Académique Documents
Professionnel Documents
Culture Documents
Programmation Linéaire
Mohamed BENDAOUD
Email : m.bendaoud@ensam-umi.ac.ma
..........................................................................................................................
École Nationale Supérieure d’Arts et Métiers, Marjane II, B.P. 15290, Al Mansour, Meknès
Tél : +212(0)535457160/61- +212(0)648313896
Fax : +212(0)535467163
Table des matières
Introduction 4
1 Programmation linéaire 6
1.1 Introduction à la recherche opérationnelle . . . . . . . . . . . . . . . . . 6
1.1.1 Enjeux de la recherche opérationnelle . . . . . . . . . . . . . . . 8
1.1.2 Formulation d’un problème d’optimisation . . . . . . . . . . . . 8
1.1.3 Méthodes et outils de la recherche opérationnelle . . . . . . . . . 9
1.2 Modélisation d’un programme linéaire . . . . . . . . . . . . . . . . . . . 9
1.3 Méthode graphique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.4 Méthode du simplexe . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.4.1 Algorithme du Simplexe . . . . . . . . . . . . . . . . . . . . . . 24
2
Table des figures
3
Introduction
Introduction
La recherche opérationnelle est une discipline qui a pour rôle d’assurer la compré-
hension et la modélisation des systèmes industriels et du secteur public et de les traduire
au monde théorique fondé principalement par des mathématiques, des statistiques et de
l’informatique.
Comme objectif de ce cours est de présenter l’un des méthodes de recherche opéra-
tionnelle à savoir la programmation linéaire. Le premier objectif de ce cours est de ce
concentrer sur la formulation et la modélisation des problèmes d’optimisation continue
ou discrètes où les contraintes et le critère (ou la fonction objective) s’expriment linéai-
rement. Dans cette partie, nous commencerons par la collecte des données et des infor-
mations fournies par le problème traité. Ensuite nous présentons les différentes étapes à
suivre pour donner une vision mathématique globale. Le deuxième objectif concerne la
présentation des différentes techniques de résolution de ces problèmes dont le but est de
trouver la meilleure solution (appelée solution optimale) ou pour le problème étudié.
Le premier chapitre est est organisé en cinq sections. La première section est des-
tiné à la présentation de la recherche opérationnelle, son utilisation et les domaines qui
font appel à cette discipline. Les autres sections sont consacré à la formulation et la ré-
solution d’une programmation linéaire, c’est-à-dire les problèmes où les contraintes et la
fonction objective sont linéaires. Dans ce chapitre nous apprendrons comment translater
et formuler des problèmes sous forme d’un programme linéaire, puis nous présenterons
les méthodes de résolution d’un programme linéaire à savoir la résolution graphique et la
résolution analytique, plus précisément l’algorithme du simplexe qui est la méthode prin-
cipale pour la résolution de programmes linéaires en nombres réels. Nous conclurons en
donnant un petit aperçu sur la dualité et ses principales applications dans les programmes
linéaires. L’analyse de la sensibilité ainsi que et la mise en oeuvre un solveur libre et/ou
professionnel sont aussi présentées.
Mohamed BENDAOUD 4
Chapitre 1 1.1 Introduction à la recherche opérationnelle
Ces notes de cours ne vous seront profitables que si vous préparez régulièrement et
sérieusement les T.D.s et ne vous dispensent bien évidement pas d’assister au cours.
Mohamed BENDAOUD 5
Chapitre 1
Programmation linéaire
Autrement définie, la RO traduit des énoncés ou des cahiers de charges liés à des
problématiques spécifiques sous forme de méthodes et des démarches à base d’équation
mathématique, des algorithmes et des outils statistiques.
Deux îles de la ville de Königsberg sont reliées entre elles par 1 pont. D’autre part
6 autres ponts relient les îles à la ville. La question posée est la suivante : à partir d’un
6
Chapitre 1 1.1 Introduction à la recherche opérationnelle
point de départ quelconque, existe-t-il un chemin passant une et une seule fois par chaque
pont et qui revient au point de départ ?
La réponse (apportée par Euler) est non. La preuve utilise un graphe : les arêtes
du graphe représentent les ponts et les sommets correspondent aux différents endroits
de la ville (les rives gauche et droite et les deux îles ; voir figure Figure 1.2 ci-dessous).
