Département Sc.

Economiques et Gestion Année universitaire 2020 – 2021

Semestre 5 – Parcours Gestion Professeurs A. SKOURI & K. BENMLIH

Recherche Opérationnelle
Travaux dirigés - Dossier 1

 
Exercice 2  Pour nourrir ses oiseaux, un éleveur peut utiliser soit des graines de sarrasin, soit
des graines de tournesol. Le tableau suivant donne, en fonction des graines utilisées, les apports en
grammes de graisse, de protéines et de fibres.

Sarrasin Tournesol
Graisse 0,1 0,2
Protéine 0,3 0,3
Fibres 0,4 0,3
Coût 12 10

L’éleveur doit subvenir aux besoins journaliers de ses oiseaux qui sont de 30 grammes de graisses, 60
grammes de protéines et 65 grammes de fibres.
Travail à faire :
1. Ecrire le programme linéaire associé à ce problème. Préciser la démarche de la modélisation.
2. Déterminer les quantités optimales de graines de façon à satisfaire aux besoins journaliers et ce pour
un coût total minimal. Utiliser la méthode du simplexe puis la méthode graphique.
3. Ecrire le dual associé à ce programme. Le résoudre à l’aide des relations d’exclusion.

1. Ecrire le programme linéaire associé à ce problème. Préciser la démarche de la modélisation.

⋆ Nature du problème : Détermination de quantités d’aliments (régime alimentaire) permettant de
satisfaire les besoins journaliers des oiseaux.
⋆ Sens d’optimisation : Minimisation du coût total de l’alimentation journalière.
⋆ Les variables d’action : les quantités quotidiennes des deux types de graines utilisés dans l’alimentation
des oiseaux : sarrasin et tournesol. Soit :
x1 : la quantité de graines de Sarrasin achetée par jour.
x2 : la quantité de graines de Tournesol achetée
! par jour.
x1
Le vecteur des variables d’action : X = .
x2
⋆ Les coefficients économiques
  : les coûts unitaires des deux types de graines. On les représente
par le vecteur : C = 12 10 .
⋆ Les coefficients techniques : les apports journaliers en graisses, en protéines et en fibres d’une
unité de chacundes aliments
 : le sarrasin et le tournesol. On peut les représenter à l’aide de la matrice
0, 1 0, 2
 
suivante : A = 0, 3 0, 3.
0, 4 0, 3
 Le modèle de programmation linéaire associé à ce problème s’écrit ainsi sous la forme algébrique :

Min Z = 12x1 + 10x2

s.c. xi ≥ 0, ∀i
0, 1x1 + 0, 2x2 ≥ 30
0, 3x1 + 0, 3x2 ≥ 60
0, 4x1 + 0, 3x2 ≥ 65

2. Déterminer les quantités optimales de graines de façon à satisfaire aux besoins journaliers et ce pour
un coût total minimal. Utiliser la méthode du simplexe puis la méthode graphique.
2-a) Résolution graphique
Cette méthode, adaptée à la résolution des problèmes à deux variables, se déroule ainsi : -
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
(méthode énumérative).
Représentation graphique :
Le polygone des solutions possibles est l’intersection des demi- plans représentant les contraintes tech-
niques :
Les contraintes sont d’abord exprimées sous forme d’égalités. Ainsi :
La droite correspondant à la première contrainte D1 : 0, 1x1 + 0, 2x2 = 30 passe par les 2 points
(0, 150) et (300, 0). Cette droite coupe le plan en deux demi- plans. Nous retenons le demi- plan
supérieur qui vérifie la contrainte.
La droite correspondant à la deuxième contrainte : D2 : 0, 3x1 + 0, 3x2 = 60 passe par les 2
points (0, 200) et (200, 0). Nous retenons le demi- plan supérieur qui vérifie la contrainte.
La droite correspondant à la troisième contrainte : D3 : 0, 4x1 + 0, 3x2 = 65 passe par les 2 points
(0, 3 ) et ( 325
650
2 , 0). Nous retenons le demi- plan supérieur qui vérifie la contrainte.
L’intersection des 3 demi–plan donne le polygone des solutions possibles délimité par les sommets
3 ), B = D2 ∩ D3 = (50, 150), C = D1 ∩ D2 = (100, 100)etD(300, 0) (surface coloriée non bornée).
A(0, 650

Echelle : 1cm ≡ 20 unités.

 Le tableau suivant énumère les sommets et donne la valeur de la fonction–objectif Z pour chacun
de ces sommets:

Sommet Valeur de Z
A(0, 650
3 ) 3 ≃ 2166, 67
Z = 12.0 + 10. 650
B(50, 150) Z = 12.50 + 10.150 = 2100
C(100, 100) Z = 12.100 + 10.100 = 2200
D(300, 0) Z = 12.300 + 10.0 = 3600

Donc pour minimiser le coût, l’éleveur doit acheter 50 unités de mesure de sarrasin
et 150 unités de mesure de tournesol, ce qui donne un coût total minimal égal à 2100.
(Solution optimale unique).
2-b) Résolution par les tableaux de simplexe
On écrit d’abord le programme sous la forme standard. On introduit à cet effet, trois variables
d’écart non négatives e1 , e2 et e3 [une variable d’écart par contrainte]. Ces variables ont un coeffi-
cient économique nul, donc n’influencent pas la fonction–objectif : elles correspondent à des niveaux
d’activités fictives. On introduit également trois variables arificielles a1 , a2 et a3 (une vavriable artifi-
cielle par contrainte). Ce qui donne la forme standard du problème :

Min Z = 12x1 + 10x2 + 0e1 + 0e2 + 0e3 + M a1 + M a2 + M a3

s.c. xi , ei , ai ≥ 0, ∀i
0, 1x1 + 0, 2x2 − e1 +a1 = 30
0, 3x1 + 0, 3x2 − e2 +a2 = 60
0, 4x1 + 0, 3x2 − e3 +a3 = 65

Première itération : La solution de base de départ est composée de la base naturelle

HH
H Cj
H 12 10 0 0 0 M M M Valeurs
Base HH
H
coef. var. x1 x e1 e2 e3 a1 a2 a3
2 
M a1 0,1 0,2 -1 0 0 1 0 0 30
(T1 )  
M a2 0,3 0,3 0 -1 0 0 1 0 60
M a3 0,4 0,3 0 0 -1 0 0 1 65
Zj 0,8M 0,8M -M -M -M M M M 155M
Cj − Z j 12-0,8M 10-0,8M M M M 0 0 0 —–

- Variables de base : a1 = 30, a2 = 60 et a3 = 65

- Variable hors base x1 = x2 = e1 = e2 = e3 = 0
- Solution de base : Z = 12.0 + 10.0 + 0.0 + 0.0 + 0.0 + M.30 + M.60 + M.65 = 155M . Solution
non optimale puisque les critères de sélection de Dantzig C1 –Z1 et C2 –Z2 sont négatifs ce qui indique
des possibilités d’amélioration (problème de minimisation),
- Changement de base : L’introduction dans la base de x1 ou de x2 permet d’améliorer la solution.
On retient comme variable entrante celle qui a le critère le plus négatif. Donc x2 est la variable entrante.
La variable sortante sera celle qui a le plus petit quotient positif, soit ici a1 .
Le pivot de la transformation se trouve à l’intersection de la colonne de la variable entrante et de
la ligne de la variable sortante, soit ici : p=0,2. On procède alors ainsi :
 - on divise la ligne du pivot par le pivot ;
- on remplace la colonne du pivot par le vecteur – unité ;
- on applique, partout ailleurs, la règle du rectangle (ou la méthode de pivot).
On passe alors à l’itération suivante (2e tableau).
......
......
Ainsi de suite.
L’optimum sera atteint si tous les critères de sélection de Dantzig sont positifs ou nuls.
La solution optimale est nécessairement la même que celle obtenue par la méthode de graphique.
3. Ecrire le dual associé à ce programme. Le résoudre à l’aide des relations d’exclusion.

De la solution du primal … A celle du dual

Z min = 12x1 +10x2 Z’ max = 30 p1 +60 p2+ 65p3

0,1x1 + 0,2x2 ≥30 0,1p1 + 0,3p2 + 0,4 p3 ≤12

0,3x1 + 0,3x2 ≥60 0,2p1 + 0,3p2 + 0,3 p3 ≤10
0,4x1 + 0,3x2 ≥65 (p1 ≥0 ; p2 ≥0 ; p3 ≥0)
(x1 ≥0 ; x2 ≥0)
On note par u1 ; u2 les variables d’écart du dual.

Solution : Le dual devient alors un système de 2 équations à 2

variables :
x1 = 50 > 0 u1 = 0
x2 = 150 > 0 u2 = 0 Z’ max = 30 p1 +60 p2+ 65p3

e1 = 5 > 0 p1 = 0 0,3p2 + 0,4 p3 = 12

e2 = 0 p2 > 0 0,3p2 + 0,3 p3 = 10
e3 = 0 p3 > 0 p1 =0 (p2 ≥0 ; p3 ≥0)
Interprétation :
Solution du système à deux variables :
les besoins en protéine et en p2 = 40/3 ≈13,333 ; p3 = 20 .
fibres sont juste couverts alors
qu’il y a un excédent de Finalement la valeur de Z’ sera :
5 grammes de graisse. Z’min= 30.0 + 60. (40/3) + 65.20 = 2100 = Zmax

 
Exercice 3  Une manufacture, qui fabrique et vend 3 produits, utilise 3 ressources pour cette
production : services techniques (ST), main d’oeuvre (MO) et services administratifs (SA).
Le tableau suivant indique le nombre d’heures requises pour fabriquer une unité de chaque produit;
La dernière colonne donne le profit unitaire (en DH/unité) asssocié aux différents produits; Quant à la
dernière ligne elle précise le nombre d’heures disponibles de chacune des ressources.

Produit ST MO SA Profit unitaire

P1 1 10 2 10
P2 1 4 2 6
P3 1 5 6 4
Dispo. 100 600 300

Pour planifier sa production, l’entreprise utilise un modèle linéaire continu.

1. Ecrire le modèle linéaire associé à ce problème.

2. Déterminer et décrire le plan de production optimal. Existe-il un autre plan de production assurant
le même profit?
3. On décide de produire 10 unités du produit P3 . Déterminer le nouveau plan de production optimal
et le profit global associé.
4. Ecrire le programme dual du PL initial et en donner une solution par le théorème des relations
d’exclusion. Interpréter

1. Ecrire le modèle linéaire associé à ce problème.

⋆ Les variables de décision.
xi : quantité de production en Pi (i = 1, 2, 3)
⋆ La fonction objectif.
Il s’agit du profit total :
Z = 10x1 + 6x2 + 4x3 (à maximiser)
⋆ Les contraintes.
− Contraintes implicites (non-négativité).

xi ≥ 0, ∀i

− Contraintes explicites (techniques).

Ici, il s’agit des contraintes de disponibilité en temps des différentes ressources ST, MO et SA :
les services techniques (ST) : x1 + x2 + x3 ≤ 100
la main d’oeuvre (MO) : 10x1 + 4x2 + 5x3 ≤ 600
les services administratifs (SA) : 2x1 + 2x2 + 6x3 ≤ 300
Par conséquent, ce problème peut être modélisé par un PL à 3 variables et 3 contraintes. La forme
canonique de ce (PL) s’écrit comme :

Max Z = 10x1 + 6x2 + 4x3

s.c. xi ≥ 0, ∀i
x1 + x2 + x3 ≤ 100
10x1 + 4x2 + 5x3 ≤ 600
2x1 + 2x2 + 6x3 ≤ 300

ou bien sous une forme matricielle

 
  x1
 
Max Z = 10 6 4 x2 
x3
 
x1
 
s.c. x2  ≥ 0,
x3
    
1 1 1 x1 100
    
10 4 5 x2  ≤ 600
2 2 6 x3 300

2. Déterminer et décrire le plan de production optimal. Existe-il un autre plan de production assurant
le même profit?
 Il s’agit de résoudre le PL obtenu et de discuter de la question de l’unicité de solution.
Ecrivons d’abord la forme standard (PL=), en introduisant les variables d’écart ei :

Max Z = 10x1 + 6x2 + 4x3 + 0e1 + 0e2 + 0e3

s.c. x1 , x2 , x3 , e1 , e2 , e3 ≥ 0,
x1 + x2 + x3 + e1 = 100
10x1 + 4x2 + 5x3 + e2 = 600
2x1 + 2x2 + 6x3 + e3 = 300

Dans le tableau initial, nous prendrons comme base V B = {e1 , e2 , e3 }, et comme variables hors base
le reste des variables V HB = {x1 , x2 , x3 }.
HH
H Cj
H 10 6 4 0 0 0 Valeurs
Base HH
H
coef. var. x1 x2 x3 e1 e2 e3
0 e1 1 1 1 1 0 0 100
(T1 ) 
0 e2 10
4 5 0 1 0 600
0 e3 2 2 6 0 0 1 300
Zj 0 0 0 0 0 0 0
Cj − Z j 10 6 4 0 0 0 —–

* Le tableau de simplexe (T1 ) n’est pas optimal puisque le coût marginal d’une VHB est strictement
positif : Cj − Zj (x1 ) = 10, par exemple; (critère pour un problème de maximisation)
* la variable entrante est x1 car max{10, 6, 4} = 10; (problème de maximisation)
100 600 300
* la variable sortante est e2 car min{ , , } = 60;
1 |{z}
|{z} 10 |{z}
2
100 60 150
Pivot : p = 10
−1 p −2 p
Selon la méthode de Pivot : Lp → 1 p
10 L , L1 → 1
10 L + L , L2 → 2
10 L + L . (Voir cours,
vidéo 4)

On reporte ceci dans le tableau suivant (T2 ) :

HH
H Cj
H 10 6 4 0 0 0 Valeurs
Base HH
H
coef. var. x1 x x e1 e2 e3
 2  3
0 e1 0 3/5 1/2 1 -1/10 0 40
(T2 )  
10 x1 1 2/5 1/2 0 1/10 0 60
0 e3 0 6/5 5 0 -1/5 1 180
Zj 10 4 5 0 1 0 600
Cj − Z j 0 2 -1 0 -1 0 —–

* Le tableau (T2 ) n’est pas optimal puisque Cj − Zj (x2 ) = 2 > 0;

* la variable entrante est x2 (un seul choix);
40 60 180 200
* la variable sortante est e1 car min{ , , }= ;
3/5 2/5 6/5 3
|{z} |{z} |{z}
200 150 150
3
 Pivot : p = 3/5, et par suite on utilise les transformations :
5 −2 p
Lp → Lp , L2/5 → L + L2/5 , L6/5 → −2Lp + L6/5 .
3 3
On obtient par conséquent :
HH
HH Cj 10 6 4 0 0 0 Valeurs
Base HH
H
coef. var. x1 x2 x3 e1 e2 e3
6 x2 0 1 5/6 5/3 -1/6 0 200/3
(T3 )
10 x1 1 0 1/6 -2/3 1/6 0 100/3
0 e3 0 0 4 -2 0 1 100
Zj 10 6 20/3 10/3 2/3 0 2200/3
Cj − Z j 0 0 -8/3 -10/3 -2/3 0 —–

Le tableau (T3 ) est optimal puisque tous les coûts marginaux des VHB sont négatifs. La solution
optimale est atteinte au point (100/3, 200/3, 0), avec Zmax = 2200/3.
Donc, la valeur maximale du profit global est de (2200/3) DH. Elle est réalisée en produisant
(100/3) unités du produit P1 et (200/3) unités de P2 . (rien pour P3 ).

Ce plan de production optimal est unique puisque dans le tableau optimal (T3 ), les coûts marginaux
des VHB sont tous strictement négatifs.

3. On décide de produire 10 unités du produit P3 . Déterminer le nouveau plan de production optimal

et le profit global associé.
Rappelons, selon l’étude faite dans la question précédante, que toute production en P3 , aussi min-
imale qu’elle soit, fera diminuer la valeur maximale du profit global.
Ici, on donne x3 = 10. En injectant cette valeur dans la forme canonique du programme linéaire
initial, on obtient

Max Z = 10x1 + 6x2 + 40

s.c. xi ≥ 0, ∀i
x1 + x2 ≤ 90
10x1 + 4x2 ≤ 550
2x1 + 2x2 ≤ 240

Moyennant un changement d’échelle : Z ′ = Z − 40, et sachant que la première contrainte entraine

automatiquement la 3e , le problème est équivalent au nouveau PL à 2 variables de décision suivant :

Max Z ′ = 10x1 + 6x2

s.c. xi ≥ 0, ∀i
x1 + x2 ≤ 90
10x1 + 4x2 ≤ 550

Ce PL, étant à 2 variables, peut être résolu par la méthode graphique.

 D1 : x1 + x2 = 90 → A1 (90, 0) B1 (0, 90)
D2 : 10x1 + 4x2 = 550 → A2 (55, 0) B2 (35, 50)

En prenant comme échelle 1cm ≡ 10 unités, on obtient le graphe :

Le polygone admissible est donc (OB1 EA2 ). (

x1 + x2 = 90
Les coordonnées du point E = D1 ∩ D2 sont obtenues par la résolution du système
10x1 + 4x2 = 550
Donc E( 95 175
3 , 3 ).
Enfin, il nous reste de comparer les valeurs de Z ′ sur les 4 sommets :

O B1 E A2
x1 0 0 95/3 55
x2 0 90 175/3 0
Z ′ = 10x1 + 6x2 0 540 2000/3 550

Donc, en imposant la production de 10 unités du produit P3 , la valeur maximale du profit total

′
devient Zmax = Zmax + 40 = 2000/3 + 40 = 2120/3 DH . Elle est réalisée par l’unique plan de
production de (95/3) unités du produit P1 et (175/3) unités de P2 (et 10 unités du produit P3 ).

4. Ecrire le programme dual du PL initial et en donner une solution par le théorème des relations
d’exclusion. Interpréter
 
1 1 1
 
Dans le primal, la matrice des coefficients techniques est donnée par : A = 10 4 5. Sa matrice
2 2 6
 
1 10 2
t  
transposée est égale à : A = 1 4 2.
1 5 6
Le programme dual s’écrit donc :

Min W = 100p1 + 600p2 + 300p3

s.c. pi ≥ 0, ∀i
p1 + 10p2 + 2p3 ≥ 10
p1 + 4p2 + 2p3 ≥ 6
p1 + 5p2 + 6p3 ≥ 4

• Rappelons que le programme primal possède une solution unique donnée, selon le tableau optimal
(T3 ), par : (x1 , x2 , x3 ) = (100/3, 200/3, 0) et (e1 , e2 , e3 ) = (0, 0, 100) avec Zmax = 2200/3.
Donc, selon le théorème de dualité, le programme dual ci-dessus admet également une solution otimale
2200
finie (p1 , p2 , p3 ) verifiant W (p1 , p2 , p3 ) = Zmax = .
3
• En appliquant les relations d’exclusion, on obtient :
⋆ x1 = 100/3 ̸= 0 ⇒ la 1ere contrainte dans le dual est saturée : p1 + 10p2 + 2p3 = 10 ;
⋆ x2 = 200/3 ̸= 0 ⇒ la 2e contrainte dans le dual est saturée : p1 + 4p2 + 2p3 = 6;
Interprétation : Lorsqu’à l’optimum, le profit global est réalisé pour une production (non nulle) en
un produit Pi , alors le prix payé pour la consommation équivalente en les différentes ressource pour
chaque unité de production doit être égal au profit attendu. Autrement dit : p1 + 10p2 + 2p3 = 10 et
p1 + 4p2 + 2p3 = 6.
⋆ e3 = 100 ̸= 0 (la 3e contrainte dans le primal n’est pas saturée en (100/3, 200/3, 0) ⇒ la 3e variable
de décision dans le dual est nulle : p3 = 0.
Interprétation : A l’optimum, la resource en service administratif n’est pas pleinement utilisée (e3 ̸=
0). La quantité disponible en cette resource est donc inutilement elevée. Son prix unitaire est par
conséquent nul (p3 = 0).
En conclusion, la résolution du système linéaire formé des 3 équations obtenues :


 p1 + 10p2 + 2p3 = 10

p1 + 4p2 + 2p3 = 6



p3 = 0

mène à : p1 = 10/3, p2 = 2/3 et p3 = 0.

Vérification du théorème de la dualité :

W (10/3, 2/3, 0) = 100(10/3) + 600(2/3) + 300(0) = 2200/3 = Zmax .

 
Exercice 4  On suppose que la modélisation d’un projet aboutit au programme linéaire suivant :

Min Z = 12x1 + 6x2

s.c. x1 ; x2 ≥ 0
−x1 + 2x2 ≤ 15
x2 ≤ 14
x1 + x2 ≥ 18
1. Résoudre ce programme par les tableaux de simplexe.
2. Ecrire le programme dual et en donner une solution optimale à l’aide des relations d’exclusion.
3. Retrouver le résultat de la question 1 par la méthode graphique.

1. Résoudre ce programme par les tableaux de simplexe.

La forme standard (PL=) s’écrit, pour un coefficient positif M suffisamment grand (M → +∞) :

Min Z = 12x1 + 6x2 + M a

s.c. x1 ; x2 ; e1 ; e2 ; e3 ; a ≥ 0
−x1 + 2x2 + e1 = 15
x2 + e2 = 14
x1 + x2 − e3 + a = 18

HH
H H Cj 12 6 0 0 0 M Valeurs
Base HHH
coef. var. x1 x e1 e2 e3 a
2
0 e1 -1 2
1 0 0 0 15
(T1 )
0 e2 0 1 0 1 0 0 14
M a 1 1 0 0 -1 1 18
Zj M M 0 0 -M M 18M
Cj − Z j 12-M 6-M 0 0 M 0 —–

* Le tableau de simplexe (T1 ) n’est pas optimal puisque le coût marginal Cj − Zj (x1 ) = 6 − M < 0,
(Problème de minimisation);
* la variable entrante est x1 car min{(12 − M ), (6 − M )} = 6 − M ; (Problème de minimisation)

2 , 1 , 1 }=
* la variable sortante est e1 car min{ 15 14 18 15
2 ;
Pivot : p = 2
−1 p
Selon la méthode de Pivot : Lp → 12 Lp , L1 → 2 L + L1 .

On reporte ceci dans le tableau suivant (T2 ) :

H
HH Cj
H 12 6 0 0 0 M Valeurs
Base H H
H
coef. var. x1 x2 e1 e2 e3 a
−1 1 15
6 x2 2 1 2 0 0 0 2
(T2 ) 1 −1 13
0 e2 2
0 2 1 0 0 2
3 −1 21
M a 0 0 -1 1
2
2 2
3M −6 6−M 21M +90
Zj 2 6 2 0 -M M 2
M −6
Cj − Z j 30−3M
2 0 2 0 M 0 —–

* Le tableau (T2 ) n’est pas optimal puisque Cj − Zj (x1 ) = 30−3M

2 < 0;
* la variable entrante est x1 (un seul choix);
13/2 21/2
* la variable sortante est a car min{ , } = 7;
1/2 3/2
| {z } | {z }
13 7
 Pivot : p = 3/2
−1 p
Selon la méthode de Pivot : Lp → 23 Lp , L−1/2 → 31 Lp + L−1/2 , L1/2 → 3 L + L1/2 .
Comme la variable artificielle ”a” sort de la base, son rôle est terminé. On peut la retirer complètement
des tableaux suivants. On obtient par conséquent :
HH
H Cj
HH 12 6 0 0 0 Valeurs
Base H
H
coef. var. x1 x2 e1 e2 e3
1 −1
6 x2 0 1 3 0 3 11
(T3 ) −1 1
0 e2 0 0 3 1 3 3
−1 −2
12 x1 1 0 3 0 3 7
Zj 12 6 -2 0 -10 150
Cj − Z j 0 0 2 0 10 —–
Puisque tous les coûts marginaux des VHB sont strictement positifs (minimisation), le tableau (T3 )
est optimal avec solution unique atteinte au point (7, 11), et Zmin = 150.

2. Ecrire le programme dual et en donner une solution optimale à l’aide des relations d’exclusion.
Afin de bien écrire le dual pour un problème de minimisation, on rend d’abord toutes les inégalités
des contraintes techniques sous la forme ” ≥ ” .
Ici les 1ère et 2e contraintes deviendront : x1 − 2x2 ≥ −15 et −x2 ≥ −14 .
1 −2
 
La matrice des coefficients techniques s’écrit donc : A = 0 −1.
1 1
!
1 0 1
Sa matrice transposée est égale à : t A = .
−2 −1 1
Le programme dual s’écrit donc :
Max W = −15p1 − 14p2 + 18p3
s.c. pi ≥ 0, ∀i
p1 + p3 ≤ 12
−2p1 − p2 + p3 ≤ 6

⋆ Rappelons que le programme primal possède une solution unique donnée, selon le tableau optimal
(T3 ), par : (x1 , x2 ) = (7, 11) et (e1 , e2 , e3 ) = (0, 3, 0) avec Zmin = 150.
Donc, selon le théorème de dualité, le programme dual ci-dessus admet également une solution optimale
finie (p1 , p2 , p3 ) verifiant W (p1 , p2 , p3 ) = Zmin = 150.
⋆ En appliquant les relations d’exclusion, on obtient :
x1 = 7 ̸= 0 ⇒ la 1ere contrainte dans le dual est saturée : p1 + p3 = 12 ;
x2 = 11 ̸= 0 ⇒ la 2e contrainte dans le dual est saturée : −2p1 − p2 + p3 = 6;
e2 = 3 ̸= 0 (la 3e contrainte dans le primal n’est pas saturée en (7, 11)) ⇒ la 2e variable de décision
dans le dual est nulle : p2 = 0.
En résolvant le système linéaire formé des 3 équations obtenues


 p1 + p3 = 12

−2p1 − p2 + p3 = 6



p2 =0
on obtient : p1 = 2, p2 = 0, p3 = 10.
Vérification du théorème de la dualité :

W (2, 0, 10) = −15(2) − 14(0) + 18(10) = 150 = Zmin .

3. Retrouver le résultat de la question 1 par la méthode graphique.

En représentant sur le plan R2 les différentes contraintes du PL et leur intersection, on obtient le
polygone admissible non borné (A3 F G) :

En effet :
15
D1 : − x1 + 2x2 = 15 → A1 (5, 10) B1 (0, )
2
D2 : x2 = 14 → B2 (0, 14)
D3 : x1 + x2 = 18 → A3 (18, 0) B3 (0, 18)

(
−x1 + 2x2 = 15
Les coordonnées du point F = D1 ∩ D3 sont obtenues par . Donc F (7, 11).
x1 + x2 = 18
(
−x1 + 2x2 = 15
De même pour le point G = D1 ∩ D2 , on résout . Par conséquent G(13, 14).
x2 = 14
Enfin, il nous reste de comparer les valeurs de Z sur les 3 sommets :

A3 F G
x1 18 7 13
x2 0 11 14
Z = 12x1 + 6x2 216 150 240

En conclusion, on retrouve la solution unique du programme linéaire atteinte au point F (7, 11) avec
Zmin = Z(7, 11) = 150.