Académique Documents
Professionnel Documents
Culture Documents
LA RECHERCHE OPERATIONELLE
Cours & Exercices
Elaboré par :
Mme HADDAD Fatma Zohra
2016/2017
Avant propos
De milliers de décisions sont prises chaque jour dans les entreprises. Cependant, Il
existe plusieurs types de classifications de décision, celles selon le degré de risque (certaines,
aléatoires et incertaines), une deuxième classification selon le niveau de décisions présenté
par I.ANSOFF (stratégiques, tactiques et opérationnelles). Par contre, H.SIMON distingue
une classification selon le type d’information et possibilité de modélisation (structurées, semi
structurées et non structurées). La classification de la décision que nous allons adopter est
celle de SIMON, du faite qu’elle se rapproche plus de notre sujet d’étude.
SIMON (Economiste prix Nobel 1978) est l’auteur du modèle IMC (Intelligence,
Modélisation, Choix), qui parle de la complexité du processus décisionnel où il parle d’une
rationalité limitée. Il considère que le processus décisionnel est constitué de trois étapes :
1
FAURE Robert, Précis de RO, édition : DUNOD, 2000, page:13
La première étape pour résoudre un problème est de l’identifier à un modèle connu ;
ensuite les méthodes associées à ce modèle sont appliquées pour proposer des solutions.
Notons que la finalité de la Recherche Opérationnelle est la prise de décision plutôt que la
description ou l’explication de phénomènes observés.
2
https://educnet.enpc.fr/pluginfile.php/17191/mod_resource/content/0/CoursROPonts.pdf
multicritère, la simulation et les processus stochastiques sont ainsi disponibles grâce au
tableur Excel).
Dans un contexte économique caractérisé par une concurrence féroce, des marges
réduites et la complexité croissante des décisions de gestion, la RO devient souvent un outil
indispensable pour améliorer la performance des entreprises et semble encore promise à un
bel avenir.
3
Jean-François PHELIZON, Méthodes et Modèles de la Recherche Opérationnelle, édition :
économica, 1998, Page : 50
• Formulation du problème
• Construction du modèle mathématique
Identification des variables associées au problème
Formulation des contraintes qui délimitent les valeurs que peuvent
prendre les variables
Formulation de la mesure d’efficacité associée aux variables (fonction
linéaire dite fonction objectif)
• Obtention d’une solution optimale à partir du modèle
• Vérification du modèle et de la solution
• Établissement de contrôle sur la solution
• Mise en œuvre de la solution
1- Définition :
Un programme linéaire est un problème d'optimisation dans lequel : les variables doivent
satisfaire un ensemble d'équations et/ou d'inéquations linéaires, appelées « contraintes »;
on cherche à maximiser ou minimiser une fonction linéaire de ces variables, appelée
« fonction objective ou fonction économique ». Ainsi, la Programmation linéaire occupe
une place très importante et sa mise en point fut étroitement liée au développement de
l’informatique scientifique4.
4
http://www.enib.fr/~tisseau/pdf/course/info.pdf.
• S’assurer que :
o Le modèle développé est conforme à la réalité
o Les résultats sont valides dans toutes les conditions
Exemple 6
Une firme fabrique deux produits A et B avec trois matières : M1, M2 et M3, selon le
tableau suivant :
A B Stocks
M1 2 1 8
M2 1 2 7
M3 0 1 3
Gain / unité 4 5
Les variables :
Soit x1 la quantité du produit A et x 2 la quantité du produit B. Nous remarquons que les
variables x1 et x2 qui représentent des productions, ne peuvent pas avoir de valeurs négatives ;
x 1≥0 et x 2≥0 .
Les contraintes :
- bilan de M1 :
2 x 1 +x 2 ≤8
- bilan de M2 :
x 1 +2 x 2 ≤7
- bilan de M3 :
x 2≤3
5
Ces hypothèses résument celles qui ont été donné par G. B. Dantzig : La proportionnalité, La non-
négativité, l’additivité et la linéarité de la fonction objectif
6
Exemple adapté du livre : Exercices et problèmes de Recherche Opérationnelle, p :56,Roseaux
2005.Edition dunod.
L'objectif :
Il s’agit de rendre le profit maximum, c'est à dire de maximiser la fonction :
Z =4 x 1 +5 x 2
Activités 1……………….i……………..n
Ressources
1 a 11………….…a1j ….……..a1n
j ai1…………..…Aij .….……..Ain
am1……………amj ….…….amn
m
∑ aij xj ≤ bi i=1 à m
2- La fonction à optimiser
Elle traduit l’objectif poursuivi par l’entreprise. L’objectif consiste à maximiser un
avantage ou minimiser un inconvénient. Cette fonction s'appelle fonction objective ou
fonction économique.
Connaissant le prix de vente à l'unité de chaque produit (Pi) et son coût de fabrication
à l'unité (Vi), il est possible de définir une marge bénéficiaire brute par unité de produit
(Ci).
.
.
.
.
am1 x1 + am2 x2 + ... + amn xn £ bm
x1 ³ 0 , x2 ³ 0 , ... , xn ³ 0
Remarque :
Cette formulation mathématique est caractérisée par des contraintes linéaires et une
fonction objective par rapport à l'ensemble des variables. Elle est appelée "Programme
linéaire" et est notée souvent "PL".
On pourra aussi rencontrer des fonctions objectives à minimiser, des contraintes de type " ³
" ou de type " = " et des variables "non-astreintes".
3- L’écriture matricielle du programme mathématique
Le problème (PL) revient à chercher x tel que la fonction économique Z soit
maximum.
PL¿{Z(x)=⟨c,x⟩¿{ Ax≤b¿¿
a11 a12 …. a1n
A= a21 a22 … a2n
.
.
.
am1 am2 …. 1mn
Forme standard
Un problème est dit sous forme standard si et seulement si toutes les vraies contraintes, autre
que
x i≥0 , sont des égalités. Il est souvent nécessaire d’introduire des variables d’écart
pour transformer des inégalités en égalité.
Max [z] = C X Min [f] = C X
s/c s/c
AX=B AX =B
X≥0 X ≥0
4- Exemples de formulation
Un agriculteur veut allouer 150 hectares de surface irrigable entre culture de tomates et celles
de piments. Il dispose de 480 heures de main d’œuvre et de 440 m 3 d’eau. Un hectare de
tomates demande 1 heure de main d’œuvre, 4 m3 d’eau et donne un bénéfice net de 100
7
Méthodes et exercices d'application Robert Faure, Bernard Lemaire, Christophe
PicouleauEdition : Dunod p : 36
Unités Monétaires. Un hectare de piments demande 4 heures de main d’œuvre, 2 m 3 d’eau et
donne un bénéfice net de 200 Unités Monétaires.
