P.L. Resolution.

Parcours
« ECONOMIE & GESTION » Semestre 6
Chapitre 1
L A PRO GRAMMATION LINEAIRE

Professeur Abdelhamid SKOURI
A.U. 2020 / 2021

1
Résolution des problèmes de P.L .
Section 1- La méthode graphique

Section 2- La méthode du simplexe
Pr. Abdelhamid SKOURI

2
Cours de recherche opérationnelle
• Résoudre un problème de P.L. c’est déterminer le niveau
d’activité qui optimise la fonction - objectif. On obtient
alors un programme optimal.
• La résolution suppose l’utilisation de méthodes adaptées, les
outils classiques de l’analyse mathématique n’étant
applicables que dans le cas où la fonction à optimiser est
définie, continue et dérivable dans son domaine de définition.
• La résolution d’un programme linéaire se déroule selon un
processus illustré par le schéma suivant:
3
4
Section 1- La méthode graphique

Cours de recherche opérationnelle 5
Déroulement de la méthode graphique
• La méthode est adaptée à la résolution des problèmes à 2
variables:
1. Détermination du polygone des solutions possibles :
intersection des demi - plans représentant les contraintes
techniques. L’ensemble des points de ce polygone vérifie le
système des contraintes techniques et forme l’ensemble des
solutions possibles. Ce polygone est convexe. Quant à la
solution optimale, elle se situe sur la frontière du polygone et
correspond à un sommet ;
2. Détermination de la solution optimale par substitution
progressive dans la fonction économique et calcul des valeurs
de cette dernière pour les coordonnées des sommets du
polygone.
6
Déroulement de la méthode graphique
− Détermination du polygone des solutions possibles: intersection des demi - plans
représentant les contraintes techniques. L’ensemble des points de ce polygone vérifie le
système des contraintes techniques et forme l’ensemble des solutions possibles. Quant à
la solution optimale, elle se situe sur la frontière du polygone et correspond à un
sommet ;
− Détermination de la solution optimale en substituant progressivement dans la fonction
économique et en calculant les valeurs de cette dernière pour les coordonnées des
différents sommets du polygone.
• Le sommet correspondant à l’optimum est le point de tangence entre le polygone des
solutions possibles et la famille de droites représentant la fonction - objectif.
◙ Un problème de P.L. peut avoir soit une solution unique, soit une
infinité de solutions, soit une solution infinie.
7
Remarques:
◙ Le sommet correspondant à l’optimum est le point de

tangence entre le polygone des solutions possibles et la
famille de droites représentant la fonction - objectif.
◙ un problème de P.L. peut avoir soit une solution unique,
soit une infinité de solutions, soit une solution infinie.

8
Exemple 1:
• Une entreprise de menuiserie fabrique et vend deux types de
meubles : M1 et M2.
• Cette activité génère un bénéfice unitaire de 100,- u. m pour M1 et de
300,- u. m pour M2.
• L’entreprise dispose de deux ateliers A1 et A2 dont les capacités
journalières sont limitées à 12 heures et à 16 heures respectivement.
La fabrication d’une unité de M1, nécessite 4 heures de travail dans
A1 et 8 heures dans A2. La fabrication d’une unité de M2, nécessite 6
heures de travail dans A1 et 4 heures dans A2. On suppose qu’il y a
une demande élevée des 2 produits, et que l’entreprise désire
déterminer la combinaison de production qui générera le bénéfice
total maximal.
• Déterminer la solution optimale en utilisant la méthode graphique

9
10
• Le sommet correspondant à l’optimum, constitue le
point de tangence entre le polygone des solutions
possibles et la famille de droites représentant la
fonction - objectif. Les variables sont x1 et x2. Les
contraintes sont d’abord exprimées comme des
égalités pour la représentation graphique :

