Vous êtes sur la page 1sur 8

Recherche opérationnelle Analyse post-optimisation

4. ANALYSE POST- OPTIMISATION


L’obtention de la solution optimale d’un (PL) a par elle-même une importance
limitée. Dans bien des cas, la résolution du programme constitue seulement une
étape préliminaire conduisant à des analyses post-optimisation qui deviennent
les résultats les plus importants de l’étude.
L’analyse post-optimisation doit débuter par une réflexion approfondie sur la
signification des résultats obtenus. Lorsqu’on se place dans le contexte du
problème réel, si on ne comprend pas de façon globale pourquoi la solution
obtenue est optimale, il est probable qu’elle ne le soit pas. Ceci peut être dû à
plusieurs facteurs :
- l’omission d’une contrainte importante,
- la formulation incorrecte de l’une des contraintes,
- la perte de quelques coefficients de la matrice,
- l’utilisation de quelques coefficients avec le mauvais signe,
- le choix incorrect de la valeur d’un coefficient important.
Si la réponse obtenue a du sens, on peut alors passer à une étude plus
approfondie.
En plus de la solution optimale, des informations importantes sont obtenues
dans le tableau final de la méthode du simplexe, soit la valeur des variables
duales et les coûts réduits associés aux variables de décision hors base. L’analyse
post-optimisation consiste à leur donner une interprétation économique.
4.1 Interprétation économique des variables duales et des coûts réduits

4.1.1 Variables duales


La généralisation du problème de production formulé au chapitre précédent
constitue une approche moderne de la théorie de l’Entreprise en micro-économie.
Si on examine une Entreprise qui doit gérer m facteurs de production
(ressources) en quantité limitée pour un processus de fabrication donné, on peut
définir les paramètres et les variables suivants :
- x j : quantité de produit de type j à fabriquer,

- aij : quantité de ressource i requise pour produire une unité du produit j,

- bi : quantité totale de ressource i disponible pour la période planifiée.


- c j : profit associé à une unité du produit de type j.

Le programme linéaire donnant les quantités de produit à fabriquer qui


maximisent les profits est :
Max Z = C T X
X ≥0

sujet à :
AX ≤ B .

Notes de cours 37 Imed KHEMILI / 2007


Recherche opérationnelle Analyse post-optimisation

Le programme dual correspondant est :


Min W = BT Y
Y ≥0

sujet à :
AT Y ≥ C .
Exemple :
⎧ Max Z = 3 x1 + 6 x2 + 2 x3

⎪⎪sujet à :
⎨3 x1 + 4 x2 + x3 ≤ 20 (4.1)
⎪ x + 3 x + 2 x ≤ 10
⎪ 1 2 3

⎪⎩ x1 , x2 , x3 ≥ 0

Le programme dual correspondant est :


⎧ Min W = 20 y1 + 10 y2
⎪sujet à :

⎪⎪3 y1 + y2 ≥ 3

⎪4 y1 + 3 y2 ≥ 6
⎪ y1 + 2 y2 ≥ 2

⎪⎩ y1 , y2 ≥ 0
u de ressource
Les unités de aij sont en :
u de produit
profit
Les unités de c j sont en :
u de produit
profit
Les unités de yi sont donc en :
u de ressource
Par conséquent les variables duales fournissent une façon de mesurer la
contribution de chacune des ressources au profit. On les appelle aussi les prix
implicites.
En d’autres termes, le prix yi donne le montant maximum qu’on serait prêt à
payer pour obtenir une unité supplémentaire de ressource i.
La solution optimale du primal est :
x1 x2 x3 x4 x5 b
x1 1 0 -1 0.6 -0.8 4
x2 0 1 1 -0.2 0.6 2
Z 0 0 1 0.6 1.2 24

C'est-à-dire que x1 = 4, x2 = 2, y1= 0.6, y2 =1.2 et Zmax = 24.

Notes de cours 38 Imed KHEMILI / 2007


Recherche opérationnelle Analyse post-optimisation

Si une unité supplémentaire de ressource 1 était disponible, le programme à


résoudre serait :
⎧ Max Z = 3 x1 + 6 x2 + 2 x3

⎪⎪sujet à :
⎨3 x1 + 4 x2 + x3 ≤ 21
⎪ x + 3 x + 2 x ≤ 10
⎪ 1 2 3

⎪⎩ x1 , x2 , x3 ≥ 0

et la nouvelle solution optimale serait :


x1 x2 x3 x4 x5 b
x1 1 0 -1 0.6 -0.8 4.6
x2 0 1 1 -0.2 0.6 1.8
Z’ 0 0 1 0.6 1.2 24.6

Ces calculs illustrent que si on peut acheter une unité supplémentaire de


ressource 1 pour moins de 0.6, on réalise un profit additionnel (Z ’- Z = 0.6). Si
l’on doit payer plus que 0.6 on subit une perte. Toutefois, il faut noter que 0.6 est
la valeur optimale de la variable duale y1. Il n’est pas donc nécessaire de résoudre
le nouveau programme pour obtenir cette importante information.
De façon similaire, si l’on peut vendre une unité de ressource 1 à un prix plus
élevé que 0.6, c’est rentable.
Lorsque la solution n’utilise pas une ressource au complet, la valeur de la
fonction objectif ne change pas, même si la disponibilité de cette ressource change
et le yi correspondant est égal à zéro.

4.1.2 Coûts réduits associés aux variables de décision hors base


Les coûts réduits, pour chacune des variables de décision qui sont hors base
dans le tableau final, peuvent être interprétés comme étant le montant dont il
faudrait augmenter le profit d’une unité de produit (ou diminuer le coût s’il s’agit
d’un problème de minimisation) avant qu’il soit profitable de l’exploiter.
Dans l’exemple précèdent, le coût réduit associé à x3 dans le tableau optimal
est 1, ce qui implique qu’il faut augmenter le profit du produit 3 d’une unité. (c.-à-
d. le faire passer de 2 à 3) pour qu’il devienne rentable.
4.2 Sensibilité des résultats
Il existe trois groupes de paramètres dans les PL :
- les paramètres de la fonction économique ( c j ),

- les paramètres du coté droit des contraintes ( bi ),


- les paramètres du coté gauche des contraintes ( aij )

En pratique ces paramètres sont souvent difficiles à estimer et ils peuvent


varier avec le temps. Dans de tels cas, il est important d’étudier la sensibilité des
résultats par rapport à des changements possibles de la valeur de ces paramètres.

Notes de cours 39 Imed KHEMILI / 2007


Recherche opérationnelle Analyse post-optimisation

Si la solution est très sensible à certains paramètres, il peut devenir nécessaire


d’investir plus de temps et d’argent pour obtenir de bons estimés de leurs valeurs.
Pour analyser efficacement la sensibilité des résultats obtenus à partir d’un
modèle linéaire, on doit pouvoir réviser les paramètres du programme initial,
recalculer le tableau correspondant à la base qui était optimale, et ré-optimiser si
nécessaire.
Dans cette partie, on étudie différentes possibilités à l’aide de
l’exemple suivant :
⎧ Max Z = 3 x1 + 5 x2

⎪⎪sujet à :
⎨ x1 ≤ 4 (4.2)
⎪3 x + 2 x ≤ 18
⎪ 1 2

⎪⎩ x1 , x2 ≥ 0

La solution optimale de ce problème est donnée par le tableau suivant :


