Pet 4

Evaluation Technico-économique des
Procédés
COURS
Rédigé par: Pr. LAOUFI N. A.

COURS ETEP Pr. N.A. LAOUFI
Evaluation Technico-économique des Procédés
Chapitre I. Programmation linéaire
I.1. Généralités
I.2. Définitions
I.3. Formulation mathématique et écriture d’un programme
I.4.1. Résolution d’un problème [Max] :
I.4.2. par la méthode analytique ou économique ;
I.4.3. par la méthode géométrique ou graphique ;
I.4.4. par la méthode du tableau des solutions ;
I.4.5. par la méthode algébrique de substitution ;
I.4.6. par la méthode de l’algorithme du simplexe : principe de Dantzig.
Chapitre II. Résolution d’un problème [Min] par la méthode de l’algorithme

du simplexe
Chapitre III. Dualité
III.1. Théorème de la dualité

III.2. Difficultés de certains programmes
III.3. Programme primal
III.4. Programme dual
Chapitre IV. Théorie des graphes
IV.1. Introduction
IV.2. Quelques définitions sur la théorie des graphes
IV.3. Différentes représentations d’un graphe G(X,U)
IV.4. Recherche d’un chemin optimal (le plus long et le plus court) dans un graphe
orienté valué: principe de l’algorithme de Ford pour un chemin max et un
chemin min.
Chapitre V. Gestion des temps. Problème d’ordonnancement
V.1. Définition
V.2. Problèmes d’ordonnancement
V.3. Notion de projet. Tâche et ordonnancements
V.3.1. Notion de projet
LNA
‒1‒
V.3.2. Notion de tâche

V.3.4. Méthode d’ordonnancement
V.4. Construction d’un réseau PERT, représentation graphique
V.4.1. Convention pour la construction d’un réseau PERT
V.4.2. Cas particulier de l’utilisation des tâches fictives
V.4.3. Le graphe PERT- temps
a) Recherche des niveaux d’un graphe.
b) Date au plus tôt d’un évènement
c) Date au plus tard d’un évènement
d) Recherche du chemin critique
e) Marges, signification et calcul
f) Intervalles de flottement
V.5. Diagramme de Gantt
V.5.1. Avantages et inconvénients
V.5.2. Construction du diagramme de Gantt
LNA
‒2‒
Chapitre I. Programmation linéaire
I.1. Généralités
La programmation linéaire est l’une des plus importantes techniques d’optimisation
utilisées en recherche opérationnelle. Ceci est dû à la facilité de la modélisation, à l’efficacité
des algorithmes développés et à l’existence sur le marché de nombreux logiciels. La
généralisation de la micro-informatique a mis la programmation linéaire à la portée de tous.
L'objectif de la programmation linéaire est de déterminer l’affectation optimale de
ressources rares entre des activités ou produits concurrents. Les situations économiques
demandent souvent qu’on optimise une fonction sous plusieurs contraintes prenant la forme
d’inégalités.
I.2. Définitions
La programmation linéaire est un ensemble de méthodes techniques d'analyse et de
synthèse que l'on appelle algorithmes, c'est donc un procédé de calcul, qui, en s'appuyant sur
les méthodes mathématiques et statistiques permettent de retrouver la solution optimale des
problèmes économiques de gestion et d'organisation.
La programmation linéaire est un outil mathématique des plus puissants, qui sert à trouver
la solution optimale d’un problème dans la recherche opérationnelle ou de choix dans le
domaine économique, compte tenu d’un ensemble de conditions contraignantes.
• Applications:
– déterminer l'allocation optimale d'un ou plusieurs facteurs (temps, monnaie,
surface, capacité de production);
– déterminer le nombre optimal de machines, d'objets,...;
– établir l’horaire de départ des avions, trains,…;
– développer des plans financiers;
– trouver la meilleure combinaison de matières premières afin de respecter des
exigences sur le produit fini.
Un programme linéaire (PL) comprend:

1. des variables de décision (ou variables principales): elles représentent les décisions à
prendre, ce sont les aspects du problème réel sur lesquelles on peut agir directement (ex.
quantités à produire, etc.);
2. des contraintes:
 elles correspondent aux relations liant les variables de décision entre elles;
 elles renseignent sur les variables de décision à prendre, uniquement des valeurs qui
ont du sens par rapport au problème réel étudié;
 elles peuvent être nombreuses;
 elles doivent être linéaires.
3. une fonction objectif, économique ou objective (Z) (c’est une fonction des variables
de décision):
LNA
‒3‒
 elle permet de mesurer les performances choisies pour déterminer la meilleure

solution;
 elle permet de maximiser ou minimiser cette fonction (selon ce qu’elle mesure);
 une seule fonction économique Z est représentée dans un Programme Linéaire.
Ex : Maximiser les Profits ou Minimiser les Coûts (ou les chutes,...)
PL allouer des ressources limitées (en respectant des ``contraintes’’)

afin d’optimiser une certaine fonction objectif Z.
Pourquoi les modèles linéaires sont-ils importants?

• Une grande variété de problèmes est naturellement modélisée avec la formulation
linéaire et d’autres problèmes peuvent facilement être approximés par cette structure.
• Il existe des techniques très efficaces de résolution pour ces modèles (algorithme du
simplexe).
• Les résultats obtenus après résolution du modèle fournissent des informations sur la
sensibilité de la solution optimale par rapport à des changements dans les paramètres
ou les coefficients du problème.
Conditions d'établissement d'un Programme Linéaire (PL)

1) Une fonction objectif à Maximiser ou à Minimiser
2) La fonction objectif et les contraintes sont des sommes de termes linéaires:
i) pas de produits ou divisions entre variables
ii) pas de fonctions mathématiques, c.-à-d. exposants, valeurs absolues, logarithmes,

etc.)
iii) pas de conditions logiques, fonctions SI …
3) Contraintes de Non Négativité pour chaque variable de décision xi, (elles doivent toutes
être positives ou nulles car elles ont un sens physique, donc xi ≥ 0)
4) Il n’y a aucune inégalité stricte (pas de < ou de > ) aussi bien pour les variables d'écart
que pour les contraintes mais des égalité au sens large (≤ ou  ).
I.3. Formulation mathématique et écriture d’un programme

Les contraintes doivent obligatoirement être citées dans l'ordre de leur apparition
dans le texte et ne doivent pas être modifiées.
I.3.1. Problème de maximisation
Soit la fonction économique Z à maximiser sous un certain nombre de contraintes.
LNA
‒4‒
Le programme linéaire s'écrit:

xj ≥ 0, j = 1, 2, … . . , n Contraintes de non négativité
∑n+m m
j=1 aij xj ≤ ∑i=1 di i = 1, 2, … , m Contraintes du problème
(I) 𝑛
Z = ∑ Cj xj [Max] Fonction objectif

𝑗=1
Le système précédent développé s'écrit:
x1 ≥ 0 , x2 ≥ 0 ,… , xn ≥ 0
a11 x1 + a12 x2 + a13 x3 + ...+ a1n xn ≤ d1
a21 x1 + a22 x2 + a23 x3 + ...+ a2n xn ≤ d2

(II)
...............................................................................
am1 x1 + am2 x2 + am3 x3 + ...+ amn xn ≤ dm
Z = C1 x1 + C2 x2 + C3 x3 + … Cn xn [Max]
Tout ensemble X = (x1, x2, ..., xn) qui vérifie les conditions citées en (I) ou en (II), est
appelé programme réalisable ou admissible.
Le domaine des programmes linéaires admissible à réaliser est un polyèdre convexe et la

fonction économique Z atteint son optimum (maximum) au niveau d'un sommet du polyèdre
formé par la représentation de l'ensemble des contraintes.
I.3.2. Problème de minimisation
xj ≥ 0, j = 1, 2, … . . , n contraintes de non − négativité
n+m m
∑ aij xj ≥ ∑ di i = 1, 2, … , m Contraintes du problème

j=1 i=1
Z = ∑ Cj xj [Min] Fonction économique

𝑗=1
LNA
‒5‒
Le domaine des programmes linéaires admissible à réaliser est un polyèdre concave et la

fonction économique Z atteint son optimum (minimum) au niveau d'un sommet du polyèdre
formé par la représentation de l'ensemble des contraintes.
I.3.3. Formulation mathématique d'un problème de maximisation

Une entreprise dispose de 3 machines M1, M2 et M3 pour fabriquer 3 produits P1, P2 et P3.
Pour fabriquer une unité de P1, la machine M1 est utilisée pendant 1 heure, la machine M2 est
utilisée pendant 3 heures et la machine M3 est utilisée pendant 1 heure.
Pour fabriquer une unité de P2, la machine M1 est utilisée pendant 3 heures, la machine M2
est utilisée pendant 2 heures et la machine M3 est utilisée pendant 3 heures.
Pour fabriquer une unité de P3, la machine M1 est utilisée pendant 2 heures, la machine M2
est utilisée pendant 1 heure et la machine M3 est utilisée pendant 4 heures.
Sachant que la machine M1 ne peut être utilisée plus de 40 heures /semaine, la machine M 2
ne peut être utilisée plus de 45 heures /semaine, la machine M3 ne peut être utilisée plus de 38
heures /semaine.
La vente d'une unité des produits génère un profit net de 10 Unités Monétaires (UM) par
article P1, 14 Unités Monétaires (UM) par article P2 et 12 Unités Monétaires (UM) par article
P3 .
Question
Déterminer la production totale des produits P1, P2 et P3 qui assure à l'entreprise un profit
net maximum.
(x1) (x2) (x3)
Durée maximale d'utilisation de
P1 P2 P3 chaque machine / semaine
(heures)
M1 1 3 2 40
M2 3 2 1 45
M3 1 3 4 38
Profit
10 14 12
net/unité (UM)
Formulation mathématique du problème

1. Détermination des variables de décision
Soient x1, x2 et x3 les nombres d'unités respectifs des produits P1, P2 et P3 pouvant être
fabriqués en une semaine pour générer un profit net maximum.
Contraintes de non négativité: x10, x20, x30
2. Etablissement des contraintes du problème
Elles correspondent au temps d'utilisation de chaque machine par semaine:
Pour la machine M1: 1x1 + 3x2 + 2 x3  40 temps maximal d'utilisation de
la machine M1 par semaine (h).
LNA
‒6‒
Pour la machine M2: 3 x1 + 2x2 + 1x3  45 temps maximal d'utilisation de

Pour la machine M3: 1x1 + 3x2 + 4 x3  38 temps maximal d'utilisation de
3. Etablissement de la fonction économique Z (objectif ou objective)

Elle correspond au bénéfice net maximum que l'entreprise peut générer par semaine, par la
vente des x1 produits P1, x2 produits P2 et x3 produits P3 réunis.
Z = 10 x1 + 14x2 + 12 x3 [Max]
Forme canonique du programme linéaire
x10, x20, x30

x1 + 3x2 + 2 x3  40
3 x1 + 2x2 + x3  45
3 x1 + 2x2 + x3  38
Z = 10 x1 + 14x2 + 12 x3 [Max]
I.3.4. Formulation mathématique d'un problème de minimisation

Une entreprise distributrice d'électricité doit faire face à une commande de 1200 MW
(mégawatts), en utilisant des groupes de production de puissances unitaires égales à 75 MW,
150 MW et 300 MW respectivement, qui sont fabriqués par l'industrie nationale. La
fabrication nationale ne permet pas de produire sur la période considérée plus de 2 unités de
300 MW et plus de 7 unités de 150 MW.
Les coûts d'acquisition de chacun des groupements de 75, 150 et 300 MW sont
respectivement de 200, 400 et 600 UM.
Déterminer le programme d'équipement de l'entreprise, c'est à dire le nombre d'unités de
production de chaque type de groupe, de manière à minimiser les dépenses d'investissement
de l'entreprise.
(x1) (x2) (x3)

Puissance des groupes (MW) 75 150 300
Nombre de groupements
---- 7 2
fabriqués
Prix d'acquisition de chaque
200 400 600
unité (UM)
LNA
‒7‒

Soient x1, x2 et x3 le nombre d'unités de chaque type de groupe à installer pour faire face
à la commande de 1200 MW.
Contraintes de non négativité: x10, x20, x30

Elles correspondent au nombre de groupes de différentes puissances pouvant être
fabriqué (a et b) et à la commande en énergie (c).
a) x2  7 nombre de groupes de 150 MW disponible.
b) x3  2 nombre de groupes de 300 MW disponible.
c) 75 x1 + 150x2 + 300 x3  1200 commande minimale en énergie (en MW).

Elle correspond au nombre de groupes de différentes puissances à acquérir pour faire face
à la commande de 1200 MW, de manière à minimiser les dépenses d'investissement de
l'entreprise.
Z = 200 x1 + 400x2 + 600 x3 [Min]
x10, x20, x30

x2  7
x3  2
75 x1 + 150x2 + 300 x3  1200
Z = 200 x1 + 400x2 + 600 x3 [Min]
I.4. Résolution d’un problème de maximisation [Max]

Une entreprise a la possibilité de fabriquer deux produits P 1 et P2 sur une machine M1,
cette dernière ne peut être utilisée plus de 40 heures par semaine, le rendement de la machine
est de 15 articles par heure.
Pour chacun des deux produits, suite à une étude de marché, les possibilités de vente ne
dépassent pas 400 articles P1 et 300 articles P2 par semaine.
Le profit net par article est de 2 UM pour une unité de P 1 et 5 UM pour une unité de P2.
Repartir les capacités de production entre les deux produits de façon à maximiser le profit
net de l'entreprise.
I.4.1. Méthode analytique ou économique

Cette méthode de résolution limite le nombre de variables de décision à 2 ou 3.
La résolution peut se faire de différentes manières, nous en proposons la suivante:
LNA
‒8‒
Le profit étant l'objectif de l'entreprise, cette dernière doit vendre un maximum de produits
P2 (300 articles) puisque le bénéfice net généré par la vente d'une unité de P 2 (5 UM) est
supérieur à celui de P1 (2 UM).
i) Le temps d'utilisation de la machine pour la fabrication des 300 articles P 2 est de: 300*
1/15 = 20 h.
ii) Le bénéfice net généré par la vente des 300 articles P 2 par semaine est de: 300 * 5 =
1500 UM
iii) Le temps restant pour la fabrication des articles P1 est de: 40 - (300/15) = 20
heures/semaine.
iv) Le nombre d'articles P1 que l'entreprise peut fabriquer et vendre est égal à : 20 *15 =
300 articles par semaine.
v) Le bénéfice net généré par la vente des 300 articles P 1 est de : 2 * 300 = 600 UM
vi) Le profit net généré par la vente de 300 articles P 1 et 300 articles P2 est de: 1500 UM +
600 UM = 2100 UM par semaine.
L'entreprise doit fabriquer 300 articles de produit P 1 et 300 articles de produit P2 par semaine
pour générer un profit net maximum de 2100 UM.
I.4.2. Méthode graphique ou géométrique

Cette méthode de résolution limite le nombre de variables de décision à 2.
Après avoir établi la formulation mathématique du problème, effectuer les 4 étapes
suivantes:
1. représenter graphiquement les contraintes du programme;
2. déterminer l'ensemble des solutions admissibles ou le domaine des solutions
acceptables;
3. représenter graphiquement la fonction économique ou procéder à l'énumération des
sommets du polyèdre des solutions admissibles;
4. déterminer l'optimum soit en calculant la valeur des variables principales et Z au
niveau de chaque sommet, soit en représentant la fonction économique en la déplaçant, soit
dans le sens de son éloignement de l'origine, si elle se trouve dans le domaine des solutions
admissibles, soit en s'en rapprochant si elle se trouve à l'extérieur du domaine des solutions
admissibles, jusqu'à ce qu'elle soit tangente au périmètre du polyèdre convexe représentant le
domaine des solutions admissibles.

Soient:
x1: le nombre d'articles P1 que l'entreprise doit fabriquer par semaine pour générer
un profit net maximum.
x2: le nombre d'articles P2 que l'entreprise doit fabriquer par semaine pour générer
un profit net maximum.
LNA
‒9‒
Contraintes de non négativité: x10, x20

a) x1  400 nombre d'articles P1 maximum que l'entreprise doit fabriquer
par semaine pour pouvoir les écouler.
b) x2  300 nombre d'articles P2 maximum que l'entreprise doit fabriquer
par semaine pour pouvoir les écouler.
x1 + x2
Ou c) 1 * ≤ 40
15
temps maximum d'utilisation de la machine par semaine (h).
c') x1 + x2  600

Elle correspond au bénéfice maximum généré par la vente de x1 produits P1 et x2 produits
P2 réunis par semaine.
Z = 2 x1 + 5x2 [Max]
L'objectif est de déterminer les valeurs de x1 et x2 qui satisfont les contraintes a), b) et c').
x10, x20
x1  400
x2  300
x1 + x2  600
Z = 2 x1 + 5x2 [Max]
On délimite le cadran correspondant aux contraintes de non négativité: x10, x20, dans un
repère orthonormé du plan, il correspond au cadran supérieur droit.
Tracer dans le repère orthonormé les droites d'équations:
1) x1 = 400, cette droite partage le plan en deux demi plans, choisir le demi plan vérifiant
l'inéquation x1  400.
2) x2 = 300, cette droite partage le plan en deux demi plans, choisir le demi plan vérifiant
l'inéquation x2  300.
3) x1 + x2 = 600, cette droite partage le plan en deux demi plans, choisir le demi plan
vérifiant l'inéquation: x1 + x2  600, en prenant comme repère l'origine, 0 +0 = 0  600, donc
l'inéquation est vérifiée, l'origine appartient donc au domaine des solutions admissibles.
Le domaine des solutions admissibles correspond au polyèdre OABCD (périmètre des

solutions et intérieur).
LNA
‒ 10 ‒
Détermination de l'optimum
1. Enumération des sommets (situés au niveau du périmètre du polyèdre)
Sommet X1 X2 Z
O 0 0 0
A 400 0 800
B 400 200 1800
C 300 300 2100
D 0 300 1500
En comparant les valeurs de la fonction économique, nous constatons une valeur maximale
au niveau du sommet C.
L'entreprise doit fabriquer 300 articles de produit P1 et 300 articles de produit P2 par
semaine pour générer un profit net maximum de 2100 UM.
2. Tracé de la droite représentant la fonction économique Z
Tracer la droite Z = 2 x1 + 5x2 en choisissant deux points dont la valeur de Z est la même.
Exemple:
Premier point: (x1 = 200 et x2 = 220) d'où Z = 1500, et pour le second point: Z = 1500
(x1 = 0 et x2 = 300).
LNA
‒ 11 ‒
La droite Z = 1500 tracée (droite en bleu), la glisser en l'éloignant de l'origine jusqu'à

rencontrer un point de tangence entre la droite et le périmètre des solutions admissibles ce qui
aboutit au sommet C. De même, on peut tracer la droite Z = 3400, elle se situe à l'extérieur du
domaine des solutions admissibles, donc il faut la rapprocher dudit domaine jusqu'à ce qu'il y
ait un seul point de tangence entre la droite et le périmètre des solutions admissibles, ce point
correspond au sommet C.
Exemple 2:
Une entreprise produit des peintures intérieures et extérieures à partir de deux matières
premières, M1 et M2.
Le tableau suivant fournit les données de base du problème:
Tonnes de matières premières par
Disponibilité
tonne de
maximale par
Peinture Peinture jour (tonnes)
extérieure intérieure
Matière première M1 06 04 24
Matière première M2 01 02 6
Profit par tonne (en
05 04
milliers UM)
La demande quotidienne en peinture intérieure ne peut pas dépasser celle de la peinture

extérieure de plus d'une tonne.
De plus, la demande quotidienne maximale de peinture intérieure est de 2 tonnes.
L'entreprise souhaite déterminer le (meilleur) mélange de produits optimal de peintures
intérieures et extérieures qui maximise le profit quotidien total.
Déterminer:
1. les variables de décision;
2. l'objectif (but) que nous devons optimiser (maximiser ou minimiser);
3. les contraintes que la solution doit satisfaire.
I.4.3. Méthode du tableau des solutions
a) Rappel
Forme standard d'un programme linéaire: un programme linéaire peut se mettre sous
forme standard, si toutes les contraintes, en dehors des contraintes de non-négativité sont
égales.
Un programme linéaire peut toujours être mis sous forme standard en introduisant des
variables supplémentaires appelées variables d'écart, de plus, dans la fonction économique
Z, on précède les variables d'écart par le facteur 0 (zéro).
Exemple
Soit la forme canonique du programme linéaire suivant:
x10, x20
x1 - x2  2
(P1) 2 x1 + 3 x2  4
- x1 + 6 x2 = 10
Z = 5 x1 + 3x2 [Max]
LNA
‒ 12 ‒
En introduisant des variables d'écart (VE) au niveau des inégalités, c'est à dire: x30, x4 0,
on met le programme (P1) sous la forme standard suivante (P2).
VP VE
x10, x20, x30, x40

x1 - x2 - x3 = 2
(P2) 2 x1 + 3 x2 + x4 = 4
- x1 + 6 x2 = 10
Z = 5 x1 + 3x2 + 0 * x3 + 0 * x4 [Max]
b) Conditions de résolution d'un PL à m équations et n variables:

 si n = m il existe une solution unique, donc pas de problème d'optimisation;
 si n > m il existe une infinité de solutions mais une seule est optimale;
Afin de résoudre le système dans le second cas, on pose que les (n - m) variables sont
égales à zéro, il restera donc m variables et m équations à résoudre.
Exemple: avec n = 23 variables et m = 10 équations, on pose (23 - 10) = 13 variables
égales à zéro, on résout le système de 10 équations à 10 inconnues restantes.
 L'objectif est de déterminer quelles variables seront choisies pour leur attribuer la
valeur zéro.
En examinant chaque possibilité de sélectionner les (n-m) variables des n variables et les
poser égales à zéro et résoudre le système à m variables restantes et m équations, la solution
sera parmi toutes ces solutions.
Les (n-m) variables nulles sont dites variables non-basiques ou hors-base, les m variables
restantes sont dites variables de base ou basiques ou encore dans la base, l'ensemble est
appelé base.
La solution des équations impliquant la base est dite: solution basique.
Si les valeurs des solutions basiques ne sont pas négatives et vérifient toutes les contraintes
du problème, la solution est dite solution basique réalisable, la solution optimale est parmi
ces solutions.
La solution optimale est obtenue lorsqu'en continuant le processus, un point est atteint de
telle sorte qu'aucune amélioration de la fonction économique ne peut avoir lieu.
c) Application
Cette méthode de résolution limite le nombre de variables de décision à 3 et 4 contraintes.
Soit la forme canonique du programme linéaire suivant:
x10, x20
x1  400
x2  300
x1 + x2  600
Z = 2 x1 + 5x2 [Max]
LNA
‒ 13 ‒
On introduit trois variables d'écart x30, x40, x50 au niveau des inégalités du système
précédent pour obtenir la forme standard, ces variables sont rajoutées avec le signe (+):
VP VE
x10, x20, x30, x40, x50

x1 + x3 = 400 Equation (1)
x2 + x4 = 300 Equation (2)
x1 + x2 + x5 = 600 Equation (3)
Z = 2 x1 + 5 x2 + 0 * x3 + 0 * x4 + 0 * x5 [Max]
Pour résoudre le système d'équations ci-dessus à 5 variables et 3 équations, il faut annuler

deux variables et résoudre le système à trois équations et trois variables.
Les différentes possibilités qui nous sont offertes pour résoudre le problème sont égales à:
5!
= 10
3! (5 − 3)!
Couples de variables (xi, xj) à annuler (02 parmi les 05):
n° x1 x2 x3 x4 x5 Z
1 0 0
2 0 0
3 0 0
4 0 0
5 0 0
6 0 0
7 0 0
8 0 0
9 0 0
10 0 0
LNA
‒ 14 ‒
On établit le tableau des solutions suivant:

Sommet
n° X1 X2 X3 X4 X5 Z
correspondant
1 0 0 400 300 600 0 O

Solution impossible
2 0 0
Voir équation (1)
3 0 300 400 0 300 1500 D

Solution non réalisable car
4 0 600 400 -300 0
X4 < 0
5 400 0 0 300 200 800 A

Solution impossible
6 0 0
Voir équation (2)
7 600 0 -200 300 0
X3 < 0
8 400 300 0 0 -100
X5 < 0
9 400 200 0 100 0 1800 B
10 300 300 100 0 0 2100 C
Besoins du marché en produit P2

qui ne seront pas satisfaits.
En comparant les valeurs de Z, on constate que la plus grande valeur (optimum) correspond
au sommet C:
Z max = 2100 avec X1 = 300, X2 = 300, X3 = 100, X4 = 0, X5 = 0.
L'entreprise doit fabriquer 300 articles de produit P 1 et 300 articles de produit P2 par
semaine pour générer un profit net maximum de 2100 UM.
I.4.4. Méthode algébrique de substitution. Exposé de Dantzig

Cette méthode de résolution limite le nombre de variables de décision à 3.
Principe
1. Etablir la formulation mathématique du problème posé.
2. Dresser la forme canonique du programme linéaire.
3. Passer de la forme canonique à la forme standard en transformant les inéquations en
équations en introduisant les variables d'écart.
LNA
‒ 15 ‒
4. Poser la solution extrême de base en utilisant d'abord les variables de décision non
principales (variables hors-base correspondant aux variables nulles), les autres variables non
nulles obtenues, constituent les variables principales ou variables dans la base.
A ce stade, la fonction économique est nulle.
5. Passer à la première itération afin de trouver une solution de base meilleure, c'est à dire
améliorer la fonction économique. Pour y parvenir, on sélectionnera une variable entrante et
une variable sortante selon les critères de Dantzig suivants:
a) critère d'entrée: la variable entrant dans la base (variable entrante) est celle qui, dans la
fonction économique, présente le coefficient positif le plus élevé;
b) critère de sortie: la variable sortant de la base (variable sortante) est celle qui
correspond au plus petit rapport positif des rapports des seconds membres des contraintes aux
coefficients de la variable entrante (l'infini et les nombres négatifs sont exclus de la
comparaison).
6. On arrête les différentes itérations dès que la fonction économique ne contient plus que
des coefficients négatifs ou nuls.
Application
Résoudre le programme linéaire suivant, donné sous forme canonique, par la méthode
algébrique de substitution:
x10, x20
2 x1 + x2  140
(S1)
x1 + x2  104
5 x1 + 3 x2  360
Z = 7 x1 + 4 x2 [Max]
Forme standard du PL:
VP VE
x10, x20, x30, x40, x50
2 x1 + x2 + x3 = 140
(S2)
x1 + x2 + x4 = 104
5 x1 + 3 x2 + x5 = 360
Z = 7 x1 + 4 x2 + 0 * x3 + 0 * x4 + 0 * x5 [Max]
Pour choisir la variable entrante ou entrant dans la base, on utilise le critère d'entrée de
Dantzig, cette variable est celle qui aura le coefficient le plus élevé dans Z, soit x1. On
exprime d'abord les variables de base en fonction des variables hors base, d'où:
LNA
‒ 16 ‒
VP VE
x10, x20, x30, x40, x50
x3 = 140 − 2 x1 − x2 Equation d'échange
(S3)
x4 = 104 − x1 − x2
x5 = 360 − 5 x1 − 3 x2
Z = 7 x1 + 4 x2 [Max]
Solution extrême de base:
Variables hors base (VHB): x1 = 0 x2 = 0

Variables de base (VB) : x3 = 140 x4 = 104 x5 = 360
Z=0
Première itération
Recherche de la variable sortante, sachant que x1 est la variable entrante; recherche de la valeur
à attribuer à x1.
On remplace x2 = 0 dans le système S3 car c'est la seule qui reste hors base.
VP VE
x10, x20, x30, x40, x50

x3 = 140 − 2 x1
(S4)
x4 = 104 − x1
x5 = 360 − 5 x1
Z = 7 x1 + 4 * 0 [Max]
Or:
VP VE
x10, x20, x30, x40, x50

x3  0 140 − 2 x1  0 soit x1  70
(S5)
x4  0 104 − x1  0 soit x1  104
x5  0 360 − 5 x1  0 soit x1  72
Z = 7 x1 + 4 * 0 [Max]
Le niveau maximum à affecter à x1 est: x1 [Max] = Min {70, 72, 104} = 70
On attribue à x1 la valeur 70 dans S4 et on cherche la variable sortante, elle correspond à celle

qui sera nulle.
LNA
‒ 17 ‒
VP VE
x10, x20, x30, x40, x50

x3 = 140 − 2 * 70 = 0 la variable sortante est x3
(S6)
x4 = 104 − 70 = 34
x5 = 360 − 5 * 70 = 10
Z = 7 * 70 + 4 * 0 = 490
Solution de la première itération:

Z = 490
Deuxième itération
Dans le système (S3), l'équation d'échange est celle qui fournit la variable sortante, soit:
x3 = 140 − 2 x1 − x2
A partir de cette équation, on exprime la variable entrante x1 en fonction des variables hors
base x2 et x3, soit:
1 1
x1 = 70 − x2 − x3
2 2
On remplace ensuite cette nouvelle expression de x1 dans les différentes équations de (S3) y
compris dans Z, ce qui donne:
VP VE
x10, x20, x30, x40, x50

1 1
x1 = 70 − x2 − x3
(S7) 2 2
1 1
x4 = 104 − ( 70− 2 x2 − x3) - x2
2
1 1
x5 = 360 − 5* ( 70 − 2 x2 − x3) - 3 x2
2
1 1
Z = 7 ( 70 − 2 x2 − x3) + 4 x2 [Max]
2
LNA
‒ 18 ‒
VP VE
x10, x20, x30, x40, x50

1 1
x1 = 70 − x2 − x3
(S8) 2 2
1 1
x4 = 34 − 2 x2 + x3
2
1 5
x5 = 10 − 2 x2 + x3 Equation d'échange
2
1 7
Z = 490 + 2 x2 − x3 [Max]
2
D'après Z, il faut procéder à une deuxième itération car le coefficient de x2 est positif alors
que celui de x3 est négatif, donc la variable entrante est x2 (sachant que x3 = 0).
VP VE
x10, x20, x30, x40, x50

1
x1 = 70 − x2
(S9) 2
1
x4 = 34 − 2 x2
1
x5 = 10 − 2 x2
1
Z = 490 + 2 x2 [Max]
Recherche de la variable sortante, valeur à attribuer à x2:

VP VE
x10, x20, x30, x40, x50

1
x1  0 70 − 2 x2  0 soit x2  140
(S10)
1
x4  0 34 − 2 x2  0 soit x2  68
1
x5  0 10 − 2 x2  0 soit x2  20
1
Z = 490 + x2 [Max]
2
Le niveau maximum à affecter à x2 est: x2 [Max] = Min {20, 68, 104} = 20
On attribue à x2 la valeur 20 dans S8 et on cherche la variable sortante, elle correspond à

celle qui sera nulle.
LNA
‒ 19 ‒
VP VE
x10, x20, x30, x40, x50

1
x1 = 70 − ∗ 20 = 60
2
(S11) 1
x4 = 34 − 2 ∗ 20 = 24
1
x5 = 10 − 2 ∗ 20 = 0 la variable sortante est x5
1
Z = 490 + 2 ∗ 20 = 500
Solution de la deuxième itération:

Z = 500
Dans le système (S8), l'équation d'échange est celle qui fournit la variable sortante, soit:
1 5
x5 = 10 − 2 x2 + x3
2
A partir de cette équation, on exprime la variable entrante x3 en fonction des variables hors
base x3 et x5, soit:
x2 = 20 + 5 x3 − 2 x5
On remplace ensuite cette nouvelle expression de x2 dans les différentes équations de (S8) y
compris dans Z, ce qui donne:
VP VE
x10, x20, x30, x40, x50

1 1
x1 = 70 − (20 + 5 x3 − 2 x5 ) − x3
2 2
(S12) x2 = 20 + 5 x3−2 x5
1 1
x4 = 34 − 2 (20 + 5 x3 − 2 x5 ) + x3
2
1 7
Z = 490 + 2 (20 + 5 x3 − 2 x5 ) − x3 + 4 x2 [Max]
2
VP VE
x10, x20, x30, x40, x50

x1 = 60 − 3 x3 + x5
(S13) x2 = 20 + 5 x3 − 2 x5
x4 = 24 − 2 x3 + x5
Z = 500 − x3 − x5
LNA
‒ 20 ‒
Les variables de la fonction économique Z ne comprennent plus que des coefficients

négatifs, il n'est donc plus possible de l'améliorer ou de l'augmenter.
La solution de la deuxième itération est donc la valeur optimale recherchée, elle correspond
à:
Z = 500
Seconde application
Résoudre le programme linéaire suivant, donné sous forme canonique, par la méthode
algébrique de substitution:
x10, x20
2x1 + x2  6000
x1 + 4x2  10000
Z = 3,5 x1 + 5 x2 [Max]
I.4.5. Méthode de l'algorithme du simplexe

Historique: c'est en 1947 que George DANTZIG (1914 - 2005), un mathématicien
américain, travaillant sur un projet des forces aériennes, a introduit un algorithme de calcul
permettant de résoudre les problèmes de programmation linéaire. Cette technique, connue
sous le nom d'algorithme du simplexe, nécessite l'utilisation d'un ordinateur pour résoudre des
problèmes de gestion et de production dans le monde des affaires et dans celui de l'industrie.
En 1971, à l'aide de la méthode du simplexe, il a été possible de résoudre en 2 heures et
demie un PL comportant 282468 variables et 50215 contraintes.
Principe
1. Etablir la formulation mathématique du problème posé.
2. Dresser la forme canonique du programme linéaire.
3. Passer de la forme canonique à la forme standard en transformant les inéquations en
équations en introduisant les variables d'écart.
4. Construire le tableau n° 0: recherche de la solution extrême de base, les variables d'écart
sont considérées au départ comme variables principales ou variables dans la base. Les
variables réelles sont non principales et sont donc des variables hors base. La fonction
économique est alors nulle.
A partir du tableau n° 0, on prépare le tableau n° 1 en choisissant respectivement la
colonne de la variable entrante et la ligne de la variable sortante ainsi que le pivot:
a) la colonne entrante correspond au coefficient le plus élevé dans la fonction
économique ou parmi les gains marginaux (j), la colonne de la variable entrante prend alors
le nom de colonne pivot;
LNA
‒ 21 ‒
b) la ligne de la variable sortante correspond au plus petit rapport positif issu de la

division de la colonne second membre par la colonne variable entrante, cette variable sortante
se lira dans la base et sur la même ligne que le plus petit rapport positif. La ligne de la
variable sortante prend le nom de la ligne pivot (l'infini et les valeurs négatives sont exclus de
la comparaison).
Le pivot (correspondant à un nombre) se trouvera à l'intersection de la ligne pivot et de la
colonne pivot.
Il s'agira ensuite de rendre la colonne pivot unitaire, c'est à dire arriver à un pivot égal à 1
et tous les autres éléments de la même colonne pivot égaux à zéro. Chaque itération s'arrête
lorsque la colonne pivot devient unitaire.
5) On construit les différents tableaux jusqu' à ce que les gains marginaux ne contiennent
que des nombres négatifs ou nuls.
Application
Une entreprise fabrique 2 types de serrures S1 et S2, S1 étant de meilleure qualité que S2.
L'étude de marché a révélé que l'entreprise ne pourrait écouler plus de 400 serrures de type
S1 par jour et 700 serrures de type S2 par jour.
L'approvisionnement en matériaux ne permet pas une production totale supérieure à 800
serrures par jour.
Le temps de fabrication de S1 est 2 fois plus long que pour S2, et si toutes les serrures
étaient de type S2, l'entreprise pourrait en produire 1000 unités par jour.
Le profit net est de 2 UM pour une unité S1 et 1,5 UM pour une unité de S2.
Déterminer le nombre de serrures de chaque type que l'entreprise doit fabriquer par jour de
manière à maximiser le profit net de l'entreprise.

Soient:
x1: le nombre d'unités de serrures de type S1 que l'entreprise doit fabriquer par jour pour
générer un profit maximum.
x2: le nombre d'unités de serrures de type S2 que l'entreprise doit fabriquer par jour pour
générer un profit maximum.
Contraintes de non négativité: x10, x20

a) x1  400 nombre maximal de serrures S1 que l'entreprise peut écouler par jour.
b) x2  700 nombre maximal de serrures S2 que l'entreprise peut écouler par jour.
c) x1 + x2  800 production maximale en serrures par jour en raison de
l'approvisionnement en matériaux.
d) 2 x1 + x2  1000 contrainte temps.
LNA
‒ 22 ‒
Elle correspond au bénéfice net maximum généré par la vente de x1 serrures S1 et x2

serrures S2 réunis par jour.
Z = 2 x1 + 1,5x2 [Max]
L'objectif est de déterminer les valeurs de x1 et x2 qui satisfont les contraintes a), b) et c) et
d).
x10, x20
x1  400
x2  700
(S1)
x1 + x2  800
2 x1 + x2  1000
Z = 2 x1 + 1,5 x2 [Max]
Forme standard du PL:
VP VE
x10, x20, x30, x40, x50, x60
x1 + x3 = 400
(S2)
x2 + x4 = 700
x1 + x2 + x5 = 800
2x1 + x2 + x6 = 1000
Z = 2 x1 + 1,5x2 + 0 * x3 + 0 * x4 + 0 * x5 + 0 * x6 [Max]
Remarques:
x3, x4: besoins du marché en produits S1 et S2 qui ne seront pas satisfaits (dans le cas où
les valeurs des variables ne sont pas nulles).
x5: quantité de matière première non utilisée(dans le cas où les valeurs des variables ne
sont pas nulles).
x6: temps de non utilisation de la machine(dans le cas où les valeurs des variables ne
sont pas nulles).
LNA
‒ 23 ‒
Tableau n° 0
A1: vecteur entrant
Pivot
A3: vecteur sortant
A3: ligne pivot
Base Ci A1 A2 A3 A4 A5 A6 di di/aie
x3 A3 0 1 0 1 0 0 0 400 400
x4 A4 0 0 1 0 1 0 0 700 ∞
x5 A5 0 1 1 0 0 1 0 800 800
x6 A6 0 2 1 0 0 0 1 1000 500
Cj 2 3/2 0 0 0 0 Solution du tableau n° 0

