Académique Documents
Professionnel Documents
Culture Documents
Programmation Linéaire
Résolution graphique
Définition
Programmation Mathématique
2
Définition
Programmation Linéaire
3
Exemple : étape 1
Une entreprise produit des fenêtres et des portes en verre.
L’entreprise dispose de trois ateliers :
Atelier 1 : production des bordures en aluminium
Atelier 2 : production des bordures en bois
Atelier 3 : production des pièces en verre et assemblage
L’entreprise a connu une perte ces dernières années. Elle a
décidé d’arrêter la production des articles déficitaires. Ainsi,
elle dispose d’une capacité libre
Elle a décidé d’introduire la fabrication de deux nouveaux
articles :
Article 1 : une porte en aluminium de dimension
Article 2 : une fenêtre en bois de dimension 4
Exemple : étape 1
L’article 1 nécessite le recours aux ateliers 1 et 3, l’article 2
nécessite le recours aux ateliers 2 et 3
Le service de marketing suppose qu’on peut vendre tout
article fabriqué
Étant donné que les articles 1 et 2 utilisent l’atelier 3, il faut
décider sur le mixage le plus profitable des deux articles.
5
Exemple : étape 1
L’équipe de RO a commencé par identifier l’objectif et
positionner le problème :
Il s’agit de déterminer les taux de production des articles afin de
maximiser le profit total par semaine tout en respectant les capacités
limitées de chaque atelier. Sachant que chaque article est fabriqué
par lot de 20, le taux de production correspond au nombre de lots
fabriqués par semaine. Toute combinaison de deux taux de
production est permise telle que la production d’un seul type d’article
Il s’agit d’un problème de mixage
L’équipe de RO a identifié les données nécessaires à collecter :
Nombre d’heures disponibles par semaine par atelier
Nombre d’heures nécessaires pour produire un lot de chaque article
dans chaque atelier
Le profit réalisé par lot de chaque article 6
Exemple : étape 1
7
Exemple : étape 2
Variable de décisions :
x1 : nombre de lots de l’article 1 fabriqués par semaine
x2 : nombre de lots de l’article 2 fabriqués par semaine
Fonction objectif : Z (profit total réalisé par semaine)
Z= 3x1+5x2
8
Exemple : étape 2
Contraintes :
Capacité de l’atelier 1: x1 4
Capacité de l’atelier 2: 2 x2 12
Capacité de l’atelier 3: 3 x1+ 2 x2 18
Contraintes de signes : x1 0 ; x2 0
9
Le Programme Linéaire
En combinant:
On obtient le modèle d’optimisation ou le programme linéaire
suivant :
Max Z = 3 x1 + 5 x2
S. c
x1 ≤ 4
PL :
2 x2 ≤ 12
3 x1 + 2 x2 ≤ 18
x1 ≥ 0, x2 ≥ 0
10
Définition
Domaine réalisable et solutions optimales
Ce sont deux concepts fondamentaux associés avec un PL
Le terme point (x1, x2), désigne une spécification de la
valeur de chaque variable de décision.
Le domaine réalisable (DR) est l’ensemble de tous les
points satisfaisant toutes les contraintes du PL. Dans
notre exemple, le point (1,2) appartient au DR. Ce point
est dit réalisable. Par contre le point (0,7) n’y appartient
pas, parce qu’il ne satisfait pas la contrainte (2) :14 > 12.
Ce point est dit non réalisable.
Pour un problème de maximisation, une solution
optimale est un point du DR qui donne la valeur de la
fonction objectif la plus large.
11
Exemple : étape 3
Ce problème a deux dimensions, donc on peut le
résoudre graphiquement
Procédure :
Construire un graphe à deux axes (x1,x2)
Tracer l’espace du domaine réalisable :
Tracer l’équation correspondante à chaque
contrainte
Chercher le point qui maximise la fonction objectif
(la solution optimale)
12
Domaine réalisable
Dans le plan défini par les axes x1 et x2, on trace les
différentes droites correspondant aux contraintes
qu’on transforme en égalités :
D1 : 3x1 + 2x2 = 18.
D2 : 2x2 = 12.
D3 : x1 = 4.
D4 : x1 = 0.
D5 : x2 = 0.
13
Domaine réalisable
Chaque droite Di sépare le plan en 2 demi-plans Pi1 et
Pi2. L’un correspond à l’inégalité supérieure et l’autre
correspond au sens inférieur. Eliminer alors les demi-
plans qui ne vérifient pas les différentes contraintes.
Il suffit de prendre un point quelconque et déterminer
le côté auquel il appartient.
Suivant le sens des inégalités, on détermine le domaine
réalisable par l’intersection des différents demi-plans
réalisables (La région non éliminée représente la région
admissible).
14
Résolution géométrique de PL1
x2
X1 ≤4
(10)
(8)
(6)
(4)
2X2=12 2x2=12
6
Domaine
réalisable 3x1+2x2=18
0 4 6 x1
16
Recherche de la solution
optimale
17
1ère méthode : des droites
parallèle
Tous les points sur la droite D: 3 x1 + 5 x2 = M donnent la même valeur M à
la fonction objectif.
On trace alors la ligne iso-profit 3 x1 + 5 x2 = Cte. C’est une droite de pente
(-3/5) et elle représente la fonction objectif.
La courbe présentant la fonction objectif “max profit” est nommée ligne
iso-profit (iso-coût) : “iso” veut dire “même” profit pour dire : même profit
tout point de la ligne.
Comme on cherche à maximiser la valeur de celle-ci, on déplace la ligne
iso-profit dans la direction qui augmente la valeur de la fonction : On trace
les droites parallèles, chacune plus à droite et plus haute que les
précédentes.
En déplaçant ainsi la droite D vers les nord-est on obtient :
D’: 3 x1 + 5 x2 = M’ avec M’>M
On continue jusqu’à trouver le/ les derniers points admissibles. Il s’agit de
18
la ligne la plus haute coupant le domaine réalisable
Résolution géométrique de PL1
x2
Z=3x1+5x2=20 (4)
Z=3x1+5x2=10 (2)
19
2mre méthode : Recherche
parmi les points extrêmes
Théorème 1 : Si un modèle linéaire continu
admet au moins une solution optimale,
l’une d’entre elles correspond à un point
extrême.
20
Notions de convexité
Définition
Un ensemble de points S n dans le plan de
dimension n est dit convexe si le segment, joignant
n’importe quelle paire de points dans S, est entièrement
contenu dans S.
Mathématiquement :
S est convexe x1 S, x2 S,
[0,1], on a { x1 + (1-) x2} S
21
Notions de convexité
Convexes
E
Non Convexes
22
Points extrêmes
24
2ème méthode : points extrêmes
Dans notre exemple les points extrêmes sont :
(0,0) ; (0, 6) ; (4, 0) ; (2, 6) et (4, 3).
Pour déterminer la solution optimale, on calcule
pour chaque point la valeur de la fonction
objectif qui lui correspond et on choisit le point
donnant la valeur maximale.
25
Modèle d’un PL
L’application commune de la majorité des
PL : allocation des ressources aux activités
La capacité de chaque ressource est limitée.
Ainsi, une étude sur l’affectation des
ressources aux activités doit être réalisée.
Ceci, implique le choix du niveau (taux)
d’activité à accomplir de manière à optimiser
la performance recherchée.
26
Modèle d’un PL
3 M
Articles Activités
2 articles n activités
Taux de production de Niveau d’activité j: xj
l’article j, xj
Profit Performance
Z Z
27
Modèle d’un PL : symboles
Z : valeur de la performance
xj : niveau de l’activité j (j:1…n)
cj : augmentation de Z résultant de l’augmentation d’une
unité du niveau de l’activité j
bi : quantité disponible de la ressource i (i:1…m)
aij : quantité de ressource i consommée par une unité de
l’activité j
Les variables de décisions : x1, … xn
Les paramètres : cj, bi, aij
28
PL : forme canonique
Utilisation des Disponibilité
ressources par des
Max Z = c1x1 + … + cnxn activité ressources
S.c
1 2 … n
a11x1 + … + a1nxn ≤ b1
Resource 1 a11 a12 … a1n b1
a21x1 + … + a2nxn ≤ b2
. Resource 2 a21 a22 … a2n b2
. . . . . . .
. . . . . .
am1x1 + … + amnxn ≤ bm
. . . . . .
x1 ≥ 0, x2 ≥ 0 …, xn ≥ 0 Resource m am1 am2 … amn bm
Contribution c1 c2 … cn
ress à Z
29
PL : forme canonique
Fonction objectif
Contraintes de
fonctionnalité
Contraintes
Contraintes de non-
négativité
30
Terminologie
(x1, ..xn) solution (points)
Réalisable, si toutes les contraintes sont vérifiées (ex
(2,3) dans l’exemple)
Non réalisable, s’il existe une contrainte non vérifiée
Domaine réalisable : ensemble des solutions
réalisables.
Solution optimale : solution réalisable ayant la
meilleure valeur de la fonction objectif.
31
Terminologie
Une solution extrême :
solution réalisable correspondant à un sommet du domaine réalisable
Exemple du cours : (0,0), (4,0), (0,6), (2,6) et (4,3) sont des solutions
extrêmes de l’exemple de mélange,
Relation entre solution extrême et solution optimale
On considère un PL ayant un domaine réalisable borné
Alors, la meilleure solution extrême est la solution optimale
Si le problème possède une et une seule solution optimale, cette
(4,3)
34
Cas particuliers de PL :
PL non borné
x2
(4,∞), Z= ∞ Max Z = 3x1 + 5x2
S.c :
(10) x1 ≤4
(4,10), Z=62
Domaine x 1, x 2 ≥ 0
(8) (4,8), Z=52
réalisable
(6) (4,6), Z=42
(4) (4,4), Z=32
(2) (4,2), Z=22
(0,0) x1
35
PL : Autre forme canonique
Fonction objectif Min Z=cj xj
Contraintes de
i,aijxj bi fonctionnalité
Contraintes
i,xi 0 Contraintes de non-
négativité
36
PL : forme standard
Min ct X
S.c
A x=b
x ≥0
38
PL : forme
standard/canonique
39
PL : forme
standard/canonique
Le sens d’une inégalité peut être inversé en multipliant
des deux côtés par - 1.
Une égalité peut être remplacée par deux contraintes :
l’une est supérieure ou égale et l’autre est inférieure ou
égale au second membre.
∑j=1…n aij xj = bi remplacé par :
40
PL : forme
standard/canonique
Une inégalité de la forme
∑j=1…n aij xj ≤ bi ou ∑j=1…n aij xj ≥ bi
peut être transformée en une égalité en introduisant une
variable supplémentaire non négative dite variable d’écart ei
qui présente l’écart entre les deux membres de l’inéquation:
∑j=1…n aij xj ≤ bi ∑j=1…n aij xj + ei = bi avec ei ≥ 0.
∑j=1…n aij xj ≥ bi ∑j=1…n aij xj - ei = bi avec ei ≥ 0.
41