x1 x2 x3 x4 b
x3 1 0 1 0 4
x2 3/2 1 0 1/2 9
Z 9/2 0 0 5/2 45

4.2.1 Changement à la fonction objectif


Lorsqu’on maximise, si on augmente le paramètre cj de ±, le jième coût réduit
est diminué de ± dans le tableau final. Si la variable xj est dans la base, on doit
réécrire la fonction économique uniquement en termes des variables hors base, à
l’aide d’opérations élémentaires sur les rangées. Si le nouveau tableau ainsi
obtenu n’est pas optimal, on doit ré-optimiser.
Par exemple, si on remplace la fonction économique du programme linéaire
de l’exemple précédent par 3x1 + x2 , alors ± = -4 et le 2ème coût réduit dans le
tableau final est augmenté de 4. Par conséquent, on obtient le tableau :
x1 x2 x3 x4 b
x3 1 0 1 0 4
x2 3/2 1 0 1/2 9
Z 9/2 4 0 5/2 45
Pour que la fonction objectif soit exprimée en fonction des variables hors base
seulement, on doit soustraire 4 fois la deuxième rangée de la rangée des coûts
réduits. On obtient ainsi :
x1 x2 x3 x4 b
x3 1 0 1 0 4
x2 3/2 1 0 1/2 9
Z -3/2 0 0 1/2 45

Notes de cours 40 Imed KHEMILI / 2007


Recherche opérationnelle Analyse post-optimisation

Ce qui n’est plus optimal, puisque le coût réduit associé à x1 est négatif.
On obtient la nouvelle solution optimale en exécutant une itération
supplémentaire de la méthode simplexe.

4.2.2 Changement au coté droit


Si le paramètre bi est changé, le coté droit du tableau final subit seul une
transformation.
La variable d’écart ou la variable artificielle, associée à l’équation i, xr+i,
n’apparaît initialement dans aucune autre équation. À l’aide des coefficients de
ces variables, on peut donc retracer les multiples de l’équation i qui ont été
additionnés aux équations durant le processus d’optimisation, et ainsi évaluer le
changement subi par le tableau final lorsqu’on modifie bi .
Plus précisément, si le coté droit de la ième contrainte du programme initial
est augmenté de ±, le coté droit du tableau final devient :
bk* ' = bk∗ + ak∗, r +i δ k = 1,...m + 1

Où ak∗,r +i dénote le coefficient de xr+i dans la rangée k du tableau final, et où


bk∗ dénote le coté droit de la rangée k du tableau final.

Dans l’exemple précédent, si on remplace la 2ème contrainte, par 3x1 + 2 x2 ≤ 14 ,


alors ± = -4 et le tableau final devient :
x1 x2 x3 x4 b
x3 1 0 1 0 4 + 0 (- 4) = 4
x2 3/2 1 0 1/2 9 + ½ (- 4) = 7
Z 9/2 0 0 5/2 45 + 5/2 (- 4) = 35

Comme le coté droit est non négatif, ce tableau set optimal. Si l’un ou
plusieurs des éléments du coté droit devient négatif, il faut ré-optimiser avec
l’algorithme dual du simplexe.

4.2.3 Autres changements


En utilisant le même genre d’approche, il est possible de changer les
coefficients aij , d’ajouter une contrainte ou d’ajouter des variables sans qu’il soit
nécessaire de résoudre le nouveau programme ainsi obtenu en entier. On se
contente d’illustrer chacune des possibilités à l’aide d’un exemple.
Supposons qu’un changement technologique de dernière minute fait que le
premier coefficient de la deuxième ligne de l’exemple (4.2) doit être diminuée de 2
unités, de sorte que la nouvelle contrainte imposée est : x1 + 2 x2 ≤ 18 .
On peut obtenir la solution optimale du programme modifié à partir du
tableau optimal du programme initial en procédant comme pour les changements
du coté droit. Dans ce problème on a augmenté le coefficient a21 de ± = -2 et par
conséquent le tableau final devient :

Notes de cours 41 Imed KHEMILI / 2007


Recherche opérationnelle Analyse post-optimisation

x1 x2 x3 x4 b
x3 1 + 0 (-2) 0 1 0 4
x2 3/2 + ½ (-2) 1 0 1/2 9
Z 9/2 + (5/2) (-2) 0 0 5/2 45
Soit :
x1 x2 x3 x4 b Limit.

x3 1 0 1 0 4 4 t

x2 1/2 1 0 1/2 9 18

Z -1/2 0 0 5/2 45

Puisque le premier coût réduit est négatif on fait une itération


supplémentaire pour obtenir le tableau optimal.

