Département des mathématiques LST Option mathématiques appliquées

Pro jet de Fin d'Etudes

Intitulé :

Optimisation linéaire et

analyse post-optimal

Préparé par : Encadré par :

• Oumbark Abdelwahed Mr.Hajar Moha
• Chakir El Habib
• Annaoua Fatima
Soutenu le **/**/2019 devant le jury :
-Prof.****
-Prof.****
-Prof.Hajar Moha

Année Universitaire : 2018/2019

 Remerciement

Avant d'entamer ce rapport, nous protons de l'occasion pour remercier toutes

les personnes qui ont contribué de près ou de loin à la réalisation de ce projet
de n d'études.
Nos vifs remerciement à notre grand et respectueux professeur,Monsieur MOHA
HAJAR qui n'a pas cessé de nous encourager pendant la durée du projet, ainsi
pour sa générosité en matière de formation et d'encadrement. Nous le remercions
également pour son aide,ses conseils,ses remarques pertinentes,et la conance
qu'il nous a témoigné.
Nous tenons à remercier aussi Prof.**** et Prof.**** de nous avoir honoré en
acceptant de juger notre travail.Veuillez trouver ici le témoignage de notre res-
pect le plus profond
Nos remerciements vont aussi à nos professeurs et enseignants de nous avoir
incités à travailler en mettant à notre disposition leurs expériences et leurs com-
pétences.

2
Table des matières

1 Introduction générale á l'optimisation 5

1.1 Dénition de l'optimisation . . . . . . . . . . . . . . . . . . . . . 5
1.2 Formulisation d'un probléme d'optimisation . . . . . . . . . . . 5
1.3 Quelques Dénition . . . . . . . . . . . . . . . . . . . . . . . . . . 6
1.4 Probléme Générale d'optimisation . . . . . . . . . . . . . . . . . 6

2 Optimisation Linéaire 9
2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2 Généralites . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
2.2.1 dénition d'un programme linéaire : . . . . . . . . . . . . 9
2.2.2 Forme d'un Programme Linéaire (PL) : . . . . . . . . . . 10
2.3 La Rèsolution d'un Problème Linéaire . . . . . . . . . . . . . . . 11
2.3.1 La Rèsolution graphique : . . . . . . . . . . . . . . . . . 11
2.3.2 Rèsolution par la méthode du simlexe : . . . . . . . . . . 13
2.3.3 Méthode de deux phase : . . . . . . . . . . . . . . . . . . 18

3 Dualité 21
3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.2 Probléme dual . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
3.3 Construction du dual . . . . . . . . . . . . . . . . . . . . . . . . 21
3.4 Thoéréme de dualité : . . . . . . . . . . . . . . . . . . . . . . . 23
3.5 Intérpretation économique de la dualité : . . . . . . . . . . . . . 24

4 Analyse post-optimale 25
4.1 introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4.2 Analyse de sensibélité sur les seconds membres bi . . . . . . . . 25
4.3 costitution de stock . . . . . . . . . . . . . . . . . . . . . . . . . 26
4.4 Application . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

3
 Introduction
La recherche operationnelle(RO) est la discipline des mathèmatique appliquées
qui traite des questions d'utilisation optimale des ressources dans l'industrie
et dans le secteur public . Le champ d'application de la RO s'est élangi á des
domaines comme l'economie, la nonce, le macreting et la planication d'en-
trepise. plus récemment , la RO á ètè utiliseé pour la gestion des systémes de
santé et d'èducation, pour la rèsolution de problémes environnementaux et dans
d'autres domaines d'intérêt public .

A nos jours la recherche opérationnelle comprend un grand nombre de disci-

plines comme l'optimisation linéaire ,l'optimisation non linéaire ,la théorie des
graphes cte...

Nombreux sont les problemes de la RO qui peuvant étre exprimés comme

des problémes de programmation mathématique , permettant de chercher l'op-
timum d'une fonction de plusieurs variables lieés par des containtes sous forme
d'egalités ou d'inégalités. ici nous nous penchons sur les problèmes linèaires
,c'est-a-dire les problémes ou la fonction á optimiser et les containtes sont li-
néaires.

4
Chapitre 1

Introduction générale á

l'optimisation

1.1 Dénition de l'optimisation

l'optimisation est une branche des mathématique dans la pratique on part
d'un probléme concert , on le modelése et on le résoud mathématique (analy-
tiquement : probléme d'optimisation , numériquement : programme mathéma-
tique ) .
L'optimisation joue un rôle impotant en RO (domaine á la Frontiére entre l'infor-
matique , les mathématique et l'èconomie ) . dans les mathématique appliquèes
(Fondamentales pour l'indusitrien et l'ingénierie ) en analyse et en analyse nu-
mérique , en statistique pour l'estimation du maximum de varisemblance d'une
distribution , pour la recherche de strategies dans le cadre de la théorie des jeux
, ou encore en thérie du contrôle de commande

1.2 Formulisation d'un probléme d'optimisation

La modulisation :

l'optimisation repose toujours sur des modeles mathématique mais ces mo-
deles sont rarement des modules physique comlexes ils sont généralement simples
et partiels .
La modulisation designe la traduction des problémes réels en èquations mathé-
matique . Elle consiste en trois étapes :

Identication des inconnues (variable de décision) :

• elle caractérisent les décisions a prendre .
•elle doivent etre liees aux données jugées pertinentes du probléme .

