Académique Documents
Professionnel Documents
Culture Documents
Recherche opérationnelle
RAMCHOUN Hassan
hassanramchoun@gmail.com
2021/2022
5 Analyse de sensibilité
3 . Dualité en PL
La recherche opérationnelle est une approche quantitative permettant de produire
de meilleures décisions:
4 . Programmation en
nombres entiers
• Elle propose des modèles pour analyser des situations complexes et permet
aux décideurs de faire des choix efficaces et robustes
5 . Analyse de
sensibilité • Elle fournit des outils afin de trouver des solutions optimales ou proches de
l’optimum pour des problèmes d’optimisation
4
RAMCHOUN Hassan cours RO 2021/2022
Introduction
Exemples d’applications :
1.Introduction à
la modélisation
et à la PL • Comment ordonnancer les tâches d’un projet tout en minimisant sa durée?
• Trouver un (plus court) chemin entre deux villes
2 . Méthodes de
résolution • Comment investir 100000 DH dans un projet de sorte à maximiser le profit obtenu
après deux ans?
• Transport d’un ensemble de produits vers un ensemble de clients de sorte à
3 . Dualité en PL
minimiser le coût total du transport
Elaborer un modèle
5 . Analyse de Développer un algorithme de résolution exacte ou approchée ;
sensibilité
Evaluer la qualité des solutions produites par l’algorithme dans l’environnement réel
du problème.
5
RAMCHOUN Hassan cours RO 2021/2022
Définitions et écriture d’un programme linéaire
1.Introduction à
La programmation mathématique linéaire consiste le moyen le plus naturel
la modélisation
et à la PL pour modéliser une vaste classe de problèmes de recherche opérationnelle
2 . Méthodes de La programmation linéaire permet de traiter des problèmes dans lesquels on
résolution
cherche à optimiser (maximiser ou minimiser) une fonction linéaire de plusieurs
variables qui sont soumises à des restrictions imposées par la nature du
3 . Dualité en PL
problème. Ces restrictions appelées également contraintes, se représentent
sous forme d’équations ou inéquations linéaires
4 . Programmation en
nombres entiers
6
RAMCHOUN Hassan cours RO 2021/2022
Forme d’un programme linéaire
Un programme linéaire générale s’écrit sous la forme:
1.Introduction à max (min) c1 x1 + ... + cn xn
la modélisation
et à la PL æ £ö
ai1x1 + ... + ain xn çç ³ ÷÷ bi "i Î{1, ... , m}
2 . Méthodes de çè =÷ø
résolution
n
max (min) åc x i i
i=1
3 . Dualité en PL
n
æ £ö
å aij x j çç ³ ÷÷ bi "i Î{1, ... , m}
j =1 çè = ÷ø
4 . Programmation en
nombres entiers
Exemples
x1 + x2 = 6 x1 + x2 £ 4 x12 + x2 = 16
2x1 + x2 ³ 18 x1 + 4x2 ³ 18 2x1 + x2 ³ 18
7
RAMCHOUN Hassan cours RO 2021/2022
Forme d’un programme linéaire
1- Forme canonique d’un programme linéaire
1.Introduction à
la modélisation La forme canonique d’un programme linéaire est sous la forme suivante:
et à la PL
n
max z = å ci xi Problème de maximisation
2 . Méthodes de i=1
résolution n Toutes les contraintes sont du type inférieur ou égal
åa x ij j
£ bi "i Î{1, ... , m}
Toutes les variables sont positives
j =1
4 . Programmation en Exemple
nombres entiers
Max z = 5x1 - 3x2 Max z = 4x1 - x2
8
RAMCHOUN Hassan cours RO 2021/2022
Forme d’un programme linéaire
1.Introduction à
la modélisation
et à la PL
Tout programme linéaire peut être mis sous forme canonique, il suffit de noter que:
2 . Méthodes de min z Û max (-z)
résolution n n
Exemples
åa x ij j
³ bi Û å (-aij )x j £ -bi
j =1 j =1 Mettre sous forme canonique le programme
3 . Dualité en PL ì n suivant:
ïå aij x j £ bi max z = -5x1 + 3x2
n
ï j =1 min z = 5x1 - 3x2
å aij x j = bi Û í n n - x1 + x2 £ -2
ï a x ³ b Û (-a )x £ -b x1 - x2 ³ 2
ïå å ij j i
j =1
9
RAMCHOUN Hassan cours RO 2021/2022
Forme d’un programme linéaire
1.Introduction à Exemples:
la modélisation
et à la PL
Mettre sous forme canonique les programmes suivants:
2 . Méthodes de
résolution max z = 3x1 + 4x2 + 3x3
min z = 4x1 - x2 x1 + 3x2 £ 2
3 . Dualité en PL x1 + 7x2 £ 2 x1 - 3x2 + x3 = 5
x1 - x2 £ 1 x2 ³ 2
x1 ³ 0
4 . Programmation en x1 ³ 0
nombres entiers x3 £ 0
5 . Analyse de
sensibilité
10
RAMCHOUN Hassan cours RO 2021/2022
Forme d’un programme linéaire
1.Introduction à
2. Forme standard d’un programme linéaire
la modélisation
et à la PL La forme standard d’un programme linéaire est sous la forme suivante:
n
2 . Méthodes de max z = å ci xi
résolution i =1 Problème de maximisation
n
4 . Programmation en
nombres entiers Exemple
11
RAMCHOUN Hassan cours RO 2021/2022
Forme d’un programme linéaire
1.Introduction à
la modélisation
et à la PL
2 . Méthodes de Tout programme linéaire peut être mis sous forme standard, il suffit de noter que:
résolution min z Û max (-z)
n n
Exemple
åa x
j =1
ij j
£ bi Û å aij x j + yi = bi
j =1 Mettre sous forme standard les programmes
3 . Dualité en PL
les yi sont appelées var iables d 'écarts suivants:
z = -5x1 + 3x2
n n
z = 5x1 - 3x2
åa x ij j
³ bi Û å aij x j - yi = bi min max
4 . Programmation en j =1 j =1 x1 - x2 ³ 2 x1 - x2 - y1 = 2
nombres entiers les yi sont appelées var iables de surplus 2x1 + 3x2 £ 4 2x1 + 3x2 + y2 = 4
x j £ 0 Û -x j ³ 0 - x1 + 6x2 = 10 - x1 + 6x2 = 10
5 . Analyse de x j ÎRÛ x j = x'j - x''j avec x'j , x''j ³ 0 x1 , x2 ³ 0 x1 , x2 , y1 , y2 ³ 0
sensibilité
12
RAMCHOUN Hassan cours RO 2021/2022
Forme d’un programme linéaire
1.Introduction à
la modélisation Exemple:
et à la PL
13
RAMCHOUN Hassan cours RO 2021/2022
Modélisation d’un problème réel par un programme linéaire
1.Introduction à
la modélisation
et à la PL
2 . Méthodes de
résolution La modélisation d’un problème réel par un programme linéaire consiste à
faire:
3 . Dualité en PL
Le choix des variables
Le choix de la fonction objectif à optimiser
4 . Programmation en
nombres entiers
La détermination des contraintes
5 . Analyse de
sensibilité
14
RAMCHOUN Hassan cours RO 2021/2022
Modélisation d’un problème réel par un programme linéaire
Exemple 1 (problème de production) :
1.Introduction à
la modélisation
et à la PL Une usine fabrique deux produits P1 et P2 en utilisant un certain nombre de ressources. Ces
besoins sont indiqués dans le tableau suivant. Par ailleurs, chaque ressource est disponible en
2 . Méthodes de quantité limitée
résolution
P1 P2 Disponibilité
Ressource A 3 9 81
3 . Dualité en PL
Ressource B 4 5 55
Ressource C 2 1 20
4 . Programmation en
nombres entiers Les deux produits P1 et P2 rapportent à la vente respectivement des bénéfices de 60 DH et 40 DH
par unité. Quelles quantités de produits P1 et P2 doit produire l’usine afin de maximiser le
bénéfice total venant de la vente des 2 produits?
