Chap 2 RO

Recherche Opérationnelle: Méthode du
simplexe
Pr S. HARROUDI
Ecole Nationale de Commerce et de Gestion de Casablanca
30 octobre 2023
Pr S. HARROUDI 30 octobre 2023 1 / 39

Méthode du simplexe Les deux phases du simplexe Cas particuliers
Plan
1 Méthode du simplexe

Plan
2 Les deux phases du simplexe

Plan
2 Les deux phases du simplexe
3 Cas particuliers

Formule générale d'un programme linéaire
s.c
max (ou min) z = c1 x1 + c2 x2 + . . . + cn xn
a11 x1 + a12 x2 + . . . + a1n xn ≤ (ou ≥)b1





a21 x1 + a22 x2 + . . . + a2n xn ≤ (ou ≥)b2


.. .. .. ..





. . . .




am1 x1 + am2 x2 + . . . + amn xn ≤ (ou ≥)bm






 x1 , . . . , xn ≥ 0

De façon générale, un problème de programmation mathématique met en jeu quatre catégories

d'éléments : les variables ou activités, les coecients économiques, les ressources et les coecients
techniques.
Un acteur économique exerce n activités avec des niveaux x à déterminer. Ces activités utilisent m
ressources. La quantité a de ressource i nécessaire pour exercer l'activité j avec un niveau d'une unité.
j
Le but est de maximiser un prot ou minimiser un coût.

ij
x : niveau de l'activité j .
j
c : coecient économique par unité d'activité j , mesure de degré de réalisation de l'objectif.

j
b : disponibilité des ressources.

j
a : coecients techniques qui représentent le degré de consommation de la ressource i par

l'unité d'activité j.
ij

Forme canonique
Dénition
Un programme linéaire est sous forme canonique lorsque toutes ses contraintes sont des
inégalités et toutes ses variables sont non-négatives.
Forme canonique d'un PL : Exemple

max z = c1 x1 + c2 x2 + . . . + cn xn
s.c
a11 x1 + a12 x2 + . . . + a1n xn ≤ b1



 21 x1 + a22 x2 + . . . + a2n xn ≤ b2



 a
.. .. .. ..


 . . . .

am1 x1 + am2 x2 + . . . + amn xn ≤ bm





 x1 , . . . , xn ≥ 0


Forme standard
Dénition
Un programme linéaire est sous forme standard lorsque toutes ses contraintes sont des
égalités et toutes ses variables sont non-négatives.
Forme standard d'un PL : Exemple

max z = c1 x1 + c2 x2 + . . . + cn xn
s.c 
 a11 x1 + a12 x2 + . . . + a1n xn = b1


 21 x1 + a22 x2 + . . . + a2n xn = b2
a



.. .. .. ..


 . . . .

am1 x1 + am2 x2 + . . . + amn xn = bm





 x1 , . . . , xn ≥ 0


Méthode du simplexe
Lorsque le nombre de l'ensemble des variables de décisions du problème est

strictement supérieur à 2, la méthode graphique devient inopérante. On a
alors recours à une méthode algébrique basée sur un algorithme appelé
algorithme du simplexe.
Idée de base du simplexe

Transformation des inégalités en égalités : càd transformer un PL de la
forme canonique à la forme standard. système de m équations à n
inconnues où m < n (en ajoutant des variables d'écart).
L'idée fondamentale du simplexe : déplacement de sommet en sommet
adjacent de manière à améliorer la fonction objectif.

Une solution de base
Système de m équations linéaires à n + m inconnues : innité de solutions.

Si on xe à zéro n − m variables : système de m équations à m inconnues possédant
une solution unique (si la matrice est inversible). Cette solution est une solution de
base.
Solution de base
Une solution de base d'un programme linéaire est la solution unique du système de m
équations à m inconnues obtenu en xant à zéro n − m variables (la matrice du systéme
doit être inversible).
Les variables xées à zéro sont appelées variables hors base et les autres variables en base.

Méthode du siplexe
Exemple (production de peinture)

On introduit les variables d'écart s1 , s2 , s3 , s4 dans le PL pour obtenir une forme standard
du programme linéaire


 max z = 5x1 + 4x2




 6x 1 + 4x2 + s1 = 24

 x1 + 2x2
 + s2 = 6

 +x2 + s3 = 2

−x + x + s4 = 1

1 2




 x1 ≥ 0, x2 ≥ 0, s1 ≥ 0, s2 ≥ 0, s3 ≥ 0, s4 ≥ 0

Dans ce cas on a n + m = 6 inconnues et m = 4 équations.