5
 Dénition d'un Fonction Objectif :
(appelles fonction coût ou fonction économique ) traduisant les préférences
du décideur exprimées sous la forme d'une fonction des variable identifées .

Déscription des contraintes :

les objets mathématique qui lient les variables entre elles et qui les lient aux
données du probléme .
Elles sont de trois types : contraintes égalités , contraintes inégalités et contraintes
de signes .

1.3 Quelques Dénition

Minimisation : plus formellement , l'optimisation est l'etude des problémes
qui s'expriment de la maniére suivant :
Probléme d'optimisation(P)
Etatnt donné une fonction f :E →< dénie sur un ensemble E á valeurs dans
l'ensemble des nombres réels (éventuellement dans la droite âchevée ) , trouvre
en élément unique x* de E tel que f (x∗) ≤ f (x) pour tout les x dans E . on dit
que l'on cherche á minimiser la fonction f sur E .

Maximisation : le probléme (P) est un probléme de minimisation comme on

a supf (x) = −inf f (x) , L'ensemble E est appelé l'ensemble admissible : en-
semble des points vériant les contraintes.
La fonction f est la fonction objectif .
x est la variable du probléme .
x* est appelée solution du probléme , (il n'ya pas forcement unicité) .

Ensemble admissible : L'ensemble admissible E dénit sous la forme suivante (á

variable positive) :
E = { x ∈ <n / gi (x) = bi , i=1,...,p
, gi (x) ≤ bj , j=p+1,...,m / x ≥0 }

gi : <n 7→ <, i = 1, ..., m

1.4 Probléme Générale d'optimisation

Un probléme d'optimisation est mis sous la forme suivante :



F onction objectif : min ou max de f (x)

Contarintes : g (x) = b , i = 1, ..., p
i i
(P) :


 gi (x) ≤ b j , j = p + 1, ..., m
Contraintes de signe : xi ( ≥ , ≤ , ≶ ) 0, i = 1, ..., n


6
Ce probléme admet une solution optimale , oú la fonction objectif atteint la
meilleure valeur (maximum oú minimum ) tel que
x∈E / f (x∗ ) = minx∈E f (x) oú f (x∗ ) = maxx∈E f (x)

Exemple 1.4.1 Un restaurateur peut orir deux type d'assiette , des assiettes
qui coûtent 80 dh et qui contient 5 Sardines , 2 Merlan , 1Rougets , et des
assiettes qui coute 120dh et qui contient ,3 Sardines , 3 Merlan et 3 Rougets ,
sachant que le restaurateur dispose 30 Sardines , 24 Merlan et 18 Rougets .
Donner le Modêle mathématique qui permet de maximiniser le prot .
Les données du problème se traduit sous forme de tableaux suivant :

Plot 1 Plot 2 contraibtes

sardine 5 3 3O
Merlant 2 3 24
rouget 1 3 18
Cout 80DH 12ODH

∗ Les inconnues du problème :

x1 : Nombre de plot 1 ≥ 0
x2 : Nombre de plot 2 ≥ 0
∗ Fonction objectif (ou bien fonction bénèce) :
[M ax] = 80x1 + 120x
 2
5x1 + 3x2 ≤ 30

Les contraintes : 2x1 + 2x2 ≤ 24

x1 + 3x2 ≤ 18


7
8
Chapitre 2

Optimisation Linéaire

2.1 Introduction
La programmation linéaire constitue l'origine de l'optimisation mathéma-
tique modérne . son étude á été menée par George Bernard Dantzig á partir de
1947 .
L'algorithme du simplexe , que nous présentons dans ce chapitre , est considéré
comme un des dix algorithmes les plus importants du 20 éme siécle c'est la pre-
miére fois qu'un problème avec contraintes d'inègalité á été résolu.
Dans ce chapitre , nous abordons d'étude direct de probléme.des problémes
de minimisation de fonction linéaire dans un domaine déni par des contraites
linèaires . par une suite d'observations de nature gèométrique ou encore âlgé-
brique nous déduisons les conditions d'optimalité de la programation linéaire .

2.2 Généralites
2.2.1 dénition d'un programme linéaire :
Un programme linéaire c'est un ensemble de
Pn n variable reèlls x1 ,..., xn , et
m contraintes j=1 ai,j xj (≤, ≥, =) bi pour i = 1, ..., m
et une fonction d'optimisation :
n
f :< →< P
X=(x1 ,...,xn ) → f(x1 ,...,xn )= ai jxj
Ce programme s'écrit sous la forme mathématique suivante :

 P
M axP
 (M in) z = cj xj
s/c ai,j xj (≤, =, ≥) bi i = 1, ...., m

xj (≤ , ≥ , ≶ ) 0 j = 1, ...., n


ou la forme matricielle :


j
M ax (M in) c X

s/c AX (≤, =, ≥) bi

X (≤ , ≥ , ≶ ) 0


9
 ou : 
x1
 . 
 
,→ x=  .  matrice unicolonne des variables .
 
