Cours RO 2020

Cours de Recherche
Opérationnelle et
Optimisation
Assuré par Mme Safa Chabouh
2ème année GM
AU 2019-2020
Chapitre introductif
Introduction à la Recherche
Opérationnelle
 Qu’est-ce que la recherche opérationnelle?
La recherche opérationnelle (RO) est la discipline des mathématiques

appliquées qui traite des questions d'utilisation optimale des
ressources dans l'industrie et dans le secteur public.
Le champ d'application de la RO s'est élargi à des domaines comme
l'économie, la finance, le marketing et la planification d'entreprise. Plus
récemment, la RO a été utilisée pour la gestion des systèmes de santé
et d'éducation, pour la résolution de problèmes environnementaux et
dans d'autres domaines d'intérêt public.
AU 2019/2020 S. Chabouh
3
Introduction à la Recherche
Opérationnelle
 Il s’agit d’une discipline carrefour où se rencontrent aujourdhui
l’économie, les mathématiques et l’informatique. Elle représente
une démarche scientifique permettant de prendre rationnellement les
bonnes décisions à engager dans une situation donnée. Ce qui
revient à construire un « modèle » de la réalité, de déterminer la «
décision» permettant d’optimiser (minimiser ou maximiser) une
certaine « fonction économique», en présence de « contraintes »
multiples.
=> Comment faire fonctionner un système d’une façon optimale sous
conditions nécessitant l’allocation des ressources limitées
4
Principe
Contraintes imposées par Objectifs économiques:
l’environnement de l’entreprise : Augmentation du profit, maitrise
ressources limitées, capacité.. des coûts => survie économique
de l’entreprise
Problème réel
de décision
Modèle
Critères: fonction économique à
formulant ce optimiser
problème (RO)
La bonne décision
Résolution du respectant les
problème (RO) contraintes et assurant la
meilleure valeur de la
fonction économique
5 AU 2019/2020 S. Chabouh
Techniques de la RO
1. La programmation mathématique :
programmation linéaire, programmation
quadratique, programmation en nombres
entiers, programmation dynamique, ..
2. la théorie des graphes et des réseaux,
3. La théorie des files d’attentes,
4. la simulation,
5. l’analyse statistique,....
6
Méthodes et techniques à
étudier dans ce cours
Partie 1: LA programmation linéaire Partie 2 Théorie de graphe
PL
Notions de bases Notions de bases

Formulation des PL Problèmes de théories de graphes:
formulation et résolution de chaque
type de problèmes
Résolution des PL: 2 méthodes 3 problèmes:

Graphique / Simplexe - Plus court chemin;
- Planification de projets,
- Flot dans les réseaux
7
Chapitre 2
INTRODUCTION À LA PL
8
Introduction à la PL
1. Définition de la programmation linéaire
2. Formulation de PL
a. Définitions et propriétés
b. Exemple
3. Résolution graphique d’un PL
a. Définitions et démarche
b. Exemple
4. Notions géométriques : convexité et points extrêmes
5. Cas particuliers
TD 1 : Modélisation et formulation des PL
TD2 : Résolution Graphique
9
Définition de la PL
 La programmation mathématique est la technique de la (RO) basée
sur des modèles mathématiques. Elle met en jeu : (1) une fonction
objectif, (2) des variables de décision à déterminer et (3) des
contraintes à respecter. La programmation linéaire constitue la
branche de la programmation mathématique pour laquelle toutes
les fonctions du modèle (fonction objectif et contraintes) sont
linéaires.
 Les problèmes de programmation linéaire sont généralement liés à
des problèmes d’allocations de ressources limitées, de la meilleure
façon possible, afin de maximiser un profit ou minimer un coût. Le
terme meilleur fait référence à la possibilité d’avoir un ensemble de
décisions possibles qui réalisent la même satisfaction ou le même
profit. Ces décisions sont en général le résultat de la résolution
d’un problème mathématique.
10
Définition d’un PL
 Un programme linéaire (PL) est un problème

d’optimisation consistant à maximiser (ou
minimiser) une fonction objectif linéaire
de n variables de décision soumises à un
ensemble de contraintes exprimées sous
forme d’équations ou d’inéquations
linéaires.
11
Formulation du PL
Définitions & propriétés
12
Formulation du PL
La programmation linéaire comme étant un modèle admet des hypothèses (des

conditions) que le décideur doit valider avant de pouvoir les utiliser pour modéliser
son problème. Ces hypothèses résument celles qui ont été données par
G.B.Dantzig:
1. Les variables de décision du problème sont positives
2. Le critère de sélection de la meilleure décision est décrit par une fonction
linéaire de ces variables: fonction objectif (ou fonction économique, c’est à dire,
que la fonction ne peut pas contenir
par exemple un produit croisé de deux variables.
3. Les restrictions relatives aux variables de décision peuvent être exprimées
par un ensemble d’équations linéaires. Ces équations forment l’ensemble des
contraintes.
13
Formulation du PL
La programmation linéaire impose un certain nombre de

restrictions réduisant ainsi son champ d‟application. Ces
restrictions sont :
 la proportionnalité : les termes mesurant les coûts et les
quantités de ressources utilisées doivent être proportionnels au
niveau de chaque activité.
 l‟additivité : les coûts et les ressources engagées par
l‟utilisation conjointe de deux activités doivent être égaux aux
termes correspondants à ces deux activités utilisées
séparément.
 Les paramètres du problème en dehors des variables de
décision ont une valeur connue avec certitude => Problème
déterministe !
14
Formulation du PL
 Comment formuler un PL à partir

d’une description d’un problème réel?
=> Exemple
15
Formulation du PL
Exemple
L‟entreprise VITRE SAR SA. Fabrique des vitres de haute qualité pour portes et
fenêtres. L‟entreprise souhaite lancer deux nouveaux produits :
- Le produit 1 requiert des ressources dans l‟atelier 1 et 3
- Le produit 2 requiert des ressources dans l‟atelier 2 et 3.
Dans l‟atelier 1, il s‟agit de construire des cadres en aluminium pour portes. Dans
l‟atelier 2, il s‟agit de construire des cadres en bois pour fenêtres. L‟assemblage des
vitres sur les cadres se fait dans l‟atelier 3 (voir figure 1).
16 AU 2019/2020 S. Chabouh
Formulation du PL
Exemple
Les deux types de produits sont fabriqués en lots de 20 unités. .

Les responsables de cette entreprise se posent aujourd’hui la question suivante : Quel serait
le mix de produits 1 et 2 le plus profitable à réaliser dans l’atelier 3 ?
Afin de répondre à cette question, il faut disposer des données suivantes :
Le nombre d’heures de production disponibles par semaine dans chaque atelier ; ce
temps a été déterminé en tenant compte du temps déjà alloué aux autres produits.
Le nombre d’heures de production nécessaires pour fabriquer un lot de produit donné
dans chaque atelier.
Le profit réalisé par la compagnie pour chaque lot de produit vendu.
17 AU 2019/2020 S. Chabouh
Formulation du PL
Exemple
L’entreprise cherche à déterminer le nombre de lots à réaliser par semaine pour les
deux produits 1 et 2 dans l’objectif de maximiser le profit total, en respectant les
restrictions imposées par les capacités limitées des machines des 3 ateliers.
Démarche:
1) Chercher à identifier les variables de décisions = > les inconnus du
problèmes
2) Traduire l’objectif en termes d’équation linéaire des Variables de
décisions
3) Formuler les contraintes en fonction des variables de décision
18
Formulation du PL
Exemple
19
Formulation du PL
Exemple
20 AU 2019/2020 S. Chabouh
Formulation du PL
Exemple
21
Résolution des PL: la
méthode Graphique
 Définitions:
• Un vecteur x est une solution réalisable s‟il vérifie toutes les contraintes du
problème (i.e. Ax ≤b et x ≥ 0). L’ensemble de tous les vecteurs, solution
réalisable, est appelé domaine réalisable, noté (DR).
• Une solution réalisable du problème de l’exemple précédent est représenté
par le point (3, 2) : il suffit de vérifier que les contraintes sont satisfaites ;
par contre le point (3, 6) n’est pas une solution réalisable du moment qu’il
viole la contrainte (4.1).
• Une solution réalisable x* est optimale si la valeur de Ct x* est la
meilleure des valeurs de Ct x pour tout x, solution réalisable.
22 AU 2019/2020 S. Chabouh
Résolution des PL: la
méthode Graphique
La résolution graphique peut être utilisée pour des programmes linéaires
ayant au plus deux variables de décision.
 Démarche
Dans le plan défini par les deux variables de décision:
1) on trace les différentes droites représentant les contraintes du
problème.
2) Suivant le sens des inégalités, on détermine le domaine réalisable
par l’ intersection des différents demi-plans réalisables.
3) On trace ensuite la ligne isoprofit (isocoût) représentant la fonction
objectif.
4) Pour trouver une solution optimale, on déplace la ligne isoprofit
dans la direction qui augmente la valeur de la fonction objectif (pour
une maximisation). La ligne la plus haute coupant le domaine
réalisable contient la ou les solutions optimales.
23 AU 2019/2020 S. Chabouh
Résolution Graphique de
x2
l’exemple Max Z = 3x + 5 x 1 2
sc x1 4
X1=4
2 x2  12
3x1 + 2 x2  18
x1 , x2  0
(0,6) (2,6)
X2=6
(4,3)
3X1+2X2 = 18
x1
(0,0) (4,0)
24 AU 2019/2020 S. Chabouh
Remarque
2ème méthode: Recherche parmi les points
extrêmes
 Cette deuxième méthode se base sur le théorème
fondamental de la programmation linéaire suivant:
Si un modèle linéaire continu admet au moins une solution
optimale, l’une d’entre elles correspond à un point
extrême.
=> Pour déterminer la solution optimale, on calcule
pour chaque point la valeur de la fonction objectif et
on choisit le point donnant le Z maximal).
25
Notions géométriques relatives aux
programmes linéaires
 Les techniques de la programmation linéaire font

appel aux propriétés géométriques des PL.
 Notion de convexité
26
 Notion de convexité
27
 Polyèdre
28
 Points extrêmes
29
 Points extrêmes
30
Typologie des solutions admissibles
La région ou le domaine réalisable (ou admissible) d’un PL peut être:
• vide. Dans un tel cas le problème est sans solution admissible (et
ne possède évidemment pas de solution optimale).
• bornée (et non vide). Le problème possède toujours au moins
une
solution optimale, quelle que soit la fonction objectif.
• non borné si au moins une des variables de décision peut y
prendre
des valeurs de plus en plus grandes sans violer aucune des
contraintes
technologiques. Dans le cas contraire, on dit que la région
admissible
est bornée. AU 2019/2020 S. Chabouh
31
Cas particuliers
 Illustrés dans les exercices du TD 1
32
Chapitre 3
Résolution des programmes

linéaires par la méthode du
simplexe
Introduction
 La méthode géométrique est limitée dans

le cas de 2 variables de décision.
 Pour un problème de taille quelconque,
c’est la méthode Simplexe qui est utilisée.
⚫ Développée Par George Dantzig en 1947
⚫ Très efficace et performante pour les
problèmes de grande taille
34
I) Principe du Simplexe et Concepts
liés à la solution recherchée
 Concept 1 : La méthode Simplexe se

concentre uniquement sur la recherche de
points extrêmes du Domaine des Solutions
réalisables (D)
⚫ Cela suppose que D est borné
⚫ Pour tout problème ayant au moins une
solution optimale, trouver la solution qui
correspond au meilleur point extrême.
35
 Concept 2 : La méthode Simplexe est un

algorithme itératif qui nécessite
l’application d’un certain nombre d’étapes
Comment vérifier si Initialisation
la solution courante
est Optimale?
Test Oui
STOP Lequel?
d’optimalité ?
Quelle méthode
d’énumération?
Non
Rechercher un autre point extrême
permettant d’améliorer la solution
36
obtenue jusque là
 Concept 3 : Quand c’est possible, choisir

l’origine comme solution initiale de la
méthode Simplexe.
⚫ Examiner si l’origine (toutes les variables
de décision sont nulles) vérifient toutes les
contraintes
37
 Concept 4 : Étant donnée une solution qui

correspond à un point extrême, c’est plus
rapide (d’un point de vue temps de calcul
informatique), de rassembler les
informations sur les points extrêmes
adjacents.
⚫ A chaque fois qu’on veut améliorer une
solution, la méthode simplexe considère
les points extrêmes adjacents
38
Définition: points extrêmes adjacents

 Pour un PL à n variables, 2 points extrêmes
réalisables sont adjacents s’ils partagent les
frontières données par (m-1) contraintes
⚫ 2 solutions adjacentes sont reliées par un
segment (ou un bord) du Domaine réalisable
39
Max Z = 3x1 + 5 x2
x2
Exemple sc x1 4
X1=4 2 x2  12
3x1 + 2 x2  18
x1 , x2  0
(0,6) (2,6)
X2=6
(4,3)
3X1+2X2 = 18
x1
(0,0) (4,0)
40
 Concept 5 : une fois une solution (qui correspond

à un point extrême) est identifiée, la méthode
simplexe examine chaque bord du domaine qui
émane de ce point. Chacun des bords
correspond à un point extrême adjacent.
 La méthode identifie le taux d’amélioration de Z
qui correspond au balayage de chacun des
bords. Parmi les bords qui correspond à un taux
d’amélioration positif, la méthode choisit celui qui
correspond au taux le plus élevé. C’est le point
extrême correspondant qui sera considéré et
constituera le nouvelle solution du problème qui
subira le test d’optimalité
41
 Concept 6 : Le test d’optimalité consiste

à vérifier si l’un des bords correspond à
un taux d’amélioration positif de Z
Retour à l’exemple
42
II) Caractérisation algébrique d’un PL
1) Forme standard d’un PL
Notations:
Max Ctx
Sc Ax = b
x0
Où c  n, x  n , b  m, b  0
A une matrice réelle (m,n) et m  n / rg (A) = m
(c’est-à-dire pas de contraintes redondantes;
nombre de variables (n)> nombre de
contraintes(m))
43
 Il est toujours possible de transformer n’importe quel PL en

un PL équivalent exprimé sous la forme standard :
1) Fonction objectif:
un problème de minimisation est transformé en un problème
équivalent de maximisation : Min (Ct x) = -Max (- Ct x).
44
AU 2019/2020
S. Chabouh
45
Exemple Forme standard
 Mettre le programme linéaire suivant

sous forme standard le PL suivant:
46
2) Notion de Solution de base
 On part d’un PL sous la forme standard

 Soit B une matrice carré régulière d’ordre m
extraite de la matrice A
⚫ B est formée de colonnes linéairement
indépendantes
⚫ Ou encore B est / det(B) = 1
➢ B est dite Matrice de Base
 Notons N La matrice formée par les n – m
colonnes de A et n’appartenant pas à B
➢ N est dite Matrice Hors Base
47
 Etant donnée x  n
x peut être partitionné en xB et xN
 Solution : On appelle solution tout point x qui
satisfait
Ax = b (pas nécessairement x  0)
 BxB + NxN = b
 Solution réalisable : Une solution satisfaisant

x  0 est dite solution réalisable.
48
Définitions
 Solution de Base : La solution définie par
xN= 0 et xB = B-1b est dite Solution de Base
associée à la Base B
 Solution de Base Réalisable : Si xB  0
alors x est une Solution de Base
Réalisable (SBR)
⚫ xB : Variables de Base (VB)
⚫ xN : Variables Hors Base (VHB)
49
Propriétés
 Pour une Solution de Base Réalisable
⚫ Le nombre de variables de base = Nombre
de contraintes
⚫ Nombre de variables Hors Base = Nombre
total de variables – Nombre de contraintes
 Revenons à l’exemple après l’avoir écrit

sous sa forme standard et définissons des
SBRs et des Solutions Réalisables
50
Exemples : SBR
1 ) Mettre sous formes standard

2) Quel est le nombre de variables de Base et Hors base?
3) Dire si les solutions suivantes sont des SR ou SBR et justifier:
a. (0,6,4,0,6)
b. (0,0, 4, 12,18)
c. (1,0,3,12,15)
51
Exemples : SBR
1 ) Mettre sous formes standard

2) (x2, s1, s2) forme-t-elle une base?
3) Vérifier si (0, 0, 6, 8, 2) et (0, 3, 0, 5, 2) sont 2 SBR
4) (10/3, 4/3, 0, 0, -4/3) est-elle une solution de Ax = b?
5) Pourquoi (1, 0, 5, 6, 1) n’est pas une SBR? est-elle une SR?
52
Théorème
 Soit x  D une solution réalisable d’un PL
x est un point extrême  x est une SBR
➢A chaque point extrême on associe une
solution de Base Réalisable et
inversement.
➢ Une SBR correspond à un point extrême
augmenté des variables d’écart.
53
SBRs adjacentes
 Deux SBR sont adjacentes ssi elles
correspondent à deux points extrêmes
adjacents.
⚫ Deux SBR sont adjacentes si « Tout sauf
une » de ses variables Hors Base sont
identiques ce qui implique que « Tout sauf
une » de ses variables de Base sont
identiques. Toutefois ces dernières peuvent
avoir des valeurs numériques différentes
54
SBR SBR adjacente
Xi : une variable Xi : une variable de Base

Hors Base
Xj : une variable Xj : une variable Hors
de Base Base
 Exemple : 2 SBR adjacentes :
(0,0,4,12,18) (0,6,4,0,6)
55
3) Condition d’optimalité d’une SBR
56
3)Tableau canonique
 Soit B une Base réalisable extraite de la matrice A

 Fonction Objectif  Z = CBxB + CNxN
 CBxB + CNxN - Z = 0
 Contraintes  BxB + NxN = b
 Le PL peut s’écrire sous la forme d’un Tableau:
1er Membre 2nd Membre

xB -Z xN
B 0 N b
CB 1 CN 0
57
3)Tableau canonique
58
3)Tableau canonique
 Le tableau canonique relatif à la Base B est :

1er Membre
2nd Membre
xB -Z xN
xB Im 0 B-1N B-1b
-Z 1 -CBB-1b
 La forme canonique est intéressante car elle

permet de lire directement la solution de base
relative à la base B xB = B-1b
xN = 0
59
Z = CBB-1b  0
3)Tableau canonique
 Le tableau canonique relatif à la base B est

obtenu en transformant la matrice sous les
variables xB et –Z en une matrice identité
d’ordre (m+1)
➢ Il s’agit de multiplier à gauche de chaque
colonne du tableau par
−1
−1 B 0  B −1 0
T =  = −1 
C B 1 − C B B 1
60
3)Tableau canonique
La forme canonique satisfait les 3 conditions

suivantes :
1. La matrice extraite de A par la
considération des m colonnes de Base
est une matrice Identité Im
2. Les cœfficients des variables de Base
dans la fonction objectif sont nuls
3. Le second membre correspondant aux
contraintes est non négatif.
61
III) Méthode Simplexe
 L’idée de la méthode simplexe est de

partir d’un point extrême initial et de
générer une suite de points extrêmes
adjacents tout en assurant une
amélioration de la fonction objectif.
62
III) Méthode simplexe
1. Recherche d’une solution de Base

Réalisable Initiale (Point extrême)
Revenir à la formulation standard de notre
exemple et trouver une SBR initiale
2. Disposant d’une SBR, il faut vérifier s’il
s’agit d’une solution Optimale (test
d’optimalité)
63
1) Test d’optimalité
Théorème
Soit x* une SBR relative à la base B.
Si Δ = C – CBB-1A ≤ 0 Alors x* est optimale
➢ Δ représente la dernière ligne du tableau