Si x1 = x2 = 0, alors s1 = 24, s2 = 6, s3 = 2, s4 = 1. Toutes ces valeurs sont non-négatives
et la solution est dite réalisable.
Dénition
On appelle solution de base réalisable une solution de base qui vérie les contraintes de
positivité, c.à.d dont toutes les composantes sont positives ou nulles.

Géométrie des solutions de base
Prenons la base B = {s1 , s2 , s3 , s4 } ⇒x1 = x2 = 0, s1 = 24, s2 = 6, s3 = 2, s4 = 1.

Cette solution de base réalisable correspond au sommet (0, 0).
La solution de base réalisable associée au sommet F (4, 0) est
(x1 , x2 , s1 , s2 , s3 , s4 ) = (4, 0, 0, 2, 2, 5) et Z = 20. Les variables x2 , s1 sont hors base
et x1 , s2 , s3 , s4 sont en base
La solution de base réalisable associée au sommet B(0, 1) est
(x1 ; x2 , s1 , s2 , s3 , s4 ) = (0, 1, 20, 4, 1, 0) et Z = 4. Les variables x1 , s4 sont hors base
et x2 , s1 , s2 , s3 sont en base.

Détermination de la solution de base optimale
Théorème
Toute solution de base réalisable correspond à un sommet du polyèdre.
Nombre maximum de solutions de base est m!(n−m)! .

n!
Algorithme "bête et méchant" : énumération de toutes les bases.

Méthode du simplexe : partir d'une solution de base admissible et passer
à une solution de base voisine qui améliore la valeur de l'objectif.
La méthode du simplexe repose sur 3 étapes :
1 Détermination de la variable entrante.
2 Détermination de la variable sortante.
3 Pivotage.

Algorithme du simplexe
Mise en forme canonique du problème linéaire.

Ajout des variables d'écart puis écrire le programme linéaire sous forme
standard.
Choix de la base réalisable de départ. Dans le cas des bi ≥ 0, on peut
prendre la solution triviale de base réalisable suivante :
(x1 , . . . , xn , s1 , s2 , . . . , sm ) = (0, . . . , 0, b1 , b2 , . . . , bm ). Variables hors
base : (xi )1≤i≤n . Variables en base : (sj )1≤j≤m .

Algorithme du simplexe : présentation en
tableau
Vocabulaire des tableaux

1 Variable :
▶ hors base = variable nulle.
▶ en base = variable non nulle.
▶ entrante = variable nulle qui devient non nulle
▶ sortante = variable non nulle qui devient nulle.
2 Coûts réduits = coecients dans l'expression de la fonction objectif z

3 Pivot = coecient de la variable entrante dans l'expression de la
variable sortante.

tableau
Il y a plusieurs manières d'implémenter l'algorithme du simplexe. La méthode

du tableau est l'une des plus ecaces.
En pratique, l'algorithme de simplexe est très utilisé car il est très ecace :
entre 3m
2 et 3m itérations en moyenne (m = nombre de contraintes). pour
converger.

tableau
Exemple :
Forme canonique Forme standard

 
 max z = 30x1 + 50x2 
 max z = 30x1 + 50x2

 
 3x1 + 2x2 ≤ 1800  3x1 + 2x2 + s1 = 1800

 

 
x1 ≤ 400 x1 + s2 = 400

x2 ≤ 600 x2 + s3 = 600

 

 

 
 x ≥ 0, x ≥ 0
  x ≥ 0, x ≥ 0, s ≥ 0, s ≥ 0, s ≥ 0

1 2 1 2 1 2 3
On a bi ≥ 0, i = 1, . . . , 3, donc on peut prendre la solution de base réalisable

(solution initiale) (x1 , x2 , s1 , s2 , s3 ) = (0, 0, 1800, 400, 600) comme point de
départ.
Les variables hors base sont : x1 et x2 .
tableau
Le premier tableau du simplexe est :

Ligne VB x1 ↓ x2 s1 s2 s3 bi θi
L1 s1 3 2 1 0 0 1800 900
L2 s2 1 0 0 1 0 400 +∞
← L3 s3 0 1 0 0 1 600 600
Lz z 30 50 0 0 0 0 -
Comme il y a deux nombres positifs (30 et 50) dans la ligne Lz : (ligne des
coecients de la fonction objectif), la solution de base réalisable obtenue
n'est pas optimale.
On applique la procédure de détermination de la variable entrante et celle
sortante, on trouve :
x1 entre en base (plus grand coecient positif de z = 50 ,ligne Lz ).
s3 sort de base (plus petit rapport positif de θi = bi
ai2 = 200 > 0).
tableau
Dans le premier tableau, le pivot est égal à 1 (indiqué en bleu) : intersection

entre la colonne de la variable entrante (x2 ) et la ligne de la variable sortante
(x3 ).
Pour calculer le second tableau du simplexe on applique la technique de
pivotage :
Diviser la ligne du pivot par le pivot.
Alimenter la colonne du pivot par des 0 autre que le pivot.
Trouver les autres valeurs par la méthode du rectangle.

tableau
Le deuxième tableau du simplexe est :

Ligne VB ↓ x1 x2 s1 s2 s3 bi θi
← L1 s1 3 0 1 0 -2 600 200
L2 s2 1 0 0 1 0 400 400
L3 x2 0 1 0 0 1 600 +∞
Lz z 30 0 0 0 -50 -30000 -
Comme il y a un nombre positifs (30) dans la ligne Lz : (ligne des coecients

de la fonction objectif), la solution de base réalisable obtenue n'est pas
optimale.
On applique la procédure de détermination de la variable entrante et celle
sortante, on trouve :
x1 entre en base (plus grand coecient positif de z = 30 ,ligne Lz ).
s1 sort de base (plus petit rapport positif de θi = bi
ai2 = 200 > 0).
tableau
Dans le second tableau du simplexe, le pivot est égal à 3 indiqué en bleu :

intersection entre la colonne de la variable entrante (x1 ) dite aussi colonne du
pivot et la ligne de la variable sortante (s1 ) aussi dite ligne du pivot.
Pour calculer le troisième tableau du simplexe on applique la technique de
pivotage.

tableau
Le dernier tableau du simplexe est :

Ligne VB x1 x2 s1 s2 s3 bi
L1 x1 1 0 1
3 0 −2 3 200
L2 s2 0 0 −1
3 1 2
3 200
L3 x2 0 1 0 0 1 600
Lz z 0 0 -10 0 -30 -36000
Comme tous les nombres de la ligne Lz sont négatifs ou nuls, la solution de

base réalisable obtenue (x1 , x2 , s1 , s2 , s3 ) = (200, 600, 0, 200, 0) est optimale.
La solution optimale est donc la suivante : (x1 , x2 ) = (200, 600) et la valeur
maximale de la fonction objecftif est max z = 36000.

Les deux phases du simplexe
La méthode des deux phases

Une solution de base admissible n'est pas toujours connue a priori.
Certains problèmes n'admettent pas de solution admissible, donc il est
impossible de trouver une base de départ.
La méthode des deux phases va permettre de déterminer une base
admissible ou prouver que le problème est impossible.

Les deux phases du simplexe : la méthode des
deux phases
Solution initiale articielle

L'algorithme du simplexe débute avec une solution de base réalisable. Si le point
origine appartient à l'ensemble réalisable, la solution de base réalisable est facile,
mais si le point origine n'appartient pas l'ensemble réalisable, il existe au moins une
contrainte du type :
n
aij xj ≥ bi .
X
j=1
Nous devons toujours transformer les inéquations en équations. Pour cela on doit
ajouter ou soustraire des variables d'écart sj .
L'étape suivante est d'ajouter des variables articielles ai pour les équations dans
lesquelles on a soustrait des variables d'écart.
n
xj , ai ≥ 0.
X
aij xj + ai = bi ;
j=1

Les deux phases du simplexe : la méthode des
deux phases
Début
Mettre les contraintes sous forme d'égalités ;
Rendre positif le second membre des contraintes ;
Introduire les variables articielles ai dans les contraintes :
n
xj , ai ≥ 0.
X
aij xj + ai = bi ;
j=1
m
Sous ces contraintes, résoudre le PL auxiliaire : max (Z) = −
X
ai
i=1
Si pour tout i ∈ 1, . . . , m, ai = 0
Alors Résoudre le PL initial en prenant comme solution de base de départ la
solution obtenue à l'issue de la première phase.
Sinon Il n'y a pas de solution rélisable.
Fin

Les deux phases du simplexe : exemple
Forme canonique Forme standard

 
 max z = 4x1 + 2x2 
 max z = 4x1 + 2x2

 
 3x1 + 2x2 ≤ 12  3x1 + 2x2 + x3 = 12

 

 
x1 + 2x2 ≥ 4 x1 + 2x2 − x4 = 4

 x1 ≤ 3 x1 + x5 = 3

 
 

 
 x ≥ 0, x ≥ 0
  x ≥ 0, x ≥ 0, x ≥ 0, x ≥ 0, x ≥ 0

1 2 1 2 3 4 5
On remarque qu'il n'y a pas de solution de base pour démarer notre simplexe.
Si x1 = x2 = 0 =⇒ x3 = 12, x4 = −4, x5 = 3.
On passe donc à la phase II en ajoutant une variable articielle a.

La deuxième équation nécessite l'introduction d'une variable articielle a, on obtient le

programme linéaire auxiliaire (PLA) suivant :
max z = 4x1 + 2x2



3x1 + 2x2 + x3 = 12





x1 + 2x2 − x4 + a = 4




 x 1 + x5 = 3

 x ≥ 0, x ≥ 0, x ≥ 0, x ≥ 0, x ≥ 0, a ≥ 0
1 2 3 4 5
La solution de base réalisable de départ pour le PLA est :

(x1 , x2 , x3 , x4 , x5 , a) = (0, 0, 12, 0, 3, 4).
Les variales hors base sont : x1 , x2 , x4 . Les variables en base sont : x3 , x5 , a.
On doit exprimer la variable a en fonction des variables hors base x1 , x2 , x4 et les
remplacer dans la fonction objectif.
On a : a = 4 − x1 − 2x2 + x4 .
Il faut chercher une solution de base dans un système qui minimise a (ou maximise −a).
Remarque : min a = 0 ⇐⇒ a = 0.

Soit le système suivant :

min a



3x1 + 2x2 + x3 = 12





x1 + 2x2 − x4 + a = 4

 x1

 + x5 = 3


 x ≥ 0, x ≥ 0, x ≥ 0, x ≥ 0, x ≥ 0 a ≥ 0
1 2 3 4 5
Maintenant, la méthode du simplexe s'applique sans problèmes :

Première phase :
Le premier tableau de la phase I :
Ligne VB x1 ↓ x2 x3 x4 x5 a bi θi
L1 x3 3 2 1 0 0 0 12 6
← L2 a 1 2 0 -1 0 1 4 2
L3 x5 1 0 0 0 1 0 3 +∞
Lz z -1 -2 0 1 0 0 -4 -
x2 entre en base et a sort de la base, on élimine a du problème. On applique la technique

de pivotage et on obtient le second tableau de la phase I.
Première phase :
Le deuxième tableau de la phase I :
Ligne VB x1 x2 x3 x4 x5 bi
L1 x3 2 0 1 1 0 8
L2 x2 1
2 1 0 −1
2 0 2
L3 x5 1 0 0 0 1 3
Lz z 0 0 0 0 0 0
la première phase est achevée puisque ci = 0, i = 1, . . . , 5.

On a donc une solution de base réalisable (x1 , x2 , x3 , x4 , x5 ) = (0, 2, 8, 0, 3).
Dans le dernier tableau, la variable ajoutée a est sortie de la base.
Donc a = 0 , ce qui était l'objectif. On a donc trouvé un point de départ pour
résoudre le problème original.

Deuxième phase :
Le premier tableau de la phase II :
Ligne VB ↓ x1 x2 x3 x4 x5 bi θi
L1 x3 2 0 1 1 0 8 4
L2 x2 1
2 1 0 −1 2 0 2 4
← L3 x5 1 0 0 0 1 3 3
Lz z 4 2 0 0 0 0 -
x1 entre en base et x5 sort de la base. On applique la technique de pivotage

et on obtient le second tableau de la phase II.

Deuxième phase :
Le deuxième tableau de la phase II :
Ligne VB x1 ↓ x2 x3 x4 x5 bi θi
L1 x3 0 0 1 1 -2 2 +∞
← L2 x2 0 1 0 −1 2
−1
2
1
2
1
2
L3 x1 1 0 0 0 1 3 +∞
Lz z 0 2 0 0 -4 -12 -

Deuxième phase :
Le troixième tableau de la phase II :
Ligne VB x1 x2 x3 ↓ x4 x5 bi θi
← L1 x3 0 0 1 1 -2 2 2
L2 x2 0 1 0 −1
2
−1
2
1
2 −1 < 0
L3 x1 1 0 0 0 1 3 +∞
Lz z 0 0 0 1 -3 -13 -
x4 entre en base et x3 sort de la base. On applique la technique de pivotage

et on obtient le second tableau de la phase II.

Deuxième phase :
Le dernier tableau de la phase II :
Ligne VB x1 x2 x3 x4 x5 bi
L1 x4 0 0 1 1 -2 2
L2 x2 0 1 1
2 0 −3
2
3
2
L3 x1 1 0 0 0 1 3
Lz z 0 0 -1 0 -1 -15
On remarque que tous les nombres de la ligne Lz sont négatifs ou nuls. La

solution optimale est donc trouvée et donnée par (x1 , x2 ) = (3, 23 ) et la valeur
maximale de la fonction objectif est max z = 15.

Cas particuliers
Solution multiples
En utilisant la méthode de simplexe, on rencontre ce problème si l'un des
nombres de la ligne Lz relatif à une variable hors base est nul.
Exemple


 max z = x1 − x2

2x 1 − x2 ≥ −4




x1 − x2 ≤ 4
 x1 + x2 ≤ 10




 x ≥ 0, x ