Vous êtes sur la page 1sur 88

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

AU 2019/2020 S. Chabouh
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,....
AU 2019/2020 S. Chabouh
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

AU 2019/2020 S. Chabouh
7
Chapitre 2
INTRODUCTION À LA PL

AU 2019/2020 S. Chabouh
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

AU 2019/2020 S. Chabouh
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.

AU 2019/2020 S. Chabouh
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.

AU 2019/2020 S. Chabouh
11
Formulation du PL
Définitions & propriétés

AU 2019/2020 S. Chabouh
12
Formulation du PL
Définitions & propriétés

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.

AU 2019/2020 S. Chabouh
13
Formulation du PL
Définitions & propriétés

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 !

AU 2019/2020 S. Chabouh
14
Formulation du PL

 Comment formuler un PL à partir


d’une description d’un problème réel?
=> Exemple

AU 2019/2020 S. Chabouh
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

AU 2019/2020 S. Chabouh
18
Formulation du PL
Exemple

AU 2019/2020 S. Chabouh
19
Formulation du PL
Exemple

20 AU 2019/2020 S. Chabouh
Formulation du PL
Exemple

AU 2019/2020 S. Chabouh
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).
AU 2019/2020 S. Chabouh
25
Notions géométriques relatives aux
programmes linéaires

 Les techniques de la programmation linéaire font


appel aux propriétés géométriques des PL.
 Notion de convexité

AU 2019/2020 S. Chabouh
26
Notions géométriques relatives aux
programmes linéaires

 Notion de convexité

AU 2019/2020 S. Chabouh
27
Notions géométriques relatives aux
programmes linéaires

 Polyèdre

AU 2019/2020 S. Chabouh
28
Notions géométriques relatives aux
programmes linéaires

 Points extrêmes

AU 2019/2020 S. Chabouh
29
Notions géométriques relatives aux
programmes linéaires

 Points extrêmes

AU 2019/2020 S. Chabouh
30
Notions géométriques relatives aux
programmes linéaires
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

AU 2019/2020 S. Chabouh
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

AU 2019/2020 S. Chabouh
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.

AU 2019/2020 S. Chabouh
35
I) Principe du Simplexe et Concepts
liés à la solution recherchée

 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
AU 2019/2020 S. Chabouh
36
obtenue jusque là
I) Principe du Simplexe et Concepts
liés à la solution recherchée

 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

AU 2019/2020 S. Chabouh
37
I) Principe du Simplexe et Concepts
liés à la solution recherchée

 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

AU 2019/2020 S. Chabouh
38
I) Principe du Simplexe et Concepts
liés à la solution recherchée

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

AU 2019/2020 S. Chabouh
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)
AU 2019/2020 S. Chabouh
40
I) Principe du Simplexe et Concepts
liés à la solution recherchée

 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
AU 2019/2020 S. Chabouh
41
I) Principe du Simplexe et Concepts
liés à la solution recherchée

 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

AU 2019/2020 S. Chabouh
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))
AU 2019/2020 S. Chabouh
43
II) Caractérisation algébrique d’un PL
1) Forme standard d’un PL

 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).

AU 2019/2020 S. Chabouh
44
II) Caractérisation algébrique d’un PL
1) Forme standard d’un PL

AU 2019/2020
S. Chabouh
45
Exemple Forme standard

 Mettre le programme linéaire suivant


sous forme standard le PL suivant:

AU 2019/2020 S. Chabouh
46
II) Caractérisation algébrique d’un PL
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

AU 2019/2020 S. Chabouh
47
II) Caractérisation algébrique d’un PL
2) Notion de Solution de base

 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.
AU 2019/2020 S. Chabouh
48
II) Caractérisation algébrique d’un PL
2) Notion de Solution de base

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)

AU 2019/2020 S. Chabouh
49
II) Caractérisation algébrique d’un PL
2) Notion de Solution de base

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
AU 2019/2020 S. Chabouh
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)

AU 2019/2020 S. Chabouh
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?

AU 2019/2020 S. Chabouh
52
II) Caractérisation algébrique d’un PL
2) Notion de Solution de base

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.

AU 2019/2020 S. Chabouh
53
II) Caractérisation algébrique d’un PL
2) Notion de Solution de base

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
AU 2019/2020 S. Chabouh
54
II) Caractérisation algébrique d’un PL
2) Notion de Solution de base

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)

AU 2019/2020 S. Chabouh
55
II) Caractérisation algébrique d’un PL
3) Condition d’optimalité d’une SBR

AU 2019/2020 S. Chabouh
56
II) Caractérisation algébrique d’un PL
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
AU 2019/2020 S. Chabouh
57
II) Caractérisation algébrique d’un PL
3)Tableau canonique

AU 2019/2020 S. Chabouh
58
II) Caractérisation algébrique d’un PL
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
AU 2019/2020 S. Chabouh
II) Caractérisation algébrique d’un PL
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

AU 2019/2020 S. Chabouh
60
II) Caractérisation algébrique d’un PL
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.
AU 2019/2020 S. Chabouh
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.

AU 2019/2020 S. Chabouh
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)

AU 2019/2020 S. Chabouh
63
III) Méthode simplexe
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

AU 2019/2020 S. Chabouh
64
III) Méthode simplexe
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
AU 2019/2020 S. Chabouh
65
III) Méthode simplexe
2) Identification des variables entrante
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)
AU 2019/2020 S. Chabouh
66
III) Méthode simplexe
2) Identification des variables entrante
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 
III) Méthode simplexe
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........... 
III) Méthode simplexe
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
III) Méthode simplexe
4) Exemple d’application

Max Z = 3x1 + 5 x2
sc x1 4
2 x2  12
3x1 + 2 x2  18
x1 , x2  0
AU 2019/2020 S. Chabouh
70
III) Méthode simplexe
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
AU 2019/2020 S. Chabouh
71
III) Méthode simplexe
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?

AU 2019/2020 S. Chabouh
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

AU 2019/2020 S. Chabouh
73
IV) Méthode Simplexe à Deux Phases

Exemple
 Soit le PL :

Max Z = 4x1 + 3x2


s.c. 2x1 - x2  15
x1 + x2 = 10
2x1 - x2 ≤ 20
x1, x2  0

AU 2019/2020 S. Chabouh
74
IV) Méthode Simplexe à Deux Phases

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 ?
AU 2019/2020 S. Chabouh
75
IV) Méthode Simplexe à Deux Phases

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
AU 2019/2020 S. Chabouh
76
IV) Méthode Simplexe à Deux Phases

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)’
AU 2019/2020 S. Chabouh
77
IV) Méthode Simplexe à Deux Phases

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
AU 2019/2020 S. Chabouh
78
IV) Méthode Simplexe à Deux Phases

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).
AU 2019/2020 S. Chabouh
79
IV) Méthode Simplexe à Deux Phases

⚫ 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.

AU 2019/2020 S. Chabouh
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.


AU 2019/2020 S. Chabouh
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.
AU 2019/2020 S. Chabouh
82
Cas particulier : PL non
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

AU 2019/2020 S. Chabouh
83
Cas particulier : PL non
borné
 Le rayon extrémal est donné par
⚫ Le point de coordonnées  b1 
  
 
 bm 

 − a1,e 
⚫ La direction  
  
− a 
 m ,e 

AU 2019/2020 S. Chabouh
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

AU 2019/2020 S. Chabouh
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 »

AU 2019/2020 S. Chabouh
87
Corollaire

 En absence de dégénérescence
l’algorithme simplexe converge vers
une solution optimale

AU 2019/2020 S. Chabouh
88

Vous aimerez peut-être aussi