Vous êtes sur la page 1sur 61

Aide à la Décision

Élaboré par Mme Sameh Chtourou Kharrat

Auditoire: 2 LGI-MMQ-MSI

Année Universitaire: 2020-2021


2
Introduction

 L’aide à la décision est


l’ensemble des techniques
permettant, pour une
personne donnée, d’opter
pour la meilleure prise de
décision possible.

L’aide à la décision est


principalement utilisée dans
les domaines tels que la
finance, la banque,
l’informatique ,…

3
La RO présente un intérêt dans l'aide à la prise de décision et le
choix des activités les plus efficaces.

Définition 1: La RO est une approche systématique


(ensemble de méthodes et de modèles) susceptible de clarifier
et de résoudre scientifiquement des problèmes du monde
réel.

La RO est indispensable pour les futurs décideurs et


gestionnaire de projet. Elle permet de:
Modéliser des problèmes issus des organisations du monde
réel.
Identifier les méthodes de résolution et les outils les plus
adaptés face à un problème pratique.

4
La recherche Opérationnelle est une discipline carrefour associant les
mathématique, l’économie et l’informatique

ECONOMIE Interprétation INFORMATIQUE


des résultats

Recherche
Opérationnelle Traitement du
Elaboration du
modèle modèle

MATHÉMATIQUES
I. Formulation d’un PL
1. Définition d’un PL
Un programme linéaire est défini par :
 Les variables de décision : ce sont les inconnus qu’on doit
trouver pour apporter une solution au problème, elles doivent
être positives (réelles).
 Fonction objectif : C’est la fonction qui présente l’objectif à
optimiser, elle doit s’écrire sous une forme linéaire des
variables de décision.
 Les contraintes : Le membre gauche doit s’écrire sous
forme d’une relation linéaire entre les variables de
décision, et le membre droit doit être une constante.

6
2. Forme générale d’un PL avec n variables et m contraintes
Forme algébrique éclatée:
Max (ou Min) Z(x) = c1 x1 + c2 x2+ ................... + cn xn
Sous contraintes :
a11 x1 + a12 x2+ ................... + a1n xn (≤ = ≥) b1
....................................................................……..
ai1 x1 + a22 x2+ ...+ aji xi+... + ajn xn (≤ = ≥) bi
...................................................................……..
am1 x1 + am2 x2+ ................... + amn xn (≤ = ≥) bm
xj ≥ 0  j = 1, ...., n.
Forme algébrique compacte:
n
Max(ou Min) Z   c j x j
j 1

Sous contraintes :
n

a
j =1
ij x j ()bi  i  1, ...., m

xj  0  j  1, ....., n 7
8

 x1, x2, ..., xn: Variables de décision (inconnues)

 c1, c2, ..., cn: Coefficients (profits ou coûts unitaires) des variables de
la fonction objectif

 b1, b2, ..., bm: Quantités disponibles des différentes ressources (ou
valeurs des seconds membres)

ai1, ai2, ..., ain: Coefficients technologiques de chaque activité par


rapport à la ressource numéro i ; i = 1, 2, ..., m

8
9

Forme matricielle:
Max(ou Min) Z  C’X
S /C : A X ( ) B
X 0
Avec: C’   c1 , c2 , .............., cn 
 x1   a11 ... a1n   b1 
X    , A   aij    ... 
 et B   
 xn   am1 ... amn  bm 

X : Vecteur des variables de décision (n ×1)


C' : Matrice des coefficients des variables de la fonction objectif (1 ×n)
A : Matrice des coefficients technologiques (m ×n)
B : Vecteur de disponibilité en ressources (m ×1)
9
3. Les étapes de la formulation:
Généralement il y a trois étapes à suivre pour pouvoir
construire le modèle d’un PL:
1. Identifier les variables du problème à valeur non connues
(variable de décision) et les représenter sous forme
symbolique (exp: x1; y1;…).
2. Identifier l’objectif ou le critère de sélection et le représenter
sous une forme linéaire en fonction des variables de décision.
Spécifier si le critère de sélection est à maximiser ou à
minimiser.
3. Identifier les contraintes du problème et les exprimer par un
système d’équations et inéquations linéaires.

10
4. Exemple:
Une usine fabrique 2 types de produits P1 et P2. Chaque type de produits nécessite
des matières premières et des heures machines ; ces ressources sont disponibles en
quantités limitées.
Les quantités de matières premières et d'heures machines nécessaires par unité de
chaque produit sont données dans le tableau suivant :

Produits P1 P2 Disponibilités

Matières Premières 2 Kg/u 4 Kg/u 5 200 kg/semaine


Heures Machines 6 h/u 5 h/u 7 200 h/semaine
Profit Net 12 D/u 16 D/u

Le marché ne peut pas absorber plus de 1000 unités de P1.


Il s'agit de déterminer le programme de production hebdomadaire qui maximise le
profit de l'usine.
11
Formulation:

1- Les variables de décision


x1 : le nombre d'unités de P1 à fabriquer chaque semaine
x2 : le nombre d'unités de P2 à fabriquer chaque semaine.
2- La fonction objectif qui décrit la relation linéaire représentant
l'objectif de l'entreprise à l'aide des variables de décision, appelée
aussi fonction économique.
La fonction objectif exprimant le profit total est : 12 x1 + 16 x2
3- Les contraintes du modèle qui décrivent les relations linéaires
entre les variables de décision représentant les restrictions auxquelles
est sujette l'entreprise
Matières premières : 2 x1 + 4 x2 ≤ 5 200 kg
Heures Machines : 6 x1 + 5 x2 ≤ 7 200 heures
Marché : 1 x1 + 0 x2 ≤ 1 000 Unité
Contraintes de non négativité : x1 ≥ 0, x2 ≥ 0. 12
II. Algorithme du simplexe
Étape 1: écrire le PL sous la forme standard

Pour pouvoir appliquer la méthode du simplexe, on transforme les


inéquations en équations. A cet effet, on introduit de nouvelles
variables non négatives appelées variables d’écart et qui
représente les quantités des ressources non utilisées.

Un PL sous forme standard est tel que:


toutes les contraintes sont des égalités,
 toutes les variables sont non négatives (≥ 0),
 le second membre est non négatif (AX ≤ b, b≥0).
13
MaxZ ( x )  12 x1  16 x2 MaxZ ( x)  12 x1  16 x2  0e1  0e2  0e3
s/c FS s/c
2 x1  4 x2  5200 2 x1  4 x2  e1  5200
6 x1  5 x2  7200 6 x1  5 x2  e2  7200
x1  1000 x1  e3  1000
x1  0; x2  0 x1  0; x2  0
(P1) (P2)
Les variables d’écart n’ont aucun effet sur la fonction objectif, elles
n’apportent pas de profit, on peut les introduire dans la fonction
objectif avec des coefficients nuls.

On peut bien vérifier que ces deux PLs (P1 et P2) sont équivalents
c’est-à-dire admettent les mêmes solutions. En effet, si
x
1   
, x2 une solution optimale pour P1, alors x1 , x2 , e1 , e2 , e3 est
14
une solution optimale pour P2.
Définitions:

Définition 5: On appelle variables hors base (v.h.b.) les n


variables de Rn+m fixées à zéro. Les m variables restantes sont
appelées variables de base (v.b.)

Définition 6: On appelle solution de base une solution où en


ayant choisi n variables hors base, on obtient une solution unique
en résolvant les m contraintes d’égalités obtenues en ajoutant les
variables d’écart.

Définition 7: On appelle solution de base réalisable toute


solution de base qui vérifie l’ensemble des contraintes du problème
y compris les contraintes de non-négativité.

Définition 8: On appelle solution de base réalisable optimale


une solution de base réalisable qui optimise la F.O.
15
Propriété: La notion géométrique de sommet du polygone
correspond à la notion algébrique de solution de base réalisable.

Définition 9: On appelle solutions de base adjacentes deux


solutions de base dont les variables de base sont les mêmes sauf
une qui est de base dans la première base et hors base dans la
seconde.

Propriété: La notion géométrique de sommets adjacents


correspond à la notion algébrique de solutions de base réalisables
adjacentes.

16
Nous savons qu’une solution de ce PL correspond à l’une des
solutions de (P2) où l’on a deux (5-3) V.H.B. (prennent la valeur
nulle). Les 3 autres variables qui ne sont pas nécessairement nulles
sont les variables de bases.

Deux questions se posent:

1. A quelles variables doit-on donner la valeur zéro?

2. Comment identifier une solution optimale?

17
Étape 2: dresser le tableau associé à la forme standard
Le premier tableau du simplexe correspond à la solution où on ne
produit rien et on n’utilise pas de ressources.

Solution initiale:

x1=0, x2=0, e1=5200, e2=7200, e3=1000 VB={e1,e2,e3}; VHB={x1,x2}

12 16 0 0 0
VB x1 x2 e1 e2 e3 VVB

Ligne
0 e1 2 4 1 0 0 5200
pivot VS
0 e2 6 5 0 1 0 7200
0 e3 1 0 0 0 1 1000
Zj 0 0 0 0 0 0
Cj-Zj 12 16 0 0 0

Colonne pivot VE 18
• Détermination de la colonne pivot (Variable Entrante):
pour trouver la variable entrante il faut comprendre la signification de
Zj et de Cj-Zj.
 Zj: La perte de profit lorsque l’on introduit dans la solution
considérée une unité du produit représenté dans la colonne
considérée. Par exemple, Z1 représente la perte de profit lorsque
l’on introduit dans la solution une unité de P1; à cet effet, il est
nécessaire de substituer 2 unités de e1, 6 unités de e2 et 1 unité
de e3, pour lesquelles les profits sont nuls; donc
Z1=0(2)+0(6)+0(1)=0.
 Cj-Zj: le gain net (si Cj-Zj0), ou la perte net (si Cj-Zj0). En effet,
si l’on retranche Zj (la perte de profit résultant de l’introduction
d’une unité d’activité j) de Cj (le profit unitaire de l’activité j) on
obtient le profit net ou la perte net. Par exemple , si une unité de
P1 est fabriqué (en substituant 2 u de e1, 6 u de e2 et 1 u de e3), le
profit net sera C1-Z1=12-0=12
Si x11 u  e1 2u, e2 6u, e31u  Z12 D
Si x21 u  e1 4u, e2 5u, e30u  Z16 D 19
• Détermination de la ligne pivot (Variable Sortante): pour
trouver la variable sortante, on divise les VVB par les valeurs de la
colonne pivot, on obtient ainsi la colonne Ratio Test (RT). Ensuite, on
sélectionne la ligne qui a le plus petit ratio test positif.
x2 étant la variable entrante. Si on prend le système des contraintes:

2 x1+4 x2+1 e1+0 e2+0 e3=5200


6 x1+5 x2+0 e1+1 e2+0 e3=7200
1 x1+0 x2+0 e1+0 e2+1 e3=1000

L’augmentation de x2 est restreinte par trois limites:


 1300= 5200/4
 1440=7200/5
  = 1000/0
Et on cherche à produire à produire la quantité maximale dans les 3
limites citées au-dessus. On choisie donc de produire 1300 unités de
P2 (x2=1300). Ceci rend e1=0 (épuisement de la ressource 1) et elle
sera une VHB  La variable sortante est celle qui a le plus petit ratio
20
test positif (la valeur de la limite de la VE).
Itération 1:
Choix de la variable Choix de la variable
entrante: sortante:
On sélectionne une On sélectionne une
variable hors base variable de base qui
qui a le plus grand a le plus petit ratio test
coefficient positif dans positif
la ligne Cj-Zj.

12 16 0 0 0 VVB Ratio
VB x1 x2 e1 e2 e3 Test

0 e1 2 4 1 0 0 5200 1300 VS

0 e2 6 5 0 1 0 7200 1440
Pivot
0 e3 1 0 0 0 1 1000 -

Zj 0 0 0 0 0 0
Cj-Zj 12 16 0 0 0
21
VE
Itération 2:
1. Le pivot est égal à 1
2. Les coefficients de la ligne du pivot sont divisés par le pivot
3. Les coefficients de la colonne du pivot sont nuls
4. Les autres coefficients sont obtenus par la règle du rectangle

pivot b NP : nombre pivot


LP: ligne pivot; Lj: ligne quelconque j
c a L’p= LP/NP  Transformées de la ligne pivot
L’j=L-aL.L’p: Transformée de toutes autres
lignes
'  cb aL: coefficient correspondant à la ligne
a a  transformée
nouveau ancien pivot
L1
L1' 
4
L'2  L2  5 L1'
L'3  L3
22
L1
L 
'
1
4
L'2  L2  5 L1'
L'3  L3

12 16 0 0 0 VVB RT
VB x1 x2 e1 e2 e3

16 x2 1/2 1 1/4 0 0 1300 2600

0 e2 7/2 0 -5/4 1 0 700 200 VS


0 e3 1 0 0 0 1 1000 1000

Zj 8 16 4 0 0 20800
Cj-Zj 4 0 -4 0 0

VE 23
1 '
12 16 0 0 0 VVB L1'  L1  L2
2
VB x1 x2 e1 e2 e3
2
16 x2 0 1 3/7 -1/7 0 1200 L  L2
'
2
7
12 x1 1 0 -5/14 2/7 0 200
L'3  L3  L'3
0 e3 0 0 5/14 -2/7 1 800
Zj 12 16 18/7 8/7 0 21600
Cj-Zj 0 0 -18/7 -8/7 0

Critère d'arrêt des itérations:


Si tous les coefficients de la ligne Cj-Zj, relatifs aux variables HB,
sont négatifs ou nuls (problème de maximisation), la solution
trouvée est optimale.

Solution optimale:
x1*=200 x2*=1200 e1*=0 e2*=0 e3*=800
Z*=21600 24
1. Problème de maximisation avec contraintes de types ()
ou (=):
Exemple:

MaxZ  6 x1  4 x2
s/c
2 x1  3 x2  120 (P3)
4 x1  2 x2  100
x1  10
3 x2  20
x1 , x2  0

25
Pour pouvoir appliquer la méthode du simplexe, il faut transformer en
équations les inéquations du système de contraintes (P3). A cet effet,
on introduit dans les deux premières inéquations les variables d’écart
e1 et e2. De façon analogue, on soustrait de x2 une quantité non
négative pour transformer l’inéquation x2 ≥20 en une équation x2-
s1=20. On appelle s1 une variable de surplus. On introduit les
variables e1, e2 et s1 dans la fonction économique avec un coefficient
nul. On obtient le PL suivant: MaxZ  6 x1  4 x2  0e1  0e2  s1
s/c
2 x1  3x2  e1  120
4 x1  2 x2  e2  100 (P4)
x1  10
3 x2  s1  20
x1 , x2 , e1 , e2 , s1  0
26
Ce programme n’admet pas de solution de base réalisable initiale
évidente. En effet, nous n’avons pas dans chaque contrainte une
variable dont le coefficient est un dans cette contrainte et zéro dans
toutes les autres contraintes, c’est-à-dire que nous n’avons pas dans
le tableau des coefficient des contraintes une matrice unité d’ordre 4.
Pour faire face à cette absence de solution de base réalisable initiale,
nous allons construire artificiellement à partir du programme sous
la forme standard un programme linéaire qui admettra une solution
de base réalisable initiale évidente.

27
 Variables artificielles
Les deux premières contraintes ont chacune une variable dont le
coefficient est un dans la contrainte et zéro dans les autres
contraintes, ces variables sont e1 et e2. Afin de créer une solution de
base initiale artificielle, on introduit deus variables non négatives, a1
et a2 dont le coefficient est un dans les troisièmes et quatrième
contraintes respectivement. On appelle a1 et a2 des variables
artificielles. On obtient le système de contraintes suivant:
2 x1  3 x2  e1  120
4 x1  2 x2  e2  100
(P5)
x1  a1  10
3 x2  s1  a2  20
x1 , x2 , e1 , e2 , s1 , a1 , a2  0
28
Ce système n’est pas équivalent au problème P(4). Toutes solution
réalisable du système P(4) est une solution réalisable du système
P(5) avec a1=a2=0 mais la réciproque est inexacte. Par exemple
(x1=0, x2=0, e1=120, e2=100, s1=0, a1=10, a2=20) est une solution
réalisable du système P(5) mais (x1=0, x2=0, e1=120, e2=100, s1=0)
n’est pas une solution réalisable du système P(4). Cependant, le sous
ensemble des solutions réalisables de P(5) pour lequel a1=a2=0 est
identique à l’ensemble des solutions réalisables de P(4).
Il faut chercher à faire sortir de la base les variables
artificielles pour les réduire à zéro et garantir qu’elles ne reviennent
plus dans la base. Pour cela, on attache aux variables artificielles,
dans la fonction objectif, une très forte pénalité sous la forme d’un
coefficient négatif très grand en valeur absolue. On représente
conventionnellement ce coefficient –M (problème de maximisation)
29
On obtient le PL suivant:

MaxZ  6 x1  4 x2  0e1  0e2  0s1  Ma1  Ma2


S /C
2 x1  3x2  e1  120
4 x1  2 x2  e2  100
x1  a1  10
3x2  s1  a2  20
x1 , x2 , e1 , e2 , s1 , a1 , a2  0

30
31

Tableau initiale

12 16 0 0 0
VB x1 x2 e1 e2 s1 a1 a2 VVB

0 e1 2 3 1 0 0 0 0 120
0 e2 4 2 0 1 0 0 0 100
-M a1 1 0 0 0 0 1 0 10
-M a2 0 1 0 0 -1 0 1 20
Zj -M -M 0 0 M -M -M -30M
Cj-Zj 6+M 4+M 0 0 -M 0 0

La méthode du simplexe est appliquée de façon analogue au cas


précédent. On considère M comme un nombre positif très grand.
31
32
6. Problème de minimisation:

La méthode du simplexe s’applique de façon équivalente aux


programmes linéaires où l’objectif consiste à minimiser la fonction
objectif. Il ya deux différences :
 la règle pour le choix de la variable entrante doit refléter qu’on
cherche à obtenir la plus grande réduction possible de la
fonction objectif. On cherche donc le Cj-Zj le plus négatif
Lorsque l’on introduit des variables artificielles, leur coefficient
dans la fonction objectif sera +M où M est toujours grand
nombre positif.
Condition d’arrêt: Le tableau du simplexe optimal est atteint
quand tous les Cj-Zj sont positifs ou nuls.

32
7. Cas particuliers:
a- PL avec solution optimal multiple: si dans le tableau optimal, le
coût marginal (Cj-Zj) d’une VHB est nul alors la solution optimal est
multiple. Cette variable peut entrer dans la base sans changer la valeur de Z
et on obtient ainsi une deuxième solution optimal.