 . 
xn


,→A= aij , i=1,...,n
  j=1,...,n , Matrice des contraintes A ∈ Mm,n (<) .
b1
 . 
 
 .  Matrice de seconde membres .
,→ b=  
 . 
 bm
c1
.
 
 .  Matrice de coût .
,→ c=  
.
cn

2.2.2 Forme d'un Programme Linéaire (PL) :

forme canonique :
un programme linéaire est sous forme canonique lorsque toutes ses contraintes
sont inegalités et toute ses variables sont non-négative . mathematiquement la
forme canonique s'ecrit comme suit :

 Pn
min(z

P
= j=1 cj xj )
(P) : s/c ai,j xj ≤ bi i = 1, .., m

xj ≥ 0 j = 1, ..., n


forme standard :
Un programme linéaire est sous la forme standard lorsque toutes ses contraintes
sont des égalités et toutes ses variables sont non- négatives :

 Pn
M ax(z

P
= j=1 cj xj )
(P) : s/c ai,j xj = bi i = 1, ...., m

xj ≥ 0j = 1, ...., n


NB : Il est toujors possible revenire á la forme standard.

Remarque 2.2.1 • si l'objectif est de minimiser f , il sut de maximiser −f

M axf (x) = −min(−f (x))
• Une contraintes égalité peut ètres remlacés par deux contraintes inégalites :

α ≤ β

α = β et

α≥β


10
• Un contraite ≥ peut être remlacés par une contraintes ≤
• On considére les signes des variables x1 , ..., xn :
,→ si xi ≤ 0 on a xi = −xi ≥ 0 .
− −
,→ si xi ∈ < on dècompose : xi = x+ +
i − xi avec xi , xi ≥ 0 .
0
• α ≤ β ⇔ α + γ = β avec γ ≥ 0 appelé variable d ecart
De meme si α ≥ β ⇔ α − γ = β avec γ ≥ 0

Remarque 2.2.2 Pour tout modèle d'optimisation linéaire , une seuls des trois
optims suivantes peut suvenir :
1) Il existe au moins ume solution optimale , soit une innité.
2) Le problème est non-réailisable : Il n'est pas possible de satisfaire toutes les
contraintes , (i.e Le polyédre formé par les contraintes est vide ) .
3) Le problème est non-borné : Il n'a pas de valeur optimale nie .

2.3 La Rèsolution d'un Problème Linéaire

2.3.1 La Rèsolution graphique :
Considérons la forme canonique (P) de l'espace admissible E.
E= { x ∈ <n /AX ≤ b X ≥ 0 }
n
E= { x ∈ < /ai,1 x1 + ai,2 x2 + ... + ai,n xn ≤ bi i = 1, ..., m }
Une contraintes de type ai,1 x1 + ai,2 x2 + ... + ai,n xn ≤ bi donne :
Pn
,→ L'ensemble des points qui satisfont l'equation j=1 ai,j xj = bi forme un
n
hyperplan de < .
,→ Les points qui satisfont une inégalité linéaire forme un demi-espace .

Remarque 2.3.1 l'ensemble admissible est l'intersection d'un nombre ni de

demi-espace.

Dénition 2.3.1 • L'ensemble admissible E d'un PPL est polytope de <n un

polytope borné de <n est appelé polyédre .

1.png
• soit E un polyédre de <n ( E 6= φ ) x ∈ E est appelé sommet de E
si ∀ A,B ∈ E , x ∈ [AB] ⇒ X = A ou X = B
• soit f : <n → <, et soit α ∈ < : L'ensemble { x ∈ <n / f (x)= α } = Dα
est appelé un isovaleure de f
cette méthode de résolution n'est applicable que dans le cas ou il n'y a que
deux variables .
On considére dans cette partie un probléme linéaire dans <2 sous la forme :

11
 

 minf (x, y) = c1 x + c2 y

 s/c : a1,1 x + a1,2 y ≤ b1


 am,1 x + am,2 y ≤ bm ; m contraintes de type ≤
x, y ≥ 0


(
a1,1 x + a1,2 y ≤ b1
E = { (x,y) ∈ <2 / }
am,1 x + am,2 y ≤ b2

est une intersection de demi-espaces limités des droites .

La resolution graphique d'un PL passe par les étapes suivantes :
,→ tracer les contraintes du probléme .
,→ déterminer la région réalisable (admissible) á partir des contraintes .
,→ tracer les droites de variation de la fonction objectif(isovaleurs) et déter-
miner la solution optimale .

Exemple 2.3.1 Considerons le PPL




 M aximiser Z = 3x1 + 5x2
s/c : x1 ≤4




2x2 ≤ 12

3x + 2x 2 ≤ 18

1




 x1 , x2 ≥ 0

12
 Figure 1.1 :Résolution graphique

l'optimum de la fonction objectif est atteint au point de coordonnées x∗ =(2,6).

∗
la valeur maximal de Z est Z =36

2.3.2 Rèsolution par la méthode du simlexe :

rappel (Algébre Linéaire) ;
Résolution du systéme AX=b avec :
   
x1 b1
 .   . 
   
A ∈ Mm,n (<) ; x=  . ;
  b=  . 
 
 .   . 
xn bm
On a trois cas :
1) - si m=n , A inversible
,→ AX=b abmet une unique solution X0 = A−1 b
2) - si m>n ou une contradiction entre les contraines dans ce cas pas de solu-
tion .
RQ : on supposera que les équation de AX=b sont intépendente ( aucune équa-
tion n'est conbinnaison linéaire des autres)
3) - si m<n

13
rang(A)= m car les m équation sont indépendantes .

Dans cette partie on sintéresse au troiséme cas ; en eet

on a rang(A)=m donc il existe une sous-matrice carés m*m de A inversible .

Propriétés 2.3.1 aprés permmutation des colonnes de A (si nécessaire) la ma-

−1
trice devient A = (M N ) avec
 M  existe .
x1
 .   
  xM
La matrice  .  ; se décompose
uncolonne x=  en x= ou

 .  xN
xn
(
xM : variable correspondant aux colonnes de M
xN : les autres variables
 
xM
Le systéme AX = b devient (MN) = b
xN
Résolution :

M x M + N xN = b

d'ou

M xM = −N xN + b

d'ou

xM = −M −1 N XN + M −1 b

(XM sont les variable principale et XN sont variables secondaire ) .

Le systéme AX=b admet une inité de solution :
Les solution de xM sont appelé les variable de Base
Les variable de xN est appeé les variable hors Base
la sous matrice M est appelé une Base
 
xM
Dénition 2.3.2 une solution x=
xN
avec xM = −M −1 N XN + M −1 b est

dit admisseble si x ≥ 0 ,si non elle est non admissible .

Dénition 2.3.3
 ( solution de base )

xM
une solution x= avec xM = −M −1 N XN + M −1 b est appelé solution de
xN
base si xN = 0.

Théorème 2.3.1 une solution de base est admisseble si xN = 0 et xM = M −1 b

.

Théorème 2.3.2 Les solution de bases admissible correspondant aux sommets

du polédre admissible E .

Principe de la métode du simplexe :

L'aideé de la métode du simplexe ( dantzig-1940) :

14
 → calculer un sommet de poylédre E , x1
→ construire un nouveau sommet x / f (x2 ) < f (x1 )
2

→ recommencer cette opération tant qu'elle possible .

Supposons que l'on á une solution be base admissible initiale M est la base
correspondant A = (M N ) M −1 éxiste.
probléme :


t
M inf (x) = c x

(P) : s/c AX=b

x≥0


   
xM cM
avec x= ; c=
xN cN
−1
on a xM = −M N XN + M −1 b
f (x) = ct x = ctM xM + ctN
= f0 +£N xN = f0 + cm+1 xm + 1 + cm+2 xm + 2 + ... + cn xn
0 0
nous avons bien f (X ) = f0 (car X est solution de base admissible .)

T est d'optimalité de X0 :
si ∃ cj < 0 ∀j ∈ m + 1, ..., n alors une augmentation de xj ( xj > 0 ) va diminuer
0
la fonction objectif donc la solution axtuelle X n'est pas optimale .

Propriétés 2.3.2 S'il existe plusieurs coûts negatifs cj < 0 alors nous pouvons
prendre celui qui à la valeur absolue plus grande (Critère de Dntzig ) .

Propriétés 2.3.3 Il existe d'autres Critères de coix de cj pour éviter le  Cy-

clage " par exemple :
? En prenont celui qui a l'indice le plus petit .
? En respectont l'ordre naturel l'indices .
On noters cs = min{cm+1 , ..., cn } ( le minimum de tous les coûts négatifs )
Il s'agit ici de faire entrer xs en base , ainsi le probléme devient :
f (x) = f0 + cs xs , une ligne générique des contraintes s'ecrit sous la forme
xi + ai,s xs = bi , il faut que nous gardions X ≥ 0 ainsi nous devons avoir
xi = bi − ai,s xs ≥ 0
Deux cas se prèsentent :

1) - si ai,s ≤ 0 ∀ i = 1, 2, ..., m alors xs peut prendre des valeurs arbitrai-

rement objectif f prend les valeur arbitrairement petit c-â-d mine f (x) = −∞ ,
(P) est alors un probléme non borné .
bi
2) - si ai,s > 0 alors nous avons bien xi = bi − ai,s xs ≥ 0 ⇔ xs ≤ ai,s donc la
plus grande valeur que peut prendre xs est :
xr = min{ abi,s
i
}
br
Notons xr = a
r,s
= min{ abi,s
i
/ai,s > 0} nous avons eectivement
xr + ar,s xs = br ⇒ br − ar,s abr,s
r
= br − br = 0 ainsi xr sort de la base .

Organigramme résumant les principales étapes de la méthode du simplexe :

15
OLL1.png

Exemple 2.3.2



 M aximiniser (f (x) = −x1 + x2 )
s/c −2x1 + x2 ≤ 1



(P) : x1 + 3x2 ≤ 10

x1 ≤ 4





 x1 , x2 , x3 ≥ 0

Probléme standard associé á (P) :




 minimiser (f ∗ (x) = −f (x) = x1 − x2 )
s/c −2x1 + x2 + x3 = 1



(P) : x1 + 3x2 + x4 = 10

x1 + x5 = 4





 x1 , x2 , x3 , x4 , x5 ≥ 0

16
 x4 , x5 , x3 Variable d'écarts :
f ∗ (x) = x1 + x2 + 0x3 + x0x4 + 0x5

Tableau du simlexe :

x1 x2 x3 x4 x5
1 −1 0 0 0 f ∗ (x)
x3 −2 1 1 0 0 1
x4 1 3 0 1 0 10
x5 1 0 0 0 1 4

x3 = 1

Solution de Base : x4 = 10

x5 = 4


Variable hors base x1 = x2 = 0

T est d'optimalité : Le coût associé a x2 hors base est (< 0) la solution ac-
tuelle est non-optimale . construction d'une nouvelle solution de base admissible
x2 entre de la base
x3 sorte de la base

 Pivotage :

 L1 7→ L1 = LP iv

L 7→ L + L
0 0 P iv


 L2 →
7 L2 − 3LP iv
L3 7→ L3


D'oú Tableau du simlexe :

x1 x2 x3 x4 x5
−1 0 1 0 0 f ∗ (x) + 1
x2 −2 1 1 0 0 1
x4 7 0 −3 1 0 7
x5 1 0 0 0 1 4

x2 = 1

Solution en base X2 : x4 = 7

x5 = 4


hors base x1 = x3 = 0
f ∗ (x2 ) + 1 = 0 ⇒ f ∗ (x2 ) = −1
Test d'optimalite : le coût associé á x1 (hors-base) est <0 , donc x∗ est non-
optimale
x1 entre de la base
x4 sort de la base
Pivotage :

17
 7→ 17 L2 = LP iv


 L2

L
0 7 L0 + LP iv
→


 L1 7→ L1 + 2LP iv
L3 7→ L3 − LP iv


D'oú Tableau du simlexe :

x1 x2 x3 x4 x5
0 0 4
7
1
7 0 f ∗ (x) + 2
1 2
x2 0 1 7 7 0 3
−3 1
x1 1 0 7 7 0 1
3 −1
x5 0 0 7 7 1 3

x2 = 3

Solution X3 : x1 = 1

x5 = 3


f ∗ (x) = −2 solution optimale .

2.3.3 Méthode de deux phase :

Consédirons le probléme de programmation linéaire sous la forme standard :

t
M in (f (x) = c x)

(P) : s/c AX = b

x≥0


avec i=1,.....,k le bi sont négatife .

(P) admet une solution de base triviale non admissible . D'ou l'utiliation de
la methode des deux phases pour la recherche d'une solution de base initiale
admisseble pour résoudre le probléme, on introduit une nouvelle variable appelé
variable articielle . une variable articielle est une variable ctive introduite
spécialement pour une solution de base accessible . Elle n'a pas de singication
économique .
Principe de la méthode de deux phases
phases 1 On introduit une variable articielle xn+1 en la retranchant des
1er membres des contraintes à seconds membres bi négatifs .
∗
Ainsi la fonction objectif auxiliaire W(X )= xn+1 à minimiser sous les contraintes
du probléme initial .
Soit le probléme auxiliaire à résoudre :
Pk
min W (X ∗ ) = i=1 xn+1



 avec f (x) = ct X

(Paux ) : (

 s/c
 AX − Im V = b
X≥0, V ≥0

 
Xn+1
 . 
 
avec : Im  . 
étant la matrice identité m*m et V=  .

 . 
Xn+1

18
 x∗1
 
 . 
∗
 
soit X =  .  solution optimale de (Paux ).
 ∗ 
 xn 
x∗n+1
∗
• si W(X ) 6= 0 ( la variabl articielle xn+1 6= 0 ).
⇒ Le probléme (P) n'a pas de solution .
• si W(X ∗ ) = 0 ( la variabl articielle xn+1 = 0 ).
⇒ X ∗ est solution de base admissible de (P).

∗
phases 2 si W(X ) = 0, dans ce cas on supprime la colonne des des variables
x∗1
 
 . 
X ∗‘=
∗
 
articielle et la ligne de W(X ). puis on résoud (P) avec  .  comme
 
 . 
x∗n
solution de base admissible par le simplexe .

19
20
Chapitre 3

Dualité

3.1 Introduction
Au chapitre précédent ,on appris à résoudre des problémes de programma-
tion linéaira à l'aide de méthode du simlexe .tout fois ,la résolution du probléme
simplexe n'est que le point de départ de tout recherche opérationnelle basé sur
un normatif linéaire . ce modéle est une représentation simpliée de la réalité .
la solution optimale du modéle n'est pas néssairement la solution du probléme
réel . il faut donc étaudier la solution obtenue en détail avant de l'implanter .
mais avant de pouvoir entrer dans le cour du sujet , il faut examiner un aspect
important de la programmation linéaire : la Dualité

3.2 Probléme dual

A chaque probléme d'optimisation linéaire ,nous allons dénir un nouveau
programme appelé le dual ,le probléme originale est appelé le primal .