➢ Il suffit de vérifier le signe des
cœfficients de xN dans la dernière ligne
du tableau
64
2) Identification des variables entrante
et sortante
Corollaire
 Soit x une SBR associée à la base B. S’il
existe une variable Hors Base xN/ ΔN  0
(cela représente le taux d’amélioration de
la fonction objectif si la variable xN devient
une variable de Base) alors
⚫ Soit l’optimum du PL est non borné
⚫ Soit il existe une SBR y associée à une
base B’/ cy  cx ; x et y deux solutions de
bases réalisables adjacentes
65
et sortante
3. Pour déterminer une nouvelle SBR on choisit de

considérer la solution de base réalisable
adjacente correspondant à la base B’ et
contenant xj / Δj = Max {Δk, k = m+1…n } (k étant
un indice relatif à une variable Hors Base)
1er critère de DANTZIG
Conséquences :
➢ xj est appelée variable entrante (qu’on note xe)
➢ xj prendra la place d’une autre variable de base dans la
base B. Cette variable est dite variable sortante (xs)
66
et sortante
 De quelle valeur  augmente t-on la variable
entrante xe ?  bi 
 = min i1...m   / a ie  0
 a ie 
2ème critère de DANTZIG ou critère du ratio minimal
b i : cœfficient du second membre du tableau
canonique relatif à la base B
a ie : coefficient de la variable x dans la ième ligne
e
du tableau canonique relatif à la base B
 Quelle sera la nouvelle variable sortante xs ? xs /

bs  bi 
= min i1...m  
AU 2019/2020
/ a ie  0 =  S. Chabouh
67 a se  a ie 
3) Détermination de la nouvelle SBR:
nouveau tableau canonique
4. Déterminer la nouvelle SBR relative à la base
B’= (x1, x2,…,xe,…,xm)
➢ Trouver la forme canonique associée à B’
➢ Transformer la colonne relative à xe dans le
tableau canonique en
Colonne e : colonne pivot
 ................0........... 
 
 ................0........... 
 .............................
 
 ................1...........  Ligne s : ligne pivot
 ................0........... 
 
 .............................
68   AU 2019/2020 S. Chabouh
 ................0........... 
3) Détermination de la nouvelle SBR:
nouveau tableau canonique
 Opération 1 :
Diviser la ligne Pivot par l’élément pivot āse
a sj
a sj  j
a se
 Opération 2
Pour toute ligne différente de la ligne Pivot,
soustraire cette ligne à un multiple appropriée de
la ligne pivot pour annuler le coefficient de la
ligne i correspondant à la colonne pivot
a sj
a ij  aAUij 2019/2020
− a ie j S. Chabouh
69 a se
4) Exemple d’application
Max Z = 3x1 + 5 x2
sc x1 4
2 x2  12
3x1 + 2 x2  18
x1 , x2  0
70
5) Algorithme
1. Mettre le PL sous la forme standard
2. Trouver une SBR réalisable
3. Écrire le PL sous la forme canonique relative à la SBR
considérée => Tableau canonique
4. Faire les itérations suivantes
4.1 Tester l’optimalité : si le critère d’arrêt est satisfait, donner le
résultat final, sinon aller à l’étape suivante.
4.2 Déterminer la variable entrante (colonne pivot) selon le
premier critère de DANTZIG.
4.3 Déterminer la variable sortante (ligne pivot) selon le
deuxième critère de DANTZIG
4.4 Calculer le nouveau tableau canonique en effectuant les
opérations nécessaires.
4.5 Retourner à l’étape 4.1
71
Remarques
Application de la méthode simplexe quand il

s’agit d’un problème de minimisation?
 Maximiser (-Z) ou bien
 Minimiser Z
⚫ Critère d’optimalité?
⚫ Critère de choix de la variable
entrante?
72
IV) Méthode Simplexe à Deux Phases
 La méthode simplexe part d’un PL sous la

forme canonique. Cela suppose qu’on
peut facilement identifier une SBR initiale
⚫ Parfois ce n’est pas évident de trouver une
SBR initiale
❖ On applique la méthode simplexe à deux
phases
73
Exemple
 Soit le PL :
Max Z = 4x1 + 3x2

s.c. 2x1 - x2  15
x1 + x2 = 10
2x1 - x2 ≤ 20
x1, x2  0
74
Exemple
 La forme standard est :
Max z = 4x1 + 3x2
s.c. 2x1 –x2 – e1 = 15
x1 + x2 = 10
2x1 – x2 + s3= 20
x1, x2, e1, s3  0
 A vue d’œil, c’est difficile de trouver une
SBR. Alors, qu’est-ce qu’on fait ?
75
Exemple
 On introduit des variables dites
artificielles à chaque contrainte ‘’et à
chaque contrainte ‘=’, on obtient
alors (LP)’:
Max z = 4x1 + 3x2
s.c. 2x1 –x2 –e1 +s1 = 15
x1 + x2 +s2 = 10
2x1 – x2 + s3= 20
x1, x2, e1, s3, s1,s2  0
76
Exemple
 Une SBR de (LP)’ est donnée par les variables de
base (s1,s2, s3)
 Or,
⚫ les variables artificielles ont un effet nul dans la fonction
objectif
⚫ les variables artificielles doivent être nulles dans une
SBR de PL.
• lorsqu’une variable artificielle est non nulle, ceci indique que la
solution est non réalisable dans PL.
❖ On doit essayer d’annuler les variables
artificielles dans (PL)’
77
Exemple
1. Appliquer la méthode simplexe pour le (PL)1
constitué des mêmes contraintes que le
problème initial et dont l’objectif sera de
minimiser la somme des variables artificielles
⚫ Exemple considéré : (PL)1
Min Z1 = s1 +s2
s.c. 2x1 –x2 –e1 + s1 = 15
x1 + x2 +s2 = 10
2x1 – x2 + s3= 20
x1, x2, e1, s3, s1, s2  0
78
2. Résultats possibles de la phase I :

⚫ Cas 1 : z1  0  au moins une si  0  PL non
réalisable
⚫ Cas 2 : z1 = 0 et aucune variable artificielle n’est
une VB. Dans ce cas:
• on élimine toutes les colonnes du tableau optimal de la
phase I, qui correspondent aux variables artificielles.
• On introduit la fonction objectif de PL avec les autres
lignes de ce tableau.
• On met à jour la dernière ligne de telle manière à avoir j
= 0 pour les VB.
 d’où le tableau canonique initial de LP. On continue

alors la résolution avec la méthode de Simplexe
(Phase II).
79
⚫ Cas 3 : z1= 0 et au moins une si est une

VB du tableau optimal de la phase I. Dans
ce cas, le problème original LP a au moins
une contrainte redondante
• Eliminer les contraintes redondantes ;
• Réintroduire la fonction objectif initiale
 commencer la phase II.
80
Remarque
 Dans le cas 3, on trouve une ou plusieurs lignes
où tous les coefficients sont nuls sauf ceux des
variables artificielles → ces lignes sont
redondantes et peuvent être éliminées.
 Exemple
x1 x2 x3 x4 x5 s2
x3 3 -1 1 1 0 0 6
s2 0 0 0 0 0 1 0
x5 2 1 0 2 1 0 5
La ligne 2 peut être éliminée.

81
Cas particulier : PL non
borné
 Des solutions réalisables peuvent être trouvées et
la valeur de z peut toujours être améliorée.
⚫ Dans le cadre de Simplexe, ce cas est représenté
par le fait qu'il est impossible de faire entrer dans
la base des variables telles que j > 0.
• Ceci est dû au fait que dans chacune de ces colonnes j,
aij  0 pour tout i.
 Géométriquement, cela correspond à un rayon
extrémal (une demi-droite) sur lequel z(x) peut
augmenter infiniment.
82
borné
Soit xe la variable vérifiant le 1er critère de
DANTZIG :
xe =   xi = bi - aie   i= 1, …, m
Si pour tout i, aie  0, on pourra augmenter la
valeur de xe infiniment tout en respectant
xi = bi - aie   0.
bi Pente = -aie
83
borné
 Le rayon extrémal est donné par
⚫ Le point de coordonnées  b1 
  
 
 bm 
 − a1,e 
⚫ La direction  
  
− a 
 m ,e 
84
Cas particulier : PL ayant
une infinité de solution
 Dans le tableau canonique optimal, à
l’une des variables hors base
correspond un j =0
⚫ Si on fait entrer xj dans la base, on
obtient une autre SBR sans que la
valeur de la fonction objectif change
⚫ Le segment formé par ces deux SBRs
optimales contient toutes les solutions
optimales du problème
85
Exemple
Max Z = 3x1 + 2x2

s.c. 3x1 + 2x2  120
x1 + 1x2  50
x1, x2  0
86 AU 2019/2020
S. Chabouh
Cas particulier : PL
dégénéré
 Définition :
Une SBR est dite dégénérée si une ou plusieurs
composantes de base sont nulles. Un tel
problème est dit dégénéré
⚫ La variable de Base qui est nulle pourra devenir
une variable sortante et ainsi une variable Hors
Base dans une autre itération de la méthode
simplexe
• Plusieurs bases peuvent correspondre au même point
extrème avec la même fonction objectif
• Phénomène de « cyclage »
87
Corollaire
 En absence de dégénérescence
l’algorithme simplexe converge vers
une solution optimale
88

Langue

Cours RO 2020

Transféré par

Informations du document

Copyright

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 :

Cours RO 2020

Transféré par

Droits d'auteur :

Cours de Recherche

 Qu’est-ce que la recherche opérationnelle?

La recherche opérationnelle (RO) est la discipline des mathématiques

Notions de bases Notions de bases

Résolution des PL: 2 méthodes 3 problèmes:

 Un programme linéaire (PL) est un problème

La programmation linéaire comme étant un modèle admet des hypothèses (des

La programmation linéaire impose un certain nombre de

 Comment formuler un PL à partir

Les deux types de produits sont fabriqués en lots de 20 unités. .

 Les techniques de la programmation linéaire font

 Illustrés dans les exercices du TD 1

Résolution des programmes

 La méthode géométrique est limitée dans

 Concept 1 : La méthode Simplexe se

 Concept 2 : La méthode Simplexe est un

 Concept 3 : Quand c’est possible, choisir

 Concept 4 : Étant donnée une solution qui

Définition: points extrêmes adjacents

 Concept 5 : une fois une solution (qui correspond

 Concept 6 : Le test d’optimalité consiste

 Il est toujours possible de transformer n’importe quel PL en

 Mettre le programme linéaire suivant

 On part d’un PL sous la forme standard

 Solution réalisable : Une solution satisfaisant

 Revenons à l’exemple après l’avoir écrit

1 ) Mettre sous formes standard

1 ) Mettre sous formes standard

SBR SBR adjacente

Xi : une variable Xi : une variable de Base

 Exemple : 2 SBR adjacentes :

 Soit B une Base réalisable extraite de la matrice A

1er Membre 2nd Membre

 Le tableau canonique relatif à la Base B est :

 La forme canonique est intéressante car elle

 Le tableau canonique relatif à la base B est

La forme canonique satisfait les 3 conditions

 L’idée de la méthode simplexe est de

1. Recherche d’une solution de Base

➢ Δ représente la dernière ligne du tableau

3. Pour déterminer une nouvelle SBR on choisit de

 Quelle sera la nouvelle variable sortante xs ? xs /

Application de la méthode simplexe quand il

 La méthode simplexe part d’un PL sous la

Max Z = 4x1 + 3x2

2. Résultats possibles de la phase I :

 d’où le tableau canonique initial de LP. On continue

⚫ Cas 3 : z1= 0 et au moins une si est une

La ligne 2 peut être éliminée.

bi Pente = -aie

Max Z = 3x1 + 2x2

Centres d'intérêt liés

Vous aimerez peut-être aussi