Vous êtes sur la page 1sur 10

U.M.B.

B - Département de Mathématiques - 3eme Année RO - 2020/2021 - Re

Module : Optimisation Lineaire


Chapitre3 : Methode du Si mplexe

I. Introduction :
Etant donné un PL (P ) écrit sous forme standard
La méthode du simplexe se décompose en deux phases :
a) La phase 1 :
Elle consiste à chercher, si l’ensemble des solutions réalisables D n’est pas vide.
Dans les cas où D 6= ?, cette phase fourni une solution réalisable de base.
b) La phase 2 :
Elle consiste à résoudre le PL (P ) à partir de la solution réalisable de base fourni à la phase1.
| Les deux phases sont trés similaires. Elles s’appuient sur l’application répétée, donc itération qu’on
appellera itération du Simplexe.
Pour cela, on étudiera la phase 2 avant la phase 1.
Pour pouvoir appliquer l’itération du simplexe, il est nécessaire que le PL soit écrit sous forme canonique
par rapport à une base réalisable.
II. Algorithme du Simplexe :
Soient
A : (m n) matrice
b : m vecteur colonne
C : n vecteur ligne
On considère le PL suivant écrit sous forme standard :
Ax = b
(P ) ; x 0
Cx = Z (M ax)

On suppose que le PL (P ) est écrit sous forme canonique par rapport à une base réalisable J .
| On suppose que l’étape initialisation (objet de la phase1) est faite.
Dé…nition 1 :
On appelle application col l’application dé…nie comme suit :
(
col(i)
col(i) Ai = 1
A = ei , col(i)
Aj = 0 j 6= col (i)
col permet de retrouver l’identité à partitr de AJ :
Exemple :
Soit le PL suivant :
8
>
> x1 + x3 + x4 = 2
<
x2 x3 = 3
(P ) xj 0; j = 1; ::; 5
>
> x3 + x5 = 2
:
x1 + 2x3 = Z (min)

Le PL (P ) est écrit S.F.C / à J =f2; 4; 5g ; ceci implique que


0 1
0 1 0
AJ = @1 0 0A ; CJ = 0; b 0
0 0 1

et donc 8 col(1)
< A = e1 ) col (1) = 4
col(2)
A = e2 ) col (2) = 2
: col(3)
A = e3 ) col (3) = 5
On a donc, la solution réalisable de base x associé à J :
( 1
(
x J = AJ b xj = bj ou j = col (i)
x = x = 0 )
J
xj = 0 ou j 2 J

Alors x2 = xcol(2) = b2 = 3; x4 = xcol(1) = b1 = 2; x5 = xcol(3) = b3 = 2:


II.2 Présentation de l’Algorithme du Simplexe :
Soit x la solution réalisable de base associé à J :
( 1
(
x J = AJ b xj = bj ou j = col (i)
x = x = 0 ; de plus ; Z (x ) =
J
x j = 0 ou j 2 J
( )
Soit K = k C k = maxC j :
j2J
chosir s 2 K; et soit I = fi Asi > 0g
Théorème 1 :
Si C s 0 alors la solution réalisable de base associé à J est une solution optimale du PL (P ) :
Preuve :
C s = maxC j 0 ) 8j 2 J, C j 0 ) C (J) 0 ) J est une solution optimale de base (voir,
j2J
chapitre3).
D’où x est une solution optimale de base du PL (P ) :
Théorème 2 :
Si C s > 0 et I = ? alors le PL (P ) n’a pas de solutions optimales.
Preuve :
I = ? ) 8i = 1; ::; m ; Asi 0
J fsg
xcol(i) + AJ x = bi ) xcol(i) = bi Asi xs Ai x
J J fsg
0
soit x telque x0s = et x 0
=0) x0col(i) = bi Asi 0; 8 0; car Asi 0:Ceci implique que
J fsg
8 > 0; x0 est solution réalisable du PL (P ) de plus Z (x0 ) = + C s :
On remarque que Z (x0 ) = + C s ! +1 quand d ! +1; c-à-d que Z (x0 ) est non borné.
Donc le PL (P ) n’a pas de solutions optimales.
Théorème 3 :
On suppose que C s > 0 et I 6= ?:
bl bi
Soit L = l = min : Et soit r 2 L:
Asl i2I Asi
L’application de l’algorithme de Pivotage (m + 1; n + 1; r; s; M ) transforme

A b A0 b0
M= en la matrice M 0 =
C C0 0

des coe¢ cients de (P ) écrit sous la forme canonique par rapport à la nouvelle base réalisable J 0 :
Remarques :
i) J 0 = (J [ fsg) col (r) :
ii) Soit x0 la solution réalisable associé à J 0
8
< x0 br
0 s =
x : Asr ; Z (x0 ) = 0 ; x0j = 0; 8j 2
= J [ fsg
: x0 = b As x 0
col(i) i i s

iii)
s est l’indice entrant dans la base.
col (r) est l’indice sortant de la base.
iv) Une des règles de l’algorithme du Simplexe est d’augmenter une seule variable hors base.
II.3 Algorithme du Simplexe :
1. Initialisation :
Ax = b
(P ) ; x 0 est écrit sous forme canonique par rapport à une base réali-
Cx = Z (M ax)
sable J .
col : f1; :::; mg ! J donnée.
xcol(i) = bi 8i = 1; ::; m
Solution réalisable de base initiale :
xj = 0 8j 6= col (i)
Evalution initiale : Z (x ) = :
Matrice M des coe¢ cients du PL (P )
2. choisir( s2K: )
K= k C k = maxC j
j2J
x solution opt de base
2:1 si C s 0 terminer ; J base optimale de (P ) :
Z (x ) =
2:2 sinon aller en 3.)
3. Soit I = fi Asi > 0g
3:1 si I = ?; terminer, le PL (P ) n’a pas solutions optimales, (Z (max) ! +1)
3:2 si I 6= ?; aller à 4.).
bl bi
4. Soit L = l s
= min s :
Al i2I Ai

4:1 Choisir r 2 L:
4:2 E¤ectuer Pivotage de Asr :
J 0 = (J [ fsg) col (r) nouvelle base.
M 0 =Pivotage(m
8 + 1; n + 1; r; s; M )
> br
>
< xs
0
=
Asr
x0 : xcol(i) = bi Asi x0s ; 8j 2
0 = J [ fsg
>
>
:
x0j = 0
0 b r
= + Cs s :
Ar
4:3 Poser
J = J 0 ; col(r) = s; x = x0 ; M = M 0 :
Aller en (2)
Fin algorithme.
Remarques :
1. A l’étape2, si jKj 2; choix quelconque.
2. A l’étape4, le choix de r n’est pas dé…nie. Une règle de choix garantissant la …nitude de l’algorithme
sera présenter dans le paragraphe de justi…cation du simplexe.
Exemple :
Résoudre par la méthode du Simplexe le PL
8
>
> 2x1 + x2 + x3 = 8
<
x1 + 2x2 + x4 = 7
(P ) xj 0; j = 1; ::; 5
>
> x2 + x5 = 9
:
4x1 + 5x2 = Z (max)
Réponse :
1. Le PL (P ) est écrit8S.F.C / à la base J = f3; 4; 5g :
8 >
> x1 = 0
>
>
< col (1) = 3 < 2 =
x 0
col (2) = 4 ; x3 = 8 ; Z (x ) = 0; =0
: >
col (3) = 5 > >
> x = 7
: 4
x5 = 3
1eme Itération :
x1 x2 x3 x4 x5 b
x3 2 1 1 0 0 8
x4 1 2 0 1 0 7
x5 0 (1) 0 0 1 3
Z 4 5 0 0 0 0
2. ( )
2.1) K = k C k = maxC j = f2g ) s = 2 .
j2J
2.2) C 2 = r > 0; aller en 3.).
3. I 6= ?; aller à 4.).
bl bi
4. L = l s
= min s = f3g ) r = 3:
Al i2I Ai

4:1) col(r) = col (3) = 2 ) J = f3; 4; 2g : )


M 0 =Pivotage(3;8 5; 2; 3; M ) :
8 >
> x1 = 0
>
>
< col (1) = 3 < x2 = 3
col (2) = 4 ; x3 = 5 ; Z (x ) = 15; = 15
: >
col (3) = 2 > >
> x = 1
: 4
x5 = 0
2eme itération :
x1 x2 x3 x4 x5 b
x3 2 0 1 0 1 5
x4 (1) 1 0 1 2 1
x5 0 0 0 0 1 3
Z 4 0 0 0 5 15
( )
4.2) K = k C k = maxC j = f1g
j2J
2.2) C 1 = 4 > 0; aller en 3.)
3. I = fi A1i > 0g = f1; 2g
3.2) I 6= ?; aller en 4.)
bl bi
4. L = l s
= min 1 = f2g ) r = 2 ) col(r) = col (2) = 1 ) J = f3; 1; 2g
Al i2I Ai
8
8 >
> x1 = 1
>
>
< col (1) = 3 < x2 = 3
col (2) = 1 ; J = f3; 1; 2g ; x3 = 3 ; Z (x ) = 19; = 19
: >
>
col (3) = 2 >
> x = 0
: 4
x5 = 0
3eme itération :
x1 x2 x3 x4 x5 b
x3 0 0 1 2 3 1
x4 1 0 0 1 2 1
x5 0 1 0 0 1 3
Z 0 0 0 4 3 19
( )
4.2 K = k C k = maxC j = f5g
j2J
2.2) C 5 = 3 > 0; aller en 3.)
3. I = fi A5i > 0g = f1; 3g
3.2) I 6= ?; aller en 4.)
bl bi
4. L = l s
= min 1 = f1g ) r = 1 ) col(r) = col (1) = 5 ) J = f5; 1; 2g
Al i2I Ai
4eme itération :
x1 x2 x3 x4 x5 b
1 2
x4 0 0 3 3
1 1
2 1
x1 1 0 3 3
0 3
1 2
x2 0 1 3 3
0 2
Z 0 0 1 2 0 22
( )
4.2 K = k C k = maxC j = f3g
j2J
2.2) C 3 = 1 < 0; terminer 8
>
> x1 = 3
>
>
< x2 = 2
On a alors J = f5; 1; 2g est une base optimale et x3 = 0 ; Z (x ) = 22:
>
>
>
> x = 0
: 4
x5 = 1
II.4 Justi…cation de l’Algorithme du Simplexe :
II.4.1 Etude de l’Itération du Simplexe :
a) Supposons qu’on sorte de l’itération du Simplexe par l’étape2, étape est justi…é par le ( Théorème
II.2.1)
b) Supposons qu’on sorte de l’itération du Simplexe par l’étape3, étape est justi…é par (Théorème
II.2.2).
c) Supposons qu’on sorte de l’itération du Simplexe par l’étape4, étape est justi…é par (Théorème
II.2.1).
II.4.2 Finitude de l’Algorithme du Simplexe :
Dé…nition 1 :
Le PL (P ) est dit non dégénéré si à chaque itération du Simplexe, la solution de base réalisable
obtenue est non dégénérée.
Dé…nition 2 :
Un algorithme est dit …ni s’il se termine en un nombre …ni itérations.
Théorème 1 :
Si le PL (P ) est non dégénéré alors l’algorithme du Simplexe est …ni.
Preuve :
Notons par xk resp k la solution de base réalisable (resp l’évalution) obtenue au k eme appel de
l’itération du Simplexe.
On a k = k 1 + Cs Abrs ; (k 1) :
r
Le PL (P ) donné non dégénéré ) br 6= 0 ) k k 1
; comme k = Z (k) k 1
= Z (k 1) )
qu’une base recontrée au cour d’une itération ne peut être retrouvé.
Or le nombre de base est …ni (borné par Cm n ; m = rgA) on a donc l’algorithme …ni.
Remarque :
8 1
>
> x1 x
4 4
8x5 x6 + 9x7 = 0
< 1 1
x2 + 2 x4 12x5 x + 3x7 =
2 6
0
; xj 0
>
> x 3 + x 6 = 1
: 3
x
4 4
20x5 + 12 x6 6x7 = Z (max)

A l’étape 4 de l’algorithme, on considère la règle de choix suivante :


bl bi
L= l s
= min s et choisir r = min l:
Al i2I Ai
eme
On véri…e que le 7 tableau du Simplexe est identique au 1er tabeau.
Cet exemple montre que l’algorithme du Simplexe peut cycler dans un cas de dégénéréscence. Il exisre des
méthodes évitant le cyclage dite méthodes des perturbations.
bl bi
Donc si à une itération de l’algorithme du Simplexe l’ensemble L = l s
= min s contient plus
Al i2I Ai
As
d’un élément, la valeur bl pour l 2 L; l 6= r sera après pivotage, égale à zéro (b0l = bl br Asl = 0)
r
et la solution de base associe sera dégénérée. Inversement si à chaque itération, jLj = 1, il n’ya pas de
dégénérescence et l’algorithme est …ni.
III. Initialisation de l’Algorithme du Simplexe :
Soit le PL
Ax = b
(P ) ; x 0
Cx = Z (max)

où A : m n matrice non nécessairement de plein rang. On suppose que b 0 (s’il existe un bi < 0; on multiple p
On associe à (P ) le PL
8
< Ax + U V = b
(PA ) P
m
; x 0; V 0
: Vi = (min)
i=1

où U : est une matrice identité d’ordre m:


Dé…nition 1 :
Le PL (PA ) est appelé PL auxiliaire.
Les variables Vi sont appelés variables arti…cielles.
Théorème_ _
1: _ _
Si x; V est solution réalisable de (PA ) telle que V i = 0; 8i; alors x est une solution réalisable de (P ) :
Théorème 2 :
Soit e = (1; ::::; 1) un m-vecteur ligne.
Le PL (PA ) se met sous forme canonique par rapport à la base réalisable J0 = fn + 1; n + 2; ::::; n + mg
de la manière suivante
Ax + U V = b
(PA0 ) ; x 0; v 0
eAx = (min) eb

F On peut appliquer l’algorithme du Simplexe au PL (PA0 ) :


P
m
Comme = Vi 0; borné inférieurement par 0, donc l’algorithme du Simplexe appliqué à (PA0 ) se
i=1
termine par une solution optimale de base.
F Le PL (PA ) s’écrit sous forme canonique par rapport à une base optimale
8
^ ^
< ^
0 Ax + BV = b
(PA ) ; x 0; V 0
: ^ ^
dx + e^V = (min)

Théorème
_ _
3:
Soit x; V est solution optimale de (PA ) :
^
Le PL (P ) admet une solution réalisable ssi V i = 0; 8i = 1; :::; m:
Preuve :
1) ) CN _ _
(P ) admet une solution, soit x cette solution. On a donc x; 0Rm est une solution réalisable de (PA ) )
_ _ _ _ _ _ Pm ^ ^
x; 0Rm = 0; comme x; V est une sol opt de (PA ) ) x; 0Rm = 0 x; V = V i ) V i = 0; 8i
i=1
2) ( CS
_ _ ^ _
Soit x; V solution opt de (PA ) : On a V i = 0; 8i = 1; :::; m ) x est réalisable de (P ) :
Théorème 4 :
^
Si A^r = 0 et br = 0 alors la reme contrainte Ar x = br de (P ) étant redondante.
Théorème 5 :
Si aucune des variables arti…cielles n’est pas dans la base optimale de (PA ) alors le PL (P ) peut être
écrit sous forme canonique par rapport à une base réalisable.
Remarque 1 :
1) Si dans le PL initial (P ), une variable xs est contenu dans une seule équation, par exemple la reme ;
alors si Asr et br ont même signe, alors il n’est pas nécessaire d’introduire une variable arti…cielle dans cette
équation, il su¢ t de considèrer xs comme variable de base correspondante à la reme équation.
v
2) Soit P A le PL suivant :
8
>
> Ax + U V = b
v <
Cx + z = 0
PA P
m ; x 0; V 0
>
> Vi = (min)
:
i=1

On considère z comme variable de base non astreinte et non condidate (à chaque itération) à sortir de la
base. v
Si on applique la phase1 au PL P A et si (P ) admet une solution réalisable alors à la …n de cette phase,
le PL (P ) s’écrit sous forme canonique par rapport à une base réalisable. On peut donc associé à (P ) le
v
PL P A au lieu (PA ) :
IV. Déscription de la Méthode des deux Phases :
IV.1 Phase1 :
1: Le PL (P ) est écrit sous forme standard.
2: Multiplier par ( 1) les équations dans le second membre et négatif.
3: Associé à (P ) le PL auxilliaire en adjoignant autant de variables arti…cielles qu’il est nécessaire.
4: Ecrire le PL auxilliaire S.F.C / à une base réalisable.
5: Appliquer l’algorithme du Simplexe au PL auxilliaire, en supprimant les variables arti…cielles quittant
la base.
Soit le _
minimum de la valeur de la fonction objectif du PL auxilliaire.
5:1) Si > 0 alors terminer (P ) n’a pas de solution réalisable.
5:2) Si = 0 alors appliquer répetitivement la procédure suivante jusqu’à ce que toutes les variables
arti…cielles aient été éliminer de la base.
Soit Vr une variable arti…cielle de base. E¤ectuer une opération de pivotage faisant sortir Vr de la base
et entrant une variable initiale xs : Si une telle opération de pivotage est impossible, supprimer l’équation
correspondante.
6: Le PL (P ) est écrit S.F.C / à une base réalisable.
IV.2 Phase2 :
Appliquer l’algorithme du simplexe au PL (P ) écrit sous sa forme obtenue à la …n de la phase1.
Exemple 1 :
1. Résoudre le PL
8
>
> x1 + 2x2 + x3 = 2
<
x1 + x2 + 5x3 = 12
(P ) xj 0; j = 1; ::; 4
>
> x 1 + 2x 2 + 6x 6 + x 4 = 13
:
x1 + x2 + x3 + x4 = Z (min)

