Partie I : Programmation

linéaire

1
 Principe :

• Forme canonique
• Résolution graphique
• Méthode du simplexe
• Dualité
• Complément : variables artificielles

2
Principe :

La programmation linéaire a pour objet de résoudre un problème

économique :

• Optimiser (recherche d’un maximum ou d’un minimum) une

fonction économique de forme linéaire,

• Compte tenu de contraintes (équations et/ou inéquations

linéaires).

3
I. Forme canonique

Il s’agit de l’étape la plus importante de la résolution. Elle consiste à

exprimer sous une forme mathéamtiques un problème énoncé de façon
littéraire.

Forme canonique
(Mathématisation du problème)
1- Définir de façon précise les variables.
2- Exprimer les contraintes.
3- Exprimer la fonction économique.

4
 I. Exemple 1 : problème de maximisation comportant
deux variables
Une entreprise fabrique deux produits P1 et P2. les ressources requises
pour la fabrication d’une tonne de chaque produit et le profit unitaire
sont données par le tableau suivant :
Ressources Produit P1 Produit P2 Disponibilité de
chaque ressource
Espace (m2) 2 1 10
Main d’ouvre 1 2 10
(homme - semaine)
Matériaux (tonne) 1 1 6
Matériaux2 1 3 12
Profit sur chaque 1 2
produit
Question : Quelle quantité de chaque produit l’entreprise devrait
elle fabriquer afin de maximiser son profit ?
5
I. Modélisation du problème
• Définition des variables :
Soit : x : le nombre de tonne de P1 qu’on fabrique
y : le nombre de tonne de P2 qu’on fabrique
• Contraintes :
(1) 2 x  y  10
(2) x  2 y  10
(3) x y 6
(4) x  3 y  12
(5) x0
dites évidentes ou implicites
( 6) y0
• Fonction économique :
Maximiser x + 2y
6
I. Forme canonique du problème
D’où la forme canonique :
Maximiser x  2 y
2 x  y  10

 x  2 y  10

x  y  6
 x  3 y  12

x  0
y  0


Ce programme est dit linéaire car les contraintes et

la fonction économique sont du premier degré

7
I. Exemple 2 : problème de minimisation comportant
deux variables
La Saudel envisage de confier à son unité de production du Nord-Est,
l’élaboration des coussinets (A) et des paliers (B) demandés par
certains industriels; cette fabrication devra répondre aux contraintes
mensuelles suivantes :
- Fabrication minimale :
. Coussinets (A) : 4 000 unités
. Paliers (B) : 5 000 unités

- La matière première sera livré par l’unsine principale à l’unité de

production qui devra traiter un minimum de 36 000 kg de matière,

- En ce qui concerne la main d’oeuvre, et compte tenu des perspectives

de développement ultérieur, le maximum sera fixé à 10 000 heures.

8
 I. Exemple 2 : problème de minimisation comportant
deux variables
Renseignement complémentaires :
A B
Matière première par produit 2 kg 3 kg
Main d’œuvre par produit 1 Heure 0,5 Heure
Poids du produit fini 1,5 kg 2 kg

La société souhaite déterminer le programme mensuel de

farication des coussinets (A) et des paliers (B), sachant que
le coût des transports mis en place entre l’unité de
production et l’usine principale pour l’acheminement des
matières premières et le retour des produits finis devra être
rendu minimal; le prix de ce transport a été estimé à 2
Euros par kilo de matière ou de produit fini transporté.

Présenter la forme canonique du programme

9
I. Modélisation du problème
• Définition des variables :
Soit : x : le nombre de coussinets A à produire chaque mois
y : le nombre de paliers B à produire chaque mois.
• Contraintes :
- Contraintes de positivité : x  0
y  0
- Contraintes de marché :
x  4 000
y  5 000
- Contraintes techniques :
2 x  3 y  36 000
x  0,5 y  10 000
10
• Fonction économique :
Coût du poids transporté pour un produit A : (2+1,5)2 = 7 Euros
Coût du poids transporté pour un produit B : (3+2)2 = 10 Euros

Minimiser 7x+10y

11
I. Forme canonique du problème
D’où la forme canonique :
Minimiser 7 x  10 y
 x  4 000

 y  5 000

2 x  3 y  36 000
 x  0,5 y  10 000

x  0
y  0

Ce programme est dit linéaire car les contraintes et
la fonction économique sont du premier degré