5 . Analyse de
sensibilité
15
RAMCHOUN Hassan cours RO 2021/2022
Modélisation d’un problème réel par un programme linéaire
Solution:
1.Introduction à
la modélisation Le choix des variables: x1 et x2 sont respectivement les quantités des produits P1 et P2
et à la PL
fabriqués
2 . Méthodes de Le choix de la fonction objectif à maximiser: la fonction objectif correspond au bénéfice total
résolution
est 60 x1 + 40 x2 Le problème se traduit donc par : max 60 x1 + 40 x2
La détermination des contraintes: 3x1 + 9x2 £ 81
3 . Dualité en PL • La disponibilité de chacune de ressources s’écrit: 4x1 + 5x2 £ 55
2x1 + x2 £ 20
• La positivité des variables: x , x ³ 0
4 . Programmation en 1 2
nombres entiers En résumé ce problème de production se modélise sous la forme:
max 60x1 + 40x2
5 . Analyse de 3x1 + 9x2 £ 81
sensibilité
4x1 + 5x2 £ 55
2x1 + x2 £ 20
x1 , x2 ³ 0
16
RAMCHOUN Hassan cours RO 2021/2022
Modélisation d’un problème réel par un programme linéaire
Exemple 2 (problème de fleuriste)
1.Introduction à
la modélisation
et à la PL
Problème de fleuriste
2 . Méthodes de
résolution Un fleuriste dispose de 45 roses, 36 Tulipes et 27 Marguerites
achetées à M MAD, Il veut offrir à ces clients deux types de
bouquets de fleurs:
3 . Dualité en PL
- Type 1: Bouquet à 80 MAD composé de 10 roses, 4 Tulipes et 2
Margurites
- Type 2 :Bouquet à 60 MAD composé de 6 roses, 6 Tulipes et 6
4 . Programmation en
nombres entiers Margurites
5 . Analyse de
Déterminer le nombre de bouquets de chaque type afin de
sensibilité maximiser son revenu total
17
RAMCHOUN Hassan cours RO 2021/2022
Modélisation d’un problème réel par un programme linéaire
C1 C2 C3
4 . Programmation en 200
nombres entiers
A1 1 4 9
A2 6 8 4 500
5 . Analyse de
sensibilité
Demande 200 400 100
Le problème est de déterminer quelle quantité chaque client reçoit de chaque entrepôt pour
19
RAMCHOUN Hassan cours RO 2021/2022
Modélisation d’un problème réel par un programme linéaire
Solution:
1.Introduction à
Le choix des variables:
la modélisation
et à la PL
x11 : Quantité à transporter de A1 à C1
2 . Méthodes de
résolution x12 : Quantité à transporter de A1 à C2
Entrepôt Clients Disponibilité
x13 : Quantité à transporter de A1 à C3
3 . Dualité en PL C1 C2 C3
x21 : Quantité à transporter de A2 à C1
A1 1 4 9 200
x22 : Quantité à transporter de A2 à C2 A2 6 8 4 500
4 . Programmation en
nombres entiers x23 : Quantité à transporter de A2 à C3
Demande 200 400 100
20
RAMCHOUN Hassan cours RO 2021/2022
Modélisation d’un problème réel par un programme linéaire
1.Introduction à
la modélisation La détermination des contraintes:
et à la PL
Disponibilité de chaque entrepôt:
21
RAMCHOUN Hassan cours RO 2021/2022
Solution: Modélisation d’un problème réel par un programme linéaire
1.Introduction à
la modélisation En résumé ce problème de transport se modélise sous la forme:
et à la PL
5 . Analyse de
sensibilité
22
RAMCHOUN Hassan cours RO 2021/2022
Méthode de résolution:
Chapitre 2 Algorithme de simplexe et ces
variantes
1.Introduction à
la modélisation Programmes Linéaire continus: La fonction objective et les contraintes sont
et à la PL toutes linéaires + le domaine des variables est continu
2 . Méthodes de
résolution
Programmes Linéaire en nombre entiers: La fonction objective et les
contraintes sont toutes linéaires + le domaine des variables est un sous
ensemble de ℕ
3 . Dualité en PL
24
RAMCHOUN Hassan cours RO 2021/2022
Solution: Méthode graphique pour la résolution des PL
1.Introduction à
la modélisation On pose 𝑋 = 𝑥 ∈ ℝ𝑛 𝑡𝑒𝑙𝑙𝑒 𝑞𝑢𝑒 𝐴1 𝑥 ≤ 𝑏1 ; 𝐴2 𝑥 ≥ 𝑏2 , 𝐴3 𝑥 = 𝑏3 comme étant
et à la PL l’ensembles des contraintes
2 . Méthodes de
résolution
Définitions
5 . Analyse de
sensibilité
25
RAMCHOUN Hassan cours RO 2021/2022
Solution: Méthode graphique pour la résolution des PL
26
RAMCHOUN Hassan cours RO 2021/2022
Solution: Méthode graphique pour la résolution des PL
1.Introduction à
la modélisation
et à la PL
Exemple
( P) : max 20x1 + 30x2
2 . Méthodes de
résolution x1 + 3x2 £ 18
x1 + x2 £ 8
2x1 + x2 £ 14
3 . Dualité en PL
x1 , x2 ³ 0
4 . Programmation en
nombres entiers Représenter graphiquement le polyèdre associé aux solutions réalisables du
programme (P)
5 . Analyse de
sensibilité
27
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode graphique pour la résolution des PL
max 20x1 + 30x2
1.Introduction à x1 + 3x2 £ 18
13
la modélisation x1 + x2 £ 8
et à la PL 12
2x1 + x2 £ 14
11
2 . Méthodes de x1 , x2 ³ 0
résolution 10
9
3 . Dualité en PL 8
7
6
4 . Programmation en
nombres entiers 5
4
5 . Analyse de 3
sensibilité
2
1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
28
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode graphique pour la résolution des PL
max 20x1 + 30x2
1.Introduction à x1 + 3x2 £ 18
13
la modélisation x1 + x2 £ 8
et à la PL 12
2x1 + x2 £ 14
11
2 . Méthodes de x1 + 3x2 = 18 x1 , x2 ³ 0
résolution 10
9
3 . Dualité en PL 8
7
(0, 6)
6
4 . Programmation en
nombres entiers 5
(6, 4)
4
5 . Analyse de 3
sensibilité
2
1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
29
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode graphique pour la résolution des PL
max 20x1 + 30x2
1.Introduction à x1 + 3x2 £ 18
13
la modélisation x1 + x2 £ 8
et à la PL 12
2x1 + x2 £ 14
11
2 . Méthodes de x1 + 3x2 = 18 x1 , x2 ³ 0
résolution 10
9
3 . Dualité en PL 8
7
(0, 6)
6
4 . Programmation en
nombres entiers 5
(6, 4)
4
5 . Analyse de 3
sensibilité
2
1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
30
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode graphique pour la résolution des PL
max 20x1 + 30x2
1.Introduction à
13 x1 + 3x2 £ 18
la modélisation
et à la PL 12 x1 + x2 £ 8
11 2x1 + x2 £ 14
2 . Méthodes de x1 + x2 = 8
résolution 10 x1 , x2 ³ 0
9
8 (0, 8)
3 . Dualité en PL
7
(0, 6)
6
4 . Programmation en
nombres entiers 5
(6, 4)
4
5 . Analyse de 3
sensibilité
2
1
(8, 0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
31
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode graphique pour la résolution des PL
max 20x1 + 30x2
1.Introduction à
13 x1 + 3x2 £ 18
la modélisation
et à la PL 12 x1 + x2 £ 8
11 2x1 + x2 £ 14
2 . Méthodes de x1 + x2 = 8
résolution 10 x1 , x2 ³ 0
9
8 (0, 8)
3 . Dualité en PL
7
(0, 6)
6
4 . Programmation en
nombres entiers 5
(6, 4)
4
5 . Analyse de 3
sensibilité
2
1
(8, 0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
32
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode graphique pour la résolution des PL
max 20x1 + 30x2
x1 + 3x2 £ 18
1.Introduction à
13
la modélisation x1 + x2 £ 8
et à la PL 12 (1, 12)
2x1 + x2 £ 14
11
2 . Méthodes de 2x1 + x2 = 14 x1 , x2 ³ 0
résolution 10 (2, 10)
9
8 (0, 8)
3 . Dualité en PL
7
(0, 6)
6
4 . Programmation en
nombres entiers 5
(6, 4)
4
5 . Analyse de 3
sensibilité
2
1
(8, 0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
33
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode graphique pour la résolution des PL
max 20x1 + 30x2
x1 + 3x2 £ 18
1.Introduction à
13
la modélisation x1 + x2 £ 8
et à la PL 12 (1, 12)
2x1 + x2 £ 14
11
2 . Méthodes de x1 , x2 ³ 0
résolution 10 (2, 10)
9
8 (0, 8)
3 . Dualité en PL
7
(0, 6)
6 Le polyèdre qui représente le domaine réalisable D
4 . Programmation en
nombres entiers 5
(6, 4)
4
5 . Analyse de 3
sensibilité
2
1
(8, 0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
34
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode graphique pour la résolution des PL
1.Introduction à
la modélisation
et à la PL Considérons le programme linéaire (PL) sous forme canonique:
n Avec :
2 . Méthodes de max z = å ci xi
c = (ci )i =1...n
résolution i=1
max z = cT x
n x = (xi )i =1...n
åa x ij j
£ bi "i Î{1, ... , m} Ax £ b
A = (aij )i =1...n
3 . Dualité en PL
j =1
x³0 j =1...m
xj ³ 0 "j Î{1, ... , n}
b = (bi )i =1...m
4 . Programmation en
nombres entiers Notons D = {x ÎRn / Ax £ b, x ³ 0} l’ensemble des solutions réalisables de PL, on
dit que D est un polyèdre
5 . Analyse de
sensibilité Propriété:
35
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode graphique pour la résolution des PL
1.Introduction à
la modélisation
et à la PL Rappel: Un ensemble C est convexe si " x, y ÎC "a Î[0,1] on a a x + (1- a ) y ÎC
2 . Méthodes de
résolution Autrement dit un ensemble C est convexe si et seulement si tout segment de
droite reliant deux points de C est entièrement contenu dans C
3 . Dualité en PL
A
Convexe
4 . Programmation en
nombres entiers Non
convexe
5 . Analyse de
sensibilité B
36
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode graphique pour la résolution des PL
1.Introduction à
la modélisation Soit D un polyèdre. Un point x ÎD est un point extrême de D si on ne peut pas
et à la PL
l’exprimer comme combinaison convexe de deux autres points de D
2 . Méthodes de
résolution Soit D un polyèdre. Un point x ÎD est un point extrême de D si on ne peut pas
trouver deux points y et z dans D, différents de x, et un scalaire a Î[0,1] tels que
3 . Dualité en PL
x = a y + (1- a )z
4 . Programmation en
nombres entiers
5 . Analyse de
sensibilité
37
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode graphique pour la résolution des PL
1.Introduction à
la modélisation
et à la PL Soit D un polyèdre borné qui a un nombre fini n de points extrêmes (y1, y2, …, yn). Tout
point de D est une combinaison linéaire convexe des points extrêmes de D
2 . Méthodes de
résolution n n
"x ÎD x = å lk yk avec lk ³ 0, ål k
=1
k=1 k=1
3 . Dualité en PL
Théorème
4 . Programmation en
nombres entiers
L’optimum d’une fonction objective sur un polyèdre borné D est atteint en au
moins un point extrême
5 . Analyse de
sensibilité
38
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode graphique pour la résolution des PL
max 20x1 + 30x2
1.Introduction à x1 + 3x2 £ 18
13
la modélisation x1 + x2 £ 8
et à la PL 12
2x1 + x2 £ 14
11
2 . Méthodes de x1 , x2 ³ 0
résolution 10
9
3 . Dualité en PL 8
7
(0, 6)
6
(3, 5)
4 . Programmation en
nombres entiers 5
4
5 . Analyse de 3
sensibilité (6, 2)
2
1
(7, 0)
(0, 0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
-1
39
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode graphique pour la résolution des PL
max 20x1 + 30x2
x1 + 3x2 £ 18
1.Introduction à 13