Le bureau du périmètre irrigué veut protéger le prix des tomates et ne lui permet pas de
cultiver plus de 90 hectares de tomates. Quelle est la meilleure allocation de ses ressources ?
Etape 1 : Identification des variables de décision. Les deux activités que l’agriculteur doit
déterminer sont les surfaces à allouer pour la culture de tomates et de piments :
x1 : la surface allouée à la culture des tomates
x2 : la surface allouée à la culture des piments
Eau : la culture d’un hectare de tomates demande 4 m 3 d’eau et celle d’un hectare de
piments demande 2m3 mais l’agriculteur ne dispose que de 440m3. La contrainte qui
est x1 4 x 2 480
Les limitations du bureau du périmètre irrigué : Ces limitations exigent que l’agriculteur
ne cultive pas plus de 90 hectares de tomates. La contrainte qui représente cette restriction
est x1 90.
Etape 3 : Identification de la fonction objectif. La fonction objectif consiste à maximiser le
profit apporté par la culture de tomates et de piments. Les contributions respectives 100 et
200, des deux variables de décision x1 et x2 sont proportionnelles à leur valeur. La fonction
x1 : nombre de lots de tissu de coton que le procédé 1 permet de traiter par semaine.
x2 : nombre de lots de tissu de coton que le procédé 2 permet de traiter par semaine.
x3 : nombre de lots de tissu de coton que le procédé 3 permet de traiter par semaine.
Remarque :
Cette formulation mathématique est caractérisée par des contraintes linéaires et une
fonction objective par rapport à l'ensemble des variables. Elle est appelée "Programme
linéaire" et est notée souvent "PL".
On pourra aussi rencontrer des fonctions objectives à minimiser, des contraintes de type " ³
" ou de type " = " et des variables "non-astreintes".
Exercice 1 :
9
Méthodes et modèles de la recherche opérationnelle 2006, A. Kaufmann, pp 22-23
10
Recherche opérationnelle Méthodes d'optimisation en gestion Jean-Claude Moisdon , Michel
Nakhla Edition : Presses des Mines – Transvalor, 2011
Un fabricant de fuel produit de l’essence normale et sans plomb. Chaque type
d’essence nécessite deux traitements : le cracking et le raffinage. Chaque unité de normal
nécessite 0,2 heures de cracking et 0,5 heure de raffinage ; l’essence sans plomb nécessite 0,4
heure de cracking et 0,2 heure de raffinage. Le profit est de 15 unité Monétaire par unité de
normal, et de 30 unité Monétaire pour le sans plomb.
Exercice 2 :
Considérons une banque qui n'a que deux types d'actifs, ses prêts et ses placements en
valeurs mobilières. Cette banque dispose de 400 millions unité Monétaire qu'elle doit répartir
entre ces deux types d'actifs. Cette banque veut que ses prêts s'élèvent au moins à 150
millions unité Monétaire. Comme il est plus aisé de retrouver de la liquidité avec des
placements qu'avec des prêts la banque souhaite que le montant des placements soit égal au
moins à 20% du total, prêts plus placement. Les responsables de la banque veulent maximiser
le profit sachant que les prêts rapportent 16% et les placements 10%.
Exercice 3 :
Exercice 4 :
Une entreprise peut fabriquer, sur une machine donnée, travaillant 45 heures par
peut absorber, au plus, 1 000 objets P1 , 500 objets P2 et 1 500 objets P3 par semaine.
Formuler mathématiquement le P.L. correspondant à ce problème.
Exercice 5 :
Combien de ceintures de chaque type faut-il fabriquer par jour de manière à maximiser
le bénéfice total de l’entreprise ?
Exercice 6 :
Le mobilier d'une bibliothèque municipale doit être changé pour contenir au moins
4400 livres de petit format et 2600 livres de grand format.
Un premier fournisseur propose des meubles de type A pouvant contenir 110 livres de petit
format et 100 livres de grand format pour un prix de 400 unités monétaires.
Un deuxième fournisseur propose des meubles de type B pouvant contenir 220 livres de petit
format et 100 livres de grand format pour un prix de 600 unités Monétaires.
Exercice 7 :
Des hommes d’affaires veulent investir au maximum 5 000 unités monétaires dans
les projets A et B. L’investissement en A est au plus de 4 000 unités monétaires, et
l’investissement en B est au moins de 600 unités monétaires. Pour chaque dollar investi, A
rapporte 0,08 unité Monétaire et B rapporte 0,10 unité monétaire.
L’investissement en Y peut être au plus le tiers de l’investissement en X. Combien
Exercice 8 :
Une entreprise fabrique trois types de piles : sèches de type 1 (PS1), sèches de type 2
(PS2) et à combustible (PC).
Le processus de fabrication comporte trois étapes :
L'assemblage,
Un test de qualité
Un traitement d'isolation.
Seules les piles satisfaisant le test de qualité sont soumises au traitement d'isolation.
Modélisez cet exercice de façon à pouvoir répondre aux questions suivantes : Quel est
le nombre optimal de piles de chaque type à fabriquer le mois prochain si l'entreprise est
assurée de vendre toute sa production ? Quel sera le profit ?
Exercice 10 :
Votre start-up est bien partie mais la concurrence est rude et pour augmenter votre
clientèle (principalement des femmes) vous décidez de lancer une grande campagne de
publicité. Votre plan de publicité prévoit que vous voulez atteindre au moins 200 millions de
consommateurs dont 150 millions de femmes minimum (en audience cumulée). Cependant,
vu le retournement de conjecture vous devez être très prudent avec vos dépenses car vos
financiers commencent à se montrer assez inquiets. Vous faites donc appel à une grande
agence de publicité qui vous communique le nombre de consommateurs que vous pouvez
espérer toucher en passant des annonces dans les différents medias ainsi que les coûts
associés.
Complétez votre plan de publicité en déterminant le nombre d'annonces que vous allez
faire passer sur chaque media pour atteindre le public visé au moindre coût.
1) Une solution unique et meilleure qu’elle soit et qu’on appelle solution optimale ;
2) Une solution double ;
3) Une infinité de solution ;
4) Un Programme qui n’admet pas de solution.
Elle correspond au point le plus éloigné de l’origine (0,0) sur la zone admissible atteint par la
droite Z, dans le cas de maximisation,
Elle correspond au point le plus proche de l’origine (0,0) sur la zone admissible attient par la
droite Z, dans le cas de minimisation.
Remarque :
Si l'ensemble des solutions optimales est non vide, alors, il représente un des sommets du
polyèdre (obtenu en représentant les contraintes sous formes géométrique).
Reprenons le probleme de formulation N°3 pour trouver la solution optimale
graphiquement :
Min Z : 3 X1 + 2 X2
100 X1 + 200 X2 ≥ 300
200 X1 + 200 X2 ≥ 500
600 X1 + 200 X2 ≥ 700
X1 ≥ 0, X2 ≥ 0
Maintenant en ayant les coordonnées de chaque droite, on peut les tracer sur le même plan.
On hachure le demi-plan correspondant aux solutions non réalisables
Max Z : 20 X1 + 30 X2
X1 + 3 X2 ≤ 18
X1 + X2 ≤ 8
2 X1 + X2 ≤ 14
X1 ≥ 0 , X2 ≥ 0
Exemples :11
Problème de maximisation
Max 100x1 200 x2 x2 (2)
(4)
x1 90 (4) 40
E x1
x1 0, x2 0
la solution optimale est B(40,110)
11
Exercices et problèmes résolus de recherche opérationnelle - Roseaux, Edition : Dunod 2000
Problème avec solution non bornée
Max - 2 x1 3x 2 x2
2 x1 3x 2 6 (2)
x1 0, x 2 0
5 x1
Z=0
(1)
Problème impossible
Min 3x1 2 x 2 x2
s.c. x1 2 x 2 2 (1)
2 x1 4 x 2 8 (2)
x1 0, x 2 0
x1
(2)
(1)
L’espace des solutions réalisables est vide, il est l’intersection des deux zones
grises de la figure ci-dessus
x2 4 (3)
10 x1
x1 0, x 2 0
Z=0
L’ensemble des points décrit par le segment [AB] représente les solutions
optimales du problème linéaire
Problème de dégénerescence
Max x1 x 2 x2
(2)
3- Analyse de sensibilité
Une analyse de sensibilité se résume à la recherche des intervalles de variations
possibles des paramètres du programme linéaire sans que la solution optimale ne soit
modifiée.
Réponse :
x2
12
B
x1
6 12
Z=10
Question : De combien peut-on faire varier le profit engendré par la culture d’un hectare de
tomates, dans le problème de l'agriculture, sans changer la solution optimale ?
Réponse :
x2 (2)
(4)
A
B
110
C
(3)
Z=0 30
D (1)
E x1
40
Soit la variation du profit engendré par la culture d’un hectare de tomate. La fonction
objectif est égale à (100 ) x1 200 x2
Alors au-delà de trois variables, il y a lieu d’utiliser une autre méthode. Il s’agit de la
méthode du simplexe.
Notions de bases
12
https://educnet.enpc.fr/pluginfile.php/17191/mod_resource/content/0/CoursROPonts.pdf
13
De nombreux mathématiciens, parmis eux le Russe L. V. Kantorovich, se sont penchés sur le
problème de programmation linéaire avant 1947.
Les Solutions de base
On appelle solution de base (associée à B), la solution particulière obtenue en faisant
x HB =0 , d’où x B= A
B−1
b
. Une telle solution est dite réalisable si
x B ≥0 . Une
solution de base est dite dégénérée14 si
x B a des composantes nulles.
2- L’algorithme du Simplexe
a 1,1 ⋯ a1, n b1
( ⋮
am , 1
c1
⋯
⋯
⋮
a m ,n
cn
⋮
bm
Z (x)
) .
- On passe à l’écriture canonique par rapport à la base B, ce qui donne de façon simplifiée :
t
( 1
0 ⋯ 0
⋱
t
A HB =A
B −1
A HB b= A
c HB =t c HB −t πA HB Z ( x )−t πb
B−1
b
c e=max ( c i >0 )
- Considérons l’indice e de .
- On teste la colonne
A e : si tous les coefficients sont négatifs, alors l’algorithme se
termine car Z →∞ .
14
- Le nouveau tableau se calcule par pivotage : on utilise la méthode de Gauss en prenant
pour pivot le coefficient a s,e ,
1 −a1 , e /as , e
( )
⋱ ⋮
1 −a s−1, e /as , e
1 /as , e 0
−as+1 , e /as , e 1
⋮ ⋱
−am , e /a s, e 1
0 ⋯ 0 −c e /a s ,e 0 ⋯ 0 1
,
3-L’organigramme du simplex
Début
Non
Fin
CS=max {Cj}
jєn
Non Oui
Br = Min
…i. Ais Ais.rrr....
bi
Ais Ais<0 Pas de solution
Dans un PL sous forme canonique, toutes les contraintes ont des signes différents et toutes les
variables sont positives ou nulles. Par contre, dans le PL sous forme standard, toutes les
contraintes sont des égalités (en général avec beaucoup plus d’inconnues que d’équations).Les
versions algébriques de l’algorithme du simplexe commencent par transformer le PL à traiter
en un PL équivalent sous forme standard. Le passage de la forme canonique du PL vers la
forme standard se fait par le biais des variables d’écarts et /ou artificielles.
Si la contrainte est du signe ≥ : alors on déduit une variable d’écart et on ajoute une variable
artificielle
Les variables artificielles forment la matrice identité et ce sont des variables de base.
Le coefficient de la variable artificielle dans la fonction objectif est (+M) si on est le cas de
MIN et (–M) dans le cas de MAX, sachant que M tend vers + ∞
La contrainte de non négativité
Une solution admissible de base du problème avec n variables d’écarts est une solution du
problème à (n+m) variables où n variables sont nuls et toutes les autres (m) variables sont non
négatives.
Les valeurs des variables de bases dans la solution de bas se lisent dans les valeurs de
ressources.
Le passage de la forme canonique vers forme standard se fait par l’introduction des variables
d’écarts comme suit :
X1 ≥ 0, X2 ≥ 0, X3 ≥ 0, S1 ≥ 0, S2≥ 0
X1= 0, X2 = 0 et X3 = 0 alors Z0 = 0
Les variables de base sont les variables d’écarts : S1 et S2 sur la ligne et colonne
Les variables hors base sont les variables de décision : X1 , X2 et X3 juste sur la ligne
VHB VB
C X* X1 X2 X3 S1 S2 B B/A
0 S1 3 2.5 5.25 1 0 6000
VB 0 S2 0.4 0.5 0.35 0 1 600
C 1 0.9 1.1 0 0 0 Z= 0
Z
∆
A B
C D
A est le pivot, la nouvelle valeur de D est : D’ = (A*D) – (B*C)
Chaque fois qu’on veut calculer la nouvelle valeur d’une case, elle doit se située sur la
diagonale du pivot.
MAX : ∆ > 0
MIN ∆ < 0
VHB VB
C X* X1 X2 X3 S1 S2 B B/A
0 S1 3 2.5 5.25 1 0 6000 6000/5.25 =
1142.85 Variable sortante
0 S2 0. 0.5 0.35 0 1 VB
600 600/0.35=
4 1714.28
C 1 0.9 1.1 0 0 0 Z= 0
Z= 0 0 0 0 0 / /
∑(A*C
)
∆=Z – -1 -0.9 -1.1 0 0 / /
C
La variable entrante est X3 car elle représente la valeur la plus élevé de ∆ = 1.1
La variable sortante est S2 car elle représente la valeur la plus petite du rapport B/A : 1142.85
On s’appuyant sur ces trois éléments, on peut avoir le premier tableau d’itération :
C X* X1 X2 X3 S1 S2 B B/A
1.1 X3 0.5 0.47 1 0.19 0 1142.85 1142.85/0.47
7 =2431.57
0 S2 0.2 0.33 0 - 1 200 200/0.33=606.06 Variable sortante
0.06
C 1 0.9 1.1 0 0 Z=1257.3 S2 X1’=[(0.4*5.25)-(3*0.35)]/5.25=0.2
5 S2 X2’=[(0.5*5.25)-(0.35*2.
Z 0.6 0.51 1.1 0.20 0 / 5)]/5.25=0.33
2 S2 S1’=[(0*5.25)-(0.35*1)]/5.25=-0.06
∆ - - 0 0.20 0 / B’ =[(600*5.25)-
0.3 0.39 (0.35*6000)]/5.25=200
8 Z= (1.1*1142.85)+(0*200)=1257.35
Variable
entrante
Puisqu’il y a des valeurs de ∆ < 0, donc ce n’est pas la solution optimale et il faudra
améliorer la solution.
La variable entrante est X2 puisqu’elle correspond à la valeur la plus élevé de ∆, par contre la
variable sortante est S2 et le pivot est : 0.33
C X* X1 X2 X3 S1 S2 B B/A
1.1 X3 0.28 0 1 0.27 - 858 858/0.28=3064.28
1.42
0.9 X2 0.60 1 0 - 3.03 606.06 606.06/0.6=1010.1
0.18
C 1 0.9 1.1 0 0 Z=
1489.25
Z 0.84 0.9 1.1 0.13 1.16 /
∆ -0 .1 0 0 0.13 1.16 /
5
Puisqu’il y a des valeurs de ∆ < 0, donc ce n’est pas la solution optimale et il faudra
améliorer la solution.
La variable entrante est X1 puisqu’elle correspond à la valeur la plus élevé de ∆, par contre la
variable sortante est X2 et le pivot est : 0.60
Le troisième tableau d’itération :
C X* X1 X2 X3 S1 S2 B B/A
1.1 X3 0 0.46 1 0.35 -2 .8 575.17 /
3
1 X1 1 1.67 0 -0.3 5.05
1010.1 /
C 1 0.9 1.1 0 0
Z= /
1642.78
Z 1 2.17 1.1 0.08 1.93 / /
∆ 0 1 .27 0 0.08 1.93 / /
Puisque toutes les valeurs de ∆ sont positives ou nulles, alors on a attient la solution
optimale : X*1 =1010.1, X*2 = 0, X*3 = 575.17, S1= 0, S2 = 0 et Z* = 1642.78
C X* X1 X2 S1 R1 S2 R2 S3 R3 B B/A
M R1 100 200 -1 1 0 0 0 0 300 300/100 = 3
M R2 200 200 0 0 -1 1 0 0 500 500/200 = 2.5
Variable
M R3 600 200 0 0 0 0 -1 1 700 700/600 = 1.16
sortante
C 3 2 0 M 0 M 0 M 1500 /
M
Z 900M 600M -M M -M M -M M / /
∆ 900M - 3 600M -2 -M 0 -M 0 -M 0 / /
Variable entrante
600 est le pivot
Remarque :
C X* X X2 S1 R1 S2 R2 S3 B B/A
1 Variable
M R1 0 500/3 -1 1 0 0 1/6 550 /3 11/10= 1.1 sortante
M R2 0 400/3 0 0 -1 1 1/3 800/3 2
3 X1 1 1/3 0 0 0 0 -1/600 7/6 2/7 =3.5
C 3 2 0 M 0 M 0 Z=450M /
+7/2
Z 3 300M+1 -M M -M M M/2 / /
-3/600
∆ 0 300M-1 -M 0 -M 0 M/2 / /
-3/600
Variable
entrante
Puisqu’il y a des valeurs de ∆ > 0, donc ce n’est pas la solution optimale et il faudra
améliorer la solution.
La variable entrante est X2 puisqu’elle correspond à la valeur la plus élevé de ∆, par contre la
variable sortante est R1 et le pivot de Gauss est : 500/3
Remarque :
Quand il y a un « zéro » dans la ligne du pivot, la colonne ne change pas.
C X* X1 X2 S1 S2 R2 S3 B B/A
2 X2 0 1 -3/500 0 0 1/1000 11/10 /
M R2 0 0 4/5 -1 1 1/5 120 150
3 X1 1 0 1/500 0 0 -1/500 4/5 400
C 3 2 0 0 M 0 /
Z 3 2 4M/5- -M M M/5- / /
2/500 1/200
∆ 0 0 4M/5- -M 0 M/5- / /
2/500 1/200
Puisqu’il y a des valeurs de ∆ > 0, donc ce n’est pas la solution optimale et il faudra
améliorer la solution.
La variable entrante est S1 puisqu’elle correspond à la valeur la plus élevé de ∆, par contre la
variable sortante est R2 et le pivot est : 4/5
C X* X1 X2 S1 S2 S3 B
2 X2 0 1 0 -3/400 1/400 2
0 S1 0 0 1 -5/4 ¼ 150
3 X1 1 0 0 1/400 -1/400 0.5
C 3 2 0 0 0 Z= 5.5
Z 3 2 0 3/400- -1/400 /
∆ 0 0 0 -3/400 -1/400 /
Puisque toutes les valeurs de ∆ < 0 donc c’est la solution optimale : X1*= 0.5 (0.9) = 0.45,
X2*= 2 (0.6) = 1.2, et Z* = 0.45 (3) + 1.2 (2) = 3.75 Unités monétaires.
Ceci va nous amener aussi à changer notre règle d’arrêt de la procédure de simplexe et de
définir le tableau optimal, comme celui où tous les effets nets
cj - zj sont positifs ou nuls.
Min x1 + x2
Sc 2x1 + x2 12
5x1 + 8x2 74
x1 + 6x2 24
x1 0 , x2 0
Pour permettre à la méthode de simplexe de démarrer de l’origine, il faut comme on l’a déjà
vu dans le cas de problème de maximisation, introduire les variables artificielles.
Sc 2x1 + x2 - S1 + A1 = 12
5x1 + 8x2 - S2 + A2 = 74
x1 + 6x2 - S3 + A3 = 24
x1 , x2 , S1 , S2 , S3 , A1 , A2 0
5 6 0 0 0 M M M
x1 x2 S1 S2 S3 A1 A2 A3
M A1 12 2 1 -1 0 0 1 0 0 12
M A2 74 5 8 0 -1 0 0 1 0 37/4
M A3 24 1 6 0 0 -1 0 0 1 4
8M 15 -M -M -M M M M
1-8M 1-15M M M M 0 0 0
x1 x2 S1 S2 S3
1 x1 8 1 0 -8/11 1/11 0
0 S3 26 0 0 2 -1 1
1 x2 2 0 1 5/11 -2/11 0
1 1 -3/11 -1/11 0
0 0 3/11 1/11 0
x1 = 8
x2 = 2
S1 = 0
S2 = 0
S3 = 26
Z = 10
Après avoir vérifié que le second membre des contraintes est positif, le tableau suivant résume
les transformations à faire subir à notre programme linéaire avant de le résoudre par la
méthode de simplexe :
Le tableau suivant résume les étapes de la méthode de simplexe relatif aux problèmes de
maximisation et minimisation :
3 Ecrire le programme linéaire sous une Ecrire le programme linéaire sous une
forme standard forme standard
5 Choisir comme variable entrante dans la Choisir comme variable entrante dans la
base celle qui admet le plus grand effet base celle qui admet le plus petit effet net
net positif cj-zj. négatif cj-zj.
La deuxième méthode pour résoudre un problème de se base sur le résultat suivant « Résoudre
un problème min ctx sujet à un ensemble de contraintes est équivalent à résoudre un problème
max -ctx sujet au même ensemble de contraintes ». Ces deux problèmes sont équivalents dans
la mesure où ils donnent le même vecteur des solutions optimales. La seule différence est que
la valeur de la solution max -ctx est l’opposé de la solution de min ctx; (i.e. min ctx = - max
-ctx).
Donc pour résoudre le programme linéaire relatif au problème de médecine, on peut résoudre
le problème de maximisation suivant:
Max - x1 - x2
S.c. 2x1 + x2 12
x1 + 6x2 24
x1 , x2 0
1- Problèmes Irréguliers15
Dans le chapitre précédent tous les programmes linéaires qu’on a traité sont du type :
Maximiser une fonction linéaire sous contraintes de type inférieur ou égale (et avec un second
membre positif).
Or dans beaucoup de problèmes réels, on peut retrouver des contraintes de type supérieur ou
égal et/ou de type égal.
Afin de générer une solution réalisable de base initiale pour la méthode de simplexe, on a
annulé les variables de décision x1 et x2 . Ceci nous permet de commencer à partir de l’origine
O. Or, on vérifie bien que l’origine n’est pas une solution réalisable. La question qui se pose
est comment nous allons réécrire le programme de manière qu’on puisse construire le tableau
de simplexe initial à l’origine.
15
J.ACHER,J.GARDELLE, Programmation Linéaire, édition Dunod, 3 édition, 2000, page : 49
Pour arriver à cette fin, on doit ressortir une astuce mathématique qui se résume à
l’introduction de nouvelles variables, dite variables artificielles A1 et A2.
Ces variables n’ont aucune interprétation, comme leur nom l’indique, ils sont conçus a-
rtificiellement pour nous aider à utiliser la procédure de simplexe et à formuler le tableau
initial à partir de l'origine.
Maintenant on peut obtenir une solution initiale de base du système d’équations, si on pose x1
= x2 = 0.
La solution initiale est
x1 = 0
x2 = 0
S1 = 4
S2 = 0
A1 = 60
A2 = 5
Cette solution n’est pas réalisable puisque x2 n’est pas supérieur à 50. Ainsi, il est important de
distinguer entre une solution réellement réalisable et une solution du programme linéaire
réécrit pour la procédure du simplexe. Certes, une solution réalisable du problème réel reste
toujours une solution réalisable pour le programme linéaire transformé, le contraire n’est pas
toujours vrai.
On peut conclure que tant que les variables artificielles restent dans la base, la solution
demeure non réalisable réellement pour notre programme.
Une manière pour garantir que ces variables artificielles sortent de la base avant d’atteindre la
solution optimale est de leur associée un grand coût -M dans la fonction objectif. Ainsi, si ces
variables restent dans la base ils vont causer une diminution importante de la valeur de la
fonction objectif. Ce qui nous contraignent à les faire sortir le plutôt possible de la base.
La fonction objectif s’écrit donc :
Les deux premières itérations on fait sortir de la base les variables artificielles A1 et A2. Leurs
effets nets est maintenant négatif et très élevé, elles ne pourront donc pas être sélectionnées à
l’itération suivante, ni même ultérieurement comme on peut facilement le constater. Donc on
peut supprimer du tableau la colonne relative à A1 et A2.
En appliquant la règle ci-dessus, on obtient le tableau de simplexe suivant :
5 6 0 0
x1 x2 S1 S2
0 S1 8 0 0 1 8/5 5
5 x1 9 1 0 0 3/5 15
6 x2 5 0 1 0 -1 -5
5 6 0 -3
0 0 0 3
5 6 0 0
x1 x2 S1 S2
0 S2 5 0 0 5/8 1
5 x1 6 1 0 -3/8 0
6 x2 10 0 1 5/8 0
5 6 15/8 0
0 0 -15/8 0
Le tableau ci-dessus est optimal car tous les effets nets sont négatifs ou nuls. Donc la solution
optimale est :
x1 = 6
x2 = 10
S1 = 0
S2 = 5
Exemple:
4 3 0 0 -M
x1 x2 S1 S2 a1
0 S1 2 (1) 1 1 0 0 2
-M a1 10 3 1 0 -1 1 10/3
-3M -M 0 M 1
3M+4 M+3 0 -M -M-1
4 3 0 0 -M
x1 x2 S1 S2 a1
4 x1 2 1 1 1 0 0
-M a1 5 0 -2 -3 -1 1
4 4+2M 1+3M M -M
0 -1-2M -1-3M -M 0
16
Jean-François PHELIZON, Méthodes et Modèles de la Recherche Opérationnelle, édition :
économica, 1998
Le tableau de simplexe ci-dessus est optimal avec une variable artificielle dans la base.
1 2 0 0 -M
x1 x2 S1 S2 a1
-M a1 2 1 (1) -1 0 1 2
0 S2 3 0 1 0 1 0 3
-M -M M 0 -M
1+M 2+M -M 0 0
1 2 0 0
x1 x2 S1 S2
2 x2 2 1 (1) -1 0 -2
0 S2 1 -1 0 (1) 1 1
2 2 -2 0
-1 0 2 0
1 2 0 0
x1 x2 S1 S2
2 x2 3 0 1 0 1
0 S1 1 -1 0 1 1 -1
0 2 0 2
1 0 0 -2
Le dernier tableau montre que la variable x1 n’admet aucune limite sur sa valeur de sortie.
Exemple
Max z = 2x1 + 0 x2 + 3/2 x3
s.c. x1 - x2 2
2x1 + x3 4
x1 + x2 + x3 3
x1, x2, x3 0
La solution optimale de ce problème est :
x1 = 1
x2 = 0
x3 = 2
z =5
2 0 3/2 0 0 0
x1 x2 x3 S1 S2 S3
0 S1 2 1 -1 0 1 0 0 2
0 S2 4 2 8 0 -1 0 0 2
0 S3 3 1 6 0 0 -1 0 3
0 15 -M -M -M M
2 0 3/2 0 0 0
La variable entrante est x1, mais les deux premières contraintes donnent la même valeur
minimale du ratio. Ceci indique que lorsque x1 passe à 2, les variables d’écart S1 et S2 vont
s’annuler malgré que l’un des deux demeure encore dans la base.
2 0 3/2 0 0 0
x1 x2 x3 S1 S2 S3
2 x1 2 1 -1 0 1 0 0 -2
0 S2 0 0 2 1 -2 1 0 0
0 S3 1 0 2 1 -1 0 1 1/2
2 -2 0 2 0 0
0 2 3/2 -2 0 0
Et la valeur de la fonction objectif z = 4. Cette solution de base est dite dégénérée. Continuons
les itérations relatives à la méthode de simplexe. La variable entrante est x2.
Le problème est qu’un des ratios est nul ce qui indique qu’on ne peut pas augmenter la valeur
de x2 puisque la valeur de la fonction objectif ne va pas augmenter et reste égale à 4.
Si on réitère une autre fois, en remplaçant S2 par x2 dans la base on obtient :
2 0 3/2 0 0 0
x1 x2 x3 S1 S2 S3
2 x1 2 1 0 1/2 0 1/2 0 4
0 x2 0 0 1 1/2 -1 1/2 0 0
0 S3 1 0 0 0 1 -1 1
2 0 0 0 1 0
0 0 1/2 0 -1 0
Ce tableau n’est pas optimal, la variable entrante est x3 et la variable sortante est x2. On
remarque aussi que ce passage d’une solution à une autre ne s’accompagne pas d’une
augmentation de la valeur de la fonction objectif.
On peut facilement vérifier que nous somme en train de cycler sans atteindre la solution
optimale. Ce genre de cyclage dans la méthode de simplexe est dangereux et on doit
l’identifier avant de commencer à résoudre le problème, sinon on passera un temps énorme
sans atteindre la solution optimale.
Pour terminer cette section, il faut noter que ce n'est pas tout problème de dégénérescence qui
peut conduire à un cyclage.
Exemple
Max 10 x1 + 9x2
Sc 7/10x1 + x2 630
1/2 x1 +5/6x2 480
x1 + 2/3x2 708
1/10 x1 +1/4x2 135
x1 ,, x2 0
Essayer de résoudre ce programme par la méthode de simplexe (choisir en cas de deux
quotients égaux, celui qui se trouve dans la ligne supérieure).
Nous allons commencer ce chapitre par donner quelques termes clés du jargon utilisé pour
interpréter économiquement les différents résultats du programme linéaire.
Section I : Interprétation économique
Les éléments clés d’un programme linéaire standard sont :
- La fonction objectif dite fonction économique. Cette fonction peut représenter un coût, un
profit, etc...
- Les contraintes sont composées, des coefficients aij de la matrice A, dite matrice
technologique, et des constantes bi, qui forment le vecteur du second membre. Le second
membre peut représenter la disponibilité des ressources, les niveaux de demande etc...
- Les variables d’écart peuvent représenter, par exemple dans le problème de l’agriculteur,
l’excédent de chacune des ressources : terrain, eau, heures de travail, bureau d’irrigation. Elles
sont aussi dites variables de surplus.
Par définition, on appelle coût marginal d’un bien l’augmentation minimale de dépenses, par
rapport à la solution optimale, qui résulterait de l’utilisation d’une unité supplémentaire de ce
bien, lorsque le problème posé consiste à produire des biens au moindre coût.
Si le problème posé consiste à transformer des biens pour vendre une production avec un
meilleur profit et l’augmentation maximale de revenu qui résulte de la possibilité de disposer
d’une unité supplémentaire de l’un des biens, est la valeur marginale de ce bien. Très souvent,
on emploie également dans ce cas le qualificatif coût marginal.
2- Exemple d’application:
⇒ Une augmentation de 1 S
d’une unité entraîne une diminution de 200/3 de la
valeur de la fonction économique.
3 3
⇒ On a déjà 60 m d’eau de plus donc si on ajoute 1m ca ne va pas changer la
solution optimale ni la valeur de la fonction économique
z=100 x1 +200 x2
Si on exprime z en fonction de
S 1 et S 3 (variables hors base) en utilisant le système
d’équation ci dessus on a
z=26000−200/3 S 1−100 /3 S3
Si
S =1
1 alors un hectare de terrain de moins à utiliser, donc une réduction de 200/3
dinars de la valeur de la fonction objectif.
Si on ajoute 3 hectares de terrains ( S1 =−3 ) , avec l’hypothèse que les autres quantités
S .C x 1 +x 2≤153
4 x 1 +2 x 2 ≤440
x 1 +4 x 2 ≤480
x 1≤90
x 1≥0 ,
x 2≥0
On trouve que la valeur optimale va augmenter de 200 dinars est devient 26 200 dinars.
Par exemple, si on ajoute 30 hectares de terrains aux 150 déjà disponibles dans le problème de
l’agriculteur, le revenu augmentera de ( 200/3 )×3=200dinars . Ceci n’est pas vrai, parce
que si on résout le programme linéaire suivant :
S .C x 1 +x 2≤180
4 x 1 +2 x 2 ≤440
x 1 +4 x 2 ≤480
x 1≤90
x 1≥0 ,
x 2≥0
La valeur optimale du programme linéaire ci-dessus est de 26 875,14 donc le revenu n’a pas
augmenté de 2000 dinars comme prévu.
1- Définition
Max z=c t x
S .C Ax≤b ( PL1 )
x≥0
dimension ( m ,n )
S .C x 1 +x 2≤150
4 x 1 +2 x 2 ≤440
x 1 +4 x 2 ≤480
x 1≤90
x 1≥0 ,
x 2≥0
S .C y 1 + 4 y 2 + y 3 + y 4 ≥100
y 1 +2 y 2 +4 y 3 ≥200
y 1 ≥0 ,
y 2 ≥0
Soit
y 1 le prix d'un hectare de terrain
y 2 le prix d’un m3 d’eau
y 3 le prix d’une heure de main d’œuvre
y 4 le prix de la permission de la culture d’un hectare de tomates.
Le problème du client consiste à minimiser les frais d’achat des ressources : c’est à dire
150 y 1 +440 y 2 +480 y 3 +90 y 4 sous la contrainte que les prix satisfont notre agriculteur.
3
Pour notre agriculteur un hectare de terrain 4 m d’eau, une heure de travail et un hectare de
permission du bureau est équivalent a un revenu de 100 dinars.
3
Tandis que, un hectare de terrain, 2m d’eau et 4 heures de travail lui engendrent un revenu
de 200 dinars.
S .C y 1 + 4 y 2 + y 3 + y 4 ≥100
y 1 +2 y 2 +4 y 3 ≥200
y 1 ≥0 ,
y 2 ≥0
y1 y2 y3 y4 L1 L2
0 60 0 50 40 110
Avec L1 et L2, les variables d’écart à la 1ère et la 2ème contrainte du programme dual.
On remarque que la solution optimale du dual peut être déduite du primal de la manière
suivante :
y1 = 200/3 C3 - z3 = - 200/3
y2 = 0 C2 - z4 = 0
y3 = 100/3 C5 - z5 = - 100/3
y4 = 0 C6 - z6 = 0
L1 = 0 C1 - z1 = 0
L2 = 0 C2 - z2 = 0
C1 - z1 = 0 S1 = 0
C2- z2 = 60 S2 = 60
C3- z3 = 0 S3 = 0
C4 - z4= 50 S4 = 50
C5 - z5= 40 x1 = 40
w = 26000 z = 260000
xj = 0 Cj - zj < 0 Li = | Cj - zj | 0 Cj - zj = 0
xj > 0 Cj - zj = 0 Li = 0 Cj - zj = xj
Sj > 0 Cj - zj = 0 yi = 0 et Cj – zj = Sj
On remarque aussi qu’à l’optimum la valeur de la fonction objectif du dual est égale à la
valeur de la fonction objectif du primal.
Max Min
Exemples
Primal Dual
S.c x1 + x2 3 S.c y1 - y2 + y3 ½
- x1 + x2 1 y1 + y2 1
x1 2 y1 0, y2 0, y3 0
x1 0, x2 0
- x1 + 2x2 -2 - y1 + 2y2 + y3 1
x1 + x2 5 y1 0, y2 0, y3 0
x1 0, x2 0
x1 4 - y1 -1
x1 0, x2 0 y1IR, y2 0
x1 + x2 = 6 - 2y1 + y2+ y3 = -1
x2 5 y1 0, y2 IR, y3 0
x1IR, x2IR
Une solution de base optimale est dite stable si l’ensemble des variables de base à l’optimum
ne changent pas, même si les valeurs de ces variables de base sont modifiées.
Dans cette section on examinera la stabilité de la solution optimale d’un programme linéaire
suite à la variation de l’un des paramètres de ce programme.
En remplaçant dans le tableau optimal 100 par 100 + , on obtient le tableau suivant :
100+ 200 0 0 0 0
x1 x2 S1 S2 S3 S4
0 S2 60 0 0 -14/3 1 2/3 0
0 S4 50 0 0 -4/3 0 1/3 1
0 0 -(200+4)/3 0 -100/3 0
( 200+ 4 Δ )
{ −
3
≤0 ¿ ¿ ¿ ¿
Donc la solution optimale est stable et prend la même valeur (x1,x2)=(40,110) tant que 50
C1 200
Exercice : Supposons que le coefficient Cj d'une variable hors base dans la solution optimale,
est modifié. Dans quel intervalle, Cj peut-il varier sans que la base optimale soit modifiée ?
Solution :
Déterminer l’intervalle pour lequel, la solution optimale reste stable, pour une variation du
second membre de la ième contrainte bi .
Sachant que dans le premier tableau de simplexe b1 n’est présent que dans la première
contrainte. On obtient ainsi une correspondance entre la colonne des quantités Qi et la colonne
de S1.
100 200 0 0 0 0
x1 x2 S1 S2 S3 S4
0 S1 150+1 1 1 1 0 0 0
0 S2 440+0 4 2 0 1 0 0
0 S2 480+0 1 4 0 0 1 0
0 S4 90+0 1 0 0 0 0 1
0+1 0 0 0 0 0 0
100 100 0 0 0 0
Dans le tableau optimal, la colonne correspondant à S1 nous donne les coefficients de dans
la colonne des quantités.
100 200 0 0 0 0
x1 x2 S1 S2 S3 S4
0 0 -200/3 0 -100/3 0
Donc tant que 120 b1 160,85 la base demeure la même et la solution optimale est stable
mais elle change en valeur (exemple: pour = 3 le vecteur de solutions optimale est
(x1,x2,S1,S2,S3,S4)=(44,109,0,46,0,46))
Remarque : D’après le résultat ci-dessus on peut conclure que le coût marginal de 200/3 par
hectare de la première ressource n’est valide que si la solution de base demeure stable. Donc
si et seulement si 120 b1 160,85. Ceci est appelé le domaine de validité du coût marginal.
Exercice 1:
Sans faire de calcul, de combien peut-on modifier la quantité de m 3 d’eau sans nuire à la
solution optimale ? Confirmez votre résultat a l'aide de la méthode d'analyse de sensibilité
exposé ci-dessus ?
Exercice 2 :
Déterminer l’intervalle dans lequel peut varier b1 et b3 (les ressources en surface et en main
d’œuvre) sans que la base optimale change.
Réponse 2 :
{40+4/3Δ1−1/3Δ2≥0¿{60+14/3Δ1+2/3Δ2≥0¿{1 0+1/3Δ1+1/3Δ2≥0 ¿ ¿
Pour 1 = 0 (variation nulle de la surface en hectare), la solution optimale est stable pour une
variation 2 des ressources en main d’œuvre entre 570 et 730 heures (-150 2 90).
Le coût marginal de 100/3 par heure de main d’œuvre de la 3ème ressource n’est valide que
dans l’intervalle [570, 730].
Conclusion: Dans le cas où xj est une variable de base optimale et la ième ressource est
totalement utilisée, il est impossible de modifier le coefficient aij sans que la base dans la
solution optimale ne change pas (la solution optimale n'est pas satable).
ii) xj est une variable de base et la ième ressource n’est pas totalement utilisée² .
¿ ¿
{∂ x2 +S 2 =60 ¿ ¿ ¿ ¿
Conclusion: Dans le cas où xj serait une variable de base optimale et où la ième ressource n’est
pas totalement utilisée, il est possible de modifier le coefficient aij d’une valeur ij égale à
Si
−∞≤δ ij ≤ ¿
xj et la solution optimale demeure stable.
iii) Si xj est une variable hors base (xj = 0). Ceci implique qu’on ne va pas produire le produitj
On sait déjà que la valeur optimale de la variable duale représente les coûts marginaux
(d’opportunité) associés à l’utilisation de ressources limitées.
On peut également utiliser ces coûts marginaux pour évaluer des décisions concernant
l’introduction de nouveaux produits ou de nouveaux procédés de fabrication.
La question est pour qu’elle valeur de C3, l’agriculteur a-t-il intérêt à introduire cette nouvelle
production ?
S.c x1 + x2 + x3 150
x1 90
x1, x2, x3 0
En d’autres termes, s’il n’a pas intérêt à le faire, la solution optimale du programme linéaire
ci-dessus donne x3 = 0. Ce qui revient à dire, que pour l’agriculteur l’utilisation d’un hectare
de terrain, de 3 mètres cube d’eau et de deux heures de travail lui procurent plus de gain s’ils
va les mettre au service de la production de tomates et/ou de piments plutôt que dans la
production de pommes de terre. Ceci est équivalent au fait que la contrainte suivante:
¿ ¿ ¿
¿ ¿ ¿
y 1 +3 y 2 +2 y 3 ³C 3
n’est pas satisfaite (avec
y1 , y2 e t y3 sont les prix minimaux des
ressources pour notre agriculteur).
Cette contrainte correspond à la 3ème contrainte du programme dual du programme linéaire ci-
dessus :
¿ 200 ¿ ¿ 100
y 1= ,y 2 =0 et y 3 =
On a : 3 3 , donc :
1 2 0 0
x1 x2 S1 S2
2 x2 2 1 (1) -1 0 -2
0 S2 1 -1 0 (1) 1 1
2 2 -2 0
-1 0 2 0
1 2 0 0
x1 x2 S1 S2
2 x2 3 0 1 0 1
0 S1 1 -1
0
0
2
1
0
1
2
-1
1 0 0 -2
Le dernier tableau montre que la variable x1 n’admet aucune limite sur sa valeur de sortie.
Exemple
Max z = 2x1 + 0 x2 + 3/2 x3
s.c. x1 - x2 2
2x1 + x3 4
x1 + x2 + x3 3
x1, x2, x3 0
La solution optimale de ce problème est :
x1 = 1
x2 = 0
x3 = 2
z =5
La forme standard du programme linéaire est
Max 2x1 + 0 x2 + 3/2x3 + 0 S1 + 0 S2 + 0 S3
Sc x1 - x2 + S1 = 2
2x1 + x3 + S2 = 4
x1 + x2 + x3 + S3 = 3
x1, x2, x3, S1, S2, S3 0
Le tableau de simplexe initial est :
2 0 3/2 0 0 0
x1 x2 x3 S1 S2 S3
0 S1 2 1 -1 0 1 0 0 2
0
0
S2
S3
4
3
2
1
8
6
0
0
-1
0
0
-1
0
0
2
3
0 15 -M -M -M M
2 0 3/2 0 0 0
La variable entrante est x1, mais les deux premières contraintes donnent la même valeur
minimale du ratio. Ceci indique que lorsque x1 passe à 2, les variables d’écart S1 et S2 vont
s’annuler malgré que l’un des deux demeure encore dans la base.
Choisissons arbitrairement de faire sortir de la base la variable d’écart S1.
2 0 3/2 0 0 0
x1 x2 x3 S1 S2 S3
2 x1 2 1 -1 0 1 0 0 -2
0 S2 0 0 2 1 -2 1 0 0
0 S3 1 0 2 1 -1 0 1 1/2
2 -2 0 2 0 0
0 2 3/2 -2 0 0
La nouvelle solution réalisable de base est :
x1 = 0
x2 = 0
x3= 1
S1 = 2
S2 = 0
S3 = 0
Et la valeur de la fonction objectif z = 4. Cette solution de base est dite dégénérée. Continuons
les itérations relatives à la méthode de simplexe. La variable entrante est x2.
Le problème est qu’un des ratios est nul ce qui indique qu’on ne peut pas augmenter la valeur
de x2 puisque la valeur de la fonction objectif ne va pas augmenter et reste égale à 4.
Si on réitère une autre fois, en remplaçant S2 par x2 dans la base on obtient :
2 0 3/2 0 0 0
x1 x2 x3 S1 S2 S3
2 x1 2 1 0 1/2 0 1/2 0 4
0 x2 0 0 1 1/2 -1 1/2 0 0
0 S3 1 0 0 0 1 -1 1
2 0 0 0 1 0
0 0 1/2 0 -1 0
Ce tableau n’est pas optimal, la variable entrante est x3 et la variable sortante est x2. On
remarque aussi que ce passage d’une solution à une autre ne s’accompagne pas d’une
augmentation de la valeur de la fonction objectif.
On peut facilement vérifier que nous somme en train de cycler sans atteindre la solution
optimale. Ce genre de cyclage dans la méthode de simplexe est dangereux et on doit
l’identifier avant de commencer à résoudre le problème, sinon on passera un temps énorme
sans atteindre la solution optimale.
Pour terminer cette section, il faut noter que ce n'est pas tout problème de dégénérescence qui
peut conduire à un cyclage.
Exemple
Max 10 x1 + 9x2
Sc 7/10x1 + x2 630
1/2 x1 +5/6x2 480
x1 + 2/3x2 708
1/10 x1 +1/4x2 135
x1 ,, x2 0
Essayer de résoudre ce programme par la méthode de simplexe (choisir en cas de deux
quotients égaux, celui qui se trouve dans la ligne supérieure).