Probléme primal :


t
M ax z = c x

(P) : s/c AX ≤ b

x≥0


probléme dual :

t
M ax w = b y

(P') : s/c At y ≥ c

y≥0


3.3 Construction du dual

Régles pratiques de passage du primal au dual :
soit (P) un programme linéaire et (P') son dual , Alors :

21
,→ Le sens de l'optimisation est inversé c-ã-d un probléme de maximisation
dans (P) devient un probléme de minimisation dans (P').
Les variables de décision restent positives ou nulles .
,→ le vecteur lignes des coecients de la fonction economique de (P') est la
transposée du vecteur colonne des constantes secondes membres des contraintes
principales de (P).
,→ Le vecteure colonne des constantes secondes membres des contraintes prin-
cipales de (P') est la transposéne vecteur lignes des coecients de la fonction
economique de (P) .
,→ La matrices des contarintes principales de (P') est la transposée e la matrice
des contraintes principales de (P) . dans ces contraintes on inverse le sens des
inégalités du primal au dual .
,→ Les variables de décision et d'ecart des deux programmes linéaire doivent
être-notéses par des lettres diérentes an d'èviter toute confusion .

Tableau de correspandance :
min max
Primal Dual
Variable ≥0 Contrainte ≤0
Variable ≷0 Contrainte =0
Variable ≤ 0 Contrainte ≥ 0
Contrainte ≤ 0 Variable ≤ 0
Contrainte = 0 Variable ≷ 0
Contrainte ≥ 0 Variable ≥ 0

Règles générales pour un PPL quelconque de construction du dual (P') à

partir du primal (P) .

Remarque 3.3.1 le dual du dual est le primal (P 0 )0 = P .

Exemple :
 
0
M ax z = 3x1 + x2 − 2x3

 M ax z = 10y1 + 7y2 + 8y3


s/c x1 + 2x2 ≥ 10 s/c y1 + 3y2 + y3 = 3

 

 
Primal : 3x1 − x2 + x3 = 7 ⇒ Dual : 2y1 − y2 ≥ 1
 
x1 + 3x3 ≤ 8 y2 + 3y3 ≤ −2

 


 

 
 x1 ≥ 0; x2 ≥ 0; x3 ≥ 0  y1 ≤ 0; y2 ≷ 0; y3 ≥ 0
+ iverser uniquement les opérateurs (= ou/et ≷)
+ inverse tous les opérteurs des contraintes . 


 M ax z = x1 + 3x2 − 2x3 

M ax z 0 = 12y1 + 8y2 − 10y3
s/c x1 + 2x2 ≥ 12 s/c y1 + 2y2 + 2y3 ≤ 1

 

 
Primal : 2x1 − 3x2 + x3 = 8 ⇒ Dual : 2y1 − 3y2 = 3
 
2x1 + 2x3 ≤ −10 y2 + 2y3 ≤ −2

 


 

 
 x1 ≥ 0; x2 ≷ 0; x3 ≥ 0  y1 ≥ 0; y2 ≷ 0; y3 ≤ 0
+ inverse tous les opérteurs des contraintes .
+ iverser uniquement les opérqteurs (= ou/et ≷)

22
3.4 Thoéréme de dualité :
On considére les pronlème suivants :
 
t
M ax z(x) = C X
 
 Minw(y) = bt Y
le primal (P) : s/c AX ≤ b le dual (P') : s/c At Y ≥ c
 
X≥0 Y ≥0
 

Théorème 3.4.1 ( Dualité faible ) Soit X une solution admissible pour (P) et
Y une solution admissible pour (P') , alors z(X) ≤ w(Y ) .

Preuve 3.4.1 t
On a X ≥ 0 , AX ≤ b , Y ≥ 0 et A Y ≥ c
z(X) = C t X ≤ (At Y )t X = Y t AX ≤ Y t b = w(Y )

−X solution admissible pour (P)

Corollaire 3.4.1 Si −Y solution admissible pour (P') Alors , X et Y

−z(x) = w(y)

sont des solutions optimale resp de (P) et (P') .

Preuve 3.4.2 Soit X

∗
Y∗ et des soluitions admissibles respective de (P) et
(P') telles que z(X ) = w(Y ∗ )
∗
. d'aprés résultat du théoreéme preécédent pour
tout X admissible pour (P) on a z(X) ≤ w(Y ∗ ) = z(X ∗ ) . donc X ∗ est solution
optimale pour (P) . D'une manière anolongue pour tout Y optimale pour(P')
∗ ∗ ∗
ona w(Y ) = z(X ) ≤ w(y) donc Y est une solution optimale pour (P').

Théorème 3.4.2 : ( Dualité forte ) Si le probléme (P) admet une solution ad-
∗
missible (X ) alors le probléme dual (P') admet lui aussi une solution optimale
Y ∗ et ona z(X ∗ ) = w(Y ∗ ) .

Preuve 3.4.3 Aprés permutation des colonnes de A nous obtenons : A=(AB

AH ) .
On suppose (P) mis sous forme standard .'il existe une solution admissible op-
−1
timale, alors il existe une solution de Base admissible optimale XB = AB b.
∗ −1 t
choisissons Y =(AB ) cB .
∗
Nous montrons que Y est une solution admissible optimale pour (P').
−1
Posons LH = cH - ( AB AH )cB le vecteur des cout réduitvs . étant donné que
le probléme primal est un probléme de maximisation , alors à l'optimum LH ≤
0.
on a ATH Y ∗ = ATH (A−1 t −1 t
B ) cB =(AB AH ) cB = cH - LH .
T ∗
Or à l'optimum LH ≤ 0 ,alors AH Y ≥ cH .
T ∗ T −1 t
Puisque AB Y = AB (AB ) cB =cB , avec ces deux condition nous déduire
T ∗
queAH Y ≥ c .
∗
alors Y est une solution admissible pour (P').
∗ t ∗ t −1 −1 t t t ∗
D'autre part on a : Z(X )=cB X =cB AB b=((AB ) cB ) b=W(Y ).
∗
donc d'apres le théoreme de dualité faible Y est optimale pour (P').

Remarque 3.4.1 (Relation entre les solutions duales et primales )

• Pour un problème de programmation liénaire , exactement une des possibilités
suivantes exister :
,→ il y'a une solution optimal .
,→ le problème est non borné.

23
 ,→ le problème est non admissible .
• cela donne 9 combinaisons pour le primal et le dual .
• par les theoréme de duâlité , certaines d'entre elles impossibles .

primal primal primal

Optimum ni non borne non admissible
dual Optimum ni possible impossible impossible
dual non borne impossible impossible possible
dual non admissible impossible possible possible

Tableau récapitulatif des diérents cas entre primal et dual

3.5 Intérpretation économique de la dualité :

soit le probléme linéaire :

 
t t
M aximiser z = c x
  Minimiser w(y) = b Y

0
(P) : s/c AX ≤ b et son dual l(P ) s/c At Y ≥ c
 
x≥0 Y ≥0
 

ci :Coût unitaire du produit Pi i= 1,.....,n

bi :Quantité disponible de la ressource Ri i= 1,.....,m
z :Represente le bénéce global de l'entreprice (à maximiser)

A=(ai,j ) i= 1,.....,n
j= 1,.....,m

aij est la quantité de la resource Ri (nombre d'unités) necessaire à la pro-

duction d'une unité du produit Pj

intérpretation de la dualité faible : Z≤ W

prot ≤ valeur des ressources

intérpretation de la dualité forte : le prot maximle est atteint si les ressources

on été exploitées complétement ,i-e jusqu'a équisement de leur valeur.

24
Chapitre 4

Analyse post-optimale

4.1 introduction
Etant donné un probléme d'optimisation linéaire :

t
M ax z = c x

(P) : s/c AX ≤ b

x≥0


nous allons etudier la sensibilité de la solution optimale par rapport aux donnés
du probléme. Autremment dit ,comment varie la solution ou encore la fonc-
tion objective si l'on modie une entrée du vecteur C ou b ou encore la matrice
A. L'analyse de sensibilité est anssi connue sous le nom d'analyse post-optimale .

Dénition 4.1.1 une solution de base optimale est dite stable si l'ensemble des
variable de base à l'optimum ne changent pas, méme si les valeurs d ces variable
be base sont modiées .

Dénition 4.1.2 Par dénition on appelle cout marginale d'un bien l'augmen-
tation minimale de dépenses par rapport à la solution optimale ,qui résulterait
de l'utilisation d'une unité suppléémentaire de ce bien ,lorsque le probléme posé
consiste à produire des biens au moindre cout .

Remarque 4.1.1 les coux marginaux sont donc les eets nets associés aux
variable d'écarts,puisque ce sont des variables qui déterminent les excédentes
(ou les insusonts ) de biens .

4.2 Analyse de sensibélité sur les seconds membres

bi
consédirons le probléme de programmation linéaire générale :


M in ( z = c1 x1 + c2 x2 + ..... + cn xn )

(P) : s/c ai,1 x1 + ai,2 x2 + ..... + ai,n xn ≤ bi + ∆bi i = 1, ...., n

xj ≥ 0 j = 1, ...., m


25
A sa matrice de rang m () on s'intéresse à la modication d'un seul ceocient
de b c-à-d b'= b + ∆br er .
Soit B=1,.....,m une base réalisable et X∗ la solution optimale relative à la base
AB obtenu par résolution avec la méthode de simplexe .
∗ −1
A l' optimum on a XB = AB b ≥ 0
En remplace b par b' :
∗ −1 −1
XB = AB b'= AB (b + ∆br er )
   
b1 0
 .   . 
−1
   
=AB (  .  + ∆br  )
   
 .   . 
bm  0
0
 . 
−1 −1
 
=AB b + AB ∆br  ≥ 0 (∗)
 
 . 
0
 
β1,r
 . 
−1
  ieme
Notons  .  la r colonne de AB
 
 . 
βm,r
bi = A−1B b i
l'equation (∗) bi + βi,r ∆br ≥ 0 i=1,.....,m
,→ pour tout i telque βi,r > 0
bi + βi,r ∆br ≥ 0 ⇒ βi,r ∆br ≥ -bi
⇒ ∆br ≥ β−b i
i,r

,→ pour tout i telque βi,r < 0

bi + βi,r ∆br ≥ 0 ⇒ βi,r ∆br ≥ -bi
⇒ ∆br ≤ β−b i
i,r

Remarque 4.2.1 si βi,r =0 Alors ∀ ∆br la solution ne change pas.

Donc la solution de base actuelle de mesure réalisablesi :

bi + βi,r ∆br ≥ 0 ∀ i=1,.....,m

−bi −bi
max1≤i≤m { βi,r , βi,r > 0 } ≤ ∆br ≤ min1≤i≤m { βi,r , βi,r < 0 }

4.3 costitution de stock

soit (P)un probléme de programmation linéaire et (P') son dual :

 
t
M ax z(x) = C X
 
 Min w(y) = bt Y
le primal (P) : s/c AX ≤ b le dual (P') : s/c At Y ≥ c
 
X≥0 Y ≥0
 

26
siX ∗ et Y ∗ sont respectivement des solution optimal de (P) et (P') .
∗
soit Z l'optimale de (P) et (P') .
alors d'aprés le théoréme de dualité forte on a :

Z ∗ = ct X 0∗ =b0t Y ∗ et Z= c t X ∗ = bt Y ∗ (avec b'= b+ ∆b)

0∗
⇒ ∆Z t
=c (X X ∗ )= (b0t
+ + bt )Y ∗
t ∗
⇒ ∆Z =c (∆X )= (∆b)Y

∂Z ∗
D'ou la relation
∂bi = yi
cette relation donne le taux de variation de la fonction objectif par rapport aux
paramétrés bi .
Deux cas ce présentent lors d'une variation de bi :

• 1re casyi∗ =0 : une variation de bi ne change pas Z ∗ ,dans ce cas

la varible d'écart xn+i de (P) peut étre nulle ou non .
• 2me cas yi∗ ≥ 0 : une variation de bi d'une unité améliore Z ∗ de sa
∗ ∗
valeur à ( Z + yi ),la variable d'écart xn+i est nulle.

Pour obtenir une bonne optimisation de Z ∗, il faut varier la matiére premiére

bi correspond à la plus grand valeur des yi∗ .

Théorème 4.3.1 ∗
si (P) admet une solution optimale non dégénérée (XB > 0)
alors ∃ε> 0 tel que si | ∆bi | ≤ 0 , i=1,....,m
Le probléme linéaire perturbé :

M axP
 ( z = ct X)
n 0
(P ) :

s/c j=1 ai,j xj ≤ b = bi + ∆bi i = 1, ...., m
X≥0


admet une solution optimale.

et la valeur de l'optimisation est :

Pm
Z ∗‘ =Z
∗
+ j=1 yi∗ ∆bi

4.4 Application
Considerons le PL




 M aximiser z = 3x1 + 5x2
s/c : x1 ≤4




2x2 ≤ 12

3x1 + 2x2 ≤ 18





 x1 , x2 ≥ 0

Le tableau nale du simplexe est donné comme suit :

27
 x1 x2 x3 x4 x5
0 0 0 2
3 1 f ∗ (x) − 36
1 −1
x3 0 0 1 3 3 2
1
x2 0 1 0 2 0 6
−1 1
x1 1 0 0 3 3 2

le point optimal est x∗ =(2,6) et la valeure optimale est Z =36.

Comme x3 , x4 et x5 sont des variables d'écart des contaraintes, donc la solution

∗
y1 = 0

du probléme dual est : y2∗ = 32
 ∗

y3 = 1
eectuant une augmentaion de capacité du premier atelier de b1 = 4 à b01 =5

Modication de b1

x0∗ = x∗ =(2,6)

En conséquence, la valeur optimal de Z ne change pas :

z 0∗ = z ∗ = 36

D'ou une variation nulle d'objective ∆z =z 0∗ -z ∗ = 0= y1∗

Donc ,l'eet d'une augmentaion de b1 sera nul sur la valeur optimum de l'ob-
jective quel que soit b1 ≥ 4. En eet,endessous de b1 =2, la solution optimale

28
va changer On a donc déterminé le domaine de validité de y1∗ . Il s'agit de l'in-
tervalle :

b1 ∈ [ 2 ,+∞ b

eectuant une augmentaion de capacité du premier atelier de b2 = 12 à b02 =13

Modication de b2

L'augmentation de b2 =12 à b02 =13 donne un nouveau point optimal x0∗ =( ,

5 13
3 2 )
et une valeure optimale z 0∗ =37,5.
Donc ∆z =z 0∗ -z ∗ =37,5-36 = 1,5 = y2∗ .

Au delà de b2 = 18 la solution optimal reste en (0,9).

De meme en deca de b2 = 6 la solution optimal change .
y2∗ =
3
2 ne change pas pour b2 ∈ [ 6 ,18 ].
Donc la base reste optimale pour b2 ∈ [ 6 ,18 ].
eectuant une augmentaion de capacité du premier atelier de b3 = 18 à b03 =19

29
 Modication de b3

L'augmentation de b2 =18 à b02 =19 donne un nouveau point optimal x0∗ 7

= ( ,6)
3
0∗
et une valeure optimale z =37.
0∗ ∗ ∗
Donc ∆z =z -z =37,5-36 = 1= y3 .
Au delà de b2 = 24 la solution optimal reste en (4,6).
De meme en deca de b3 =12 la solution optimal change .
y3∗ = 1 ne change pas pour b3 ∈ [ 12,24 ].
Donc la base reste optimale pour b3 ∈ [ 12,24 ].

30