Phase1 :
Soit (PA ) le PL auxilliaire associé à (P ) :
8
>
> x1 + 2x2 + x3 + V1 = 2
<
x1 + x2 + 5x3 + V2 = 12
(PA ) xj 0; V1 ; V2 0
>
> x 1 + 2x 2 + 6x 3 + x 4 = 13
:
V1 + V2 = (min)

W (min) = V1 + V2 = 14 2x1 3x2 6x3 ) Z = x1 + x2 + x3 + x4 = x1 + x2 + x3 + 13 x1 2x2 6x3 =


x2 5x2 + 13:
v
D’où P A s’écrit
8
>
> x1 + 2x2 + x3 + V1 = 2
>
>
v < x1 + x2 + 5x3 + V2 = 12
PA x1 + 2x2 + 6x3 + x4 = 13
>
>
>
> + x2 + 5x3 + z = 13
:
2x1 3x2 6x3 = (min) 14

Tableau1 :
x1 x2 x3 x4 V1 V2 z b
V1 1 2 (1) 0 1 0 0 2
V2 1 1 5 0 0 1 0 12
x4 1 2 6 1 0 0 0 13
z 0 1 5 0 0 0 1 13
W 2 3 6 0 0 0 0 14

Tableau2 :
x1 x2 x3 x4 V1 V2 z b
x3 1 2 1 0 1 0 0 2
V2 4 9 0 0 5 1 0 2
x4 5 10 0 1 6 0 0 1
z 5 9 0 0 5 0 1 3
W 4 9 0 0 6 0 0 12

On a (C j 0; 8j) ) Tableau 2 est optimal avec W = 2 > 0 ) D(P ) = ?:


2. 8
>
> 2x2 + x3 = 2
<
x1 + x2 + 5x3 = 12
(P ) xj 0; j = 1; ::; 4
>
> x1 + 2x2 + 6x3 + x4 = 13
:
x1 + x2 + x3 + x4 = Z (min)
v
Soit le PL P A associé à (P )
8
>
> 2x2 + x3 + V1 = 2
>
>
v < x1 + x2 + 5x3 + V2 = 12
PA x1 + 2x2 + 6x3 + x4 = 13 xj 0; Vi 0
>
>
>
> x2 + 5x3 + z = 13
:
x1 3x2 6x3 = (min) 14

Tableau 1 :
x1 x2 x3 x4 V1 V2 z b
V1 0 2 (1) 0 1 0 0 2
V2 1 1 5 0 0 1 0 12
x4 1 2 6 1 0 0 0 13
z 0 1 5 0 0 0 1 13
1 3 6 0 0 0 0 14

Tablea 2 :
x1 x2 x3 x4 V1 V2 z b
x3 0 2 1 0 1 0 0 2
V2 1 9 0 0 5 1 0 2
x4 (1) 10 0 1 6 0 0 1
z 0 9 0 0 5 0 1 3
1 9 0 0 6 0 0 2
Tableau 3 :
x1 x2 x3 x4 V1 V2 z b
x3 0 2 1 0 0 0 2
V2 0 (1) 0 1 1 0 1
x1 1 10 0 1 0 0 1
z 0 9 0 0 0 1 3
W 0 1 0 1 0 0 1
Tableau 4 :
x1 x2 x3 x4 V1 V2 z b
x3 0 0 1 2 0 0
x2 0 1 0 1 0 1
x1 1 0 0 9 0 11
z 0 0 0 9 1 12
0 0 0 0 0 0

Le tableau 4 est un tableau optimal car (C j 0; 8j) avec = 0 et J = f3; 2; 1g est une base optimale
pour (PA ) ne contenant aucun indice ralatif à la variable arti…cielle.
Comme = 0 ) J = f3; 2; 1g est une base réalisable pour (P ) permettant l’initialisation de l’algorithme
du Simplexe.
Phase2 :

Tableau 1 :
x1 x2 x3 x4 b
x3 0 0 1 2 0
x2 0 1 0 1 1
x1 1 0 0 9 11
Z 0 0 0 9 12

On a Z 9x4 = 12 ) Z = 12 + 9x4 ; et que (C j 0; 8j) ) T ableau 2 est un tableau optimal )


J = f3; 2; 1g est une base optimale et x =t (11; 1; 0; 0) solution optimale et Z (x ) = 12:
V. Conséquences :
V.1 Résultats qui se déduisent de la Méthode du Simplexe :
Théorème 1 : [théorème fondamentale de la Programmation Linéaire]
Etant donné un PL (P )
i) Si (P ) admet une solution réalisable alors (P ) admet une solution réalisable de base.
ii) Si (P ) admet une solution optimale alors (P ) admet une solution optimale de base.
iii) Si (P ) admet une solution réalisable et que la valeur de la fonction objectif est bornée (supérieurement
si (P ) admet un problème de maximisation, inférieurement si (P ) admet un problème de minimisation)
alors (P ) admet une solution optimale de base.
V.2 Théorèmes des écarts complémentaires :
Théorème _ _
1 : [théorème des écarts complémentaires]
_
Soit
_
x; y un couple de solutions réalisables de (P ) et (D) respectivement. _ _
x_ et y sont_
respectivement solutions optimales de (P ) et (D) si et seulement si y A x b = 0 et
yA C x = 0:
Ceci est équivalent à :
8 !
>
> _ Pn _
8 _ >
> yi aij xj bi = 0 ; i = 1; m
_ >
>
< y i Ai x b i = 0 ; i = 1; m < j=1
et , et !
: _ j _ >
>
yA Cj xj = 0 ; j = 1; n >
> _ Pn _ _
>
>
: xj aij yi Cj xj = 0 ; j = 1; n
j=1

Preuve :
_
)_CN : _ _ _ _
x _et y_sont respectivement solutions optimales de (P ) et (D) ) Ax b; x 0; yA C; y 0 et
C
_
x =_ yb ) _ _
y Ax b _ 0 et _
yA C x _
0: _ _ _ _ _ _ _ _ _
Posons = y Ax b et = yA C x; on a = yAx yb comme yb = C x ) = yAx C x ) = :
On a alors = ; 0 et 0 ) = = 0:
(
_
CS
_
: _ _ _ _ _ _
y Ax b = 0 et_ yA C _x = 0 ) yb = C x; comme x et y sont respectivement solutions réalisables
de (P ) et (D) ) x et (resp y) solution optimale de (P ) (resp de (D)) :
Théorème _ _
2 : [ Autre forme du théorème des écarts complémentaires]
_
Soit
_
x; y un couple de solutions réalisables de (P ) et (D) respectivement.
x et y sont respectivement solutions optimales de (P ) et (D) si et seulement si
8 _ _
>
> 1) _y i > 0 ) _Ai x = bi
< j
2) xj_ > 0 ) yA _
= Cj
>
> 3) _Ai x < bi ) _y i = 0
:
4) yAj > Cj ) xj = 0

Exemple :
Soit le PL 8
< 3x1 + x2 4
(P ) x1 + 4x2 5 ; x1 0; x2 0
:
x1 + x2 = Z (min)
_ _
Véri…er en utilisant le théorème E.C que x1 = x2 = 1 est solution optimale de (P ) :
Soit (D) le dual de (P )
8
< 3y1 + y2 1
(D) y1 + 4y2 1 y 1 ; y2 0
:
4y1 + 5y2 = W (max)

On
_
applique le théorème 3(V.4) :
x 1 = 1 > 0 ) 3y1 + y2 = 1 _ 3 _ 2 _ _
_ ) y 1 = 11 et y 2 = 11 :On a x et y véri…ent 1) et 2) ) x et y sont
x2 = 1 > 0 ) y1 + 4y2 = 1
solution optimales de (P ) et (D) :
VI. Interprétation Géométrique de l’Algorithme du Simplexe :
Considérons le PL (P ) écrit S.F.C par rapport à une base réalisable J .

Ax = b
(P ) ;x 0
Cx = Z (max)

Théorème :
La classe des solutions réalisables en gendrées à chaque itération de l’algorithme de Simplexe en faisant
croitre une variable hors base et en ajustant les variables de base correspond à un mouvement le long
d’une arête du polyèdre convexe (P ) et (D) :