VHB: x1 = 0 x2 = 0
j 2 3/2 0 0 0 0
VB: x3 = 400 x4 = 700
x5 = 800 x6 = 1000
Calculs à effectuer au niveau de chaque tableau: Z=0
1. Ci = Cj des vecteurs dans la base, la valeur est lue au niveau de la fonction économique.
2. xi = di ; di : coefficients du second membre;
3. Z = ∑ Ci di
4. j = Cj - ∑(Ci aij ) j = gain marginal;
5. aie = coefficients de la colonne entrante;
6. Si le pivot  1, on divise toute la ligne pivot par la valeur du pivot pour avoir un pivot = 1;
7. si di = 0, on remplace di par , avec  0;

8. si di < 0, on multiplie toute la ligne par (-1) avant de procéder aux opérations;
9. utiliser des fractions au lieu des décimales dans toutes les opérations.
Toutes les opérations mathématiques sont réalisées avec la ligne pivot avec un pivot égal à 1.
La colonne pivot du tableau n°1 devra être unitaire.
Exemple de calcul:
Ligne pivot, ligne A3

(1 0 1 0 0 0 400)
du tableau n° 0
Ligne A5 du tableau n° 0 + (1 1 0 0 1 0 800)
Ligne A5 du tableau n° 1 = 0 1 -1 0 1 0 400
LNA
‒ 24 ‒
Tableau n° 1 A2: vecteur entrant
A1:colonne
pivot unitaire Base Ci A1 A2 A3 A4 A5 A6 di di/aie
A1 2 1 0 1 0 0 0 400 ∞
A4 0 0 1 0 1 0 0 700 700
A6: vecteur
sortant A5 0 0 1 -1 0 1 0 400 400
A6 0 0 1 -2 0 0 1 200 200
Cj 2 3/2 0 0 0 0 Solution du tableau n° 1

VHB: x2 = 0 x3 = 0
j 0 3/2 -2 0 0 0
VB: x1 = 400 x4 = 700
x5 = 400 x6 = 200
Z = 800
LNA
‒ 25 ‒

Pet 4

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

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 :

Formats disponibles

Pet 4

Transféré par

Droits d'auteur :

Formats disponibles

Evaluation Technico-économique des

Rédigé par: Pr. LAOUFI N. A.

Evaluation Technico-économique des Procédés

Chapitre I. Programmation linéaire

Chapitre II. Résolution d’un problème [Min] par la méthode de l’algorithme

Chapitre III. Dualité

III.1. Théorème de la dualité

Chapitre IV. Théorie des graphes

Chapitre V. Gestion des temps. Problème d’ordonnancement

V.3.2. Notion de tâche

V.5. Diagramme de Gantt

V.5.1. Avantages et inconvénients

V.5.2. Construction du diagramme de Gantt

Chapitre I. Programmation linéaire

Un programme linéaire (PL) comprend:

 elle permet de mesurer les performances choisies pour déterminer la meilleure

Ex : Maximiser les Profits ou Minimiser les Coûts (ou les chutes,...)

PL allouer des ressources limitées (en respectant des ``contraintes’’)

Pourquoi les modèles linéaires sont-ils importants?

Conditions d'établissement d'un Programme Linéaire (PL)

i) pas de produits ou divisions entre variables

ii) pas de fonctions mathématiques, c.-à-d. exposants, valeurs absolues, logarithmes,

iii) pas de conditions logiques, fonctions SI …

I.3. Formulation mathématique et écriture d’un programme

Le programme linéaire s'écrit:

Z = ∑ Cj xj [Max] Fonction objectif

Le système précédent développé s'écrit:

a11 x1 + a12 x2 + a13 x3 + ...+ a1n xn ≤ d1

a21 x1 + a22 x2 + a23 x3 + ...+ a2n xn ≤ d2

Le domaine des programmes linéaires admissible à réaliser est un polyèdre convexe et la

I.3.2. Problème de minimisation

xj ≥ 0, j = 1, 2, … . . , n contraintes de non − négativité

∑ aij xj ≥ ∑ di i = 1, 2, … , m Contraintes du problème

Z = ∑ Cj xj [Min] Fonction économique

Le domaine des programmes linéaires admissible à réaliser est un polyèdre concave et la

I.3.3. Formulation mathématique d'un problème de maximisation

Formulation mathématique du problème

Pour la machine M2: 3 x1 + 2x2 + 1x3  45 temps maximal d'utilisation de

3. Etablissement de la fonction économique Z (objectif ou objective)

Forme canonique du programme linéaire

x10, x20, x30

I.3.4. Formulation mathématique d'un problème de minimisation

(x1) (x2) (x3)

Formulation mathématique du problème

Contraintes de non négativité: x10, x20, x30

3. Etablissement de la fonction économique Z (objectif ou objective)

Z = 200 x1 + 400x2 + 600 x3 [Min]

Forme canonique du programme linéaire

x10, x20, x30

I.4. Résolution d’un problème de maximisation [Max]

I.4.1. Méthode analytique ou économique

I.4.2. Méthode graphique ou géométrique

Formulation mathématique du problème

Contraintes de non négativité: x10, x20

2. Etablissement des contraintes du problème

3. Etablissement de la fonction économique Z (objectif ou objective)

Forme canonique du programme linéaire

Tracer dans le repère orthonormé les droites d'équations:

Le domaine des solutions admissibles correspond au polyèdre OABCD (périmètre des

La droite Z = 1500 tracée (droite en bleu), la glisser en l'éloignant de l'origine jusqu'à

La demande quotidienne en peinture intérieure ne peut pas dépasser celle de la peinture

x10, x20, x30, x40

b) Conditions de résolution d'un PL à m équations et n variables: