Recherche Opérationnelle: Parcours: 1 Année Cycle Ingénieur

Parcours: 1er année cycle ingénieur
Recherche opérationnelle
RAMCHOUN Hassan
hassanramchoun@gmail.com
2022/2023
RAMCHOUN Hassan cours RO 2022/2023 1

Plan
Partie I: Programmation linéaire

1 Introduction à la modélisation et à la programmation linéaire
2 Méthode de résolution: Algorithme de simplexe et ses variantes
3 Dualité en programmation linéaire
Partie II: Optimisation des réseaux

1 Notions de base des graphes
2 Algorithmes de plus cours chemin
3 Algorithmes de flot maximal
RAMCHOUN Hassan cours RO-OG 2022/2023 2

Programmation Linéaire
Partie I

Introduction à la modélisation
Chapitre 1 et à la programmation linéaire

Introduction
1.Introduction à  La recherche opérationnelle (RO) est l’ensemble des méthodes rationnelles

la modélisation d’analyse (algorithmiques, mathématiques, modélisation) et des synthèses de
et à la PL
phénomènes d’organisation(qui traite de la maximisation d’un profit, d’une
performance, d’un rendement ou bien de la minimisation d’un cout, d’une
2 . Méthodes de
résolution dépense… ) utilisable pour élaborer de meilleures décisions
3 . Dualité en PL  RO est indispensable pour les futurs gestionnaires décideurs, responsables de

projets:
- Modéliser des problèmes issus des organisations du monde réel
- Identifier les méthodes de résolution et les outils les plus adaptés face à un
problème pratique
 L’optimisation joue un rôle essentiel dans la recherche opérationnelle car,

outre son aspect important, elle est utilisée comme outil par la plupart des
autres techniques
5
RAMCHOUN Hassan cours RO-OG 2022/2023
Introduction
La recherche opérationnelle est une approche quantitative permettant de produire de
1.Introduction à
la modélisation meilleures décisions:
et à la PL
• Elle propose des modèles pour analyser des situations complexes et permet
2 . Méthodes de
résolution
aux décideurs de faire des choix efficaces et robustes
• Elle fournit des outils afin de trouver des solutions optimales ou proches de
3 . Dualité en PL l’optimum pour des problèmes d’optimisation
Outils scientifiques:
 Mathématiques Appliquées (Algèbre, Probabilités, Optimisation, Théories de

Graphes, ….) ;
 Informatique (Algorithmique, Complexité, …)
6
Introduction
Exemples d’applications :
1.Introduction à
la modélisation
et à la PL • Comment ordonnancer les tâches d’un projet tout en minimisant sa durée?
• Trouver un (plus court) chemin entre deux villes
2 . Méthodes de
résolution • Comment investir 100000 DH dans un projet de sorte à maximiser le profit obtenu
après deux ans?
• Transport d’un ensemble de produits vers un ensemble de clients de sorte à
3 . Dualité en PL
minimiser le coût total du transport
L’application de la recherche opérationnelle à un problème réel consiste à :
 Elaborer un modèle
 Développer un algorithme de résolution exacte ou approchée ;
 Evaluer la qualité des solutions produites par l’algorithme dans l’environnement réel
du problème.
7
Définitions et écriture d’un programme linéaire
1.Introduction à
 La programmation mathématique linéaire consiste le moyen le plus naturel pour
la modélisation
et à la PL modéliser une vaste classe de problèmes de recherche opérationnelle
2 . Méthodes de  La programmation linéaire permet de traiter des problèmes dans lesquels on

résolution
cherche à optimiser (maximiser ou minimiser) une fonction linéaire de plusieurs
variables qui sont soumises à des restrictions imposées par la nature du
3 . Dualité en PL
problème. Ces restrictions appelées également contraintes, se représentent sous
forme d’équations ou inéquations linéaires
 Un programme linéaire est un problème mathématique qui consiste à optimiser

(maximiser ou minimiser) une fonction linéaire de plusieurs variables qui sont
reliées par des relations linéaires appelées contraintes
8
Forme d’un programme linéaire
Un programme linéaire générale s’écrit sous la forme:
1.Introduction à max (min) c1 x1 + ... + cn xn
la modélisation
et à la PL æ £ö
ai1x1 + ... + ain xn çç ³ ÷÷ bi "i Î{1, ... , m}
2 . Méthodes de çè =÷ø
résolution
n
max (min) åc x i i
i=1
3 . Dualité en PL
n
æ £ö
å aij x j çç ³ ÷÷ bi "i Î{1, ... , m}
j=1 çè = ÷ø
Exemples
max 10x1 + 20x2 min 5x1 + 3x2 max 2x1x2 + 5x2
x1 + 3x2 £ 12 2x1 + x2 £ 12 3x1 + x2 £ 9
x1 + x2 = 6 x1 + x2 £ 4 x12 + x2 = 16
2x1 + x2 ³ 18 x1 + 4x2 ³ 18 2x1 + x2 ³ 18
9
1- Forme canonique d’un programme linéaire
1.Introduction à
la modélisation La forme canonique d’un programme linéaire est sous la forme suivante:
et à la PL
n
max z = å ci xi  Problème de maximisation
2 . Méthodes de i=1
résolution n  Toutes les contraintes sont du type inférieur ou égal
åa x ij j
£ bi "i Î{1, ... , m}
 Toutes les variables sont positives
j=1
3 . Dualité en PL xj ³ 0 "j Î{1, ... , n}
Exemple
Max z = 5x1 - 3x2 Max z = 4x1 - x2

x1 - x2 £ 2 3x1 - 2x2 £ 2
2x1 + 3x2 £ 4 2x1 + x2 ³ 7
x1 , x2 ³ 0 x1 , x2 ³ 0
10
1.Introduction à
la modélisation
et à la PL
Tout programme linéaire peut être mis sous forme canonique, il suffit de noter que:
2 . Méthodes de min z Û max (-z)
résolution n n
Exemples
åa x ij j
³ bi Û å (-aij )x j £ -bi
j=1 j=1 Mettre sous forme canonique le programme
3 . Dualité en PL ì n suivant:
ïå aij x j £ bi max z = -5x1 + 3x2
n
ï j=1 min z = 5x1 - 3x2
å aij x j = bi Û í n n - x1 + x2 £ -2
ï a x ³ b Û (-a )x £ -b x1 - x2 ³ 2
ïå å ij j i
j=1
ij j i 2x1 + 3x2 £ 4
î j=1 j=1 2x1 + 3x2 £ 4
x j £ 0 Û -x j ³ 0 - x1 + 6x2 £ 10
- x1 + 6x2 = 10
x1 - 6x2 £ -10
x j Î R Û x j = x 'j - x ''j avec x 'j , x ''j ³ 0 x1 , x2 ³ 0
x1 , x2 ³ 0
11
1.Introduction à Exemples:
la modélisation
et à la PL
Mettre sous forme canonique les programmes suivants:
2 . Méthodes de
résolution max z = 3x1 + 4x2 + 3x3
min z = 4x1 - x2 x1 + 3x2 £ 2
3 . Dualité en PL x1 + 7x2 £ 2 x1 - 3x2 + x3 = 5
x1 - x2 £ 1 x2 ³ 2
x1 ³ 0
x1 ³ 0
x3 £ 0
12
1.Introduction à
2. Forme standard d’un programme linéaire
la modélisation
et à la PL La forme standard d’un programme linéaire est sous la forme suivante:
n
2 . Méthodes de max z = å ci xi
résolution i=1  Problème de maximisation
n
åa x = bi "i Î{1, ... , m}  Toutes les contraintes sont du type égal

ij j
j=1
3 . Dualité en PL  Toutes les variables sont positives
xj ³ 0 "j Î{1, ... , n}
Exemple
Max z = 5x1 - 3x2

Max z = 4x1 - x2
x1 - x2 = 2
3x1 - 2x2 = 2
2x1 + 3x2 = 4
2x1 + x2 = 7
x1 , x2 ³ 0
13
1.Introduction à
la modélisation
et à la PL
2 . Méthodes de Tout programme linéaire peut être mis sous forme standard, il suffit de noter que:
résolution min z Û max (-z)
n n
Exemple
åa x ij j
£ bi Û å aij x j + yi = bi
j=1 j=1 Mettre sous forme standard les programmes
3 . Dualité en PL
les yi sont appelées var iables d 'écarts suivants:
n n
z = 5x1 - 3x2 z = -5x1 + 3x2
åa x ij j
³ bi Û å aij x j - yi = bi min max
j=1 j=1 x1 - x2 ³ 2 x1 - x2 - y1 = 2
les yi sont appelées var iables de surplus 2x1 + 3x2 £ 4 2x1 + 3x2 + y2 = 4
x j £ 0 Û -x j ³ 0 - x1 + 6x2 = 10 - x1 + 6x2 = 10
x j ÎR Û x j = x 'j - x ''j avec x 'j , x ''j ³ 0 x1 , x2 ³ 0 x1 , x2 , y1 , y2 ³ 0
14
1.Introduction à
la modélisation Exemple:
et à la PL
Ecrire sous forme standard le PL 𝑃1 et sous forme canonique le PL 𝑃2

2 . Méthodes de
résolution
𝑀𝑖𝑛 𝑧 = 3𝑥1 − 5𝑥2
𝑠𝑢𝑗𝑒𝑡 à
min z = 4x1 - x2
3 . Dualité en PL 𝑥1 + 𝑥2 ≤ 3
(𝑃1 ) x1 + 7x2 £ 2 (𝑃2 )
3𝑥1 − 4𝑥2 ≥ 2
x1 - x2 £ 1 2𝑥1 − 𝑥2 = 3
𝑥1 ≥ 0 , 𝑥2 ∈ ℝ
x1 ³ 0
Proposition : Equivalence entre forme standard et canonique

Tout programme linéaire sous forme standard s’écrit de façon équivalente en un
programme linéaire sous forme canonique et inversement.
15
Modélisation d’un problème réel par un programme linéaire
1.Introduction à
la modélisation
et à la PL
2 . Méthodes de
résolution La modélisation d’un problème réel par un programme linéaire consiste à
faire:
3 . Dualité en PL
 Le choix des variables
 Le choix de la fonction objectif à optimiser
 La détermination des contraintes
16
Exemple 1 (problème de production) :
1.Introduction à
la modélisation
et à la PL Une usine fabrique deux produits P1 et P2 en utilisant un certain nombre de ressources. Ces
besoins sont indiqués dans le tableau suivant. Par ailleurs, chaque ressource est disponible en
2 . Méthodes de quantité limitée
résolution
P1 P2 Disponibilité
Ressource A 3 9 81
3 . Dualité en PL
Ressource B 4 5 55
Ressource C 2 1 20
Les deux produits P1 et P2 rapportent à la vente respectivement des bénéfices de 60 DH et 40 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 2 produits?
17
Solution:
1.Introduction à
la modélisation  Le choix des variables: x1 et x2 sont respectivement les quantités des produits P1 et P2
et à la PL
fabriqués
2 . Méthodes de  Le choix de la fonction objectif à maximiser: la fonction objectif correspond au bénéfice total
résolution
est 60 x1 + 40 x2 Le problème se traduit donc par : max 60 x1 + 40 x2
 La détermination des contraintes: 3x1 + 9x2 £ 81
3 . Dualité en PL • La disponibilité de chacune de ressources s’écrit: 4x1 + 5x2 £ 55
2x1 + x2 £ 20
• La positivité des variables: x , x ³ 0
1 2
En résumé ce problème de production se modélise sous la forme:
max 60x1 + 40x2
3x1 + 9x2 £ 81
4x1 + 5x2 £ 55
2x1 + x2 £ 20
x1 , x2 ³ 0
18
Exemple 2 (problème de fleuriste)
1.Introduction à
la modélisation
et à la PL
Problème de fleuriste
2 . Méthodes de
résolution Un fleuriste dispose de 45 roses, 36 Tulipes et 27 Marguerites
achetées à M MAD, Il veut offrir à ces clients deux types de
bouquets de fleurs:
3 . Dualité en PL
- Type 1: Bouquet à 80 MAD composé de 10 roses, 4 Tulipes et 2
Margurites
- Type 2 :Bouquet à 60 MAD composé de 6 roses, 6 Tulipes et 6
Margurites
 Déterminer le nombre de bouquets de chaque type afin de

maximiser son revenu total
19
1.Introduction à Les variables

la modélisation Nombre de bouquet à préparer de type 1: 𝑥1
et à la PL
Nombre de bouquet à préparer de type 2: 𝑥2
2 . Méthodes de
Fonction Objective
résolution 𝑀𝑎𝑥 𝑧 = 80𝑥1 + 60𝑥2
Les Contraintes
les contraintes de disponibilité
3 . Dualité en PL
Le fleuriste dispose de 45 roses

10𝑥1 + 6𝑥2 ≤ 45
Le fleuriste dispose de 36 tulipes
4𝑥1 + 6𝑥2 ≤ 36
Le fleuriste dispose de 27 Margurites
2𝑥1 + 6𝑥2 ≤ 27
Contraintes de non négativités, d’intégrité

𝑥1 ≥ 0, 𝑥2 ≥ 0
20
Exemple 3 (problème de transport):
1.Introduction à
la modélisation
Une entreprise dispose de 2 entrepôts (A1 et A2) pour des unités destinées à satisfaire la
et à la PL
demande de 3 clients C1, C2 et C3. Le nombre d’unités disponibles à chaque entrepôt et les
2 . Méthodes de
demandes minimales des clients sont spécifiés dans le tableau suivant qui contient également le
résolution
coût du transport d’une unité de chaque entrepôt à chaque client
3 . Dualité en PL Entrepôt Clients Disponibilité
C1 C2 C3
A1 1 4 9 200
A2 6 8 4 500
Demande 200 400 100

Le problème est de déterminer quelle quantité chaque client reçoit de chaque entrepôt pour
minimiser le coût total de transport, tout en satisfaisant les contraintes
21
Solution:
1.Introduction à
Le choix des variables:
la modélisation
et à la PL
x11 : Quantité à transporter de A1 à C1
2 . Méthodes de
résolution x12 : Quantité à transporter de A1 à C2
Entrepôt Clients Disponibilité
3 . Dualité en PL C1 C2 C3
A1 1 4 9 200
x22 : Quantité à transporter de A2 à C2 A2 6 8 4 500

Demande 200 400 100
Le choix de la fonction objectif :

Le coût total de transport (à minimiser)
min x11 + 4x12 + 9x13 + 6x21 + 8x22 + 4x23
22
1.Introduction à
la modélisation La détermination des contraintes:
et à la PL
Disponibilité de chaque entrepôt:
2 . Méthodes de Entrepôt A1: x11 + x12 + x13 £ 200

résolution
Entrepôt A2: x21 + x22 + x23 £ 500 Entrepôt Clients Disponibilité
3 . Dualité en PL Demandes des clients à satisfaire:

C1 C2 C3
Client C1: x11 + x21 ³ 200 A1 1 4 9 200
Client C2: x12 + x22 ³ 400 A2 6 8 4 500
Client C3: x13 + x23 ³ 100
Demande 200 400 100
Quantités transportées sont positives:
x11, x21, x12 , x22 , x13 , x23 ³ 0
23
Solution: Modélisation d’un problème réel par un programme linéaire
1.Introduction à
la modélisation En résumé ce problème de transport se modélise sous la forme:
et à la PL
min x11 + 4x12 + 9x13 + 6x21 + 8x22 + 4x23

2 . Méthodes de
résolution x11 + x12 + x13 £ 200
x21 + x22 + x23 £ 500
x11 + x21 ³ 200
3 . Dualité en PL
x12 + x22 ³ 400
x13 + x23 ³ 100
x11 , x21 , x12 , x22 , x13 , x23 ³ 0
24
Méthode de résolution:
Chapitre 2 Algorithme de simplexe et ses
variantes

Solution: Classification des programmes linéaire
1.Introduction à
la modélisation  Programmes Linéaire continus: La fonction objective et les contraintes sont
et à la PL toutes linéaires + le domaine des variables est continu
2 . M éthodes de
résolution
 Programmes Linéaire en nombre entiers: La fonction objective et les
contraintes sont toutes linéaires + le domaine des variables est un sous
ensemble de ℕ
3 . Dualité en PL
 Programmes non linéaire : La fonction objective et ou les contraintes sont

non linéaires + le domaine des variables est un sous ensemble de ℝ
 Programmes mixte: La fonction objective et les contraintes sont toutes

linéaires + le domaine des variables est un sous ensemble de ℕ et ou de ℝ
26
Solution: Méthode graphique pour la résolution des PL
1.Introduction à
la modélisation On pose 𝑋 = 𝑥 ∈ ℝ𝑛 𝑡𝑒𝑙𝑙𝑒 𝑞𝑢𝑒 𝐴1 𝑥 ≤ 𝑏1 ; 𝐴2 𝑥 ≥ 𝑏2 , 𝐴3 𝑥 = 𝑏3 comme étant
et à la PL l’ensembles des contraintes
2 . M éthodes de
résolution
Définitions
 X s’appelle la région des solutions admissibles qui est un polyèdre

3 . Dualité en PL  Une solution admissible est un point de ℝ𝑛 qui satisfait toutes les contraintes:
c’est une solution réalisable
 Une solution optimale est une solution admissible qui optimise la fonction
objective.
27
1.Introduction à  Considérons le programme linéaire (PL) sous forme canonique:

la modélisation
et à la PL n Avec :
max z = å ci xi
c = (ci )i=1...n
2 . M éthodes de
i=1
max z = cT x
n x = (xi )i=1...n
résolution å aij x j £ bi "i Î{1, ... , m} Ax £ b
A = (aij )i=1...n
j=1
x³0 j=1...m
xj ³ 0 "j Î{1, ... , n}
b = (bi )i=1...m
3 . Dualité en PL
Notons D = {x ÎRn / Ax £ b, x ³ 0} l’ensemble des solutions réalisables de PL, on dit

que D est un polyèdre
Polyèdre Polyèdre non borné

borné
28
1.Introduction à
la modélisation
et à la PL
Exemple
( P) : max 20x1 + 30x2
2 . M éthodes de
résolution x1 + 3x2 £ 18
x1 + x2 £ 8
2x1 + x2 £ 14
3 . Dualité en PL
x1 , x2 ³ 0
Représenter graphiquement le polyèdre associé aux solutions réalisables du

programme (P)
29
Solution:
Méthode graphique pour la résolution des PL
max 20x1 + 30x2
1.Introduction à x1 + 3x2 £ 18
13
la modélisation x1 + x2 £ 8
et à la PL 12
2x1 + x2 £ 14
11
2 . M éthodes de x1 , x2 ³ 0
résolution 10
9
3 . Dualité en PL 8
7
6
5
4
3
2
1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
30
Solution:
max 20x1 + 30x2
13
et à la PL 12
2x1 + x2 £ 14
11
2 . M éthodes de x1 + 3x2 = 18 x1 , x2 ³ 0
résolution 10
9
7
(0, 6)
6
5
(6, 4)
4
3
2
1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
31
Solution:
max 20x1 + 30x2
13
et à la PL 12
2x1 + x2 £ 14
11
2 . M éthodes de x1 + 3x2 = 18 x1 , x2 ³ 0
résolution 10
9
7
(0, 6)
6
5
(6, 4)
4
3
2
1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
32
Solution:
max 20x1 + 30x2
1.Introduction à
13 x1 + 3x2 £ 18
la modélisation
et à la PL 12 x1 + x2 £ 8
11 2x1 + x2 £ 14
2 . M éthodes de x1 + x2 = 8
résolution 10
x1 , x2 ³ 0
9
8 (0, 8)
3 . Dualité en PL
7
(0, 6)
6
5
(6, 4)
4
3
2
1
(8, 0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
33
Solution:
max 20x1 + 30x2
1.Introduction à
13 x1 + 3x2 £ 18
la modélisation
et à la PL 12 x1 + x2 £ 8
11 2x1 + x2 £ 14
2 . M éthodes de x1 + x2 = 8
résolution 10
x1 , x2 ³ 0
9
8 (0, 8)
3 . Dualité en PL
7
(0, 6)
6
5
(6, 4)
4
3
2
1
(8, 0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
34
Solution:
max 20x1 + 30x2
x1 + 3x2 £ 18
1.Introduction à
13
et à la PL 12 (1, 12)
2x1 + x2 £ 14
11
2 . M éthodes de 2x1 + x2 = 14 x1 , x2 ³ 0
résolution 10 (2, 10)
9
8 (0, 8)
3 . Dualité en PL
7
(0, 6)
6
5
(6, 4)
4
3
2
1
(8, 0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
35
Solution:
max 20x1 + 30x2
x1 + 3x2 £ 18
1.Introduction à
13
et à la PL 12 (1, 12)
2x1 + x2 £ 14
11
résolution 10 (2, 10)
9
8 (0, 8)
3 . Dualité en PL
7
(0, 6)
6 Le polyèdre qui représente le domaine réalisable D
5
(6, 4)
4
3
2
1
(8, 0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
36
Solution:
1.Introduction à
la modélisation
et à la PL  Considérons le programme linéaire (PL) sous forme canonique:
n Avec :
2 . M éthodes de max z = å ci xi
c = (ci )i=1...n
résolution i=1
max z = cT x
n x = (xi )i=1...n
åa x ij j
£ bi "i Î{1, ... , m} Ax £ b
A = (aij )i=1...n
3 . Dualité en PL
j=1
x³0 j=1...m
xj ³ 0 "j Î{1, ... , n}
b = (bi )i=1...m
Notons D = {x ÎRn / Ax £ b, x ³ 0} l’ensemble des solutions réalisables de PL, on

dit que D est un polyèdre
Propriété:
L’ensemble D est un polyèdre convexe
37
Solution:
1.Introduction à
la modélisation
et à la PL Rappel: Un ensemble C est convexe si " x, y ÎC "a Î[0,1] on a a x + (1- a ) y ÎC
2 . M éthodes de
résolution Autrement dit un ensemble C est convexe si et seulement si tout segment de
droite reliant deux points de C est entièrement contenu dans C
3 . Dualité en PL
A
Convexe
Non
convexe
38
Solution:
1.Introduction à
la modélisation  Soit D un polyèdre. Un point x ÎD est un point extrême de D si on ne peut pas
et à la PL
l’exprimer comme combinaison convexe de deux autres points de D
2 . M éthodes de
résolution  Soit D un polyèdre. Un point x ÎD est un point extrême de D si on ne peut pas
trouver deux points y et z dans D, différents de x, et un scalaire a Î[0,1] tels que
3 . Dualité en PL
x = a y + (1- a )z
39
Solution:
1.Introduction à
la modélisation
et à la PL Soit D un polyèdre borné qui a un nombre fini n de points extrêmes (y1, y2, …, yn). Tout
point de D est une combinaison linéaire convexe des points extrêmes de D
2 . M éthodes de
résolution n n
"x ÎD x = å lk yk avec lk ³ 0, ål k
=1
k=1 k=1
3 . Dualité en PL
Théorème
L’optimum d’une fonction objective sur un polyèdre borné D est atteint en au
moins un point extrême
40
Solution:
max 20x1 + 30x2
13
et à la PL 12
2x1 + x2 £ 14
11
résolution 10
9
7
(0, 6)
6
(3, 5)
5
4
3
(6, 2)
2
1
(7, 0)
(0, 0) 12 13 14 15 16 17 18 19
1 2 3 4 5 6 7 8 9 10 11
-1
41
Solution:
max 20x1 + 30x2
x1 + 3x2 £ 18
1.Introduction à 13
et à la PL 12 2x1 + x2 £ 14
11
x1 , x2 ³ 0
2 . M éthodes de
résolution 10
 Représenter un niveau de la droite de la fonction objectif qui a au moins un
9
point d’intersection avec le domaine réalisable
8
3 . Dualité en PL  Translater ce niveau de la droite de la fonction objectif selon la direction de
7 son gradient jusqu’à toucher le dernier point du domaine réalisable
(0, 6)
6
(3, 5)
5
4
3
(6, 2)
2
1
(7, 0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
-1
42
Solution:
max 20x1 + 30x2
x1 + 3x2 £ 18
la modélisation f (x1 , x2 ) = 20x1 + 30x2 x1 + x2 £ 8
et à la PL 12
¶f ¶f 2x1 + x2 £ 14
11 Ñf (x1 , x2 ) = ( , )
2 . M éthodes de
¶x1 ¶x2 x1 , x2 ³ 0
résolution 10 Ñf (x1 , x2 ) = (20,30) = 10 (2,3)
9
8
3 . Dualité en PL  Translater ce niveau de la droite de la fonction objective selon la
7
(0, 6) direction de son gradient jusqu’à toucher le dernier point du
6
(3, 5)
5
domaine réalisable
3
(6, 2)
2
1
(7, 0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
-1
43
Solution:
max 20x1 + 30x2
x1 + 3x2 £ 18
et à la PL 12
2x1 + x2 £ 14
11
résolution 10
9
8
3 . Dualité en PL
7
(0, 6)
6
(3, 5)
5
4
3
(6, 2)
2
1
(7, 0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
-1
44
Solution:
max 20x1 + 30x2
x1 + 3x2 £ 18
et à la PL 12
2x1 + x2 £ 14
11
résolution 10
9
8
3 . Dualité en PL
7
(0, 6)
6
(3, 5)
5
4
3
(6, 2)
2
1
(7, 0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
-1
45
Solution:
max 20x1 + 30x2
x1 + 3x2 £ 18
et à la PL 12
2x1 + x2 £ 14
11
résolution 10
9
8
3 . Dualité en PL
7
(0, 6)
6
(3, 5)
5
Solution optimale (3,5)
3
(6, 2)
2
1
(7, 0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
-1
46
Solution:
1.Introduction à Les étapes de la résolution graphique

la modélisation
et à la PL
1. Construire un repère cartésien
2 . M éthodes de
résolution 2. Représenter les différentes contraintes
3. Déterminer le domaine réalisable

3 . Dualité en PL
4. Représenter un niveau de la droite de la fonction objectif qui a au moins
un point d’intersection avec le domaine réalisable
5. Translater ce niveau de la droite de la fonction objective selon la direction
de son gradient Ñf (x1, x2 ) = ( ¶f , ¶f ) jusqu’à toucher le dernier point du

¶x1 ¶x2
domaine réalisable
47
Solution:
1.Introduction à
la modélisation Exemples
et à la PL
2 . M éthodes de
résolution Résoudre graphiquement les programmes linéaires suivants:
max 2x1 + 2x2 max 3x1 + 6x2

3 . Dualité en PL x1 + x2 £ 8 2x1 + x2 ³ 12
x1 + 2x2 £ 12 x1 + x2 £ 4
x1 , x2 ³ 0 x1 , x2 ³ 0
48
Solution:
1.Introduction à
max 2x1 + 2x2
13
et à la PL 12
x1 + 2x2 £ 12
11
résolution 10
9
7
6
5
4
3
2
1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
49
Solution:
1.Introduction à max 2x1 + 2x2

13
et à la PL 12
x1 + 2x2 £ 12
11
résolution 10
9
(0, 8)
7
6
5
4
3
2
1 (8, 0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
50
Solution:
1.Introduction à
13 max 2x1 + 2x2
la modélisation
et à la PL 12 x1 + x2 £ 8
11 x1 + 2x2 £ 12
2 . M éthodes de
résolution 10
x1 , x2 ³ 0
9
(0, 8)
(0,
7 6)
6
5
4
3
2
(12, 0)
1 (8, 0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
51
Solution:
max 2x1 + 2x2
1.Introduction à x1 + x2 £ 8
13
la modélisation
et à la PL x1 + 2x2 £ 12
12
x1 , x2 ³ 0
11
2 . M éthodes de
résolution 10
9
7
(0, 6)
6
5
(4, 4)
4
3
2
1
(8, 0)
(0, 0) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
(1, -1) 52
Solution:
max 2x1 + 2x2
13
la modélisation
et à la PL f (x1 , x2 ) = 2x1 + 2x2 x1 + 2x2 £ 12
12
¶f ¶f x1 , x2 ³ 0
11 Ñf (x1 , x2 ) = ( , )
2 . M éthodes de ¶x1 ¶x2
résolution 10 Ñf (x1 , x2 ) = (2,2)
9
7
(0, 6)
6
5
(4, 4)
4
3
2
1
(8, 0)
(0, 0) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
(1, -1) 53
Solution:
max 2x1 + 2x2
13
la modélisation
et à la PL x1 + 2x2 £ 12
12
x1 , x2 ³ 0
11
2 . M éthodes de
résolution 10
9
7
(0, 6)
6
5
(4, 4)
4
3
2
1
(8, 0)
(0, 0) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
54
Solution:
max 2x1 + 2x2
13
la modélisation
et à la PL x1 + 2x2 £ 12
12
x1 , x2 ³ 0
11
2 . M éthodes de
résolution 10
9
7
(0, 6)
6
5
(4, 4)
4
3
2
1
(8, 0)
(0, 0) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
55
Solution:
max 2x1 + 2x2
13
la modélisation
et à la PL x1 + 2x2 £ 12
12
x1 , x2 ³ 0
11
2 . M éthodes de
résolution 10
9
7
(0, 6)
6
5
(4, 4)
4
3
2
1
(8, 0)
(0, 0) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
56
Solution:
max 2x1 + 2x2
13
la modélisation
et à la PL x1 + 2x2 £ 12
12
x1 , x2 ³ 0
11
2 . M éthodes de
résolution 10
9
7
(0, 6)
6
Une infinité de solutions présentées par
5
le segment [A,B]
A= (4, 4)
4
3
2
1
B= (8, 0)
(0, 0) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
57
Méthode graphique pour la résolution des PL max 3x1 + 6x2
Solution:
Domaine réalisable est vide x1 + x2 £ 4
 Problème impossible 2x1 + x2 ³ 12
1.Introduction à
la modélisation
13
(0, 12) x1 , x2 ³ 0
et à la PL 12
11
2 . M éthodes de
résolution 10
9
7
6
5
4
3 (5, 2)
2
1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
58
Solution: Exercice
1.Introduction à
la modélisation
et à la PL
2 . M éthodes de
résolution
3 . Dualité en PL
59
Solution:
Méthode de simplexe
1.Introduction à
la modélisation
et à la PL  L’algorithme du simplexe est la méthode la plus utilisée pour résoudre les
2 . M éthodes de programmes linéaires. Il a été mis au point par le mathématicien américain

résolution
George Dantzig en 1947. Cet algorithme a fait l’objet de certaines articles

3 . Dualité en PL
scientifiques et a servi à la résolution de nombreux modèles linéaires
 L’algorithme du simplexe existe en deux versions:
 Algorithme de simplexe algébrique
 Algorithme de simplexe tabulaire
60
Solution:
1.Introduction à Phase I : procédure d’initialisation

la modélisation
et à la PL
Déterminer un premier point extrême de la région
réalisable D. Si cette procédure échoue, cela signifie
2 . M éthodes de que la région réalisable D est vide ;
résolution
3 . Dualité en PL
Domaine
réalisable D
61
Solution:

la modélisation
et à la PL
résolution
3 . Dualité en PL
Domaine
réalisable D
62
Solution:

la modélisation
et à la PL
résolution
3 . Dualité en PL Phase II : procédure itérative

Passer d’un point extrême de D à un autre point Domaine
réalisable D
extrême voisin de D, de façon à améliorer chaque fois
la valeur de la fonction objectif ;
63
Solution:

la modélisation
et à la PL
résolution
3 . Dualité en PL Phase II : procédure itérative

Passer d’un point extrême de D à un autre point Domaine
réalisable D
extrême voisin de D, de façon à améliorer chaque fois
la valeur de la fonction objectif ;
Phase III: procédure d’arrêt

Le test d’arrêt permet de savoir si l’on doit passer vers
un nouveau point extrême, ou si l’on doit arrêter le
calcul
64
Solution:
Pour présenter l’algorithme de simplexe, nous commençons par la définition des notions
1.Introduction à
la modélisation suivantes:
et à la PL
2 . M éthodes de
résolution  Base d’un système d’équations linéaires
 Solution de base associée à une base d’un système d’équations linéaires

3 . Dualité en PL
 Solution de base réalisable associée à une base d’un système d’équations linéaires
65
Solution:
1. Base d’un système d’équations linéaires
1.Introduction à Soit Ax = b un système d’équations linéaires avec A est une matrice de dimension m×n
la modélisation
et à la PL Toute sous matrice inversible de A de dimension m×m est une base du système
2 . M éthodes de
résolution Exemple
Ax = b
max 20x1 + 30x2 max 20x1 + 30x2

3 . Dualité en PL
x1 + 3x2 + y1 = 18
x1 + 3x2 £ 18 x1 + 3x2 + y1 = 18
x1 + x2 + y2 = 8
x1 + x2 £ 8 x1 + x2 + y2 = 8
2x1 + x2 + y3 = 14
2x1 + x2 £ 14 2x1 + x2 + y3 = 14
x1 , x2 ³ 0 x1 , x2 , y1 , y2 , y3 ³ 0
æ 1 3 ö
æ 1 3 1 0 0 ö æ 1 0 0 ö
Est une sous matrice N =ç 1 1 ÷
A=ç 1 1 0 1 0 ÷ B=ç 0 1 0 ÷ ç ÷
çè 2 1 ÷ø
ç ÷ ç ÷ inversible de A de
çè 2 1 0 0 1 ÷ø çè 0 0 1 ÷ø dimension 3×3
Matrice hors base
Þ B est une base
66
Solution:
1. Base d’un système d’équations linéaires
1.Introduction à Soit Ax = b un système d’équations linéaires avec A est une matrice de dimension m×n
la modélisation
et à la PL Toute sous matrice inversible de A de dimension m×m est une base du système
Exemple
2 . M éthodes de
résolution
max 20x1 + 30x2 max 20x1 + 30x2 Ax = b
x1 + 3x2 £ 18 x1 + 3x2 + y1 = 18
3 . Dualité en PL
x1 + x2 £ 8 x1 + x2 + y2 = 8 x1 + 3x2 + y1 = 18
2x1 + x2 £ 14 2x1 + x2 + y3 = 14 x1 + x2 + y2 = 8
x1 , x2 ³ 0 x1 , x2 , y1 , y2 , y3 ³ 0 2x1 + x2 + y3 = 14
Variables hors base xN Variables de base xB

æ 1 0 0 ö æ 1 3 ö
æ x1 x2 y1 y2 y3 ö B=ç 0 1 0 ÷ N =ç 1 1 ÷
ç ÷ ç ÷ ç ÷
çè 0 0 1 ÷ø çè 2 1 ÷ø
A=ç 1 3 1 0 0 ÷
ç 0 ÷ Matrice hors base
ç
1 1 0 1
÷ Matrice base
è 2 1 0 0 1 ø
cN = (20 30) cB = (0 0 0 )
67
Solution:
2. Solution de base associée à la base B d’un système d’équations linéaires
1.Introduction à
la modélisation
et à la PL
On a xB = B-1b - B-1 N xN
2 . M éthodes de
résolution On dit que x = [ xN x B ] est solution de base associée à la base B si xN = 0
3 . Dualité en PL Dans l’exemple précèdent, on a trouvé:
y1 = 18 - x1 - 3x2
y2 = 8 - x1 - x2
y3 = 14 - 2x1 - x2
æ y ö æ ö
æ x1 ö æ 0ö ç ÷ ç 18
1
÷ Þ ( 0 0 18 8 14) est une solution de base
x N = 0 Þ ç ÷ = ç ÷ Þ ç y2 ÷ = 8
÷ çç 14 ÷ associée à la base B
è x2 ø è 0 ø ç ÷ø
çè y3 ÷ø è
68
Solution:
3. Solution de base réalisable associée à la base B d’un système d’équations linéaires
1.Introduction à
la modélisation On dit que x = [ xN x B ] est solution de base réalisable associée à la base B si toutes les
et à la PL
composantes de x sont positives
2 . M éthodes de
résolution y1 = 18 - x1 - 3x2
y2 = 8 - x1 - x2
y3 = 14 - 2x1 - x2
3 . Dualité en PL
æ y ö æ ö
æ x1 ö æ 0ö ç 1 ÷ ç 18 ÷
x N = 0 Þ ç ÷ = ç ÷ Þ ç y2 ÷ = 8
è x 2 ø è 0ø ç ÷ çè 14 ÷
ø
çè y3 ÷ø
Þ ( 0 0 18 8 14) est une solution de base réalisable associée à la base B
L’ensemble de solutions de base réalisables représente l’ensemble de points extrêmes
69
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation
Étape 1. Initialisation max 20x1 + 30x2 max 20x1 + 30x2
 Écrire le programme linéaire sous forme standard : Déterminer une base B;
x1 + 3x2 £ 18 x1 + 3x2 + y1 = 18
Préciser les variables de base et les variables hors base
x1 + x2 £ 8 x1 + x2 + y2 = 8
 Construire le tableau associé à la base B:
Étape 2. Choix de la variable entrante 2x1 + x2 £ 14 2x1 + x2 + y3 = 14
 Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la x1 , x2 ³ 0 x1 , x2 , y1 , y2 , y3 ³ 0
solution actuelle est optimale æ x x2 y1 y2 y3 ö æ y y2 y3 ö
 Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la ç 1 ÷ ç 1
÷
variable hors base affectée au coefficient positif le plus élevé A=ç 1 3 1 0 0 ÷ B=ç 1 0 0 ÷
ç 1 1 0 1 0 ÷ ç 0 1 0 ÷
Étape 3. Choix de la variable sortante ç ÷ ç ÷
 Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la è 2 1 0 0 1 ø è 0 0 1 ø
æ x æ 20 ö
base, c’est celle pour laquelle on a: x2 ö ç ÷
ì
ï li ü
ï ç 1 ÷ æ 18 ö
ai > 0, i = 1,..., m ý ç 30 ÷
min í , N =ç 1 3 ÷ b=ç 8 ÷ c=ç 0 ÷
î ai
ï ï
þ ç 1 1 ÷ ç ÷
ç 0 ÷
Où λi sont les coefficients de la dernière colonne et ai sont les ç ÷ è 14 ø
è 2 1 ø ç ÷
coefficients de la variable entrante. Si tous les ai sont inférieurs è 0 ø
ou égale à 0, alors la solution est non bornée æ y1 ö
ç ÷ æx ö
 Encadrer le pivot P qui représente l’intersection entre la colonne de la variable x B = ç y2 ÷ xN = ç 1 ÷
è x2 ø Construire le tableau
entrante et la ligne de la variable sortante ç
è y3 ÷
ø initial
Étape 4. Calcul de nouveau tableau par les deux règles suivantes:
Variables hors base xN Variables de
base xB
Variables de B-1 N = N I B-1 b = b
ligne pivot base xB
ligne pivot =
P (Retourner à l’étape 2)
ai
lignei = lignei - ligne pivot (i ¹ pivot) ΔN = cNT– cBT B-1 N = cNT 0 z- cBT B-1b = z
P RAMCHOUN Hassan cours RO-OG 2022/2023 70 - 0
æ x x2 y1 y2 y3 ö æ y y2 y3 ö
 Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser ç 1 ÷ ç 1
÷
les variables de base et les variables hors base A=ç 1 3 1 0 0 ÷ B=ç 1 0 0 ÷
 Construire le tableau associé à la base B: ç 1 1 0 1 0 ÷ ç 0 1 0 ÷
ç ÷ ç ÷
Étape 2. Choix de la variable entrante è 2 1 0 0 1 ø è 0 0 1 ø
 Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution æ x æ 20 ö
x2 ö ç ÷
actuelle est optimale ç 1 ÷ æ 18 ö
ç 30 ÷
 Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la N =ç 1 3 ÷ b=ç 8 ÷ c=ç 0 ÷
ç 1 ç ÷
variable hors base affectée au coefficient positif le plus élevé ç 1 ÷÷ ç
è 14 ÷
ø ç 0 ÷
è 2 1 ø ç ÷
Étape 3. Choix de la variable sortante è 0 ø
 Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base, æ y1 ö
c’est celle pour laquelle on a: ç ÷ æx ö
x B = ç y2 ÷ xN = ç 1 ÷
ì
ï li ü
ï ç è x2 ø
min í , ai > 0, i = 1,..., m ý è y1 ÷
ø
î ai
ï ï
þ
Où λi sont les coefficients de la dernière colonne et ai sont les Variables hors base Variables de base
coefficients de la variable entrante. Si tous les ai sont inférieurs xN xB
ou égale à 0, alors la solution est non bornée Variables de N I b
 Encadrer le pivot P qui représente l’intersection entre la colonne de la variable base xB
entrante et la ligne de la variable sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes: cN 0 z-0
x1 x2 y1 y2 y3
ligne pivot
ligne pivot = y1 1 3 1 0 0 18
P (Retourner à l’étape 2) y2 1 1 0 1 0 8
ai y3 2 1 0 0 1 14
lignei = lignei - ligne pivot (i ¹ pivot)
P RAMCHOUN Hassan cours RO-OG 2022/2023 20 30 0 0 0 71z - 0
Étape 2. Choix de la variable entrante
Étape 1. Initialisation x1 x2 y1 y2 y3
 Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les y1 1 3 1 0 0 18
variables de base et les variables hors base y2 1 1 0 1 0 8
 Construire le tableau associé à la base B: y3 2 1 0 0 1 14
Étape 2. Choix de la variable entrante 20 30 0 0 0 z-0
 Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution
actuelle est optimale Variable entrante est x2
 Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
hors base affectée au coefficient positif le plus élevé
Étape 3. Choix de la variable sortante
 Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base,
c’est celle pour laquelle on a:
ì
ï li ü
ï
min í , ai > 0, i = 1,..., m ý
î ai
ï ï
þ
Où λi sont les coefficients de la dernière colonne et ai sont les
coefficients de la variable entrante. Si tous les ai sont inférieurs
ou égale à 0, alors la solution est non bornée
 Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante
et la ligne de la variable sortante
ligne pivot
ligne pivot =
P
ai
lignei = lignei - ligne pivot (i ¹ pivot) (Retourner à l’étape 2)
P RAMCHOUN Hassan cours RO-OG 2022/2023 72
Étape 1. Initialisation x1 x2 y1 y2 y3
 Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les
y1 1 3 1 0 0 18
 Construire le tableau associé à la base B: y3 2 1 0 0 1 14
actuelle est optimale
Variable entrante est x2
ì
ïl ü
ï
min í i , ai > 0, i = 1,..., m ý
î ai
ï ï
þ
ligne pivot
ligne pivot =
P
ai (Retourner à l’étape 2)
x1 x2 y1 y2 y3
 Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les y1 1 3 1 0 0 18 6
y2 1 1 0 1 0 8 8
variables de base et les variables hors base y3 2 1 0 0 1 14 14
20 30 0 0 0 z-0
c’est celle pour laquelle on a: ì
ï li ü
ï
min í , ai > 0, i = 1,..., m ý
î ai
ï ï
þ

ligne pivot
ligne pivot =
P
a
lignei = lignei - i ligne pivot (i ¹ pivot) (RetournerHassan
à l’étape 2) RO-OG
P RAMCHOUN cours 2022/2023 74
x1 x2 y1 y2 y3
 Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les y1 1 3 1 0 0 18 6 y1
variables de base et les variables hors base y2 1 1 0 1 0 8 8 Variable
y3 2 1 0 0 1 14 14 sortante
ì
ï li ü
ï
min í , ai > 0, i = 1,..., m ý
î ai
ï ï
þ
ligne pivot
ligne pivot =
P
x1 x2 y1 y2 y3
 Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les y1 1 3 1 0 0 18 6 y1
8 Variable
y3 2 1 0 0 1 14 14 sortante
ì
ï li ü
ï
min í , ai > 0, i = 1,..., m ý
î ai
ï ï
þ
ligne pivot
ligne pivot =
P
 Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les x1 x2 y1 y2 y3
variables de base et les variables hors base y1
y1 1 3 1 0 0 18 6
 Construire le tableau associé à la base B: Variable
y2 1 1 0 1 0 8 8
Étape 2. Choix de la variable entrante y3 2 1 0 0 1 14 14 sortante
 Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution 20 30 0 0 0 z-0
Étape 4. Construire le nouveau tableau
ì
ï li ü
ï x1 x2 y1 y2 y3
min í , ai > 0, i = 1,..., m ý
î ai
ï ï
þ
Où λi sont les coefficients de la dernière colonne et ai sont les x2 1/3 1 1/3 0 0 6
coefficients de la variable entrante. Si tous les ai sont inférieurs y2 2/3 0 -1/3 1 0 2
ou égale à 0, alors la solution est non bornée y3 5/3 0 -1/3 0 1 8
 Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante 10 0 -10 0 0 z-180
ligne pivot
ligne pivot =
ai
y1 1 3 1 0 0 18 6
y2 1 1 0 1 0 8 8
ì
ï li ü
ï x1 x2 y1 y2 y3
min í , ai > 0, i = 1,..., m ý
î ai
ï ï
þ
ligne pivot
ligne pivot =
ai
y1 1 3 1 0 0 18 6
y2 1 1 0 1 0 8 8
ì
ï li ü
ï x1 x2 y1 y2 y3
min í , ai > 0, i = 1,..., m ý
î ai
ï ï
þ
ligne pivot
ligne pivot =
ai
y1 1 3 1 0 0 18 6
y2 1 1 0 1 0 8 8
ì
ï li ü
ï x1 x2 y1 y2 y3
min í , ai > 0, i = 1,..., m ý
î ai
ï ï
þ L1
Où λi sont les coefficients de la dernière colonne et ai sont les x2 1/3 1 1/3 0 0 6 L1 =
coefficients de la variable entrante. Si tous les ai sont inférieurs y2 2/3 0 -1/3 1 0 2 3
ligne pivot
ligne pivot =
ai
y1 1 3 1 0 0 18 6
y2 1 1 0 1 0 8 8
x1 x2 y1 y2 y3
ì L1
ïl ü
ï L1 =
min í i , ai > 0, i = 1,..., m ý x2 1/3 1 1/3 0 0 6
3
î ai
ï ï
þ y2 2/3 0 -1/3 1 0 2
Où λi sont les coefficients de la dernière colonne et ai sont les y3 5/3 0 -1/3 0 1 8
coefficients de la variable entrante. Si tous les ai sont inférieurs 10 0 -10 0 0 z-180
ligne pivot
ligne pivot =
P
a
y1 1 3 1 0 0 18 6
y2 1 1 0 1 0 8 8
x1 x2 y1 y2 y3
ì
ïl ü
ï
min í i , ai > 0, i = 1,..., m ý x2 1/3 1 1/3 0 0 6
L1
î ai
ï ï
þ y2 2/3 0 -1/3 1 0 2 L2 = L2 -
Où λi sont les coefficients de la dernière colonne et ai sont les y3 5/3 0 -1/3 0 1 8 3
coefficients de la variable entrante. Si tous les ai sont inférieurs 10 0 -10 0 0 z-180
ligne pivot
ligne pivot =
P
a
y1 1 3 1 0 0 18 6
y2 1 1 0 1 0 8 8
ì
ï li ü
ï x1 x2 y1 y2 y3
min í , ai > 0, i = 1,..., m ý
î ai
ï ï
þ
L1
coefficients de la variable entrante. Si tous les ai sont inférieurs y2 2/3 0 -1/3 1 0 2 L2 = L2 -
ou égale à 0, alors la solution est non bornée y3 5/3 0 -1/3 0 1 8 3
ligne pivot
ligne pivot =
ai
y1 1 3 1 0 0 18 6
y2 1 1 0 1 0 8 8
ì
ï li ü
ï x1 x2 y1 y2 y3
min í , ai > 0, i = 1,..., m ý
î ai
ï ï
þ
L1
ou égale à 0, alors la solution est non bornée y3 5/3 0 -1/3 0 1 8 L3 = L3 -
3
ligne pivot
ligne pivot =
ai
y1 1 3 1 0 0 18 6
y2 1 1 0 1 0 8 8
ì
ï li ü
ï x1 x2 y1 y2 y3
min í , ai > 0, i = 1,..., m ý
î ai
ï ï
þ
L1
ou égale à 0, alors la solution est non bornée y3 5/3 0 -1/3 0 1 8 L3 = L3 -
3
ligne pivot
ligne pivot =
ai
y1 1 3 1 0 0 18 6
y2 1 1 0 1 0 8 8
ì
ï li ü
ï x1 x2 y1 y2 y3
min í , ai > 0, i = 1,..., m ý
î ai
ï ï
þ
 Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante 10 0 -10 0 0 z-180 L4 = L4 -10L1
ligne pivot
ligne pivot =
ai
y1 1 3 1 0 0 18 6
y2 1 1 0 1 0 8 8
ì
ï li ü
ï x1 x2 y1 y2 y3
min í , ai > 0, i = 1,..., m ý
î ai
ï ï
þ
 Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante 10 0 -10 0 0 z-180 L4 = L4 -10L1
ligne pivot
ligne pivot =
ai
y1 1 3 1 0 0 18 6
y2 1 1 0 1 0 8 8
ì
ï li ü
ï x1 x2 y1 y2 y3
min í , ai > 0, i = 1,..., m ý
î ai
ï ï
þ
ligne pivot
ligne pivot =
ai
y1 1 3 1 0 0 18 6
y2 1 1 0 1 0 8 8
ì
ï li ü
ï x1 x2 y1 y2 y3
min í , ai > 0, i = 1,..., m ý
î ai
ï ï
þ
x1 y1 x2 y2 y3
ligne pivot x2 1/3 1/3 1 0 0 6

ligne pivot = y2 2/3 -1/3 0 1 0 2
y3 5/3 -1/3 0 0 1 8
ai
lignei = lignei - ligne pivot (i ¹ pivot) 10 -1 0 0 0 0 z-180
Étape 1. Initialisation Nouveau tableau
 Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les x1 y1 x2 y2 y3
variables de base et les variables hors base
 Construire le tableau associé à la base B: x2 1/3 1/3 1 0 0 6
Étape 2. Choix de la variable entrante y2 2/3 -1/3 0 1 0 2
 Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution y3 5/3 -1/3 0 0 1 8
actuelle est optimale 10 -1 0 0 0 0 z-180
Retourner à l’étape 2
 Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base, x1 y1 x2 y2 y3
ì
ï li ü
ï
min í , ai > 0, i = 1,..., m ý x2 1/3 1/3 1 0 0 6
î ai
ï ï
þ y2 2/3 -1/3 0 1 0 2
Où λi sont les coefficients de la dernière colonne et ai sont les y3 5/3 -1/3 0 0 1 8
coefficients de la variable entrante. Si tous les ai sont inférieurs 10 -1 0 0 0 0 z-180
 Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante Variable entrante est x2
ligne pivot
ligne pivot =
ai
ì
ï li ü
ï
min í , ai > 0, i = 1,..., m ý x2 1/3 1/3 1 0 0 6
î ai
ï ï
þ y2 2/3 -1/3 0 1 0 2
Où λi sont les coefficients de la dernière colonne et ai sont les y3 5/3 -1/3 0 0 1 8
ligne pivot
ligne pivot =
ai
ì
ïl ü
ï x2 1/3 1/3 1 0 0 6 18
min í i , ai > 0, i = 1,..., m ý
y2 2/3 -1/3 0 1 0 2
î ai ï
ï þ 3
Où λi sont les coefficients de la dernière colonne et ai sont les y3 5/3 -1/3 0 0 1 8 24/5
ligne pivot
ligne pivot =
ai
ì
ï li ü
ï
min í , ai > 0, i = 1,..., m ý x2 1/3 1/3 1 0 0 6 18
î ai
ï ï
þ y2 2/3 -1/3 0 1 0 2 3 y2
Où λi sont les coefficients de la dernière colonne et ai sont les y3 5/3 -1/3 0 0 1 8 24/5 Variable
sortante
ligne pivot
ligne pivot =
ai
ì
ïl ü
ï x2 1/3 1/3 1 0 0 6 18
min í i , ai > 0, i = 1,..., m ý
y2 2/3 -1/3 0 1 0 2
î ai
ï ï 3 y2
þ
sortante
ligne pivot
ligne pivot =
ai
ì
ï li ü
ï
min í , ai > 0, i = 1,..., m ý x2 1/3 1/3 1 0 0 6 18
î ai
ï ï
þ y2 2/3 -1/3 0 1 0 2 3 y2
sortante
ligne pivot
ligne pivot =
ai
ì
ï li ü
ï
min í , ai > 0, i = 1,..., m ý x2 1/3 1/3 1 0 0 6 18
î ai
ï ï
þ y2 2/3 -1/3 0 1 0 2 3 y2
sortante
Étape 4. Calcul de nouveau tableau par les deux règles suivantes: x1 y1 x2 y2 y3
x2 0 1/2 1 -1/2 0 5
ligne pivot x1 1 -1/2 0 3/2 0 3
ligne pivot = y3 0 -1/2 0 -5/2 1 3
0 -5 0 -15 0 -210
a
lignei = lignei - i ligne pivot (i ¹ pivot)
ì
ï li ü
ï
min í , ai > 0, i = 1,..., m ý x2 1/3 1/3 1 0 0 6 18
î ai
ï ï
þ y2 2/3 -1/3 0 1 0 2 3 y2
sortante
x2 0 1/2 1 -1/2 0 5
ligne pivot x1 1 -1/2 0 3/2 0 3
ligne pivot = y3 0 -1/2 0 -5/2 1 3
0 -5 0 -15 0 -210
a
ì
ï li ü
ï
min í , ai > 0, i = 1,..., m ý x2 1/3 1/3 1 0 0 6 18
î ai
ï ï
þ y2 2/3 -1/3 0 1 0 2 3 y2
sortante
x2 0 1/2 1 -1/2 0 5 3
ligne pivot x1 1 -1/2 0 3/2 0 3 L2 = L
ligne pivot = y3 0 -1/2 0 -5/2 1 3 2 2
0 -5 0 -15 0 -210
a
ì
ï li ü
ï
min í , ai > 0, i = 1,..., m ý x2 1/3 1/3 1 0 0 6 18
î ai
ï ï
þ y2 2/3 -1/3 0 1 0 2 3 y2
sortante
x2 0 1/2 1 -1/2 0 5 3
ligne pivot x1 1 -1/2 0 3/2 0 3 L2 = L
ligne pivot = y3 0 -1/2 0 -5/2 1 3 2 2
0 -5 0 -15 0 -210
a
ì
ï li ü
ï
min í , ai > 0, i = 1,..., m ý x2 1/3 1/3 1 0 0 6 18
î ai
ï ï
þ y2 2/3 -1/3 0 1 0 2 3 y2
sortante
1
x2 0 1/2 1 -1/2 0 5 L1 = L1 - L
2 2
ligne pivot x1 1 -1/2 0 3/2 0 3
ligne pivot = y3 0 -1/2 0 -5/2 1 3
0 -5 0 -15 0 -210
a
ì
ï li ü
ï
min í , ai > 0, i = 1,..., m ý x2 1/3 1/3 1 0 0 6 18
î ai
ï ï
þ y2 2/3 -1/3 0 1 0 2 3 y2
sortante
1
x2 0 1/2 1 -1/2 0 5 L1 = L1 - L
2 2
ligne pivot x1 1 -1/2 0 3/2 0 3
ligne pivot = y3 0 -1/2 0 -5/2 1 3
0 -5 0 -15 0 -210
a
ì
ïl ü
ï x2 1/3 1/3 1 0 0 6 18
min í i , ai > 0, i = 1,..., m ý
y2 2/3 -1/3 0 1 0 2 y2
î ai
ï ï
þ 3
sortante
x2 0 1/2 1 -1/2 0 5
ligne pivot x1 1 -1/2 0 3/2 0 3
5
ligne pivot = y3 0 -1/2 0 -5/2 1 3 L3 = L3 - L
P (Retourner à l’étape 2) 2 2
0 -5 0 -15 0 -210
a
ì
ï li ü
ï
min í , ai > 0, i = 1,..., m ý x2 1/3 1/3 1 0 0 6 18
î ai
ï ï
þ y2 2/3 -1/3 0 1 0 2 3 y2
sortante
x2 0 1/2 1 -1/2 0 5
ligne pivot x1 1 -1/2 0 3/2 0 3
5
ligne pivot = y3 0 -1/2 0 -5/2 1 3 L3 = L3 - L
P (Retourner à l’étape 2) 2 2
0 -5 0 -15 0 -210
a
ì
ï li ü
ï
min í , ai > 0, i = 1,..., m ý x2 1/3 1/3 1 0 0 6 18
î ai
ï ï
þ y2 2/3 -1/3 0 1 0 2 3 y2
sortante
x2 0 1/2 1 -1/2 0 5
ligne pivot x1 1 -1/2 0 3/2 0 3
ligne pivot = y3 0 -1/2 0 -5/2 1 3
0 -5 0 -15 0 -210 L4 = L4 - 15L2
a
ì
ï li ü
ï
min í , ai > 0, i = 1,..., m ý x2 1/3 1/3 1 0 0 6 18
î ai
ï ï
þ y2 2/3 -1/3 0 1 0 2 3 y2
sortante
x2 0 1/2 1 -1/2 0 5
ligne pivot x1 1 -1/2 0 3/2 0 3
ligne pivot = y3 0 -1/2 0 -5/2 1 3
0 -5 0 -15 0 z-210 L4 = L4 - 15L2
a
variables de base et les variables hors base x1 y1 x2 y2 y3
Étape 2. Choix de la variable entrante x2 0 1/2 1 -1/2 0 5
 Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution x1 1 -1/2 0 3/2 0 3
y3 0 -1/2 0 -5/2 1 3
0 -5 0 -15 0 z-210
ì
ï li ü
ï
min í , ai > 0, i = 1,..., m ý
î ai
ï ï
þ
ligne pivot
ligne pivot =
ai
y3 0 -1/2 0 -5/2 1 3
0 -5 0 -15 0 z-210
 Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base, y2 y1 x2 x1 y3
ì
ï li ü
ï x2 -1/2 1/2 1 0 0 5
min í , ai > 0, i = 1,..., m ý x1 3/2 -1/2 0 1 0 3
î ai
ï ï
þ y3 -5/2 -1/2 0 0 1 3
-15 -5 0 0 0 z-210
ou égale à 0, alors la solution est non bornée Retourner à l’étape 2
ligne pivot
ligne pivot =
ai
y3 0 -1/2 0 -5/2 1 3
0 -5 0 -15 0 z-210
ì
ï li ü
ï x2 -1/2 1/2 1 0 0 5
min í , ai > 0, i = 1,..., m ý x1 3/2 -1/2 0 1 0 3
î ai
ï ï
þ y3 -5/2 -1/2 0 0 1 3
-15 -5 0 0 0 z-210
Étape 4. Calcul de nouveau tableau par les deux règles suivantes: La condition d’arrêt est vérifiée
x1 = 3 x2 = 5 y1 = 0 y2 = 0 y3 = 3
Þ z = 210
ligne pivot
ligne pivot =
ai
y3 0 -1/2 0 -5/2 1 3
0 -5 0 -15 0 z-210
ì
ï li ü
ï x2 -1/2 1/2 1 0 0 5
min í , ai > 0, i = 1,..., m ý x1 3/2 -1/2 0 1 0 3
î ai
ï ï
þ y3 -5/2 -1/2 0 0 1 3
-15 -5 0 0 0 z-210
Étape 4. Calcul de nouveau tableau par les deux règles suivantes: La condition d’arrêt est vérifiée
x1 = 3 x2 = 5 y1 = 0 y2 = 0 y3 = 3
Þ z = 210
ligne pivot
ligne pivot =
P (Retourner à l’étape 2) (3, 5) est la solution optimale avec z = 210
ai
Solution:
Exercice
1.Introduction à Résoudre le programme linéaire suivant par la méthode

la modélisation
et à la PL tabulaire de simplexe
2 . M éthodes de 𝑀𝑎𝑥 𝑧 = 𝑥1 + 2𝑥2

résolution 𝑠𝑢𝑗𝑒𝑡 à
−3𝑥1 + 2𝑥2 + 𝑥3 = 2
(P)
−𝑥1 + 2𝑥2 + 𝑥4 = 4
3 . Dualité en PL 𝑥1 + 𝑥2 + 𝑥5 = 5
𝑥𝑖 ≥ 0
110
Solution:
Considérons le PL suivant
1.Introduction à
la modélisation 𝑀𝑎𝑥 𝑧 = 𝑥1 + 2𝑥2
et à la PL
𝑠𝑢𝑗𝑒𝑡 à
−3𝑥1 + 2𝑥2 + 𝑥3 = 2
2 . M éthodes de (P)
résolution −𝑥1 + 2𝑥2 + 𝑥4 = 4
𝑥1 + 𝑥2 + 𝑥5 = 5
𝑥𝑖 ≥ 0
3 . Dualité en PL Le tableau de Simplexe associé à ce programme avec x3, x4 et x5
sont des variables de base
Variable x1 x2 x3 x4 x5 b
de base
x3 -3 2 1 0 0 2
x4 -1 2 0 1 0 4
x5 1 1 0 0 1 5
-Z 1 2 0 0 0 0
111
Solution:
1.Introduction à La base précédente n’est pas optimal car les couts relatif des variables
la modélisation hors base sont strictement positifs, Choisissons comme variable entrante
et à la PL
dans la nouvelle base la variable hors base ayant le plus grand cout
2 . M éthodes de relatif c a d x2, Appliquons la règle du plus petit rapport pour trouver la
résolution variable sortante:
𝑏 2 4 5
𝜃 = 𝑀𝑖𝑛 𝑖 , 𝑎𝑖2 > 0 = 𝑀𝑖𝑛 , , =1
𝑎𝑖2 2 2 1
3 . Dualité en PL Donc la variable x3 quitte la base et sera remplacé par la variable x2,
après pivotage on obtient:
de base
x2 -3/2 1 1/2 0 0 1
x4 2 0 -1 1 0 2
x5 5/2 0 -1/2 0 1 4
-Z 4 0 -1 0 0 -2
112
Solution:
1.Introduction à
la modélisation La nouvelle solution de base est x2=1,
et à la PL
x4=2,x1=x3=0 et sont cout est z=2 Cette solution de
2 . M éthodes de base n’est pas optimale car c1=4 >0, La variable x1
résolution va donc entrer dans la base et x4 va quitter la base
3 . Dualité en PL de base
x2 0 1 -14 3/4 0 5/2

x1 1 0 -1/2 1/2 0 1
x5 0 0 3/4 -5/4 1 3/2
-Z 0 0 1 -2 0 -6
113
Solution:
1.Introduction à
la modélisation
et à la PL Variable x1 x2 x3 x4 x5 b
de base
2 . M éthodes de x2 0 1 0 1/3 1/3 3
résolution
x1 1 0 0 -1/3 2/3 2
x3 0 0 1 -5/3 -5/3 2
3 . Dualité en PL
-Z 0 0 0 -1/3 -4/3 -8
 La nouvelle solution de base est (x1,x2,x3,x4,x5)=(2,3,2,0,0) son

cout est 8
 Les cout réduit de toutes les variables sont négatifs ou nuls , cette
solution de base est optimale et l’algorithme se termine,
114

Recherche Opérationnelle: Parcours: 1 Année Cycle Ingénieur

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

Recherche Opérationnelle: Parcours: 1 Année Cycle Ingénieur

Transféré par

Droits d'auteur :

Formats disponibles

Parcours: 1er année cycle ingénieur

RAMCHOUN Hassan cours RO 2022/2023 1

Partie I: Programmation linéaire

2 Méthode de résolution: Algorithme de simplexe et ses variantes

3 Dualité en programmation linéaire

Partie II: Optimisation des réseaux

2 Algorithmes de plus cours chemin

3 Algorithmes de flot maximal

RAMCHOUN Hassan cours RO-OG 2022/2023 2

RAMCHOUN Hassan cours RO-OG 2022/2023 3

RAMCHOUN Hassan cours RO-OG 2022/2023 4

1.Introduction à  La recherche opérationnelle (RO) est l’ensemble des méthodes rationnelles

3 . Dualité en PL  RO est indispensable pour les futurs gestionnaires décideurs, responsables de

 L’optimisation joue un rôle essentiel dans la recherche opérationnelle car,

3 . Dualité en PL l’optimum pour des problèmes d’optimisation

 Mathématiques Appliquées (Algèbre, Probabilités, Optimisation, Théories de

L’application de la recherche opérationnelle à un problème réel consiste à :

2 . Méthodes de  La programmation linéaire permet de traiter des problèmes dans lesquels on

 Un programme linéaire est un problème mathématique qui consiste à optimiser

max 10x1 + 20x2 min 5x1 + 3x2 max 2x1x2 + 5x2

x1 + 3x2 £ 12 2x1 + x2 £ 12 3x1 + x2 £ 9

2x1 + x2 ³ 18 x1 + 4x2 ³ 18 2x1 + x2 ³ 18

3 . Dualité en PL xj ³ 0 "j Î{1, ... , n}

Max z = 5x1 - 3x2 Max z = 4x1 - x2

åa x = bi "i Î{1, ... , m}  Toutes les contraintes sont du type égal

Max z = 5x1 - 3x2

Ecrire sous forme standard le PL 𝑃1 et sous forme canonique le PL 𝑃2

Proposition : Equivalence entre forme standard et canonique

Les deux produits P1 et P2 rapportent à la vente respectivement des bénéfices de 60 DH et 40 DH

 Déterminer le nombre de bouquets de chaque type afin de

1.Introduction à Les variables

Le fleuriste dispose de 45 roses

Contraintes de non négativités, d’intégrité

3 . Dualité en PL Entrepôt Clients Disponibilité

Demande 200 400 100

minimiser le coût total de transport, tout en satisfaisant les contraintes

x23 : Quantité à transporter de A2 à C3

Le choix de la fonction objectif :

min x11 + 4x12 + 9x13 + 6x21 + 8x22 + 4x23

2 . Méthodes de Entrepôt A1: x11 + x12 + x13 £ 200

3 . Dualité en PL Demandes des clients à satisfaire:

x11, x21, x12 , x22 , x13 , x23 ³ 0

min x11 + 4x12 + 9x13 + 6x21 + 8x22 + 4x23

RAMCHOUN Hassan cours RO-OG 2022/2023 25

 Programmes non linéaire : La fonction objective et ou les contraintes sont

 Programmes mixte: La fonction objective et les contraintes sont toutes

 X s’appelle la région des solutions admissibles qui est un polyèdre

1.Introduction à  Considérons le programme linéaire (PL) sous forme canonique:

Notons D = {x ÎRn / Ax £ b, x ³ 0} l’ensemble des solutions réalisables de PL, on dit

Polyèdre Polyèdre non borné

Représenter graphiquement le polyèdre associé aux solutions réalisables du

Notons D = {x ÎRn / Ax £ b, x ³ 0} l’ensemble des solutions réalisables de PL, on

L’ensemble D est un polyèdre convexe

1.Introduction à Les étapes de la résolution graphique

3. Déterminer le domaine réalisable

4. Représenter un niveau de la droite de la fonction objectif qui a au moins

un point d’intersection avec le domaine réalisable

5. Translater ce niveau de la droite de la fonction objective selon la direction

de son gradient Ñf (x1, x2 ) = ( ¶f , ¶f ) jusqu’à toucher le dernier point du

max 2x1 + 2x2 max 3x1 + 6x2

1.Introduction à max 2x1 + 2x2

2 . M éthodes de programmes linéaires. Il a été mis au point par le mathématicien américain

George Dantzig en 1947. Cet algorithme a fait l’objet de certaines articles