12
I. Forme canonique du problème
La programmation mathématique suppose l’écriture d’un
modèle d’optimisation sous contrainte. On la considère
souvent comme un ensemble de techniques permettant la
résolution de tels modèles:
Minimiser F ( x)
sous les contraintes

 g ( x)  0 i  1,..., n
 i
 x  S  n


x=(x1,….,xn) : sont des inconnues du problème

F est appelé la fonction objectif (on dit aussi fonction économique)
et l’ensemble des conditions gi(x)≤0 (i=1,….,n) et xS
Sont les contraintes du problème.

13
 II. Résolution graphique
La résolution graphique est à privilégier pour les programmes linéaires
à deux variables.
II.1- Détermination du Domaine des Solutions Acceptables (DSA)
Chaque contrainte partage le plan en deux parties. L’étude du point (0,0)
permet de définir :
• Le demi-plan qui respecte la contrainte.
Si l’inéquation est vérifié pour (0,0), le demi-plan fait partie du domaine des
solutions acceptables.

Quand l’inégalité est au sens large, les points de la droite font partie du
Domaine des Solutions Acceptables (D.S.A)
Y
200

150 6x  5 y  900
100

50

0 X
0 50 100 150 200

14
 II. Résolution graphique

• Le demi-plan qui ne respecte pas la contrainte.

Si l’inéquation n’est pas vérifié pour (0,0), on hachure cette partie qui
ne fait pas partie du domaine des solutions acceptables.

Y
200

150 x  y  80
100

50

0 X
0 50 100 150 200

Le Domaine des Solutions Acceptables (D.S.A) est

l’ensemble des combinaisons (x,y) qui respecte les
contraintes du programme linéaire.
15
 II. Résolution graphique
II.2- Tracement de la fonction économique
Pour tracer une fonction économique (ax+by), il faut étudier ax+by=k,
en donnant une valeur à k (généralement 0).
a
Il s’agit d’une famille de droites parallèles de coefficients directeur  x
b

Exemple : étudier la fonction x+2y

K=0 K=100 K=200

Fonction x+2y=0 x+2y=100 x+2y=200
passe par (0;0) (0;50) (0;100)
et par (100;-50) (100;0) (200;0)
valeur de F F=0 F=100 F=200

16
 100

50

50 100 200

K=200
K=100

K=0

Plus la valeur k augmente (diminue), plus la parallèle

de F est éloignée (proche) de l’origine et plus la
valeur de l’objectif augmente (diminue)

17
 II. Résolution graphique
II.3- Recherche de l’optimum

Le résultat suivant sera admis : s’il existe au moins une solution optimale, il y a un
sommet du D.S.A qui correspond à une solution optimale.
Deux méthodes de recherche sont possibles :

• Méthode analytique
La valeur de la fonction économique ax+by doit être optimale
MAXIMISATION
Plus la valeur k est grande,
meilleur est le résultat
La solution maximale est donc
le sommet par lequel passe la
parallèle de F la plus éloignée
du point d’origine (0;0)
MINIMISATION
Plus la valeur k est petite,
meilleur est le résultat
La solution minimale est donc
le sommet par lequel passe la
parallèle de F la plus proche
du point d’origine (0;0)
18
 I. Langage élémentaire des graphes
• Méthode énumérative
La méthode énumérative consiste à calculer la valeur de F en chacun
des sommets du domaine des solutions acceptables et à retenir la
solution optimale.

Cette méthode est à utiliser en complément de la précédente, lorsque

la translation de la fonction économique laisse un doute entre des
sommets proches.

Exemple : résolution graphique des problèmes présentés

en paragraphe 1.

19
 II. Résolution graphique
II.4- Cas particulier : dégénérescence
Quand la fonction économique est parallèle à un coté du domaine des solutions
acceptables et ne passe plus par un seul sommet, la solution optimale n’est pas unique
et le cas est dit dégénéré.

L’ensemble des solutions optimales est infini et se compose de toutes les combinaisons
situés sur le segment du domaine des solutions acceptables parallèles à la fonction
économique.

