;

Département de Mathématiques et Informatique

;
École Nationale Supérieure d’Arts et Métiers
Université Moulay Ismaïl
Meknès

Cours et travaux dirigés de Mathématiques

Intitulé de module : Programmation Linéaire & Statistiques
Intitulé de l’élément de module :

Programmation Linéaire

Filière : Génie civil

Volume horaire de l’élément de module : 20h

Année universitaire : 2020/2021

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

1.1 La ville de Königsberg et ses 7 ponts. . . . . . . . . . . . . . . . . . . . 6

1.2 Graphe associé au problème des ponts de Königsberg . . . . . . . . . . . 7
1.3 Régionnement du plan par une contrainte. . . . . . . . . . . . . . . . . . 17
1.4 Région réalisable d’un problème. . . . . . . . . . . . . . . . . . . . . . . 17
1.5 Problème ayant une solution maximale unique. . . . . . . . . . . . . . . 18
1.6 Polyèdre. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.7 Problème ayant une infinité de solutions maximales. . . . . . . . . . . . . 20
1.8 Problème à solution minimale unique. . . . . . . . . . . . . . . . . . . . 21
1.9 Problème à solution minimale unique. . . . . . . . . . . . . . . . . . . . 22
1.10 Problème à solution impossible. . . . . . . . . . . . . . . . . . . . . . . 22
1.11 Problème à solution rejeté à l’infini. . . . . . . . . . . . . . . . . . . . . 23

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.

L’employabilité de la recherche opérationnelle est composée de deux phases. La pre-

mière consiste à formuler mathématiquement un problème qui demande une analyse dé-
taillée et suffisamment précise pour recueillir les caractéristiques essentielles du problème
posé en plus d’un savoir-faire et d’une certaine expérience. La deuxième phase s’intéresse
à la résolution du problème par l’utilisation d’algorithmes rigoureux et bien déterminés.

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.

Le deuxième chapitre traitera des problèmes en nombres entiers. La résolution de ces

problèmes fait appel à des techniques et des algorithmes de résolution. Parmi eux nous
présenterons dans un premier temps l’approche par énumération, suivie par une présenta-
tion de la méthode de branch and bound pour les valeurs entières. On parle de la résolution
en nombres entiers lorsque les valeurs des variables doivent être entières, par rapport à la
résolution en nombres réels.

Les notes de ce cours se composent à la fois de cours magistraux et de séances de

travaux dirigés.

Mohamed BENDAOUD 4
Chapitre 1 1.1 Introduction à la recherche opérationnelle

Ce cours de RO s’adresse aux étudiants de la troisième année de L’ENSAM-Meknès

de la filière Génie Civil, à l’Université de Moulay Ismaïl. Bien évidemment, de nombreux
aspects ne sont pas étudiés faute de temps et de volume horaire. Cependant, les notions
de base choisies dans ce cours permettent aux étudiants d’acquérir des connaissances et
un savoir-faire en Recherche Opérationnelle pour traiter divers problèmes.
Ce support de cours comporte également une annexe consacrée à des rappels d’al-
gèbre linéaire et quelques notions algorithmiques, qui constituent les pré-requis à une
bonne compréhension des premières parties du cours.

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

1.1 Introduction à la recherche opérationnelle

La Recherche Opérationnelle (RO) est une discipline qui permet de formuler des pro-
blèmes par des supports scientifiques, mathématiques et informatiques pour aider à mieux
décider. La RO est donc un outil d’aide à la décision.

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.

Comme premier exemple d’application de la RO, on cite le problème des ponts de

Königsberg ci-dessous :
Exemple 1.1.1 (Euler 1735)

F IGURE 1.1 – La ville de Königsberg et ses 7 ponts.

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.

F IGURE 1.2 – Graphe associé au problème des ponts de Königsberg

La RO permet d’assurer la communication entre le milieu industriel (les secteurs ex-

térieurs) et les applications théoriques dans le but de proposer les solutions les mieux
adaptées à une situation donnée.

La procédure utilisée par la RO peut être schématisée comme suit :

Mohamed BENDAOUD 7
Chapitre 1 1.1 Introduction à la recherche opérationnelle

Problème concret

Modélisation

Résolution par une méthode de R.O

Interprétation des résultats

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...

1.1.1 Enjeux de la recherche opérationnelle

L’utilisation de la RO devient de plus en plus sollicitée dans la vie quotidienne et à
différents niveaux puisqu’elle offre plusieurs avantages et traite plusieurs points tels que :
• elle propose les meilleures décisions stratégiques ;
• l’accession à l’innovation ;
• fournit une meilleure gestion des ressources.
• l’amélioration de la compétitivité des entreprises ;
• Etc...

1.1.2 Formulation d’un problème d’optimisation

La formulation d’un problème d’optimisation ou le passage du texte vers les équations
mathématiques doit passer par : l’analyse, la modélisation et le critère à optimiser décrit
comme suit :

• 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.

• Modélisation : L’optimisation repose toujours sur des modèles mathématiques.

Pour définir le modèle d’un système, on définit :
i) Les variables : On détermine les variables ou les inconnues du système qui re-
présente les décisions à prendre et qui doivent répondre à un certain nombre de
questions : que faut-il réaliser et en quelle quantité ? Combien doit-on acheter ?
...
ii) Les contraintes : Les objets mathématiques qui assurent l’interaction et la
liaison des variables par rapport aux ressources disponibles et aux données du
problème sont appelées contraintes.

• Critère a optimisé : Représente l’objectif ou le but attendu du problème. Il peut

être une fonction de minimisation lorsqu’il s’agit d’une dépense, d’un investisse-
ment ou une fonction de maximisation lorsqu’il s’agit d’un profit ou de gain.

1.1.3 Méthodes et outils de la recherche opérationnelle

Parmi les méthodes les plus courantes en recherche opérationnelle on pet citer :

• Programmation linéaire : permet de résoudre les problèmes d’optimisation où la

fonction objective et les contraintes sont toutes linéaires.
• Programmation non linéaire : traite les problèmes non linéaires.
• Programmation dynamique : adaptée au problèmes du plus court chemin et des
problèmes combinatoires difficiles.
• Processus stochastiques : concerne les problèmes aléatoires, ’problèmes de fiabi-
lité, ...
• Théorie des graphes : s’intéresse à la résolution des problèmes d’ordonnancement
et d’optimisation à l’aide des graphes.
• Heuristiques et métaheuristiques : concerne les problèmes où la solution ne peut
être obtenue en temps raisonnable.

Comme outils, on peut citer de nombreux logiciels payants ou libres pour la résolution
des problèmes de de la recherche opérationnelle :

• Logiciels d’aide à la décision : MATLAB, SAP, Produit ILOG, ...

• Logiciels d’optimisation : MATLAB, excel, cplex, xpress, glpk, gurobi, ...
• Logiciel de simulation : qnap, simula, ...
• Les API C++ ou java, ...

1.2 Modélisation d’un programme linéaire

Les problèmes de programmation linéaire (PL) sont des problèmes d’optimisation où :
• les variables de décision du problème sont positives ;

Mohamed BENDAOUD 9
Chapitre 1 1.2 Modélisation d’un programme linéaire

• la fonction objectif (ou le critère de selection de la meilleure décision) doit être

une fonction linéaire de ces variables ;
• les contraintes ou les restrictions relatives aux variables de décision (exemple :
limitations de ressources) doivent être exprimés par un ensemble d’équations li-
néaires.

La modélisation d’un PL ou le passage du texte vers les équations mathématiques doit

passer par les étapes suivantes :
• Identifier les variables (ou les inconnues) du problème et les représenter sous
forme symbolique (exemple : x1 , x2 , ... )
• Formuler les contraintes et les exprimer par un système d’équations linéaires.
• Formuler la fonction objectif (ou la fonction économique), traduisant les préfé-
rences du décideur, sous forme linéaire en fonction de variables de décision. Puis
spécifier si la fonction objectif est à maximiser ou à minimiser.
Exemple 1.2.1 (Problème de ciment)
Une usine produit deux types ciments C1 et C2 , rapportant 500 DH et 700 DH par
tonne. Une tonne de C1 nécessite 40min de calcination dans un four à chaux et 20min de
broyage. Une tonne de C2 nécessite 30min de calcination dans un four à chaux et 30min
de broyage.

Le four et l’atelier de broyage sont disponibles 6h et 8h par jour. Combien de ciment

de chaque type peut-on produire par jour pour maximiser le bénéfice ?
Solution.
• Choix des variables :
x1 et x2 sont respectivement les quantités de C1 et C2 à produir par jour.
• Formulation des contraintes :
Disponibilité du four : 40x1 + 30x2 ≤ 360.
Disponibilité du broyeur : 20x1 + 30x2 ≤ 480.
Positivité des variables : x1 , x2 ≥ 0.
• La fonction objective à maximiser est z(x1 , x2 ) = 500x1 + 700x2 .
Ainsi, le problème de production se modélise sous forme :

maxz = 500x1 + 700x2

 40x1 + 30x2 ≤ 360
s.c. 20x1 + 30x2 ≤ 480
x1 , x2 ≥0


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

Solution. Reprenons les données de l’exemple sur le tableau suivant :

Table Chaise Stock

bois 3 2 100
peinture 4 1 120
Gain 500 300

• Choix des variables :

x1 : représente la quantité des tables ;
x2 : représente la quantité des chaises.
• Formulation des contraintes :
Pour le bois : 3x1 + 2x2 ≤ 100.
Pour la peinture : 4x1 + x2 ≤ 120.
En tenons compte de la non-négativité des variables, on ajoute la contrainte
supplémentaire au problème : x1 , x2 ≥ 0.
• Fonction objectif :

Le gain : z(x1 , x2 ) = 500x1 + 300x2 =⇒ L’objectif : max z = 500x1 + 300x2 .

Ainsi, le programme linéaire qui modélise ce problème est :

maxz = 500x1 + 300x2

 3x1 + 2x2 ≤ 100
s.c. 4x1 + x2 ≤ 120
x1 , x2 ≥0


Exemple 1.2.3 (Problème de Production)

Une usine fabrique 2 produits P1 et P2 en utilisant un certain nombre de ressources :
post opératoire (machine), main-d’oeuvre et emballage. Ces besoins sont indiqués dans
le tableau ci-dessous. Les ressource sont disponibles en quantités limitées comme suit :

P1 P2 Ressource disponible
Heure / Machine 3 9 81
main d’oevre 4 5 55
emballage 2 1 20

Les deux produits P1 et P2 rapportent à la vente respectivement des profits de 600 DH

et 400 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 deux produits ?
Solution.
• Choix des variables :
x1 et x2 sont respectivement les quantités des produits P1 et P2 à fabriquer
(x1 , x2 ∈ N).
• Formulation des contraintes : 
 3x1 + 9x2 ≤ 81
La disponibilité des ressources s’écrit : 4x1 + 5x2 ≤ 55
2x1 + x2 ≤ 20

Positivité des variables : x1 , x2 ≥ 0.

Mohamed BENDAOUD 11
Chapitre 1 1.2 Modélisation d’un programme linéaire

• La fonction objective z(x1 , x2 ) correspond au bénéfice total qui vaut

z(x1 , x2 ) = 600x1 + 400x2 ,

et le profit à maximiser est :

max z = 600x1 + 400x2 .

Ainsi, le problème de production se modélise sous forme :

maxz = 600x1 + 400x2


 3x1 + 9x2 ≤ 81
4x1 + 5x2 ≤ 55

s.c.

 2x1 + x2 ≤ 20
x1 , x2 ≥ 0.


