
produisant r produits finis: déterminer le niveau d’utilisation de
fk = demande du produit k =1, 2, …, r chaque procédé de production pour
utilisant s matières premières: satisfaire les demandes en produits
hl = disponibilité de la matière l = 1, 2, …, s sans excéder les disponibilités des
matières premières tout en minimisant
le coût total de production.
• L’entreprise dispose de n procédés de
production (activités): • Modèle
xj = niveau d’utilisation du procédé n
min z =  c j x j
j = 1, 2, …, n j =1
cj = coût unitaire d’utilisation du procédé n
j = 1, 2, …, n Sujet à  ekj x j  f k k = 1,2,..., r (demandes)
Le procédé j j =1
produit ekj unités de produit k =1, 2, …, r n
utilise glj unités de matière l = 1, 2, …, s j=1 glj x j  hl l = 1,2,..., s (disponibilités)

pour chaque unité de son utilisation.
xj  0 j = 1,2,..., n
• Un entrepreneur propose à l’entreprise d’acheter les quantités de ses

matières premières et de lui vendre les quantités de produits pour satisfaire
les demandes.
• Il doit énoncer (déterminer) des prix unitaires
vk pour les produits k = 1, 2, … , r
wl pour les matières l = 1, 2, …, s.
n
min z = c
j =1
jxj
n
Sujet à 
j =1
e kj x j  f k k = 1,2,..., r (demandes)
vk
g
j =1
lj x j  hl l = 1,2,..., s (disponibilités)
wl
xj 0 j = 1,2,..., n
n
• L’entrepreneur doit
min z = c
j =1
jxj
déterminer des prix qui n

soient intéressants pour
l’entreprise.
Sujet à e
j =1
kj x j fk k = 1,2,..., r (demandes) vk
g
j =1
lj x j  hl l = 1,2,..., s (disponibilités) wl
xj 0 j = 1,2,..., n
• Problème de l’entreprise: multiplions les contraintes de disponibilités
par -1
n n
min z =  c j x j min z =  c j x j
j =1 j =1
n n
Sujet à e kj x j  fk k = 1,2,..., r (demandes) Sujet à e j =1
kj x j  fk k = 1,2,..., r (demandes)
j =1
n
−  glj x j  −hl
n
−1 g x
j =1
lj j  hl l = 1,2,..., s (disponibilités)
j =1
l = 1,2,..., s (disponibilités)
xj  0 j = 1,2,..., n xj  0 j = 1,2,..., n
r s
e
k =1
v −  glj wl
kj k
l =1
≤ cj
• Le problème de l’entrepreneur est de maximiser son

profit en s’assurant que ses prix restent intéressants pour
l’entreprise
r s
max p = f
k =1
k vk − h w
l =1
l l
r s
Sujet à e
k =1
kj v k − g
l =1
lj wl cj j = 1,2,..., n
vk  0 k = 1,2,..., r
wl  0 l = 1,2,..., s
n Primal
min z = c x
j =1
j j min z = c T x
Sujet à
 
n
 E  f
Sujet à 
j =1
e kj x j  f k k = 1,2,..., r (demandes)  −G  x 
 −h   w
x0
n min c T x
− g lj x j  −hl l = 1,2,..., s (disponibilités) Sujet à Ax  b
j =1 x0
xj 0 j = 1,2,..., n
Dual v 
max p =  f T − h T   
r s  w
max p = f k vk − h w l l Sujet à
 E T − G T  v   c
k =1 l =1
r s    w
Sujet à e
k =1
kj v k − g
l =1
lj wl cj j = 1,2,..., n v, w  0 max bT y
Sujet à AT y  c
vk  0 k = 1,2,..., r
y0
wl  0 l = 1,2,..., s
Problème primal et problème dual
Problème de programmation linéaire avec inégalités
Problème primal Problème dual
min c T x max bT y
Sujet à Ax  b y Sujet à AT y  c x
x0 y0
Problème de programmation linéaire sous forme standard

Problème primal Problème dual
min c T x max bT y
Sujet à Ax = b y Sujet à AT y  c x
x0
Le tableau suivant donne un ensemble de règles formelles permettant

de passer d’un problème de P.L. général à sa forme duale.
Exemple 1
Passage d’un problème de max vers un problème de min
max z = 3x1 + x2 − 2 x3 min  = 10 y1 + 7 y2 + 8 y3

1x1 + 2 x2  10 1 y1 + 3 y2 + 1y3 = 3
3 x1 − x2 + x3 = 7 2 y1 − y2 + 0 y3  1
1x1 + 3 x3  8 0 y1 + y2 + 3 y3  −2
x2  0; x3  0 y1  0; y2 ; y3  0
Pour remplir le type de la contrainte il faut Inverser uniquement les operateurs (=

ou/et ) des contraintes de non-négativité
Pour remplir contraintes de non-négativité il faut Inverser tous les operateurs des
contraintes
Exemple 1
Passage d’un problème de min vers un problème de max
min z = 1x1 + 3 x2 − 2 x3 max  = 12 y1 + 8 y2 − 10 y3

1x1 + 2 x2  12 1 y1 + 2 y2 + 2 y3 = 1
2 x1 − 3 x2 + x3 = 8 2 y1 − 3 y2 + 0 y3  3
2 x1 + 2 x3  −10 0 y1 + y2 + 2 y3  −2
x2  0; x3  0 y1  0; y2 ; y3  0
Pour remplir le type de la contrainte il faut Inverser tous les operateurs des
contraintes de non-négativité
Pour remplir contraintes de non-négativité il faut Inverser uniquement les

operateurs (= ou/et ) des contraintes
Construction du dual
min cx max yb
 
(P)  Ax  b (D ) s.c.  yA  c
  x  0
s.c.   y  0
 
 20 5   25 
x     
c = (6 9) x =  1  A =  30 20  y = (yA yB yC ) b =  60 
 x2   5 10   15 
   
min 6 x1 + 9 x2
max 25 y A + 60 y B + 15 y C
 20 x1 + 5 x2  25
 30 x  20 y A + 30 y B + 5 yC 6
 + 20 x2  60 
s.c.  1
s.c.  5 y A + 20 y B + 10 y C 9
 5 x1 + 10 x2  15 y  0 y  0
 A yC  0
 x1  0 x2  0 B
308
Algorithme dual du simplexe
• L’algorithme dual du simplexe est une méthode itérative pour résoudre un

problème de programmation linéaire sous sa forme standard
min z = c1 x1 + c2 x2 + cn xn
Sujet à
a11 x1 + a12 x2 + ... + a1n xn = b1
a21 x1 + a22 x2 + ... + a2 n xn = b2
. . . .
. . . .
am1 x1 + am 2 x2 + ... + amn xn = bm
xj  0 j = 1, 2,..., n
• À chaque itération nous avons une solution de base du problème qui n’est
pas réalisable, sauf à la dernière itération de l’algorithme, et pour laquelle les
coûts relatifs de toutes les variables sont non négatifs.
• Par exemple, considérons le problème
min z = 3 / 2u + 1/ 2h − 27
Sujet à x + 1/ 4u − 1/ 4h = −6 / 4
− 1/ 4u + p − 3 / 4h = 15 / 2
y − 1/12u + 5 /12h = 13 / 2
x, y , u , p , h  0
Analysons une itération typique de l’algorithme où le tableau du simplexe

associé à la solution de base actuelle est le suivant:
Algorithme dual du simplexe: Critère de sortie
Si b i  0 i = 1,2,..., m, alors la solution est réalisable

et optimale. L' algorithme se termine.
Si non
 
Soit b r = min bi  0 . Si a rj  0 j = 1, 2,..., n, alors
1i  m
le problème n'est pas réalisable. En effet puisque
n
 a rj x j  0 et br  0
j =1
n
il est impossible que  a rj x j = b r .
j =1
1i  m
 
Sinon soit b r = min b i  0. x jr est la variable de sortie.
Le pivot se fera dans la ligne r du tableau.
Algorithme dual du simplexe: Critère d’entrée
a rs  0
l′indice 𝑠 de la variable d′entrée est tel que

𝑐𝑠ҧ 𝑐𝑗ҧ 𝑐𝑠ҧ 𝑐𝑗ҧ
= max : 𝑎ത𝑟𝑗 < 0 ou = min : 𝑎ത < 0
𝑎ത𝑟𝑠 1≤𝑗≤𝑛 𝑎ത𝑟𝑗 −𝑎ത𝑟𝑠 1≤𝑗≤𝑛 −𝑎ത𝑟𝑗 𝑟𝑗
Critère d’entrée
ar1 ar 2 1 arn br
0 1 0 0
ars ars ars ars ars

Si arj  0 pour tout j alors x : Ax = b, x  0
est vide et l’algorithme se termine
a rs  0
Pivot
• Pour retrouver le tableau du simplexe associé à la nouvelle

base où la variable d’entrée xs remplace la variable de sortie
xr il suffit de faire un pivot sur l’élément a rs  0 .
Solution de base non réalisable Solution de base optimale
x y u p h −z
x 1 3 0 0 1 0 18 x y u p h −z
1 1
p 0 −3 0 1 −2 0 − 12 x 1 0 0 − 0 3
4 4
u 0 − 12 1 0 −5 0 − 60 1 3
p 0 0 − 1 − 0 3
−z 0 18 0 0 8 1 114 4 4
1 5
y 0 1 − 0 0 3
12 12
3 1
u est la variable de sortie −z 0 0 0 1 54
2 2
critère de sélection de la variable d'entrée

max 18  −12 −5
,8 
= max -1.5,-1.6
et y est la variable d'entrée
Énoncé de l’algorithme dual du simplexe
319
320
Exemple 1:
Utiliser l’algorithme dual du simplexe pour résoudre le problème suivant :
min z = 4 x1 + x2 + x3
S .C.
− x1 − x2  −8
− 8 x1 + x2 + 9 x3  −1
x1 , x2 , x3  0
Exemple 1:
min z = 4 x1 + x2 + x3
S .C. − x1 − x2 + x4 = −8
− 8 x1 + x2 + 9 x3 + x5 = −1
x1 , x2 , x3 , x4 , x5  0
X4 est la variable sortante et x2 la variable entrante

Exemple 1:
X5 est la variable
sortante et x1 la
variable entrante
La solution
optimale est
x1=1 , x2=7 et
x3=0
La valeur
optimale z*=11
Exemple 2:
Résoudre avec les méthodes du simplexe le problème primal suivant :
Min z = 70 y1 + 90 y2 Min z = 70 y1 + 90 y2
S .C. y1 + 2 y2  30 S .C. y1 + 2 y2 − u1 = 30
y1 + y2  20 y1 + y2 − u2 = 20
y1 , y2  0 y1 , y2  0
Exemple 2:
Le problème dual :
Max f = 30 x1 + 20 x2 Max f = 30 x1 + 20 x2
S .C. x1 + x2  70 S .C. x1 + x2 + e1 = 70
2 x1 + x2  90 2 x1 + x2 + e2 = 90
x1 , x2 , e1 , e2  0
x1 , x2  0
Exemple 2:
x1 x2 e1 e2 b R
e1 1 1 1 0 70 70/1
e2 2 1 0 1 90 90/2
f 30 20 0 0 0
x1 x2 e1 e2 b R
e1 0 1/2 1 -1/2 25 50
x1 1 1/2 0 1/2 45 90
f 0 5 0 -15 -1350
Exemple 2:
x1 x2 e1 e2 b R
x2 0 1 2 -1 50
x1 1 0 -1 1 20
f 0 0 -10 -10 -1600
Primal Dual Z * = 1600

Variables d’activités Variables d’activités
Variables d’écarts Variables d’écarts
y1  e1 y1 = 10
x1 = 20;
y2  e2 y2 = 10
x2 = 50
u1  x1 u1 = 0 f * = 1600
e1 = e2 = 0
u2  x2 u2 = 0
Exemple 2:
x1 x2 e1 e2 b R
x2 0 1 2 -1 50
x1 1 0 -1 1 20
f 0 0 -10 -10 -1600
y1  e1 y1 = 10
y2  e2 y2 = 10
Z * = 1600
u1  x1 u1 = 0
u2  x2 u2 = 0
Ou :
x1 = 20; x2 = 50
f * = 1600
e1 = e2 = 0
Exemple 3:
Résoudre avec les méthodes du simplexe le problème primal suivant :

Min z = 2 y1 + 5 y2 + 3 y3
S .C. y1  10, y2  15
y1 + 2 y2 + y3  60
2 y1 + y2 + 2 y3  95
y3 , y4  0
1 0 0
  1 0 1 2
0 1 0  
A=  AT =  0 1 2 1 
1 2 1 0 0 1 2
   
2 1 2
Exemple 3:
le problème dual : Max f = 10 x1 + 15 x2 + 60 x3 + 95 x4

S .C. x1 + x3 + 2 x4  2
x2 + 2 x3 + x4  5
x3 + 2 x4  3
x1 , x2 , x3 , x4  0
le problème dual standard :
Max f = 10 x1 + 15 x2 + 60 x3 + 95 x4
S .C. x1 + x2 + 2 x4 + e1 = 2
x2 + 2 x3 + x4 + e2 = 5
x3 + 2 x4 + e3 = 3
x1 , x2 , x3 , x4 , e1 , e2 , e3  0
Exemple 3:
x1 x2 x3 x4 e1 e2 e3 b R
e1 1 0 1 2 1 0 0 2 1
e2 0 1 2 1 0 1 0 5 5
e3 0 0 1 2 0 0 1 3 3/2
f 10 15 60 95 0 0 0 0
x1 x2 x3 x4 e1 e2 e3 b R
x4 1/2 0 1/2 1 1/2 0 0 1 --
e2 -1/2 1 3/2 0 -1/2 1 0 4 4
e3 -1 0 0 0 -1 0 1 1 --
f -75/2 15 25/2 0 -95/2 0 0 -95
Exemple 3:
x1 x2 x3 x4 e1 e2 e3 b R
x4 1/2 0 1/2 1 1/2 0 0 1
x2 -1/2 1 3/2 0 -1/2 1 0 4
e3 -1 0 0 0 -1 0 1 1
f -30 0 -10 0 -40 -15 0 -155
y1 = 40 𝑢1 = 30
𝑢2 = 0
y2 = 15 z* = 155 𝑢3 = 10
y3 = 0 𝑢4 = 0
Ou :
x1 = 0, x2 = 4, x3 = 0, x4 = 1
f * = 155
e1 = 0, e2 = 0, e3 = 1

Chapitre 3 Cours

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

Chapitre 3 Cours

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 3

Dualité en programmation linéaire

La dualité associe à tout problème linéaire un autre problème linéaire qui

les propriétés liant le programme primal et son dual permettront de

L’entreprise Remox fabrique quatre produits. La fabrication de chaque produit

l’entreprise souhaite établir un plan de production de façon à maximiser le bénéfice.

Le modèle de l’entreprise Remox que nous dénoterons (P) :

Max z = 7x1 + 9x2 + 18x3 + 17x4

Une entreprise concurrente à Remox se propose d’acheter son stock.

Finalement, pour déterminer les prix unitaires minimaux qu’elle proposera

(D) Min w = 42u1 + 17u2 + 24u3

Un pharmacien doit préparer une poudre vitaminée contenant au moins 25

Combien doit-il se procurer de poudre X et de poudre Y pour assurer, au

Le problème du pharmacien se formule (P):

Min z = 60x1 + 90x2

où x1 et x2 les nombres de poudres de types X et Y qu’il doit mélanger.

Finalement, pour déterminer les prix unitaires maximaux qu’il ne

produit ekj unités de produit k =1, 2, …, r n

utilise glj unités de matière l = 1, 2, …, s j=1 glj x j  hl l = 1,2,..., s (disponibilités)

• Un entrepreneur propose à l’entreprise d’acheter les quantités de ses

déterminer des prix qui n

• Le problème de l’entrepreneur est de maximiser son

Problème de programmation linéaire sous forme standard

Le tableau suivant donne un ensemble de règles formelles permettant

Passage d’un problème de max vers un problème de min

max z = 3x1 + x2 − 2 x3 min  = 10 y1 + 7 y2 + 8 y3

Pour remplir le type de la contrainte il faut Inverser uniquement les operateurs (=

Passage d’un problème de min vers un problème de max

min z = 1x1 + 3 x2 − 2 x3 max  = 12 y1 + 8 y2 − 10 y3

Pour remplir contraintes de non-négativité il faut Inverser uniquement les

• L’algorithme dual du simplexe est une méthode itérative pour résoudre un

Analysons une itération typique de l’algorithme où le tableau du simplexe

Si b i  0 i = 1,2,..., m, alors la solution est réalisable

l′indice 𝑠 de la variable d′entrée est tel que

• Pour retrouver le tableau du simplexe associé à la nouvelle

critère de sélection de la variable d'entrée

Utiliser l’algorithme dual du simplexe pour résoudre le problème suivant :

X4 est la variable sortante et x2 la variable entrante

Résoudre avec les méthodes du simplexe le problème primal suivant :

Primal Dual Z * = 1600

Résoudre avec les méthodes du simplexe le problème primal suivant :

le problème dual : Max f = 10 x1 + 15 x2 + 60 x3 + 95 x4

Vous aimerez peut-être aussi