Supposons qu’un tel chemin existe. Un tel chemin est appelé chemin eulérien. Alors né-
cessairement en chacun des noeuds du graphe il y a toujours un nombre pair d’arêtes
reliées au noeud : s’il y a une arête qui arrive au noeud, il y en a nécessairement une
autre (différente) qui le quitte. Or, on constate que le graphe possède des noeuds (tous
en fait !) reliés à un nombre impair d’arêtes. Par conséquent, il n’existe pas de chemin
eulérien.
Mohamed BENDAOUD 7
Chapitre 1 1.1 Introduction à la recherche opérationnelle
Problème concret
Modélisation
Prise de décision
La R0 est utilisée dans les domaines ou la prise de décision fait appel à la résolution
des problèmes d’optimisation, qui sont des problèmes d’analyse fonctionnelle qui cherche
l’extremum d’une fonction, telle que les problèmes de :
• Dimensionnement,
• localisation
• Détection de dysfonctionnements : diagnostics, réparation, maintenance.
• Gestion de ressources
• Partage des ressources
• Rentabilisation des investissements
• Etc...
• Analyse : Dans cette phase, on commence toujours par l’identification des don-
nées nécessaires à la résolution du problème, les valeurs de consommations ou les
fiches techniques des articles, la quantité des ressources disponibles, les coûts de
transport, la capacité de production, les gains engendrés par chaque article ou les
Mohamed BENDAOUD 8
Chapitre 1 1.2 Modélisation d’un programme linéaire
dépenses établies pour la réalisation d’une action. Dans cette phase, on détermine
les composantes, les enjeux et les limites du problème.
Comme outils, on peut citer de nombreux logiciels payants ou libres pour la résolution
des problèmes de de la recherche opérationnelle :
Mohamed BENDAOUD 9
Chapitre 1 1.2 Modélisation d’un programme linéaire
Exemple 1.2.2 Une entreprise fabrique des tables et des chaises à partir de deux ma-
tières : le bois et la peinture, sachant que la réalisation d’une table nécessite 3 m de bois
et 4 kg de peinture la réalisation d’une chaise nécessitent 2 m de bois et 1 kg de peinture.
Les moyens financiers de l’entreprise acceptent un approvisionnement de 100 m de bois
et 120 kg de peinture par semaine. Les produits ainsi fabriqués fournissent un bénéfice de
500 DH par table et 300 DH par chaise vendu.
On souhaite maximiser le bénéfice total de l’entreprise venant de la vente des tables et
des chaises.
Question : formuler le problème.
Mohamed BENDAOUD 10
Chapitre 1 1.2 Modélisation d’un programme linéaire
P1 P2 Ressource disponible
Heure / Machine 3 9 81
main d’oevre 4 5 55
emballage 2 1 20
Mohamed BENDAOUD 11
Chapitre 1 1.2 Modélisation d’un programme linéaire
Solution.
• Choix des variables :
x1 et x2 sont respectivement les quantités de D1 et D2 dans le menu à compo-
ser.
• Formulation des contraintes :
Contraintes diététiques : Le menu doit comporter au minimum 5 unités de V ,
4 unités de C, 6 unités de P . Les coûts unitaires sont 20 pour D1 et 25 pour
D2 .
x1 + 5x2 ≥ 5
Réalisation du menu : x1 + 2x2 ≥ 4
3x1 + 2x2 ≥ 6
Positivité des variables : x1 , x2 ≥ 0.
• La fonction objective à minimiser est z(x1 , x2 ) = 20x1 + 25x2 .
Ainsi, le problème de d’alimentation se modélise sous forme :
Mohamed BENDAOUD 12
Chapitre 1 1.2 Modélisation d’un programme linéaire
D2) et que les magasins A, B et C ont commandés 200 containers chacun. Les coûts de
transport par containers sont les suivants :
Le but est de minimiser le coût total de transport des containers des dépôts vers les ma-
gasins en respectant les disponibilités et les demandes. Formuler mathématiquement le
problème.
Solution.
• Choix des variables :
xij le nombre de containers transportés du dépôt i vers le magasin j (i = 1, 2
et j = A, B, C).
• Formulation des contraintes
:
x1A + x1B + x1C ≤ 250
Disponibilité :
x2A + x2B + x2C ≤ 450
x1A + x2A = 200
Demande : x1B + x2B = 200
x1C + x2C = 200
Positivité des variables : xij ≥ 0, à valeurs entières.
• La fonction objective à minimiser
z(xij , i = 1, 2, j = A, B, C) = 3, 4x1A +2, 2x1B +2, 9x1C +3, 4x2A +2, 4x2B +2, 5x2C .
Dans ce problème on dispose de n objets et d’un sac à dos pouvant supporter un poids
maximal P . A chaque objet est associé un poids et une valeur. On souhaite remplir le sac
de sorte à maximiser la somme des valeurs des objets qu’il contient sans dépasser le poids
total autorisé.
Solution.
• n le nombre d’objets ;
• vi la valeur de l’objet i = 1, 2, . . . n ;
• pi le poids de l’objet i = 1, 2, . . . n ;
• P le poids total supporté par le sac ;
• xi la variable de décision qui vaut 1 si l’objet i est choisi, 0 sinon.
Mohamed BENDAOUD 13
Chapitre 1 1.2 Modélisation d’un programme linéaire
max(min)z
= c1 x1 + ... + cn xn
a11 x1 + ... + a1n xn ≤ (ou = ou ≥) b1
a21 x1 + ... + a2n xn ≤ (ou = ou ≥) b2
. .
s.c. . .
. .
a x + ... + amn xn ≤ (ou = ou ≥) bm
m1 1
x1 , ..., xn ≥ 0.
En tenant compte du fait que, pour tout a, b ∈ R,
• min z = − max(−z),
• a = b ⇐⇒ a ≤ b et a ≥ b,
• a ≥ b ⇐⇒ −a ≤ −b,
on en déduit que le PL s’écrit sous la forme suivante dite forme canonique :
max z = ct x
s.c. Ax ≤ b
x≥0
Mohamed BENDAOUD 14
Chapitre 1 1.3 Méthode graphique
x1 a11 a12 ··· a1n b1 c1
x2 a21 a22 ··· a2n b2 c2
où x = , A = , b = , c = et ct
.. .. .. ... .. .. ..
. . . . . .
xn am1 am2 · · · amn bm cn
désigne le transposé du vecteur c.
Résoudre le programme linéaire consiste à déterminer les n-uplets (x1 , x2 , ..., xn ) qui
optimisent z (c.-à-d., maximisent ou minimisent z).
Définition 1.2.8 On appelle :
• solution réalisable (ou admissible) du PL tout n-uplet (x1 , x2 , ..., xn ) vérifiant le
système d’inéquations précédent ;
• solution optimale toute solution réalisable qui optimise z ;
• fonction objectif la forme linéaire z(x1 , x2 , ..., xn ) = c1 x1 + c2 x2 + ... + cn xn ;
• polyèdre de Rn tout partie Q de Rn qui s’écrit sous la forme Q = {x ∈ Rn :
Ax ≤ b} où A est une matrice m × n et b ∈ Rm .
L’ensemble des solutions réalisables du PL est appelé domaine des solutions réalisables.
Lorsque ce domaine est non vide, on dit que le PL est réalisable.
Définition 1.2.9 On dit qu’un PL est sous forme standard s’il s’écrit sous la forme
max z = ct x
s.c. Ax = b
x ≥ 0.
Proposition 1.2.10 Tout PL sous forme standard s’écrit de façon équivalente en un PL
sous forme canonique et inversement.
Exemple 1.2.11 Formuler le programme linéaire suivant sous forme canonique et stan-
dard.
minz = 2x1 − x2
4x1 + x2 ≥ 55
s.c. x1 + 3x2 = 27
x1 ≥ 0, x2 ∈ R.
−
où x2 = x+
2 − x2 et z = −z.
Forme standard :
−
maxz = −2x1 + x+ 2 − x2
+ −
−4x1 − x2 + x2 + e1 = −55
−
s.c. x1 + 3x+ 2 − 3x2 = 27
+ −
x1 , x2 , x2 ≥ 0;
− −
où x2 = x+ +
2 − x2 , z = −z et e1 = −55 − (−4x1 − x2 + x2 ) appelé variable d’écart.
Mohamed BENDAOUD 15
Chapitre 1 1.3 Méthode graphique
À partir de ces deux points on trace la première droite qui partage le plan en deux
demi-plans. Notons que pour tout point M (x1 , x2 ) appartenant au demi plan qui contient
le centre O(0, 0), on a 4x1 +5x2 ≤ 55 puisque pour le centre O on a 4×0+5×0 = 0 ≤ 55.
Ainsi, on conserve ce qui est en dessous de la droite, et on élimine la partie supérieure
puisque la contrainte est une contrainte d’infériorité ; voir figure Figure 1.3 ci-dessous :
On applique le même principe pour toutes les contraintes y compris les contraintes de
positivité. L’intersection de toutes les contraintes forme le domaine plan convexe, délimité
par le polygone OABCD, tel qu’il est donné par la partie hachurée dans la Figure 1.4.
La question qui se pose maintenant est : quel est le point qui donne la valeur optimale
pour ce problème ? C.-à-d., quels sont les couples (x1 , x2 ) de solutions réalisables tels que
z(x1 , x2 ) = 600x1 + 400x2 soit maximum ?
Pour répondre à cette question, on suit la procédure suivante : Pour tout nombre z, on
note Dz la droite d’équation z = 600x1 + 400x2 ou encore x2 = −3/2x1 + z/400 appe-
lée généralement droite d’isovaleur (ou de niveaux) de la fonction objectif. Cette droite a
pour coefficient directeur −3/2 et d’ordonnée à l’origine z/400.
Mohamed BENDAOUD 16
Chapitre 1 1.3 Méthode graphique
Mohamed BENDAOUD 17
Chapitre 1 1.3 Méthode graphique
Lorsque z varie, ces droites Dz ayant même coefficient directeur sont parallèles entre
elles. L’ordonnée à l’origine des droites Dz est z/400. Maximiser z est équivalent à maxi-
miser z/400. Le problème consiste donc à déterminer une ou plusieurs droites Dz qui
rencontrent le domaine des solutions réalisables et ayant une ordonnée à l’origine maxi-
male. Lorsque z augmente, la droite Dz se déplace parallélement à elle même vers le haut.
Ainsi, on trace d’abord la droite D0 pour z = 0 qui est la plus petite valeur pour la fonc-
tion objective, puis on effectue une translation parallèle à la direction de la droite du bas
vers le haut jusqu’à rencontrer le dernier point de la région réalisable.
La droite Dz qui rencontre la région réalisable et qui a une ordonnée à l’origine maxi-
male est celle qui passe par le point B, voir Figure 1.5.
On obtient ainsi le point qui correspond à la solution optimale. Par la projection de ce
point sur les axes du repère (ou en utilisant le fait que B est l’intersection de la première
et la troisième contrainte) on obtient ces coordonnées : x1 = 7, 5 et x2 = 5.
Ainsi, le programme linéaire a une seule solution maximale, le couple (7, 5; 5) qui est
un sommet de la région réalisable, pour laquelle la fonction objectif est optimale et vaut
z = 600x1 + 400x2 = 6500.
Les écarts de l’optimum sont données comme suit :
Mohamed BENDAOUD 18
Chapitre 1 1.3 Méthode graphique
Remarque 1.3.4 Pour trouver la solution optimale d’un P L, il suffit d’évaluer la fonction
objective en chaque sommet de la région réalisable du problème, et de sélectionner la
solution optimale. Cette méthode s’appelle la méthode de l’énumération.
Exemple 1.3.5 Dans l’Exemple 1.3.1 ci-dessus, les sommets du polyèdre de la région
réalisable sont O(0; 0), A(10; 0), B(7, 5; 5), C(30/7; 53/7) et D(0; 10) et on a le tableau
suivant :
O A B C D
x1 0 10 7,5 30/7 0
x2 0 0 5 53/7 10
z 0 6000 6500 5600 4000
La solution optimale est alors obtenue au sommet B pour laquelle la fonction objective
vaut 6500.
Exemple 1.3.6 Soit le programme linéaire suivant :
maxz = 40x1 + 50x2
4x1 + 5x2 ≤ 55
x1 + 3x2 ≤ 27
s.c.
2x1 + x2 ≤ 20
x1 , x2 ≥ 0.
Mohamed BENDAOUD 19
Chapitre 1 1.3 Méthode graphique
La région réalisable du problème est donnée graphiquement par la Figure 1.7. Les droites
Dz sont parallèles au côté (BC). Il y a une infinité de solutions optimales représentées
par tous les points du segment [BC] défini par :
4x1 + 5x2 = 55
[BC] :
30/7 ≤ x1 ≤ 7, 5.
4x1 + 5x2 = 55
Tous les couples (x1 , x2 ) tels que sont des solutions optimales
30/7 ≤ x1 ≤ 7, 5
pour lesquelles la fonction objectif est maximale et vaut 550.
Mohamed BENDAOUD 20
Chapitre 1 1.3 Méthode graphique
Lorsque z varie, ces droites Dz ayant même coefficient directeur sont parallèles entre
elles. L’ordonnée à l’origine des droites Dz est z/5. Minimiser z est équivalent à mi-
nimiser z/5. Le problème consiste donc à déterminer une ou plusieurs droites Dz qui
rencontrent la région réalisable et ayant une ordonnée à l’origine minimale.
La droite Dz qui rencontre la région réalisable et qui a une ordonnée à l’origine mini-
male est celle qui passe par le point A de coordonnées : x1 = 7, 5 et x2 = 5.
Ainsi, le programme linéaire a une seule solution minimale, le couple (7, 5; 5), pour
laquelle la fonction objectif est minimale et vaut z = −2x1 + 5x2 = 10.
La droite Dz qui rencontre la région réalisable et qui a une ordonnée à l’origine mini-
3
male est celle qui passe par le point C(1, ).
2
3
Ainsi, le programme linéaire a une seule solution minimale, le couple (1; ), pour
2
3 115
laquelle la fonction objectif est minimale et vaut z = 20 × 1 + 25 × = .
2 2
Mohamed BENDAOUD 21
Chapitre 1 1.3 Méthode graphique
La région réalisable du problème est vide, voir Figure 1.10. Ce programme n’a pas donc
de solution réalisable, et le problème est à solution impossible.
Mohamed BENDAOUD 22
Chapitre 1 1.4 Méthode du simplexe
maxz = 5x1 + x2
4x1 + 5x2 ≥ 55
s.c.
−5x1 + 7x2 ≤ 35
La région réalisable du problème est non bornée Figure 1.11, et la fonction objective est
alors non bornée.
La méthode graphique pour la résolution d’un problème linéaire à deux variables est
très facile à appliquer. Sa difficulté augmente par l’augmentation des variables dans le
système. Elle devient difficile pour trois variables et, voire impossible, au delà de trois
inconnus dans le système étudié.
Afin d’ôter la difficulté du fait que la méthode graphique est limitée à deux variables,
une méthode appelée méthode du simplexe a été développée afin de résoudre des pro-
blèmes de programmation linéaire avec plusieurs variables ; ceci ferra l’objet de la section
suivante.
Mohamed BENDAOUD 23
Chapitre 1 1.4 Méthode du simplexe
la solution optimale.
Nous présenterons dans cette section une résolution analytique en détaillant deux pro-
cédures : méthode (ou algorithme) Simplexe et tableaux Simplexe.
Mohamed BENDAOUD 24
Chapitre 1 1.4 Méthode du simplexe
3. Région réalisable :
4. Forme standard :
On introduit les variables d’écart ei avec i ∈ {1, 2, 3} positives ou nulles.
Mohamed BENDAOUD 25
Chapitre 1 1.4 Méthode du simplexe
6. Première itération :
La solution de base de départ consiste à ne rien produire soit x1 = x2 = 0. On
étudie ensuite, à partir de cette solution, jusqu’à quel niveau on peut porter x1 ou
x2 conformément aux contraintes de façon à accroître au maximum le profit. Il se
pose le problème du choix de la variable x1 ou x2 qui va passer de la valeur 0 à
une valeur strictement positive. La variable choisie sera appelée variable entrante.
- Critère de sélection de la variable entrante :
Cette sélection doit s’accompagner d’une augmentation de la fonction écono-
mique
z(x1 , x2 ) = 7x1 + 5x2 .
La sélection portera sur x1 qui par unité rapporte le plus. Cette règle est ap-
pelée règle du plus grand gain marginal :
Le critère de sélection de Dantzig de la variable entrante consiste, dans la
fonction économique exprimée exclusivement en fonction des variables
hors-base, à sélectionner la variable affectée du coefficient strictement
positif le plus élevé.
