Optimisation

TRAVAIL PERSONNEL
ÉTUDIANT (TPE)

Sidy SOUNFOUNTERA

16 août 2022
 Première Partie
Exercice 2 :

Variables de décision :
Soient :
x1 le nombre d’hectares pour planter des pommes de terre
x2 le nombre d’hectares pour planter du froment
x3 le nombre d’hectares pour planter peut être la jachère
Contraintes :



 x1 + x2 + x3 6 50 (nombre d0 hectares)

1

 x + 2x2 6 80 (nombre de jours de travail)

2 1



 5x1 + 10x2 6 550 (coût)



x1 , x2 , x 3 > 0 (non négativité)

Fonction Objectif :
Max Z = 20x1 + 60x2
Le modèle à résoudre est :




 M ax Z = 20x1 + 60x2





 Sous Contraintes


x1 + x2 + x3 6 50


1



 x
2 1
+ 2x2 6 80





 5x1 + 10x2 6 550



 x1 , x 2 , x3 > 0

Résolvons le par la méthode du simplexe

Forme standard




 M ax Z = 20x1 + 60x2





 Sous Contraintes


x1 + x2 + x3 + e1 = 50


1



 x
2 1
+ 2x2 + e2 = 80





 5x1 + 10x2 + e3 = 550



 x1 , x2 , x3 , e1 , e2 , e3 > 0

Les variables d’écart sont e1 , e2 et e3 .

1
En initialisant x1 = x2 = x3 = 0 , on a e1 = 50 , e2 = 80 , e3 = 550

Tableau 0

V HB
x1 x2 x3 e1 e2 e3 S R
VB
e1 1 1 1 1 0 0 50 50
1
e2 2
2 0 0 1 0 80 40
e3 5 10 0 0 0 1 550 55
-Z 20 60 0 0 0 0 0

Tableau 1

V HB
x1 x2 x3 e1 e2 e3 S R
VB
3 1 40
e1 4 0 1 1 - 2
0 10 3
1 1
x2 4
1 0 0 2
0 40 160
10
e3 4
0 0 0 -5 1 150 60
-Z 5 0 0 0 - 30 0 - 2400

Tableau 2

V HB
x1 x2 x3 e1 e2 e3 S R
VB
4 4 2 40
x1 1 0 3 3
- 3
0 3
x2 0 1 - 13 - 13 2
3
0 110
3
e3 0 0 - 103
- 103
- 10
3
1 350
3
-Z 0 0 - 203
- 203
- 80
3
0 - 7400
3

L’optimum est atteinte à

x1 ∗ = 40
3
; x2 ∗ = 110
3
; e3 ∗ = 350
3
; x3 ∗ = 0 et Z ∗ = 7400
3
Donc pour réaliser un bénéfice maximum de 7400 3
, le fermier doit utiliser 40
3
110
hectares pour la pomme de terre et 3 hectares pour le froment.

Exercice 3 :

Variables de décision :
Soient :

2
x1 la quantité de l’alliage 1 à produire
x2 la quantité de l’alliage 2 à produire
Contraintes :



 0,5x1 + 0,2x2 6 16 (Cuivre)


0,25x1 + 0,3x2 6 11 (Zinc)





 0,25x1 + 0,5x2 6 15 (P lomb)



x1 , x2 > 0 (non négativité)

Fonction Objectif :
Max Z = 3000x1 + 5000x2
Le modèle à résoudre est :




 M ax Z = 3000x1 + 5000x2





 Sous Contraintes


0,5x1 + 0,2x2 6 16





 0,25x1 + 0,3x2 6 11





 0,25x1 + 0,5x2 6 15



 x1 , x2 > 0

Résolvons le par la méthode du simplexe

Forme standard




 M ax Z = 3000x1 + 5000x2





 Sous Contraintes


0,5x1 + 0,2x2 + e1 = 16





 0,25x1 + 0,3x2 + e2 = 11





 0,25x1 + 0,5x2 + e3 = 15



 x1 , x2 , e1 , e2 , e3 > 0

Les variables d’écart sont e1 , e2 et e3 .

En initialisant x1 = x2 = 0 , on a e1 = 16 , e2 = 11 , e3 = 15

Tableau 0

3
 V HB
x1 x2 e1 e2 e3 S R
VB
e1 0,5 0,2 1 0 0 16 80
110
e2 0,25 0,3 0 1 0 11 3
e3 0,25 0,5 0 0 1 15 30
-Z 3000 5000 0 0 0 0

Tableau 1

V HB
x1 x2 e1 e2 e3 S R
VB
e1 0,4 0 1 0 - 0,4 10 25
e2 0,10 0 0 1 - 0,6 2 20
x2 0,5 1 0 0 2 30 60
-Z 500 0 0 0 - 10000 - 150000

Tableau 2

V HB
x1 x2 e1 e2 e3 S R
VB
e1 0 0 1 -4 2 2
x1 1 0 0 10 -6 20
x2 0 1 0 -5 5 20
-Z 0 0 0 - 5000 - 7000 - 160000
L’optimum est atteint à
x1 ∗ = 20 ; x2 ∗ = 20 ; e1 ∗ = 2 et Z ∗ = 160000
Donc l’entreprise doit produire 20 tonnes pour chaque alliage pour avoir le
profit maximum de ses ventes égal 160000.

Exercice 5 :

1) Variables de décision :
Soient :
x1 le nombre de lots du produit 1 à produire par semaine
x2 le nombre de lots du produit 2 à produire par semaine
Contraintes :

4
 


 x1 6 4 (usine 1)


2x2 6 12 (usine 2)





 3x1 + 2x2 6 18 (usine 3)



x1 , x2 > 0 (non négativité)

Fonction Objectif :

Max Z = 3000
20
x1 + 5000
20
x2 = 150x1 + 250x2
Le modèle à résoudre est :




 M ax Z = 150x1 + 250x2





 Sous Contraintes


x1 6 4 y1





 2x2 6 12 y2





 3x1 + 2x2 6 18 y3



 x1 , x2 > 0

Résolvons le par la méthode du simplexe

Forme standard




 M ax Z = 150x1 + 250x2





 Sous Contraintes


x1 + e1 = 4





 2x2 + e2 = 12





 3x1 + 2x2 + e3 = 18



 x1 , x2 , e1 , e2 , e3 > 0

Les variables d’écart sont e1 , e2 et e3 .

En initialisant x1 = x2 = 0 , on a e1 = 4 , e2 = 12 , e3 = 18

Tableau 0

5
 V HB
x1 x2 e1 e2 e3 S R
VB
e1 1 0 1 0 0 4 /
e2 0 2 0 1 0 12 6
e3 3 2 0 0 1 18 9
-Z 150 250 0 0 0 0

Tableau 1

V HB
x1 x2 e1 e2 e3 S R
VB
e1 1 0 1 0 0 4 4
1
x2 0 1 0 2
0 6 /
e3 3 0 0 -1 1 6 2
-Z 150 0 0 - 125 0 - 1500

Tableau 2

V HB
x1 x2 e1 e2 e3 S R
VB
1 1
e1 0 0 1 - 3
- 3
2
1
x2 0 1 0 2
0 6
x1 1 0 0 - 13 1
3
2
-Z 0 0 0 - 75 - 50 - 1800

L’optimum est atteint à

x1 ∗ = 2 ; x2 ∗ = 6 ; e1 ∗ = 2 et Z ∗ = 1800
Donc pour avoir un profit total maximum de 1800 dollars, le compagnie doit
produire 2 lots du produit 1 et 6 lots du produit 2 par semaine.
2) Le dual du modèle résolu à la question 1) permet de résoudre
ce problème.
Variables de décision :
Soient :
y1 le prix horaire à demander à l’usine 1
y2 le prix horaire à demander à l’usine 2
y3 le prix horaire à demander à l’usine 3
Contraintes :

6
 


 y1 + 3y3 > 150


2y2 + 2y3 > 250

y1 , y2 , y3 > 0



Fonction Objectif :

Min W = 4y1 + 12y2 + 18y3

Le modèle à résoudre est :



 M in W = 4y1 + 12y2 + 18y3





 Sous Contraintes


y1 + 3y3 > 150

2y2 +2y3 > 250








y1 , y2 , y3 > 0

A partir de la résolution précédente on a :

y1 ∗ = 0 ; y2 ∗ = 75 ; y3 ∗ = 50 et W ∗ = 1800
Donc pour que le résultat soit équitable, la compagnie partenaire de Wyndor
Glass doit demander par heure 0 dollar à l’usine 1, 75 dollar à l’usine 2 et 50
dollar à l’usine 3.

Exercice 7 :

1) Primal
Variables de décision :
Soient :
x1 la quantité de P1 à acheter
x2 la quantité de P2 à acheter
x3 la quantité de P3 à acheter
x4 la quantité de P4 à acheter
x5 la quantité de P5 à acheter
x6 la quantité de P6 à acheter
Contraintes :



 x1 + 2x3 + 2x4 + x5 + 2x6 > 9 (V itamine A)


x2 + 3x3 + x4 + 3x5 + 2x6 > 19 (V itamine C)

x1 , x2 , x3 , x4 , x5 , x 6 > 0 (non négativité)



7
Fonction Objectif :

Min Z = 35x1 + 30x2 + 60x3 +50x4 + 27x5 + 22x6

Le modèle à résoudre est :



 M in Z = 35x1 + 30x2 + 60x3 +50x4 + 2x5 + 22x6





 Sous Contraintes


x1 + 2x3 + 2x4 + x5 + 2x6 > 9

x2 + 3x3 + x4 + 3x5 + 2x6 > 19








x1 , x2 , x3 , x4 , x5 , x6 > 0

La résolution est faite par le Solver Excel

Voir figure
L’optimum est atteint à
x1 ∗ = 0 ; x2 ∗ = 0 ; x3 ∗ = 0 , x4 ∗ = 0 , x5 ∗ = 5 , x6 ∗ = 2 et Z ∗ = 179
La famille doit acheter 5 kg du produit P5 et 2 kg de P6 pour les vitamines
A et C pour un coût minimum de 179.
2) Dual
Variables de décision :
Soient :
yA le prix de la vitamine A
yC le prix de la vitamine C
Contraintes :




 yA 6 35 (P1 )





 yC 6 30 (P2 )





 2yA + 3yC 6 60 (P3 )


2yA + yC 6 50 (P4 )

yA +3yC 6 27 (P5 )










 2yA + 2yC 6 22 (P6 )


yA , yC > 0



Fonction Objectif :

Max W = 9yA + 19yC

Le modèle à résoudre est :

8
 




M ax W = 9yA + 19yC

Sous Contraintes










 yA 6 35





 yC 6 30


2yA + 3yc 6 60

2yA + yC 6 50










 yA +3yC 6 27


2yA + 2yC 6 22






yA , yC > 0



La résolution est faite par le Solver Excel

Voir figure
L’optimum est atteint à
yA ∗ = 3 , yC ∗ = 8 et W∗ = 179
Pour être compétitif et avoir un profit maximum de 179F, il faut proposer
3F pour la vitamine A et 8F pour la vitamine C.

Figure 1 – Solver Excel

9
 Deuxième Partie
Exercice 43 :

Construisons le graphe G des rencontres dont les sommes représentent les

élèves, une arête (i, j) signale que les élèves i et j se sont rencontrés.
Il suffit de trouver une coloration du graphe en utilisant un minimum de cou-
leurs pour résoudre le problème. Déterminons le nombre chromatique γ(G) :
Une partition des sommets de G en sous-ensembles stables est :
S1 = {A, B, C} ; S2 = {D, G} ; S3 = {F } et S4 = {E}
Alors γ(G) 6 4.
G contient un seul sous-graphe complet {B, E, F, G} d’ordre 4.
Alors γ(G) > 4. On en déduit que γ(G) = 4.
Donc 4 couleurs sont suffisantes pour la coloration de G. En conclusion la
bibliothèque doit disposer de 4 places assises pour que chacun des élèves ait
pu travailler correctement au cours de cette journée.
Voir graphe ci-dessous.

Figure 2 – Graphe

1ère Place assise (Bleu) : les élèves A, B et C.

2ème Place assise (Vert) : les élèves D et G.
3ème Place assise (Orange) : l’élève F.
4ème Place assise (Jaune) : l’élève E.

10
Exercice 44 :

Construisons le graphe G dont les sommes représentent les agences numé-

rotés ν1 , ν2 , ν3 , ν4 , ν5 , ν6 et ν7 et chaque arête (i, j) signale que les agences i
et j proposent au moins un lieu commun.
Proposons une coloration du graphe en utilisant un minimum de couleurs.
Déterminons le nombre chromatique γ(G) :
Une partition des sommets de G en sous-ensembles stables est :
S1 = {ν1 , ν3 , ν7 } ; S2 = {ν2 , ν6 } et S3 = {ν4 , ν5 }. Alors γ(G) 6 3.
G contient plusieurs sous-graphes complets d’ordre 3. Alors γ(G) > 3. On en
déduit que γ(G) = 3.
Donc 3 couleurs sont suffisantes pour la coloration de G. En conclusion Ces
agences peuvent organiser les visites sur les trois premiers jours de la semaine.
Voir le graphe ci-dessous :

Figure 3 – Graphe

1er jour (Vert) : Visite des agences ν1 , ν3 et ν7 .

2ème jour (Bleu) : Visite des agences ν2 et ν6 .
3ème jour (Jaune) : Visite des agences ν4 , et ν5 .

11