Chapitre 2: Algorithmes Du Simplexe: Abdelkrim E Professeur Habilité en Mathématique Appliquée

Recherche Opérationnelle
Chapitre 2 : Algorithmes du simplexe
Abdelkrim EL MOUATASIM
Professeur Habilité en Mathématique Appliquée
https://sites.google.com/a/uiz.ac.ma/elmouatasim/
SMI - S5
2020–2021
A. El MOUATASIM (FPO) Recherche Opérationnelle 2020–2021 1 / 37

Méthode algébrique
Outline
1 Méthode algébrique
Solution de base
2 Forme matricielle
3 Méthodes des tableaux
4 Forme générale
Adaptation à d’autres formes de modèles
Obtention d’une base admissible initiale

Développée en 1947 par George Dantzig, la méthode du simplexe reste d’actualité

pour résoudre des problèmes de grande taille. Il s’agit d’une méthode algébrique
basée sur la résolution de systèmes d’équations linéaires ; nous nous intéressons ici
uniquement aux systèmes d’équations linéaires avec un nombre n de variables
supérieur au nombre m d’équations :
Ax b,
où x P Rn , b P Rm et A P Rmn . Dans ce cas, il y a trois possibilités :
1 aucune solution ;
2 une et une seule solution ;
3 une infinité de solutions.

Nous supposerons que toutes les variables sont positives. Le second cas, avec une
et seule solution, ne peut survenir que si n m, et si la matrice A est inversible,
ce qui revient à exiger que nous avons éliminé au préalable toute équation pour
s’écrire comme combinaison linéaire des autres équations. Si nous n’avons qu’une
seule solution admissible, elle est forcément optimale, par conséquent, nous
ignorerons ce cas dans le reste du chapitre, et prendrons n strictement supérieur à
m.
Dans le cas où il y a une infinité de solutions, la méthode d’élimination de
Gauss-Jordan permet d’identifier trois types de variables :
variables fixées ;
variables dépendantes ;
variables indépendantes.

Example (Préliminaires à l’algorithme du simplexe)

Considérons le système
x1 x2 x3 x4 4, pL1 q
x1 x3 x4 3, pL2 q
x1 x2 2x4 2. pL3 q
Nous pouvons le réécrire sous la forme
x1 2x4 1, pL1 L2 L3 q
x2 1, pL1 L2 q
x3 x4 2. pL1 L3 q
La variable x2 est fixée, comme elle ne peut prendre que la valeur 1, sans
considération pour les autres variables. A l’opposée, x4 est indépendante, comme
elle peut prendre n’importe quelle valeur dans R. x1 et x3 sont quant à elles
dépendantes : le choix de x4 fixe leur valeur, et de plus, il n’est pas possible de les
éliminer en combinant des équations entre elles (au contraire de x4 ).

Solution de base
Il s’agit de la solution obtenue en fixant toutes les variables indépendantes à zéro.

Nous qualifierons de variables hors-base les variables indépendantes fixées à zéro.
Les autres variables seront dites variables de base. Une solution de base est
réalisable (ou admissible) lorsque toutes les variables de base ont une valeur
positive. Une solution de base réalisable est dégénérée lorsqu’au moins une
variable de base a la valeur 0. Il est possible de montrer qu’une solution de base
réalisable est un sommet du polyèdre.
Example (Préliminaires à l’algorithme du simplexe : solution de base)

Dans l’exemple, la solution de base est
x1 1, x2 1, x3 2.
Elle est réalisable et non dégénérée.
Il est facile de changer le statut des variables par des opérations élémentaires.

Pivot
Example (Préliminaires à l’algorithme du simplexe : pivot)

x1 2x4 1,
x2 1,
x3 x4 2.
peut se réécrire comme
x1 2x3 5,
x2 1,
x3 x4 2.
Dans cette nouvelle solution de base, nous avons
variable hors-base : x3 ;
variables de base : x1 , x2 , x4 ;
solution de base non réalisable : x1 5, x2 1, x4 2.
Le pivot est une opération consistant à remplacer une variable de base par une
variable hors base pour obtenir une nouvelle solution de base, dite adjacente.
Forme matricielle
Outline
Solution de base
2 Forme matricielle
4 Forme générale

Forme matricielle
Notations matricielles
Écriture matricielle d’un P.L. sous forme standard
max z c t .x
s.c. A.x b
x ¥0
n : nombre de variables,
m : nombre de contraintes pm ¤ nq,

a11 a12 . . . a1n
a21 a22 . . . a2n
Apm,nq .

.. .. : matrice réelle des contraintes,
.. . ... .
am1 am2 . . . amn

x1
x2
x . : vecteur des variables,

..
xn
Forme matricielle
Notations matricielles

b1
b2
b . : vecteur des seconds membres,

..
bm
c pc1 , c2 ,°. . . , cn q : vecteur ligne des coûts,
t
z c t .x j 1 cj .xj : fonction objectif à maximiser.

n

Forme matricielle
Partitionnement des indices
On peut partitionner les indices en deux sous-ensemble :

B indices des variables en base,
N indices des variables hors base.
Cette partition peut-être effectuée dans chacune des contraintes :
¸
n ¸ ¸
aij xj aij xj aij xj bi pour i 1, . . . , m.
j 1 P
j B P
j N
D’un point de vue matriciel, ce partitionnement revient à partition des colonnes de

A et des composantes des vecteurs c et x :

A AB AN
xB cB
, x , c
xN cN

Forme matricielle
Dictionnaire au format matriciel
Exprimons les variables en base en fonction des variables hors-base :
Ax b ô AB xB AN xN b
ô xB AB 1 AN xN AB 1 b
ô xB AB 1 b AB 1 AN xN
On remarque que cette réécriture n’est possible que si AB est une matrice
inversible. Maintenant, en remplaçant xB dans l’objectif, on a :
z cT x cBT xB cNT xN
cBT pA 1
B b AB AN xN q
1
cNT xN
1
cBT AB b pcN cB AB 1 AN q
T T
xN
looooooooomooooooooon
coûts réduits ou profits marginaux

Forme matricielle
Solutions de base
Toute sous-matrice carrée m m de A inversible (les m colonnes/lignes de AB

sont linéairement indépendantes et forment une base de Rm ) est appelée matrice
de base.
A chaque matrice de base AB est associé une solution de base définie par un
dictionnaire.
max z cBT A 1
B b pcNT cBT AB 1 AN qxN
s.c. xB
AB b AB 1 AN xN
1
xB , xN ¥ 0
xB A 1
B b
Solution de base : T 1
z cB AB b
Condition de réalisabilité : A B b ¥0
1
Condition d’optimalité : cN cBT A

T
B AN ¤ 0
1

Forme matricielle
Algorithme du simplexe matricielle

On commence avec une solution de base réalisable par un dictionnaire :
max z cBT A 1
B b pcNT cBT AB 1 AN qxN
s.c. xB
AB b AB 1 AN xN
1
xB , xN ¥ 0
1 Si c̄ cNT cBT AB 1 AN ¤ 0, alors cette solution est optimale, STOP.

2 choisir une variable entrante avec indice k P N telle que pc̄ qk ¡ 0.
3 Si pāi,k qi 1,...,m pA
B AN qk ¤ 0 , le problème est non borné, STOP.
1
4 Choisir une variable sortante avec indice s P B telle que
AB 1
argminj PB t āb̄j j,. b
: āj,k ¡ 0u
AB
s 1
j,k j,. AN .,k
5 Pivoter : B pB zs q Y k et N pN zk q Y s et retourner en 1.
Méthodes des tableaux
Outline
Solution de base
2 Forme matricielle
4 Forme générale

Algorithme du Simplexe
max z 20x1 10x2

s.c. x1 2x2 ¤ 120
x1 x2 ¤ 100
x1 ¤ 70
x2 ¤ 50
x1 , x2 ¥0
forme standard
max z
s.c. z 20x1 10x2 0
x1 2x2 s1 120
x1 x2 s2 100
x1 s3 70
x2 s4 50
x1 , x2 , s1 , s2 , s3 , s4 ¥0
Forme Tableu
Forme standard
max z
s.c. z 20x1 10x2 0
x1 2x2 s1 120
x1 x2 s2 100
x1 s3 70
x2 s4 50
x1 , x2 , s1 , s2 , s3 , s4 ¥0
Forme tableau
z x1 x2 s1 s2 s3 s4
z 1 -20 -10 0 0 0 0 0
s1 0 1 2 1 0 0 0 120
s2 0 1 1 0 1 0 0 100
s3 0 1 0 0 0 1 0 70
s4 0 0 1 0 0 0 1 50
Coûts réduits
B, une base de Ax b
la fonction objectif :
z cx cB xB cN xN
cB B 1 b pcB B 1 N cN qxN
°
z0 pcB B 1 aj cj qxj
n

j 1
°
z0 pzj cj qxj
n

j 1
zj cj cB B 1 aj cj est le coût réduit de la variable hors base xj

Forme tableaux
à chaque itération
z xN xB
z 1 coûts réduits 0 z0
0
.. ..
xB . . Id `
0
à l’optimum
z xN xB
z 1 ` 0 z0
0
.. ..
xB . . Id `
0

Principe heuristique
Faire rentrer en base la variable avec le coefficient cr le plus négatif˝Ñ xr
Le coefficient le plus négatif : c1 20 ñ faire rentrer x1 .

z x1 x2 s 1 s2 s3 s4
z 1 -20 -10 0 0 0 0 0
s1 0 1 2 1 0 0 0 120
s2 0 1 1 0 1 0 0 100
s3 0 1 0 0 0 1 0 70
s4 0 0 1 0 0 0 1 50
Qui faire sortir ?

Principe du quotient minimal
bs
asr mint ab |air ¡ 0u Ñ faire sortir xs
i
ir
Le quotient minimal : b3
a31 mint 1201 , 1001 , 701 u 70 ñ faire sortir s3 .
z x1 x2 s1 s2 s3 s4
z 1 -20 -10 0 0 0 0 0
s1 0 1 2 1 0 0 0 120
s2 0 1 1 0 1 0 0 100
s3 0 1 0 0 0 1 0 70
s4 0 0 1 0 0 0 1 50

Pivot
exprimer la contrainte z avec les variables hors base x2 et s3
z 10x2 20s3 1400
diviser la ligne pivot par le coefficient de la variable entrante
x1 s3 70
supprimer x1 des autres contraintes
2x2 s1 s3 50
x2 s2 s3 30
c ... a
.. ..
. .
ligne pivot p ... b ñ a Ñ a bp c
|
colonne
pivot
Pivoter autour de a31
A. El MOUATASIM (FPO)
1 Recherche Opérationnelle 2020–2021 22 / 37
Deuxième tableau
z x1 x2 s1 s2 s3 s4
z 1 0 -10 0 0 20 0 1400
s1 0 0 2 1 0 -1 0 50
s2 0 0 1 0 1 -1 0 30
x1 0 1 0 0 0 1 0 70
s4 0 0 1 0 0 0 1 50
x1 , s1 , s2 , s4 en base et x2 , s3 hors base

solution X 2 p70, 0, 50, 30, 0, 50q de valeur z=1400
faire rentrer x2 .
Le quotient minimal : b1
a12 mint 502 , 301 , 501 u 25 ñ faire sortir s1 .
Pivoter autour de a12 2

Tableau optimal
z x1 x2 s1 s2 s3 s4
z 1 0 0 5 0 15 0 1650
x2 0 0 1 1
0 12 0 25
12 12
2
s2 0 0 0 1 0 5
x1 0 1 0 0 0 1 0 70
s4 0 0 0 12 0 1
2 1 25
x1 , x2 , s2 , s4 en base et s1 , s3 hors base

solution X 3 p70, 25, 0, 5, 0, 25q de valeur 1650 optimal car
z 1650 5s1 15s3 et s1 s3 0.

Algorithme du simplexe : méthode des tableaux
Données : un programme linéaire et une solution de base admissible

Résultat : une solution de base admissible optimale ou déclarer PL non borné˝
1 Choix d’une colonne (variable) entrante
choisi une variable hors base xr (colonne) ayant un coût réduit négatif
s’il n’existe pas de colonne entrante : STOP, la solution de base est optimale
2 Choix d’une ligne (variable) sortante
choisi une ligne s minimisant le quotient
s’il n’existe pas de ligne sortante : STOP le tableau courant est non borné
3 Mise à jour de la base et du tableau
pivoter autour de asr et retourner en (1).

Définition
Solution de base dégénérée si une ou plusieurs variables de base sont zéros (plus
de bijection entre les solutions de base admissibles et les points extrêmes)
Théorème
Si toutes les solutions de base admissibles sont non dégénérées, l’algorithme du
simplexe termine après un nombre fini d’itérations.

Forme générale
Outline
Solution de base
2 Forme matricielle
4 Forme générale

Forme générale
Tout modèle de programmation linéaire peut se ramener à la forme suivante :

¸
n
max cj xj
j 1
¸n
s.c. aij xj xn i bi , i 1, 2, . . . , m
j 1
¥ 0, j 1, 2, . . . , n,
xj
xn i ¥ 0, i 1, 2, . . . , m.
Nous supposons de plus que bi est positif, i 1, 2, . . . , m. Sous cette forme, il est
facile d’initialiser la méthode du simplexe en ajoutant des variables d’écart, et en
les prenant comme variables de base. Cela revient de plus à considérer l’origine
comme solution initiale, et il est facile d’effectuer les opérations de pivot. Le
situation se complique avec d’autres formes fonctionnelles pour les contraintes, en
particulier dans la recherche d’une solution de base initiale.

Forme générale
Transformation du min au max
Supposons que nous devions minimiser l’objectif au lieu de le maximiser. Nous

utilisons la propriété
¸
n ¸
n
min cj xj max cj xj .

j 1
j 1
Nous résolvons le problème de maximisation en changeant les signes des

coefficients dans l’objectif. La valeur optimale du problème de minimisation est
l’opposé de celle du problème de maximisation.

Forme générale
Transformation des inégalités en égalités

°n
Si
j 1 aij xj ¤ bi , il y a deux cas :
1 bi ¥ 0 : nous ajoutons une variable d’écart positive xn i
:
¸
n
aij xj xn i bi .

j 1
bi 0 : nous multiplions l’inégalité par -1, pour se ramener au cas développé

2
ci-dessous.
°n
Si j 1 aij xj ¥ bi , nous avons à nouveau deux cas possibles :
1 bi ¤ 0 : nous multiplions l’inégalité par -1, pour se ramener au cas développé
précédemment.
2 bi ¡ 0 : nous soustrayons une variable de surplus positive x0i :
¸
n
aij xj x0i bi .

j 1
Nous nous ramenons alors au cas d’ajout de variables artificielles.

Forme générale
Ajout de variables artificielles

°
Si j 1,...,n aij xj bi et qu’aucune variable n’est isolée (une variable est isolée si
elle à coefficient 1 dans cette équation et à coefficient 0 dans les autres) :
1 nous ajoutons une variable artificielle xn 1 ¥ 0, dont l’unique but est de
fournir une variable de base initiale pour cette contrainte ;
2 nous lui associons un profil très négatif : M
¸
max cj xj Mxn i

j 1,...,n
s.c. . . .
¸
aij xj xn i bi

j 1,...,n
...
Le seul but des variables artificielles est de pouvoir initialiser l’algorithme du

simplexe en produisant une solution de base réalisable initiale. Si le problème est
réalisable, nous devrions avoir xn i 0.
Forme générale
Deux méthodes peuvent être considérées.

1 La méthode du grand M consiste à optimiser en utilisant une fonction
objective formée de la fonction de coût initiale et de la somme, très
fortement pénalisée, des variables artificielles.
2 La méthode à deux phases se déroule comme suit :
Phase 1 Trouver une solution réalisable en minimisant la somme des
variables artificielles.
Phase 2 Optimiser en revenant à la fonction de coût initial à partir de
la solution initiale trouvée dans la phase 1.

Forme générale
Exemple
Considérons le programme
max z 4x1 5x2

s.c. 2x1 2x2 ¥8
x2 3
9x1 3x2 ¤ 27
x1 ¥ 0, x2 ¥ 0.
Nous devons tout d’abord transformer le système de contraintes afin de pouvoir
traiter un système linéaire :
2x1 2x2 xs1

8
x2 3
9x1 03x2 xs2 27
xs1 ¥ 0, xs2 ¥ 0.

Forme générale
Exemple
En ajoutant les variables artificielles, nous obtenons
2x1 2x2 xs1 8xa1

x2 3xa2
9x1 3x2 xs2 27
xs1 ¥ 0, xs2 ¥ 0, xa1 ¥ 0, xa2 ¥ 0.
Afin de démarrer la méthode du simplexe, nous appliquons une des deux méthodes
précédentes.

Forme générale
Méthode à deux phases
Exemple
Phase 1 maximiser xa1 xa2 jusqu’à obtenir une valeur optimale nulle (si
le programme linéaire à une solution réalisable).
px1 , x2 , xs1 , xs2 , xa1 , xa2 q p1, 3, 0, 9, 0, 0q

Phase 2 maximiser 4x1 5x2 .
px1 , x2 , xs1 , xs2 q p2, 3, 2, 0q

Forme générale
Méthode du grand M
Exemple
max 4x1 5x2 Mxa1 Mxa2

px1 , x2 , xs1 , xs2 , xa1 , xa2 q p2, 3, 2, 0, 0, 0q

Forme générale
Merci de votre attention
Si vous avez des questions n’hésitez pas à les poser.

Chapitre 2: Algorithmes Du Simplexe: Abdelkrim E Professeur Habilité en Mathématique Appliquée

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Chapitre 2: Algorithmes Du Simplexe: Abdelkrim E Professeur Habilité en Mathématique Appliquée

Transféré par

Droits d'auteur :

Formats disponibles

Recherche Opérationnelle

Chapitre 2 : Algorithmes du simplexe

A. El MOUATASIM (FPO) Recherche Opérationnelle 2020–2021 1 / 37

3 Méthodes des tableaux

A. El MOUATASIM (FPO) Recherche Opérationnelle 2020–2021 2 / 37

Développée en 1947 par George Dantzig, la méthode du simplexe reste d’actualité

A. El MOUATASIM (FPO) Recherche Opérationnelle 2020–2021 3 / 37

A. El MOUATASIM (FPO) Recherche Opérationnelle 2020–2021 4 / 37

Example (Préliminaires à l’algorithme du simplexe)

A. El MOUATASIM (FPO) Recherche Opérationnelle 2020–2021 5 / 37

Il s’agit de la solution obtenue en fixant toutes les variables indépendantes à zéro.

Example (Préliminaires à l’algorithme du simplexe : solution de base)

A. El MOUATASIM (FPO) Recherche Opérationnelle 2020–2021 6 / 37

Example (Préliminaires à l’algorithme du simplexe : pivot)

3 Méthodes des tableaux

A. El MOUATASIM (FPO) Recherche Opérationnelle 2020–2021 8 / 37

z  c t .x  j 1 cj .xj : fonction objectif à maximiser.

A. El MOUATASIM (FPO) Recherche Opérationnelle 2020–2021 10 / 37

Partitionnement des indices

On peut partitionner les indices en deux sous-ensemble :

D’un point de vue matriciel, ce partitionnement revient à partition des colonnes de

A. El MOUATASIM (FPO) Recherche Opérationnelle 2020–2021 11 / 37

Dictionnaire au format matriciel

Exprimons les variables en base en fonction des variables hors-base :

A. El MOUATASIM (FPO) Recherche Opérationnelle 2020–2021 12 / 37

Toute sous-matrice carrée m m de A inversible (les m colonnes/lignes de AB

Condition d’optimalité : cN cBT A

A. El MOUATASIM (FPO) Recherche Opérationnelle 2020–2021 13 / 37

Algorithme du simplexe matricielle

1 Si c̄  cNT cBT AB 1 AN ¤ 0, alors cette solution est optimale, STOP.

4 Choisir une variable sortante avec indice s P B telle que

3 Méthodes des tableaux

A. El MOUATASIM (FPO) Recherche Opérationnelle 2020–2021 15 / 37

max z  20x1 10x2

zj cj  cB B 1 aj cj est le coût réduit de la variable hors base xj

A. El MOUATASIM (FPO) Recherche Opérationnelle 2020–2021 18 / 37

A. El MOUATASIM (FPO) Recherche Opérationnelle 2020–2021 19 / 37

Faire rentrer en base la variable avec le coefficient cr le plus négatif˝Ñ xr

Le coefficient le plus négatif : c1  20 ñ faire rentrer x1 .

A. El MOUATASIM (FPO) Recherche Opérationnelle 2020–2021 20 / 37

Principe du quotient minimal

A. El MOUATASIM (FPO) Recherche Opérationnelle 2020–2021 21 / 37

x1 , s1 , s2 , s4 en base et x2 , s3 hors base

A. El MOUATASIM (FPO) Recherche Opérationnelle 2020–2021 23 / 37

x1 , x2 , s2 , s4 en base et s1 , s3 hors base

A. El MOUATASIM (FPO) Recherche Opérationnelle 2020–2021 24 / 37

Algorithme du simplexe : méthode des tableaux

Données : un programme linéaire et une solution de base admissible

A. El MOUATASIM (FPO) Recherche Opérationnelle 2020–2021 25 / 37

A. El MOUATASIM (FPO) Recherche Opérationnelle 2020–2021 26 / 37

3 Méthodes des tableaux

A. El MOUATASIM (FPO) Recherche Opérationnelle 2020–2021 27 / 37

Tout modèle de programmation linéaire peut se ramener à la forme suivante :

A. El MOUATASIM (FPO) Recherche Opérationnelle 2020–2021 28 / 37

Transformation du min au max

Supposons que nous devions minimiser l’objectif au lieu de le maximiser. Nous

Nous résolvons le problème de maximisation en changeant les signes des

A. El MOUATASIM (FPO) Recherche Opérationnelle 2020–2021 29 / 37

Transformation des inégalités en égalités

bi 0 : nous multiplions l’inégalité par -1, pour se ramener au cas développé

Nous nous ramenons alors au cas d’ajout de variables artificielles.

Ajout de variables artificielles

Le seul but des variables artificielles est de pouvoir initialiser l’algorithme du

z c t .x j 1 cj .xj : fonction objectif à maximiser.

1 Si c̄ cNT cBT AB 1 AN ¤ 0, alors cette solution est optimale, STOP.

max z 20x1 10x2

zj cj cB B 1 aj cj est le coût réduit de la variable hors base xj

Le coefficient le plus négatif : c1 20 ñ faire rentrer x1 .

max z 4x1 5x2

2x1 2x2 xs1 8xa1

px1 , x2 , xs1 , xs2 , xa1 , xa2 q p1, 3, 0, 9, 0, 0q

px1 , x2 , xs1 , xs2 q p2, 3, 2, 0q