Ch.

1 : Génération de colonnes

Prof: M.Ouzineb INSEA, Rabat 2022-2023

1
 3. Modèle linéaire

Max/Min f(x1, x2, … , xn)

Sujet à

g1(x1, x2, … , xn) ≤ b1

g2(x1, x2, … , xn) ≥ b2
…
gm(x1, x2, … , xn) = bm
x1 ≥ 0, x2 ≥ 0, … , xn ≥ 0
 3. Modèle linéaire

 Si les fonctions f, g1, g2, … et gm sont linéaires

 Fonction linéaire peut s’écrire:
cte1 · x1 + cte2 · x2 … + cten · xn
 Ceci exclut en particulier:
xi · xj, xi/xj, xd (d>1), LN(x), SI(.;.;.),
MAX(.;.), MIN(.;.), ABS(.)
 Forme standard
 Après avoir transformé les contraintes d’inégalité en égalités, nous
retrouvons le problème sous sa forme standard où certaines variables
peuvent être des variables d’écart:

min z  c1 x1  c2 x2  ...  cn xn
Sujet à
a11 x1  a12 x 2  ...  a1n x n  b1
a 21 x1  a 22 x 2  ...  a 2 n x n  b2
. . . .
. . . .
a m1 x1  a m 2 x 2  ...  a mn x n  bm

x1 , x 2 , ..., x n  0
 Théorème 1

Soit 
X  x  E : Ax  b, x  0
n

où A est une matrice de dimension mxn et
b  En .
x* est un point extrême de X si et
seulement si x* est une solution de base
réalisable de X.
Théorème 2 : Théorème Fondamental de PL

Soit le programme linéaire (P) suivant:

Mincx
 Ax = b

x  0
où A est une matrice réelle mxn de rang m.
i. Si (P) admet une solution réalisable, alors il
admet une solution de base réalisable.
ii. Si (P) admet une solution optimale finie, alors
admet une solution de base optimale.
5. Méthode du simplexe – notation matricielle
 Notion de multiplicateurs du simplexe
 Considérons la dernière ligne du tableau du simplexe associé à la base B
qui correspond aux vecteurs des coûts relatifs des variables:

T T
cB cR
 Multiplicateurs du simplexe
T
c  c T  c TB B 1 A

π est le vecteur des multiplicateurs

Dénotons le vecteur   R
m
défini par du simplexe associé à la base B.
 T  c TB B 1
Alors
T
c  c  A
T T
ou c j  c j   T a j

où a  j dénote la jième colonne de la matrice de contrainte A

 Le vecteur des multiplicateurs du simplexe π permet de calculer

les coûts relatifs c j directement à partir des données originales du
problème.
 Problème primal et problème dual
 Il est facile de démontrer que nous pouvons passer d’une paire de
problèmes primal-dual à l’autre.
 Il est également facile de démontrer que le problème dual du problème
dual est le problème primal.
 Théorèmes de dualité
 Théorème de dualité faible
Si x  x : Ax  b, x  0 (i.e., x est réalisable pour le problème primal) et si
y  y : AT y  c(i.e., y est réalisable pour le problème dual), alors b y  c x
T T

 
Corollaire Si x *  x : Ax  b, x  0 et y *  y : AT y  c , et si
bT y *  cT x* , alors x* et y* sont des solutions optimales respectivement
pour le problème primal et pour le problème dual.
 Théorème de dualité forte Si un des deux problèmes primal ou dual
possède une solution optimale avec valeur finie, alors la même chose est
vraie pour l’autre problème, et les valeurs optimales des deux problèmes
sont égales. Si un des deux problèmes n’est pas borné, alors le domaine
réalisable de l’autre problème est vide.
 Théorèmes de dualité

 Considérons d’abord la paire suivante de problèmes primal-dual

primal Dual

min cT x max b T y
Sujet à Ax  b y Sujet à AT y  c x
x0 y0

Théorème des écarts complémentaires 1

Soit x et y des solutions réalisables respectivement pour les problèmes primal et
dual précédents. Alors x et y sont des solutions optimales pour ces problèmes si et
seulement si pour tout j = 1,2,…,n :

i  xj  0  aT j y  c j
ii  aT j y  c j  xj  0
 Théorèmes de dualité

 Considérons maintenant l’autre paire de problèmes primal-dual

min cT x max b T y
Sujet à Ax  b y Sujet à AT y  c x
x0 y0

 Théorème des écarts complémentaires 2

Soit x et y des solutions réalisables respectivement pour les problèmes
primal et dual précédents. Alors x et y sont des solutions optimales pour
ces problèmes si et seulement si
pour tout j = 1,2,…,n pour tout i=1,2,…,m

i  xj  0  aT j y  c j iii a i  x  bi  yi  0
ii  aT j y  c j  xj  0 iv yi  0  a i  x  bi
 solution optimale du dual
 De manière générale, la solution optimale du dual est
donnée par: couts réduits des variables d’écart (aussi appelés
multiplicateurs optimaux)
 Algorithme de génération de colonnes
 Si beaucoup de variables, on utilise un algorithme de génération
de colonnes;
Colonne=variable;
On ne met pas toutes les colonnes;
On les introduit au fur et à mesure;
On résout à chaque itération un PL restreint.

Algorithme :
• Initialisation: on met quelques colonnes de (PL) dans (PLR)
• Itérations:
1. Résoudre (PLR)
2. Calculer les coûts réduits des variables de (PL)
3. Si toutes les variables de (PL) ont un coût réduit >= 0 STOP
 (PL) est résolu;
 Sinon ajouter une variable de coût réduit<0 à (PLR) et aller en 1.
 Conditions d’applications

Problème avec nombre de variables exponentiel;

On recherche la variable de coût réduit minimum;
Recherche le coût réduit minimum = sous-problème

Exemples :
 Le problème du voyageur de commerce;
 Problèmes de tournées de livraison;
 Problèmes de découpe (cutting stock problem),
 Optimiser sur une enveloppe convexe.
 Optimiser sur une enveloppe convexe

 Soit le programme linéaire suivant :

( PL) Minimiser z=cx
Sà Axb (𝜇)
xConvX

 X ensemble fini de p points de 𝑅𝑛 : X={𝑖 i=1 à p}

𝑝 𝑝
 x ∈ ConvX ⇔ x= 1 𝜆𝑖 ᆗ𝑖 , 1 𝜆𝑖 = 1 (𝝶), 𝜆𝑖 ≥ 0, i=1 à p
 Soit (𝑃𝐿𝑅 ) le problème maître à une itération donnée
• 𝜇 , 𝝶 variables duales de (𝑃𝐿𝑅 )
• Le coût réduit minimum 𝑐𝑚𝑖𝑛 = min𝑖=1 à 𝑝 (𝑐𝟀𝑖 − 𝜇𝐴𝟀𝑖 )-𝝶

 On note val(PL) = valeur optimale de z de (PL)

𝑐𝑚𝑖𝑛 + 𝜇b+𝝶≤val(PL)≤ 𝜇b+𝝶