Analyse de sensibilité et

Post-optimalité
(Chapitre VI)

1
 Introduction
Est-ce que la solution optimale est sensible aux paramètres du PL ?
Pourquoi se poser cette question ?
Les paramètres utilisés ne sont que des estimations
Dans un environnement dynamique, ceux-ci peuvent changer
régulièrement.
Une analyse de scénarios (what-if) peut permettre de proposer des
changements aux paramètres.
L'analyse post-optimale permet de déterminer la sensibilité d'un PL par
rapport aux données :
Une faible variation des données entraine-t-elle un changement important de
la solution optimale ?
L'analyse post-optimale permet de déterminer des intervalles de variations
des données pour lesquels la base optimale n'est pas modifiée (solution
optimale stable).
2
 Introduction
Une solution de base optimale est dite stable si l’ensemble
des variables de base à l’optimum ne changent pas, même si
les valeurs de ces variables de base sont modifiées.

Changement affectant l’optimalité

Changement dans les coefficients de la fonction objectif
Changement affectant la nature réalisable de la solution
Changement dans les seconds membres des contraintes

3
Variation des coef. de la fonction objectif cj
c’ = c + ∆
La base reste réalisable car V.VB ≥ 0 est indépendant de c
La base reste optimale si :
∆’ j ≤ 0 (en cas de maximisation)
∆’ j ≤ 0 (en cas de minimisation)

Si les conditions d’optimalité ne sont pas satisfaites, on

continue l’optimisation pour trouver la solution optimale à
partir de la base courante.
Déterminer un intervalle dans lequel peut varier le
coefficient cj d’une variable de décision sans que la solution
optimale ne change: Intervalle d’optimalité
4
Variation des coef. de la fonction objectif cj
Modification du cj d’une variable de décision hors base :
c’j = cj + ∆.
La modification apportée au tableau n’affectera qu’une seule case,
celle du coût marginal de xj : ∆’ j

Modification du cj d’une variable de décision de base :

c’j = cj + ∆
La modification apportée au tableau affectera tous les coûts
marginaux des variables hors base: ∆’ j .

5
Variation des coef. de la fonction objectif cj
Exemple:
Max Z = 300 x1 + 200 x2 + 150 x3
x1 + x2 + x3 ≥ 10 (Production minimale)
x1 + 2x2 + x3 ≤ 20 (Sciage)
2 x1 + x2 + x3 ≤ 22 (Assemblage)
x1 ≥ 0, x2 ≥ 0, x3 ≥ 0

300 200 150 0 0 0

VB bi x1 x2 x3 s1 s2 s3
200 x2 6 0 1 1/3 0 2/3 -1/3
0 s1 4 0 0 -1/3 1 1/3 1/3
300 x1 8 1 0 1/3 0 -1/3 2/3
∆j 3600 0 0 -50/3 0 -100/3 - 400/3

6
Variation des coef. de la fonction objectif cj
Considérons une variation du coefficient C3 de 150 à 150 + ∆

300 200 150+ ∆ 0 0 0

VB bi x1 x2 x3 s1 s2 s3
200 x2 6 0 1 1/3 0 2/3 -1/3
0 s1 4 0 0 -1/3 1 1/3 1/3
300 x1 8 1 0 1/3 0 -1/3 2/3
∆j 3600 0 0 -50/3+ ∆ 0 -100/3 - 400/3

Le tableau reste optimal si -50/3+ ∆ ≤ 0 càd si ∆ ≤ 50/3

Intervalle d’optimalité: C3∈[0, 500/3]
Si C3> 500/3, la variable x3 entre dans la base et il faut
trouver la nouvelle solution optimale.

7
Variation des coef. de la fonction objectif cj
Considérons une variation du coefficient C1 de 300 à 300 + ∆
300+ ∆ 200 150 0 0 0
VB bi x1 x2 x3 s1 s2 s3
200 x2 6 0 1 1/3 0 2/3 -1/3
0 s1 4 0 0 -1/3 1 1/3 1/3
300+ ∆ x1 8 1 0 1/3 0 -1/3 2/3
∆j 3600+8∆ 0 0 -50/3-∆/3 0 -100/3+∆/3 - 400/3-2∆/3

Afin de garder la même solution optimale, il faut que:

-50/3-∆/3 ≤ 0
-100/3+∆/3 ≤ 0
- 400/3- 2∆/3 ≤ 0
D’où: -50 ≤ ∆ ≤100
Intervalle d’optimalité: C1∈[250, 400]
La valeur du profit change: Z ∈[3200, 4400].
8
Variation des coef. de la fonction objectif cj
Considérons une variation du coefficient C2 de 200 à 200 + ∆

300 200+∆ 150 0 0 0

VB bi x1 x2 x3 s1 s2 s3
200+∆ x2 6 0 1 1/3 0 2/3 -1/3
0 s1 4 0 0 -1/3 1 1/3 1/3
300 x1 8 1 0 1/3 0 -1/3 2/3
∆j 3600+6∆ 0 0 -50/3-∆/3 0 -100/3-2∆/3 - 400/3+∆/3

Afin de garder la même solution optimale, il faut que:

-50/3-∆/3 ≤ 0
-100/3-2∆/3 ≤ 0
- 400/3+∆/3 ≤ 0
D’où: -50 ≤ ∆ ≤400
Intervalle d’optimalité: C2 ∈[150, 600]
9 La valeur du profit change: Z ∈[3300, 6000].
Variation du second membre de la contrainte: bj
b’ = b + ∆
La base reste optimale car ∆ j ≤0 est indépendant de b.
La base est réalisable siV.VB ≥ 0
Changer b n’a d’influence que sur la réalisabilité de la base
(et sur la valeur de l’objectif) mais pas sur l’optimalité.
Donc, les valeurs de certaines variables de bases
pourraient changer.
Déterminer l’intervalle de réalisabilité pour lequel, la
solution optimale reste stable, pour une variation bi .

10
Variation du second membre de la contrainte: bj
Exemple:
Max Z = 300 x1 + 200 x2 + 150 x3
x1 + x2 + x3 ≥ 10 (Production minimale)
x1 + 2x2 + x3 ≤ 20 (Sciage)
2 x1 + x2 + x3 ≤ 22 (Assemblage)
x1 ≥ 0, x2 ≥ 0, x3 ≥ 0

300 200 150 0 0 0

VB bi x1 x2 x3 s1 s2 s3
200 x2 6 0 1 1/3 0 2/3 -1/3
0 s1 4 0 0 -1/3 1 1/3 1/3
300 x1 8 1 0 1/3 0 -1/3 2/3
∆j 3600 0 0 -50/3 0 -100/3 - 400/3
11
 Variation du second membre de la contrainte: bj
Contrainte de type ≤
Considérons une variation de b2 de 20 à 20 +∆.
300 200 150 0 0 0
VB b’i=bi+∆s2 x1 x2 x3 s1 s2 s3
200 x2 6+2/3∆ 0 1 1/3 0 2/3 -1/3
0 s1 4+1/3∆ 0 0 -1/3 1 1/3 1/3
300 x1 8-1/3∆ 1 0 1/3 0 -1/3 2/3
∆j 3600+100/3∆ 0 0 -50/3 0 -100/3 - 400/3

Dans le tableau optimal, la colonne correspondant à s2 nous donne les

coefficients de ∆ dans la colonne des valeurs de VB.
La base optimale reste réalisable tant que :
6 +2/3∆ ≥ 0 → ∆ ≥-9
4+1/3∆ ≥ 0 → ∆ ≥-12
8-1/3∆ ≥ 0 → ∆ ≤ 24
12
 Variation du second membre de la contrainte: bj
Contrainte de type ≤
D’où: -9 ≤ ∆ ≤ 24
Le coût marginal par heure (| ∆ j |=100/3) de la deuxième
ressource (appelé également « Shadow price » n’est valide que si la
solution de base demeure stable. Donc si et seulement si:
11 ≤ b’2 ≤ 44
Ceci est appelé le domaine de réalisabilité
Ou domaine de validité du coût marginal
Rappel: Ce coût marginal mesure l’augmentation de la fonction
objectif si l’on accroît d’une unité la capacité disponible (b1).
Tout changement au terme de droite d’une contrainte saturée
entraînera une modification de la valeur de la solution optimale.
3300 ≤ Z ≤ 4400
13
 Variation du second membre de la contrainte: bj
Contrainte de type ≤
Considérons une variation de b3 de 22 à 22 +∆.
300 200 150 0 0 0
VB b’i=bi+∆s3 x1 x2 x3 s1 s2 s3
200 x2 6-1/3∆ 0 1 1/3 0 2/3 -1/3
0 s1 4+1/3∆ 0 0 -1/3 1 1/3 1/3
300 x1 8+2/3∆ 1 0 1/3 0 -1/3 2/3
∆j 3600+400/3∆ 0 0 -50/3 0 -100/3 - 400/3
La base optimale reste réalisable tant que :
6 -1/3∆ ≥ 0 → ∆ ≤ 18
4+1/3∆ ≥ 0 → ∆ ≥-12
8+2/3∆ ≥ 0 → ∆ ≥ -12
D’où, -12 ≤ ∆ ≤ 18
10 ≤ b’3 ≤ 40 : intervalle de réalisabilité
Et 2000 ≤ Z ≤ 6000
14
 Variation du second membre de la contrainte: bj
Contrainte de type ≥
Considérons une variation de b1 de 10 à 10 +∆.
300 200 150 0 0 0
VB b’i=bi-∆s1 ∆ x1 x2 x3 s1 s2 s3

200 x2 6-0∆ 0 0 1 1/3 0 2/3 -1/3

0 s1 4-1∆ 1 0 0 -1/3 1 1/3 1/3
300 x1 8-0∆ 0 1 0 1/3 0 -1/3 2/3
∆j 3600 0 0 -50/3 0 -100/3 - 400/3

La base optimale reste réalisable si 4 -∆ ≥ 0 → ∆ ≤ 4

D’où: b’1 ≤ 14
Toute variation au terme de droite d’une contrainte marginale, inférieure à
la valeur de la variable d’écart correspondante, n’entrainera pas de
modification de la solution optimale Z.
15
 Variation du second membre de la contrainte: bj
Contrainte de type =

Si on fait varier le second membre d’une contrainte à l’égalité:

(b’ = b + ∆)
On procède comme pour le cas d’une contrainte de type ≤ en
rajoutant les coefficients de la colonne de la variable artificielle
multipliés par la variation ∆.

16
 Variation du second membre de la contrainte: bj

Remarque: Relation avec le Dual

Les coefficients de la fonction objectif du primal correspondent
aux second membres des contraintes du Dual et inversement.
Donc, faire varier le second membre des contraintes du primal,
revient à faire varier les coefficients de la fonction objectif du
Dual et inversement.

17