Académique Documents
Professionnel Documents
Culture Documents
Champs d’application de la RO
- Industries
- Gouvernement
- Agences
- Hôpitaux
- Institutions d’éducation…
Introduction à la RO
Méthodologie de la RO
(1) Identification du problème
(7) Implémentation et
recommandations
Partie 1
Programmation Linéaire
Chapitre 1
Introduction à la
programmation linéaire
Chapitre 1
Introduction à la PL
(20, 40) ≠ solution optimale car (10, 110) est réalisable et donne Z = 1900
meilleur profit que Z= 280
Chapitre 1
Introduction à la PL
II. Résolution graphique
Méthode de résolution d’un PL ne comportant que 2 variables
de décision
Etapes à suivre
• Représenter les lignes des contraintes et l’ensemble du
domaine réalisable
• Localiser la solution optimale
• Calculer la solution optimale
Chapitre 1
Introduction à la PL
1ère étape : domaine réalisable
(PL) Max Z = 25 x1 + 15 x2
s.c. 2x1 + 2x2 ≤ 240
3x1 + x2 ≤ 140
x1 ≥ 0, x2 ≥ 0
Domaine réalisable
Chapitre 1
Introduction à la PL
2ème étape : Recherche de la solution optimale
(PL) Max Z = 25 x1 + 15 x2
Solution optimale
{B} = D ∩ D’
D’
D
Chapitre 1
Introduction à la PL
3ème étape : Calcul de la solution optimale
Solution optimale
{B} = D ∩ D’ d’équations respectives:
2x1 + 2x2 = 240
3x1 + x2 = 140
Donc x1=10, x2=110 et Z*=1900
D’
D
Chapitre 1
Introduction à la PL
III.Notions de convexité et points extrêmes
Pour toute paire de points P1 et P2, l’ensemble des points qui forment
le segment [P1P2] appartient au demi-plan.
a x y
b
IV.Cas particuliers de PL
PL non borné
Max Z = x1 + 2x2
s.c. 7x1+2x2 ≥ 28
x1 + 6x2 ≥ 12
x1 ≥ 0, x2 ≥ 0
Chapitre 1
Introduction à la PL
14
Lignes d’isoprofit
2 12
x1+6x2 = 12
7x1+2x2 = 28
s1 = 40 - x1 - x2 x1 + x2 + s1 = 40
On obtient alors:
max z = 4x1 + 3x2
s.c. x1 + x2 + s1 = 40
2x1 + x2 – e1 = 60
x1, x2, s1, e1 0
Chapitre 2
Méthode de simplexe
Remarque : L'impact de ces variables d'écart sur la fonction objectif
est nul. Ceci explique le fait que leur existence soit tout simplement
liée à une mise en forme du programme linéaire initial.
On suppose que n m
(PL) : Max ct x
s.c. Ax = b
x≥0
x tB x tH
c tb c tH
B H
base hors base
m colonnes n − m colonnes
Chapitre 2
Méthode de simplexe
Représentation matricielle
xB
A = [B | H] , x= , ct = [ctB| ctH]
xH
• Ce qui donne
Z = ct x = ctB xB + ctH xH
Ax = b B xB + H xH = b
Ce qui donne x1 = 2 et x2 = 1.
Si le vecteur xB contient des termes nuls, on dira que cette solution est
une solution de base dégénérée (peut être associée à plus qu’une base).
Chapitre 2
Méthode de simplexe
Exemple de SBR
Soit le problème : min − x1 − 2x2
s.c. x1 + 2x2 ≤ 4
2x1 + x2 ≤ 5
x1 , x2 ≥ 0
B = [A1A3] = 1 1 H = [A2A4] = 2 0
20 11
xB = x1 , xH = x2
x3 x4
1 −1/2
Chapitre 2
Méthode de simplexe
La solution de base correspondante est donc :
Démonstration
Le nombre de SBR est donc ≤ Cmn c-à-d fini, mais peut être très
large.
Simplexe
Le simplexe est un algorithme ou méthode de recherche qui garantit de
trouver un optimum d’un PL (s’il existe) en un nombre fini d’itérations.
Chapitre 2
Méthode de simplexe
IV. Méthode de simplexe
1. Principe
B xB + 0 (-z) + H xH = b
cB xB + (- z) + c xH = 0
Chapitre 2
Méthode de simplexe
Sous forme matricielle on aura :
x
B 0 H B b
z
cB 1 cH 0
xH
xB -z xH
B 0 H b
cB 1 cH 0
Chapitre 2
Méthode de simplexe
Le tableau canonique relatif à la base B est obtenu en transformant
la matrice sous les variables xB et –z en une matrice identité d’ordre
m+1.
1er membre 2ème
membre
xB -z xH
B 0 H b
cB 1 cH 0
xB -z xH
I 0 B-1H B-1b
0 1 cH – cB B-1H – cB B-1b
où B-1b 0.
Etape 2 Non
Déplacement (pivotage)
vers une SBR adjacente
Questions :
1. Quelle est la variable entrante?
2. Quelle est la variable sortante?
Chapitre 2
Méthode de simplexe
3.1. Choix de la variable entrante
Dans une SBR toutes les variables hors base sont nulles (xe =0). Pour
faire entrer xe, on augmente sa valeur, par exemple de 0 (xe = xe +
) tout en maintenant à zéro toutes les autres variables hors base.
c-à-d x1 = x2 = 0 z = 0
Chapitre 2
Méthode de simplexe
Suite exemple à faire
Chapitre 2
Méthode de simplexe
Cas particuliers
PL non borné : Des solutions ont été trouvées mais la valeur de z
peut toujours être améliorée. Dans le cadre de Simplexe, ce cas est
représenté par le fait que dans chacune de ces colonnes j, aij 0 pour
tout i (pas de variables sortantes) d’où il est impossible de faire entrer
dans la base des variables telles que > 0. Les j > 0 montrent bien
qu'il est possible d'augmenter z, mais le fait que tous les aij 0
montre qu'il n'existe pas de SBR susceptible d'augmenter z.
PL a une infinité de solutions
Exemple:
max z = 3x1 + 2x2
s.c. 3x1 + 2x2 120
x1 + 1x2 50
x1, x2 0
Chapitre 2
Méthode de simplexe
#1 x1 X2 s1 s2 bi
s1 3 2 1 0 120
s2 1 1 0 1 50
cj 3 2 0 0 0
#2 x1 X2 s1 s2 bi
x1 1 2/3 1/3 0 40
s2 0 1/3 -1/3 1 10
j 0 0 -1 0 -120
Chapitre 2
Méthode de simplexe
C'est un tableau optimal, mais on remarque la présence d'une variable
hors base à j = 0. Cela veut dire que si on la fait entrer dans la base,
on va obtenir une autre SB optimale sans que la valeur de z ne
change le segment formé par ces deux SB optimales contient
toutes les solutions optimales du problème.
#3 x1 X2 s1 s2 bi
x1 1 0 1 -2 20
x2 0 1 -1 3 30
j 0 0 -1 0 -120
Chapitre 2
Méthode de simplexe
4. Résumé de l’algorithme de simplexe
#1 x1 x2 e1 s3 s1 s2
s1 2 -1 -1 0 1 0 15
s2 1 1 0 0 0 1 10
s3 2 -1 0 1 0 0 20
0 0 0 0 -1 -1 0
Chapitre 2
Méthode de simplexe
Variables de base (s1 et s2) ayant des coûts marginaux non nuls
mise à jour du tableau : L4 L4 + L1 + L2
#1 x1 x2 e1 s3 s1 s2
s1 2 -1 -1 0 1 0 15
s2 1 1 0 0 0 1 10
S3 2 -1 0 1 0 0 20
3 0 -1 0 0 0 25
#2 x1 x2 e1 s3 s1 s2
X1 1 -1/2 -1/2 0 1 /2 0 15/2
s2 0 3/2 1/2 0 -1/2 1 5/2
S3 0 0 1 1 -1 0 5
0 3/2 1/2 0 -3/2 0 5/2
Chapitre 2
Méthode de simplexe
#3 x1 x2 e1 s3 s1 s2
X1 1 0 -1/3 0 1/3 1/3 25/3
X2 0 1 1/3 0 -1/3 2/3 5/3
S3 0 0 1 1 -1 0 5
0 0 0 0 -1 -1 0
#5 x1 x2 e1 s3
x1 1 0 0 1/3 10
x2 0 1 0 -1/3 0
e1 0 0 1 1 5
0 0 0 -1/3 -40
Chapitre 2
Méthode de simplexe
V. Méthode de Big M (phases I et II confondues)
Si le PL est tel que des variables artificielles doivent être introduites
pour obtenir un tableau canonique, on peut aussi le résoudre avec la
méthode de Big-M
En général,
Max zM = cx - i Msi
(PM) s.c. Ax + s = b
x 0, s 0
Chapitre 2
Méthode de simplexe
Exemple :
Max zM= 4x1 + 3x2-M s1 -Ms2
s.c. 2x1 –x2 –e1 + s1= 15
(PI) x1 + x2 +s2= 10
2x1 – x2 + s3= 20
x1, x2, e1, s3, s1, s2 0
#1 x1 x2 e1 s3 s1 s2
s1 2 -1 -1 0 1 0 15
s2 1 1 0 0 0 1 10
s3 2 -1 0 1 0 0 20
4 3 0 0 -M -M 0
Mise à 4+3M 3 -M 0 0 0 25M
jour
Chapitre 2
Méthode de simplexe
#2 X1 x2 e1 s3 s1 s2
x1 1 -1/2 -1/2 0 1/2 0 15/2
s2 0 3/2 1/2 0 -1/2 1 5/2
s3 0 0 1 1 -1 0 5
0 5+3/2M 2+1/2M 0 -2-3/2M 0 -30+5/2M
#3 X1 x2 e1 s3 s1 s2
x1 1 0 -1/3 0 1/3 1/3 25/3
x2 0 1 1/3 0 -1/3 2/3 5/3
s3 0 0 1 1 -1 0 5
0 0 1/3 0 -1/3-M 0 -115/3
Chapitre 2
Méthode de simplexe
#4 X1 x2 e1 s3 s1 s2
x1 1 0 0 1/3 0 0 10
x2 0 1 0 -1/3 0 2/3 0
e1 0 0 1 1 -1 0 5
0 0 0 -1/3 -M 0 -40
Chapitre 2
Méthode de simplexe
Résultats possibles de Big-M :
Cas 1 : Simplexe donne une solution optimale (x*, s*) avec s* =
0. Alors x* est optimal pour le problème de départ (P).
Cas 2 : Simplexe donne une solution optimale (x*, s*) avec s*
0. Le critère d’optimalité étant satisfait M suffisamment large, (P)
est donc non-réalisable.
#1 x1 x2 e1 e2 s1 s2
s1 1 1 -1 0 1 0 1
s2 1 -1 0 -1 0 1 0
1 1 0 0 -M -M 0
Mise à 1+2M 1 -M -M 0 0 M
jour
Chapitre 2
Méthode de simplexe
#2 x1 x2 e1 e2 s1 s2
s1 0 2 -1 1 1 -1 1
x1 1 -1 0 -1 0 1 0
0 2+2M -M 1+M 0 -1-2M M
#3 x1 x2 e1 e2 s1 s2
X2 0 1 -½ ½ ½ -½ ½
X1 1 0 -½ -½ ½ ½ ½
0 0 1 0 -1-M -M -1
(PM) non borné car Δe1 > 0 et tous les aij < 0 (pas de var sortante)
Chapitre 2
Méthode de simplexe
Si P est réalisable alors il est non borné sinon il est non réalisable
Pour vérifier s’il est réalisable ou pas on modifie la ligne des Δj par la
fonction objectif Z’M = - i Msi et on vérifie si tous lessi = 0, alors (P)
est réalisable
#4 x1 x2 e1 e2 s1 s2
x2 0 1 -½ ½ ½ -½ ½
x1 1 0 -½ -½ ½ ½ ½
0 0 0 0 -M -M 0
Pour résumer :
La résolution d'un PL à l'aide de l'algorithme de simplexe nécessite
une SBR initiale. C'est un problème qui peut être résolu de trois
manières différentes :
1. Introduction de variables artificielles et l'application de Simplexe à
deux phases (phase I trouve une SBR)
2. Introduction de variables artificielles et l'application de la méthode
de Big-M (basée sur l'algorithme de Simplexe)
3. Trouver intuitivement une SBR, écrire le PL sous la forme
canonique, puis passer directement à la phase II (l’approche la
moins pratique).