Chapitres 1, 2 Et 3

Recherche Opérationnelle
Programmation Linéaire
Dr. O. Chadli
Copyright © 2020 O. Chadli
P UBLISHED BY P UBLISHER : D ÉPARTEMENT D ’E CONOMIE ET G ESTION . U NIVERSITÉ I BN

Z OHR .
BOOK - WEBSITE . COM
Licensed under the Creative Commons Attribution-NonCommercial 3.0 Unported License (the
“License”). You may not use this file except in compliance with the License. You may obtain a
copy of the License at http://creativecommons.org/licenses/by-nc/3.0. Unless required
by applicable law or agreed to in writing, software distributed under the License is distributed on an
“AS IS ” BASIS , WITHOUT WARRANTIES OR CONDITIONS OF ANY KIND, either express or implied.
See the License for the specific language governing permissions and limitations under the License.
First printing, Agadir, Novembre 2020

Contents
1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5
1.1 Tentative de definition 6
1.2 Les domaines d’applications 7
1.3 Difficultés de l’Optimisation 8
1.4 Objectifs et critères de la recherche opérationnelle 9
1.5 La recherche opérationnelle est plus un art qu’une science 10
1.6 Recherche opérationnelle et Gestion 10
2 Mise en Equations et Résolution Graphiques. . . . . . . . . . . . . . . . . . . . 13

2.1 Mise en équations 13
2.2 Interprétation graphique 15
2.3 Résolution graphique 16
2.4 Solutions extrêmes et cas dégénérés 19
2.5 Méthode énumérative 20
2.6 Exercises 20
3 Méthode de Dantzig: Résolution Algébrique . . . . . . . . . . . . . . . . . . . 25

3.1 Généralités. Principe de la méthode 25
3.2 Mise du programme sous la forme standard 26
3.3 Problème de la détermination d’une solution extrême de départ 27
3.4 Exposé algébrique de la méthode du simplexe 29
3.5 Exercises 37
1. Introduction
Pour le grand public, la recherche opérationnelle est une technique récente, datant tout au plus de la
seconde guerre mondiale. Et, en fait, c’est bien à son application aux opérations militaires qu’elle
doit son nom.
En réalité, elle est bien plus ancienne, car, dès le dix-septième siècle, B. Pascal et P. de Fermât,
inventeurs de la notion d’espérance mathématique (1654), cherchaient, suivis de peu par Jacques
Bernoulli et Waldegrave, à résoudre des problèmes de décision dans l’incertain. Avant la fin de
l’ancien régime, Monge s’était proposé et avait résolu analytiquement un problème économique de
nature combinatoire : celui des déblais et remblais (1776). Sous la monarchie de Juillet, Augustin
Cournot s’était attaqué à la théorie mathématique des richesses (1838), devenant ainsi le précurseur
de l’économétrie. Plus récemment, Emile Borel introduisait la théorie mathématique des jeux, sous
sa forme moderne, à l’Académie des Sciences (1921-25), tandis qu’Erlang fondait celle des files
d’attente, qu’il utilisait à la conception des réseaux téléphoniques (1917). Enfin, à la veille de la
guerre 1939-45, L. Kantorovitch concevait et appliquait la programmation linéaire à la planification
peu après que Kônig se fut intéressé aux graphes (1936).
On peut donc dire que, lorsque le physicien anglais Blackett fut, en 1940, appelé à présider la
première équipe de chercheurs opérationnels, d’illustres devanciers l’avaient précédé. Cependant,
Blackett eut l’immense mérite de trouver l’organisation lui permettant de traiter rapidement et avec
succès la difficile question de l’implantation optimale des radars de surveillance britanniques, qui
devaient jouer un rôle si déterminant dans la bataille d’Angleterre. On sait qu’il attribua lui-même
l’efficacité de son entreprise aux faits que l’équipe qu’il avait rassemblée était très hétérogène
(autrement dit les points de vue qui s’y manifestèrent étaient très variés), qu’aucune information
(même secrète) ne fut jugée trop noble pour échapper à sa compétence et qu’enfin il réserva la
décision à ses commettants.
Dès la fin des hostilités, furent tentés de nombreux essais d’application à l’économie industrielle
O. Chadli. ©FSJES Agadir

6 Chapter 1. Introduction
de méthodes jusqu’alors éprouvées seulement par les états-majors alliés. Depuis cette date, des
milliers de publications témoignent de leur réussite et de leurs heureux développements.
C’est pourquoi l’on peut légitimement se demander pourquoi l’apparition de la recherche opéra-
tionnelle a été si tardive. Il est bon d’énumérer quelques-unes des principales raisons de cette
naissance laborieuse:
a- Les modèles mathématiques qui ont, de longue date, conquis la physique et peu à peu, bien
d’autres sciences expérimentales, n’ont pas été acceptés d’emblée par les spécialistas des
sciences économiques, particulièrement de la micro-économie et surtout de l’économie
d’entreprise. Il ne faut pas méconnaître que les économistes avaient quelques raisons de
suspecter des modèles inertes, simplistes, rigides et abstraits, d’être peu propres à représenter
le milieu vivant, complexe, flexible et terriblement concret de l’économie. Toutefois, dès
que la connaissance économique fut suffisamment avancée et consentit à se parer du nom
de science, il fallut bien se rendre à l’évidence: comme dans toutes les autres sciences
expérimentales, parvenues à une certaine maturité, le recours à la mathématique était fatal;
b- C’est seulement à notre époque que les problèmes sont devenus irrémédiablement complexes,
en raison de la taille croissante des firmes et de l’intrication extraordinaire des liens qui les
unissent entre elles;
c- Enfin, la théorie de la recherche opérationnelle ne serait rien sans les moyens de calcul, les
machines numériques automatiques, seules aptes à résoudre les problèmes dans la pratique.
Or, les premiers ordinateurs n’ont été commercialisés qu’en 1955-56.
A ce propos, il peut être utile de remarquer qu’il en va de la recherche opérationnelle comme des
ordinateurs. Ces derniers suscitent souvent des espoirs démesurés ou des craintes infondées. Il
faut répéter que la machine doit être considérée comme un instrument, un outil au service de son
créateur: l’homme. Il faut se persuader que lorsqu’on confie à une machine l’exécution d’opérations
qui, naguère encore étaient l’apanage de l’esprit humain, le caractère de cette besogne se transforme,
du même coup, radicalement: le travail intellectuel devient un simple travail d’exécution. Il
n’y a donc aucune chance qu’une machine dépasse un jour son auteur, bien qu’il n’y ait pas
d’impossibilité à ce qu’elle démontre une conjecture, voire découvre un théorème inconnu (par une
combinaison logique inattendue...). De la même manière, la recherche opérationnelle est l’auxiliaire
de la décision humaine: elle lui est, par essence, subordonnée et il n’existe pas plus de chance
qu’elle la supplante un jour.
1.1 Tentative de definition

Plutôt qu’un arsenal de méthodes mathématiques adaptées à l’optimisation des processus de pro-
duction et de diffusion des produits, la recherche opérationnelle est l’ensemble des méthodes et
techniques rationnelles d’analyse et de synthèse des phénomènes d’organisation utilisables pour
élaborer de meilleures décisions, chaque fois que des hommes, des machines, des produits se
trouvent en relations actives, on dira qu’on a affaire à un phénomène d’organisation. Les problèmes
relatifs à ces phénomènes d’organisation se signalent tout d’abord, généralement, par leur caractère
hautement combinatoire. Pour peu que le hasard y soit mêlé et que la concurrence s’y manifeste,
les situations deviennent encore plus compliquées.
Il a été longtemps de mode de penser que les décisions, à propos des phénomènes d’organisation
qui existent dans l’entreprise, la région, voire la nation, étaient du ressort du seul bon sens.

1.2 Les domaines d’applications 7
C’est particulièrement vrai dans plusieurs pays, où la formation des dirigeants et des entrepreneurs
est fortement teintée de cartésianisme et où l’on confond volontiers la puissance de l’esprit humain
avec les ressources du sens commun.
Aussi, la recherche opérationnelle n’est pas le moyen d’échapper aux jugements de bon sens.
Bien au contraire, elle constitue la méthode adéquate pour ramener l’attention de l’homme aux
domaines où sa raison individuelle peut s’exercer efficacement, c’est- à-dire au niveau des choix -
une fois résolus et explorés, par des techniques adéquates, les problèmes combinatoires, aléatoires
ou concurrentiels qui ne sont pas du ressort de l’esprit, même le mieux constitué.
1.2 Les domaines d’applications

L’idée à retenir est que la recherche opérationnelle ne s’occupe pas des problèmes dans lesquels
une solution de bon sens intervient tout naturellement. Son domaine réservé est celui des situations
dans lesquelles, pour une raison quelconque, le sens commun se révèle faible ou impuissant.
Tels sont:
1- Les problèmes combinatoires: Il est bien connu que l’homme envisage difficilement la multi-
plicité des combinaisons qui se présentent, dans les moindres faits de la vie, lorsque plusieurs
variables peuvent prendre, chacune, des états différents. Ainsi, si l’on pose à l’homme de
la rue cette question: combien faut-il de temps à une famille de huit personnes, prenant en
commun deux repas journaliers, pour épuiser les diverses possibilités de se grouper autour
de la table familiale? on recevra des réponses variées, dont les moins optimistes fixeront un
délai de quelques mois pour la réalisation de ce modeste objectif. On sait qu’en réalité, à
deux repas par jour (2), douze mois par an (3 < 4), trente jours par mois (5 × 6), il faudra
quante-six ans (7 × 8) pour en venir à bout, car:
8! = 1 × 2 × 3 × 4 × 5 × 6 × 7 × 8
nombre des dispositions différentes, est déjà un nombre très grand.

Dans tous les problèmes fortement combinatoires (le précédent donne encore des résultats
de petite taille), l’esprit humain ne peut envisager le nombre astronomique des arrange-
ments, permutations, combinaisons. Il lui faut un fil d’Ariane s’il veut choisir, entre telle
ou telle de ces dispositions, relativement à un critère quelconque, car, même avec une puis-
sante machine, le principe fondamental en matière combinatoire demeure d’éviter toute
énumération. Pour s’en convaincre, il suffit de constater que l’énumération de 20! solutions
(nombre des affectations de vingt personnes à vingt postes), à la vitesse d’une par microsec-
onde, prendrait 77096 ans. Ou bien d’imaginer un instant qu’il est possible d’énumérer
les fonctions différentes de 9 variables binaires seulement; or, celles-ci sont au nombre de
9
22 = 2512 = 1, 134076087 × 10155 qui dépasse le nombre estimé des électrons et des protons
dans l’Univers !
2- Les domaines de l’aléatoire: Devant les problèmes de l’aléatoire, la situation du décideur n’est
guère meilleure.
Example 1.1 Dans une usine, la moyenne des entrées des ouvriers au bureau du corre-
spondant de la sécurité sociale est d’une personne par 4 minutes; l’employé de ce bureau
peut servir, en moyenne, une personne toutes les 3 minutes 18 secondes. On peut en con-
clure que l’employé de bureau, recevant 8×60 4 = 120 clients par jour et leur consacrant
3mn18 × 120 = 6h36mn, sur sa journée de 8 heures, peut largement suffire à ce service. Il
est possible de voir que cette solution par les moyennes est mauvaise, car le temps perdu par
les ouvriers, en attente d’être servis, peut atteindre de nombreuses heures qui, étant donnée
la perte à la production correspondante, reviennent incroyablement plus cher que l’embauche
d’un second employé, pourtant destiné seulement à absorber les pointes de trafic. Pour
que cette véritable solution puisse apparaître, il est nécessaire de considérer le phénomène
aléatoire dans toute son ampleur; il faut tenir compte de toutes les incidences du hasard et
minimiser l’espérance mathématique du coût global des opérations.
3- Les situations de concurrence: Les situations de duel (sinon de concurrence multiple, cas encore
plus difficile) demandent à être étudiées avec le plus grand soin. Il est bien clair, en effet, que
le choix d’une stratégie dans une situation donnée, dépend des décisions des concurrents. Et,
comme celles-ci sont éventuelles, il s’agit, à la fois, d’un problème combinatoire et d’une
situation de hasard.
Example 1.2 Imaginons, par exemple, qu’un fabricant A hésite, à chaque campagne de
vente, entre la hausse, le maintien et la diminution de ses prix de vente, sachant parfaitement
que la concurrence peut lui opposer les mêmes stratégies pures. Supposons, en outre, qu’il ait
été en mesure de déterminer les gains (les gains négatifs sont des pertes) qu’il réaliserait pour
chaque paire de choix (son propre choix et le choix du concurrent en duopole) par rapport au
chiffre normal : ces situations sont résumées par le tableau ci-dessous
Concurrence
+ = −
+ 5 −1 −4
Stratégie de A = 6 0 −2
− 10 −1 2
La solution (nullement immédiate) de ce problème est la suivante: le fabricant doit, au hasard,

mais trois fois sur cinq, maintenir ses prix et, deux fois sur cinq, les abaisser, pendant que
son concurrent, s’il est habile (ce qui est évidemment postulé) doit, quatre fois sur cinq, les
maintenir et, une fois sur cinq, les diminuer, moyennant quoi A ne perdra, en moyenne, que
0,4 à chaque coup.
Les domaines d’application de la recherche opérationnelle peuvent donc se classer en:

• Problèmes combinatoires. Par exemples: définition des investissements les plus rentables,
optimisation des niveaux d’activité, des affectations, des transports, ordonnancements, etc.;
• Problèmes stochastiques (c’est-à-dire ou intervient le hasard). Par exemples: files d’attente,
problème de stocks, réparation et renouvellement des équipements, etc.;
• Problèmes concurrentiels. Par exemples: définition des polotiques d’approsionnement, de
vente, etc.
1.3 Difficultés de l’Optimisation

a- Un entrepreneur quelconque pourrait avoir le sentiment qu’en minimisant ses investissements,
optimisant ses fabrications (productivité maximale, coût minimal), déterminant le prix
de vente le plus convenable, etc., il fera le profit maximal. Mais le mathématicien n’est
généralement pas capable de résoudre un problème dans lequel existent, à la fois, plusieurs
fonctions à optimiser. C’est pourquoi, dans l’immense majorité des cas, l’entrepreneur doit
se borner à indiquer les limites de ses investissements, dépenses en études et recherches,
en service commercial, en capacités de fabrication et de stockage, etc., pour permettre au
chercheur opérationnel d’optimiser une seule et unique fonction, par exemple maximiser une
fonction de revenu.
Les limites indiquées fournissent les contraintes du problème. Par exemple, si les produits
P1 , P2 et P3 , fabriqués en quantités respectives x1 , x2 et x3 , occupent des capacités de 1, 2 et
2 unités de volume, respectivement, et si l’on dispose d’une capacité totale de stockage de
1.4 Objectifs et critères de la recherche opérationnelle 9
4000 unités, on écrira:
x1 + 2x2 + 2x3 ≤ 4000,
c’est la contrainte de capacité de stockage.

Si ces mêmes produits laissent des profits nets respectifs de 4, 12 et 3 unités monétaires et si
l’on désire maximiser le revenu, on posera :
[Maximizer] z = 4x1 + 12x2 + 3x3
c’est la fonction économique ou critère d’optimisation du problème.

Les différentes contraintes limitent, dans un espace à n dimensions (s’il existe n variables),une
surface à l’intérieur ou à la périphérie de laquelle se trouvent les points dont les coordonnées
constituent une solution possible du problème. Il reste alors à trouver et à utiliser des
techniques de calcul permettant de choisir, parmi cette infinité de points, celui (ou ceux) qui
donne(nt) à la fonction économique sa valeur optimale.
L’idée essentielle à retenir est donc celle de l’unicité de la fonction à optimiser1 .
b- On se rend compte qu’il est bien difficile d’imaginer - et, a fortiori, en général impossible de
bâtir un modèle complet du fonctionnement d’une entreprise. En conséquence, l’entrepreneur
propose, souvent, au chercheur opérationnel, de se borner à un aspect de ses préoccupations
(fixation des niveaux d’activité, optimisation de la gestion des stocks, par exemple). Dans ces
conditions, il ne s’agit que d’une sous-optimisation, qui risque de provoquer des perturbations
sérieuses dans des domaines connexes de l’entreprise (ou de son environnement). Une sous-
optimisation comporte donc des dangers; avant de l’appliquer, il faut prendre garde à ses
conséquences sur les éléments qui ne figurent pas dans le modèle.
Example 1.3 Une optimisation des stocks chez B, qui a comme fournisseur A, et C comme
client, peut entraîner des difficultés inattendues chez ce fournisseur et ce client.
c- Un critère d’optimisation peut se dégrader ou être périmé lorsque du temps a passé. Cela est
dû, avant tout, à la grande flexibilité du monde économique, aux progrès de la technique, à
l’obsolescence des produits, aux fluctuations de la législation, aux renversements de la mode,
etc. et parfois, tout simplement, à la succession des saisons. Ce qui est bon en 2019 peut
devenir mauvais en 2020; ce qui est à conseiller en été peut être à rejeter en hiver. Bref, en
recherche opérationnelle, l’évolution est de règle, même pour le critère de choix.
1.4 Objectifs et critères de la recherche opérationnelle

La définition des objectifs et la détermination du critère d’optimisation sont du ressort de l’entrepreneur.
Ce serait avoir une vue technocratique de la recherche opérationnelle que d’imaginer que c’est à
l’analyste de fixer les valeurs limites définissant les contraintes et d’instituer le critère de choix. Au
contraire, ce sont là des domaines qui appartiennent en propre à l’entrepreneur. Si, par exemple,
l’analyste se voit confier l’étude des politiques d’exploitation d’une société concessionnaire de
services, il ne peut décider, de lui-même, d’optimiser la rémunération du capital, en limitant le
service aux exigences du cahier des charges, ou, au contraire, d’optimiser le service au meilleur
profit des usagers, en assignant au capital tel ou tel rendement qui lui plaît. C’est aux dirigeants de la
société, ou, dans certains cas, aux autorités de tutelle, de choisir entre ces deux situations opposées.
Le mieux étant sans doute, dans le cas présent, d’obtenir un éventail de solutions favorisant ainsi
un choix éclairé. Car le chercheur opérationnel ne saurait non plus se substituer à l’entrepreneur,
1 Cette idée n’est pas en opposition avec la démarche de l’analyse multicritère en vogue depuis plusieurs années; en
effet, cette analyse n’aboutit pas à un véritable optimum, même si l’on agrège (plus ou moins) les différents critères.
dont c’est la fonction de décider quelle solution lui paraît la plus convenable ou la plus praticable.
Il faut affirmer bien haut que la recherche opérationnelle, loin d’entraver l’exercice des prérogatives
de l’entrepreneur, autorise ce dernier à décider en meilleure connaissance de cause, donc élève
finalement le niveau où se manifeste la liberté du choix.
1.5 La recherche opérationnelle est plus un art qu’une science

Les méthodes et les buts de la recherche opérationnelle en font bien plus un art qu’une science. En
effet, elle ne cherche pas tant à explïquep les phénomènes qu’elle prend en compte qu’à permettre
d’agir sur leur évolution. Ce qu’on appelle pompeusement un modèle n’est le plus souvent qu’un
schéma d’interventons utile à un agent économique déterminé pour obtenir - de son point de vue
- les meilleurs résultats possibles dans des circonstances déterminées. En tout cas, la recherche
Figure 1.1:
opérationnelle apparaît comme une discipline-carrefour, associant étroitement les méthodes et

les résultats de l’économie d’entreprise, la mathématique et l’informatique. L’élaboration du
schéma d’intervention utilise les ressources conjuguées de l’analyse économique et de la théorie
des systèmes; elle a besoin aussi de données, fournies par le système informatique et justiciables de
méthodes statistiques. Le traitement du schéma, après que la mathématique ait permis de choisir
une voie pour atteindre une bonne solution (voire l’optimum, s’il est bien défini et accessible),
entraîne presque toujours l’usage d’un ordinateur puissant. Enfin la critique des résultats exige, une
fois de plus, la réunion des différents acteurs.
1.6 Recherche opérationnelle et Gestion

Naguère encore, le souci d’une bonne gestion se traduisait par un soin spécial apporté à la compt-
abilité. En fait, la comptabilité est l’histoire du passé et elle comporte plusieurs buts, dont l’un
1.6 Recherche opérationnelle et Gestion 11
est de permettre de connaître la situation de fortune de l’entreprise (les éléments passifs et actifs)
et l’autre de fournir au fisc les bases d’imposition. Plus récemment, la comptabilité a tenté aussi
de devenir un instrument de prévision. L’étude des ratios permet de surveiller le développement
de l’entreprise et facilite l’élaboration de certaines décisions: le contrôle budgétaire autorise une
certaine planification interne et un contrôle permanent de l’utilisation et de la croissance des
ressources.
Dans les années à venir, la comptabilité semble devoir concourir à une gestion de plus en plus
scientifique. Une des conditions de ce développement est l’intégration des données, qui vise à saisir
le fait élémentaire, une fois pour toutes, dans sa pureté, c’est-à-dire au plus près de sa source. Il
faut remarquer que cette exigence ne contrarie en rien la réalisation d’un système d’informations
adapté à une structure plus ou moins décentralisée de l’entreprise et s’accomode, sans difficulté, de
tout système informatique correspondant au type d’organisation retenu, pourvu qu’un archivage
convenable soit prévu.
Source: R. Faure2 .
2 R. Faure: Précis de recherche opérationnelle. Méthodes et exercices d’application. Dunod, 7ième édition.
2. Mise en Equations et Résolution Graphiques.
Les principaux concepts et résultats seront introduits à partir de l’exemple numérique suivant:
Un ébéniste fabrique des bureaux sous deux modèles: le modèle « luxe» et le modèle «stan-
dard». Des études de marché ont montré que, pour l’année à venir, les possibilités de vente
s’élèvent à 300 unités pour le modèle « luxe» et à 400 unités pour le modèle « standard ».
L’approvisionnement en bois est suffisant pour pouvoir fabriquer annuellement 500 bureaux,
quel que soit le type. Par ailleurs, le temps de fabrication d’un bureau sous le modèle « luxe»
est double de celui d’un bureau de type « standard »; la capacité annuelle de fabrication est
telle que, si tous les bureaux fabriqués étaient du type « standard », on pourrait en fabriquer
700 au maximum. La vente d’un bureau sous le modèle « luxe» conduit à une marge unitaire
sur coût variable égale à 7, celle d’un bureau de type « standard» : 5. On se propose de
rechercher le programme annuel de fabrication conduisant au profit global maximal.
2.1 Mise en équations

Dans cette section, on donne la formulation mathématique de l’exemple numérique donné ci-dessus.
La démarche utilisée sera adoptée pour fomuler mathématiquement tout problème similaire. Donc
il est recommendé de suivre les différentes étapes mentionées ci-dessous.
1. Variables d’activités
Désignons par x1 et x2 les nombres annuels respectifs de bureaux de modèle « luxe» et de modèle
« standard » à fabriquer : ce sont les inconnues du problème. Ces nombres sont des valeurs
numériques de variables que nous désignerons par les mêmes notations: x1 et x2 ; ces variables sont
souvent appelées variables d’activités et ce sont des variables d’action, c’est-à-dire des variables
auxquelles on peut attribuer à volonté certaines valeurs numériques, le but étant de déterminer des
valeurs numériques optimales en un sens qui va être précisé.
Le couple (x1 , x2 ) est appelé programme, quel que soit le contexte. Ici, c’est un programme annuel

14 Chapter 2. Mise en Equations et Résolution Graphiques.
de fabrication. C’est un couple de valeurs numériques ou de variables, selon la signification

attribuée à chaque élément x1 et x2 .
2. Fonction économique
Le profit global annuel résultant de la réalisation du programme (x1 , x2 ) est : z = 7x1 + 5x2 .
C’est une fonction linéaire des deux variables x1 et x2 .
L’objectif est de déterminer l’ensemble des couples de valeurs de x1 et x2 conférant à z sa valeur
maximale.
3. Contraintes
Si les variables x1 et x2 pouvaient prendre n’importe quelle valeur réelle, il serait possible d’obtenir
des valeurs arbitrairement élevées pour le profit global z en attribuant à x1 et x2 des valeurs positives
suffisamment grandes. Mais il n’en est rien: x1 et x2 ne peuvent décrire que des sous-ensembles de
valeurs réelles. En effet :
a- Contraintes de signe:
Par nature même, x1 et x2 ne peuvent être que des variables positives:
x1 ≥ 0 et x2 ≥ 0.
On dira que les variables sont soumises à des contraintes de signe. Ces contraintes de signe,
étant évidentes, ne sont généralement pas énoncées dans l’exposé du problème. Elles sont
implicites.
b- Contraintes de caractère économique:
Ces contraintes expriment encore des inégalités (au sens large) que doivent vérifier les
variables x1 et x2 :
x1 ≤ 300 (Possibilités de vente annuelle du modèle luxe)
x2 ≤ 400 (Possibilités de vente annuelle du modèle standard)
x1 + x2 ≤ 500 (Disponibilités annuelles en bois)
2x1 + x2 ≤ 700 (Capacité annuelle de fabrication)
Dans cette dernière inégalité, les coefficients 2 et 1 sont les standards d’unité d’ oeuvre.
R Enfin, dans cet exemple, les variables x1 et x2 ne peuvent prendre que des valeurs entières,
Quand les solutions théoriques s’expriment par des nombres non entiers, on retient des valeurs
arrondies aux entiers les plus proches de façon compatible avec les contraintes.
4. Notion de programme linéaire

En résumé, le problème consiste à rechercher pour quels couples (x1 , x2 ) de valeurs numériques
satisfaisant aux contraintes, la fonction économique z = 7x1 + 5x2 atteint sa valeur maximale.
Habituellement, on traduit la recherche de telles valeurs en écrivant ainsi:


 Max [z = 7x1 + 5x2 ]



 
 x1 ≤ 300
 x2 ≤ 400
 

(I) (2.1)

 s.c. x1 + x2 ≤ 500
2x + x2 ≤ 700

 
 1
 

 
x1 ≥ 0, x2 ≥ 0

Une telle écriture est appelée programme linéaire: elle pose ici le problème de la recherche du
maximum d’une fonction linéaire sous des contraintes linéaires.
2.2 Interprétation graphique 15
Definition 2.1.1 On dit qu’une contrainte est linéaire lorsqu’elle s’exprime au moyen d’une
inégalité ou d’une égalité, dont le premier membre est une forme linéaire des variables et le
second membre un nombre réel.
2.2 Interprétation graphique

Rappelons que le programme annuel de fabrication est un couple de réels (x1 , x2 ). Étant donné
qu’un couple de réels est susceptible d’être représenté par un point du plan R2 rapporté à deux axes,
il est possible d’interpréter et de résoudre graphiquement des programmes linéaires à deux variables.
Le système des contraintes est un système d’inéquations du premier degré à deux inconnues, voir
(2.1).
Chaque équation du type:
ax1 + bx2 = c
représente une droite du plan rapporté à deux axes et chaque inéquation du type
ax1 + bx2 ≤ c
représente un demi-plan fermé, limité par la droite d’équation ax1 + bx2 = c.

C’est ainsi que, dans notre exemple, les contraintes


 x1 ≤ 300
 x2 ≤ 400


x1 + x2 ≤ 500 (2.2)
 2x1 + x2 ≤ 700



x1 ≥ 0, x2 ≥ 0

du programme (I) représentent les six demi-plans fermés limités par les six droites:
Droite (D1 ) d’équation: x1 = 300

Droite (D3 ) d’équation: x1 + x2 = 500
Droite (D4 ) d’équation: 2x1 + x2 = 700
Les équations s’obtiennent en saturants une à une les contraintes, c’est à dire en y remplaçant le
symbole « ≤ » ou « ≥ » par « = ».
Sur la figure 2.1 ci-dessous, on a hachuré l’intersection (F) des six demi-plans fermés représen-
tatifs des contraintes (y compris celles de signe). La partie ainsi hachurée est un domaine polygonale
fermé (hexagone). Elle est l’image des solutions admissibles, c’est à dire l’ensemble des couples
(x1 , x2 ) vérifiants l’ensemble des contraintes (2.2).
Figure 2.1: (F) represente l’ensemble des solutions admissibles
R Pour décider quel demi-plan représente une contrainte, on teste en un point du plan. Par
exemple, après avoir mis en place la droite d’équation x1 + x2 = 500, on constate qu’au point
x1 = 0, x2 = 0, la contrainte inégalité x1 + x2 ≤ 500 est vérifiée. En conséquence, le demi-plan
représentatif de cette contrainte est limité par la droite x1 + x2 = 500 et contient l’origine.
2.3 Résolution graphique

Résoudre un programme linéaire consiste à trouver une solution optimale, c’est-à-dire, ici, une
solution admissible réalisant le maximum de la fonction économique.
Pour résoudre le programme (I), il suffit de déterminer en quels points de l’ensemble (F) la fonction
économique définie par
z = 7x1 + 5x2
atteint sa valeur maximale.
L’équation
z0 = 7x1 + 5x2 (2.3)
où le niveau z0 du profit est supposé fixé, représente une droite du plan que nous appellerons courbe
de niveau (ou d’indifférence) de la fonction économique, relative à la valeur z0 .
Pour des valeurs convenables de z0 , la courbe de niveau correspond à des points communs avec la
région (F), ce qui signifie qu’il existe des solutions admissibles conférant à la fonction économique
la valeur z0 .
Sur la figure 2.2, on a mis en place la droite d’équation:
z0 = 7x1 + 5x2
2.3 Résolution graphique 17
en prenant z0 = 1750. Elle coupe les axes aux points:
A0 (250, 0) et B0 (0, 350).
Le segment A0 B0 représente l’ensemble de toutes les solutions admissibles pour lesquelles la

fonction économique prend la valeur z0 = 1750.
Figure 2.2: Courbe de niveau
R La recherche des points de (F) conférant à la fonction économique sa valeur maximale

consiste donc à déterminer la courbe de niveau correspondant à la plus grande valeur possible
de z0 et ayant des points communs avec (F).
L’équation:
z = 7x1 + 5x2 (2.4)
où z est considéré comme un paramètre, représente une famille de droites parallèles, de coefficient
directeur commun m = − 57 . Autrement dit, les courbes de niveau sont des droites parallèles.
Sur la figure (2.3), on a placé une droite de la famille définie par l’équation (2.4) pour une valeur
quelconque fixée de z.
Figure 2.3:
On a OA = 17 z et OB = 15 z. Ces quantités sont directement proportionnelles à z. Ceci permet de

déterminer dans quel sens varie z lorsque l’on déplace cette droite parallèlement à elle-même,
comme l’indique la figure. On constate alors qu’il existe une position de cette droite correspondant
au maximum de OA et de OB, c’est-à-dire de z : c’est la droite (D∗ ) qui n’a qu’un seul point
commun avec (F) : le sommet O3 , qui apparaît comme seule solution optimale.
Au sommet O3 , on a deux contraintes saturées. On dit qu’une solution d’un programme linéaire
sature une contrainte-inégalité lorsque, pour cette solution, l’inégalité (au sens large) devient une
égalité.
Les coordonnées du sommet O3 sont solutions du système:

x1 + x2 = 500
2x1 + x2 = 700
qui sont: x1∗ = 200, x2∗ = 300 .

En conséquence, il existe un et un seul programme annuel optimal de fabrication:
200 bureaux de modèle « luxe »,
300 bureaux de modèle « standard »,
pour lequel le profit est maximum et s’élève à z∗ = 2900 .

2.4 Solutions extrêmes et cas dégénérés 19
2.4 Solutions extrêmes et cas dégénérés

a. Solutions extrêmes
Nous voyons, à travers l’exemple du programme (I), qu’il existe en général une infinité de solutions
admissibles1 . Cette infinité de solutions est représentée géométriquement, dans un plan, par les
points du domaine polygonal (F) convexe.
On admettra de plus le résultat suivant :
Theorem 2.4.1 S’il existe au moins une solution optimale, il existe nécessairement un sommet
de (F) correspondant à une solution optimale.
Dans la suite, on appellera solution extrême toute solution admissible (optimale ou non) corre-
spondant à un sommet de (F).
Dans notre exemple, le sommet O3 correspond à une solution extrême optimale.
b. Cas dégénérés
Dans l’exemple, le sommet O3 correspond à la seule solution du programme (I). On dit que le cas
est non dégénéré.
Par contre, si nous modifions le programme (I), en remplaçant la fonction économique par la
nouvelle fonction z = x1 + x2 , les droites de niveau deviendront parallèles au côté de (F) passant par
les sommets O3 et O4 . Si le sommet O3 représente une solution optimale, alors tous les points du
segment défini par les sommets O3 et O4 représentent l’ensemble de toutes les solutions optimales.
C’est le cas dégénéré. Il y a donc alors une infinité de solutions optimales, parmi lesquelles figurent
deux solutions extrêmes, correspondant aux deux sommets O3 et O4 .
Figure 2.4:
1 Ilpeut arriver que l’ensemble des solutions admissibles d’un programme linéaire soit vide. Dans ce cas, on dit que
les contraintes sont incompatibles.
2.5 Méthode énumérative

Puisque la solution optimale est une solution extrême (correspondant à un sommet) ou que, dans le
cas dégénéré, l’ensemble des solutions optimales comprend une (et même deux) solutions extrêmes,
il est possible de laisser de côté a priori toute solution non extrême dans la recherche d’une
solution optimale.
On peut alors, pour résoudre, envisager une méthode énumérative au lieu de la méthode graphique.
La méthode énumérative consiste à calculer la valeur que prend la fonction économique en chacun
des sommets et a retenir celui ou ceux qui correspondent à l’optimum. Il est clair qu’une telle
méthode n’est applicable que lorsque (F) possède un nombre suffisamment faible de sommets. Tel
est le cas pour le programme (I)
Figure 2.5:
On verra que dans le cas général, une méthode énumérative ne peut être envisagée, même si
l’on dispose de puissants moyens de calcul.
2.6 Exercises
Exercise 2.1 La direction d’une usine de meubles a constaté qu’il y a des temps morts dans
chacun des départements de l’usine. Pour remédier à cette situation, elle décide d’utiliser
ces temps morts pour fabriquer deux nouveaux modèles de bureaux, M1 et M2 . Les temps de
réalisation pour chacun de ces modèles dans les ateliers de sciage, d’assemblage et de sablage
ainsi que les temps libres dans chacun de ces ateliers sont donnés dans le tableau ci-dessous.
Ces temps représentent le nombre d’heures nécessaires à un homme pour effectuer le travail.
Les profits que la compagnie peut réaliser pour chacun de ces modèles sont de 300 DH pour M1
et de 200 DH pour M2 .
M1 M2 Temps Libre
Sciage 1 2 20
Assemblage 2 1 22
Sablage 1 1 12
Donner le programme de la direction permettant de déterminer combien de bureaux de chaque

modèle elle doit fabriquer pour maximiser son profit.
Exercise 2.2 L’entreprise NewTech doit, dans son processus de fabrication de ses produits,
utiliser trois phases successives d’opération : l’usinage des pièces, l’assemblage et la finition.
2.6 Exercises 21
Pour simplifier le problème, supposons que l’entreprise fabrique trois produits que nous noterons
P1 , P2 et P3 . Les différentes phases d’opération ne peuvent toutefois fonctionner que pendant un
certain nombre d’heures. La main d’oeuvre actuelle limite le nombre d’heures disponibles aux
valeurs suivantes:
Usinage: 100 heures
Assemblage: 120 heures
Finition: 200 heures
Le tableau suivant nous indique les temps de fabrication requis, en heures/unité, aux différentes
phases d’opération pour fabriquer les produits P1 , P2 et P3 .
P1 P2 P3
Usinage 1 2 1
Assemblage 3 4 2
Finition 2 6 4
Le département de compatibilité de l’entreprise a estimé aux valeurs suivantes la contribution au

bénéfice de chaque produit:
Produit DH/ unité

P1 6
P2 7
P3 8
De plus, on suppose qu’il n’existe aucune restriction de marché ; il peut absorber toute la
production. Déterminer le programme linéaire associé à ce problème.
Exercise 2.3 Une compagnie prépare trois assortiments de fruits frais : une boîte de luxe,
une boîte spéciale et une boîte ordinaire. La boîte de luxe contient 0.45 kg de dattes, 0.67 kg
d’abricots et 0.34 kg de pêches. La boîte spéciale contient 0.56 kg de dattes, 0.34 kg d’abricots
et 0.084 kg de pêches. La boîte ordinaire contient 0.45 kg de dattes, 0.22 kg d’abricots. La
compagnie dispose de 33.6 kg de dattes, 25.2 kg d’abricots et 10.08 kg de pêches. Les profits
sur chaque boîte de luxe, spéciale et ordinaire sont respectivement de 3 DH, 2 DH et 1.50 DH.
Enoncer le programme de base de la compagnie.
Exercise 2.4 Une compagnie a besoin d’espace additionnel pour entreposer ses marchandises.
Elle planifie la location d’espace pour les cinq prochains mois, sachant que l’espace additionnel
requis pour chacun de ces mois est connu avec certitude, tel que représenté par le tableau suivant:
Mois Espace additionnel requis (m2)

1 30000
2 20000
3 40000
4 10000
5 50000
Plusieurs options s’offrent à la compagnie : elle peut louer de l’espace un mois à la fois, mais
aussi pour des périodes de deux mois ou plus. Les coûts de location correspondants sont donnés
par le tableau suivant:
Période de location (mois) Coût de location (DH/m2)

1 65
2 100
3 135
4 160
5 190
L’objectif de la compagnie est de minimiser le coût total de location, tout en s’assurant que
l’espace additionnel requis soit loué. Formulez ce problème à l’aide d’un modèle de program-
mation linéaire.
Exercise 2.5 Un fabricant de meubles peut produire quatre modèles de bureau. Chaque bureau
est d’abord fabriqué dans l’atelier de menuiserie, puis envoyé à l’atelier de finition où il est
poncé et verni. Le nombre d’heures de travail requis dans chaque atelier est le suivant:
Modèle 1 Modèle 2 Modèle 3 Modèle 4

Menuiserie 4 9 7 10
Atelier de finition 1 1 3 40
Du fait des capacités de production limitées, on ne peut effectuer plus de 7000 heures de travail
dans l’atelier de menuiserie et de 4000 heures de travail dans l’atelier de finition, au cours des
six mois à venir. La marge bénificière brute (recette moins coût directs) provenant de la vente
de chaque modèle est la suivante:
Modèle 1 2 3 4
Marge 60 100 90 200
On suppose que les matières premières et les fournitures sont disponibles en quantités suffisante
et que toute la production peut être écoulée.
Travail à faire: Ecrire le programme linéaire dont l’objectif est la maximisation de la marge
bénificiaire.
(Source: D’après G.B. Dantzig, "Applications et prolongement de la programmation linéaire", Dunod)

Exercise 2.6 La "Socité anonyme des Fonderies du Maroc" fabrique, entre autres produits,
deux articles P1 et P2 qu’elle vend à des grossistes aux prix respectifs de 320 DH et 500 DH. Sur
le plan de fabrication, la production des produits P1 et P2 nécessite l’utilisation, dans un ordre
quelconque, de trois types de machines notées M1 , M2 et M3 , pendant des temps exprimés en
minutes dans le tableau suivant:
Machines M1 M2 M3
Produit P1 20 50 10
Produit P2 30 50 40
Par ailleurs, pour cette fabrication, ces machines ne sont disponibles au cours d’un mois que:
300 h pour les machines M1

2.6 Exercises 23
Les marges sur coûts variables, en poucentage du prix de vente, s’élèvent à
25 % pour P1
20 % pour P2 .
La direction vous demande:

1- De determiner, par une méthode graphique de résolution du système d’inéquations exprimant
les contraintes, un programme de fabrication permettant d’obtenir la marge sur coût
maximale;
2- D’en déduire:
a- Le chiffre d’affaires prévisionnel mensuel,
b- Le coefficient moyen de marge sur coûts variable par rapport au chiffre d’affaires
prévisionnel de l’ensemble des deux produits;
3- D’indiquer pour ce programme de fabrication:
a- Les machines pour lesquelles il y aura plein emploi,
b- Dans quelle mesure l’entreprise pourrais accepter des travaux de sous-traitance à faire
sur l’un de ses types de machines.
(Source: B.T.S., comptabilité et gestion d’entreprise.)

3. Méthode de Dantzig: Résolution Algébrique
3.1 Généralités. Principe de la méthode

L’exemple de programme linéaire qui a été introduit au chapitre 2 renferme seulement deux
variables; c’est ce qui nous a permis de représenter les couples (x1 , x2 ) par les points du plan R2
rapporté à deux axes et de résoudre ainsi graphiquement le problème. Dans la pratique, on conçoit
que le nombre de variables est, le plus souvent, très élevé (plusieurs centaines pour des problèmes
réels). La méthode de résolution graphique est inapplicable au-delà de deux variables, la méthode
énumérative également. On doit donc recourir dans ce cas à une autre méthode introduite par G.B.
Dantzig en 1947, dite du simplexe, qui, elle, est applicable quel que soit le nombre des variables.
Pour la commodité de l’exposé, nous décrirons la méthode du « simplexe» à partir de l’exemple du
programme (I) du Chapitre 2 (page 14 relation (2.1)), où l’objectif est la recherche d’un maximum.
Il s’agit là d’un programme à deux variables, mais les principes ainsi énoncés pourront être
étendus sans difficulté à d’autres programmes comportant davantage de variables. La méthode
du « simplexe » apparaît comme une amélioration de la méthode énumérative. Comme dans
cette dernière, on n’étudie que les solutions extrêmes correspondant aux sommets de l’ensemble
des solutions admissibles (F) pour rechercher les solutions optimales. Mais au lieu d’explorer
l’ensemble des solutions extrêmes, on se borne à une exploration systématique d’un sous-ensemble
de ces sommets.
A cette fin, on considère un sommet (O) a priori quelconque que nous appellerons sommet de
départ, correspondant à une solution extrême1 de départ. Considérons alors les sommets adjacents
au sommet de départ (O), c’est-à-dire les sommets de (F) reliés au sommet (O) par un côté
de (F). Désignons par z0 la valeur que prend la fonction économique au sommet (O). Il est
possible de répartir les sommets adjacents2 à (O) en trois classes, dont deux au plus peuvent être
éventuellement vides:
• C(O) : classe (ou ensemble) de sommets pour lesquels z > z0 ;
• C’(O) : classe de sommets pour lesquels z = z0 ;

1 Solution extrême sera par définition une solution admissible correspondant à un sommet de (F).
2 C’est à dire les sommets de (F) liés à (O) par un coté.
26 Chapter 3. Méthode de Dantzig: Résolution Algébrique
• C"(O) : classe de sommets pour lesquels z < z0 .

Si la classe C(O) est vide, cela signifie que pour tout sommet adjacent au sommet de départ (O), la
fonction économique prend une valeur z ≤ z0 . On peut démontrer que C(O) est alors un sommet
optimal, unique si de plus la classe C’(O) est vide. Sinon, on sélectionne un sommet (O1 ) de
la classe C(O) (par un moyen adéquat qui sera précisé ultérieurement), sommet où la fonction
économique prend la valeur z1 telle que:
z1 > z0 .
Le problème qui s’est posé au sommet de départ (O) se repose dans les mêmes termes au nouveau
sommet (O1 ).
Soient C(O1 ) , C’(O1 ) , C"(O1 ) les trois classes de sommets adjacents à (O1 ) définies comme précédem-
ment.
Si l’ensemble C(O1 ) est vide, le sommet (O1 ) est optimal, unique si de plus C’(O1 ) = 0. / Sinon,
on itère la procédure en sélectionnant un sommet (O1 ) dans la classe C(O1 ) , etc. On démontre
qu’au bout d’un nombre fini d’itérations, on atteindra une solution optimale. A chaque itération, la
fonction économique va en croissant. On voit donc que cette méthode itérative consiste, à partir
d’un sommet de départ, a cheminer tout le long de certains côtés de (F) jusqu’à l’obtention d’une
solution optimale, une itération faisant passer d’un sommet à un sommet adjacent en « améliorant»
la fonction économique.
3.2 Mise du programme sous la forme standard

La méthode du simplexe nécessite, pour sa mise en oeuvre pratique, la transformation de toute les
contraintes - autres que celles de signe - en égalités. Cette transformation necessite des variables
supplémentaires appelées variables d’écart.
Considérons le programme (I). La forme dans laquelle il a été présenté au chapitre 2, page
14 relation (2.1), est dite forme canonique (I). On peut lui associer un programme (I’) où les
contraintes ont été transformées en égalités. La forme du programme (I’) est dite forme standard.


 Max  [z = 7x1 + 5x2 ]



 
 x1 ≥ 0, x2 ≥ 0
 x1 ≤ 300
 

Forme canonique (I) (3.1)

 s.c. x2 ≤ 400
x + x2 ≤ 500

 
 1
 

 
2x1 + x2 ≤ 700



 Max [z = 7x1 + 5x2 + 0x3 + 0x4 + 0x5 + 0x6 ]



 
 x1 ≥ 0, x2 ≥ 0, x3 ≥ 0, x4 ≥ 0, x5 ≥ 0, x6 ≥ 0
 x1 + x3 = 300
 

Forme standard (I’) (3.2)

 s.c. x2 + x4 = 400
 x1 + x2 + x5 = 500

 


 

2x1 + x2 + x6 = 700

Le programme canonique (I) et le programme standard (I’) ont les mêmes solutions optimales, en
x1 et x2 ; autrement dit, les valeurs optimales de x1 et x2 sont les mêmes dans les programmes (I) et
(I’).
Les variables x3 , x4 , x5 et x6 s’appellent variables d’écart. Elles sont affectées d’un coefficient
positif de telle sorte que ces variables soient positives pour toute solution admissible (x1 , x2 ).
Ainsi, toutes les variables du programme (I’) sont soumises aux mêmes contraintes de signe. A
3.3 Problème de la détermination d’une solution extrême de départ 27
chaque contrainte économique du programme canonique (I) est associée une variable d’écart du
programme standard (I’).
Une contrainte de (I) est saturée si, et seulement si, sa variable d’écart associée est nulle.
Évidemment, la fonction économique doit être la même dans (I) et dans (I’). C’est le profit global
résultant du programme de fabrication (x1 , x2 ). Donc, dans (I’) les variables d’écarts ont des
coefficients nuls dans la fonction économique.
3.3 Problème de la détermination d’une solution extrême de départ

Considérons le système (S) des contraintes égalités de la forme standard:


 x1 + x3 = 300
x2 + x4 = 400

(S)
x + x2 + x5 = 500
 1


2x1 + x2 + x6 = 700
C’est un système linéaire de 4 équations linéairement indépendantes à 2 + 4 inconnues.

Plus généralement, soit un programme canonique à m contraintes et à n variables. Le programme
standard associé comporte un système de contraintes-égalités de m équations linéairement indépen-
dantes à n + m inconnues. Ce système de rang m = 4 admet une infinité de solutions. On les obtient
en donnant des valeurs arbitraires à n = 2 inconnues choisies arbitrairement. Ceci revient à dire
que (S) permet de calculer 4 inconnues convenablement choisies en fonction des deux autres.
Considérons maintenant l’ensemble des solutions admissibles du programme standard. Cet ensem-
ble est représenté par le domaine polygonal (F). Toute solution extrême sature simultanément deux
des contraintes au moins puisque chaque sommet est situé à l’intersection de deux au moins des
côtés de (F). Si la contrainte saturée est une des quatre contraintes économiques, la variable d’écart
correspondante est nulle. Si la contrainte saturée est une contrainte de signe, la variable d’activité
correspondante est nulle. Par conséquent, pour toute solution extrême, 2 inconnues sont nulles et
les 4 autres sont positives ou nulles. En conséquence, l’obtention de tous les sommets de (F) parmi
lesquels, on le sait, figurent toutes les solutions extrêmes optimales, passe par la résolution de tous
les systèmes de 4 équations à 4 inconnues, obtenues à partir de (S) en annulant 2 inconnues parmi
2 + 4 de toutes les façons possibles et en ne retenant que les solutions à coordonnées positives ou
nulles (en raison des contraintes de signe).
Par exemple, annulons x5 et x6 dans (S) et résolvons le système:
x1 + x3 = 300
x2 + x4 = 400
x1 + x2 = 500
2x1 + x2 = 700.
Solution:
x1 = 200, x2 = 300
x3 = 100, x4 = 100.
n
Cette solution est admissible, puisque toutes les coordonnées sont positives. Or, puisqu’il y a Cn+m
n
façons de choisir n variables nulles parmi n + m, il y a donc (au plus) Cn+m systèmes de format
(m, m) à résoudre, pour retenir enfin un système dont la solution est à coordonnées positives ou
nulles. On conçoit dès lors qu’une méthode énumérative est le plus souvent impraticable, dès que n
et m depassent quelques unités, pour déterminer un sommet de (F) qui servira de solution de depart
dans l’algorithme simplicial.
Dans le cas des programmes du type (I), il existe cependant une solution extrême évidente
qui peut être choisie comme solution de départ. Il est clair que si on annule x1 et x2 les autres
inconnues, de x3 , x4 , x5 et x6 prennent des valeurs positives, égales aux seconds membres. La
solution admissible extrême (sommet):
x1 = 0, x2 = 0, x3 = 300, x4 = 400, x5 = 500, x6 = 700
sera donc une solution extrême de départ (O) (ou bien sommet de départ (O)), solution pour
laquelle la fonction économique prend la valeur z0 = 0.
Dans la théorie des systèmes linéaires on dit que les inconnues x3 , x4 , x5 , x6 sont choisies comme
inconnues principales dans le système (S). Les inconnues x1 et x2 sont alors non principales: on
leur a attribué une valeur arbitraire; ici, on a choisi zéro.
Rappelons que le rang de la matrice A des coefficients des premiers membres de contraintes est 4.
Or, les 6 vecteurs-colonnes sont des vecteurs de R4 , ils sont donc linéairement indépendants. On
voit de plusimmédiatement que les 4 derniers vecteurs-colonnes constituent une base de l’espace
vectoriel engendré par les vecteurs-colonnes: ce n’est autre que la base cononique de R4 .
A ces vecteurs de base, numéros 3, 4, 5, 6 correspondent, dans le système (S), les variables x3 ,
x4 , x5 , x6 choisies comme inconnues principales dans le cadre de la résolution du système (S)
en fonction des inconnues non principales x1 et x2 . En programmation linéaire, on dit, par abus
de langage, que les variables principales x3 , x4 , x5 , x6 sont les variables dans la base et que les
variables non principales x1 et x2 sont les variables hors-base pour la solution extrême admissible
(ou bien sommet de départ) (O), dite aussi solution de base.
Definition 3.3.1 Le choix de variables hors-base correspond donc, dans (S), au choix de
variables en fonction desquelles on cherche à résoudre (S), et, pour une solution de base,
correspond au choix des variables qui seront nulles, de façon à se trouver en un sommet du
domaine polyédral (F) des solutions admissibles.
Nous énoncerons alors le résultat général suivant:
Theorem 3.3.1 Soit un programme standard associé à un programme canonique à n variables et

m contraintes. Ce programme standard comporte donc n + m variables et m contraintes égalités.
Pour toute solution de base (extrême):
• le nombre de variables dans la base est égal au nombre m de contraintes, qui sont linéaire-
ment indépendantes;
• les variables hors-base sont nulles.
De plus, il peut se faire que certaines variables dans la base soient nulles (il en est ainsi lorsque
certains seconds membres de contraintes sont nuls). En conséquence:
Proposition 3.3.2 Pour toute solution de base, m est le nombre maximum de variables non nulles,
n est le nombre minimum de variables nulles.
Lorsque, pour une solution de base, certaines variables dans la base sont nulles, on dit que la
solution est dégénérée. Donc, pour une solution de base non dégénérée, le nombre de variables
non nulles est exactement égal au nombre de contraintes.
La structure même du système (S) des contraintes montre ainsi que:
Theorem 3.3.3 Pour tout programme standard associé à un programme canonique de type (I), il
existe toujours une solution de base de départ évidente:
celle qui consiste à choisir les variables d’écart comme variables dans la base, dont les valeurs
sont celles des seconds membres, les autres variables, hors-base, prenant la valeur zéro. Cette
solution correspond à la « solution nulle » du programme canonique.
Disposant ainsi d’une solution extrême de départ, l’algorithme du simplexe peut être amorcé. Nous
exposerons ses fondements exclusivement à partir de l’exemple numérique précédent, au moyen
d’un procédé algébrique élémentaire, c’est le but de ce chapitre.
3.4 Exposé algébrique de la méthode du simplexe

Nous pourrons suivre « géométriquement» le cheminement le long des côtés du domaine (F) des
solutions admissibles du programme (I) (page 14 relation (2.1), puisque les valeurs des couples
(x1 , x2 ) correspondant aux différentes solutions du programme canonique (I) sont égales à celles
correspondant aux solutions du programme standard (I’) (voir Figure 3.1).
Figure 3.1: Sommet de départ (O)
La solution de base (extrême) de départ du programme standard correspond au sommet (O) pour le
programme canonique: c’est la « solution nulle », qui consiste à ne rien produire.
Solution de base de départ: (O)

• variables hors-base:
x1 = 0, x2 = 0;
• variables dans la base:

x3 = 300, x4 = 400
x5 = 500, x4 = 700.
• Valeur de la fonction économique:
z0 = 0.
Dans cet exposé, il sera commode de considérer que les variables d’écart x3 , x4 , x5 , x6 sont les
niveaux de production de produits fictifs P3 , P4 , P5 , P6 qui ne rapportent rien. Les produits « réels»
seront désignés par P1 et P2 .
PREMIÈRE ITÉRATION
a) Variable entrante et variable sortante
Soit (S0 ) le système formé par les contraintes et par la fonction économique, désignée par z:


 x1 + x3 = 300
 2 + x4 = 400
x


(S0 ) x1 + x2 + x5 = 500
2x + x2 + x6 = 700

 1



7x1 + 5x2 − z = 0
La solution de départ consiste à ne fabriquer aucun produit « réel» P1 et P2 : x1 = 0, x2 = 0. Il

est alors naturel d’étudier, à partir de cette solution, jusqu’à quel niveau on peut porter x1 ou x2 ,
conformément aux contraintes, de façon à accroître au maximum le profit.
II se pose donc le problème du choix de la variable x1 ou x2 , parmi les variables hors-base dans
la solution de départ, qui va passer de la valeur 0 à une valeur positive. La variable choisie sera
appelée variable entrante. On verra qu’elle sera portée à une valeur telle, que l’une des variables
dans la base passera de sa valeur strictement positive à la valeur nulle, variable qu’on appellera
variable sortante. Une telle terminologie provient du fait que cette transformation fait passer du
sommet de départ à un sommet adjacent, provoquant l’échange d’une variable dans la base et d’une
variable hors-base3 . Dans un tel passage, une variable « quitte la base », une autre « entre dans la
base ».
b) Critère de sélection de la variable entrante

En principe, il n’existe aucun critère obligatoire de séléction de la variable entrante, si ce n’est que
la sélection doit s’accompagner d’une augmentation de la fonction économique. Cependant, pour
donner un caractère systématique à la sélection dans l’emploi de la méthode du simplexe, on utilise
souvent le critère suivant, d’ordre marginal, connu sous le nom de
Deuxième critère de sélection de Dantzig de la variable entrante4 .
Exprimée exclusivement en fonction des variables hors-base de la solution de départ, la fonction

économique s’écrit:
z = 7x1 + 5x2 .
3 Cet
échange revient à procéder à un changement de base dans l’espace vectoriel R4 , initialement rapporté à la base
canonique. Ce changement de base n’échange qu’un seul vecteur; celui qui correspond à la variable entrante.
4 G.B. Dantzig a énoncé un autre critère de sélection de la variable entrante, dit « premier critère de Dantzig », mais
que nous n’emploirons pas dans le cadre de ce cours.

Le coefficient 7 (resp 5) représente l’accroissement de z lorsqu’on porte de la valeur 0 à la valeur 1

la variable hors-base x1 (resp. x2 ). Le critère de sélection en question conduit à choisir la variable
correspondant au plus grand accroissement de z dans ces conditions: ici, la sélection portera donc
sur x1 , « qui, par unité, rapporte le plus ».
Le deuxième critère de sélection de Dantzig de la variable entrante consiste, dans la fonc-

tion économique exprimée exclusivement en fonction des variables hors-base, à sélectionner
la variable affectée du coefficient positif le plus élevé (« le plus positif » dit-on souvent).
(S’il y a plusieurs telles variables, on peut en choisir une au hasard parmi celles-ci.)
La variable entrante est donc, selon ce critère, x1 .
c) Critère de sélection de la variable sortante

Considérons le système (S00 ) équivalent à (S0 ) obtenu en exprimant les variables dans la base x3 , x4 ,
x5 , x6 et la fonction économique z exclusivement en fonction des variables hors-base x1 et x2 :

 x3 = 300 − x1 − 0x2

 x4 = 400 − 0x1 − x2


0
(S0 ) x5 = 500 − x1 − x2
 x6 = 700 − 2x1 − x2



z = 0 + 7x1 + 5x2

x1 étant variable entrante, la variable x2 reste hors-base, donc nulle.

Faisant x2 = 0 dans (S00 ) , on obtient (en négligeant la dernière équation):


 x3 = 300 − x1
x4 = 400 − 0x1

(T0 )
x = 500 − x1
 5


x6 = 700 − 2x1
Cherchons maintenant jusqu’à quel niveau il est possible de porter x1 de façon compatible avec les
contraintes. Ces contraintes (autres que celles de signe) satisfaites dès l’instant où l’on a:
x3 ≥ 0, x4 ≥ 0, x5 ≥ 0, x6 ≥ 0.
Donc, d’après (T0 ), To), la variable entrante x1 peut prendre toute valeur positive telle que:
x1 ≤ 300


 1
 

 300 − x1 ≥ 0

 x1 ≤ 400


 

400 − 0x1 ≥ 0 0
0
(U0 ) ⇐⇒ (U0 )
500 − x1 ≥ 0
x1 ≤ 500

 


700 − 2x1 ≥ 0


 1



x1 ≤ 700

2
La valeur maximale de x1 est donc égale à la plus grande solution du système d’inéquations (U0 ) :
c’est le plus petit rapport figurant dans (U00 ):
300 400 500 700

x1 = min{ , , , }.
1 0 1 2
(L’écriture symbolique x1 ≤ 400 0 = +∞ signifie que la deuxième contrainte est toujours respectée
quelle que soit la valeur de x1 qui, en fait, est « absente» dans cette contrainte; Geométriquement
(Figure 3.1), la sélection de x1 conduit à cheminer tout le long de l’axe (Ox1 ); L’ « absence » de
x1 dans la deuxième contrainte se traduit par le parallehsme de ce cheminement avec le segment
[O4 , O5 ]. La valeur maximale de x1 compatible avec les contraintes, x2 restant nulle, est donc:
x1 = 300.
On constate alors que, pour une telle valeur de x1 on a, d’après (T0 ):
x3 = 0.
Il en résulte que x3 devient variable hors-base dans la nouvelle solution extrême (O1 ): x3 est
variable sortante.
x3 = 0 signifie que la solution extrême (O1 ) sature la première contrainte. Revenons au système
(S0 ). On constate que les rapports 300 400 500 700
1 , 0 , 1 , 2 ne sont autres que les rapports des seconds
membres des contraintes aux coefficients correspondants de la variable entrante. La variable
sortante est donc sélectionnée selon le critère:
variable correspondant au plus petit rapport (positif).
La première itération est maintenant terminée. Elle a aboutit à la solution associée au sommet (O1 ):
x2 = 0, x3 = 0;

x1 = 300, x4 = 400
x5 = 200, x6 = 100.
ces dernières valeurs étant fournies par le système (T0 ) où x1 = 300.

• En ce sommet, la fonction économique prend la valeur:
z1 = 2100.
DEUXIÈME ITÉRATION
Afin de la préparer, il est nécessaire de se placer dans la même situation qu’au début dc la première
itération: pour la nouvelle solution de base, il nous faut écrire le système (S10 ) exprimant les
nouvelles variables dans la base x1 , x4 , x5 , x6 et la fonction économique z exclusivement en
fonction des nouvelles variables hors-base x2 , x3 .
 

 x3 = 300 − x1 − 0x2 ← équation d’échange 
 x1 = 300 − 0x2 − x3
 x4 = 400 − 0x1 − x2  x4 = 400 − x2 − 0x3

 

(S00 ) x5 = 500 − x1 − x2 ⇐⇒ (S10 ) x5 = 200 − x2 + x3
 x6 = 700 − 2x1 − x2  x6 = 100 − x2 + 2x3

 

 
z = 2100 + 5x2 − 7x3
 
z = 0 + 7x1 + 5x2
Dans le passage du sommet (O) au sommet (O1 ), les variables échangées sont x1 et x3 : x1 entrante,
x3 sortante (on a « buté» sur la contrainte n° 1). Nous dirons que la première équation de (S00 ), ainsi
que de (S0 ), est l’équation d’échange: elle permet de tirer la variable entrante x1 en fonction des
nouvelles variables hors-base x2 , x3 .
(S10 ) s’obtient donc à partir de (S00 ):

• en tirant x1 en fonction de x2 , x3 dans l’équation d’échange;
• en remplaçant x1 par son expression en x2 , x3 dans les autres équations.
R Remarque importante: Notons maintenant que (S10 ) est équivalent à (S1 ):



 x1 + x3 = 300
 x2 + +x4 = 400


(S1 ) x2 − x3 + x5 = 200
x − 2x + x = 100

2 3 6



5x2 − 7x3 − z = −2100

qui aurait pu être obtenu directement à partir de (S0 ) par combinaisons linéaires d’équations:
on aurait conservé la première équation de (S0 ), puis éliminé x1 dans toutes les autres à
partir de la première. C’est cette remarque qui va permettre de présenter les calculs sous
forme de tableaux, ultérieurement. On applique ensuite la même procédure qu’auparavant.
a) Sélection de la variable entrante

En fonction des variables hors-base x2 , x3 , nulles pour la solution de base (O1 ), on a
z = 2100 + 5x2 − 7x3 .
Il est visible qu’on n’a pas intérêt à faire entrer x3 : toute augmentation de x3 à partir de 0
provoquerait une diminution de z; on cheminerait alors de nouveau sur le segment [O1 , O] (Figure
3.1) et l’on reviendrait au point de départ (O). Le deuxième critère de Dantzig conduit à la sélection
de x2 , qui sera la variable entrante. (II est naturel de fabriquer maintenant P2 qui rapporte aussi).
Comme x3 reste alors hors-base, donc nulle, le cheminement va se produire tout le long du segment
[O1 , O2 ], ce qui conduira au sommet (O2 ): la première contrainte restera saturée. « Butant» sur la
quatrième contrainte qui sera saturée au sommet (O2 ), la variable d’écart associée x6 s’annulera:
on la trouvera donc comme variable sortante.
b) Sélection de la variable sortante

Formons le système (T1 ) à partir de (S10 ) en maintenant x3 à sa valeur 0:


 x1 = 300 − 0x2
x4 = 400 − x2

(T1 )
x = 200 − x2
 5


x6 = 100 − x2
et cherchons jusqu’à quel niveau on peut porter x2 . Les contraintes seront satisfaites dès l’instant
où:
x1 ≥ 0, x4 ≥ 0, x5 ≥ 0, x6 ≥ 0.
La valeur maximale de x2 est donc la plus grande solution du système d’inéquations:
x2 ≤ 300


 0 = +∞
 

300 − 0x2 ≥ 0 
 x2 ≤ 400
 

 

400 − x2 ≥ 0 1
0
(U1 ) ⇐⇒ (U1 )
200 − x2 ≥ 0
x2 ≤ 200

 


100 − x2 ≥ 0


 1



x2 ≤ 100

1

300 400 200 100
x2 (max.) = min{ , , , }.
0 1 1 1
Soit: x2 = 100, valeur correspondant au dernier rapport. Pour cette valeur de x2 , toujours avec
x3 = 0, on a x6 = 0 d’après la quatrième équation de (T1 ), si bien que x6 est la variable sortante.
R Le premier rapport est infini: 300

0 . Cela signifie que la prermière contrainte restera toujours
satisfaite quel que soit le niveau donné à x2 , avec x3 = 0. En effet, x2 est « absente» de cette
contrainte, le cheminement se fait parallèlement à l’axe (O x2 ), tout le long de la « frontière
de saturation» de cette contrainte.
Dans le système (S1 ), la variable sortante est la variable dans la base, correspondant au plus petit
rapport (positif) des seconds membres aux coefficients de la variable entrante.
Cette deuxième itération aboutit au sommet (O2 ):

x3 = 0, x6 = 0;
x2 = 100,
x1 = 300, x4 = 300, x5 = 100,
z2 = 2600.
TROIXIÈME ITÉRATION
Exprimons les nouvelles variables dans la base x1 , x2 , x4 , x5 et la fonction économique z en fonction
des nouvelles variables hors-base x3 et x6 .
Dans (S10 ), l’équation d’échange est la quatrième.
x1 = 300 − 0x2 − x3
 
  x1 = 300 − x3 − 0x6
− −
 

 4
 x = 400 x 2 0x 3  x4 = 300 − 2x3 + x6


(S10 ) x5 = 200 − x2 + x3 ⇐⇒ (S20 ) x5 = 100 − x3 + x6
x = 100 − x + 2x ← équation d’échange x = 100 + 2x3 − x6
 
 6 2 3
 2

 

 
z = 2100 + 5x2 − 7x3 z = 2600 + 3x3 − 5x6
(S20 ) est obtenu à partir de (Sl0 ) en tirant x2 dans l’équation d’échange et en reportant dans les autres
équations.
De plus, (S20 ) équivaut à (S2 ) :



 x1 + x3 = 300
2x3 + x4 − x6 = 300



(S2 ) x3 + x5 − x6 = 100
x − 2x3 + x6 = 100

2



3x3 − 5x6 − z = −2600

qu’on obtient directement à partir de (S1 ) en conservant la quatrième équation (équation d’échange)
et en éliminant x2 dans les autres à partir de celle-ci, au moyen de combinaisons linéaires conven-
ables.
a) Sélection de la variable entrante

En fonction des variables hors-base x3 , x6 , on a
z = 2600 + 3x3 − 5x6 .
Il reste encore un coefficient de z positif sur ces variables: l’introduction de x3 dans la base provoque
une augmentation de z: x3 sera variable entrante.
x3 devenant non nulle, on « désature » la première contrainte. On peut voir, sur la Figure 3.1, que
le cheminement va se faire sur le segment [O2 , O3 ], jusqu’à ce que l’on « bute» sur la troisième
contrainte, provoquant l’annulation de la variable d’écart associée x5 , qui sera donc sortante.
b) Sélection de la variable sortante

Formons le système (T2 ) à partir de (S20 ) en maintenant x6 à sa valeur 0:


 x1 = 300 − x3
x4 = 300 − 2x3

(T2 )
x = 100 − x3
 5


x2 = 100 + 2x3
La valeur maximale de x3 est donc la plus grande solution du système d’inéquations:
x3 ≤ 300


 1
 

300 − x3 ≥ 0 
 x3 ≤ 300
 

 

300 − 2x3 ≥ 0 2
0
(U2 ) ⇐⇒ (U2 )
 100 − x3 ≥ 0
  x3 ≤ 100


100 + 2x3 ≥ 0


 1



x3 ≥ − 100

2
Comme, par ailleurs, x3 ≥ 0 (les variables restent toujours positives pour que toutes les contraintes
soient vérifiées), on voit que la dernière condition de (U20 ): x3 ≥ −50 est nécessairement vérifiée:
elle n’introduit aucune limitation supérieure pour x3 .
Donc, en ce qui concerne le critère de sélection de la variable sortante, on ne doit jamais tenir
compte des rapports négatifs.
On a donc,
300 300 100
x3 (max.) = min{ , , }.
1 2 1
Soit: x3 = 100, valeur correspondant au troisième rapport, c’est à dire à la troisième inéquation de
(U2 ), soit à la troisième contrainte qui devient saturée: pour cette valeur de x3 : x5 = 0 d’après la
troisième équation de (T2 ). La variable sortante est donc x5 .
Cette troixième itération conduit donc au sommet (O3 ):

x5 = 0, x6 = 0;
x3 = 100,
x1 = 200, x4 = 100, x2 = 300,
z3 = 2900.
QUATRIÈME ITÉRATION
Géométriquement, on sait qu’elle n’aura pas lieu. Cependant, il nous faut la préparer, de façon à
apercevoir le critère de fin de calcul. Formons le système (S30 ) à partir de (S20 ):
x1 = 300 − x3 − 0x6
 
  x1 = 200 + x5 − x6
 x4 = 300 − 2x3 + x6
 
 x4 = 100 + 2x5 − x6

 

(S20 ) x5 = 100 − x3 + x6 ← équation d’échange ⇐⇒ (S30 ) x3 = 100 − x5 + x6
 x2 = 100 + 2x3 − x6  x2 = 300 − 2x5 + x6

 

 
z = 2900 − 3x5 − 2x6
 
z = 2600 + 3x3 − 5x6
On a donc les nouvelles variables dans la base et la fonction économique en fonction des nouvelles
variables hors-base.
De plus, (S30 ) équivaut à (S3 ):


 x1 − x5 + x6 = 200
+x − 2x + x = 100


 4 5 6
(S3 ) x3 + x5 − x6 = 100
x + 2x − x = 300

2 5 6



−3x5 − 2x6 − z = −2900

qu’on déduit de (S2 ) en gardant l’équation d’échange n° 3 et en éliminant x3 dans les autres à partir
de celle-ci, par combinaisons linéaires.
En fonction des variables hors base, on a:
z = 2900 − 3x5 − 2x6 .
Tous les coefficients de z sur ces variables sont négatifs: faire de nouveau entrer dans la base x5 ou
x6 diminuerait z. Il n’est donc plus possible « d’améliorer» la fonction économique.
La solution extrême précédente est optimale. Les variables « réelles» ont pour valeur optimale:
∗
x1 = 200, : 200 bureaux du modèle « luxe»;
x2∗ = 300, : 300 bureaux du modèle « standard »;
x3∗ = 100 : il reste une possibilité de marché de 100 bureaux du modèle « luxe»;
x4∗ = 100 : il reste une possibilité de marché de 100 bureaux du modèle « standard»;
x5∗ = 0 : tout le bois disponible est utilisé;
x6∗ = 0 : tout le temps disponible est utilisé.
Le profit maximum est:
z∗ = 2900.
De plus, cette solution optimale est unique, car toute augmentation de x5 et x6 provoque une
variation de z dans le sens de la décroissance. Par contre, si l’un des coefficients de x5 ou x6 dans
l’expression de z, avait été nul, l’introduction dans la base de la variable correspondante aurait
laissé z constant: il y aurait eu deux solutions optimales extrêmes adjacentes, d’où une infinité de
solutions optimales correspondant aux points de l’arête joignant les deux sommets associés aux
solutions optimales extrêmes.
De là le critère suivant de fin de calcul:

3.5 Exercises 37
Theorem 3.4.1 Si, relativement à une solution extrême, les coefficients de la fonction économique
exprimée exclusivement en fonction des variables hors-base, sont négatifs ou nuls, cette solution
est optimale lorsque optimal signifie maximal.
3.5 Exercises
Exercise 3.1 Résoudre par la méthode du simplexe le programme linéaire suivant:


 Max [z = 3x1 + 4x2 + 2x3 ]



 
 x1 ≥ 0, x2 ≥ 0, x3 ≥ 0
 x1 ≤ 100
 

(3.3)
 s.c.  x2 ≤ 150

x + x2 + 2x3 ≤ 200


 1
 

 
2x1 + x2 + x3 ≤ 250

Exercise 3.2 Résoudre par la méthode du simplexe le programme linéaire suivant:



 Max [z = 4x1 + 12x2 + 3x3 ]



 
 x1 ≥ 0, x2 ≥ 0, x3 ≥ 0
 x1 ≤ 1000
 

(3.4)
 s.c.
 x2 ≤ 500
x ≤ 1500

 
 3
 

 
3x1 + 6x2 + 2x3 ≤ 6750

Exercise 3.3 Etude de cas (possibilité d’avoir un sujet similaire en examen!!)

Partie I. La société P RIMA S. A. fabrique et vend notamment deux produits P1 et P2 dont les prix
de vente respectifs sont de 400 DH et 300 DH hors taxe au tarif en vigueur. Le marché de ces
deux produits est essentiellement régional et porte sur 1 500 unités de chacun des deux produits
fabriqués et vendus mensuellement. La fabrication est assurée dans trois ateliers successifs ont
les capacités globales mensuelles, exprimées en heures machines, sont résumées dans le tableau
ci-après, lequel fait également ressortir les temps d’utilisation des machines, exprimés dans la
même unité, nécessaires à la fabrication d’une unité de chacun des produits P1 et P2 :
P1 P2 Capacité globale mensuelle des ateliers

Atelier 1 2h 1/2 4h 12000 h/machines
Atelier 2 3h 3h 9600 h/machines
Atelier 3 1h 1/2 1h 4200 h/machines
L’entreprise n’a pas fait de sous-traitance à ce jour.

La société envisage une extension de son réseau de distribution. Elle projette de procéder
à l’installation d’une structure de fabrication supplémentaire autonome destinée à accroître
sensiblement les capacités de production-vente existantes des deux produits P1 et P2 . Les
nouvelles installations auraient la même structure de base, les caractéristiques se trouvant
toutefois modifiées en terme de capacité des ateliers et de temps d’utilisation des machines:
P1 P2 Capacité globale mensuelle des ateliers

Atelier 4 2h 3h 10000 h/machines
Atelier 5 2h1/4 2h1/4 9000 h/machines
Atelier 6 1h 1/4 0h3/4 4000 h/machines
Travail à faire:
L’entreprise désirant connaître les programmes de fabrication conduisant à maximiser son chiffre
d’affaires, ainsi que les capacités de production utilisées et résiduelles, vous êtes chargé d’en
mener l’étude générale. On désignera par x les quantités de produit P1 et par y les quantités de
produit P2 liées aux programmes de fabrication étudiés.
1- Déterminer le programme de fabrication de l’unité de fabrication existante par la Méthode
graphique-On le désignera par Programme I.
a- Etablir le graphe (Domaine des solutions admissibles);
b- Présenter le résultat de l’étude dans un tableau de synthèse faisant ressortir pour les
sommets du graphe:
- Les quantités de produits P1 et P2 fabriquées;
- Les chiffres d’affaires par produit, le chiffre d’affaires global mensuel correspon-
dant.
2- Déterminer le programme de fabrication de l’unité de fabrication nouvelle ( Méthode
graphique). On le désignera par Programme II.
a- Etablir le graphe;
b- Présenter le résultat de l’étude dans un tableau de synthèse identique à celui visé à la
question 1)-b);
c- Contrôler le programme de fabrication II par la méthode de Dantzig (simplexe).
3- Prèsenter sous la forme d’un tableau unique ou de plusieurs tableaux synoptiques, pour
chacun des programmes I et II ci-dessus, ainsi que pour la production actuelle de 1 500
unités de chacun des produits P1 et P2 :
- les programmes en quantités (x, y);
- les coefficients techniques d’atelier;
- les capacités utilisées dans chaque atelier et pour l’ensemble de l’unité de production,
- les capacités résiduelles par atelier et pour l’ensemble de l’unité de production, mettant
en évidence la sous-activité de l’atelier ou de l’unité de fabrication.
Partie II. L’analyse des coûts et prix de revient des produits P1 et P2 , pour l’unité de fabrication
existante, est résumée comme suit:
P1 P2
Quantités fabriquées et vendues mensuellement 1500 unités 1 500 unités
Coût variable unitaire 200 DH 160 DH
Coût fixe global annuel 3300000 DH 1650000 DH
L’analyse corrélative des coûts et prix de revient prévisionnels pour l’unité de fabrication
supplémentaire a fait ressortir la structure des coûts suivante associée au programme II :
P1 P2
Quantités fabriquées et vendues mensuellement 2000 unités 2000 unités
Coût variable unitaire 120 DH 140 DH
Coût fixe global annuel 2860000 DH 1 100 000 DH
Travail à faire:
3.5 Exercises 39
1- En tenant compte d’une activité de onze mois, l’entreprise étant fermée au mois d’août pour
cause de congés, ainsi que de l’impôt sur les sociétés au taux actuel de 50%, étudier le
résultat analytique d’exploitation par produit et global pour un exercice social, associé :
a- aux conditions d’activité actuelles,
b- aux conditions d’activité liées au programme I,
c- aux conditions d’activité liées au programme II.
Présenter l’étude sous la forme d’un tableau.
Chiffrer les variations de résultat net associées aux programmes I et II.
2- En vue ce compléter votre étude, la direction vous demande en dernier lieu de rechercher les
programmes de fabrication conduisant à une maximisation de la marge sur coût variable
globale mensuelle:
a- pour l’unité de fabrication existante - programme III,
b- pour la nouvelle unité de fabrication - programme IV.
Utiliser les conclusions antérieures.
3- A l’intention de la direction générale, à partir des résultats obtenus précédemment (questions
I et II), présenter et justifier en quelques lignes des propositions de choix économiques
qui devront être faites en matière de production.
(comptabilité et gestion d’entreprises, extrait de l’étude de cas)

Chapitres 1, 2 Et 3

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

Chapitres 1, 2 Et 3

Transféré par

Droits d'auteur :

Formats disponibles

Recherche Opérationnelle

P UBLISHED BY P UBLISHER : D ÉPARTEMENT D ’E CONOMIE ET G ESTION . U NIVERSITÉ I BN

BOOK - WEBSITE . COM

First printing, Agadir, Novembre 2020

2 Mise en Equations et Résolution Graphiques. . . . . . . . . . . . . . . . . . . . 13

3 Méthode de Dantzig: Résolution Algébrique . . . . . . . . . . . . . . . . . . . 25

O. Chadli. ©FSJES Agadir

1.1 Tentative de definition

O. Chadli. ©FSJES Agadir

1.2 Les domaines d’applications

nombre des dispositions différentes, est déjà un nombre très grand.

La solution (nullement immédiate) de ce problème est la suivante: le fabricant doit, au hasard,

Les domaines d’application de la recherche opérationnelle peuvent donc se classer en:

1.3 Difficultés de l’Optimisation

4000 unités, on écrira:

x1 + 2x2 + 2x3 ≤ 4000,

c’est la contrainte de capacité de stockage.

[Maximizer] z = 4x1 + 12x2 + 3x3

c’est la fonction économique ou critère d’optimisation du problème.

1.4 Objectifs et critères de la recherche opérationnelle

1.5 La recherche opérationnelle est plus un art qu’une science

opérationnelle apparaît comme une discipline-carrefour, associant étroitement les méthodes et

1.6 Recherche opérationnelle et Gestion

2.1 Mise en équations

O. Chadli. ©FSJES Agadir

de fabrication. C’est un couple de valeurs numériques ou de variables, selon la signification

4. Notion de programme linéaire

2.2 Interprétation graphique

représente un demi-plan fermé, limité par la droite d’équation ax1 + bx2 = c.

Droite (D1 ) d’équation: x1 = 300

Figure 2.1: (F) represente l’ensemble des solutions admissibles

2.3 Résolution graphique

en prenant z0 = 1750. Elle coupe les axes aux points:

A0 (250, 0) et B0 (0, 350).

Le segment A0 B0 représente l’ensemble de toutes les solutions admissibles pour lesquelles la

Figure 2.2: Courbe de niveau

R La recherche des points de (F) conférant à la fonction économique sa valeur maximale

z = 7x1 + 5x2 (2.4)

On a OA = 17 z et OB = 15 z. Ces quantités sont directement proportionnelles à z. Ceci permet de

Les coordonnées du sommet O3 sont solutions du système:

qui sont: x1∗ = 200, x2∗ = 300 .

O. Chadli. ©FSJES Agadir

2.4 Solutions extrêmes et cas dégénérés

2.5 Méthode énumérative

Donner le programme de la direction permettant de déterminer combien de bureaux de chaque

Le département de compatibilité de l’entreprise a estimé aux valeurs suivantes la contribution au

Produit DH/ unité

Mois Espace additionnel requis (m2)

Période de location (mois) Coût de location (DH/m2)

Modèle 1 Modèle 2 Modèle 3 Modèle 4

300 h pour les machines M1

Les marges sur coûts variables, en poucentage du prix de vente, s’élèvent à

La direction vous demande:

O. Chadli. ©FSJES Agadir

3.1 Généralités. Principe de la méthode

O. Chadli. ©FSJES Agadir

• C"(O) : classe de sommets pour lesquels z < z0 .

3.2 Mise du programme sous la forme standard

3.3 Problème de la détermination d’une solution extrême de départ

C’est un système linéaire de 4 équations linéairement indépendantes à 2 + 4 inconnues.

x1 = 0, x2 = 0, x3 = 300, x4 = 400, x5 = 500, x6 = 700

Nous énoncerons alors le résultat général suivant:

Theorem 3.3.1 Soit un programme standard associé à un programme canonique à n variables et