11
Représentation graphique du demi- plan
représentant la première contrainte technique
• La droite correspondant à la
première contrainte :
• 4X1 + 6X2 ≤ 12 (1)
• 4x1 + 6x2 = 12
• A1 ➔ (x1 = 0 ; x2 = 2)
• (x1 = 3 ; x2 = 0).
• Cette droite coupe le plan en
2 demi plans et le demi - plan
inférieur vérifie la contrainte.
12
représentant la deuxième contrainte technique
• La droite correspondant à la
deuxième contrainte :
8x1 + 4x2 ≤ 16 (2)
• 8x1 + 4x2 = 16
• A2 ➔ (x1 = 0 ; x2 = 4)
• (x1 = 2 ; x2 = 0).
• Cette droite coupe le plan en 2
demi plans ; le demi - plan
inférieur vérifie la contrainte
13
L’ intersection des demi- plans représentant les 2 contraintes
techniques donne le polygone des solutions possibles (OABC).

14
• Le tableau suivant énumère
les sommets et donne la
valeur de la fonction –
objectif Z pour chacun de
ces sommets,
• Donc pour maximiser son
profit, l’entreprise ne doit
produire que 2 unités du
meuble M2 uniquement
• => Solution optimale
unique.

15
Exemple 2: Résoudre , à l’aide de la méthode
graphique, le P.L. suivant:
Min Z = 16 x1 + 18 x2
3x1 + 6x2 ≥ 1200
4x1 + 3 x2 ≥ 1000
xi≥ 0 (i = 1, 2)

16
représentant la première contrainte technique
On représente graphiquement le
demi- plan représentant la
contrainte technique (1):
3x1 + 6x2 ≥ 1200
3x1 + 6x2 = 1200
(x1 = 0 ; x2 = 200) et
(x2 = 0 ; x1 = 400)

17
4x1 + 3 x2 ≥ 1000
4x1 + 3x2 = 1000
(x1 = 0 ; x2 = 333,33) et
(x2 = 0 ; x1 = 250)

18
techniques donne le polygone des solutions possibles (ABC).

19
Sommets Valeur de Z = 16 x1 + 18 x2
A ( 0 ; 333,33) ZA = 16.0 +18.333,33 = 6000
B ( 160 ; 120 ) ZB = 16.160 + 18. 120 = 4720
C (400 ; 0 ) ZC = 16.400 + 18.0) = 6400

20
Exemple 3: Résoudre, graphiquement, le P.L. dans chacun des
cas suivants:
1. c = 5.
2. c = 4.

21
1er cas : c = 5

22
1er cas : c = 5
Représentation graphique du demi- plan représentant la
première contrainte technique
x1 + x2 ≤ 10
x1 + x2 = 10
(x1 = 0 ; x2 = 10) et
(x2 = 0 ; x1 = 10)

23
2x1 + 3x2 ≤ 24
2 x1 + 3x2 = 24
(x1 = 0 ; x2 = 8) et
(x2 = 0 ; x1 = 12)

24
représentant la troisième contrainte technique
4x1 + x2 ≥ 8
4 x1 + x2 = 8
(x1 = 0 ; x2 = 8) et
(x1 = 2 ; x2 = 0)

25
techniques donne le polygone des solutions possibles (ABCD).

26
• Le tableau suivant énumère les
sommets et donne la valeur de Z
pour chacun de ces sommets,
• Le sommet C est à l’intersection Sommets Valeur de Z = 5x1 + 6x2
des contraintes (1) et (2). Ses
coordonnées sont donc la A (2, 0) ZA = 10
solution du système d’équations :
• x1 + x2 = 10 B (0, 8) ZB = 48
• 2x1 + 3x2 = 24
C (6, 4) ZC = 54
• => x1 = 6 et x2 = 4
• Le PL admet une solution D (10, 0) ZD = 50
optimale unique en (6,4) avec
• Z max = 54
27
2ème cas : c = 4
Remarque : Le système des contraintes techniques n’a pas
changé. Donc on travaillera sur le même polygone des possibles

28
2ème cas : c = 4.
Comme les contraintes n’ont pas changé, le polygone des
solutions possibles reste le même
Sommets Valeur de Z = 4x1 + 6x2
A (2, 0) ZA = 8
B (0, 8) ZB = 48
C (6, 4) ZC = 48
D (10, 0) ZD = 40
Dans ce cas, le PL admet une infinités de solutions
ou programmes optimaux: les points du segment
[BC] avec Z max = 48

29
Rappel:
Une surface est dite convexe si le segment de droite joignant 2 points
quelconques de cette surface appartient entièrement à la surface.

30
Section 2- La méthode du simplexe

31
• La méthode du simplexe est une méthode itérative qui consiste à
explorer, donc à choisir parmi un ensemble de solutions possibles,
celle qui correspond à l’optimum recherché a la valeur optimale. Elle
permet de procéder par approximations successives à partir d’une
solution de base de départ. A chaque itération la solution obtenue dite
solution de base est soumise à un test d’optimalité,
• On appelle simplexe un polyèdre convexe dans l’espace à n
dimensions, ayant exactement (n+1) points extrêmes.
• Un polyèdre convexe est un ensemble convexe qui possède un nombre
fini de points extrêmes
32
Déroulement de la méthode simplexe
1. Ecrire le programme sous la forme standard en transformant les
inégalités en égalités par introduction de nouvelles variables non
négatives « e i » dites variables d’écart une variable par contrainte).
Il s’agit d’un artifice mathématique sans effet sur le problème et sur
l’objectif => Les coefficients économiques de ces variables sont
nuls,
2. Choisir une première solution de base réalisable : on peut adopter, à
cet effet, la base naturelle qui consiste à retenir les variables d’écart
« e i » comme variables de base, les autres variable xj (les variables
réelles du problème) sont dites hors - base et leur valeur pour cette
base est nulle => construction du premier tableau simplexe
33
3. Tester (l’optimalité de ) la solution de base retenue =>
Utiliser le critère de sélection de Dantzig
4. au besoin, Opérer un changement de base permettant
d’améliorer la solution.

34
Le changement de base
A. Choix d’une variable entrante permettant d’améliorer le plus la valeur de Z :
dans un problème de maximisation, la valeur entrante est celle pour laquelle le
critère de sélection de Dantzig est le plus positif.
B. Choix d’une variable sortante: Elle correspond à la première variable qui
s’annule pour la nouvelle base. Le rapport correspondant (second membre /
coefficient correspondant du vecteur technique de la variable entrante) étant le
plus petit positif.;
C. Transformation de la matrice ; elle utilise la règle du rectangle à partir du
pivot de la transformation. On procède ainsi :
a. Diviser la ligne du pivot par le pivot ;
b. Remplacer la colonne du pivot par le vecteur unitaire ;
c. Appliquer, partout ailleurs, la règle du rectangle.
35
Chaque itération est synthétisée dans un tableau simplexe

36
Règle du pivotage (ou règle du rectangle)

37
REMARQUES :
- Chaque opération de transformation ainsi opérée correspond à une
itération et chaque itération doit permettre d’améliorer la solution du
problème.
- Pour appliquer la méthode du simplexe, on peut utiliser soit la
démarche algébrique de changement de base, soit la méthode
synthétique, dite des tableaux simplexe.

38
Exemple 1- Résoudre à l’aide de la méthode du
simplexe le P. L. suivant:

39
Ecrire le programme sous la forme standard => Introduire deux
variables d’écart non négatives e1 et e2 (une variable d’écart par
contrainte). Ces variables ont un coefficient économique nul, donc
n’influencent pas la fonction – objectif.
Forme canonique Forme standard

40
1ère itération
La base de départ est la base naturelle consistant
à prendre comme variables de base les variables
d’écart
41
- Variables de base : e1 = 12 et e2 = 16
- Variable hors base x1 = x2 = 0
- Solution de base : Z = 0.12 + 0.16 = 0 est- elle optimale?
- Réponse : non puisque les critères de sélection de Dantzig:
c1 – z1 = 10 et c2 – z2 = 30 sont positifs,
- Nécessité d’opérer un changement de base.
42
- Changement de base :
- Variable entrante : x2 qui a le critère le plus positif, 30.
- Variable sortante : e1 qui a le plus petit quotient positif : 12/6 = 2.
- Pivot de la transformation : 6.
43
2ème itération

44
- Variables de base : x2 = 2 et e2 = 8
- Variable hors base x1 = e1 = 0
- Solution de base : Z = 300. 2 + 0.8 = 600 solution améliorée par
rapport à la première étape, Est- elle optimale?
- Réponse : oui puisque tous les critères de sélection de Dantzig sont
négatifs ou nuls
45
◙ La solution optimale est unique puisque les
variables hors – base sont négatives
46
simplexe le P. L. suivant:

47
Ecrire le programme sous la forme standard => Introduire deux variables
d’écart non négatives e1 et e2 et deux variables artificielles non négatives (une
variable par contrainte).
Les variables d’écart ont un coefficient économique nul,
Les variables artificielles ont un coefficient économique arbitrairement élevé.

48
1ère itération

49
50
2ème itération

51
52
3ème itération

53
54
4ème itération

55
56
simplexe, le P. L. suivant:

57

58
1ère itération

59
• Variables de base (V.B.): e1 = 15 ; e2 = 14 ; a = 18
• Variables hors – base (V.H.B.) : x1 = x2 = e 3 = 0
• Solution de base: Z = 18 M non optimale. L’existence de critères de sélection de Dantzig négatifs indiquent
une possibilité d’amélioration ,
• c1 – z1 = 12-M et c2 - z2 = 6- M. => l’introduction dans la base des V.H.B. x1 ou x2 permet d’améliorer la
solution.
• Changement de base :
• Variable entrante : celle qui permet d’améliorer (réduire) le plus la valeur de Z, donc celle qui a le critère
le plus négatif. Soit, ici, x2.
• Variable sortante sera celle qui a le plus petit quotient positif, soit ici e1
• Pivot de la transformation : 2 Pr. Abdelhamid SKOURI
60
2ème itération

61
• Variables de base (V.B.) : x2 = 15/2 ; e2 = 13/2 ; a = 21/2
• Variables hors – base (V.H.B.) : x1 = e1 = e 3 = 0,
• Solution de base: Z = 18 M améliorée mais non optimale. L’existence de critères de sélection de Dantzig
négatifs indiquent une possibilité d’amélioration ,
• c1 – z1 = (30-3M) /2. => l’introduction dans la base de la V.H.B. x1 permet d’améliorer la solution.
• Changement de base :
• Variable entrante : celle qui permet d’améliorer (réduire) le plus la valeur de Z, donc celle qui a le critère
le plus négatif. Soit, ici, x1.
• Variable sortante sera celle qui a le plus petit quotient positif, soit ici a.
• Pivot de la transformation : 3 /2.
62
3ème itération

63
• Variables de base (V.B.) : x1 = 7 ; x2 = 11 ; e2 = 3,
• Variables hors – base (V.H.B.) : e1 = e 3 = a = 0,
• Solution de base: Z = 150 optimale puisque tous les critères de sélection de
Dantzig sont positifsf ou nuls.
• De plus, la solution optimal est unique puisque les critères de sélection de
Dantzig (ou coûts marginaux) des V.H.B. sont strictement positifs (problème de
minimisation).
64

P.L. Resolution.

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

P.L. Resolution.

Transféré par

Droits d'auteur :

Formats disponibles

Parcours

« ECONOMIE & GESTION » Semestre 6

L A PRO GRAMMATION LINEAIRE

A.U. 2020 / 2021

Section 1- La méthode graphique

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

◙ Le sommet correspondant à l’optimum est le point de

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

A ( 0 ; 333,33) ZA = 16.0 +18.333,33 = 6000

B ( 160 ; 120 ) ZB = 16.160 + 18. 120 = 4720

C (400 ; 0 ) ZC = 16.400 + 18.0) = 6400

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

Forme canonique Forme standard

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

Forme canonique Forme standard

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

Pr. Abdelhamid SKOURI

Vous aimerez peut-être aussi