Programmation Linéaire

Enseignante: Amel Ferjani

Plan
I. Forme Standard
II. Méthode du simplexe (MS)
III. Cas spéciaux dans l’application de la MS
I. La forme standard du modèle de
programmation linéaire(modèle LP)
Afin de développer une méthode de solution générale, le problème LP doit être mis
dans un format commun, que nous appelons le formulaire standard. Les propriétés du
formulaire LP standard sont:
i. Toutes les contraintes sont des équations à droite non négatives.
ii. Toutes les variables sont non négatives.
iii. La fonction objective peut être la maximisation ou la minimisation

Comment n'importe quel modèle LP peut être mis au format standard?

I. La forme standard du modèle de programmation
linéaire(modèle LP)
Contraintes(Toutes les contraintes sont des équations à droite non négatives.):
1. Une contrainte de type ≤ (resp. ≥) peut être convertie en une équation en ajoutant une variable d’écart
(resp. En soustrayant une variable excédentaire) du côté gauche de la contrainte.

Si la contrainte représente la limite d'utilisation d'une ressource, s1 représentera la quantité lâche ou inutilisée
des ressources

2. Le côté droit d'une équation peut toujours être négatif en multipliant les deux côtés par -1
I. La forme standard du modèle de programmation
linéaire(modèle LP)
Variables (toutes les variables sont non négatives.):
1. Une variable non restreinte y peut être exprimée en termes de deux variables non négatives en
utilisant une substitution

La substitution doit être effectuée dans toutes les contraintes et dans la fonction objective

2. Une variable négative y peut être exprimée en termes de variable non négative en utilisant une
substitution

La substitution doit également être effectuée dans toutes les contraintes et dans la fonction
objective
I. La forme standard du modèle de programmation
linéaire(modèle LP)
Fonction Objective
1. La maximisation de la fonction objective est équivalente à la minimisation de la valeur négative
de la même fonction, et vice versa.

(Equivalent to)Équivalent signifie que pour le même ensemble de contraintes, les valeurs optimales
de x1, x2 et x3 sont les mêmes dans les deux cas. La seule différence est que les valeurs des
fonctions objectives, bien qu'également numériquement, apparaîtront avec des signes opposés.
I. La forme standard du modèle de programmation
linéaire(modèle LP)
Exemple (x1 illimité)

La forme standard est

II. Méthode du simplexe (MS)
Une forme générale d'un programme LP standard est:

Si on définit:

Les contraintes de (P) peuvent s'écrire

A.x=b, avec m équation linéaire et n variables
 II. Méthode du simplexe (MS)
Définition 1. Une solution de base pour A.x = b est une solution dans laquelle au plus m
variables ne sont pas nulles.
• Pour trouver une solution de base à A.x = b, nous pouvons choisir n'importe quel groupe
de n - m variables (les variables non basiques ou NBV) et fixer chacune de ces variables à
zéro.
• Résoudre ensuite les valeurs des n - (n - m) = m variables restantes (les variables de base
ou BV) satisfaisant A.x = b
Exemple

Nous choisissons un ensemble de 3 - 2 = 1 variables non basiques, NBV = {x3}, puis BV = {x1,
x2}, définissant la valeur de x3 à zéro et résolvant

Donc, x1=2, x2=1 et x3=0 est une solution basique,

II. Méthode du simplexe (MS)
Définition 2. Toute solution de base à (P) dans laquelle toutes les variables sont
non négatives est une solution de base réalisable.
Exemple: Pour

Les solutions de base VB = {x1 = 2, x2 = 1}, NVB = {x3 = 0} est une solution de base,
mais la solution de base VB = {x1 = 3, x3 = -1}, NVB = {x2 = 0} ne constitue pas une
solution de base, car x3 <0.
II. Méthode du simplexe (MS)
Théorème1:
La région réalisable pour tout problème de programmation
linéaire est un ensemble convexe. De plus, si un LP a une
solution optimale, il doit y avoir un point extrême de la région
réalisable qui est optimal.

Théorème 2:
Pour tout LP, il existe un point extrême unique de la région
réalisable du LP correspondant à chaque solution de base
réalisable. De plus, il existe au moins une solution de base
réalisable correspondant à chaque point extrême de la région
réalisable.
 II. Méthode du simplexe (MS)

La solution réalisable
est délimitée par le quadrilatère BECF

La forme standard est:

II. Méthode du simplexe (MS)
Définition 3
Pour tout LP avec m contraintes, deux solutions de base réalisables sont
dites adjacentes si leurs ensembles de variables de base ont en commun m-1
variables de base.
Exemple
Dans l'exemple de prévisualisation, deux solutions de base réalisables
seront adjacentes si elles ont 2 - 1 = 1 variable de base en commun. Ainsi, le BFS
correspondant au point E est adjacent au BFS correspondant au point C.
II. Méthode du simplexe (MS)
Description générale de la façon dont l'algorithme simplex résout les LPs.
Supposons que nous essayons de résoudre un problème maximum.
Étape 1 :
À l'aide d'un formulaire standard, déterminez une solution de base
faisable de départ en définissant n-m variables (non basiques)
appropriées à zéro.
Étape 2 :
Sélectionnez une variable d'entrée parmi les variables non basiques
actuelles qui peuvent améliorer la valeur de la fonction objective. Si
aucune n'existe, arrêtez (la solution de base actuelle est optimale).
Sinon, passez à l'étape 3.
Étape 3 :
Déterminez la nouvelle solution de base en rendant la variable d'entrée
basique et la variable de sortie non basique. Passez à l'étape 2.
II. Méthode du simplexe (MS)

La solution de base réalisable actuelle est-elle optimale?

Nous avons z = 4*x1 + 3*x2, si nous augmentons x1 de 1, alors z
augmentera de 4. de même si nous augmentons x2 de 1, alors z augmentera
de 3. Ainsi, l'augmentation de n'importe quelle variable non basique (x1, x2)
augmentera z. Puisque l'augmentation x1 entraîne le plus grand taux
d'augmentation de z. Ainsi, nous choisissons d'augmenter x1 à partir de sa
valeur actuelle de zéro. Nous appelons x1 la variable d'entrée (Observez que
x1 a le coefficient le plus négatif de la ligne objective).
II. Méthode du simplexe (MS)
Déterminer la variable d'entrée
- La variable d'entrée (dans un problème max) a le coefficient le plus négatif dans
l'équation objective (x1 dans notre problème), également lorsque x1 augmente
d'une unité, z augmente de 4, donc, nous aimerions rendre x1 aussi grand que
possible.
Qu'est-ce qui limite la taille de x1?
- De plus, l'augmentation de x1 peut faire en sorte qu'une variable de base (s1, s2)
devienne négative. ainsi, nous voulons augmenter x1 sans sortir de la faisabilité
des variables de base.

La plus grande valeur que nous pouvons faire x1 est min (40, 30) = 30. si x1> 30,
alors s2 deviendra négative. La valeur 30 peut également être obtenue en suivant la
formule:
Équation de droite/Équation de droite
II. Méthode du simplexe (MS)
Trouver une nouvelle solution de base réalisable
- Après avoir déterminé la variable d'entrée (x1 dans notre exemple) et la valeur
que nous pouvons faire x1 (valeur 30), x1 remplace s2 dans l'ensemble des
variables de base. (leaving variable= variable sortante, entering variable= variable
d’entrée, pivot element=élément pivot)
II. Méthode du simplexe (MS)
Trouver une nouvelle solution de base réalisable
Pour trouver la nouvelle solution de base réalisable, nous utilisons deux types de
calculs
1. Nouvelle équation pivot = ancienne équation pivot / élément pivot
2. Nouvelle équation = ancienne équation - (son coefficient de colonne entrant /
nouvelle équation de pivot)

ancienne équation z : (1, -4, 3, 0, 0, 0)

–(– 4) * new pivot équation:(0, 4, 4/2, 0, 4/2, 120)
nouvelle équation :(1, 0, -1, 0, 2, 120)
II. Méthode du simplexe (MS)
Trouver une nouvelle solution de base réalisable

Tous les coefficients des variables non basiques

sont non négatifs, donc la dernière solution
de base possible est optimale.
x1=20, x2=20 et z=140
II. Méthode du simplexe (MS)
Solution de départ artificielle
Forme Standard

Sous forme standard, nous avons trois équations et quatre variables, ce qui
signifie qu'une variable doit être non basique à zéro dans toute solution de base.
Contrairement au cas où nous avons des variables d’écart dans chaque équation,
nous ne pouvons pas être sûrs qu'en définissant une variable égale à zéro, les
variables de base résultantes seront négatives.
L'idée est d'ajouter une variable non négative (variables artificielles) sur le côté
gauche de chaque équation qui n'a pas de variable de base évidente, et nous
forcerons ces variables à zéro lorsque l'optimum est atteint.
II. Méthode du simplexe (MS)
Méthode de pénalité
Nous ajoutons deux variables artificielles t1 et t2 à la première et à la
deuxième équations, et nous pénalisons t1 et t2 dans la fonction objectif en
leur affectant de très grands coefficients positifs dans la fonction objective.

Maintenant que nous avons trois équations et six variables, la solution de base de
départ doit inclure trois variables nulles. Si nous mettons x1, x2 et s1 au niveau
zéro, nous obtenons immédiatement la solution t1 = 3, t2 = 6 et s2 = 4 qui est la
solution faisable de départ.
Ainsi, nous prenons t1, t2 et s2 comme variables de base, mais (t1, t2) seront
éliminés de la fonction objective
II. Méthode du simplexe (MS)
Méthode de pénalité
Fonction objective
(1)
(2)

Fonction objective:
II. Méthode du simplexe (MS)
Méthode de pénalité
III. Cas spéciaux dans l’application de la MS
1. Alternative Optima
Lorsque la fonction objective est parallèle à une contrainte de liaison, la
fonction objective prendra la même valeur optimale à plus d'un point
de solution.
Pour cette raison, ils sont appelés optima alternatifs.
Exemple:
Forme Standard
III. Cas spéciaux dans l’application de la MS
1. Alternative Optima
 III. Cas spéciaux dans l’application de la MS
2. Solution illimitée
Dans certains modèles LP, les valeurs des variables peuvent être augmentées indéfiniment sans violer
aucune des contraintes, ce qui signifie que l'espace de la solution est illimité dans au moins une direction.
Par conséquent, la fonction objectif peut augmenter (cas de maximisation) ou diminuer (cas de
minimisation) indéfiniment.
Exemple:

Tous les coefficients de contrainte sous x2 sont négatifs

ou zéro, ce qui signifie que x2 peut être augmenté
indéfiniment sans violer aucune des contraintes.
Ainsi, le problème n'a pas de solution bornée.
 III. Cas spéciaux dans l’application de la MS
3. Solution infaisable
Si les contraintes ne peuvent pas être satisfaites simultanément, le modèle n'aurait pas
de solution réalisable.
Exemple
Forme standard