la modélisation x1 + x2 £ 8
12
et à la PL 2x1 + x2 £ 14
11
x1 , x2 ³ 0
2 . Méthodes de
résolution 10
Représenter un niveau de la droite de la fonction objectif qui a au moins un
9
point d’intersection avec le domaine réalisable
8
3 . Dualité en PL Translater ce niveau de la droite de la fonction objectif selon la direction de
7 son gradient jusqu’à toucher le dernier point du domaine réalisable
(0, 6)
6
(3, 5)
4 . Programmation en 5
nombres entiers
4
3
5 . Analyse de (6, 2)
sensibilité 2
1
(7, 0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
-1
40
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode graphique pour la résolution des PL
max 20x1 + 30x2
x1 + 3x2 £ 18
1.Introduction à 13
la modélisation f (x1 , x2 ) = 20x1 + 30x2 x1 + x2 £ 8
et à la PL 12
¶f ¶f 2x1 + x2 £ 14
11 Ñf (x1 , x2 ) = ( , )
2 . Méthodes de
¶x1 ¶x2 x1 , x2 ³ 0
résolution 10 Ñf (x1 , x2 ) = (20,30) = 10 (2,3)
9
8
3 . Dualité en PL Translater ce niveau de la droite de la fonction objective selon la
7
(0, 6) direction de son gradient jusqu’à toucher le dernier point du
6
(3, 5)
4 . Programmation en 5
domaine réalisable
nombres entiers
4
3
5 . Analyse de (6, 2)
sensibilité 2
1
(7, 0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
-1
41
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode graphique pour la résolution des PL
max 20x1 + 30x2
x1 + 3x2 £ 18
1.Introduction à 13
la modélisation x1 + x2 £ 8
et à la PL 12
2x1 + x2 £ 14
11
2 . Méthodes de x1 , x2 ³ 0
résolution 10
9
8
3 . Dualité en PL
7
(0, 6)
6
(3, 5)
4 . Programmation en 5
nombres entiers
4
3
5 . Analyse de (6, 2)
sensibilité 2
1
(7, 0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
-1
42
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode graphique pour la résolution des PL
max 20x1 + 30x2
x1 + 3x2 £ 18
1.Introduction à 13
la modélisation x1 + x2 £ 8
et à la PL 12
2x1 + x2 £ 14
11
2 . Méthodes de x1 , x2 ³ 0
résolution 10
9
8
3 . Dualité en PL
7
(0, 6)
6
(3, 5)
4 . Programmation en 5
nombres entiers
4
3
5 . Analyse de (6, 2)
sensibilité 2
1
(7, 0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
-1
43
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode graphique pour la résolution des PL
max 20x1 + 30x2
x1 + 3x2 £ 18
1.Introduction à 13
la modélisation x1 + x2 £ 8
et à la PL 12
2x1 + x2 £ 14
11
2 . Méthodes de x1 , x2 ³ 0
résolution 10
9
8
3 . Dualité en PL
7
(0, 6)
6
(3, 5)
4 . Programmation en 5 Solution optimale (3,5)
nombres entiers
4
3
5 . Analyse de (6, 2)
sensibilité 2
1
(7, 0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
-1
44
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode graphique pour la résolution des PL
domaine réalisable
45
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode graphique pour la résolution des PL
1.Introduction à
la modélisation Exemples
et à la PL
2 . Méthodes de
résolution Résoudre graphiquement les programmes linéaires suivants:
4 . Programmation en
x1 , x2 ³ 0 x1 , x2 ³ 0
nombres entiers
5 . Analyse de
sensibilité
46
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode graphique pour la résolution des PL
1.Introduction à
max 2x1 + 2x2
13
la modélisation x1 + x2 £ 8
et à la PL 12
x1 + 2x2 £ 12
11
2 . Méthodes de x1 , x2 ³ 0
résolution 10
9
3 . Dualité en PL 8
7
6
4 . Programmation en
nombres entiers 5
4
5 . Analyse de 3
sensibilité
2
1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
47
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode graphique pour la résolution des PL
6
4 . Programmation en
nombres entiers 5
4
5 . Analyse de 3
sensibilité
2
1 (8, 0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
48
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode graphique pour la résolution des PL
1.Introduction à
13 max 2x1 + 2x2
la modélisation
et à la PL 12 x1 + x2 £ 8
11 x1 + 2x2 £ 12
2 . Méthodes de
résolution 10
x1 , x2 ³ 0
9
(0, 8)
3 . Dualité en PL 8
(0,
7 6)
6
4 . Programmation en
nombres entiers 5
4
5 . Analyse de 3
sensibilité
2
(12, 0)
1 (8, 0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
49
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode graphique pour la résolution des PL
max 2x1 + 2x2
1.Introduction à x1 + x2 £ 8
13
la modélisation
et à la PL x1 + 2x2 £ 12
12
x1 , x2 ³ 0
11
2 . Méthodes de
résolution 10
9
3 . Dualité en PL 8
7
(0, 6)
6
4 . Programmation en
nombres entiers 5
(4, 4)
4
5 . Analyse de 3
sensibilité
2
1
(8, 0)
(0, 0) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
(1, -1) 50
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode graphique pour la résolution des PL
max 2x1 + 2x2
1.Introduction à x1 + x2 £ 8
13
la modélisation
et à la PL f (x1 , x2 ) = 2x1 + 2x2 x1 + 2x2 £ 12
12
¶f ¶f x1 , x2 ³ 0
11 Ñf (x1 , x2 ) = ( , )
2 . Méthodes de ¶x1 ¶x2
résolution 10 Ñf (x1 , x2 ) = (2,2)
9
3 . Dualité en PL 8
7
(0, 6)
6
4 . Programmation en
nombres entiers 5
(4, 4)
4
5 . Analyse de 3
sensibilité
2
1
(8, 0)
(0, 0) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
(1, -1) 51
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode graphique pour la résolution des PL
max 2x1 + 2x2
1.Introduction à x1 + x2 £ 8
13
la modélisation
et à la PL x1 + 2x2 £ 12
12
x1 , x2 ³ 0
11
2 . Méthodes de
résolution 10
9
3 . Dualité en PL 8
7
(0, 6)
6
4 . Programmation en
nombres entiers 5
(4, 4)
4
5 . Analyse de 3
sensibilité
2
1
(8, 0)
(0, 0) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
52
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode graphique pour la résolution des PL
max 2x1 + 2x2
1.Introduction à x1 + x2 £ 8
13
la modélisation
et à la PL x1 + 2x2 £ 12
12
x1 , x2 ³ 0
11
2 . Méthodes de
résolution 10
9
3 . Dualité en PL 8
7
(0, 6)
6
4 . Programmation en
nombres entiers 5
(4, 4)
4
5 . Analyse de 3
sensibilité
2
1
(8, 0)
(0, 0) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
53
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode graphique pour la résolution des PL
max 2x1 + 2x2
1.Introduction à x1 + x2 £ 8
13
la modélisation
et à la PL x1 + 2x2 £ 12
12
x1 , x2 ³ 0
11
2 . Méthodes de
résolution 10
9
3 . Dualité en PL 8
7
(0, 6)
6
4 . Programmation en
nombres entiers 5
(4, 4)
4
5 . Analyse de 3
sensibilité
2
1
(8, 0)
(0, 0) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
54
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode graphique pour la résolution des PL
max 2x1 + 2x2
1.Introduction à x1 + x2 £ 8
13
la modélisation
et à la PL x1 + 2x2 £ 12
12
x1 , x2 ³ 0
11
2 . Méthodes de
résolution 10
9
3 . Dualité en PL 8
7
(0, 6)
6
4 . Programmation en Une infinité de solutions présentées par
nombres entiers 5
le segment [A,B]
A= (4, 4)
4
5 . Analyse de 3
sensibilité
2
1
B= (8, 0)
(0, 0) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
55
RAMCHOUN Hassan cours RO 2021/2022
Méthode graphique pour la résolution des PL max 3x1 + 6x2
Solution:
Domaine réalisable est vide x1 + x2 £ 4
Problème impossible 2x1 + x2 ³ 12
1.Introduction à
la modélisation
13
(0, 12) x1 , x2 ³ 0
et à la PL 12
11
2 . Méthodes de
résolution 10
9
3 . Dualité en PL 8
7
6
4 . Programmation en
nombres entiers 5
4
3 (5, 2)
5 . Analyse de
sensibilité
2
1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
56
RAMCHOUN Hassan cours RO 2021/2022
Solution: Exercice
1.Introduction à
la modélisation
et à la PL
2 . Méthodes de
résolution
3 . Dualité en PL
4 . Programmation en
nombres entiers
5 . Analyse de
sensibilité
57
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode de simplexe
1.Introduction à
la modélisation
et à la PL L’algorithme du simplexe est la méthode la plus utilisée pour résoudre les
58
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode de simplexe
3 . Dualité en PL
Domaine
réalisable D
4 . Programmation en
nombres entiers
5 . Analyse de
sensibilité
59
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode de simplexe
3 . Dualité en PL
Domaine
réalisable D
4 . Programmation en
nombres entiers
5 . Analyse de
sensibilité
60
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode de simplexe
5 . Analyse de
sensibilité
61
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode de simplexe
62
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode de simplexe
Pour présenter l’algorithme de simplexe, nous commençons par la définition des notions
1.Introduction à
la modélisation suivantes:
et à la PL
2 . Méthodes de
résolution Base d’un système d’équations linéaires
4 . Programmation en
nombres entiers
5 . Analyse de
sensibilité
2 . Méthodes de
résolution Exemple
Ax = b
5 . Analyse de
æ 1 3 ö
æ 1 3 1 0 0 ö æ 1 0 0 ö
sensibilité Est une sous matrice N=ç 1 1 ÷
A= ç 1 1 0 1 0 ÷ B= ç 0 1 0 ÷ ç ÷
çè 2 1 ÷ø
ç ÷ ç ÷ inversible de A de
çè 2 1 0 0 1 ÷ø çè 0 0 1 ÷ø dimension 3×3
Matrice hors base
Þ B est une base
64
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode de simplexe
1. Base d’un système d’équations linéaires
1.Introduction à Soit Ax = b un système d’équations linéaires avec A est une matrice de dimension m×n
la modélisation
et à la PL Toute sous matrice inversible de A de dimension m×m est une base du système
Exemple
2 . Méthodes de
résolution
max 20x1 + 30x2 max 20x1 + 30x2 Ax = b
x1 + 3x2 £ 18 x1 + 3x2 + y1 = 18
3 . Dualité en PL
x1 + x2 £ 8 x1 + x2 + y2 = 8 x1 + 3x2 + y1 = 18
2x1 + x2 £ 14 2x1 + x2 + y3 = 14 x1 + x2 + y2 = 8
4 . Programmation en x1 , x2 ³ 0 x1 , x2 , y1 , y2 , y3 ³ 0 2x1 + x2 + y3 = 14
nombres entiers
Variables hors base xN Variables de base xB
æ 1 0 0 ö æ 1 3 ö
5 . Analyse de
æ x1 x2 y1 y2 y3 ö B=ç 0 1 0 ÷ N=ç 1 1 ÷
ç ÷ ç ÷ ç ÷
sensibilité çè 0 0 1 ÷ø çè 2 1 ÷ø
A= ç 1 3 1 0 0 ÷
ç 1 1 0 1 0 ÷ Matrice hors base
ç ÷ Matrice base
è 2 1 0 0 1 ø
cN = (20 30) cB = (0 0 0 )
65
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode de simplexe
2. Solution de base associée à la base B d’un système d’équations linéaires
1.Introduction à
la modélisation
et à la PL
-1 -1
On a xB = B b- B N xN
2 . Méthodes de
résolution On dit que x = [ xN xB ] est solution de base associée à la base B si xN = 0
y1 = 18 - x1 - 3x2
4 . Programmation en y2 = 8 - x1 - x2
nombres entiers
y3 = 14 - 2x1 - x2
æ y ö æ ö
5 . Analyse de
sensibilité æ x1 ö æ 0ö ç
1
÷ ç 18 ÷ Þ ( 0 0 18 8 14) est une solution de base
xN = 0 Þ ç ÷ = ç ÷ Þ ç y2 ÷ = 8
÷ çç 14 ÷ associée à la base B
è x2 ø è 0ø ç ÷ø
çè y3 ÷ø è
66
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Méthode de simplexe
3. Solution de base réalisable associée à la base B d’un système d’équations linéaires
1.Introduction à
la modélisation On dit que x = [ xN xB ] est solution de base réalisable associée à la base B si toutes les
et à la PL
composantes de x sont positives
2 . Méthodes de
résolution y1 = 18 - x1 - 3x2
y2 = 8 - x1 - x2
y3 = 14 - 2x1 - x2
3 . Dualité en PL
æ y ö æ ö
æ x1 ö æ 0ö ç 1 ÷ ç 18 ÷
xN = 0 Þ ç ÷ = ç ÷ Þ ç y2 ÷ = 8
4 . Programmation en è x2 ø è 0ø ç ÷ çè 14 ÷
ø
nombres entiers çè y3 ÷ø
æ x æ 20 ö
base, c’est celle pour laquelle on a: x2 ö ç ÷
ì
ï li ü
ï ç 1 ÷ æ 18 ö
ai > 0, i = 1,..., mý ç 30 ÷
min í , N =ç 1 3 ÷ b= ç 8 ÷ c=ç 0 ÷
ï ï ç 1 ç ÷
î ai þ 1 ÷ è 14 ø ç 0 ÷
Où λi sont les coefficients de la dernière colonne et ai sont les ç ÷
è 2 1 ø ç ÷
coefficients de la variable entrante. Si tous les ai sont inférieurs è 0 ø
ou égale à 0, alors la solution est non bornée æ y1 ö
ç ÷ æx ö
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable xB = ç y2 ÷ xN = ç 1 ÷
è x2 ø Construire le tableau
entrante et la ligne de la variable sortante ç
è y3 ÷
ø initial
Étape 4. Calcul de nouveau tableau par les deux règles suivantes:
Variables hors base xN Variables de
base xB
Variables de B-1 N = N I B-1 b = b
lignepivot base xB
lignepivot =
P (Retourner à l’étape 2)
ai
lignei = lignei - lignepivot (i ¹ pivot) ΔN = cNT– cBT B-1 N = cNT 0 z- cBT B-1b = z
P -0
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation
Étape 1. Initialisation
æ x y3 ö æ y y3 ö
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser ç 1
x2 y1 y2
÷ ç 1
y2
÷
les variables de base et les variables hors base A= ç 1 3 1 0 0 ÷ B= ç 1 0 0 ÷
Construire le tableau associé à la base B: ç 1 1 0 1 0 ÷ ç 0 1 0 ÷
ç ÷ ç ÷
Étape 2. Choix de la variable entrante è 2 1 0 0 1 ø è 0 0 1 ø
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution æ x æ 20 ö
x2 ö ç ÷
actuelle est optimale ç 1 ÷ æ 18 ö
ç 30 ÷
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la N=ç 1 3 ÷ b= ç 8 ÷ c= ç 0 ÷
ç 1 ç ÷
variable hors base affectée au coefficient positif le plus élevé ç 1 ÷÷ ç
è 14 ÷
ø ç 0 ÷
è 2 1 ø ç ÷
Étape 3. Choix de la variable sortante è 0 ø
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base, æ y1 ö
c’est celle pour laquelle on a: ç ÷ æx ö
xB = ç y2 ÷ xN = ç 1 ÷
ì
ï li ü
ï ç è x2 ø
min í , ai > 0, i = 1,..., mý è y1 ÷
ø
ï
î ai ï
þ
Où λi sont les coefficients de la dernière colonne et ai sont les Variables hors base Variables de base
coefficients de la variable entrante. Si tous les ai sont inférieurs xN xB
ou égale à 0, alors la solution est non bornée Variables de N I b
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable base xB
entrante et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes: cN 0 z-0
x1 x2 y1 y2 y3
lignepivot
lignepivot = y1 1 3 1 0 0 18
P (Retourner à l’étape 2) y2 1 1 0 1 0 8
ai y3 2 1 0 0 1 14
lignei = lignei - lignepivot (i ¹ pivot)
P 20 30 0 0 0 z-0
Algorithme de simplexe: méthode tabulaire
Étape 2. Choix de la variable entrante
Étape 1. Initialisation x1 x2 y1 y2 y3
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les y1 1 3 1 0 0 18
variables de base et les variables hors base y2 1 1 0 1 0 8
Construire le tableau associé à la base B: y3 2 1 0 0 1 14
Étape 2. Choix de la variable entrante 20 30 0 0 0 z-0
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution
actuelle est optimale Variable entrante est x2
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
hors base affectée au coefficient positif le plus élevé
Étape 3. Choix de la variable sortante
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base,
c’est celle pour laquelle on a:
ì
ï li ü
ï
min í , ai > 0, i = 1,..., mý
ï ai
î ï
þ
Où λi sont les coefficients de la dernière colonne et ai sont les
coefficients de la variable entrante. Si tous les ai sont inférieurs
ou égale à 0, alors la solution est non bornée
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes:
lignepivot
lignepivot =
P
ai
lignei = lignei - lignepivot (i ¹ pivot) (Retourner à l’étape 2)
P
Algorithme de simplexe: méthode tabulaire
Étape 2. Choix de la variable entrante
Étape 1. Initialisation x1 x2 y1 y2 y3
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les
y1 1 3 1 0 0 18
variables de base et les variables hors base y2 1 1 0 1 0 8
Construire le tableau associé à la base B: y3 2 1 0 0 1 14
Étape 2. Choix de la variable entrante 20 30 0 0 0 z-0
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution
actuelle est optimale
Variable entrante est x2
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
hors base affectée au coefficient positif le plus élevé
Étape 3. Choix de la variable sortante
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base,
c’est celle pour laquelle on a:
ì
ïl ü
ï
min í i , ai > 0, i = 1,..., mý
ï
î ai ï
þ
Où λi sont les coefficients de la dernière colonne et ai sont les
coefficients de la variable entrante. Si tous les ai sont inférieurs
ou égale à 0, alors la solution est non bornée
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes:
lignepivot
lignepivot =
P
ai (Retourner à l’étape 2)
lignei = lignei - lignepivot (i ¹ pivot)
P
Algorithme de simplexe: méthode tabulaire
Étape 3. Choix de la variable sortante
x1 x2 y1 y2 y3
Étape 1. Initialisation
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les y1 1 3 1 0 0 18 6
y2 1 1 0 1 0 8 8
variables de base et les variables hors base y3 2 1 0 0 1 14 14
Construire le tableau associé à la base B:
20 30 0 0 0 z-0
Étape 2. Choix de la variable entrante
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution
actuelle est optimale Variable entrante est x2
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
hors base affectée au coefficient positif le plus élevé
Étape 3. Choix de la variable sortante
Appliquer la règle du plus ì lpetit rapport pour identifier la variable qui quitte la base,
ï ü
ï
í a: , ai > 0, i = 1,..., mý
i
c’est celle pour laquelle
minon
ï ai
î ï
þ
lignepivot
lignepivot =
P
ai
lignei = lignei - lignepivot (i ¹ pivot) (Retourner à l’étape 2)
P
Algorithme de simplexe: méthode tabulaire
Étape 3. Choix de la variable sortante
x1 x2 y1 y2 y3
Étape 1. Initialisation
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les y1 1 3 1 0 0 18 6 y1
8 Variable
variables de base et les variables hors base y2 1 1 0 1 0 8
y3 2 1 0 0 1 14 14 sortante
Construire le tableau associé à la base B:
Étape 2. Choix de la variable entrante 20 30 0 0 0 z-0
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution
actuelle est optimale Variable entrante est x2
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
hors base affectée au coefficient positif le plus élevé
Étape 3. Choix de la variable sortante
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base,
c’est celle pour laquelle on a:
ì
ï li ü
ï
min í , ai > 0, i = 1,..., mý
ï ai
î ï
þ
Où λi sont les coefficients de la dernière colonne et ai sont les
coefficients de la variable entrante. Si tous les ai sont inférieurs
ou égale à 0, alors la solution est non bornée
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes:
lignepivot
lignepivot =
P
ai (Retourner à l’étape 2)
lignei = lignei - lignepivot (i ¹ pivot)
P
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les x1 x2 y1 y2 y3
variables de base et les variables hors base y1
y1 1 3 1 0 0 18 6
Construire le tableau associé à la base B: Variable
y2 1 1 0 1 0 8 8
Étape 2. Choix de la variable entrante y3 2 1 0 0 1 14 14 sortante
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution 20 30 0 0 0 z-0
actuelle est optimale
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
Variable entrante est x2
hors base affectée au coefficient positif le plus élevé
Étape 3. Choix de la variable sortante
Étape 4. Construire le nouveau tableau
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base,
c’est celle pour laquelle on a:
ì
ï li ü
ï x1 x2 y1 y2 y3
min í , ai > 0, i = 1,..., mý
ï
î ai ï
þ
Où λi sont les coefficients de la dernière colonne et ai sont les x2 1/3 1 1/3 0 0 6
coefficients de la variable entrante. Si tous les ai sont inférieurs y2 2/3 0 -1/3 1 0 2
ou égale à 0, alors la solution est non bornée y3 5/3 0 -1/3 0 1 8
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante 10 0 -10 0 0 z-180
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes:
lignepivot
lignepivot =
P (Retourner à l’étape 2)
ai
lignei = lignei - lignepivot (i ¹ pivot)
P
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les x1 x2 y1 y2 y3
variables de base et les variables hors base y1
y1 1 3 1 0 0 18 6
Construire le tableau associé à la base B: Variable
y2 1 1 0 1 0 8 8
Étape 2. Choix de la variable entrante y3 2 1 0 0 1 14 14 sortante
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution 20 30 0 0 0 z-0
actuelle est optimale
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
Variable entrante est x2
hors base affectée au coefficient positif le plus élevé
Étape 3. Choix de la variable sortante
Étape 4. Construire le nouveau tableau
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base,
c’est celle pour laquelle on a:
ì
ï li ü
ï x1 x2 y1 y2 y3
min í , ai > 0, i = 1,..., mý
ï
î ai ï
þ
Où λi sont les coefficients de la dernière colonne et ai sont les x2 1/3 1 1/3 0 0 6
coefficients de la variable entrante. Si tous les ai sont inférieurs y2 2/3 0 -1/3 1 0 2
ou égale à 0, alors la solution est non bornée y3 5/3 0 -1/3 0 1 8
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante 10 0 -10 0 0 z-180
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes:
lignepivot
lignepivot =
P (Retourner à l’étape 2)
ai
lignei = lignei - lignepivot (i ¹ pivot)
P
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les x1 x2 y1 y2 y3
variables de base et les variables hors base y1
y1 1 3 1 0 0 18 6
Construire le tableau associé à la base B: Variable
y2 1 1 0 1 0 8 8
Étape 2. Choix de la variable entrante y3 2 1 0 0 1 14 14 sortante
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution 20 30 0 0 0 z-0
actuelle est optimale
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
Variable entrante est x2
hors base affectée au coefficient positif le plus élevé
Étape 3. Choix de la variable sortante
Étape 4. Construire le nouveau tableau
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base,
c’est celle pour laquelle on a:
ì
ï li ü
ï x1 x2 y1 y2 y3
min í , ai > 0, i = 1,..., mý
ï
î ai ï
þ
Où λi sont les coefficients de la dernière colonne et ai sont les x2 1/3 1 1/3 0 0 6
coefficients de la variable entrante. Si tous les ai sont inférieurs y2 2/3 0 -1/3 1 0 2
ou égale à 0, alors la solution est non bornée y3 5/3 0 -1/3 0 1 8
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante 10 0 -10 0 0 z-180
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes:
lignepivot
lignepivot =
P (Retourner à l’étape 2)
ai
lignei = lignei - lignepivot (i ¹ pivot)
P
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les x1 x2 y1 y2 y3
variables de base et les variables hors base y1
y1 1 3 1 0 0 18 6
Construire le tableau associé à la base B: Variable
y2 1 1 0 1 0 8 8
Étape 2. Choix de la variable entrante y3 2 1 0 0 1 14 14 sortante
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution 20 30 0 0 0 z-0
actuelle est optimale
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
Variable entrante est x2
hors base affectée au coefficient positif le plus élevé
Étape 3. Choix de la variable sortante
Étape 4. Construire le nouveau tableau
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base,
c’est celle pour laquelle on a:
ì
ï li ü
ï x1 x2 y1 y2 y3
min í , ai > 0, i = 1,..., mý
ï
î ai ï
þ L1
Où λi sont les coefficients de la dernière colonne et ai sont les x2 1/3 1 1/3 0 0 6 L1 =
coefficients de la variable entrante. Si tous les ai sont inférieurs y2 2/3 0 -1/3 1 0 2 3
ou égale à 0, alors la solution est non bornée y3 5/3 0 -1/3 0 1 8
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante 10 0 -10 0 0 z-180
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes:
lignepivot
lignepivot =
P (Retourner à l’étape 2)
ai
lignei = lignei - lignepivot (i ¹ pivot)
P
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les x1 x2 y1 y2 y3
variables de base et les variables hors base y1
y1 1 3 1 0 0 18 6
Construire le tableau associé à la base B: Variable
y2 1 1 0 1 0 8 8
Étape 2. Choix de la variable entrante y3 2 1 0 0 1 14 14 sortante
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution 20 30 0 0 0 z-0
actuelle est optimale
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
Variable entrante est x2
hors base affectée au coefficient positif le plus élevé
Étape 3. Choix de la variable sortante
Étape 4. Construire le nouveau tableau
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base,
c’est celle pour laquelle on a:
x1 x2 y1 y2 y3
ì L1
ïl ü
ï L1 =
min í i , ai > 0, i = 1,..., mý x2 1/3 1 1/3 0 0 6
ï ï 3
î ai þ y2 2/3 0 -1/3 1 0 2
Où λi sont les coefficients de la dernière colonne et ai sont les y3 5/3 0 -1/3 0 1 8
coefficients de la variable entrante. Si tous les ai sont inférieurs 10 0 -10 0 0 z-180
ou égale à 0, alors la solution est non bornée
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes:
lignepivot
lignepivot =
P
a
lignei = lignei - i lignepivot (i ¹ pivot) (Retourner à l’étape 2)
P
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les x1 x2 y1 y2 y3
variables de base et les variables hors base y1
y1 1 3 1 0 0 18 6
Construire le tableau associé à la base B: Variable
y2 1 1 0 1 0 8 8
Étape 2. Choix de la variable entrante y3 2 1 0 0 1 14 14 sortante
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution 20 30 0 0 0 z-0
actuelle est optimale
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
Variable entrante est x2
hors base affectée au coefficient positif le plus élevé
Étape 3. Choix de la variable sortante
Étape 4. Construire le nouveau tableau
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base,
c’est celle pour laquelle on a:
x1 x2 y1 y2 y3
ì
ïl ü
ï
min í i , ai > 0, i = 1,..., mý x2 1/3 1 1/3 0 0 6
L1
ï
î ai ï
þ y2 2/3 0 -1/3 1 0 2 L2 = L2 -
Où λi sont les coefficients de la dernière colonne et ai sont les y3 5/3 0 -1/3 0 1 8 3
coefficients de la variable entrante. Si tous les ai sont inférieurs 10 0 -10 0 0 z-180
ou égale à 0, alors la solution est non bornée
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes:
lignepivot
lignepivot =
P
a
lignei = lignei - i lignepivot (i ¹ pivot) (Retourner à l’étape 2)
P
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les x1 x2 y1 y2 y3
variables de base et les variables hors base y1
y1 1 3 1 0 0 18 6
Construire le tableau associé à la base B: Variable
y2 1 1 0 1 0 8 8
Étape 2. Choix de la variable entrante y3 2 1 0 0 1 14 14 sortante
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution 20 30 0 0 0 z-0
actuelle est optimale
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
Variable entrante est x2
hors base affectée au coefficient positif le plus élevé
Étape 3. Choix de la variable sortante
Étape 4. Construire le nouveau tableau
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base,
c’est celle pour laquelle on a:
ì
ï li ü
ï x1 x2 y1 y2 y3
min í , ai > 0, i = 1,..., mý
ï
î ai ï
þ
Où λi sont les coefficients de la dernière colonne et ai sont les x2 1/3 1 1/3 0 0 6
L1
coefficients de la variable entrante. Si tous les ai sont inférieurs y2 2/3 0 -1/3 1 0 2 L2 = L2 -
ou égale à 0, alors la solution est non bornée y3 5/3 0 -1/3 0 1 8 3
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante 10 0 -10 0 0 z-180
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes:
lignepivot
lignepivot =
P (Retourner à l’étape 2)
ai
lignei = lignei - lignepivot (i ¹ pivot)
P
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les x1 x2 y1 y2 y3
variables de base et les variables hors base y1
y1 1 3 1 0 0 18 6
Construire le tableau associé à la base B: Variable
y2 1 1 0 1 0 8 8
Étape 2. Choix de la variable entrante y3 2 1 0 0 1 14 14 sortante
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution 20 30 0 0 0 z-0
actuelle est optimale
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
Variable entrante est x2
hors base affectée au coefficient positif le plus élevé
Étape 3. Choix de la variable sortante
Étape 4. Construire le nouveau tableau
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base,
c’est celle pour laquelle on a:
ì
ï li ü
ï x1 x2 y1 y2 y3
min í , ai > 0, i = 1,..., mý
ï
î ai ï
þ
Où λi sont les coefficients de la dernière colonne et ai sont les x2 1/3 1 1/3 0 0 6
coefficients de la variable entrante. Si tous les ai sont inférieurs y2 2/3 0 -1/3 1 0 2
L1
ou égale à 0, alors la solution est non bornée y3 5/3 0 -1/3 0 1 8 L3 = L3 -
3
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante 10 0 -10 0 0 z-180
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes:
lignepivot
lignepivot =
P (Retourner à l’étape 2)
ai
lignei = lignei - lignepivot (i ¹ pivot)
P
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les x1 x2 y1 y2 y3
variables de base et les variables hors base y1
y1 1 3 1 0 0 18 6
Construire le tableau associé à la base B: Variable
y2 1 1 0 1 0 8 8
Étape 2. Choix de la variable entrante y3 2 1 0 0 1 14 14 sortante
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution 20 30 0 0 0 z-0
actuelle est optimale
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
Variable entrante est x2
hors base affectée au coefficient positif le plus élevé
Étape 3. Choix de la variable sortante
Étape 4. Construire le nouveau tableau
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base,
c’est celle pour laquelle on a:
ì
ï li ü
ï x1 x2 y1 y2 y3
min í , ai > 0, i = 1,..., mý
ï
î ai ï
þ
Où λi sont les coefficients de la dernière colonne et ai sont les x2 1/3 1 1/3 0 0 6
coefficients de la variable entrante. Si tous les ai sont inférieurs y2 2/3 0 -1/3 1 0 2
L1
ou égale à 0, alors la solution est non bornée y3 5/3 0 -1/3 0 1 8 L3 = L3 -
3
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante 10 0 -10 0 0 z-180
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes:
lignepivot
lignepivot =
P (Retourner à l’étape 2)
ai
lignei = lignei - lignepivot (i ¹ pivot)
P
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les x1 x2 y1 y2 y3
variables de base et les variables hors base y1
y1 1 3 1 0 0 18 6
Construire le tableau associé à la base B: Variable
y2 1 1 0 1 0 8 8
Étape 2. Choix de la variable entrante y3 2 1 0 0 1 14 14 sortante
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution 20 30 0 0 0 z-0
actuelle est optimale
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
Variable entrante est x2
hors base affectée au coefficient positif le plus élevé
Étape 3. Choix de la variable sortante
Étape 4. Construire le nouveau tableau
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base,
c’est celle pour laquelle on a:
ì
ï li ü
ï x1 x2 y1 y2 y3
min í , ai > 0, i = 1,..., mý
ï
î ai ï
þ
Où λi sont les coefficients de la dernière colonne et ai sont les x2 1/3 1 1/3 0 0 6
coefficients de la variable entrante. Si tous les ai sont inférieurs y2 2/3 0 -1/3 1 0 2
ou égale à 0, alors la solution est non bornée y3 5/3 0 -1/3 0 1 8
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante 10 0 -10 0 0 z-180 L4 = L4 -10L1
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes:
lignepivot
lignepivot =
P (Retourner à l’étape 2)
ai
lignei = lignei - lignepivot (i ¹ pivot)
P
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les x1 x2 y1 y2 y3
variables de base et les variables hors base y1
y1 1 3 1 0 0 18 6
Construire le tableau associé à la base B: Variable
y2 1 1 0 1 0 8 8
Étape 2. Choix de la variable entrante y3 2 1 0 0 1 14 14 sortante
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution 20 30 0 0 0 z-0
actuelle est optimale
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
Variable entrante est x2
hors base affectée au coefficient positif le plus élevé
Étape 3. Choix de la variable sortante
Étape 4. Construire le nouveau tableau
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base,
c’est celle pour laquelle on a:
ì
ï li ü
ï x1 x2 y1 y2 y3
min í , ai > 0, i = 1,..., mý
ï
î ai ï
þ
Où λi sont les coefficients de la dernière colonne et ai sont les x2 1/3 1 1/3 0 0 6
coefficients de la variable entrante. Si tous les ai sont inférieurs y2 2/3 0 -1/3 1 0 2
ou égale à 0, alors la solution est non bornée y3 5/3 0 -1/3 0 1 8
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante 10 0 -10 0 0 z-180 L4 = L4 -10L1
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes:
lignepivot
lignepivot =
P (Retourner à l’étape 2)
ai
lignei = lignei - lignepivot (i ¹ pivot)
P
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les x1 x2 y1 y2 y3
variables de base et les variables hors base y1
y1 1 3 1 0 0 18 6
Construire le tableau associé à la base B: Variable
y2 1 1 0 1 0 8 8
Étape 2. Choix de la variable entrante y3 2 1 0 0 1 14 14 sortante
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution 20 30 0 0 0 z-0
actuelle est optimale
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
Variable entrante est x2
hors base affectée au coefficient positif le plus élevé
Étape 3. Choix de la variable sortante
Étape 4. Construire le nouveau tableau
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base,
c’est celle pour laquelle on a:
ì
ï li ü
ï x1 x2 y1 y2 y3
min í , ai > 0, i = 1,..., mý
ï
î ai ï
þ
Où λi sont les coefficients de la dernière colonne et ai sont les x2 1/3 1 1/3 0 0 6
coefficients de la variable entrante. Si tous les ai sont inférieurs y2 2/3 0 -1/3 1 0 2
ou égale à 0, alors la solution est non bornée y3 5/3 0 -1/3 0 1 8
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante 10 0 -10 0 0 z-180
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes:
lignepivot
lignepivot =
P (Retourner à l’étape 2)
ai
lignei = lignei - lignepivot (i ¹ pivot)
P
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les x1 x2 y1 y2 y3
variables de base et les variables hors base y1
y1 1 3 1 0 0 18 6
Construire le tableau associé à la base B: Variable
y2 1 1 0 1 0 8 8
Étape 2. Choix de la variable entrante y3 2 1 0 0 1 14 14 sortante
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution 20 30 0 0 0 z-0
actuelle est optimale
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
Variable entrante est x2
hors base affectée au coefficient positif le plus élevé
Étape 3. Choix de la variable sortante
Étape 4. Construire le nouveau tableau
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base,
c’est celle pour laquelle on a:
ì
ï li ü
ï x1 x2 y1 y2 y3
min í , ai > 0, i = 1,..., mý
ï
î ai ï
þ
Où λi sont les coefficients de la dernière colonne et ai sont les x2 1/3 1 1/3 0 0 6
coefficients de la variable entrante. Si tous les ai sont inférieurs y2 2/3 0 -1/3 1 0 2
ou égale à 0, alors la solution est non bornée y3 5/3 0 -1/3 0 1 8
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante 10 0 -10 0 0 z-180
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes:
x1 y1 x2 y2 y3
lignepivot
lignepivot =
P (Retourner à l’étape 2)
ai
lignei = lignei - lignepivot (i ¹ pivot)
P
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation Nouveau tableau
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les x1 y1 x2 y2 y3
variables de base et les variables hors base
Construire le tableau associé à la base B: x2 1/3 1/3 1 0 0 6
Étape 2. Choix de la variable entrante y2 2/3 -1/3 0 1 0 2
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution y3 5/3 -1/3 0 0 1 8
actuelle est optimale 10 -1 0 0 0 0 z-180
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
hors base affectée au coefficient positif le plus élevé
Retourner à l’étape 2
Étape 3. Choix de la variable sortante
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base, x1 y1 x2 y2 y3
c’est celle pour laquelle on a:
ì
ï li ü
ï
min í , ai > 0, i = 1,..., mý x2 1/3 1/3 1 0 0 6
ï
î ai ï
þ y2 2/3 -1/3 0 1 0 2
Où λi sont les coefficients de la dernière colonne et ai sont les y3 5/3 -1/3 0 0 1 8
coefficients de la variable entrante. Si tous les ai sont inférieurs 10 -1 0 0 0 0 z-180
ou égale à 0, alors la solution est non bornée
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante Variable entrante est x2
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes:
lignepivot
lignepivot =
P (Retourner à l’étape 2)
ai
lignei = lignei - lignepivot (i ¹ pivot)
P
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation Nouveau tableau
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les x1 y1 x2 y2 y3
variables de base et les variables hors base
Construire le tableau associé à la base B: x2 1/3 1/3 1 0 0 6
Étape 2. Choix de la variable entrante y2 2/3 -1/3 0 1 0 2
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution y3 5/3 -1/3 0 0 1 8
actuelle est optimale 10 -1 0 0 0 0 z-180
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
hors base affectée au coefficient positif le plus élevé
Retourner à l’étape 2
Étape 3. Choix de la variable sortante
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base, x1 y1 x2 y2 y3
c’est celle pour laquelle on a:
ì
ïl ü
ï x2 1/3 1/3 1 0 0 6 18
min í i , ai > 0, i = 1,..., mý
ï y2 2/3 -1/3 0 1 0 2 3
ï
î ai þ
Où λi sont les coefficients de la dernière colonne et ai sont les y3 5/3 -1/3 0 0 1 8 24/5
coefficients de la variable entrante. Si tous les ai sont inférieurs 10 -1 0 0 0 0 z-180
ou égale à 0, alors la solution est non bornée
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante Variable entrante est x2
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes:
lignepivot
lignepivot =
P (Retourner à l’étape 2)
ai
lignei = lignei - lignepivot (i ¹ pivot)
P
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation Nouveau tableau
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les x1 y1 x2 y2 y3
variables de base et les variables hors base
Construire le tableau associé à la base B: x2 1/3 1/3 1 0 0 6
Étape 2. Choix de la variable entrante y2 2/3 -1/3 0 1 0 2
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution y3 5/3 -1/3 0 0 1 8
actuelle est optimale 10 -1 0 0 0 0 z-180
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
hors base affectée au coefficient positif le plus élevé
Retourner à l’étape 2
Étape 3. Choix de la variable sortante
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base, x1 y1 x2 y2 y3
c’est celle pour laquelle on a:
ì
ï li ü
ï
min í , ai > 0, i = 1,..., mý x2 1/3 1/3 1 0 0 6 18
ï
î ai ï
þ y2 2/3 -1/3 0 1 0 2 3 y2
Où λi sont les coefficients de la dernière colonne et ai sont les y3 5/3 -1/3 0 0 1 8 24/5 Variable
sortante
coefficients de la variable entrante. Si tous les ai sont inférieurs 10 -1 0 0 0 0 z-180
ou égale à 0, alors la solution est non bornée
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante Variable entrante est x2
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes:
lignepivot
lignepivot =
P (Retourner à l’étape 2)
ai
lignei = lignei - lignepivot (i ¹ pivot)
P
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation Nouveau tableau
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les x1 y1 x2 y2 y3
variables de base et les variables hors base
Construire le tableau associé à la base B: x2 1/3 1/3 1 0 0 6
Étape 2. Choix de la variable entrante y2 2/3 -1/3 0 1 0 2
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution y3 5/3 -1/3 0 0 1 8
actuelle est optimale 10 -1 0 0 0 0 z-180
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
hors base affectée au coefficient positif le plus élevé
Retourner à l’étape 2
Étape 3. Choix de la variable sortante
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base, x1 y1 x2 y2 y3
c’est celle pour laquelle on a:
ì
ïl ü
ï x2 1/3 1/3 1 0 0 6 18
min í i , ai > 0, i = 1,..., mý
ï ï y2 2/3 -1/3 0 1 0 2 3 y2
î ai þ
Où λi sont les coefficients de la dernière colonne et ai sont les y3 5/3 -1/3 0 0 1 8 24/5 Variable
sortante
coefficients de la variable entrante. Si tous les ai sont inférieurs 10 -1 0 0 0 0 z-180
ou égale à 0, alors la solution est non bornée
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante Variable entrante est x2
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes:
lignepivot
lignepivot =
P (Retourner à l’étape 2)
ai
lignei = lignei - lignepivot (i ¹ pivot)
P
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation Nouveau tableau
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les x1 y1 x2 y2 y3
variables de base et les variables hors base
Construire le tableau associé à la base B: x2 1/3 1/3 1 0 0 6
Étape 2. Choix de la variable entrante y2 2/3 -1/3 0 1 0 2
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution y3 5/3 -1/3 0 0 1 8
actuelle est optimale 10 -1 0 0 0 0 z-180
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
hors base affectée au coefficient positif le plus élevé
Retourner à l’étape 2
Étape 3. Choix de la variable sortante
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base, x1 y1 x2 y2 y3
c’est celle pour laquelle on a:
ì
ï li ü
ï
min í , ai > 0, i = 1,..., mý x2 1/3 1/3 1 0 0 6 18
ï
î ai ï
þ y2 2/3 -1/3 0 1 0 2 3 y2
Où λi sont les coefficients de la dernière colonne et ai sont les y3 5/3 -1/3 0 0 1 8 24/5 Variable
sortante
coefficients de la variable entrante. Si tous les ai sont inférieurs 10 -1 0 0 0 0 z-180
ou égale à 0, alors la solution est non bornée
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante Variable entrante est x2
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes:
lignepivot
lignepivot =
P (Retourner à l’étape 2)
ai
lignei = lignei - lignepivot (i ¹ pivot)
P
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation Nouveau tableau
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les x1 y1 x2 y2 y3
variables de base et les variables hors base
Construire le tableau associé à la base B: x2 1/3 1/3 1 0 0 6
Étape 2. Choix de la variable entrante y2 2/3 -1/3 0 1 0 2
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution y3 5/3 -1/3 0 0 1 8
actuelle est optimale 10 -1 0 0 0 0 z-180
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
hors base affectée au coefficient positif le plus élevé
Retourner à l’étape 2
Étape 3. Choix de la variable sortante
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base, x1 y1 x2 y2 y3
c’est celle pour laquelle on a:
ì li
ï ü
ï
min í , ai > 0, i = 1,..., mý x2 1/3 1/3 1 0 0 6 18
ï ai
î ï
þ y2 2/3 -1/3 0 1 0 2 3 y2
Où λi sont les coefficients de la dernière colonne et ai sont les y3 5/3 -1/3 0 0 1 8 24/5 Variable
sortante
