Bon-résumé-OC-général

Chapitre 4
La Programmation Linéaire en Nombres Entiers
1. Introduction
Soit A: m x n une matrice, b un m-vecteur colonne et c un n-vecteur ligne.
Nous supposons que A, b et c sont à coordonnées entières.
 Max Z = C. x

Définition 1. Le problème (P)  A. x ≤ b est appelé " programme linéaire
x ∈ ℵ ( x ∈ ℵ, j = 1,2,.., n )
n
 j
en nombres entiers".
A
 Max Z = C. x

ID
(P) peut s'écrire en ( P̂ )  A. x = b
 x ∈ ℵ, j = 1,2,.., n
BL
 j
Remarque 1. a)Nous ferons l'hypothèse que l'ensemble D = { X / A.X ≤ b, X ≥ 0 } est borné.
E
Par conséquent S = { X / A.X ≤ b, xj ∈², j = 1, 2, …, n } est fini et (P) est un POC.
D
 Max Z = C. x B

b) Le problème (P)  A. x ≤ b est appelé "programme linéaire en { 0, 1 } ou
LA
 x ∈ { 0, 1 }, j = 1,2,.., n )
 j
H
en variables bivalentes.
A
D
Exemple 1. Le problème du sac à dos se formule comme un problème linéaire en variables

D
 Max Z = c1x1 + ... + c n x n

A

bivalentes n'ayant qu'une contrainte : (K)  a 1x1 + ... + a n x n ≤ b
SA
 x j ∈ {0,1}, j = 1,2,.., n


TE
Max Z = c1x1 + ... + c n x n


Par extension (K')  a 1x1 + ... + a n x n ≤ b est appelé problème de " sac à dos".
SI
 x j ∈ ℵ, j = 1,2,.., n

ER
 Max Z = C. x

A. x ≤ b
IV
Remarque 2. a)Le problème linéaire (P')  est obtenu à partir de (P) en

 x ≥ 0, j = 1,2,.., n )
 j
N
U
" relachant" les contraintes d'intégrité sur les variables est dit programme linéaire relaxé de
(P).
Chapitre 4 : La Programmation Linéaire en Nombres Entiers.

Module: Procédures PSE, PLNE, programmation dynamique et Métaheuristiques, dispensé par le Dr. DERBALA Ali. 54
Toute solution réalisable de (P) est solution réalisable de (P'). Si (P') a une solution X à
coordonnées entières alors X est solution optimale de (P).
b) la méthode de résolution du problème (P) en arrondissant aux entiers les plus proches une
solution de (P') est en général mauvaise.
Contre-exemple 1. Soit le problème du sac à dos,
A
Max z = 10 x1 + 8 x2 + 5 x3
ID
6 x1 + 5 x2 + 4 x3 ≤ 9
BL
x1, x2 et x3 ∈ { 0, 1}.
Le problème (P') relaxé a pour solution : x1 = 3 / 2, x2 = x3 = 0.
E
Si on arrondit x1 à 2 on obtient une solution non réalisable.
D
Si on arrondit x1 à 1, on a un résultat bien éloigné de la solution optimale x1 = 0, x2 = x3 = 1.
B
L'application de l'algorithme glouton conduit également à la solution x1 = 1, x2 = x3 = 0.
LA
10 8 5
( cj / aj sont croissants. ≥ ≥ )
6 5 4
H
Remarque 3.
A
a. Un programme linéaire en variables bivalentes peut se ramener à un programme linéaires

D
en nombre entiers en rajoutant les contraintes xj ≤ 1 pour j = 1, 2, …, n.

D
b. Réciproquement tout programme linéaire en nombre entiers peut se formuler comme un

A
programme linéaire en 0-1. En effet compte-tenu de la remarque 1, chaque variable xj de

SA
(P) est bornée. Faisons le développement de chaque variable en base 2.

TE
tj
On peut écrire que xj = ∑ 2 k y kj , ykj ∈ { 0, 1}.
k =0
SI
La variable xj peut être remplacée dans (P) par son développement binaire (*) ce qui conduit
ER
bien à un PLVB équivalent à (P).

IV
Remarque 4. Ces transformations ne seront pas cependant utilisés en général pour la

N
résolution effective des PLNE. Il existe des méthodes spécifiques de résolution des PLVB qui
U
sont efficaces que les méthodes générales.

Remarque 5. La classe des PLVB est importante car ceux-ci constituent des modèles
adéquats pour un grand nombre de POC. Les variables correspondent à des décisions binaires
: je choisis tel sommet ou tel arc du graphe ou bien je ne le choisis pas, j'implante une usine
ou je ne l'implante pas, j'achète ou je n'achète pas. Les PLVB sont des problèmes
d'optimisation à fonction objective séparée.
Chapitre 4 : La Programmation Linéaire en Nombres Entiers. 55
Un PLNE dont les variables peuvent prendre des valeurs élevées est souvent un " faux" POC.
Si xj : représente par exemple, le nombre de véhicules du type j et si on trouve dans la solution
xj = 300,6, on peut en général arrondir sans commettre de grosses erreurs.
La contrainte d'intégrité est d'autant plus astreignante que la valeur de la variable sur laquelle
porte cette contrainte est faible. Nous étudierons les méthodes de coupes, des méthodes de
résolution des PLNE. Les méthodes de "recherche arborescente" ( ou d'énumération partielle)
sont les plus utilisées et permettent de résoudre certains POC difficiles tel que le PVC, les
problèmes d'ordonnancement, les problèmes de localisation et de classification et le problème
A
d'affectation généralisé. Ils ont fait l'objet d'une étude au chapitre auparavant. Les méthodes
I D
des coupes ont permis de résoudre des problèmes particuliers de partitionnement ou de
BL
recouvrement. Une troisième classe de méthodes est celle qui utilisent la représentation d'un
PLNE comme un plus court chemin dans un graphe et la théorie des groupes finis.
E
D
2. Résolution des PLNE par des Procédures de Séparation et Evaluation
B
Un voyageur muni d'un sac qui lui sert à transporter des produits de valeurs. Son problème
LA
consiste à maximiser la valeur totale des objets qu'il emporte, sans toutefois dépasser une
H
limite de poids "b" correspondant à ses capacités physiques.

A
Si on associe à l'objet j une valeur cj et un poids wj, la combinaison optimale d'objets à

D
n
max ∑ c j x j
D
j=1
A
emporter sera obtenue en résolvant le programme :  n

∑ w j x j ≤ b
SA
 j=1
 x j ∈ℵ

TE
Une solution triviale est celle de choisir de façon prioritaire les objets dont le rapport
qualité/poids est le plus avantageux, quitte à tronquer pour obtenir une solution entière ( cette
SI
solution peut s'avérer mauvaise).

ER
IV
Exemple 2. Soit le problème du sac à dos,

Max z = 2 x1 + 3 x2 + 7 x3
N
3 x1 + 4 x2 + 8 x3 ≤ 14
U
x1, x2 et x3 ∈ ².
Sans contrainte d'intégrité, la solution optimale est x* = (0, 0, 14/8) et Z(x*) = 49/4 = 12,25.
En tronquant, on obtient la solution Y = (0, 0, 1) de valeur 7.
La solution tronquée est éloignée de l'optimale.

La solution optimale peut s'obtenir en énumérant toutes les solutions réalisables et en
conservant la meilleure. Elles sont données par le tableau suivant:
Tableau 1. Enumération des solutions
A
x1 x2 x3 Valeur Z(x)
D
0 1 1 10
I
2 0 1 11
BL
0 3 0 9
E
2 2 0 10
D
3 1 0 9
B
4 0 0 8
LA
La solution optimale entière est x* = ( 2, 0, 1) de valeur 11 qui diffère passablement de la
solution optimale linéaire . H
A
Cette technique d'énumération ne peut s'appliquer à des problèmes de grande taille.
D
D
3. Une première stratégie de résolution : l'énumération implicite.

A
Considérons un programme mathématique mixte. Au départ, on ne se contente pas des

SA
contraintes d'intégrité et on se contente de résoudre un programme linéaire ( relaxation

E
linéaire du problème en variables entières).

T
Si la solution optimale de ce programme satisfait aux contraintes d'intégrité, alors cette

SI
solution est aussi solution optimale du PLVE. Sinon il doit exister au moins une variable xj
ER
dont sa valeur "α" est fractionnaire. On sépare alors le problème en deux sous problèmes.
Un sous problème contiendra la contrainte " xj ≤ [α ] " et le second la contrainte "xj ≥ [α] +1".
IV
Il est clair que ceci crée une partition du problème relaxé. On répète le processus pour chacun
N
des sous problèmes. Cette procédure est représentée sous forme d'un arbre, où à chaque
U
niveau, une partition du sommet père s'effectue suivant la règle décrite précédemment.
Il s'agit alors de parcourir cet arbre d'énumération afin d'y trouver la solution optimale.
L'exploration d'un chemin de l'arbre peut prendre fin pour trois raisons:
- la solution devient entière
- le domaine admissible d'un sous problème devient vide;
- la valeur de l'objectif correspondant à la solution optimale du problème relaxé est

inférieure(moins bonne) à celle d'une solution admissible. Comme, possiblement obtenue
à un autre sommet de l'arbre.
Le sommet est dit "sondé" et il est inutile de pousser plus loin dans cette direction.
Appliquons là au problème du sac à dos.
La solution optimale de chaque relaxation linéaire est obtenue en favorisant les variables de
rapport qualité/poids élevé tout en respectant les contraintes rajoutées sur les branches de
A
l'arbre d'énumération.
D
RL0
I
BL
( 0, 0, 14/8)
E
x3 ≤ 1 Obj = 12,25 x3 ≥ 2
D
RL1 RL8
B
( 0, 6/4, 1) x2 ≥ 2
LA
sondé(non réalisable)
x2 ≤ 1 Obj = 11,5
H
RL7
A
RL2
D
(0, 2, 3/4)
(2/3, 1, 1) Obj = 11,25( pas meilleur que RL5)
D
x1 ≥ 1
A
x1 = 0 Obj = 11.1/3
SA
RL3 RL4
TE
(0, 1, 1) x2 = 0 (1, 3/4, 1) x2 ≥ 1

Obj = 13 Obj = 11. 1/4
SI
Sondé réalisable RL5 RL6

ER
(2, 0, 1) (1, 1, 7/8)

IV
Obj = 11 Obj = 11. 1/8

Sondé ( réalisable) Sondé ( pas meilleur que RL5)
N
U
Plusieurs remarques sont de rigueur:

- Dans l'exemple, l'algorithme semble moins efficace que l'énumération complète. En effet
s'il y a que 12 solutions,, dont seulement 5 sont efficaces.
Sur des problèmes de grande taille, par contre, le nombre de sommets visités est en général
beaucoup plus faible que le nombre de solutions réalisables.
- On peut tirer profit de la structure du problème pour obtenir des informations additionnelles
sur la valeur des variables. Il est clair que x3 ne peut excéder 2.
A
- On peut remplacer une contrainte de la forme x3 ≥ 1 par x3 = 1, ce qui fixe la valeur de x3 et
D
l'élimine du sous problème.
I
BL
- Le problème linéaire associé à un sommet ne diffère du problème père que par une
contrainte. - Il est alors judicieux de résoudre ce problème par l'algorithme dual du simplexe,
E
l'algorithme du simplexe appliqué au problème dual.
D
- L'ordre dans lequel l'arbre est exploré est important. Si RL3 n'avait pas été visité avant RL5,
B
celui-ci n'aurait pu être sondé aussi tôt.
LA
- La solution optimale est obtenue au troisième nœud. Il faut cependant pousser l'exploration
plus loin pour démontrer que cette solution est bien optimale.
H
A
- Si l'objectif du P.L relaxé vaut Z, la solution entière ne peut valoir plus que [Z] puisque les
D
coefficients de l'objectif sont entiers. Ceci ne serait pas si les coefficients étaient
fractionnaires.
D
A
- Au sommet initial, aucune solution admissible n'est encore disponible. On pourrait en

SA
obtenir à l'aide d'algorithmes heuristiques. On pourrait choisir les variables dans l'ordre
décroissant de leur Qualité/Prix, en exigeant que les variables soient entières. Ceci donnerait x
TE
= (0, 1, 1) de valeur 10. Cette valeur pourrait servir à sonder de futurs sommets. Cette
technique peut être appliquée à chaque sommet de l'arbre.
SI
- On parvient fréquemment à une solution optimale après avoir exploré quelques dizaines de
ER
sommets.
IV
4. Une seconde stratégie: les hyperplans coupants

N
Considérons le programme linéaire : Max z = 4 x1 + 5/2 x2

U
x1 + x2 ≤ 6
9 x1 + 5 x2 ≤ 45
x1, x2 ∈ N.
En introduisant les variables d'écarts, le problème devient :
Max z = 4 x1 + 5/2 x2
x1 + x2 + x3 = 6 (1)
9 x1 + 5 x2 + x4 = 45 (2)
multiplions l'équation (1) par -5 et l'additionnant à la 2nd.

Le résultat sera : 4 x1 - 5 x3 + x4 = 15. Ou encore x1 = 15/4 + 5/4 x3 - 1/4 x4 .
multiplions l'équation (1) par -9 et l'additionnant à la 2nd.
Le résultat sera : - 4 x2 - 9 x3 + x4 = -9. Ou encore x2 = 9/4 - 9/4 x3 + 1/4 x4 où x3, x4 ∈ N.
La variable de base x1 n'est pas entière, cette solution de base n'est pas admissible.
On réécrit la 1ère contrainte x1 - 5/4 x3 + 1/4 x4 = 15/4 sous la forme
A
x1 + ( - 2 + 3/4) x3 + (0 +1/4 x4 )= 3 + 3/4.
D
Ceci est réalisé en utilisant l'identité a = [a] + ( a - [a] ) où a - [a] est la partie fractionnaire de
I
BL
a ( 0 ≤ a - [a] ≤ 1 ). En mettant tous les coefficients entiers à gauche et les coefficients
fractionnaires à droite de l'égalité on obtient que : x1 - 2 x3 - 3 = 3/4 - 3/4 x3 - 1/4 x4.
E
Puisque les variables x3 et x4 sont entières et que la partie fractionnaire, la constante du
D
membre de droite, est inférieure à 1, le membre de droite est aussi entier strictement
B
inférieure à 1. D'où 3/4 - 3/4 x3 - 1/4 x4 ≤ 0. En utilisant les identités x3 = 6 - x1 - x2 (1)
x4 = 45 - 9 x1 - 5 x2 , on obtient la coupe 3x1 + 2 x2 ≤ 15. LA
Cette contrainte linéaire rend inadmissible la solution courante admissible, sans éliminer
H
A
aucune autre solution entière. Le nouveau problème devient:

D
Max z = 4 x1 + 5/2 x2
x1 + x2 ≤ 6
D
A
9 x1 + 5 x2 ≤ 45
SA
3x1 + 2 x2 ≤ 15
x1, x2 ∈ N.
TE
Si la solution du nouveau problème est entière, elle sera la solution de notre problème. Sinon,
SI
on construit une nouvelle coupe et on recommence.

ER
x1 + x2 = 6
3x1 + 2x2 = 15
IV
9x1 + 5x2 = 45
N
U
(3,3)
(15/4, 9/4)
Fig 1. Représentation dans le plan des contraintes

La résolution du nouveau problème linéaire s'effectue, comme dans l'algorithme de Branch

and Bound, à l'aide de l'algorithme du simplexe appliqué au problème dual, afin de tirer profit
de la solution duale optimale obtenue précédemment.
Cette technique seule ne permet pas de résoudre des problèmes de grande taille. Cependant
elle peut être combinée de façon efficace avec la technique de Branch and Bound.
5. Principe des méthodes de coupes

L'idée de base sur laquelle se fondent ces méthodes est la suivante. On commence par
A
résoudre le programme linéaire en continu ( dit aussi relaxé). Si la solution optimale obtenue
ID
est un point extrême à coordonnées entières, c'est terminée. Elle est la solution de notre
BL
problème initial à variables entières. Dans le cas contraire, il est facile de voir que l'on peut
toujours tronquer le domaine des solutions ( en rajoutant une contrainte supplémentaire au
E
problème) de façon à éliminer ce point extrême dans exclure aucune solution entière.
D
Une telle contrainte est appelée "coupe" ou "troncature".
B
LA
Exemple 3. soit à résoudre le PLNE
Min z = -10 x1 - 11 x2
H
10 x1 + 12 x2 ≤ 59
A
D
x1, x2 ∈ N.
D
l'optimum continu est ( 59/10, 0) et minz = - 59.

A
La contrainte supplémentaire : x1 ≤ 5 élimine ce point sans exclure aucune solution entière.

SA
C'est bien une coupe.

De même toute contrainte supplémentaire du type : x1 + x2 ≤ α avec 5 ≤ α ≤ 59/10 est une
TE
coupe. A montrer!
SI
Beaucoup de coupes sont donc possibles. En principe, il en existe toujours une infinité.
Après avoir rajouté une coupe ( ou éventuellement plusieurs), le PL augmenté des contraintes
ER
est à nouveau résolu en continu par la méthode du simplexe.

IV
Comme l'ancienne solution reste duale réalisable, il est avantageux d'utiliser pour cela
N
l'algorithme duale du simplexe.

U
Si les coupes sont correctement choisies à chaque étape, le polyèdre initial se réduit jusqu'à
coïncider avec l'enveloppe convexe des solutions entières, au moins au voisinage de la
solution optimale.
Le choix des coupes est déterminant pour la convergence de la méthode.
Si on choisit dans l'exemple les coupes de la forme:

x1 + x2 ≤ αk avec α1 = 58/10 et αk = αk-1 - 1/ 10k., l'algorithme ne converge pas vers une
solution entière ( A montrer encore une fois!).
Par contre, si on choisit comme coupes les deux contraintes
x1 + x2 ≤ 5 et x2 ≤ 4, on obtient directement l'optimum entier x1 = 1 et x2 = 4.
On ne connaît pas de méthodes systématiques pour engendre toutes les équations ou
inéquations définissant l'enveloppe convexe des points entiers contenu dans un polyèdre
convexe donné.
6. Les coupes de Gomory et de Dantzig
A
Définition 2.
ID
 Max Z = C. x

A. x = b
BL
soit (P)  le PLNE écrit "sous forme canonique" par rapport à une base B.
 x ∈ℵ n

E
B = { a1, …, am}, AB = I, CJ = 0. Les coefficients de base dans la fonction objectif sont nuls.
D
B
Théorème 1. si les trois conditions suivantes b ≥ 0 c ≤ 0 et b entier sont satisfaites, alors le
LA
b pour i = 1,..., m
vecteur X a coordonnées xi =  i est solution optimale de (P).
0 i = m + 1,..., n
H
A
La première coupe à avoir été proposé est celle dite de Dantzig.

D
Supposons que b ≥ 0, c ≤ 0 et b est n'est pas entier.

D
Alors dans la solution optimale de (P), une des variables hors bases doit être différente de 0,
A
c-à-d supérieure ou égale à 1.

SA
La coupe de Dantzig s'écrit alors ∑ x i ≥ 1 .

i∉I
TE
Les algorithmes fondées sur cette idée ne sont pas efficaces et ne sont pas utilisés.
SI
6.1. Polyèdres de sommets entiers

ER
 Min Z = C. x

Soit le PLNE (P) :  A. x = b où A est une matrice: m x n, b un m-vecteur entier.
IV
 x ∈ℵ n

N
En relaxant la condition d'intégrité x ∈N n du problème (P),

U
 Min Z = C. x

on obtient le problème (Pc)  A. x = b .
 x≥0

Une matrice A est dite "totalement unimodulaire" si toute matrice carrée extraite de A a son
déterminant égal à -1, 0 ou +1.
En particulier, cela entraîne que les coefficients d'une matrice totalement unimodulaire sont
eux-mêmes égaux à -1, 0 ou +1 puisqu'ils sont les déterminants de sous-matrices d'ordre 1.
Théorème 2. ( Hoffman et Kruskall 1956)
A
La solution optimale de base de (Pc) est entière, quelque soit le vecteur b à coordonnées
D
entières et le vecteur des coûts c, si et seulement si la matrice A est totalement unimodulaire.
I
Preuve: La solution de (Pc) est un sommet du polyédre.
BL
Minz = CHB XHB + Π. b
XI + AB-1. AHB. XJ = AB-1b
E
D
XI, XJ ≥ 0.
On sait que AB-1 = 1/ det AB x t(AB* ) où aij* = (-1)i+j Aij
B
LA
Aij représente le déterminant de la sous matrice de A obtenue en éliminant la ième ligne et
la jième colonne de A.
H
comme det AB = -1 ou + 1, Aij = -1, 0 ou + 1, on en déduit que (aij-1 )B est entier et que le
A
D
vecteur xB est entier.

Remarques 6. La matrice d'incidence sommets-arcs d'un graphe est totalement unimodulaire.
D
A
La matrice d'incidence sommets-arêtes est totalement unimodulaire si le graphe est biparti.

SA
Définition 3. Soit un PLNE(P), On dit qu'une inéquation a.. x ≤ α est valide, si elle est
TE
satisfaite par toute solution réalisable de PLNE (P).

Une coupe est une inéquation valide qui n'est pas satisfaite pour tout point de (Pc) .
SI
ER
Théorème 3. relativement à une base B, pour toute valeur du scalaire "a" l'inéquation
IV
∑ ( [a ]a 'ij −[aa'ij ] ) x j ≥ [a ]b i − [ab i ] est valide.

j∉I
N
Pour certaines valeurs de a et en particulier a = 1, l'inéquation ∑ ( a 'ij −[a 'ij ] ) x j ≥ bi − [bi ] est
U
j∉I
une coupe.
Notation: [.] et <.> désigneront respectivement la partie entière et la partie fractionnaire d'un
nombre.
Preuve: pour la ième contrainte de la solution optimale on a :
x i + ∑ a 'ij x j = b i
j∉I
si a ≠ 0 alors : ax i + a ∑ a 'ij x j = ab i
j∉I
A
Décomposons chaque coefficient en la somme de sa partie entière et sa partie fractionnaire.
D
On aura: [a] xi + ∑ [a. a 'ij ] x j + < a > x i + ∑ < a. a 'ij > x j = [ab i ] + < ab i > .
I
j∉I j∉I
BL
Comme 0 ≤ <a> < 1 et xj ≥ 0, on aura : [a] x i + ∑ [a. a 'ij ] x j ≤ [ab i ] + < ab i > .
j∉I
E
Comme 0 ≤ <a.bi > < 1 et [a] x i + ∑ [a. a 'ij ] x j est entier, [a] x i + ∑ [a. a 'ij ] x j ≤ [abi].
D
j∉I j∉I
B
Multiplions l'équation : x i + ∑ a 'ij x j = b i par [a], on obtiendra :
j∉I
[a] x + [a] .∑ a ' ij x = [a] b i

LA (1)
H
i j
j∉ I
A
Multiplions par (-1) l'inéquation : [a] x i + ∑ [ a . a ' ij ] x j ≤ [ab i ] qui deviendra :

D
j∉ I
- [a] x i - ∑ [a. a 'ij ] x j ≥ −[ab i ]

D
(2)
j∉I
A
En additionnant (1) et (2), on a: ∑ ( [a ]a 'ij −[aa'ij ] ) x j ≥ [a ]b i − [ab i ] .

SA
j∉I
∑ < a'
TE
Pour a = 1, ij > x j ≥< b i > est une coupe.

j∉I
SI
Elle n'est pas satisfaite pour la solution de base de (Pc).

ER
Exemple 4.
IV
En appliquant la méthode des coupes, résoudre le PLNE suivant :

N
Max Z = 28 x1 + 11 x2
U
14 x 1 + 6 x 2 ≤ 25
(P) 
 x 1 ∈ ℵ, x 2 ∈ ℵ
Max Z = 28 x1 + 11 x2
 14 x1 + 6 x 2 + x 3 = 25
(Pc) 
 x 1 ∈ ℵ, x 2 ∈ ℵet x 3 ∈ ℵ
En appliquant l'algorithme du simplexe relaxé de (Pc), on a une solution optimale:

x1= 25/14, x2 = x3 = 0 et z* = 50. Cette solution est obtenue après transformation de la
contrainte et de la fonction objectif.
x1 + 6/14 x2 + 1/14 x3 = 25/14 et Maxz = 50 - x2 - 2 x3.
x1 n'est pas entière, les variables x2 et x3 sont hors base.
On choisit une coupe de type : ∑ < a'
j∉I
ij > x j ≥ <bi>.
A
C'est à dire: 6/14 x2 + 1/14 x3 ≥ (25/14) - 1 = 11/14.
ID
- 6/14 x2 - 1/14 x3 + x4 = - 11/14.
BL
On résout le programme linéaire augmenté :
Max Z = 50 - x 2 - 2 x 3
E
x1 + 6/14 x 2 + 1 / 14 x 3 = 25/14
( Pa ) {
D
- 6/14 x 2 - 1/14 x 3 + x 4 = - 11/14
x i ∈ ℵ, i = 1,...,4
B
LA
On résout ce problème avec la méthode duale du simplexe.
B xB xB x1 x2 x3 x4
H
A
x1 25/14 1 6/14 1/14 0
D
x4 -11/14 0 -6/14 -1/14 1

Zj - cj 50 0 1 2 0
D
A
x1 1 1 0 0 1
SA
x2 11/6 0 1 1/6 -14/6

Zj - cj 289/6 0 0 11/6 14/6
TE
On trouve que : x1 = 1, x2 = 11/6, x3 = x4= 0.

SI
x2 n'est pas entière.

ER
x2 + 1/6x3 - 14/6 x4 = x2 + 1/6x3 + (- 3 + 4/6) x4 = 11/6 = 1 + 5/6.

IV
On choisit la seconde coupe: 1/6x3 + 4/6 x4 ≥ 5/6.

N
Soit: - 1/6x3 - 4/6 x4 + x5 = 5/6.

U
Le problème augmenté une seconde fois devient :

Max Z = 289/6 - 11/6 x3 - 14/6x4
 x1 + x4 =1
 x 2 + 1/6 x 3 - 14/6x 4 = 11/6

(Pa)2 
 - 1/6 x 3 - 4/6 x 4 + x 5 = −5 / 6
 x i ∈ ℵ, i = 1,...,4
B xB xB x1 x2 X3 x4 x5
x1 1 1 0 0 1 0
x2 11/6 0 1 1/6 -14/6 0
x5 - 5/6 0 0 -1/6 -4/6 1
Zj - cj 289/6 0 0 11/6 14/6 0
On le résout une seconde fois par la méthode duale du simplexe et on obtiendra:

La solution optimale: x1* = 0, x2* = 4 et Z* = 44.
A
ID
Exercices
BL
1. Résoudre :
minZ = - 20 x1 - 16 x2 - 11 x3 - 9 x4 - 7 x5 - x6
E
9 x1 + 8 x2 + 6 x3 + 5 x4 + 4 x5 + x6 ≤ 12
D
xi ∈ { 0, 1}, i = 1,…, 6.
B
LA
2. Résoudre par une PSE
a. Max z = 2 x1 + x2
H
3 x1 + 4 x2 ≤ 15
A
x1 - 4 x 2 ≤ 0
D
x1, x2 ∈ N.
D
( Montrer que (3, 1) est l'optimum et que Z(3, 1) = 7.

A
b. Max z = 6 x1 + 6 x2 + x3
SA
- 3x1 + 6x2 + 7x3 ≤ 8

TE
6 x1 - 3 x2 + 7x3 ≤ 8
x1, x2 et x3∈ N.
SI
c. Max z = 5x1 + 4x2 + 3x3 + 2 x4 + x5

ER
7x1 + 4x2 + 5x3 + 3x4 + 2x5 ≤ 13

IV
2 x1 + 2 x2 + 4x3 + x4 + x5 ≤ 5
N
xi ∈ N, i = 1,…,5.
U
( vérifier que X= ( 0, 0, 1, 1, 0) et Y = ( 1, 1, 0, 0, 1) sont optimales et que Z(X) = Z(Y) = 10)

3. En appliquant la méthode des coupes , résoudre le PLNE suivant :

Max Z = 3 x1 + 2 x2
- x1 + x2 ≤ 1
x1 + 2 x2 ≤ 10
7 x1 + 2 x2 ≤ 28.
x1 ∈N, x2 ∈N
(indication: La solution optimale: x1* = x2* = 3 et Z* = 15.)
A
4. Montrer que le PLNE suivant n'a pas de solutions :
ID
Min Z = 3 x1 + 2 x2
BL
x1 ≤ 3/2
2 x2 ≤ 5/3
E
D
5 x1 + 6 x 2 ≥ 15.
B
x1 ∈N, x2 ∈N
LA
H
A
D
D
A
SA
TE
SI
ER
IV
N
U

Bon-résumé-OC-général

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

Bon-résumé-OC-général

Transféré par

Droits d'auteur :

Formats disponibles

Chapitre 4

La Programmation Linéaire en Nombres Entiers

Exemple 1. Le problème du sac à dos se formule comme un problème linéaire en variables

 Max Z = c1x1 + ... + c n x n

Max Z = c1x1 + ... + c n x n

Remarque 2. a)Le problème linéaire (P')  est obtenu à partir de (P) en

Chapitre 4 : La Programmation Linéaire en Nombres Entiers.

Contre-exemple 1. Soit le problème du sac à dos,

a. Un programme linéaire en variables bivalentes peut se ramener à un programme linéaires

en nombre entiers en rajoutant les contraintes xj ≤ 1 pour j = 1, 2, …, n.

b. Réciproquement tout programme linéaire en nombre entiers peut se formuler comme un

programme linéaire en 0-1. En effet compte-tenu de la remarque 1, chaque variable xj de

(P) est bornée. Faisons le développement de chaque variable en base 2.

bien à un PLVB équivalent à (P).

Remarque 4. Ces transformations ne seront pas cependant utilisés en général pour la

sont efficaces que les méthodes générales.

limite de poids "b" correspondant à ses capacités physiques.

Si on associe à l'objet j une valeur cj et un poids wj, la combinaison optimale d'objets à

emporter sera obtenue en résolvant le programme :  n

solution peut s'avérer mauvaise).

Exemple 2. Soit le problème du sac à dos,

La solution tronquée est éloignée de l'optimale.

3. Une première stratégie de résolution : l'énumération implicite.

Considérons un programme mathématique mixte. Au départ, on ne se contente pas des

contraintes d'intégrité et on se contente de résoudre un programme linéaire ( relaxation

linéaire du problème en variables entières).

Si la solution optimale de ce programme satisfait aux contraintes d'intégrité, alors cette

- la valeur de l'objectif correspondant à la solution optimale du problème relaxé est

(0, 1, 1) x2 = 0 (1, 3/4, 1) x2 ≥ 1

Sondé réalisable RL5 RL6

(2, 0, 1) (1, 1, 7/8)

Obj = 11 Obj = 11. 1/8

Plusieurs remarques sont de rigueur:

- Au sommet initial, aucune solution admissible n'est encore disponible. On pourrait en

4. Une seconde stratégie: les hyperplans coupants

Considérons le programme linéaire : Max z = 4 x1 + 5/2 x2

multiplions l'équation (1) par -5 et l'additionnant à la 2nd.

aucune autre solution entière. Le nouveau problème devient:

on construit une nouvelle coupe et on recommence.

Fig 1. Représentation dans le plan des contraintes

La résolution du nouveau problème linéaire s'effectue, comme dans l'algorithme de Branch

5. Principe des méthodes de coupes

l'optimum continu est ( 59/10, 0) et minz = - 59.

La contrainte supplémentaire : x1 ≤ 5 élimine ce point sans exclure aucune solution entière.

C'est bien une coupe.

est à nouveau résolu en continu par la méthode du simplexe.

l'algorithme duale du simplexe.

Si on choisit dans l'exemple les coupes de la forme:

6. Les coupes de Gomory et de Dantzig

La première coupe à avoir été proposé est celle dite de Dantzig.

Supposons que b ≥ 0, c ≤ 0 et b est n'est pas entier.

c-à-d supérieure ou égale à 1.

La coupe de Dantzig s'écrit alors ∑ x i ≥ 1 .

6.1. Polyèdres de sommets entiers

En relaxant la condition d'intégrité x ∈N n du problème (P),

Théorème 2. ( Hoffman et Kruskall 1956)

vecteur xB est entier.

La matrice d'incidence sommets-arêtes est totalement unimodulaire si le graphe est biparti.

satisfaite par toute solution réalisable de PLNE (P).

∑ ( [a ]a 'ij −[aa'ij ] ) x j ≥ [a ]b i − [ab i ] est valide.

[a] x + [a] .∑ a ' ij x = [a] b i

Multiplions par (-1) l'inéquation : [a] x i + ∑ [ a . a ' ij ] x j ≤ [ab i ] qui deviendra :

- [a] x i - ∑ [a. a 'ij ] x j ≥ −[ab i ]