Académique Documents
Professionnel Documents
Culture Documents
Abdelkrim EL MOUATASIM
Professeur Habilité en Mathématique Appliquée
https://sites.google.com/a/uiz.ac.ma/elmouatasim/
SMI - S5
2020–2021
Outline
1 Méthode algébrique
Solution de base
2 Forme matricielle
4 Forme générale
Adaptation à d’autres formes de modèles
Obtention d’une base admissible initiale
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.
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 ).
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.
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.
Recherche Opérationnelle
Forme matricielle
Outline
1 Méthode algébrique
Solution de base
2 Forme matricielle
4 Forme générale
Adaptation à d’autres formes de modèles
Obtention d’une base admissible initiale
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
A. El MOUATASIM (FPO) Recherche Opérationnelle 2020–2021 9 / 37
Recherche Opérationnelle
Forme matricielle
Notations matricielles
b1
b2
b . : vecteur des seconds membres,
..
bm
c pc1 , c2 ,°. . . , cn q : vecteur ligne des coûts,
t
A AB AN
xB cB
, x , c
xN cN
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
Solutions de base
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
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
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.
A. El MOUATASIM (FPO) Recherche Opérationnelle 2020–2021 14 / 37
Recherche Opérationnelle
Méthodes des tableaux
Outline
1 Méthode algébrique
Solution de base
2 Forme matricielle
4 Forme générale
Adaptation à d’autres formes de modèles
Obtention d’une base admissible initiale
Algorithme du Simplexe
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
A. El MOUATASIM (FPO) Recherche Opérationnelle 2020–2021 17 / 37
Recherche Opérationnelle
Méthodes des tableaux
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
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
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
Recherche Opérationnelle
Méthodes des tableaux
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
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
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.
Outline
1 Méthode algébrique
Solution de base
2 Forme matricielle
4 Forme générale
Adaptation à d’autres formes de modèles
Obtention d’une base admissible initiale
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.
¸
n
aij xj x0i bi .
j 1
s.c. . . .
¸
aij xj xn i bi
j 1,...,n
...
Exemple
Considérons le programme
Exemple
En ajoutant les variables artificielles, nous obtenons
Afin de démarrer la méthode du simplexe, nous appliquons une des deux méthodes
précédentes.
Exemple
Phase 1 maximiser xa1 xa2 jusqu’à obtenir une valeur optimale nulle (si
le programme linéaire à une solution réalisable).
Méthode du grand M
Exemple