x1 x2 x3 x4 b
x1 1 0 1 0 4
x2 0 1 -1/2 1/2 7
Z 0 0 1/2 5/2 47

D’autre part, supposons qu’une ressource nécessaire devient rare et qu’on


doit imposer la contrainte supplémentaire : x1 + 2 x2 ≤ 12 , au programme (4.2). En
ajoutant cette contrainte au tableau optimal on obtient :

x1 x2 x3 x4 x5 b

x3 1 0 1 0 0 4

x2 3/2 1 0 1/2 0 9

x5 1 2 0 0 1 12

Z 9/2 0 0 5/2 0 45

Il faut ensuite écrire le problème sous la forme canonique. Pour y arriver, on


doit soustraire le double de la rangée deux de la rangée trois, ce qui donne :

Notes de cours 42 Imed KHEMILI / 2007


Recherche opérationnelle Analyse post-optimisation

x1 x2 x3 x4 x5 b
x3 1 0 1 0 0 4
x2 3/2 1 0 1/2 0 9
x5 -2 0 0 -1 1 -6 s

Z 9/2 0 0 5/2 0 45
Limit. 9/4 5/2

Ce tableau n’est pas optimal et il faut une itération de la méthode duale du


simplexe pour obtenir :
x1 x2 x3 x4 x5 b

x3 0 0 1 -1/2 1/2 1

x2 0 1 0 -1/4 3/4 4.5

x1 1 0 0 1/2 -1/2 3

Z 0 0 0 1/4 9/4 31.5

Enfin, supposons que l’Entreprise désire déterminer s’il serait profitable de


s’engager dans une nouvelle activité qui utiliserait 2 unités de ressource 1 et une
unité de ressource 2 par produit et qui rapporterait 4 unités de profit par produit.
Si on va correspondre la variable x5 à cette nouvelle activité alors le problème
peut être considéré comme un cas particulier des précédents où les programmes
impliqués sont :

Programme initial Nouveau programme

⎧ Max Z = 3 x1 + 5 x2 + 0 x5 ⎧ Max Z = 3 x1 + 5 x2 + 4 x5
⎪ ⎪
⎪⎪sujet à : ⎪⎪sujet à :
⎨ x1 + 0 x5 ≤ 4 ⎨ x1 + 2 x5 ≤ 4
⎪3 x + 2 x + 0 x ≤ 18 ⎪3 x + 2 x + x ≤ 18
⎪ 1 2 5
⎪ 1 2 5

⎪⎩ x1 , x2 , x5 ≥ 0 ⎪⎩ x1 , x2 , x5 ≥ 0

Notes de cours 43 Imed KHEMILI / 2007


Recherche opérationnelle Analyse post-optimisation

Autrement dit, il faut faire un changement de ± = 4 au coefficient de x5 dans


la fonction économique, de ± = 2 au coefficient de x5 dans la première contrainte
et de ± = 1 au coefficient de x5 dans la deuxième contrainte. En faisant ces
changements au tableau optimal du programme initial simultanément, on
obtient :
x1 x2 x3 x4 x5 b

x3 1 0 1 0 1 (2) + 0 (1) 4

x2 3/2 1 0 1/2 0 (2) + ½ (1) 9

Z 9/2 0 0 5/2 -4 + 0 (2) + 5/2 (1) 45

Soit :
x1 x2 x3 x4 x5 b

x3 1 0 1 0 2 4

x2 3/2 1 0 1/2 1/2 9

Z 9/2 0 0 5/2 -3/2 45

La nouvelle solution optimale est obtenue après une itération


supplémentaire :
x1 x2 x3 x4 x5 b

x5 1/2 0 1/2 0 1 2

x2 5/4 1 -1/4 1/2 0 8

Z 21/4 0 3/4 5/2 0 48

Notes de cours 44 Imed KHEMILI / 2007

Vous aimerez peut-être aussi