Soit le PL suivant: Max Z  x1  x2


s/c x1  x2  3
x1  2
x2  2
x1 , x2  0

33
VB x1 x2 e1 e2 e3 VVB
e1 1 1 1 0 0 3
e2 1 0 0 1 0 2 VS
e3 0 1 0 0 1 2
Cj-Zj 1 1 0 0 0 Z=0
VE
VB x1 x2 e1 e2 e3 VVB
e1 0 1 1 -1 0 1 VS
x1 1 0 0 1 0 2
e3 0 1 0 0 1 2
Cj-Zj 0 1 0 -1 0 Z=0
VE
VB x1 x2 e1 e2 e3 VVB
Cj-Zj0, x2 0 1 1 -1 0 1
Optimalité PL à
x1 1 0 0 1 0 2 solution
e3 0 0 -1 1 1 1 multiple
Cj-Zj 0 0 -1 0 0 Z=3 34
b- PL non borné: si dans un tableau, il n’y a pas une variable de base
sortante alors le PL est non borné.

Max Z  36 x1  30 x2  3x3  4 x4
S /c x1  x2  x3  5
VB x1 x2 x3 x4 e1 e2 VVB
6 x1  5 x2  x4  10
e1 1 1 -1 0 1 0 5
VS
x1 , x2 , x3 , x4  0 e2 6 5 0 -1 0 1 10
Cj-Zj 36 30 -3 -4 0 0 Z=0

VB x1 x2 x3 x4 e1 e2 VVB
e1 0 1/6 -1 1/6 1 -1/6 10/3
x1 1 5/6 0 -1/6 0 1/6 10/6
Cj-Zj 0 0 -3 2 0 -6 Z=60

VB x1 x2 x3 x4 e1 e2 VVB Ratio
PL non
x4 0 1 -6 0 6 -1 20 -
borné Pas de
x1 1 1 -1 0 1 0 5 - VS
Cj-Zj 0 -2 9 0 -12 -4 Z=100 35
c- PL non réalisable: si dans un tableau la condition d’arrêt est
atteinte mais une variable artificielle n’a pas quitté la base alors
le PL est non réalisable.

Max Z  x1  3 x2
Cj 1 3 0 0 -M
S /c x1  2 x2  2
VB x1 x2 e1 e2 a2 VVB
 x1  2 x2  4 R

e1
x1 , x2  0 1 2 1 0 0 2 1

a2 -1 2 0 -1 1 4 2

Cj-Zj 1-M 3+2M 0 -M 0 Z=-4M

Cj 1 3 0 0 -M

VB x1 x2 e1 e2 a2 VVB R
Cj-Zj0, Condition
d’optimalité satisfaite x2 1/2 1 1/2 0 0 1
Mais a2 =20 a2 -2 0 -1 -1 1 2
PL non
réalisable Cj-Zj -1/2-2M 0 -3/2-M -M 0 Z=3-2M 36
d. Dualité

Il est possible à partir d’un PL (P) de former un autre programme linéaire


qu’on appelle programme dual (D) associé à (P). Dans ce contexte, on
appelle (P) problème primal.

(P) (D)

m
min z   b j y j
n
max z   ci xi
i 1 j 1
n m
S/C  a ji xi  b j j  1,2,..., m S/C  ji y j  ci
a '

j 1
i  1,2,..., n
i 1

xi  0 i  1,2,..., n yj  0 j  1,2,..., m

Primal Dual

37
38

Interprétation économique de la dualité

• bj : quantité totale de la ressource j ;


• aji : quantité de la ressource j consommée pour fabriquer une unité
du produit i
• ci : coût unitaire du produit i

• yj :représente la valeur unitaire de la ressource j. C’est le montant


maximum que l’on est prêt à payer pour une unité supplémentaire
de le ressource j ou encore le prix minimum auquel on serait prêt à
vendre une unité de la ressource j.

38
39

Le dual d'un problème de maximisation

Considérons l’exemple traité au chapitre 1.

On désire maximiser le revenu.


Variables de décision :
x1 = nombre d’unités du produit A à fabriquer
x2 = nombre d’unités du produit B à fabriquer
x3 = nombre d’unités du produit C à fabriquer
(P) Max Z(x) = 6 x1+ 2 x2+4x3
Sous contraintes
4 x1 + 2 x2 + 1 x3 ≤ 6 000 Matières premières
2 x1 + 1/2 x2 + 3 x3 ≤ 4 000 Main d’œuvre
x1 + x2 + x3 ≤ 2 500 Entreposage
x1 ≥ 0, x2 ≥ 0, x3 ≥ 0
39
Supposons qu'un entrepreneur veut acheter toutes les ressources de la
compagnie PROEC (Matières premières, Main d’œuvre,
Entreposage). Il veut certainement que le prix total de ces ressources
soit minimal. On définit alors :

y1 = prix d'un kg de matière première


y2 = prix d'une heure de main d’oeuvre
y3 = prix d'une unité d’entreposage

L'entrepreneur doit payer : w(y) = 6000y1 + 4000 y2 + 2500 y3 et


désire minimiser w. Mais il doit payer suffisamment pour convaincre
l’usine de vendre ses ressources. En effet, la compagnie PROEC ne
cédera ses ressources que si le revenu engendré par la vente des
ressources nécessaires à la production d’une unité d’un produit donné
est supérieur au revenu engendré par sa vente.

La production du produit « A » nécessite 4 kg de matières premières,


2 heures de mains d’œuvres et 1 unité d’entreposage. Donc, le revenu
engendré par la vente de ces ressources est 4 y1 + 2 y2 + y3 . 40
Et le profit engendré par la vente de cette ressource est de 6dt. Ainsi, la
contrainte imposé à l’entrepreneur est 4 y1 + 2 y2 + y3 ≥ 6 .
De même pour les autres produits et on aura les contraintes suivantes:
2 y1 + 1/2 y2 + y3 ≥ 2
y1 + 3 y2 + y3 ≥ 4
Les prix de vente des ressources sont positifs : y1 ≥ 0, y2 ≥ 0, y3 ≥ 0

Le problème dual est donc:


Min W(y) = 6000y1 + 4000 y2 + 2500 y3
S/C 4 y1 + 2 y2 + y3 ≥ 6
2 y1 + 1/2 y2 + y3 ≥ 2

y1 + 3 y2 + y3 ≥ 4

y1 ≥ 0, y2 ≥ 0, y3 ≥ 0
Le dual d'un problème de minimisation

Considérons l’exemple suivant : Une famille désire préparer un


menu équilibré à coût minimal. Ce menu doit être constitué de 6
aliments (notés 1, 2, 3, 4, 5 et 6) et doit contenir au moins 9 unités de
vitamine A et 19 unités de vitamine C.
Les proportions en vitamine A et C de chaque aliment ainsi que les
quantités minimales requises de chaque vitamine et les coûts des
différents aliments sont présentés dans le tableau suivant :

Proportions vitamine /Kg Qté min requises


d'aliment /jour
1 2 3 4 5 6
Vitamine A 1 0 2 2 1 2 9
Vitamine C 0 1 3 1 3 2 19
Coût de l'aliment 35 30 60 50 27 22

42
On définit : xi quantité en kg de l'aliment i, i = 1, ..., 6.

(P) : min z = 35x1 + 30 x2 + 60 x3 + 50 x4 + 27 x5 + 22 x6


s.c. x1 + 2 x3 + 2 x4 + x5 + 2 x6  9 (Vitamine A)
x2 + 3 x3 + x4 + 3 x5 + 2 x6  19 (Vitamine C)
xi  0  i = 1, ..., 6

Un producteur compte lancer un projet dans le domaine


alimentaire. Il propose de fabriquer des comprimés de chaque
vitamine et de les vendre à la famille. Pour que cette affaire se
réalise, le fabricant doit persuader la famille d'obtenir les
quantités requises des vitamines en utilisant les comprimés au
lieu des aliments. La famille, étant consciente de l'aspect
monétaire, n'utilisera les comprimés que si leurs prix sont
compétitifs par rapport aux prix des aliments. Ceci impose
plusieurs contraintes sur les prix des comprimés que le
fabriquant doit fixer.

43
Soient y1 : prix de la vitamines A
y2 : prix de la vitamine C

Prenons par exemple l'aliment 5 : Un kg de ce dernier contient 1


unité de A et 3 unités de C. Du point de vue du fabricant, le kg de
l'aliment 5 vaut y1 + 3 y2. Or un kg de l’aliment 5 coûte 27.
Il faut donc que y1 + 3 y2  27, sinon la famille réalisera que les
prix du fabriquant ne sont pas compétitifs (elle aura intérêt à
acheter l’aliment 5).
De l'autre côté, puisque le fabricant veut gagner dans cette affaire,
y1 et y2 doivent être  0. De plus, si la famille décide d'utiliser les
comprimés, elle en achètera juste le nécessaire (9 et 19 unités),
sinon, ça coûtera cher étant donné que y1 et y2  0.

44
Le revenu du fabricant sera alors w(y) = 9 y1 + 19 y2, et par
conséquent, les prix que le fabricant va fixer sont obtenus en
trouvant la solution optimale du problème suivant :

max w(y) = 9 y1 + 19 y2
s.c. y1  35
y2  30
2 y1 + 3 y2  60
2 y1 + y2  50
y1 + 3 y2  27
2 y1 + 2 y2  22
y1, y2  0

45
Problème de maximisation Problème de minimisation (dual)
(primal)

Matrice des coefficients (mxn) Transposée de la matrice des


coefficients (nxm)
Second membres des contraintes Coefficients de la fonction objectif
Coefficients de la fonction objectif Second membres des contraintes
Nombre de contraintes Nombre des variables principales
Contrainte ≤ Variable ≥0
Contrainte ≥ Variable ≤0
Contrainte = Variable qqe
Nombre des variables principales Nombre de contraintes
Variable ≤ Contrainte ≤
Variable ≥ Contrainte ≥
Variable qqe Contrainte =
46
• Les valeurs des variables primales se lisent dans la dernière
colonne du tableau
• Les valeurs de la solution duale se lisent dans la dernière
ligne du tableau
• Les variables de décision du dual sont associées aux
variables d’écart du primal. Réciproquement, les variables
d’écart du dual sont associées aux variables de décision du
primal.

47
Relation Primal Dual:

Théorème 1:
Le problème dual du problème dual est le problème primal

Théorème 2: Dualité faible


Si x est une solution admissible du primal et y une solution
admissible du dual, alors

Z<W
S’il y a égalité (Z=W), alors x est une solution optimale du primal et
y une solution optimale du dual

48
Théorème 3: Dualité forte
– Si le primal et le dual admettent tous les deux une solution
admissible, ils ont tous deux une solution optimale finie et la même
valeur objectif optimale.
– Si le primal (dual) est non borné, le dual (primal) n’admet pas de
solution admissible.

Théorème 4: Complémentarité
– Si x est une solution optimale du primal et y une solution optimale
du dual, alors
xi*e’i*= 0
yj*ej*= 0

49
III. Analyse post optimalité

Précédemment, nous avons toujours supposé que les paramètres du


problème (ci, bj et aji) prennent des valeurs connues et bien définies.
Mais, en réalité ces paramètres peuvent changer surtout qu’ils ne sont
que des estimations. En effet, la capacité futur de production, la
demande futur des produits, les prix et les quantités nécessaires des
matières premières,…. Proviennent en général de projections à court
terme des tendances observées par le passé.
Ainsi, le gestionnaire pourra prendre des décisions de changer
quelques paramètres:

50
 Augmentation ou diminution de la capacité de production.
 Changement des prix de ventes d’un ou plusieurs produits,…..
 Changement des prix d’achat,…..
Les changements peuvent être la cause d’autres phénomènes comme
la possibilité de pannes lors de la production, la difficulté au niveau
des approvisionnements,…….
L’analyse post-optimalité s’intéresse à étudier l’effet de changements
dans les paramètres du problème sur la structure de la solution
optimale du P.L.

51
1. Modification des seconds membres des contraintes
(bj):
Dans cette section on va déterminer l’effet d’un changement de la
quantité bj (second membre) dans l’une des contraintes du
modèle.
Exemple:
Soit le PL suivant:
Max Z(x) =160 x1+200 x2
S/C 2 x1+ 4 x2  40 heures (R1: Main d’Œuvre)
18 x1+ 18 x2  216 unités (R2: Matière Première)
24 x1+ 12 x2 240 m2 (R3: main d’œuvre)
x1 0; x2  0
Soit un changement du nombre d’heures disponibles: q1= 40+ 52
Le PL devient:
Max Z(x) =160 x1+200 x2
S/C 2 x1+ 4 x2  40 + 1 1
18 x1+ 18 x2  216 + 0 1
24 x1+ 12 x2  240 + 0 1
x1 0; x2  0
La forme standard de ce PL s’écrit:
Max Z(x) =160 x1+200 x2 + 0 e1+ 0 e2+ 0 e3
S/C 2 x1+ 4 x2 + 1 e1+ 0 e2+ 0 e3 = 40 + 1 1
18 x1+ 18 x2 + 0 e1+ 1 e2+ 0 e3 =216 + 0 1
24 x1+ 12 x2 + 0 e1+ 0 e2+ 1 e3 = 240 + 0 1
x1 0; x2  0 ; e1 0; e2  0 ; e3 0
53
• Le premier tableau du simplexe:
Ci 160 200 0 0 0 VVB
VB x1 x2 e1 e2 e3
0 e1 2 4 1 0 0 40+1
0 e2 18 18 0 1 0 216
0 e3 24 12 0 0 1 240
Zj 0 0 0 0 0 0
Cj-Zj 160 200 0 0 0

• Le tableau optimal:
Ci 160 200 0 0 0 VVB
VB x1 x2 e1 e2 e3
200 x2 0 1 1/2 -1/18 0 8+1/21
160 x1 1 0 -1/2 1/9 0 4-1/21
0 e3 0 0 6 -2 1 48+61
Zj 160 200 20 20/3 0 2240+201
Cj-Zj 0 0 -20 -20/3 0 54
Sachant que les VVB doivent être positives, alors:

8  12  1  0  1  16
 
4  2  1  0   1  8   1   8, 8
1

48  6  0   8
 1  1
On a q1=40+1  1=q1- 40 32 q1 48

Tant que q1 reste dans cet intervalle, c’est-à-dire les


disponibilités varient entre 32 et 48 heures , la structure de la
solution optimale ne change pas autrement dit les variables
actuellement dans la base resteront dans la base et les VHB
resteront hors base. Mais, les valeurs des VB peuvent changer.
Egalement la valeur de Z peut changer, elle est égale à
2240+201
55
2. Modification d’un coefficient de la fonction objectif
(ci):
On va chercher l’intervalle dans lequel ci peut varier sans que la
solution optimale actuelle soit changée. Deux cas se présente: cas
d’une VHB et le cas d’une VB.
Exemple:
Soit le PL suivant: Forme Standard:
Max Z(x) =20 x1+10 x2 Max Z(x) =20 x1+10 x2+0 e1+0 e2
S/C 5 x1+ 4 x2  24 S/C 5 x1+ 4 x2 +1 e1+0 e2 =24
2 x1+ 5 x2  13 2 x1+ 5 x2 +0 e1+1 e2 =13
x1 0; x2  0 x1 0; x2  0; e1 0; e2  0

56
Tableau du simplexe optimal

Cj 20 10 0 0 VVB

VB x1 x2 e1 e2

20 x1 1 4/5 1/5 0 24/5

0 e2 0 17/5 -2/5 1 17/5

Zj 20 16 4 0 96

Cj-Zj 0 -6 -4 0

57
a. Changement discret d’un ci pour une VHB:
Soit une variation du coefficient de x2 qui est une VHB tel que
c2=10+2.. La F.O. devient :
Max Z(x)=20 x1+(10+2) x2
Etudiez l’impact de cette modification sur l’optimalité.
Tableau du simplexe optimal

Ci 20 10+2 0 0 VVB

VB x1 x2 e1 e2

20 x1 1 4/5 1/5 0 24/5

0 e2 0 17/5 -2/5 1 17/5

Zj 20 16 4 0 96

Cj-Zj 0 -6+2 -4 0
58
La solution reste optimale si -6+2  0  2  6  c2 16
 c2 ]-, 16]

En augmentant la valeur de c2 jusqu’à 16 la solution optimale ne


change pas, c-à-d x2 reste toujours hors base (x2*=0) on dit aussi
qu’elle reste non rentable. La valeur de Z ne change pas (x1*=24/5,
x2*=0, e1*=0 et e2*=17/5 et Z*= 96).

A partir de 16 cette variable commence à être rentable et elle entre


dans la base dans ce cas il y aura un changement de la structure de la
solution optimale (la base change).
 2=5  c2=15  la solution optimale ne change pas
 2=7  c2=17  la solution optimale change: x2* entre dans la base
pour avoir la nouvelle solution il faut ré-optimiser de nouveau. 59
b. Changement discret d’un ci pour une variable de la base
optimale:
Soit une variation du coefficient de x1 qui est une VB tel que c1=20+2..
La F.O. devient :
Max Z(x)=(20+1) x1+10 x2
Etudiez l’impact de cette modification sur l’optimalité.
Tableau du simplexe optimal
Ci 20+1 10 0 0 VVB

VB x1 x2 e1 e2

20 x1 1 4/5 1/5 0 24/5

0 e2 0 17/5 -2/5 1 17/5

Zj 20+1 16+4/51 4+1/51 0 96+24/51

Cj-Zj 0 -6-4/51 -4-1/51 0


60
Pour que ce tableau reste optimal, il faut que:

 6  54  1  0  1  7,5
      [ 7 ,5; ]
  5 1  0  1  20
1 1
 4

On a: c1=20+1  c1  12,5  c1 [12,5 ; +]


Tant que c112,5 la solution reste toujours optimale seule la valeur de Z
change.
 x1*=24/5 , x2*=0 , S2*= 17/5, S1*=0 et Z*= 96+24/5 1 .
La variable x1 reste rentable même si son profit passe de 20 dt à 12,5 dt ( 
de 7,5 dt)
Application 1: supposons que 1 = -7  Solution optimale ne change pas
x1*=24/5 , x2*=0 , S2*= 17/5, S1*=0 et Z*= 96+24/5 (-7)= 62,4 .
Application 2: supposons que 1 = -8  Solution optimale change
 x1 sort de la base  Il faut réoptimiser de nouveau .
61

Vous aimerez peut-être aussi