2.

Résolution graphique des programmes linéaires

Date : September 27, 2022

La résolution graphique est possible en dimension n = 2 et n = 3. On illustrera dans ce chapitre

le cas n = 2.

2.1 Définitions et exemple de résolution graphique

Definition 2.1.1

• On appelle solution réalisable "SR" (ou admissible) d’un PL toute solution vérifiant toutes
les contraintes de ce PL.
• On appelle domaine réalisable "DR" d’un PL (ou admissible ou ensemble réalisable)
l’ensemble formé par toutes les "SR".
• On appelle ligne d’iso-profit (ou iso-coût ou iso-objectif) d’un PL l’ensemble des solutions
x = (x1 , . . . , xn ) vérifiant Z(x) = Z(x1 , . . . , xn ) = K où Z est la fonction objectif du PL et
K ∈ R est une constante. La ligne d’iso-profit pour laquelle Z = k est notée Dk et s’écrit :

Dk := {x = (x1 , . . . , xn ) ∈ DR/ Z(x1 , . . . , xn ) = k} .

La résolution graphique d’un PL se déroule en deux étapes :

• Etape 1 : Détermination graphique du domaine réalisable "DR"
• Etape 2 : Détermination de la solution (ou des solutions) optimale(s) si elle(s) existe(nt).
Exemple :
12 Chapter 2. Résolution graphique des programmes linéaires

Question : Déterminer graphiquement le DR et la solution optimale du PL suivant :


max Z(x1 , x2 ) = 2x1 + 3x2 ,






 s.c. :

2x + x ≤ 7,
1 2
(PL) (2.1)


 x1 + x2 ≤ 4




 x1 + 3x2 ≤ 9

x ≥ 0; x ≥ 0
1 2

Réponse :
1. On définit les droites ∆1 : 2x1 + x2 = 7, ∆2 : x1 + x2 = 4 et ∆3 : x1 + 3x2 = 9 "frontières" des
contraintes.
2. On en déduit le DR.
3. On définit les lignes d’iso-profit DK . L’optimum (ou optima) du PL seront obtenus par
l’intersection des lignes d’iso-profit avec le DR.

Figure 2.1: Exemple de résolution graphique.

Sur cet exemple, on voit que :

• Le domaine réalisable est la surface contenue dans le périmètre formé par les segments liant
les points O,A,B, C et D. C’est un polytope (polyèdre convexe) ;
• Le point optimal est le point B(3/2, 5/2). C’est un point extrême qui se trouve à la frontière
de ce polytope.
 2.2 Géométrie du domaine réalisable et des solutions optimales 13

Par la suite, on définira les notions de polyèdre, polytope, convexité et points extrêmes d’un
domaine. On verra aussi que, pour trouver la solution optimale (s’il en existe une), il suffit
d’examiner les points extrêmes du domaine réalisable convexe.

2.2 Géométrie du domaine réalisable et des solutions optimales

Definition 2.2.1

• Soient x et y deux vecteurs de Rn . Le segment [x, y] est le sous-ensemble de Rn défini

par :
[x, y] = {λ x + (1 − λ )y; λ ∈ [0, 1]} .
• Un ensemble S ⊂ Rn est dit convexe ssi le segment joignant n’importe quelle paire de
points de S est entièrement contenu dans S. Autrement dit :

∀x, y ∈ S, [x, y] ⊂ S .

Exemples d’ensembles convexes dans R2

Figure 2.2: Exemples d’ensembles convexes de R2 .

Exemples d’ensembles non convexes de R2

Figure 2.3: Exemples d’ensembles non convexes de R2 .

Proposition 2.2.1 Soit a = (a1 , . . . , an )T ̸= 0Rn et soit b ∈ R.

1. L’ensemble
n
H := {x ∈ Rn / < a, x >= b} = {x ∈ Rn / ∑ a j x j = b}
j=1

est un hyperplan affine de Rn (variété affine de dimension n − 1)

14 Chapter 2. Résolution graphique des programmes linéaires

2. Les demi-plans fermés positif H + et négatif H − donnés par :

n n
H + := {x ∈ Rn / ∑ a j x j ≤ b} et H − := {x ∈ Rn / ∑ a j x j ≥ b} ,
j=1 j=1

sont des espaces convexes.

R
• Une contrainte d’inégalité dans un PL s’écrit sous la forme d’un demi-plan H + ou H −
et définit donc un sous-espace convexe de Rn . Ainsi le DR est un sous-espace convexe
de Rn .
• Une contrainte d’égalité ou une ligne iso-objectif d’un PL correspond à un hyperplan
H.

Definition 2.2.2

• Un polyèdre P ⊂ Rn est l’ensemble donné par :

P = {x ∈ Rn /Mx = u} ,

où M ∈ Mm,n (R) et u ∈ Rm .
• Un polytope convexe est un polyèdre convexe borné.

Figure 2.4: Exemples de Polyèdres convexes de R2 .

Proposition 2.2.2
Un polyèdre est formé par l’intersection d’un nombre fini de demi-espaces fermés.

Theorem 2.2.3
Le domaine réalisable DR d’un PL est soit vide, soit un polyèdre convexe borné (polytope
convexe) soit un polyèdre convexe non borné.

Definition 2.2.3
Un vecteur X d’un polyèdre P est appelé point extrême de ce polyèdre ssi il vérifie l’une des 3
propriétés suivantes équivalentes :
• Chaque segment de droite entièrement contenu dans P et contenant X a comme extrémité
X.
• Il n’existe pas de vecteurs Y et Z de P diffèrents de X et λ ∈]0, 1[ tels que : X =
λY + (1 − λ )Z
• S’il existe Y, Z ∈ P et λ ∈]0, 1[ tels que X = λY + (1 − λ )Z alors on a nécessairement
 2.3 Exemples de résolution graphique et cas particuliers 15

X =Y =Z
Exemples :
1. Chaque point de la surface d’une boule de Rn est un point extrême.
2. Cas d’une surface rectangulaire :

Figure 2.5: E n’est pas un point extême – F est un point extrême.

3. Points extrêmes d’un hexagone

Figure 2.6: A, B,C, D, E et F sont les points extêmes de l’hexagone.

Theorem 2.2.4 Si un PL admet un optimum alors au moins un point extrême du domaine

réalisable est optimal.

Corollary 2.2.5 Si un PL admet un optimum unique alors cet optimum doit être un point
extrême.

2.3 Exemples de résolution graphique et cas particuliers

2.3.1 Exemple 1
On considère le programme linéaire suivant :


 max Z(x1 , x2 ) = x1 + 2x2 ,

s.c. :




x1 + x2 ≤ 5,



(PL1) 2x1 + x2 ≤ 2 (2.2)

x1 + 4x2 ≤ 4





x1 ≤ 9





x1 ≥ 0; x2 ≥ 0


La résolution détaillée sera faite en classe.

Le DR est un polytope convexe dont les point extrêmes sont O(0, 0), A(0, 1), B(4/7, 6/7) et C(1, 0).
Le programme (PL1) admet une unique solution B(4/7, 6/7) pour laquelle la fonction coût vaut
16/7.
 16 Chapter 2. Résolution graphique des programmes linéaires

2.3.2 Exemple 2
On considère le programme linéaire suivant :


 max −2x1 + 3x2 ,

s.c. :



(PL2) x1 ≤ 5, (2.3)

2x1 − 3x2 ≤ 6




x1 ≥ 0; x2 ≥ 0


La résolution détaillée sera faite en classe.

Le DR est un polyèdre convexe non borné dans le sens des valeurs croissantes de Z. Ainsi, le
problème admet une solution non bornée.

2.3.3 Exemple 3
On considère le programme linéaire suivant :


 min 3x1 + 2x2 ,

s.c. :



(PL3) x1 + 2x2 ≤ 2, (2.4)

x1 + x2 ≥ 3





x1 ≥ 0; x2 ≥ 0


La résolution détaillée sera faite en classe.

Le DR est l’ensemble vide. Ce problème n’a donc pas de solution.

2.3.4 Exemple 4
On considère le programme linéaire suivant :

max x1 + 3x2 ,






 s.c. :

x + 3x ≤ 3,
1 2
(PL4) (2.5)


 x1 ≤ 10




 x2 ≤ 4

x ≥ 0; x ≥ 0
1 2

La résolution détaillée sera faite en classe.

Soient A(0, 1) et B(3, 0). Tout point du segment [A, B] est une solution optimale pour ce problème
vérifiant Z = 3. Ainsi, ce problème admet une infinité de solutions optimales.

2.3.5 Exemple 5
On considère le programme linéaire suivant :

max x1 + x2 ,






 s.c. :

3x + 2x ≤ 40,
1 2
(PL5) (2.6)


 x1 ≤ 10




 x2 ≤ 5

x ≥ 0; x ≥ 0
1 2
2.3 Exemples de résolution graphique et cas particuliers 17

La résolution détaillée sera faite en classe.

Le DR est une surface rectangulaire et la solution est le point extrême B(10, 5). Nous notons ici
un problème de dégénérescence de la solution optimale B(10, 5). Cette solution optimale est dite
dégénérée car 3 contraintes concourent en ce point. Graphiquement, la dégénérescence d’une
solution x veut dire qu’un nombre de contraintes d’ínegalites strictement supérieur au nombre de
variables est actif (ou satisfait l’égalité) au point x. On verra dans le chapitre suivant que la notion
de dégénérescence est un obstacle pour la résolution d’un PL via la méthode du simplexe.