Exemple : présentation d’un cas dégénéré

 Min F  400 x  600 y
x  0


y  0

2 x  3 y  600
 x  50


 y  100
20
 III. Méthode du simplexe
Cette méthode, applicable quel que soit le nombre de variables, sera présenté dans
ce paragraphe pour des problèmes de maximation dont les contraintes (autres que
celles de positivité) sont de type ≤.

Exemple : problème de maximisation comportant trois variables.

La société BETA fabrique trois modèles de meubles : classique, rustique, moderne.
Les standards unitaires de production sont résumés dans le tableau suivant :

Modèle Modèle Modèle Capacités

Classique Rustique Moderne maximales
Bois 5 8 5 900
Main d’œuvre 1 2 3 516
Centre finition 2 2 0 200
Marges sur coûts 1000 960 1200
variables
La société BETA souhaite déterminer les quantités à produire pour maximiser
son résultat. 21
 III. Méthode du simplexe
Forme canonique de ce programme :

 x  0; y  0; z  0
5 x  8 y  5 z  900

1x  2 y  3z  516
2 x  2 y  0 z  200

 F  100 x  960 y  1200 z ( MAX )
22
 3.1 Forme standard

La méthode du simplexe nécessite une mise sous forme standard :

Les inégalités sont transformées en égalités grâce à l’introduction de

variables d’écarts positives ou nulles notées ei.

Il y a une variables d’écart pour chaque contrainte autre que contrainte de positivité

23
3.1 Forme standard
Forme canonique :
 x  0; y  0; z  0
5 x  8 y  5 z  900


1x  2 y  3 z  516
2 x  2 y  0 z  200


 F  100 x  960 y  1200 z ( MAX )
Forme standard :
 x  0; y  0; z  0; e1  0; e2  0; e3  0
5 x  8 y  5 z  e  900


1

1x  2 y  3 z  e2  516
2 x  2 y  0 z  e  200
 3


 F  100 x  960 y  1200 z ( MAX )
24
 3.2 Recherche de la solution optimale
Les calculs sont présentés dans des tableaux en utilisant la méthode du pivot de
Gauss

3.2.1 Interprétation d’un tableau

3.2.2 Solution de départ : premier tableau

3.2.3 Détermination du pivot

3.2.4 Progression jusqu’à la solution optimale

25
3.2.1 Interprétation d’un tableau

QUEL QUE SOIT LE TABLEAU

• Les variables hors - base sont égales à zéro,

• La valeur des variables dans la base est lue dans la colonne B,
• L’optimum est atteint si tous les coefficients de la dernière
ligne sont négatifs ou nuls

26
 3.2.2 Solution de départ : premier tableau

Le premier tableau reprend les coefficients de la forme standard

Hors base x y z . . . B Lecture du tableau

Variables Variables
En base
hors base dans la base
e1 5 8 5 1 0 0 900 x=0 e1=900
e2 1 2 3 0 1 0 516
e3 2 2 0 0 0 1 200 y=0 e2=516

F 1000 960 1200 0 0 0 0 z=0 e3=200

F=0

27
 Interprétation du tableau

• Il s’agit de la solution admissible de départ qui

respecte toutes les contraintes.

• La production est donc nulle (x=0;y=0;z=0) et la

valeur de la fonction objectif est égale à 0.

• Cette solution peut être améliorée puisque les

coefficients de la ligne F ne sont pas négatifs ou
nuls.

28
3.2.3 Détermination du pivot

• La variable qui entre dans la base est celle dont le coefficient positif
de dernière ligne est le plus grand.

• La variable qui sort de la base est celle dont la résultante (R) positive
est la plus petite.

• Le pivot est situé à l’intersection de la variable entrante et de la variable

sortante.

Remarque : si un zéro apparaît dans la colonne B et qu’il faut déterminer

une variable sortante, il faut le remplacer par un nombre positif infiniment
petit, noté ε, et continuer les calculs avec cette valeur. A l’optimum, cette
valeur ε sera considérée comme égale à zéro.

29
 3.2.3 Détermination du pivot

Hors base x y z . . . B R

En base

L1 e1 5 8 5 1 0 0 900 900/5=180
L2 e2 1 2 33 0 1 0 516
516/3=172 e2 sort de la base
e3 2 2 0 0 0 1 200
L3
200/ε = ∞
L4 F 1000 960 1200 0 0 0 0

z entre dans la base

30
 3.2.4 Progression jusqu’à la solution optimale
Deuxième tableau

z est entré dans la base, tandis que e2 en est sorti

Hors base x y . . e2 . B

En base

L’1=L1-5L’p e1 10/3 14/3 0 1 -5/3 0 40

L’2=L’p=L1/3 z 1/3 2/3 1 0 1/3 0 172
e3 2 2 0 0 0 1 200
L’3=L3-0L’p
L’4=L4-1200L’p F 600 160 0 0 -400 0 -206 400

Valeur de F au signe près

31
 Interprétation du tableau

• Les variables hors base sont nulles : x=y=e2=0.

• Les variables en base sont e1=40,z=172 et e3=200

• La production est donc égale à 172 produits z.

• L’objectif est égal à 206 400 Euros.

• Cette solution peut être améliorée puisque les

coefficients de la ligne F ne sont pas négatifs ou
nuls.

32
 3.2.3 Détermination du pivot

Hors base x y . . e2 . B R

En base

L’1 e1 10/3 14/3 0 1 -5/3 0 40 12 e1 sort de la base

L’2 z 1/3 2/3 1 0 1/3 0 172
2 2 0 0 0 1 200 516
L’3 e3
L’4 F 600 160 0 0 -400 0 -206 400 100

x entre dans la base

33
 3.2.4 Progression jusqu’à la solution optimale
Troisième tableau

Hors base x y . e1 e2 . B

En base

L ’’1=L’’p=L’1/(10/3) x 1 1,4 0 0,3 -0,5 0 12

L’’2=L’2-(1/3)L’’p z 0 0,2 1 -0,1 0,5 0 168
e3 0 -0,8 0 -0,6 1 1 176
L’’3=L’3-2L’’p
L’’4=L’4-600L’’p F 0 -680 0 -180 -100 0 -213 600

Valeur de F au signe près

34
 Interprétation du tableau

• Les variables hors base sont nulles : y=e1=e2=0.

• Les variables en base sont x=12,z=168 et e3=176

• Il s’agit de la solution optimale puisque tous

coefficients de la dernière ligne (ou taux marginaux
de substitution) sont négatifs ou nuls.

• La solution optimale est la production de 12

modèles classiques, 0 modèle rustique et 168
modèles modernes pour une marge sur coûts
variables maximales de 213 600 Euros.
35
 IV. Dualité
Exemple :

 x  0; y  0; z  0 1- La résolution graphique n’est pas

applicable puisque le programme
1x  2 y  1z  16 comporte plus de deux variables

2.5 x  1y  1.5 z  10
2-La méthode du simplexe n’a été
présentée que pour des contraintes ≤


MIN F  195 x  160 y  120 z

36
 IV. 1 Du programme primal au programme dual
La dualité permet de résoudre les problèmes de minimisation dont les contraintes
(autres que celles de positivité) sont de sens ≥ :
ELABORATION DU DUAL
• Le nombre de variables du dual est égal au nombre de contraintes
(autres que celles de positivité) du primal. Elles doivent être différenciées
de celles du primal.

• Le nombre de contraintes du dual est égal au nombre de variables du

primal.

• Les coefficients des colonnes (lignes) du primal sont les coefficients des
lignes (colonnes) du dual.
• Les inégalités du dual sont de sens opposé à celles du primal.
• Les coefficients de la fonction économique du primal sont les contraintes
du dual.
• Si le primal est une minimisation, le dual est une maximisation, et inversement.
• Les coefficients de la fonction économique du dual sont les contraintes du primal.

Remarque : le dual du dual est le primal

37
 IV. 1 Du programme primal au programme dual

PRIMAL : Le programme à résoudre est dit programme primal

 x  0; y  0; z  0
a x  a y  a z  A


1 2 3

b1 x  b2 y  b3 z  B
c x  c y  c z  C
1 2 3


MIN (d1 x  d 2 y  d 3 z )
DUAL
u  0; v  0; w  0
a u  b v  c w  d


1 1 1 1

a2u  b2 v  c2 w  d 2
a u  b v  c w  d
 3 3 3 3


 MAX ( Au  Bv  Cw)
La résolution du dual impose de retrouver les solutions du primal
38
IV. 2 Interprétation du problème dual

PRIMAL
 x  0; y  0; z  0
1x  2 y  1z  16


2.5 x  1 y  1.5 z  10

MIN (195 x  160 y  120 z )

DUAL
u  0; v  0
1u  2.5v  195


2u  1v  160
1u  1.5v  120


MAX (16u  10v )
39
 IV. 3 Résolution du problème

Il s’agit de résoudre le primal. Il faudra donc déterminer la solution du

programme primal à partir de la résolution du programme dual.

Forme standard du dual :

u  0; v  0
e  0; e  0; e  0
 1 2 3


1u  2.5v  e1  195

2u  1v  e2  160
1u  1.5v  e3  120


MAX (16u  10v  0e1  0e2  0e3 )

40
 Premier tableau

Hors base u v . . . B R

En base

L1 e1 1 2.5 1 0 0 195 195/1=195

L2 e2 2 1 0 1 0 160
160/2=80 e2 sort de la base
e3 1 1.5 0 0 1 120
L3
120/1 = 120
L4 F 16 10 0 0 0 0

u entre dans la base

41
 Deuxième tableau

Hors base . v . e2 . B R

En base

L’1=L1-1L’p e1 0 2 1 -0.5 0 115 115/2=57,5

L’2= L’p=L2/2 u 1 0.5 0 0.5 0 80
80/0,5=160
e3 0 1 0 -0.5 1 40
L’3=L3-1L’p
40/1 = 40 e3 sort de la base
L’4=L4-16L’p F 0 2 0 -8 0 -1280

u entre dans la base

42
 Troisième tableau

Hors base . . . e2 e3 B

En base

L ’’1=L’1-2L’’p e1 0 0 1 -0.5 0 35
L’’2= L’2-0,5L’’p u 1 0 0 0.5 0 60
v 0 1 0 -0.5 1 40
L’’3=L’’p=L’3/1
L’’4=L’4-2L’’p F 0 0 0 -7 -2 -1360
x y z

43
 IV. 3 Résolution du problème
L’optimum du dual est atteint, mais il s’agit de résoudre le programme primal :

SOLUTIONS DU PRIMAL

• A l’optimum, la solution du programme primal est, au signe près, lue sur la

dernière ligne du tableau dans les colonnes des variables d’écart.

Remarque : à l’optimum, la valeur de la fonction économique du dual est égale à

celle du primal.

La solution du primal est donc :

x=0
y=7
z=2
F=1360

44
 V. COMPLEMENT : VARIABLES ARTIFICIELLES
L’introduction de variables artificielles permet de résoudre le problème posé
Par les contraintes ≥ :
VARIABLES ARTIFICIELLES

1- Introduire une variable artificielle par contrainte ≥.

La variable d’écart de la contrainte, affectée du coefficient -1, est mise hors base.
2- Elles permettent simplement l’égalité dans la forme standard et ne sont pas une
donnée du problème. En conséquence, elles doivent être nulles à l’optimum.
Pour cela, il faut les faire sortir de la base en leur donnant un coefficient fortement
Pénalisant dans la fonction économique :
• S’il s’agit d’une maximisation, le coefficient affecté à la variable est très négatif : -M.
• S’il s’agit d’une minimisation, le coefficient affecté à la variable est très positif : +M

45
V.1 Résolution d’une maximisation

Soit le programme linéaire :

 x  0; y  0; z  0;

1x  3 y  z  10000
2 x  1y  z  5000

Max ( F )  100 x  500 y  200 z

La forme standard de ce programme est :

 x  0; y  0; z  0;
e  0; e  0; a  0;
1 2 1

1x  3 y  z  e1  10000

2 x  1 y  z  e2  a1  5000
Max ( F )  100 x  500 y  200 z  0e1  0e2  Ma1

46
V.1 Résolution d’une maximisation
D’après la deuxième contrainte : a1=5000-2x-y-z+e2
D’où F=100x+500y+200z+0e1+0e2-M(5000-2x-y-z+e2)
F=100x+500y+200z+0e1+0e2+2xM+yM+zM-e2M-5000M

47
 Premier tableau

Hors base x y z . e2 . B R

En base

e1 1 3 1 1 0 0 10000 10000/1=10000
a1 2 1 1 0 -1 1 5000
5000/2=2500

F 100 500 200 0 0 0 0 Changer le signe

+2M +1M +1M -1M +5000M puisque F est lue
au signe près
2M est le plus fort coefficient.

48
 Deuxième tableau

Hors base . y z . e2 a1 B R

En base

e1 0 2,5 1 1 0,5 -0,5 7500 7500/2,5=3000

x 1 0,5 0,5 0 -0,5 0,5 2500
2500/0,5=5000

F 0 450 150 0 0 -50 -250 000

+0M +0M +0M -M +0M

450 est le plus fort coefficient positif.

La sortie de la base d’une variable artificielle étant définitive, sa

colonne peut être supprimée.

49
 Troisième tableau

Hors base . . z e1 e2 B

En base

y 0 1 0,4 0,4 0,2 3000

x 1 0 0,3 -0,2 -0,6 1000

F 0 0 -30 -180 -40 -1 600 000

La solution optimale est atteinte : x=1 000; y=3 000; z=0 et F= 1 600 000.

50
V.2 Résolution directe d’une minimisation

Les principes de résolution sont les mêmes à l’exception du choix

de la variable qui entre dans la base : la variable entrante est celle
dont le taux marginal de substitution est le plus négatif. L’optimum
est atteint quand tous les taux marginaux de substitution sont
positifs ou nuls.

51
V.2 Résolution directe d’une minimisation

Soit le programme linéaire :

 x  0; y  0; z  0;

1x  2 y  1z  16
2,5 x  1 y  1,5 z  10

Min ( F )  195 x  160 y  120 z

La forme standard de ce programme est :

 x  0; y  0; z  0;
e  0; e  0; a  0; a  0;
1 2 1 2

1x  2 y  1z  e1  a1  16

2,5 x  1 y  1,5 z  e2  a2  10
Min ( F )  195 x  160 y  120 z  0e1  0e2  Ma1  Ma 2

52
 V.2 Résolution directe d’une minimisation
D’après la première contrainte : a1=16-1x-2y-1z+e1
D’après la deuxième contrainte : a2=10-2,5x-1y-1,5z+e2
D’où F=195x+160y+120z+0e1+0e2+M(16-1x-2y-1z+e1)+M(10-2,5x-1y-1,5z+e2)
F=195x+160y+120z+0e1+0e2-3,5Mx-3My-2,5Mz+Me1+Me2+26M

53
 Premier tableau

Hors x y z e1 e2 . . B R
base

En base
a1 1 2 1 -1 0 1 0 16 16/1=16
a2 2,5 1 1,5 0 -1 0 1 10
10/2,5=4
F 195 160 120 0 0 0 0 0
-3,5M -3M -2,5M +M +M -26M

-3,5M est le plus négatif.

Changer le signe
puisque F est lue
au signe près

54
 Deuxième tableau

Hors . y z e1 e2 . a2 B R
base

En base
a1 0 1,6 0,4 -1 0,4 1 -0,4 12 12/1,6=7,5
x 1 0,4 0,6 0 -0,4 0 0,4 4
4/0,4=10

F 0 82 3 0 78 0 -78 -780
-1,6M -0,4M 1M -0,4 1,4M -12M
-1,6M est le plus négatif.

55
 Troisième tableau

Hors . . z e1 e2 a1 a2 B R
base

En base
y 0 1 0,25 - 0,625 0,25 0,625 7,5 12/0,25=30
x 1 0 0,5 0,25 -0,5 -0,25 1
1/0,5=2

F 0 0 -17,5 51,25 57,5 -51,25 -1395

1M

56
 Quatrième tableau
Hors base . . z e1 e2 a1 a2 B

En base

y -0,5 1 0 - 0,75 0,5 7

x 2 0 1 0,5 -1 2

F 35 0 0 60 40 -1360

L’optimum de la minimisation est atteint puisque tous les taux marginaux de

substitution sont positifs ou nuls.
La variable z est hors base et en conséquence, z=0.
La solution optimale est donc x=2; y=7; z=0 pour un coût minimum égal à
1360.

Remarque : Il est préférable de passer par le programme dual qui

réduit les calculs.
57