13/03/2023

Recherche Opérationnelle (RO)

Mlouka FARHAT, mlouka.farhat@universitecentrale.tn

1 È R E ANNÉE CYCLE ING, 2022 - 2023

Introduction à la RO
Définitions
 Une approche scientifique à la prise des décisions

 Cherche à déterminer comment concevoir et faire fonctionner un système d’une façon

optimale : coût min, meilleur profit, plus courte distance, etc.

 Sous des conditions nécessitant l’allocation de ressources limitées : temps machine,

ressource humaine, matière première, etc.

1
 13/03/2023

Introduction à la RO
Définitions
 Une approche scientifique à la prise des décisions

 Cherche à déterminer comment concevoir et faire fonctionner un système d’une façon

optimale : coût min, meilleur profit, plus courte distance, etc.

 Sous des conditions nécessitant l’allocation de ressources limitées : temps machine,

ressource humaine, matière première, etc.

 Pour la résolution de problèmes d'optimisation de systèmes complexes du monde réel

Introduction à la RO
Définitions
 Une approche scientifique à la prise des décisions

 Cherche à déterminer comment concevoir et faire fonctionner un système d’une façon

optimale : coût min, meilleur profit, plus courte distance, etc.

 Sous des conditions nécessitant l’allocation de ressources limitées : temps machine,

ressource humaine, matière première, etc.

 Pour la résolution de problèmes d'optimisation de systèmes complexes du monde réel

 Une discipline à la croisée des mathématiques et de l'informatique

2
 13/03/2023

Introduction à la RO
Exemple 1 : Problème du voyageur de commerce (TSP)

 Un voyageur de commerce (vous), basé à Tunis, veut visiter ses

copains éparpillés dans toute la TUNISIE.
 Il souhaite effectuer la tournée la plus courte possible (et/ou la
moins chère ).

Introduction à la RO
Exemple 1 : Solution de TSP

Algorithme Glouton

 Comment construire la tournée la plus courte ?

 Avec n villes
 Coûts de transport, et distance sur les arcs
 Visitant chaque ville et retournant à Tunis

3
 13/03/2023

Introduction à la RO
Exemple 2 : Problème du sac à dos
Vous avez décidé de partir en randonnée

Vous voulez remplir votre sac de capacité 15kg avec les objets les plus utiles

 Un ensemble de N objets
 Chaque objet a une valeur et un poids
 Il y a une capacité du sac à respecter
 Quels objets mettre dans le sac à dos pour maximiser la valeur
totale ?

Introduction à la RO
Exemple 2 : Solution du Problème du sac à dos

Programmation dynamique

 12 $
 14 kg

4
 13/03/2023

Introduction à la RO
Origine du terme RO
 Née pendant la 2ème guerre mondiale, chez l’armée britannique

 Techniques d'optimisation des ressources militaires :

 Implantation optimale de radars de surveillance de la côte Anglaise

 Organisation des convois maritimes

 Attaques contre sous-marins

 Couverture optimale de la zone de combat

Introduction à la RO
Domaines d'application
 Agences : Gestion stratégique d'investissements (centres d’affaires), Optimisation de plans de financement
immobiliers (banques), Gestion des projets, …

10

10

5
 13/03/2023

Introduction à la RO
Domaines d'application
 Agences : Gestion stratégique d'investissements (centres d’affaires), Optimisation de plans de financement
immobiliers (banques), Gestion des projets, …

 Industries : Gestion de la chaîne logistique (transports, production, stocks, …)

11

11

Introduction à la RO
Domaines d'application
 Agences : Gestion stratégique d'investissements (centres d’affaires), Optimisation de plans de financement
immobiliers (banques), Gestion des projets, …

 Industries : Gestion de la chaîne logistique (transports, production, stocks, …)

 Gouvernement : Planification des trains, Gestion de contrôle aérien, Planification de la production d’électricité,
Gestion de problèmes environnementaux , …

12

12

6
 13/03/2023

Introduction à la RO
Domaines d'application
 Agences : Gestion stratégique d'investissements (centres d’affaires), Optimisation de plans de financement
immobiliers (banques), Gestion des projets, …

 Industries : Gestion de la chaîne logistique (transports, production, stocks, …)

 Gouvernement : Planification des trains, Gestion de contrôle aérien, Planification de la production d’électricité,
Gestion de problèmes environnementaux , …

 Santé : Planification et affectation des personnels de santé,

Séquençage et recombinaison d’ADN (Biologie moléculaire), …

13

13

Introduction à la RO
Domaines d'application
 Agences : Gestion stratégique d'investissements (centres d’affaires), Optimisation de plans de financement
immobiliers (banques), Gestion des projets, …

 Industries : Gestion de la chaîne logistique (transports, production, stocks, …)

 Gouvernement : Planification des trains, Gestion de contrôle aérien, Planification de la production d’électricité,
Gestion de problèmes environnementaux , …

 Santé : Planification et affectation des personnels de santé,

Séquençage et recombinaison d’ADN (Biologie moléculaire), …

 Institutions d’éducation : Affectation de étudiants à des universités, …

14

14

7
 13/03/2023

Introduction à la RO
Méthodologie de la RO : Face a un problème pratique de décision
 (3) : Objectifs, contraintes, variables de décision, simplifications Identification du
problème (1)

Collecte de
données (2)

Modélisation (3)

Analyse de
Vérification du Recherche de méthode de
modèle (4) solutions (5) résolution (6)

Implémentation
et validation
pratique(7)

Déploiement des
solutions (8)

15

15

Introduction à la RO
Méthodologie de la RO : Face a un problème pratique de décision
 (3) : Objectifs, contraintes, variables de décision, simplifications Identification du
problème (1)

 (5) : Proposition d'un algorithme (Graphes, Programmation Collecte de

données (2)

linéaire, Problème du plus court chemin, …)

Modélisation (3)

Analyse de
Vérification du Recherche de méthode de
modèle (4) solutions (5) résolution (6)

Implémentation
et validation
pratique(7)

Déploiement des
solutions (8)

16

16

8
 13/03/2023

Introduction à la RO
Méthodologie de la RO : Face a un problème pratique de décision
 (3) : Objectifs, contraintes, variables de décision, simplifications Identification du
problème (1)

 (5) : Proposition d'un algorithme (Graphes, Programmation Collecte de

données (2)

linéaire, Problème du plus court chemin, …)

Modélisation (3)

 (6) : Validité théorique de l'algorithme (temps d'exécution pour

trouver la solution, qualité de la solution fournie). Analyse de
Vérification du Recherche de méthode de
modèle (4) solutions (5) résolution (6)

Implémentation
et validation
pratique(7)

Déploiement des
solutions (8)

17

17

Introduction à la RO
Méthodologie de la RO : Face a un problème pratique de décision
 (3) : Objectifs, contraintes, variables de décision, simplifications Identification du
problème (1)

 (5) : Proposition d'un algorithme (Graphes, Programmation Collecte de

données (2)

linéaire, Problème du plus court chemin, …)

Modélisation (3)

 (6) : Validité théorique de l'algorithme (temps d'exécution pour

trouver la solution, qualité de la solution fournie). Analyse de
Vérification du Recherche de méthode de
modèle (4) solutions (5) résolution (6)
 (7) : valider par rapport à la demande

Implémentation
et validation
pratique(7)

Déploiement des
solutions (8)

18

18

9
 13/03/2023

Introduction à la RO
Méthodologie de la RO : Face a un problème pratique de décision
 (3) : Objectifs, contraintes, variables de décision, simplifications Identification du
problème (1)

 (5) : Proposition d'un algorithme (Graphes, Programmation Collecte de

données (2)

linéaire, Problème du plus court chemin, …)

Modélisation (3)

 (6) : Validité théorique de l'algorithme (temps d'exécution pour

trouver la solution, qualité de la solution fournie). Analyse de
Vérification du Recherche de méthode de
modèle (4) solutions (5) résolution (6)
 (7) : valider par rapport à la demande

 (8) : Intégration logicielle Implémentation

et validation
pratique(7)

Déploiement des
solutions (8)

19

19

Introduction à la RO
Outils de RO
 Programmation mathématique
 Programmation linéaire

 Programmation quadratique

 Programmation en nombres entiers

 Programmation dynamique

 Théories des files d’attentes

 Analyses de réseaux et graphes

 Analyse statistique

 Méthodes de décomposition, Méthodes de coupes, Optimisation convexe, Simulation

20

20

10
 13/03/2023

Introduction à la RO
La RO en FRANCE : Grands groupes avec un pôle R&D en RO :
Airfrance La poste

La SNCF Renault

EDF Air Liquide

France Telecom SFR

Bouygues Google

GDF Suez

21

21

Introduction à la RO
La RO en FRANCE : Pour les autres entreprises
Sociétés de conseil spécialisées : accompagnent les industriels pour mettre en place des systèmes d'aide a la
décision

22

22

11
 13/03/2023

Introduction à la RO
La RO en FRANCE : Pour les autres entreprises
Sociétés de conseil spécialisées : accompagnent les industriels pour mettre en place des systèmes d'aide a la
décision

Editeurs de logiciels :

 ILOG (IBM) : Outils d'optimisation, Applications de supply chain

 Fico XPress : logiciels de modélisation de problèmes linéaires ou quadratiques avec variables réelles ou
entières

 AMADEUS : plateforme de réservation centralisée pour l'industrie du voyage et outils de gestion des
compagnies aériennes, …

23

23

Introduction à la RO
La RO en FRANCE : Pour les autres entreprises
Sociétés de conseil spécialisées : accompagnent les industriels pour mettre en place des systèmes d'aide a la
décision

Editeurs de logiciels :

 ILOG (IBM) : Outils d'optimisation, Applications de supply chain

 Fico XPress : logiciels de modélisation de problèmes linéaires ou quadratiques avec variables réelles ou
entières

 AMADEUS : plateforme de réservation centralisée pour l'industrie du voyage et outils de gestion des
compagnies aériennes, …

Laboratoires académiques

24

24

12
 13/03/2023

Plan
1. Modélisation en Programme Linéaire

3. Méthode de Simplexe

4. Dualité

5. Analyse de Sensibilité dans la Programmation Linéaire

6. Modélisation en Programme en Nombres Entiers

7. Méthode de Branch-and-Bound

25

25

Chapitre 1 : Modélisation en Programme

Linéaire
Définition de Programmation Linéaire
Exemple de PL : Problème de jardinage
Représentations générales de PL
Vocabulaire de PL
Problème de production
Résolution géométrique de PL
Notions de convexité et points extrêmes
26

26

13
 13/03/2023

Définition de Programmation Linéaire

Programmation mathématique (PM)
 Une technique de la RO concernée par les problèmes d’allocation optimale des ressources limitées aux
diverses activités d’une organisation

27

27

Définition de Programmation Linéaire

Programmation mathématique (PM)
 Une technique de la RO concernée par les problèmes d’allocation optimale des ressources limitées aux
diverses activités d’une organisation

 3 choses à identifier :

 Un objectif (fonction objectif, f(x)),

 Des variables de décisions (x), et

 Des contraintes (gi(x) = 0, hj(x) ≤ 0, x ∈ S).

28

28

14
 13/03/2023

Définition de Programmation Linéaire

Programmation Linéaire (PL)
 Une branche de la PM où toutes les fonctions du modèle mathématique sont linéaires

 Nombre fini de variables réelles, Contraintes linéaires, Objectif linéaire

29

29

Définition de Programmation Linéaire

Programmation Linéaire (PL)
 Une branche de la PM où toutes les fonctions du modèle mathématique sont linéaires

 Nombre fini de variables réelles, Contraintes linéaires, Objectif linéaire

30

30

15
 13/03/2023

Exemple de PL : Problème de jardinage

Identification du problème
 Vous décidez de planter dans votre jardin vos légumes préférés : Navets et Courgettes

 Vous avez un très grand terrain mais vous êtes limité par la quantité d'engrais

31

31

Exemple de PL : Problème de jardinage

Identification du problème
 Vous décidez de planter dans votre jardin vos légumes préfères : Navets et Courgettes

 Vous avez un très grand terrain mais vous êtes limité par la quantité d'engrais

A B Antiparasite

32

32

16
 13/03/2023

Exemple de PL : Problème de jardinage

Identification du problème
 Vous décidez de planter dans votre jardin vos légumes préfères : Navets et Courgettes

 Vous avez un très grand terrain mais vous êtes limité par la quantité d'engrais

A B Antiparasite

 Objectifs : produire le maximum de légumes, sachant que rendements = 4kg/m2 courgettes, 5kg/m2 navets

33

33

Exemple de PL : Problème de jardinage

Modélisation du problème en PL
 Variables de décisions : dans un PL, elles doivent complètement décrire les décisions à prendre

34

34

17
 13/03/2023

Exemple de PL : Problème de jardinage

Modélisation du problème en PL
 Variables de décisions : dans un PL, elles doivent complètement décrire les décisions à prendre

 Fonction objectif : le décideur veut maximiser (le revenue ou profit) ou minimiser (le coût) une
fonction des variables de décisions.

35

35

Exemple de PL : Problème de jardinage

Modélisation du problème en PL
 Variables de décisions : dans un PL, elles doivent complètement décrire les décisions à prendre

 Fonction objectif : le décideur veut maximiser (le revenue ou profit) ou minimiser (le coût) une
fonction des variables de décisions.

d’Engrais A
d’Engrais B
 Contraintes : les valeurs x et y sont limitées par les contraintes suivantes d’Antiparasite
Restriction de signe

36

36

18
 13/03/2023

Exemple de PL : Problème de jardinage

Intérêt de la PL
 Problème général d'optimisation sous contraintes

AUCUNE méthode GENERALE de résolution ! !

37

37

Exemple de PL : Problème de jardinage

Intérêt de la PL
 Problème général d'optimisation sous contraintes

AUCUNE méthode GENERALE de résolution ! !

PL quelconque : existence de méthodes de résolution générales et efficaces

38

38

19
 13/03/2023

Exemple de PL : Problème de jardinage

Intérêt de la PL
 Problème général d'optimisation sous contraintes

AUCUNE méthode GENERALE de résolution ! !

PL quelconque : existence de méthodes de résolution générales et efficaces

 Ces méthodes sont efficaces en théorie et en pratique

En utilisant l’un de ces logiciels de résolution :

Excel, Xpress, CPLEX, Mathematica, LP-Solve. . .

39

39

Exemple de PL : Problème de jardinage

Intérêt de la PL
 Problème général d'optimisation sous contraintes

AUCUNE méthode GENERALE de résolution ! !

Contraintes
linéaires

PL quelconque : existence de méthodes de résolution générales et efficaces Variables Objectif

réelles linéaire

 Ces méthodes sont efficaces en théorie et en pratique Cadre

restrictif
En utilisant l’un de ces logiciels de résolution :

Excel, Xpress, CPLEX, Mathematica, LP-Solve. . .

40

40

20
 13/03/2023

Exemple de PL : Problème de jardinage

Représentation in extenso
En combinant la fonction objectif avec les contraintes (A), (B) et (C) et les restrictions de signe :

41

41

Exemple de PL : Problème de jardinage

Représentation in extenso
En combinant la fonction objectif avec les contraintes (A), (B) et (C) et les restrictions de signe :

Représentation matricielle

42

42

21
 13/03/2023

Représentations générales de PL

Représentation in extenso

43

43

Représentations générales de PL

Représentation in extenso

Représentation matricielle

44

44

22
 13/03/2023

Représentations générales de PL

Représentation in extenso Représentation matricielle

45

45

Vocabulaire de PL
 xi variable de décision du problème

 xréalisable = (x1, x2, …, xn) solution réalisable ssi elle satisfait toutes les contraintes

 xoptimale = (x1, x2, …, xn) solution optimale ssi elle est réalisable et optimise la fonction-objectif

46

46

23
 13/03/2023

Vocabulaire de PL
 xi variable de décision du problème

 xréalisable = (x1, x2, …, xn) solution réalisable ssi elle satisfait toutes les contraintes

 xoptimale = (x1, x2, …, xn) solution optimale ssi elle est réalisable et optimise la fonction-objectif

 Domaine réalisable (DR) : ensemble de toutes les solutions réalisables .

47

47

Vocabulaire de PL
 xi variable de décision du problème

 xréalisable = (x1, x2, …, xn) solution réalisable ssi elle satisfait toutes les contraintes

 xoptimale = (x1, x2, …, xn) solution optimale ssi elle est réalisable et optimise la fonction-objectif

 Domaine réalisable (DR) : ensemble de toutes les solutions réalisables .

48

48

24
 13/03/2023

Vocabulaire de PL
 xi variable de décision du problème

 xréalisable = (x1, x2, …, xn) solution réalisable ssi elle satisfait toutes les contraintes

 xoptimale = (x1, x2, …, xn) solution optimale ssi elle est réalisable et optimise la fonction-objectif

 Domaine réalisable (DR) : ensemble de toutes les solutions réalisables .

 Contraintes inégalité ou égalité linéaire

49

49

Vocabulaire de PL
 xi variable de décision du problème

 xréalisable = (x1, x2, …, xn) solution réalisable ssi elle satisfait toutes les contraintes

 xoptimale = (x1, x2, …, xn) solution optimale ssi elle est réalisable et optimise la fonction-objectif

 Domaine réalisable (DR) : ensemble de toutes les solutions réalisables .

 Contraintes inégalité ou égalité linéaire

 Fonction objectif (ou fonction économique) linéaire

50

50

25
 13/03/2023

Problème de production
Une compagnie fabrique deux types de jouets en bois: des soldats et des trains. Un soldat est vendu pour 27 D et utilise l’équivalent de
10D de matière première. Chaque soldat fabriqué augmente le coût de main d’œuvre et les frais généraux de 14 D. Un train peut être
vendu pour 21 D et utilise 9 D de matière première. Chaque train augmente le coût de MO et les frais généraux de 10 D. La fabrication de
ces deux jouets nécessite deux types d’opération spécialisées : menuiserie et finition, comme indiqué dans le tableau suivant :

51

51

Problème de production
Une compagnie fabrique deux types de jouets en bois: des soldats et des trains. Un soldat est vendu pour 27 D et utilise l’équivalent de
10D de matière première. Chaque soldat fabriqué augmente le coût de main d’œuvre et les frais généraux de 14 D. Un train peut être
vendu pour 21 D et utilise 9 D de matière première. Chaque train augmente le coût de MO et les frais généraux de 10 D. La fabrication de
ces deux jouets nécessite deux types d’opération spécialisées : menuiserie et finition, comme indiqué dans le tableau suivant :

Chaque semaine, la compagnie peut obtenir toute la matière première nécessaire ; cependant, seulement 80 hrs de menuiserie et 100
hrs de finition peuvent être investies. La demande pour les trains est non limitée ; mais au plus 40 soldats sont vendus chaque semaine.
La compagnie désire maximiser son profit (revenus-coûts) hebdomadaire.

Formuler un modèle mathématique de la situation de la compagnie, qui peut être utilisé pour maximiser le profit hebdomadaire.

52

52

26
 13/03/2023

Résolution géométrique de PL
 Une méthode de résolution d’un PL qui ne comporte que 2 variables de décisions

 Etapes de cette méthode :

1. Interpréter les contraintes, Représenter leurs lignes et l’ensemble du DR

2. Localiser la solution optimale

3. Obtenir la solution optimale

53

53

Résolution géométrique de PL
 Revenons à notre exemple de PL : Problème de jardinage

 1ère étape : Interpréter les contraintes, Représenter leurs lignes et l’ensemble du DR

d’Engrais A
d’Engrais B
d’Antiparasite
Restriction de signe

54

54

27
 13/03/2023

Résolution géométrique de PL
 Revenons à notre exemple de PL : Problème de jardinage

 1ère étape : Interpréter les contraintes, Représenter leurs lignes et l’ensemble du DR

d’Engrais A
d’Engrais B
d’Antiparasite
Restriction de signe

55

55

Résolution géométrique de PL
 Revenons à notre exemple de PL : Problème de jardinage

 1ère étape : Interpréter les contraintes, Représenter leurs lignes et l’ensemble du DR

d’Engrais A ⇒ demi-plan de ℜ2
d’Engrais B
d’Antiparasite
Restriction de signe

56

56

28
 13/03/2023

Résolution géométrique de PL
 Revenons à notre exemple de PL : Problème de jardinage

 1ère étape : Interpréter les contraintes, Représenter leurs lignes et l’ensemble du DR

d’Engrais A ⇒ demi-plan de ℜ2
d’Engrais B ⇒ demi-plan
d’Antiparasite
Restriction de signe

57

57

Résolution géométrique de PL
 Revenons à notre exemple de PL : Problème de jardinage

 1ère étape : Interpréter les contraintes, Représenter leurs lignes et l’ensemble du DR

d’Engrais A ⇒ demi-plan de ℜ2
d’Engrais B ⇒ demi-plan
d’Antiparasite ⇒ demi-plan
Restriction de signe ⇒ demi-plan

58

58

29
 13/03/2023

Résolution géométrique de PL
 Revenons à notre exemple de PL : Problème de jardinage

 1ère étape : Interpréter les contraintes, Représenter leurs lignes et l’ensemble du DR

d’Engrais A ⇒ demi-plan de ℜ2
d’Engrais B ⇒ demi-plan
d’Antiparasite ⇒ demi-plan
Restriction de signe ⇒ demi-plan DR = intersection de ces demi-plans : polyèdre

59

59

Résolution géométrique de PL
 Revenons à notre exemple de PL : Problème de jardinage

 2ème étape : Localiser la solution optimale (optimiser l’objectif)

1. Dessiner une ligne de niveau (d’isoprofit ou d’isocoût) :

4x+5y = const𝒂𝒏𝒕𝒆 en choisissant un point du DR et en
calculant sa valeur

60

60

30
 13/03/2023

Résolution géométrique de PL
 Revenons à notre exemple de PL : Problème de jardinage

 2ème étape : Localiser la solution optimale (optimiser l’objectif)

1. Dessiner une ligne de niveau (d’isoprofit ou d’isocoût) :

4x+5y = const𝒂𝒏𝒕𝒆 en choisissant un point du DR et en
calculant sa valeur

4x + 5y = 13

61

61

Résolution géométrique de PL
 Revenons à notre exemple de PL : Problème de jardinage

 2ème étape : Localiser la solution optimale (optimiser l’objectif)

1. Dessiner une ligne de niveau (d’isoprofit ou d’isocoût) :

4x+5y = const𝒂𝒏𝒕𝒆 en choisissant un point du DR et en
calculant sa valeur

2. Déplacer la ligne d’isoprofit dans la direction qui

augmente la valeur de z (pour un pb de maximisation)
4x + 5y = 31

4x + 5y = 22

4x + 5y = 13

62

62

31
 13/03/2023

Résolution géométrique de PL
 Revenons à notre exemple de PL : Problème de jardinage

 2ème étape : Localiser la solution optimale (optimiser l’objectif)

1. Dessiner une ligne de niveau (d’isoprofit ou d’isocoût) :

4x+5y = const𝒂𝒏𝒕𝒆 en choisissant un point du DR et en
Les lignes de niveau f= constante de la
calculant sa valeur fonction-objectif sont des hyperplans affines

2. Déplacer la ligne d’isoprofit dans la direction qui

augmente la valeur de z (pour un pb de maximisation)
4x + 5y = 31

4x + 5y = 22

4x + 5y = 13

63

63

Résolution géométrique de PL
 Revenons à notre exemple de PL : Problème de jardinage

 3ème étape : Obtenir la solution optimale et calculer

La dernière ligne qui touche le DR définit la plus large

valeur

4x + 5y = 22

64

64

32
 13/03/2023

Notions de convexité et points extrêmes

Définition 1 :
Un ensemble E ∈ ℜn est dit convexe si pour tout point x, y 𝜖 E, le segment [xy] est entièrement contenu
dans E :

E est convexe ∀ x, y ∈ E, et ∀ λ ∈ [0,1], on a {λ x + (1-λ) y} ∈ E

65

65

Notions de convexité et points extrêmes

Définition 2 :
E est un ensemble convexe, un point P ∈ E est appelé point extrême si chaque segment entièrement
contenu dans E et contenant le point P, a P comme une extrémité.

Soit P ∈ E, P est un point extrême [ ∃ x, y ∈ E, et λ ∈ [0,1], tels que P =λ x + (1-λ) y ] alors P=x ou P=z

66

66

33
 13/03/2023

Notions de convexité et points extrêmes

Caractéristique d’un PL : le DR d’un PL est ou bien vide ou convexe.

67

67

Notions de convexité et points extrêmes

Caractéristique d’un PL : le DR d’un PL est ou bien vide ou convexe.

Théorème : Pour un PL donné, si un optimum existe, au moins un point extrême (sommet du

polyèdre) est optimal.

68

68

34
 13/03/2023

Notions de convexité et points extrêmes

Caractéristique d’un PL : le DR d’un PL est ou bien vide ou convexe.

Théorème : Pour un PL donné, si un optimum existe, au moins un point extrême (sommet du

polyèdre) est optimal.

Corollaire : Si PL admet un optimum unique, alors cet optimum doit être

un point extrême.

69

69

Notions de convexité et points extrêmes

Cas particuliers de PL :
PL non borné

Ligne d’isoprofit

70

70

35
 13/03/2023

Notions de convexité et points extrêmes

Cas particuliers de PL :
PL non borné

DR

Ligne d’isoprofit

71

71

Notions de convexité et points extrêmes

Cas particuliers de PL :
PL à une infinité de solutions optimales

Ligne d’isoprofit

72

72

36
 13/03/2023

Notions de convexité et points extrêmes

Cas particuliers de PL :
PL à une infinité de solutions optimales

Tous les points sur [A,B] sont optimaux

DR

Ligne d’isoprofit

73

73

Notions de convexité et points extrêmes

Cas particuliers de PL :
PL non réalisable

x2 = 30

30

Ligne d’isoprofit

x1 = 30

74

74

37
 13/03/2023

Notions de convexité et points extrêmes

Cas particuliers de PL :
PL non réalisable DR vide ⇒ PL non réalisable

x2 = 30

30

Ligne d’isoprofit

x1 = 30

75

75

38