- On exprime ensuite e1 , e2 , e3 et z en fonction des variables hors-base x1 et x2 :
e1 = 400 − x2
e2 = 500 − x1 − x2
e 3 = 700 − 2x1 − x2
z = 7x1 + 5x2 .
Mohamed BENDAOUD 26
Chapitre 1 1.4 Méthode du simplexe
La variable e3 est devenue nulle, elle est sortie de la base, e3 est appelée va-
riable sortante. Les variables x1 et e3 ont permuté.
x2 + e1 = 400
e1 = 400 − x2
x1 + x2 + e 2 = 500 e2 = 500 − (350 − 12 x2 − 12 e3 ) − x2
⇔
2x 1 + x 2 + e 3 = 700
x1 = 350 − 12 x2 − 12 e3
1 1
z = 7x1 + 5x2 . z = 7(350 − 2 x2 − 2 e3 ) + 5x2 .
x2 + e1 = 400
1 1
x
2 2
+ e2 − e
2 3
= 150
⇔ 1 1
x1 + 2 x2 + 2 e 3 = 350
z = 32 x2 − 27 e3 + 2450.
VDB x1 x2 e1 e2 e3 cste
e1 0 1 1 0 0 400
e2 0 1/2 0 1 -1/2 150
x1 1 1/2 0 0 1/2 350
z 0 3/2 0 0 -7/2 - 2450
On a pris la colonne des VDB du premier tableau et on y a remplacé e3 par x1 .
Pour la fonction économique z, le coefficient constant 2450 est affecté impérative-
ment du signe "-" et on place −2450.
Cette itération conduit au sommet A1 (350, 0) pour lequel la fonction économique
vaut 2450.
7. Deuxième itération :
Mohamed BENDAOUD 27
Chapitre 1 1.4 Méthode du simplexe
Jusqu’à quel niveau peut-on porter x2 ? La valeur maximale prise par x2 est
300. Dans ce cas,
e1 = 100, e2 = 0 et x1 = 200.
La variable sortante est e2 .
Les variables hors-base sont alors e2 et e3 , les variables dans la base sont x1 , x2
et e1 . Cette itération conduit au sommet A2 (200, 300) pour lequel la fonction éco-
nomique vaut 2900.
x2 et e2 ont permuté. On exprime les variables dans la base en fonction des nou-
velles variables hors-base e2 et e3 :
x 2 + e1 = 400
e1 = 400 − (300 − 2e2 + e3 )
x1 + x2 + e2 = 500 x1 = 200 + e2 − e3
⇔
2x1 + x2 + e3 = 700
x2 = 300 + 2e2 − e3
z = 7x1 + 5x2 . z = 7(200 + e2 − e3 ) + 5(300 + 2e2 − e3 ).
e1 − 2e2 + e3 = 100
x2 + 2e2 − e3 = 300
⇔
x 1 − e 2 + e3 = 200
z = −3e2 − 2e3 + 2900.
VDB x1 x2 e1 e2 e3 cste
e1 0 0 1 -2 1 100
x2 0 1 0 2 -1 300
x1 1 0 0 -1 1 200
z 0 0 0 -3 -2 - 2900
On a pris la colonne des VDB du deuxième tableau et on y a remplacé e2 par x2 .
Pour la fonction économique z, le coefficient constant 2900 est affecté du signe "-"
et on place −2900.
Conclusion :
z = 2900 − 3e2 − 2e3 ,
e2 et e3 sont hors-base donc nulles, toute augmentation de e2 ou e3 entraîne une
diminution de z. Il n’est plus possible d’améliorer la fonction économique, la so-
lution (x1 = 200, x2 = 300) est la solution optimale.
On interprète les résultats de la manière suivante :
• x1 = 200 bureaux de modèle luxe,
• x2 = 300 bureaux de modèle standard,
• e1 = 100, il reste une possibilité de fabriquer 100 bureaux de modèle standard,
Mohamed BENDAOUD 28
Chapitre 1 1.4 Méthode du simplexe
maxz = ct x
Ax = b
s.c.
x ≥ 0,
on a
δxj = cj − zj , ∀j = 1, 2, ..., n,
m
X
où zj = ci aij est appelé le coût fictif (ou d’opportunité) associé à la variable
i=1
correspondante j.
Mohamed BENDAOUD 29