coefficients de la variable entrante. Si tous les ai sont inférieurs 10 -1 0 0 0 0 z-180
ou égale à 0, alors la solution est non bornée
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante Variable entrante est x2
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes: x1 y1 x2 y2 y3
x2 0 1/2 1 -1/2 0 5
lignepivot x1 1 -1/2 0 3/2 0 3
lignepivot = y3 0 -1/2 0 -5/2 1 3
P (Retourner à l’étape 2)
0 -5 0 -15 0 -210
a
lignei = lignei - i lignepivot (i ¹ pivot)
P
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation Nouveau tableau
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les x1 y1 x2 y2 y3
variables de base et les variables hors base
Construire le tableau associé à la base B: x2 1/3 1/3 1 0 0 6
Étape 2. Choix de la variable entrante y2 2/3 -1/3 0 1 0 2
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution y3 5/3 -1/3 0 0 1 8
actuelle est optimale 10 -1 0 0 0 0 z-180
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
hors base affectée au coefficient positif le plus élevé
Retourner à l’étape 2
Étape 3. Choix de la variable sortante
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base, x1 y1 x2 y2 y3
c’est celle pour laquelle on a:
ì
ï li ü
ï
min í , ai > 0, i = 1,..., mý x2 1/3 1/3 1 0 0 6 18
ï
î ai ï
þ y2 2/3 -1/3 0 1 0 2 3 y2
Où λi sont les coefficients de la dernière colonne et ai sont les y3 5/3 -1/3 0 0 1 8 24/5 Variable
sortante
coefficients de la variable entrante. Si tous les ai sont inférieurs 10 -1 0 0 0 0 z-180
ou égale à 0, alors la solution est non bornée
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante Variable entrante est x2
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes: x1 y1 x2 y2 y3
x2 0 1/2 1 -1/2 0 5
lignepivot x1 1 -1/2 0 3/2 0 3
lignepivot = y3 0 -1/2 0 -5/2 1 3
P (Retourner à l’étape 2)
0 -5 0 -15 0 -210
a
lignei = lignei - i lignepivot (i ¹ pivot)
P
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation Nouveau tableau
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les x1 y1 x2 y2 y3
variables de base et les variables hors base
Construire le tableau associé à la base B: x2 1/3 1/3 1 0 0 6
Étape 2. Choix de la variable entrante y2 2/3 -1/3 0 1 0 2
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution y3 5/3 -1/3 0 0 1 8
actuelle est optimale 10 -1 0 0 0 0 z-180
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
hors base affectée au coefficient positif le plus élevé
Retourner à l’étape 2
Étape 3. Choix de la variable sortante
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base, x1 y1 x2 y2 y3
c’est celle pour laquelle on a:
ì li
ï ü
ï
min í , ai > 0, i = 1,..., mý x2 1/3 1/3 1 0 0 6 18
ï ai
î ï
þ y2 2/3 -1/3 0 1 0 2 3 y2
Où λi sont les coefficients de la dernière colonne et ai sont les y3 5/3 -1/3 0 0 1 8 24/5 Variable
sortante
coefficients de la variable entrante. Si tous les ai sont inférieurs 10 -1 0 0 0 0 z-180
ou égale à 0, alors la solution est non bornée
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante Variable entrante est x2
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes: x1 y1 x2 y2 y3
x2 0 1/2 1 -1/2 0 5 3
lignepivot x1 1 -1/2 0 3/2 0 3 L2 = L
lignepivot = y3 0 -1/2 0 -5/2 1 3 2 2
P (Retourner à l’étape 2)
0 -5 0 -15 0 -210
a
lignei = lignei - i lignepivot (i ¹ pivot)
P
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation Nouveau tableau
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les x1 y1 x2 y2 y3
variables de base et les variables hors base
Construire le tableau associé à la base B: x2 1/3 1/3 1 0 0 6
Étape 2. Choix de la variable entrante y2 2/3 -1/3 0 1 0 2
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution y3 5/3 -1/3 0 0 1 8
actuelle est optimale 10 -1 0 0 0 0 z-180
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
hors base affectée au coefficient positif le plus élevé
Retourner à l’étape 2
Étape 3. Choix de la variable sortante
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base, x1 y1 x2 y2 y3
c’est celle pour laquelle on a:
ì li
ï ü
ï
min í , ai > 0, i = 1,..., mý x2 1/3 1/3 1 0 0 6 18
ï ai
î ï
þ y2 2/3 -1/3 0 1 0 2 3 y2
Où λi sont les coefficients de la dernière colonne et ai sont les y3 5/3 -1/3 0 0 1 8 24/5 Variable
sortante
coefficients de la variable entrante. Si tous les ai sont inférieurs 10 -1 0 0 0 0 z-180
ou égale à 0, alors la solution est non bornée
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante Variable entrante est x2
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes: x1 y1 x2 y2 y3
x2 0 1/2 1 -1/2 0 5 3
lignepivot x1 1 -1/2 0 3/2 0 3 L2 = L
lignepivot = y3 0 -1/2 0 -5/2 1 3 2 2
P (Retourner à l’étape 2)
0 -5 0 -15 0 -210
a
lignei = lignei - i lignepivot (i ¹ pivot)
P
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation Nouveau tableau
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les x1 y1 x2 y2 y3
variables de base et les variables hors base
Construire le tableau associé à la base B: x2 1/3 1/3 1 0 0 6
Étape 2. Choix de la variable entrante y2 2/3 -1/3 0 1 0 2
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution y3 5/3 -1/3 0 0 1 8
actuelle est optimale 10 -1 0 0 0 0 z-180
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
hors base affectée au coefficient positif le plus élevé
Retourner à l’étape 2
Étape 3. Choix de la variable sortante
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base, x1 y1 x2 y2 y3
c’est celle pour laquelle on a:
ì
ï li ü
ï
min í , ai > 0, i = 1,..., mý x2 1/3 1/3 1 0 0 6 18
ï
î ai ï
þ y2 2/3 -1/3 0 1 0 2 3 y2
Où λi sont les coefficients de la dernière colonne et ai sont les y3 5/3 -1/3 0 0 1 8 24/5 Variable
sortante
coefficients de la variable entrante. Si tous les ai sont inférieurs 10 -1 0 0 0 0 z-180
ou égale à 0, alors la solution est non bornée
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante Variable entrante est x2
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes: x1 y1 x2 y2 y3
1
x2 0 1/2 1 -1/2 0 5 L1 = L1 - L
x1 1 -1/2 0 3/2 0 3 2 2
lignepivot
lignepivot = y3 0 -1/2 0 -5/2 1 3
P (Retourner à l’étape 2)
0 -5 0 -15 0 -210
a
lignei = lignei - i lignepivot (i ¹ pivot)
P
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation Nouveau tableau
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les x1 y1 x2 y2 y3
variables de base et les variables hors base
Construire le tableau associé à la base B: x2 1/3 1/3 1 0 0 6
Étape 2. Choix de la variable entrante y2 2/3 -1/3 0 1 0 2
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution y3 5/3 -1/3 0 0 1 8
actuelle est optimale 10 -1 0 0 0 0 z-180
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
hors base affectée au coefficient positif le plus élevé
Retourner à l’étape 2
Étape 3. Choix de la variable sortante
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base, x1 y1 x2 y2 y3
c’est celle pour laquelle on a:
ì li
ï ü
ï
min í , ai > 0, i = 1,..., mý x2 1/3 1/3 1 0 0 6 18
ï ai
î ï
þ y2 2/3 -1/3 0 1 0 2 3 y2
Où λi sont les coefficients de la dernière colonne et ai sont les y3 5/3 -1/3 0 0 1 8 24/5 Variable
sortante
coefficients de la variable entrante. Si tous les ai sont inférieurs 10 -1 0 0 0 0 z-180
ou égale à 0, alors la solution est non bornée
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante Variable entrante est x2
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes: x1 y1 x2 y2 y3
1
x2 0 1/2 1 -1/2 0 5 L1 = L1 - L
x1 1 -1/2 0 3/2 0 3 2 2
lignepivot
lignepivot = y3 0 -1/2 0 -5/2 1 3
P (Retourner à l’étape 2)
0 -5 0 -15 0 -210
a
lignei = lignei - i lignepivot (i ¹ pivot)
P
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation Nouveau tableau
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les x1 y1 x2 y2 y3
variables de base et les variables hors base
Construire le tableau associé à la base B: x2 1/3 1/3 1 0 0 6
Étape 2. Choix de la variable entrante y2 2/3 -1/3 0 1 0 2
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution y3 5/3 -1/3 0 0 1 8
actuelle est optimale 10 -1 0 0 0 0 z-180
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
hors base affectée au coefficient positif le plus élevé
Retourner à l’étape 2
Étape 3. Choix de la variable sortante
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base, x1 y1 x2 y2 y3
c’est celle pour laquelle on a:
ì
ïl ü
ï x2 1/3 1/3 1 0 0 6 18
min í i , ai > 0, i = 1,..., mý
ï y2 2/3 -1/3 0 1 0 2 3 y2
ï
î ai þ
Où λi sont les coefficients de la dernière colonne et ai sont les y3 5/3 -1/3 0 0 1 8 24/5 Variable
sortante
coefficients de la variable entrante. Si tous les ai sont inférieurs 10 -1 0 0 0 0 z-180
ou égale à 0, alors la solution est non bornée
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante Variable entrante est x2
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes: x1 y1 x2 y2 y3
x2 0 1/2 1 -1/2 0 5
lignepivot x1 1 -1/2 0 3/2 0 3
5
lignepivot = y3 0 -1/2 0 -5/2 1 3 L3 = L3 - L
P (Retourner à l’étape 2) 2 2
0 -5 0 -15 0 -210
a
lignei = lignei - i lignepivot (i ¹ pivot)
P
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation Nouveau tableau
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les x1 y1 x2 y2 y3
variables de base et les variables hors base
Construire le tableau associé à la base B: x2 1/3 1/3 1 0 0 6
Étape 2. Choix de la variable entrante y2 2/3 -1/3 0 1 0 2
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution y3 5/3 -1/3 0 0 1 8
actuelle est optimale 10 -1 0 0 0 0 z-180
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
hors base affectée au coefficient positif le plus élevé
Retourner à l’étape 2
Étape 3. Choix de la variable sortante
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base, x1 y1 x2 y2 y3
c’est celle pour laquelle on a:
ì li
ï ü
ï
min í , ai > 0, i = 1,..., mý x2 1/3 1/3 1 0 0 6 18
ï ai
î ï
þ y2 2/3 -1/3 0 1 0 2 3 y2
Où λi sont les coefficients de la dernière colonne et ai sont les y3 5/3 -1/3 0 0 1 8 24/5 Variable
sortante
coefficients de la variable entrante. Si tous les ai sont inférieurs 10 -1 0 0 0 0 z-180
ou égale à 0, alors la solution est non bornée
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante Variable entrante est x2
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes: x1 y1 x2 y2 y3
x2 0 1/2 1 -1/2 0 5
lignepivot x1 1 -1/2 0 3/2 0 3
