Simplexe

Chapitre 2
Programmation linéaire : Simplexe
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Recherche opérationnelle Chapitre 2 Programmation linéaire 1/94
Introduction
La recherche opérationnelle est une discipline dont le but est de

fournir des méthodes pour répondre à un type précis de problème, c’est-
à-dire à élaborer une démarche universelle pour un type de problème
qui aboutit à la ou les solutions les plus efficaces. La particularité
de la recherche opérationnelle est que les méthodes proposées sont des
démarches rationnelles basées sur des concepts et outils mathématiques
et/ou statistiques.
Généralement les démarches proposées par la recherche opérationnelle

peuvent être traduites en programmes informatiques exacte.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Introduction
La programmation linéaire est un outil très puissant de la recherche

opérationnelle. C’est un outil générique qui peut résoudre un grand nombre
de problèmes. En effet, une fois un problème modélisé sous la forme
d’équations linéaires, des méthodes assurent la résolution du problème de
manière exacte.
Une des méthodes les plus connues pour résoudre des programmes linéaires
en nombre réels est la méthode du Simplexe. En théorie, elle a une
complexité non polynômiale et est donc supposée peu efficace. Cependant,
en pratique, il s’avère au contraire qu’il s’agit d’une bonne méthode.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Programme linèaire
On cherche à maximiser ou minimiser la fonction objectif :
z = c1 x1 + c2 x2 + . . . + cn xn
où les variables de décision xj vérifiant les m inégalités suivantes appelées

contraintes :


 a11 x1 + a12 x2 + . . . + a1n xn ≤ b1

 a21 x1 + a22 x2 + . . . + a2n xn ≤ b2
.. .. .. ..

 . . . .


am1 x1 + am2 x2 + . . . + amn xn ≤ bm
xi ≥ 0, i = 1, 2, . . . n.
Les coefficients aij , bi et cj sont des réels donnés. Si on cherche le maximum

de z alors cette forme est appelée la forme canonique du programme
linéaire (PL).
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Programme linèaire
On peut écrire le programme linéaire sous la forme matricielle suivante :

Trouver x ∈ Rn qui vérifie

 max (z = cT x)
Ax ≤ b (1)

x≥0
avec
       
a11 a12 ... a1n x1 b1 c1
 a21 a22 ... a2n   x2   b2   c2 
       
A= .. .. .. , x= .. , b =  ..  c= .. 
 . . .   .   .   . 
am1 am2 ... amn xn bm cm
Lorsque les contraintes sont des égalités (=) alors le programme linéaire
est sous forme standard. Chaque PL canonique peut se transformer en
un PL standard et inversement.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Programme linèaire
Pour passer de la forme canonique à la forme standard on ajout des

variables d’écart aux contraintes. Trouver x ∈ Rn qui vérifie


 max(c1 x1 + c2 x2 + . . . + cn xn )



 a11 x1 + . . . + a1n xn + xn+1 = b1

 a21 x1 + . . . + a2n xn + xn+2 = b2
. .. ..

 .. . .



 am1 x1 + . . . + amn xn + xn+m = bm


xj ≥ 0, j = 1, 2, . . . n + m
Le PL s’écrit matriciellement
 
x1
  .   
a11 ... a1n 1 0 ... 0  ..  b1
    
 a21 ... a2n 0 1 ... 0  xn   b2 
 .. .. .. .. ..  = .. 
 . . . .
..
. . 
 xn+1
 
 . 
 . 
am1 ... amn 0 0 ... 1  ..  bm
xn+m
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Exemples de formulations
Exemple 1 : Problème d’économie
Une entreprise fabrique deux produit A et B a partir de trois matériaux

premiers M1 , M2 et M3 . Le stock est M1 = 300, M2 = 400 et M3 = 250.
1 Pour fabriquer 1kg de A il faut 1kg de M1 et 2kg de M2 .
2 Pour fabriquer 1kg de B il faut 1kg de M1 , 1kg de M2 et 1kg de M3 .
La vente d’un kilogramme de A rapporte un profit de 50DH et celle de B
rapporte un profit de 100DH.
Quelles quantités de produits A et B l’entreprise doit fabriquer pour

maximiser son profit?
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Formulation du problème en un PL :
Étape 1 : Identification des variables de décision

Les deux quantités qu’on doit déterminer sont les produits A et B :
o x1 : la quantité inconnue à fabriquer de A
p x2 : la quantité inconnue à fabriquer de B
On vérifie bien qu’on a x1 ≥ 0 et x2 ≥ 0.
Étape 2 : Identification des contraintes

L’entreprise dispose de 300 unités de M1 =⇒ x1 + x2 ≤ 300
L’entreprise dispose de 400 unités de M2 =⇒ 2x1 + x2 ≤ 400
L’entreprise dispose de 400 unités de M3 =⇒ x2 ≤ 250
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Étape 3 : Identification de la fonction objectif
La fonction objectif consiste à maximiser le profit apporté par la fabrication

des deux produits. Les contributions respectives 50 et 100, des deux
variables de décision x1 et x2 sont proportionnelles à leur valeur. La
fonction objectif est donc
z = 50x1 + 100x2
Le programme linéaire (sous forme standard) est donné comme suit :
max (50x1 + 100x2 )


 x1 + x2 ≤ 300


2x1 + x2 ≤ 400
 x2 ≤ 250


x1 , x2 ≥ 0
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Exemple 2 : Problème d’agriculture
Un agriculteur veut allouer 150 hectares de surface irrigable entre culture

de tomates et celles de piments. Il dispose de 480 heures de main d’oeuvre
et de 440m3 d’eau.
o Un hectare de tomates demande 1 heure de main d’oeuvre, 4m3 d’eau
et donne un bénéfice net de 100 euros.
p Un hectare de piments demande 4 heures de main d’oeuvre, 2m3 d’eau
et donne un bénéfice net de 200 euros.
Le bureau du périmètre irrigué veut protéger le prix des tomates et ne lui
permet pas de cultiver plus de 90 hectares de tomates.
Quelle est la meilleure allocation de ses ressources ?
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Formulation du problème en un PL :
Étape 1: Identification des variables de décision
Les deux activités que l’agriculteur doit déterminer sont les surfaces à
allouer pour la culture de tomates et de piments :
q x1 : la surface allouée à la culture des tomates
r x2 : la surface allouée à la culture des piments
On vérifie bien qu’on a x1 ≥ 0 et x2 ≥ 0.
Étape 2: Identification des contraintes
L’agriculteur dispose de 150 hectares de terrain =⇒ x1 + x2 ≤ 150

L’agriculteur ne dispose que de 440 m3 d’eau =⇒ 4x1 + 2x2 ≤ 440
L’agriculteur dispose de 480 heures de main d’oeuvre =⇒ x1 + 4x2 ≤ 480
L’agriculteur ne cultive pas plus de 90 hectares de tomates =⇒ x1 ≤ 90
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Étape 3 : Identification de la fonction objectif
La fonction objectif consiste à maximiser le profit apporté par la culture

de tomates et de piments. Les contributions respectives 100 et 200, des
deux variables de décision x1 et x2 sont proportionnelles à leur valeur. La
fonction objectif est donc
z = 100x1 + 200x2
Le programme linéaire est donné comme suit
max (100x1 + 200x2 )



 x1 + x2 ≤ 150


 4x1 + 2x2 ≤ 440
x1 + 4x2 ≤ 480



 x ≤ 90
 1
x1 , x2 ≥ 0
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Exercice 1 : On se propose de réaliser une alimentation économique

pour des bestiaux, qui contient obligatoirement 4 sortes de composants
nutritifs, A, B, C et D. L’industrie alimentaire produit précisément deux
aliments M et N qui contiennent ces composantes :
1 1 Kg d’aliment M contient 100 g de A, 100 g de C, 200 g de D.
2 1 Kg d’aliment N contient 100 g de B, 200 g de C, 100 g de D.
Un animal doit consommer par jour au moins :
0.4 Kg de A ; 0.6 Kg de B ; 2 Kg de C ; 1.7 Kg de D.
L’aliment M coûte 10 euros le Kg et N coûte 4 euros le Kg. Quelles

quantités d’aliments M et N doit-on utiliser par jour et par animal pour
réaliser l’alimentation la moins coûteuse ?
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Résolution graphique
Après avoir illustré par des exemples, comment un problème pratique

peut être modélisé par un programme linéaire, l’étape qui va suivre sera
certainement celle de la résolution de ce problème mathématique. La
méthode graphique est l’une des premières méthodes utilisées à ce sujet. Si
on parle de résolution graphique alors on doit se limiter à une représentation
à deux variables.
Parmi les solutions possibles d’un problème, il y a ceux qui vont satisfaire
toutes les contraintes du programme, appelés solutions réalisables, et
ceux qui vont satisfaire une partie ou aucune de ces contraintes, appelés
solutions non réalisables. Une représentation graphique des inégalités
(des contraintes) va nous permettre de déterminer l’ensemble des solutions
réalisables.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
x2
On considère le programme linéaire suivant
min z = x1 + x2
 π1
 2x1 + x2 ≥ 12

 12
5x1 + 8x2 ≥ 74 2x1 +x2 −12=0
 x1 + 6x2 ≥ 24

 6
x1 , x2 ≥ 0
3
Étape 1 : (Représentation graphique des x1
contraintes) La première contrainte est donnée 0 3 6 9
par l’inégalité 2x1 + x2 ≥ 12 qui correspond à
un demi-plan π1 (espace hachuré dans la figure)
limité par la droite x2 = 12 − 2x1 .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Pour les deux autres contraintes du problème on obtient les deux demi-
plans π2 et π3 représentés par les espaces hachurés suivants :
x2 π2 π3
5x1 +8x2 −74=0
9.25
x2 x1 +6x2 −24=0
3 4
x1 x1
6 14.8 24 6 12 24
Il faut également prendre en considération la contrainte x1 , x2 ≥ 0.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Une solution possible du problème est dite réalisable si et seulement si elle

vérifie toutes les contraintes, c’est à dire si elle appartient aux trois demi-
plans relatifs à chaque contrainte du programme linéaire, en d’autre terme
à π1 ∩ π2 ∩ π3 .
x2
20
Ensemble des
10 solutions réalisables
x1
0 10 20 30
2x1 + x2 − 12 = 0
5x1 + 8x2 − 74 = 0
x1 + 6x2 − 24 = 0 −10
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Étape 2 : Représentation de la fonction objectif

Soit z la valeur de la fonction objectif
z = x1 + x2
Par exemple pour z = 0 ou z = 6, la fonction objectif est représentée de

la manière suivante :
x2 x2
12
x1 +x2 =6
6 6
x1 +x2 =0
x1 x1
−10 0 10 0 6
−6
−12
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
On peut tracer une infinité de droites qui représentent les différentes valeurs
de la fonction objectif, toutes ces droites sont parallèles entre elles. De
plus on peut diminuer la valeur de z dans le sens indiqué dans la figure
ci-dessous.
x2
18
x1
+
x2
12
=
x1
18
+
x2
=
x1
12
+
6
x2
=
6
x1
6 12 18
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
On translate la droite de la fonction objectif jusqu’a trouver la limite

inférieure du polygone réalisable qui est une région non bornée.
π1 ∩ π2 ∩ π3
A
8
x1
+
0 2 10
x2
=
10
La valeur minimale est z = 10 elle est atteinte au point A = (x1 , x2 ) =

(2, 8) qui est un point extrême du polygone π1 ∩ π2 ∩ π3 .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Solution optimale
Un parie S ⊂ Rn est dite convexe si
∀x, y ∈ S, αx + (1 − α)y ∈ S, 0≤α≤1
Un point z d’un ensemble convexe S est appelé point extrême s’il n’existe
pas deux points distincts x et y de S et un nombre α ∈]0, 1[ tels que
z = αx + (1 − α)y.
L’ensemble des solutions réalisables d’un programme linéaire s’il n’est pas
vide est un polyèdre convexe de Rn donc un ensemble qui contient une
infinité de points.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Solution optimale
Le domaine suivant est un polyèdre convexe borné de R2 .

A
B F
D
E
Les points extrêmes de cet ensemble convexe sont A, B, C, D, E, F, et G.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Solution optimale
Le théorème suivant, dont la preuve nous ne donnons pas, montre que,

si un problème de programmation linéaire a une solution optimale, alors
cette solution est atteinte en un point extrême.
Théorème 1 : (points extrêmes)

Soit S l’ensemble des solutions réalisables d’un PL.
1 Si S n’est pas vide et borné, alors une solution optimale au problème
existe et se produit à un point extrême.
2 Si S est non vide et non borné et si une solution optimale au problème
existe, alors cette solution se produit à un point extrême.
3 S’il n’existe pas une solution optimale au problème, alors soit S est
vide ou S est non borné.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Solutions de base
Considérons le programme linéaire standard suivant:

§
max z = cT x
Ax = b, x ≥ 0
avec A une matrice pq, c, x ∈ Rq et b ∈ Rp .
On appelle matrice de base de A, toute sous matrice carrée B inversible

d’ordre p. Les p variables xj qui corresponds aux p colonnes de B sont
appelées variables de base de B. Alors que les (q − p) autres variables
sont dites variables hors base.
Si A possède une matrice de base identité Ip alors celle-ci est dite matrice
de base évidente de A.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Solutions de base
Soit B une matrice de base de A et soit x∗ la solution du système
Bx∗ = b
On appelle solution de base du système Ax = b , associée à la matrice

B la solution x de dimension q obtenue en faisant augmenter le vecteur x∗
par (q − p) composantes nulles.
Une solution de base est dite admissible si toute ces composantes sont
positives.
Une solution de base est dite dégénérée si elle a au moins une variable
de base nulle.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Solutions de base
Exemple 3 : On considère le système à six variables suivant


 −x1 + x2 + x3 + x4 + x5 = 1
−1 1 1 1 1 0
x1 + x2 + 2x3 + 2x4 + x6 = 2 A=
 1 1 2 2 0 1
x1 , x2 , x3 , x4 , x5 , x6 ≥ 0

−1 1
m B= est une matrice de base de A et on a
1 1
§ § 1
−x1 + x2 = 1 x1 = 2
=⇒ 3
x1 + x2 = 2 x2 = 2
( 12 , 32 , 0, 0, 0, 0) est une solution de base admissible du système

Ax = b.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Solutions de base

−1 1
1 2
§ §
−x1 + x3 = 1 x1 = 0
=⇒
x1 + 2x3 = 2 x3 = 1
(0, 0, 1, 0, 0, 0) est une solution de base admissible du système

Ax = b.

−1 0
1 1
§ §
−x1 = 1 x1 = −1
=⇒
x1 + x6 = 2 x6 = 3
(−1, 0, 0, 0, 0, 3) est une solution de base non admissible.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Solutions de base
Théorème 2
Considérons le programme linéaire standard suivant :
§
max z = cT x
Ax = b, x ≥ 0
Alors x est une solution de base admissible ⇐⇒ x est un point extrême

de l’ensemble des solutions réalisables.
De plus le nombre de l’ensemble des solution de base admissible est fini.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Méthode de simplexe
Considérons le programme linéaire canonique suivant:
max(z = c1 x1 + c2 x2 + . . . + cn xn )


 a11 x1 + a12 x2 + . . . + a1n xn ≤ b1

 a21 x1 + a22 x2 + . . . + a2n xn ≤ b2
.. .. .. ..

 . . . .


am1 x1 + am2 x2 + . . . + amn xn ≤ bm
xi ≥ 0, i = 1, 2, . . . n.
On suppose dans cette section que le vecteur b est positif
b≥0
c’est-à-dire bi ≥ 0 pour i = 1, . . . , m.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
La forme standard de ce programme est donnée par :


 max (z = cT x)
Ax = b

x≥0
Avec cette fois :

 
c1
 
 c2  x1
   
 ..   .. 
a11 ... a1n 1 0 ... 0  .   . 
     
 a21 ... a2n 0 1 ... 0   cn   xn 
A= .. .. .. .. .. , c=

, x= ,
 . . . .
..
. .   0 
 xn+1



 0   . 
am1 ... amn 0 0 ... 1    .. 
 .. 
 .  xn+m
0
et b comme avant.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dans la suite nous décrirons les différentes étapes de la méthode de

simplexe appliquée à l’exemple simple suivant:
max (120x1 + 100x2 )


 2x1 + 2x2 ≤ 8
5x + 3x2 ≤ 15
 1
x1 , x2 ≥ 0
La forme standard du programme est
max (120x1 + 100x2 )


 2x1 + 2x2 + x3 = 8
5x1 + 3x2 + x4 = 15

x1 , x2 , x3 , x4 ≥ 0.
On voit bien que le vecteur b = (8, 15) est positif.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Étape 1 : Solution de base admissible initiale
La matrice A admet une matrice de base évidente dont les variables de

base sont xn+1 , xn+2 , . . . , xn+m .
La solution de base associée est donnée par
x1 = x2 = . . . = xn = 0 et xn+1 = b1 , xn+2 = b2 , . . . , xn+m = bm
Puisque nous avons supposé que b ≥ 0, alors cette solution est bien une
solution admissible.
Pour notre exemple, il est simple de voir que la solution de base admissible
est la suivante :
x1 = 0, x2 = 0, x3 = 8, x4 = 15
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Étape 2 : Tableau initial de la méthode du simplexe
v.b x1 x2 x3 x4 b
x3 2 2 1 0 8
x4 5 3 0 1 15
−cj -120 -100 0 0 0
↑
valeur de
l’objectif
La dernière case (colorée) du tableau est la valeur de l’objectif qui est égale
à 0 car les variables de décision sont nulles.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
En général, le tableau initial est donné par
v.b x1 x2 … xn xn+1 xn+2 … xn+m b

xn+1 a11 a12 … a1n 1 0 … 0 b1
xn+2 a21 a22 … a2n 0 1 … 0 b2
.. .. .. .. .. .. .. .. ..
. . . . . . . . .
xn+m am1 am2 … amn 0 0 … 1 bm
−cj −c1 −c2 … −cn 0 0 … 0 0
A ce niveau, le PL est transformé sous forme d’un tableau initial. Ce

tableau contient les contraintes, la fonction objectif avec une solution de
base admissible et la valeur correspondante de l’objectif.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Étape 3 : Recherche de pivot
Choix de la colonne pivot (variable entrante) :
G La colonne pivot est définie à partir des coefficients de la fonction

objectif.
G Parmi les coefficients de la ligne objective (dernière ligne du tableau)
on choisit le plus petit coefficient négatif.
G La colonne correspondante est la colonne pivot. La variable
correspondante est dite la variable entrante.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Méthode de simplexe
Choix de la ligne pivot (variable sortante) :
3 La variable entrante va prendre la place d’une des variables de base,

appelée variable sortante.
bi
3 La ligne pivot est la ligne i telle que (aij > 0) soit positif et
aij
minimal où j est l’indice de la colonne pivot.
3 La variable correspondante à cette ligne est la variable sortante.
Si tous les aij sont négatifs alors le problème est sans solution optimale finie
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Reprenons notre exemple :
↓
v.b x1 x2 x3 x4 b
x3 2 2 1 0 8
← x4 5 3 0 1 15
−cj -120 -100 0 0 0
x1 : est la variable entrante.

x4 : est la variable sortante.
L’intersection entre la ligne pivot et la colonne pivot s’appelle le pivot(=5).

Signaler la colonne pivot par ↓ et la ligne pivot par ←.
Étape 3 : Réduction du tableau

Si le pivot est égale à un nombre k, multiplier la ligne pivot par 1k .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Ajouter des multiples appropries de la ligne pivot à toutes les autres lignes
(incluant la ligne objective) afin de faire apparaître des zéros sur le reste
de la colonne pivot.
Dans le nouveau tableau remplacer le label de la ligne pivot par la variable
entrante. Le tableau obtenu à partir du pivotage de tableau initial est
donné par :
↓
v.b x1 x2 x3 x4 b
← x3 0 4
5 1 − 25 2
3 1
x1 1 5 0 5 3
−cj 0 -28 0 24 360
x2 : est la variable entrante.

x3 : est la variable sortante.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
On obtient finalement le tableau suivant

v.b x1 x2 x3 x4 b
5
x2 0 1 4 − 12 5
2
x1 1 0 − 43 1
2
3
2
−cj 0 0 35 10 430
Tous les coefficients de la ligne objective sont positif. STOP!
La solution optimale est

3 5
(x1 , x2 , x3 , x4 ) = , , 0, 0
2 2
La valeur optimale de l’objectif est 430.

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Exercice 2 : Résoudre par la méthode du simplexe les programmes

linéaires suivants
max (x1 + 3x2 ) max (8x1 + 9x2 + 5x3 )

 

 2x1 + 6x2 ≤ 30 
 x1 + x2 ≤ 2
 
x1 ≤ 10 2x1 + 4x3 ≤ 3

 x ≤4 
 −x2 + 2x3 ≤ 8
 2 
x1 , x2 ≥ 0 x1 , x2 , x3 ≥ 0
Exercice 3 : Résoudre les programmes linéaires des problèmes

d’économie et d’agriculture.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
La representation graphique du premier PL de l’exercice 2 est la suivante
x2
A x2 =4
4 2x +
1 6x
2= 30
2 B
x1
0
3 5 10
La valeur optimale est 15 elle est atteinte aux points A = (3, 4) et B =

(10, 10
6 ).
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Algorithme de simplexe généralisé
Dans la section précédente nous avons limité notre étude à un PL

canonique avec un second membre positif (b ≥ 0). Cela à donné
automatiquement une solution de base admissible évidente.
Dans cette section nous considérons un PL donné sous sa forme générale:
max z = cT x


 a11 x1 + a12 x2 + . . . + a1n xn (≤)(=)(≥)b1

 a21 x1 + a22 x2 + . . . + a2n xn (≤)(=)(≥)b2
.. .. .. ..

 . . . .


am1 x1 + am2 x2 + . . . + amn xn (≤)(=)(≥)bm
xj ≥ 0, j = 1, 2, . . . n.
Ce PL sous forme générale peut être écrit sous sa forme standard avec un
second membre positif (b ≥ 0).
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Par exemple :
max (2x1 + x2 )  max (2x1 + x2 )
 1
x + x 2 ≤ 3  x1 + x2 + x 3 = 3
x1 + 4x2 ≥ 1 =⇒ x + 4x2 − x4 = 1 (2)
  1
x1 , x2 ≥ 0 x1 , x2 ≥ 0
La solution évidente (0, 0, 3, −1) n’est pas admissible car elle n’est pas
positive.
Pour cela on propose une méthode pour trouver tout d’abord une solution
de base admissible initiale, puis on applique l’algorithme de simplexe
vu précédemment. Cette méthode dite simplexe généralisée (ou bien
méthode à deux phases).
L’idée est d’introduire m variables artificielles temporaires et positifs
notées yi dans chaque contrainte de PL. On obtient le PL suivant :
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .

 ∑n

 max (z = c j xj )



 j=1
∑p
(3)

 aij xj + yi = bi , i = 1, 2, . . . , m



 j=1

xj ≥ 0, j = 1, 2, . . . , p; yi ≥ 0, i = 1, 2, . . . , m
Pour l’exemple précèdent on aura les contraintes suivantes :

 x1 + x2 + x3 + y1 = 3
x1 + 4x2 − x4 + y2 = 1

x1 , x2 , y1 , y2 ≥ 0
C’est facile de voir que x est une solution de PL d’origine ⇐⇒ [x 0]T

est une solution de PL (3). De plus, une solution de base admissible du
problème est donnée par x = 0, y = b.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Phase 1 : Nous allons voir maintenant une méthode (Phase 1) pour

changer cette dernière solution admissible (x = 0, y = b) en une solution
admissible avec y = 0. On obtient ainsi une solution admissible pour le
problème d’origine.
Pour cela on considère le problème auxiliaire suivant :


 ∑ m

 min (z′ = yi )


 p
∑ i=1

 aij xj + yi = bi , i = 1, 2, . . . , m



 j=1
xj ≥ 0, j = 1, 2, . . . , p; yi ≥ 0, i = 1, 2, . . . , m
Ce problème admet la solution de base admissible suivante
(0, 0, . . . , 0, b1 , b2 , . . . , bm )
A l’optimum deux cas peuvent se présenter :

. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
o La valeur optimale de l’objectif est non nulle. Dans ce cas le problème

d’origine est sans solution de base admissible.
p La valeur optimale de l’objectif est nulle. Dans ce cas nous avons
obtenu une solution de base admissible au problème d’origine et on
commence la (Phase 2).
Pour mettre en oeuvre la méthode du simplexe pour résoudre le PL
auxiliaire nous supprimons les coefficients associés aux variables de base
dans la fonction objectif. Alors on a

∑
m ∑
m ∑
p
−z′ = −yi = aij xj − bi
i=1 i=1 j=1
Puisque min(z′ ) = − max(−z′ ) alors le PL auxiliaire devient le problème

de maximisation suivant :
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .


 ∑ m ∑p

 − max aij xj − bi



 i=1 j=1
 ∑p

 aij xj + yi = bi , i = 1, 2, . . . , m



 j=1

xj ≥ 0, j = 1, 2, . . . , p; yi ≥ 0, i = 1, 2, . . . , m
Dans le cas où on obtient une solution optimale après la (Phase 1) avec
un objectif égal à zéro, deux cas se présentent :
q Tous les variables artificielles sont des variables hors base dans le
tableau final du problème auxiliaire.
r Quelques variables artificielles restent dans la base avec évidemment
des valeurs nulles.
Nous discutons seulement le premier cas dans ce chapitre.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Reprenons l’exemple (3), le PL auxiliaire est donné par
− max(2x1 + 5x2 + x3 − x4 − 4)

 x1 + x2 + x3 + y1 = 3
x1 + 4x2 − x4 + y2 = 1

x1 , x2 , y1 , y2 ≥ 0
La solution de base admissible est (x1 , x2 , x3 , x4 , y1 , y2 ) = (0, 0, 0, 0, 3, 1).
La valeur de l’objectif correspondante est -4.
Le tableau initial de la méthode de simplexe est donné par :
↓
v.b x1 x2 x3 x4 y1 y2 b
y1 1 1 1 0 1 0 3
← y2 1 4 0 -1 0 1 1
−cj -2 -5 -1 1 0 0 −4
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Après le pivotage on obtient le tableau suivant :
↓
v.b x1 x2 x3 x4 y1 y2 b
← y1 3
4 0 1 1
4 1 − 14 11
4
1
x2 4 1 0 − 14 0 1
4
1
4
−cj − 34 0 -1 − 14 0 5
4 − 114
et après un deuxième pivotage
v.b x1 x2 x3 x4 y1 y2 b
3 1
x3 4 0 1 4 1 − 14 11
4
1
x2 4 1 0 − 14 0 1
4
1
4
−cj 0 0 0 0 1 1 0
On vérifie que (0, 14 , 11

4 , 0) est une solution admissible du problème
original.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Phase 2 : On suppose que les variables artificielles se trouvent hors base

à la fin de la Phase 1 et que la valeur de la fonction objectif du problème
auxiliaire est nulle.
En supprimant les yi de la solution optimale trouvée, on trouve une solution
de base admissible initiale pour la Phase 2. Le tableau initial de la Phase
2 est celui final de la Phase 1 avec quelques modifications :
q Supprimer les colonnes associées aux variables artificielles.
r Calculer la nouvelle ligne objective comme suivant : Pour chaque
variable de base dans le tableau final de la Phase 1, annuler le
coefficient cj de la fonction objectif du problème original en ajoutant
des multiples appropriés de la ligne associée à cette variable de base.
Le tableau initial de la Phase 2 est ainsi construit. Appliquer ensuite
l’algorithme de Simplexe.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
La ligne objective du problème original est
-2 -1 0 0 0
On doit annuler les coefficients des variables de base x2 et x3 qui sont −1

et 0. Il suffit d’en ajouter la ligne qui correspond a la variable x2 .
En supprimant les colonnes qui correspondent aux variables y1 et y2 on
obtient finalement le tableau suivant :
v.b x1 x2 x3 x4 b
3 1 11
x3 4 0 1 4 4
1
x2 4 1 0 − 14 1
4
−cj - 74 0 0 - 14 1
4
En suite on applique la méthode de simplexe.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Exercice 4 : Effectuer la Phase 1 de la méthode de simplexe généralisée

pour les PLs suivants :
max (3x1 − 4x3 ) max (2x1 + 3x2 )

 
 2x1 + x2 + 3x3 ≥ 5  2x1 + 3x2 ≤ 6
x1 − x2 + x3 ≥ 1 x1 + x2 ≥ 4
 
x1 , x2 , x3 ≥ 0 x1 , x2 ≥ 0
Exercice 5 : Résoudre le problème des animaux.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Algorithme de simplexe: Cas particuliers
Cas de solutions multiples:
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Exemple1:
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Comme tous les nombres de la dérnière ligne sont négatifs ou nuls, la

solution optimale obtenue est
x1 = 4, x2 = 0, x3 = 12, x4 = 0, x5 = 6, et la valeur maximale de z est 4.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
La solution optimale correspond au sommet
S1 = (x1 , x2 ) = (4, 0) avec z(S1 ) = 4.
On remarque que la dérnière ligne contient un nombre nul, non

négatif, correspondant à une variable hors base qui est x2 .
Par suite x2 peut entrer en base, ce qui conduit à une nouvelle solution
de base optimale, soit à un deuxième sommet optimal S2 .
Ce changement de base n’affecte pas la valeur optimale, ce qui donne
z(S2 ) = z(S1 (z)) = 4
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Comme tous les nombres de la dérnière ligne sont négatifs ou nuls, la

solution optimale obtenue est
x1 = 7, x2 = 3, x3 = 15, x4 = 0, x5 = 0, et la valeur maximale de z est
toujours 4.
On a donc deux sommets optimaux:
S1 (4, 0) et S2 (7, 3);
Par suite tous les points réalisables appartenant au segment [S1 , S2 ] sont
solutions optimaux. .
. .
. . . . . . . . . . . . . .
. . . . . . . . . . . . . .
.
.
.
.
.
.
.
.
.

Cas de solutions impossibles:
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Exemple2:
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
On a tous les (Ci − Zi ) sont positifs, puisqu’on un problème de

minimisation, la solution obtenue est optimale.
Or la variable artificielle est positive (t = 1), dans la solution optimale.
On conclut que le PL initial n’a pas de solutions réalisables
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Cas de solution non bornée:
Exemple3
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
La dérnière ligne du tableau du simplexe contient un coéfficient positif

10, pour lequel la colonne associée est constituée de valeurs ou nulles
(0, −1, −1). Dans un tel cas, la solution optimale est infinie +∞.
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
Dualité en programmation linéaire
Plan du chapitre:
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .
. . . . . . . . . . . . . . . . . . . .

Simplexe

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Simplexe

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 2

Programmation linéaire : Simplexe

La recherche opérationnelle est une discipline dont le but est de

Généralement les démarches proposées par la recherche opérationnelle

La programmation linéaire est un outil très puissant de la recherche

On cherche à maximiser ou minimiser la fonction objectif :

où les variables de décision xj vérifiant les m inégalités suivantes appelées

Les coeﬀicients aij , bi et cj sont des réels donnés. Si on cherche le maximum

On peut écrire le programme linéaire sous la forme matricielle suivante :

Pour passer de la forme canonique à la forme standard on ajout des

Exemple 1 : Problème d’économie

Une entreprise fabrique deux produit A et B a partir de trois matériaux

Quelles quantités de produits A et B l’entreprise doit fabriquer pour

Étape 1 : Identification des variables de décision

Étape 2 : Identification des contraintes

Étape 3 : Identification de la fonction objectif

La fonction objectif consiste à maximiser le profit apporté par la fabrication

Le programme linéaire (sous forme standard) est donné comme suit :

max (50x1 + 100x2 )

Exemple 2 : Problème d’agriculture

Un agriculteur veut allouer 150 hectares de surface irrigable entre culture

Quelle est la meilleure allocation de ses ressources ?

Étape 1: Identification des variables de décision

Étape 2: Identification des contraintes

L’agriculteur dispose de 150 hectares de terrain =⇒ x1 + x2 ≤ 150

Étape 3 : Identification de la fonction objectif

La fonction objectif consiste à maximiser le profit apporté par la culture

Le programme linéaire est donné comme suit

max (100x1 + 200x2 )

Exercice 1 : On se propose de réaliser une alimentation économique

0.4 Kg de A ; 0.6 Kg de B ; 2 Kg de C ; 1.7 Kg de D.

L’aliment M coûte 10 euros le Kg et N coûte 4 euros le Kg. Quelles

Après avoir illustré par des exemples, comment un problème pratique

Il faut également prendre en considération la contrainte x1 , x2 ≥ 0.

Une solution possible du problème est dite réalisable si et seulement si elle

Étape 2 : Représentation de la fonction objectif

Par exemple pour z = 0 ou z = 6, la fonction objectif est représentée de

On translate la droite de la fonction objectif jusqu’a trouver la limite

La valeur minimale est z = 10 elle est atteinte au point A = (x1 , x2 ) =

Un parie S ⊂ Rn est dite convexe si

∀x, y ∈ S, αx + (1 − α)y ∈ S, 0≤α≤1

Le domaine suivant est un polyèdre convexe borné de R2 .

Le théorème suivant, dont la preuve nous ne donnons pas, montre que,

Théorème 1 : (points extrêmes)

Considérons le programme linéaire standard suivant:

avec A une matrice pq, c, x ∈ Rq et b ∈ Rp .

On appelle matrice de base de A, toute sous matrice carrée B inversible

Soit B une matrice de base de A et soit x∗ la solution du système

On appelle solution de base du système Ax = b , associée à la matrice

Exemple 3 : On considère le système à six variables suivant

( 12 , 32 , 0, 0, 0, 0) est une solution de base admissible du système

(0, 0, 1, 0, 0, 0) est une solution de base admissible du système

(−1, 0, 0, 0, 0, 3) est une solution de base non admissible.

Alors x est une solution de base admissible ⇐⇒ x est un point extrême

De plus le nombre de l’ensemble des solution de base admissible est fini.

Considérons le programme linéaire canonique suivant:

On suppose dans cette section que le vecteur b est positif

La forme standard de ce programme est donnée par :

Avec cette fois :

Dans la suite nous décrirons les différentes étapes de la méthode de

max (120x1 + 100x2 )

max (120x1 + 100x2 )

Étape 1 : Solution de base admissible initiale