Exemple 1.2.4 (Problème d’Alimentation)

L’intendant d’un lycée doit composer un menu qui doit contenir un minimum d’éléments
nutritifs et qui doit être le moins coûteux possible. On se limite à une situation simple,
deux denrées alimentaires principales D1 , D2 et trois éléments nutritifs, les vitamines V ,
les calories C et les protéines P . Le nombre d’éléments nutritifs par unité d’aliment sont
comme suit : Une unité de D1 contient 1 unité de V , 1 unité de C et 3 unités de P . Une
unité de D2 contient 5 unité de V , 2 unité de C et 2 unités de P . 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 .

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 :

min z = 20x1 + 25x2


 x1 + 5x2 ≥ 5
x1 + 2x2 ≥ 4

s.c.

 3x1 + 2x2 ≥ 6
x1 , x2 ≥ 0.


Exemple 1.2.5 (Réseaux de transport)

Supposons que 250 (resp. 450) containers sont disponibles au dépôt D1 (resp. au dépôt

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 :

Magasin A Magasin B Magasin C

Dépot D1 3,4 2,2 2,9
Dépot D2 3,4 2,4 2,5

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 .

Ainsi, le problème de réseaux de transport se modélise sous forme :

min z = 3, 4x1A + 2, 2x1B + 2, 9x1C + 3, 4x2A + 2, 4x2B + 2, 5x2C


 x1A + x1B + x1C ≤ 250
x2A + x2B + x2C ≤ 450




x1A + x2A = 200

s.c.

 x1B + x2B = 200
x + x2C = 200

 1C



xij ≥ 0, i = 1, 2, j = A, B, C.

Exemple 1.2.6 (Problème du sac à dos)

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

Le problème du sac à dos se modélise comme suit :

n
X
max z = vi xi
 n i=1
 Xp x

≤P
i i
s.c. i=1

 x ∈ {0, 1}, i=1, 2, . . .n.
i

Remarque 1.2.7 (Forme générale d’un PL)

De façon générale, un problème de programmation linéaire ou un programme linéaire met
en jeu les variables, les ressources et les contraintes (capacités) du problème. Considérons
(xi )1≤i≤n variables (produits) nécessitant l’utilisation de m sources. Pour 1 ≤ i ≤ n et
1 ≤ j ≤ m, notons par ci la marge unitaire du produit i et bj la quantité de ressource
j disponible et par aij la quantité de ressource i consommée pour produire une unité de
produit j. Les donnés du problème peuvent être résumées dans le tableau suit ci-dessous

Ressources Variables Contraintes

x1 x2 ... xn
1 a11 a12 ... a1n b1
2 b2
. .
. .
. .
m am1 am2 ... amn bm
Marge c1 c2 ... cn
et la forme générale du PL s’écrit :

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.
minz = 2x1 − x2
 4x1 + x2 ≥ 55
s.c. x1 + 3x2 = 27
x1 ≥ 0, x2 ∈ R.


Solution : Forme canonique :

−
maxz = −2x1 + x+ 2 − x2
−
 −4x1 − x+ 2 + x2 ≤ −55
−
 +
x1 + 3x2 − 3x2 ≤ 27

s.c. −
 −x 1 − 3x 2 + 3x 2 ≤ −27
−
 +
x1 , x2 , x2 ≥ 0;


−
où x2 = x+
2 − x2 et z = −z.
Forme standard :
−
maxz = −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

1.3 Méthode graphique

La méthode de la résolution graphique d’un problème linéaire à deux variables est
simple et repose sur le régionnement du plan, mais elle est la plus limitée puisque dès
lors que le nombre des variables dépasse 2, elle devient impraticable. Cette méthode
consiste à tracer la droite qui sépare les demi-plans pour chaque contrainte tout en conser-
vant le demi-plan acceptable, c’est-à dire, le demi-plan des solutions réalisables pour la
contrainte. L’intersection des différents demi-plans de toutes les contraintes sans oublier
les contraintes de positivité forme le polygone des solutions (polyèdre convexe), appelé
aussi "région des solutions admissibles" ou "région réalisable".

Exemple 1.3.1 Soit le programme linéaire suivant :

maxz = 600x1 + 400x2


 4x1 + 5x2 ≤ 55
x1 + 3x2 ≤ 27

s.c.

 2x1 + x2 ≤ 20
x1 , x2 ≥ 0.


Le problème possède trois contraintes plus la contrainte de positivité. On commence à

tracer chaque contrainte séparément.

On prend la première contrainte du système 4x1 + 5x2 ≤ 55 et on remplace l’inégalité

par une égalité. L’équation résultante correspond à une droite d’équation 4x1 + 5x2 = 55.
Pour tracer cette droite, il faudrait déterminer deux points de celle ci :
• Pour x1 = 0, on a x2 = 11, et le premier point de cette droite est (x1 , x2 ) = (0, 11).
• Pour x2 = 0, on a x1 = 55/4 = 13, 75, et le deuxième point est (x1 , x2 ) =
(55/4, 0).

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

F IGURE 1.3 – Régionnement du plan par une contrainte.

F IGURE 1.4 – Région réalisable d’un problème.

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.

F IGURE 1.5 – Problème ayant une solution maximale unique.

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 :

Contraintes Ressources Utilisations Ecarts

4x1 + 5x2 ≤ 55 55 55 0 Saturée
x1 + 3x2 ≤ 27 27 22,5 4,5 Marginale
2x1 + 20x2 ≤ 20 20 20 0 Saturée
Lorsque les contraintes sont de type ≥, on parle de surplus et non pas écart.

Définition 1.3.2 Soit P L un programme linéaire à deux variable et R sa région réali-

sable. On appelle solution de base réalisable de P L tout sommet de la région R.

Mohamed BENDAOUD 18
Chapitre 1 1.3 Méthode graphique

Proposition 1.3.3 Soit P L un programme linéaire à deux variables et R sa région réali-

sable. On admettra les résultats suivants :
1) R est soit vide soit un polyèdre (une partie du plan délimitée par un polygone)
convexe.
2) L’optimum de la fonction objectif du P L, s’il existe, est atteint en au moins un
sommet de R.
3) Si P L admet deux solutions de base réalisables optimales, alors ces deux points
sont adjacentes.
4) On admettra que ces résultats se généralisent à un programme linéaire à n va-
riables. En particulier, le domaine des solutions réalisables de tout programme
linéaire à n variables est soit l’ensemble vide ∅ soit un polyèdre convexe de Rn .

F IGURE 1.6 – Polyèdre.

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 :
maxz = 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.

F IGURE 1.7 – Problème ayant une infinité de solutions maximales.

Exemple 1.3.7 Soit le programme linéaire suivant :

min z = −2x1 + 5x2


 4x1 + 5x2 ≥ 55
x1 + 3x2 ≤ 27

s.c.

 2x1 + x2 ≤ 20
x1 , x2 ≥ 0.


La région réalisable du problème est donnée graphiquement par la Figure 1.8.

La question qui se pose maintenant est : quels sont les couples (x1 , x2 ) de solutions
réalisables tels que z(x1 , x2 ) = −2x1 + 5x2 soit minimum ?

Pour tout nombre z, on note Dz la droite d’isovaleur de la fonction objectif d’équation

z = −2x1 + 5x2 ou encore x2 = 2/5x1 + z/5. Cette droite a pour coefficient directeur
2/5 et d’ordonnée à l’origine z/5.

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.

F IGURE 1.8 – Problème à solution minimale unique.

Exemple 1.3.8 Soit le programme linéaire suivant :

min z = 20x1 + 25x2

 x1 + 5x2 ≥ 5
x1 + 2x2 ≥ 4

s.c.

 3x1 + 2x2 ≥ 6
x1 , x2 ≥ 0.


La région réalisable du problème est donnée graphiquement par la Figure 1.9.

Pour tout nombre z, on note Dz la droite d’isovaleur de la fonction objectif d’équa-
−5 z
tion z = 20x1 + 25x2 ou encore x2 = x1 + . Cette droite a pour vecteur directeur
→
− 4 25
v (−5/4, 1) et d’ordonnée à l’origine z/25.

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

F IGURE 1.9 – Problème à solution minimale unique.

Exemple 1.3.9 Soit le programme linéaire suivant :

maxz = 3x1 + 5x2

4x1 + 5x2 ≥ 55
s.c.
8x1 + 10x2 ≤ 50

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.

F IGURE 1.10 – Problème à solution impossible.

Mohamed BENDAOUD 22
Chapitre 1 1.4 Méthode du simplexe

Exemple 1.3.10 Soit le programme linéaire suivant :

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.

F IGURE 1.11 – Problème à solution rejeté à l’infini.

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.

1.4 Méthode du simplexe

L’algorithme du simplexe fut proposé en 1947 par Dantzig comme méthode de ré-
solution algébrique des programmes linéaires à plusieurs variables. La solution optimale
étant une solution de base (point extrême ou sommet de la région réalisable), la méthode
du simplexe est une méthode itérative et consiste à partir d’un sommet vers un sommet
adjacent de manière à améliorer la fonction objective à chaque itération jusqu’à aboutir à

Mohamed BENDAOUD 23
Chapitre 1 1.4 Méthode du simplexe

la solution optimale.

Le nombre des sommets pour un PL à n variables et m contraintes est de l’ordre

n!
m!(n−m)!
qui est assez grand pour m et n relativement grands. Le principe de la méthode
du simplexe propose de n’explorer qu’un nombre limité de sommets parmi lesqueles se
trouve à coup sûr la solution optimale.

L’algorithme du simplexe consiste à :

1. mettre le programme sous une forme standard,
2. déterminer une solution de base (ou bien détecter l’impossibilité),
3. faire subir un test d’optimalité à cette solution de base pour déterminer s’il s’agit
ou non de la solution optimale,
- s’il s’agit de la solution optimale, le problème est terminé,
- s’il ne s’agit pas de la solution optimale, on passe à l’étape 4.,
4. changer de solution de base puis reprendre la procédure au 3. jusqu’à l’obtention
de la solution optimale (ou bien détecter une fonction objectif non bornée).
Chaque changement de solution de base constitue une itération.

Nous présenterons dans cette section une résolution analytique en détaillant deux pro-
cédures : méthode (ou algorithme) Simplexe et tableaux Simplexe.

1.4.1 Algorithme du Simplexe

Exemple 1.4.1
1. Enoncé :
Une usine fabrique des bureaux sous forme standard ou luxe. Des études de mar-
ché ont montré que pour l’année à venir, les possibilités de vente s’élève à 400
unités pour le modèle standard. L’approvisionnement en bois est suffisant pour
fabriquer annuellement 500 bureaux quel que soit le type. Par ailleurs, le temps
de fabrication d’un modèle luxe est le double de celui d’un bureau de modèle
standard. La capacité annuelle de fabrication est telle que, si tous les bureaux fa-
briqués étaient de type standard, on pourrait en fabriquer 700 au maximum. La
vente d’un bureau sous le modèle luxe conduit à une marge unitaire sur coût va-
riable égale à 7, celle d’un bureau de type standard égale à 5. On se propose de
rechercher le programme annuel de fabrication conduisant au profit global maxi-
mum.
2. Mise en équation :
Soit x1 le nombre de bureaux de type luxe, x2 le nombre de bureaux de type stan-
dard. Le programme linéaire est

maxz = 7x1 + 5x2


 x2 ≤ 400
x1 + x2 ≤ 500

s.c.

 2x1 + x2 ≤ 700
x1 , x2 ≥ 0.


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.

maxz = 7x1 + 5x2


 x2 + e1 = 400
x1 + x2 + e2 = 500

s.c.

 2x1 + x2 + e3 = 700
x1 , x2 , e1 , e2 , e3 ≥ 0.


5. Variables hors-base, variable dans la base :

Toute solution de base comporte deux catégories de variables.
- Des variables ayant une valeur prédéterminée nulle : ces variables nulles sont
dites variables hors base VHB (ou variables exclues).
- Des variables ayant une valeur non nulle : ce sont les variables dans la base
VDB (ou variables retenues).

Pour amorcer l’algorithme du simplexe, il est nécessaire de connaître une solution

de base.

La solution de base de départ de l’usine consiste à ne rien produire : x1 =

x2 = 0. Ces variables x1 et x2 qui sont nulles sont hors-base. Dans ce cas,
e1 = 400, e2 = 500 et e3 = 700. Les variables e1 , e2 et e3 non nulles sont dans
la base. Cette solution conduit au sommet O(0, 0) pour lequel la fonction écono-
mique vaut z(0, 0) = 7 × 0 + 5 × 0 = 0.

Mohamed BENDAOUD 25
Chapitre 1 1.4 Méthode du simplexe

Tableau initial : x1 et x2 sont des VHB, et e1 , e2 et e3 sont des VDB.

VDB x1 x2 e1 e2 e3 constante
e1 0 1 1 0 0 400
e2 1 1 0 1 0 500
e3 2 1 0 0 1 700
z 7 5 0 0 0 0

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 .


La variable x2 reste hors-base donc nulle, la variable x1 entre en base. On

reporte x2 = 0 dans ce système, on obtient :


 e1 = 400
e2 = 500 − x1


 e3 = 700 − 2x1
z = 7x1 .


On cherche jusqu’à quel niveau il est possible de porter x1 , de façon compa-

tible avec les contraintes e1 ≥ 0, e2 ≥ 0 et e3 ≥ 0. Les contraintes de positivité
donnent
x1 ≤ 500 et x1 ≤ 350.
La valeur maximale prise par x1 est donc 350. On remplace x1 par 350 dans
le système et on obtient

e1 = 400, e2 = 150, e3 = 0 et z(350, 0) = 2450.

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.

On exprime le programme standard en fonction des nouvelles variables hors-

base x2 et e3 (on peut utiliser la méthode du pivot de Gauss, pour obtenir
le nouveau système, ici, on divise le coefficient de x1 par 2 dans la troisième
contrainte et on remplace x1 par 350 − 1/2x2 − 1/2e3 dans les deux autres) :

 

 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.


On exprime ce nouveau programme à l’aide d’un second tableau. Pour l’obtenir,

on remplace impérativement dans le premier tableau la variable e3 par la variable
x1 (x1 et e3 ont permuté) et ceci dans la colonne VDB.

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 :

- Sélection de la variable entrante :

3 7
z = x2 − e3 + 2450.
2 2
On sélectionne x2 ; en effet, toute augmentation de e3 provoquerait une dimi-
nution de la fonction économique z.
- Sélection de la variable sortante :
la variable e3 reste hors-base donc nulle, on remplace e3 par 0 dans le système
précédent, on obtient
1 1
e1 = 400 − x2 ≥ 0, e2 = 150 − x2 ≥ 0 et x1 = 350 − x2 ≥ 0.
2 2

Mohamed BENDAOUD 27
Chapitre 1 1.4 Méthode du simplexe

Les contraintes de positivité imposent

x2 ≤ 400, x2 ≤ 300 et x2 ≤ 700.

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.


On obtient le troisième tableau suivant :

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

• e2 = 0, tout le bois disponible est utilisé,

• e3 = 0, tout le temps disponible est utilisé.
z est maximum pour x1 = 200, x2 = 300 et vaut 2900.

Le coefficient δxj de la ligne z correspondant à la variable xj s’appelle le coût

réduit de xj et mesure la contribution nette de xj dans la valeur de z lorsque xj
devient une VDB. Par exemple δe2 = −3 signifie qu’une augmentation de e2 d’une
unité supplémentaire vaut une augmentation de z de 3.
Il est facile de voir que, dans le cas général d’un PL sous forme standard

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