5
lignepivot = y3 0 -1/2 0 -5/2 1 3 L3 = L3 - L
P (Retourner à l’étape 2) 2 2
0 -5 0 -15 0 -210
a
lignei = lignei - i lignepivot (i ¹ pivot)
P
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation Nouveau tableau
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les x1 y1 x2 y2 y3
variables de base et les variables hors base
Construire le tableau associé à la base B: x2 1/3 1/3 1 0 0 6
Étape 2. Choix de la variable entrante y2 2/3 -1/3 0 1 0 2
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution y3 5/3 -1/3 0 0 1 8
actuelle est optimale 10 -1 0 0 0 0 z-180
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
hors base affectée au coefficient positif le plus élevé
Retourner à l’étape 2
Étape 3. Choix de la variable sortante
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base, x1 y1 x2 y2 y3
c’est celle pour laquelle on a:
ì
ï li ü
ï
min í , ai > 0, i = 1,..., mý x2 1/3 1/3 1 0 0 6 18
ï
î ai ï
þ y2 2/3 -1/3 0 1 0 2 3 y2
Où λi sont les coefficients de la dernière colonne et ai sont les y3 5/3 -1/3 0 0 1 8 24/5 Variable
sortante
coefficients de la variable entrante. Si tous les ai sont inférieurs 10 -1 0 0 0 0 z-180
ou égale à 0, alors la solution est non bornée
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante Variable entrante est x2
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes: x1 y1 x2 y2 y3
x2 0 1/2 1 -1/2 0 5
lignepivot x1 1 -1/2 0 3/2 0 3
lignepivot = y3 0 -1/2 0 -5/2 1 3
P (Retourner à l’étape 2)
0 -5 0 -15 0 -210 L4 = L4 - 15L2
a
lignei = lignei - i lignepivot (i ¹ pivot)
P
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation Nouveau tableau
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les x1 y1 x2 y2 y3
variables de base et les variables hors base
Construire le tableau associé à la base B: x2 1/3 1/3 1 0 0 6
Étape 2. Choix de la variable entrante y2 2/3 -1/3 0 1 0 2
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution y3 5/3 -1/3 0 0 1 8
actuelle est optimale 10 -1 0 0 0 0 z-180
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
hors base affectée au coefficient positif le plus élevé
Retourner à l’étape 2
Étape 3. Choix de la variable sortante
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base, x1 y1 x2 y2 y3
c’est celle pour laquelle on a:
ì li
ï ü
ï
min í , ai > 0, i = 1,..., mý x2 1/3 1/3 1 0 0 6 18
ï ai
î ï
þ y2 2/3 -1/3 0 1 0 2 3 y2
Où λi sont les coefficients de la dernière colonne et ai sont les y3 5/3 -1/3 0 0 1 8 24/5 Variable
sortante
coefficients de la variable entrante. Si tous les ai sont inférieurs 10 -1 0 0 0 0 z-180
ou égale à 0, alors la solution est non bornée
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante Variable entrante est x2
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes: x1 y1 x2 y2 y3
x2 0 1/2 1 -1/2 0 5
lignepivot x1 1 -1/2 0 3/2 0 3
lignepivot = y3 0 -1/2 0 -5/2 1 3
P (Retourner à l’étape 2)
0 -5 0 -15 0 z-210 L4 = L4 - 15L2
a
lignei = lignei - i lignepivot (i ¹ pivot)
P
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation Nouveau tableau
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les
variables de base et les variables hors base x1 y1 x2 y2 y3
Construire le tableau associé à la base B:
Étape 2. Choix de la variable entrante x2 0 1/2 1 -1/2 0 5
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution x1 1 -1/2 0 3/2 0 3
y3 0 -1/2 0 -5/2 1 3
actuelle est optimale
0 -5 0 -15 0 z-210
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
hors base affectée au coefficient positif le plus élevé
Étape 3. Choix de la variable sortante
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base,
c’est celle pour laquelle on a:
ì
ï li ü
ï
min í , ai > 0, i = 1,..., mý
ï
î ai ï
þ
Où λi sont les coefficients de la dernière colonne et ai sont les
coefficients de la variable entrante. Si tous les ai sont inférieurs
ou égale à 0, alors la solution est non bornée
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes:
lignepivot
lignepivot =
P (Retourner à l’étape 2)
ai
lignei = lignei - lignepivot (i ¹ pivot)
P
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation Nouveau tableau
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les
variables de base et les variables hors base x1 y1 x2 y2 y3
Construire le tableau associé à la base B:
Étape 2. Choix de la variable entrante x2 0 1/2 1 -1/2 0 5
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution x1 1 -1/2 0 3/2 0 3
y3 0 -1/2 0 -5/2 1 3
actuelle est optimale
0 -5 0 -15 0 z-210
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
hors base affectée au coefficient positif le plus élevé
Étape 3. Choix de la variable sortante
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base, y2 y1 x2 x1 y3
c’est celle pour laquelle on a:
ì
ï li ü
ï x2 -1/2 1/2 1 0 0 5
min í , ai > 0, i = 1,..., mý x1 3/2 -1/2 0 1 0 3
ï
î ai ï
þ y3 -5/2 -1/2 0 0 1 3
Où λi sont les coefficients de la dernière colonne et ai sont les
-15 -5 0 0 0 z-210
coefficients de la variable entrante. Si tous les ai sont inférieurs
ou égale à 0, alors la solution est non bornée Retourner à l’étape 2
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes:
lignepivot
lignepivot =
P (Retourner à l’étape 2)
ai
lignei = lignei - lignepivot (i ¹ pivot)
P
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation Nouveau tableau
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les
variables de base et les variables hors base x1 y1 x2 y2 y3
Construire le tableau associé à la base B:
Étape 2. Choix de la variable entrante x2 0 1/2 1 -1/2 0 5
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution x1 1 -1/2 0 3/2 0 3
y3 0 -1/2 0 -5/2 1 3
actuelle est optimale
0 -5 0 -15 0 z-210
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
hors base affectée au coefficient positif le plus élevé
Étape 3. Choix de la variable sortante
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base, y2 y1 x2 x1 y3
c’est celle pour laquelle on a:
ì
ï li ü
ï x2 -1/2 1/2 1 0 0 5
min í , ai > 0, i = 1,..., mý x1 3/2 -1/2 0 1 0 3
ï
î ai ï
þ y3 -5/2 -1/2 0 0 1 3
Où λi sont les coefficients de la dernière colonne et ai sont les
-15 -5 0 0 0 z-210
coefficients de la variable entrante. Si tous les ai sont inférieurs
ou égale à 0, alors la solution est non bornée Retourner à l’étape 2
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes: La condition d’arrêt est vérifiée
x1 = 3 x2 = 5 y1 = 0 y2 = 0 y3 = 3
Þ z = 210
lignepivot
lignepivot =
P (Retourner à l’étape 2)
ai
lignei = lignei - lignepivot (i ¹ pivot)
P
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation Nouveau tableau
Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les
variables de base et les variables hors base x1 y1 x2 y2 y3
Construire le tableau associé à la base B:
Étape 2. Choix de la variable entrante x2 0 1/2 1 -1/2 0 5
Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution x1 1 -1/2 0 3/2 0 3
y3 0 -1/2 0 -5/2 1 3
actuelle est optimale
0 -5 0 -15 0 z-210
Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
hors base affectée au coefficient positif le plus élevé
Étape 3. Choix de la variable sortante
Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base, y2 y1 x2 x1 y3
c’est celle pour laquelle on a:
ì
ï li ü
ï x2 -1/2 1/2 1 0 0 5
min í , ai > 0, i = 1,..., mý x1 3/2 -1/2 0 1 0 3
ï
î ai ï
þ y3 -5/2 -1/2 0 0 1 3
Où λi sont les coefficients de la dernière colonne et ai sont les
-15 -5 0 0 0 z-210
coefficients de la variable entrante. Si tous les ai sont inférieurs
ou égale à 0, alors la solution est non bornée Retourner à l’étape 2
Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante
et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes: La condition d’arrêt est vérifiée
x1 = 3 x2 = 5 y1 = 0 y2 = 0 y3 = 3
Þ z = 210
lignepivot
lignepivot =
P (Retourner à l’étape 2) (3, 5) est la solution optimale avec z = 210
ai
lignei = lignei - lignepivot (i ¹ pivot)
P
Solution:
Exercice
4 . Programmation en
nombres entiers
5 . Analyse de
sensibilité
108
RAMCHOUN Hassan cours RO 2021/2022
Solution:
Considérons le PL suivant
1.Introduction à
la modélisation 𝑀𝑎𝑥 𝑧 = 𝑥1 + 2𝑥2
et à la PL 𝑠𝑢𝑗𝑒𝑡 à
−3𝑥1 + 2𝑥2 + 𝑥3 = 2
2 . Méthodes de (P)
résolution
−𝑥1 + 2𝑥2 + 𝑥4 = 4
𝑥1 + 𝑥2 + 𝑥5 = 5
𝑥𝑖 ≥ 0
3 . Dualité en PL Le tableau de Simplexe associé à ce programme avec x3, x4 et x5
sont des variables de base
4 . Programmation en
nombres entiers
Variable x1 x2 x3 x4 x5 b
de base
x3 -3 2 1 0 0 2
5 . Analyse de
sensibilité x4 -1 2 0 1 0 4
x5 1 1 0 0 1 5
-Z 1 2 0 0 0 0
109
RAMCHOUN Hassan cours RO 2021/2022
Solution:
1.Introduction à La base précédente n’est pas optimal car les couts relatif des variables
la modélisation hors base sont strictement positifs, Choisissons comme variable entrante
et à la PL
dans la nouvelle base la variable hors base ayant le plus grand cout
2 . Méthodes de relatif c a d x2, Appliquons la règle du plus petit rapport pour trouver la
résolution variable sortante:
𝑏𝑖 2 4 5
𝜃 = 𝑀𝑖𝑛 , 𝑎𝑖2 > 0 = 𝑀𝑖𝑛 , , =1
𝑎𝑖2 2 2 1
3 . Dualité en PL Donc la variable x3 quitte la base et sera remplacé par la variable x2,
après pivotage on obtient:
4 . Programmation en Variable x1 x2 x3 x4 x5 b
nombres entiers
de base
x2 -3/2 1 1/2 0 0 1
5 . Analyse de
sensibilité x4 2 0 -1 1 0 2
x5 5/2 0 -1/2 0 1 4
-Z 4 0 -1 0 0 -2
110
RAMCHOUN Hassan cours RO 2021/2022
Solution:
1.Introduction à
la modélisation La nouvelle solution de base est x2=1,
et à la PL
x4=2,x1=x3=0 et sont cout est z=2 Cette solution de
2 . Méthodes de base n’est pas optimale car c1=4 >0, La variable x1
résolution va donc entrer dans la base et x4 va quitter la base
Variable x1 x2 x3 x4 x5 b
3 . Dualité en PL de base
111
RAMCHOUN Hassan cours RO 2021/2022
Solution:
1.Introduction à
la modélisation
et à la PL Variable x1 x2 x3 x4 x5 b
de base
2 . Méthodes de x2 0 1 0 1/3 1/3 3
résolution
x1 1 0 0 -1/3 2/3 2
x3 0 0 1 -5/3 -5/3 2
3 . Dualité en PL
-Z 0 0 0 -1/3 -4/3 -8
4 . Programmation en
nombres entiers La nouvelle solution de base est (x1,x2,x3,x4,x5)=(2,3,2,0,0) son
cout est 8
Les cout réduit de toutes les variables sont négatifs ou nuls , cette
5 . Analyse de
sensibilité solution de base est optimale et l’algorithme se termine,
112
RAMCHOUN Hassan cours RO 2021/2022