Académique Documents
Professionnel Documents
Culture Documents
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)
Si on définit:
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
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 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)
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: