Méthodes et outils d’optimisation Chapitre 2

Chapitre 2 : Résolution de programmes linéaires par

la méthode de Simplexe

Introduction

Comme la méthode de résolution graphique est limitée à deux variables, et les problèmes réels
présentent généralement plus que deux variables, alors c’est la méthode de simplexe qui sera
utilisée. Cette méthode est efficace et performante pour les problèmes de grande taille surtout
en terme de temps de résolution.

1. Concepts liés à la solution optimale

1.1. Concept 1
La méthode du simplexe se concentre uniquement sur la recherche de points extrêmes du
domaine des solutions réalisables (D).
 On suppose que le domaine des solutions réalisables (D) est borné.
 Pour tout problème ayant au moins une solution optimale, trouver la solution qui
correspond au meilleur point extrême.
1.2. Concept 2
La méthode du simplexe est un algorithme itératif qui nécessite l’application d’un certain
nombre d’étapes :

Initialisation

Oui
Test STOP
d’optimalité ?

Non
d’énumératio

Lequel ?
méthode

Rechercher un autre point extrême

Quelle
n?

permettant d’améliorer la solution

obtenue jusque là

Figure 3: Etapes de la méthode simplexe

Dr. Zeineb Ben Houria 8

Méthodes et outils d’optimisation Chapitre 2

1.3. Concept 3
Le choix de l’origine comme solution initiale de la méthode du simplexe quand c’est possible.
 Vérifier si l’origine (toutes les variables de décision sont nulles) répond à toutes les
contraintes.
1.4. Concept 4
Etant donnée une solution qui correspond à un point extrême, ça sera plus rapide de rassembler
les informations sur les points extrêmes adjacents (on parle en termes de temps de calcul
informatique).
 A chaque fois qu’on veut améliorer une solution, la méthode simplexe considère les
points extrêmes adjacents.
Qu’est-ce qu’un point adjacent ?
Pour un PL à n variables, deux points extrêmes réalisables sont adjacents s’ils partagent les
frontières données par (m-1) contraintes. Ainsi, deux solutions adjacentes sont reliées par un
segment (ou un bord) du domaine réalisable.
Pour l’exemple :
Max Z= 3𝑥 +5 𝑥 (1)
Sous les contraintes (s.c.) :
𝑥 ≤4 (2)
2𝑥 ≤ 12 (3)
3 𝑥 + 2 𝑥 ≤ 18 (4)
𝑥 ≥0, 𝑥 ≥0 (5)
On a :
Point extrême réalisable Point extrême réalisable adjacent
(0,0) (0,6) et (4,0)
(0,6) (0,0) et (2,6)
(4,3) (2,6) et (4,0)

1.5. Concept 5
Une fois une solution (qui correspond à un point extrême) est identifiée, la méthode du simplexe
examine chaque bord du domaine qui provient de ce point. Chacun des bords correspond à un
point extrême adjacent. La méthode identifie le taux d’amélioration de Z qui correspond au taux
le plus élevé. C’est le point extrême correspondant qui sera considéré et constituera la nouvelle
solution du problème qui subira le test d’optimalité.

Dr. Zeineb Ben Houria 9

Méthodes et outils d’optimisation Chapitre 2

1.6. Concept 6
Le test d’optimalité consiste à vérifier si l’un des bords correspond à un taux d’amélioration
positif de Z.
On prend l’exemple précédent ci-dessous :

(2,6)
(0,6)

(4,3)

(0,0)
(4,0)

 Etape 0 : (0,0) est le point extrême avec Z=0

 Etape 1 : En parcourant l’axe 𝑥 ceci devra améliorer Z d’un taux de 3 unités. Alors
qu’en balayant l’axe 𝑥 ceci entraine une amélioration de 5 unités. Ainsi parcourir 𝑥
permet d’avoir un nouveau point extrême (0,6) et une nouvelle Z= 30.
 Etape 2 : Le seul bord qui doit engendrer un taux d’amélioration de Z positif correspond
à 𝑥 .  Le nouveau point extrême (2,6) qui correspond à un Z= 36.
 Etape 3 : En parcourant les deux bords, Z décroit. Alors (2.6) est le point extrême
optimal  Donc on arrête l’algorithme.

2. Forme Standard

La forme standard d’un programme linéaire (PL) est donnée comme suit :
Max 𝐶 𝑥
S.c : A.x = b
x≥0

Avec C є 𝐼𝑅 , x є 𝐼𝑅 , b є 𝐼𝑅 , A est une matrice réelle (m.n)

b≥0
m<n / rg (A) = m (C’est-à-dire pas de contraintes redondantes)

Dr. Zeineb Ben Houria 10

Méthodes et outils d’optimisation Chapitre 2

Remarque : Pour n’importe quel programme linéaire (PL), il est possible de le transformer
en un PL équivalent exprimé sous la forme standard :
 Un problème de minimisation est transformé en un problème équivalent de maximisation
 Min ( 𝑪𝑻 𝒙) = -Max (- 𝑪𝑻 𝒙)
 Une inégalité de la forme ∑ 𝒂𝒊𝒋 ≤ 𝒃𝒋 peut être transformée en une égalité en introduisant
une variable supplémentaire non négative 𝒔𝒊 , appelée variable d’écart ou slack
variable. Alors, on aura la contrainte équivalente qui s’écrit ∑ 𝒂𝒊𝒋 + 𝒔𝒊𝒋 = 𝒃𝒋
 Dans la mesure du possible, et si on a des contraintes de type « ≥ » le sens d’une inégalité
peut être inversé en multipliant les deux côtés par (-1) à condition que le second membre
reste positif.
 Une variable de décision 𝒙𝒊 non contrainte en signe ( 𝒙𝒊 є 𝑰𝑹 ) peut être exprimée
comme la différence de deux variables positives 𝑥 et 𝑥 ; 𝒙𝒊 = 𝒙𝒊 − 𝒙𝒊 .

3. Solution de Base

Soit B une matrice carrée régulière d’ordre m extraite de la matrice A.

- B est formée de colonnes linéairement indépendantes et det (B) = 1
 B est dite matrice de base
On note N, la matrice formée par les n-m colonne de A et n’appartenant pas à B

 N est dite matrice hors base

Tout vecteur x є 𝐼𝑅 peut-être partitionné en 𝒙𝑩 et 𝒙𝑵 .
La solution représente tout point x qui satisfait Ax= b (pas nécessairement x ≥ 0)
 B𝒙𝑩 + N𝒙𝑵 = b.
- Une solution satisfaisant x ≥ 0 est dite solution réalisable
- La solution définie par 𝒙𝑵 = 𝟎 et 𝒙𝑩 = 𝑩 𝟏b est dite solution de base associé à la base
B
- Soit x une solution de base. Si de plus, on a 𝒙𝑩 ≥ 0 alors x est une solution de base
réalisable (SBR). Ainsi on appelle :
 𝒙𝑩 : variable de Base (VB)

Dr. Zeineb Ben Houria 11

Méthodes et outils d’optimisation Chapitre 2

 𝒙𝑵 : Variables Hors Base (VHB)

3.1. Propriétés
Pour une solution de Base Réalisable, on a :
 Nombre de variables de Base = Nombre de contraintes
 Nombre de variables Hors Base= Nombre total des variables – Nombre des contraintes
Pour notre exemple précèdent, après l’avoir écrit sous la forme standard, on va définir les SBRs
et les Solutions Réalisables.
 (0,6,4,0,6) et (0,0,4,12,18) sont deux SBRs.
3.2. Théorème
Soit x є D une solution réalisable d’un PL.
x est un point extrême  x est une SBR.
 A chaque point extrême, on associe une solution de Base Réalisable et inversement.
 Une SBR correspond à un point extrême augmenté des variables d’écart.
3.3. Définition
Deux SBRs sont adjacentes si et seulement si elles correspondent à deux points extrêmes
adjacentes.
 Deux SBRs sont adjacentes si « tout sauf une » de ses variables Hors Base sont
identiques ce qui implique que « Tout sauf une » de ses variables de Base sont
identiques. Ces dernières peuvent avoir des valeurs numériques différentes.
SBR SBR adjacente
𝒙𝒊 : Une variable Hors Base 𝒙𝒊 : Une variable de Base
𝒙𝒋 : Une variable de Base 𝒙𝒋 : Une variable Hors Base
𝑬𝒙𝒆𝒎𝒑𝒍𝒆
2 SBR adjacents
(0,0,4,12,18) (0,6,4,0,6)

4. Tableau canonique

Soit B une Base réalisable extraite de la matrice A.

La fonction objectif s’écrit alors : Z = 𝑪𝑩 𝒙𝑩 + 𝑪𝑵 𝒙𝑵  𝑪𝑩 𝒙𝑩 + 𝑪𝑵 𝒙𝑵 − 𝒁 = 𝟎
Les contraintes s’écrivent : 𝑩𝒙𝑩 + 𝑵𝒙𝑵 = 𝒃
Le programme linéaire (PL) s’écrit alors à partir de la forme standard sous forme d’un tableau
comme suit :

Dr. Zeineb Ben Houria 12

Méthodes et outils d’optimisation Chapitre 2

1er membre 2ème membre

𝒙𝑩 -Z 𝒙𝑵
B 0 N b
𝑪𝑩 1 𝐶𝑵 0

Le tableau canonique relatif à la base B est obtenu en transformant la matrice sous les
variables 𝒙𝑩 et –Z en une matrice identité d’ordre (m+1).
 Il s’agit de multiplier à gauche de chaque colonne du tableau par :
𝐵 0 𝐵 0
𝑇 = =
𝑪𝑩 𝟏 𝑪𝑩 𝐵 1

Le tableau canonique relatif à la base B est :

1er membre 2ème membre
𝒙𝑩 -Z 𝒙𝑵
𝑰𝒎 0 𝐵 N 𝐵 b
𝟎 1 − 𝑪𝑩 𝐵 + 𝑪𝑵 - 𝑪𝑩 𝐵 𝑏

La forme canonique satisfait les 3 conditions suivantes :

 La matrice extraite de A par la considération des m colonnes de Base est une matrice
Identité 𝑰𝒎 .
 Les coefficients des variables de Base dans la fonction objectif sont nuls.
 Le second membre correspondant aux contraintes est non négatif.

5. Méthode de simplexe pour un problème de maximisation

L’idée de la méthode simplexe est de partir d’un point extrême initial et de générer une suite de
points extrêmes adjacents tout en assurant une amélioration de la fonction objectif.
 Recherche d’une solution de Base Réalisable Initiale (Point extrême).
On revient à notre exemple. La formulation standard est :
Max 3𝑥 +5 𝑥 –Z =0 (1)
Sous les contraintes (s.c.) :
𝑥 + 𝒙𝟑 = 4 (2)

Dr. Zeineb Ben Houria 13

Méthodes et outils d’optimisation Chapitre 2

2𝑥 + 𝒙𝟒 = 12 (3)
3 𝑥 + 2 𝑥 + 𝒙𝟓 = 18 (4)
𝑥 , 𝑥 , 𝒙𝟑 , 𝒙𝟒 , 𝒙𝟓 ≥ 0 (5)

D’où le tableau suivant obtenu :

𝒙𝟏 𝒙𝟐 𝒙𝟑 𝒙𝟒 𝒙𝟓 2ème membre
1 0 1 0 0 4
0 2 0 1 0 12
3 2 0 0 1 18
3 5 0 0 0

Il s’agit d’un tableau canonique relatif à la solution de base réalisable initiale (0,0,4,12,18).
Comme l’exemple dispose une SBR, il faut vérifier s’il s’agit d’une solution Optimale (test
d’optimalité).
- Soit x* une Solution de Base Réalisable associée à la base B
 Z(x*) = 𝑪𝑩 𝑩 𝟏 𝒃 (1)
- Soit x une Solution Réalisable. D’où, on peut écrire: x = 𝒙𝑩 + 𝒙𝑵
 Z (x) = 𝑪𝑩 𝒙𝑩 + 𝑪𝑵 𝒙𝑵 (2)
De plus 𝐵𝒙𝑩 + 𝑁𝒙𝑵 = b . En multipliant par ( 𝑪𝑩 𝑩 𝟏 ) à gauche, on obtient :

𝑪𝑩 𝐵 𝐵 𝒙 𝑩 + 𝑪𝑩 𝐵 𝑁 𝒙𝑵 = 𝑪𝑩 𝑩 𝟏 𝒃 = Z(x*) (d’après l’équation 1)

D’où :
Z(x)-Z(x*) = ( 𝑪𝑩 − 𝑪𝑩 𝐵 𝐵 )𝒙𝑩 +( 𝑪𝑵 − 𝑪𝑩 𝐵 𝑁 )𝒙𝑵 = (𝑪 − 𝑪𝑩 𝑩 𝟏 𝑨)𝒙 = 𝜟𝒙
Théorème
Soit x* une SBR relative à la base B. Si Δ = 𝑪 − 𝑪𝑩 𝑩 𝟏 𝑨 ≤ 0 alors x* est optimale .
 Δ représente la dernière ligne du tableau (cf. forme canonique)
𝜟𝒙 = ( 𝑪𝑩 − 𝑪𝑩 𝐵 𝐵 )𝒙𝑩 + (𝑪𝑵 − 𝑪𝑩 𝐵 𝑁 )𝒙𝑵
Avec 𝑪𝑩 − 𝑪𝑩 𝐵 𝐵 : Coefficient de 𝒙𝑩 dans la dernière ligne du tableau
𝑪𝑵 − 𝑪𝑩 𝐵 𝑁 : Coefficient de 𝒙𝑵 dans la dernière ligne du tableau
Il suffit de vérifier le signe des coefficients de 𝒙𝑵 dans la dernière ligne du tableau.

Dr. Zeineb Ben Houria 14

Méthodes et outils d’optimisation Chapitre 2

Corollaire
Soit x une SBR associée à la base B. S’il existe une variable Hors Base 𝑥 / 𝛥 > 0 (cela
représente le taux d’amélioration de la fonction objectif si la variable 𝑥 devient une variable
de Base) alors :
 Soit l’optimum du PL est non borné
 Soit il existe une SBR y associée à une base B´/ 𝑐 > 𝑐 ; x et y deux solutions de
bases réalisables adjacentes. En fait, on se déplace d’une base à une autre adjacente :
- Si la SBR est non dégénérée, le déplacement implique un point extrême adjacent
- Si la SBR est dégénérée la base change mais on reste au même point extrême (une nouvelle
variable nulle).
𝑥 𝑥
𝑥 𝑥
⎛𝑥 ⎞ ⎛𝑥 ⎞
⎜ ⎟ ⎜ ⎟
Sans perdre de généralité, on va supposer que 𝒙𝑩 = ⎜ . ⎟ et 𝒙 = ⎜ . ⎟
⎜ . ⎟ ⎜ . ⎟
. .
⎝𝑥 ⎠ ⎝ 𝑥 ⎠

𝑽𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒅𝒆 𝒃𝒂𝒔𝒆 𝒙𝟏 … 𝒙𝒎 −𝒁 𝒙𝒎 𝟏… 𝒙𝒏 Valeurs des var de base

𝒙𝟏 1 ….0 0 𝑎 , …𝑎 , 𝑏
… .
𝒙𝒎 0…... 1 1 𝑎 , …𝑎 , 𝑏
-Z 0 …. 0 0 𝛥̅ … 𝛥̅ −𝑪𝑩 𝑩 𝟏 𝒃

Avec :
𝑎 , 𝑎,
𝑎 ,
𝑎 ,
⎛ ⎞ ⎛𝑎 , ⎞
⎜𝑎 ⎟,
𝟏 ⎜ . ⎟
⎜ . ⎟ =𝑩 ⎜ ⎟
⎜ . ⎟ ⎜ . ⎟
. .
⎝𝑎 , ⎠ ⎝𝑎 , ⎠

Pour se déplacer d’une SBR à une autre, une variable hors base va prendre la place de l’une
des variables de base. Ainsi,

Dr. Zeineb Ben Houria 15

Méthodes et outils d’optimisation Chapitre 2

𝑽𝒂𝒓𝒊𝒂𝒃𝒍𝒆𝒔 𝒅𝒆 𝒃𝒂𝒔𝒆 𝒙𝟏 … 𝒙𝒔 . . 𝒙𝒎 −𝒁 𝒙𝒎 𝟏 … 𝒙𝒆 … 𝒙𝒏 Valeurs des var de

base
𝒙𝟏 1 ….0 … 0 0 𝑎 , …𝑎 , …𝑎 , 𝑏
. .
𝒙𝒔 0….. 1 … 1 0 𝑎 , …𝑎 , ..𝑎 , 𝑏
. . . .
𝒙𝒎 0….. 0 … 1 0 𝑎 , ..𝑎 , ..𝑎 , 𝑏
-Z 0 …. 0 0 𝛥 …𝛥 … 𝛥 −𝑪𝑩 𝑩 𝟏 𝒃

Questions : quelle est la variable entrante ?

Pour déterminer une nouvelle SBR on choisit de considérer la solution de base réalisable
adjacente correspondant à la base B’ et contenant 𝒙𝒋 / 𝜟𝒋 = Max {𝜟𝒌 , k = m+1…n }
(k étant un indice relatif à une variable Hors Base)  1er critère de Dantzig
 𝒙𝒋 est appelée variable entrante (qu’on note 𝒙𝒆 )
 𝒙𝒋 prendra la place d’une autre variable de base dans la base B. Cette variable
est dite variable sortante 𝒙𝒔
Pour faire entrer 𝒙𝒆 , on augmente sa valeur de λ en gardant les autres variables hors
bases nulles. Deux questions se posent :
1- De quelle valeur λ augmente-t-on la variable entrante 𝒙𝒆 ?
𝑏𝑖
 λ = 𝑚𝑖𝑛 ∈[ … ] /𝑎𝑖𝑒 > 0
𝑎𝑖𝑒

 2ème critère de Dantzig ou critère du ratio minimal

Avec 𝑏 : coefficient du second membre du tableau canonique relatif à la base B

𝑎 : coefficient de la variable 𝒙𝒆 dans la 𝑖 ligne du tableau canonique relatif à la

base B
2- Quelle sera la nouvelle variable sortante 𝒙𝒔 ?
𝑏𝑠 𝑏𝑖
𝒙𝒔 / = 𝑚𝑖𝑛 ∈[ … ] /𝑎𝑖𝑒 > 0 = λ
𝑎𝑠𝑒 𝑎𝑖𝑒

Définition
𝑎 , est appelé élément pivot avec la ligne s est la ligne pivot et la colonne e est la colonne
pivot.
 Déterminer la nouvelle SBR relative à la base B’= (x1, x2,…,xe,…,xm)

Dr. Zeineb Ben Houria 16

Méthodes et outils d’optimisation Chapitre 2

Il faudra retrouver la forme canonique associée à B’. Il s’agit de transformer la colonne

relative à xe comme suit :

𝑎 , 0
. .
⎛ . ⎞ ⎛.⎞
⎜ ⎟ ⎜ ⎟
.
⎜ ⎟ ⎜.⎟
𝑎
⎜ , ⎟  ⎜1⎟  Ligne s
⎜ . ⎟ ⎜.⎟
⎜ . ⎟ ⎜.⎟
. .
⎝𝑎 , ⎠ ⎝0⎠
Pour cela, il faut appliquer les opérations élémentaires (Gauss-Jordan) :
- Opération 1 : Diviser la ligne Pivot par l’élément pivot 𝑎 ,

𝑎 ,  𝑎 , /𝑎 , en particulier 𝑎 , =1
- Opération 2 : Pour toute ligne différente de la ligne Pivot, soustraire cette ligne à un
multiple approprié de la ligne pivot pour annuler le coefficient de la ligne i correspondant
à la colonne pivot
𝑎,  𝑎, -𝑎, 𝑎 , /𝑎 , en particulier 𝑎 , = 0
Aussi, pour la ligne qui correspond à la fonction objectif, on a : 𝛥  𝛥 − 𝛥 𝑎 , / 𝑎 ,

pout tout j.
Critère d’arrêt des itérations : si tous les coefficients de la ligne (-Z) relatifs au variables HB
sont négatifs ou nuls, la solution trouvée est optimale.
Exemple d’application 1
On propose de reprendre l’exemple du chapitre 1 et de le résoudre par la méthode du simplexe.
Max Z= 3𝑥 +5 𝑥 (1)
Sous les contraintes (s.c.) :
𝑥 ≤4 (2)
2𝑥 ≤ 12 (3)
3 𝑥 + 2 𝑥 ≤ 18 (4)
𝑥 ≥0, 𝑥 ≥0 (5)

Tout d’abord, on écrit la forme standard associée à ce PL :

Max Z=3𝑥 +5 𝑥 (1)
Sous les contraintes (s.c.) :
𝑥 + 𝒔𝟏 = 4 (2)

Dr. Zeineb Ben Houria 17

Méthodes et outils d’optimisation Chapitre 2

2𝑥 + 𝒔𝟐 = 12 (3)
3 𝑥 + 2 𝑥 + 𝒔𝟑 = 18 (4)
𝑥 , 𝑥 , 𝒔𝟏 , 𝒔𝟐 , 𝒔𝟑 ≥ 0 (5)

On retrouve une forme canonique, on dresse alors le premier tableau de simplexe

correspondant :
#1 𝑥 𝑥 𝒔𝟏 𝒔𝟐 𝒔𝟑 𝒃𝒊
𝒔𝟏 1 0 1 0 0 4
𝒔𝟐 0 2 0 1 0 12
𝒔𝟑 3 2 0 0 1 18
-z 3 5 0 0 0 0

#2 𝑥 𝑥 𝒔𝟏 𝒔𝟐 𝒔𝟑 𝒃𝒊
𝒔𝟏 1 0 1 0 0 4
𝑥 0 1 0 1/2 0 6
𝒔𝟑 3 0 0 -1 1 6
-z 3 5 0 -5/2 0 -30

#3 𝑥 𝑥 𝒔𝟏 𝒔𝟐 𝒔𝟑 𝒃𝒊
𝒔𝟏 0 0 1 1/3 -1/3 2
𝑥 0 1 0 1/2 0 6
𝑥 1 0 0 -1/3 1/3 2
-z 0 0 0 -3/2 -1 -36

La solution optimale est : 𝑥 ∗ = 2 ; 𝑥 ∗ = 6 ; 𝑠 ∗ = 2 ; 𝑠 ∗ = 𝑠 ∗ = 0 et z*= 36.

En résumé l’algorithme simplexe :
 Mettre le PL sous la forme standard
 Trouver une SBR réalisable
 Écrire le PL sous la forme canonique relative à la SBR considérée
 Faire les itérations suivantes :

Dr. Zeineb Ben Houria 18

Méthodes et outils d’optimisation Chapitre 2

- Tester l’optimalité : si le critère d’arrêt est satisfait, donner le résultat final,

sinon aller à l’étape suivante.
- Déterminer la variable entrante (colonne pivot) selon le premier critère de
DANTZIG.
- Déterminer la variable sortante (ligne pivot) selon le deuxième critère de
DANTZIG
- Calculer le nouveau tableau canonique en effectuant les opérations nécessaires
- Retour au test d’optimalité si nécessaire
Exemple d’application 2
Soit à résoudre le programme linéaire suivant sous sa forme canonique
- Max Z= 1200 𝑥 +1000 𝑥
- Sous les contraintes (s.c.) :
- 3𝑥 + 4𝑥 ≤ 160 (1)
- 6𝑥 + 3𝑥 ≤ 180 (2)
- 𝑥 ≥0, 𝑥 ≥0 (3)
Forme standard :
- Max Z= 1200 𝑥 +1000 𝑥 + 0 𝑡 + 0 𝑡
- 3𝑥 + 4𝑥 + 𝑡 = 160 (1)
- 6𝑥 + 3𝑥 + 𝑡 = 180 (2)
- 𝑥 ≥0, 𝑥 ≥0 (3)
HB 𝑥 𝑥 𝒕𝟏 𝒕𝟐 𝒃𝒊
B
𝒕𝟏 3 4 1 0 160
𝒕𝟐 6 3 0 1 180
-z 1200 1000 0 0 0
-
#1 𝑥 𝑥 𝒕𝟏 𝒕𝟐 𝑹
𝒕𝟏 3 4 1 0 160/3
𝒕𝟐 6 (pivot) 3 0 1 30
-z 1200 1000 0 0 0

Dr. Zeineb Ben Houria 19

Méthodes et outils d’optimisation Chapitre 2

#2 𝑥 𝑥 𝒕𝟏 𝒕𝟐 𝒃𝒊
𝒕𝟏 0 5/2 1 -1/2 70
𝑥 1 1/2 0 1/6 30
-z 0 400 0 -200 -36000

#3 𝑥 𝑥 𝒕𝟏 𝒕𝟐 𝒃𝒊
𝒕𝟏 0 1 2/5 -1/5 28
𝑥 1 0 -1/5 4/15 16
-z 0 0 -160 -120 -47200

Critère d’arrêt des itérations : si tous les coefficients de la ligne (-Z) relatifs au variables HB
sont négatifs ou nuls, la solution trouvée est optimale.

Exercice
On considère une société qui fabrique trois modèle de meubles : classique, rustique, moderne.
Les standards unitaires de production sont résumé dans le tableau suivant :
Modèle Modèle rustique Modèle Capacité
classique moderne maximale
Bois 5 8 5 900
Main d’œuvre 1 2 3 516
Centre finition 2 2 0 200
Marges sur coût 1000 960 1200
variables

1- Déterminer les quantités à produire pour maximiser son résultat.

Dr. Zeineb Ben Houria 20

Méthodes et outils d’optimisation Chapitre 2

6. Méthode de simplexe pour un problème de minimisation :

Nous pouvons procéder de deux manières :

 Minimiser (Z)  Maximiser (-Z) et appliquer la démarche vue pour un

problème de maximisation

 Minimiser Z directement. Dans ce cas : Le critère d’optimalité devient :

 Si ∆ ≥ 0 Ɐ j =1,…,n alors la SBR actuelle est optimale.

 Si il existe k / Δk <0 et 𝐚𝒊𝒌 ≤ 0 Ɐ i , le problème est non borné.

 Le critère de choix de la variable entrante est celle qui correspond au coût réduit le plus
négatif.

7. Méthode de simplexe a deux phases :

La méthode simplexe part d’un PL sous la forme canonique. Cela suppose qu’on peut
facilement identifier une SBR initiale. Parfois ce n’est pas évident de trouver une SBR initiale.
Dans ce cas, on applique la méthode du simplexe à deux phases.
Soit le PL ci-dessous :
Max Z= 4𝑥 + 3𝑥
Sous les contraintes (s.c.) :
2𝑥 - 𝑥 ≥ 15 (1)
𝑥 + 𝑥 = 10 (2)
2 𝑥 - 𝑥 ≤ 20 (3)
𝑥 , 𝑥 ,≥ 0 (4)
La forme standard est :
Max Z= 4𝑥 + 3𝑥
S.C 2𝑥 - 𝑥 - 𝑒 = 15 (1)
𝑥 + 𝑥 = 10 (2)
2 𝑥 - 𝑥 + 𝑠 = 20 (3)
𝑥 , 𝑥 ,𝑒 ,𝑠 ≥ 0 (4)

Dans ce cas, c’est difficile de trouver une SBR. Alors, qu’est-ce qu’on fait ?

Dr. Zeineb Ben Houria 21

Méthodes et outils d’optimisation Chapitre 2

 On introduit des variables dites artificielles à chaque contrainte ‘≥’et à chaque

contrainte ‘=’, on obtient alors (PL)’ :
Max Z= 4𝑥 + 3𝑥
S.C 2𝑥 - 𝑥 - 𝑒 + 𝑠̅ = 15 (1)
𝑥 + 𝑥 + 𝑠̅ = 10 (2)
2 𝑥 - 𝑥 + 𝑠 = 20 (3)
𝑥 , 𝑥 , 𝑒 , 𝑠 , 𝑠̅ , 𝑠̅ ≥ 0 (4)

Une SBR de (PL)’ est donnée par les variables de base (𝑠̅ , 𝑠̅ , 𝑠 ). Or, les variables artificielles
doivent être nulles dans une SBR de PL (si une variable artificielle est non nulle, ceci indique
que la solution est non réalisable pour PL).
On doit donc essayer d’annuler les variables artificielles dans (PL)’. Pour cela, nous allons
appliquer la méthode simplexe pour le (𝑃𝐿) constitué des mêmes contraintes que le
problème initiale et dont l’objectif sera de minimiser la somme des variables artificielles.
Cela représente la phase I de la méthode simplexe à deux phases.
Min 𝑍 = 𝑠̅ + 𝑠̅
S.C 2𝑥 - 𝑥 - 𝑒 + 𝑠̅ = 15 (1)
𝑥 + 𝑥 + 𝑠̅ = 10 (2)
2 𝑥 - 𝑥 + 𝑠 = 20 (3)
𝑥 , 𝑥 , 𝑒 , 𝑠 , 𝑠̅ , 𝑠̅ ≥ 0 (4)

Résultats possibles de la phase I :

 Cas 1 : 𝑍 ≠ 0  au moins une 𝑠̅ ≠ 0 PL non réalisable
 Cas 2 : 𝑍 = 0 et aucune variable artificielle n’est une VB. Dans ce cas :
- On élimine toutes les colonnes du tableau optimal de la phase I, qui
correspondent aux variables artificielles.
- On introduit la fonction objectif de (PL) avec les autres lignes de ce tableau.
- On met à jour la dernière ligne de telle manière à avoir 𝛥 = 0 pour les VB.
D’où le tableau canonique initial de (PL). On continue alors la résolution
avec la méthode de Simplexe (Phase II).
 Cas 3 : 𝑍 = 0 et au moins une 𝑠̅ est une VB du tableau optimal de la phase I. Dans ce
cas, le problème original (PL) a au moins une contrainte redondante
- Eliminer les contraintes redondantes

Dr. Zeineb Ben Houria 22

Méthodes et outils d’optimisation Chapitre 2

- Réintroduire de la fonction objectif initiale

Alors on commence la phase II.
Dans le cas 3, on trouve une ou plusieurs lignes où tous les coefficients sont nuls sauf ceux des
variables artificielles. Ces lignes sont redondantes et peuvent être éliminées.

8. Cas particulier

8.1. PL non borné

Des solutions réalisables peuvent être trouvées et la valeur de Z peut toujours être améliorée.
Dans le cadre du simplexe, ce cas est représenté par le fait qu'il est impossible de faire entrer
dans la base des variables telles que 𝛥 > 0. Ceci est dû au fait que dans chacune de
ces colonnes j, 𝑎 ≤ 0 pour tout i. Géométriquement, cela correspond à un rayon extrémal
(une demi-droite) sur lequel Z(x) peut augmenter infiniment.
Soit 𝑥 la variable vérifiant le 1er critère de DANTZIG :
𝑥 = 𝑥 = 𝑏 - 𝑎   i= 1, …, m
Si pour tout i, 𝑎  0, on pourra augmenter la valeur de 𝑥 infiniment tout en respectant
𝑥 = 𝑏 - 𝑎   0.

Le rayon extrémal est donné par:

𝑏
⎛ . ⎞
⎜ . ⎟
⎜ . ⎟
 Le point de coordonnées : ⎜ . ⎟
⎜ . ⎟
⎜ . ⎟
.
⎝𝑏 ⎠

Dr. Zeineb Ben Houria 23

Méthodes et outils d’optimisation Chapitre 2

𝑎 ,
.
⎛ . ⎞
⎜ ⎟
.
⎜ ⎟
 La direction : ⎜ . ⎟
⎜ . ⎟
⎜ . ⎟
.
⎝𝑎 , ⎠
Exemple :
Max Z = x1 + 2x2
s.c. 7x1 + 2x2 ≥ 28
x1 + 6x2 ≥ 12
x1, x2  0
8.2. PL avec une infinité de solution
Dans le tableau canonique optimal, à l’une des variables hors base correspond un 𝛥 =0. Si on
fait entrer 𝑥 dans la base, on obtient une autre SBR sans que la valeur de la fonction objectif
change. Le segment formé par ces deux SBRs optimales contient toutes les solutions optimales
du problème.
Exemple :
Max Z = 3x1 + 2x2
s.c. 3x1 + 2x2 ≤ 120
x1 + x2 ≤ 50
x1, x2  0

Dr. Zeineb Ben Houria 24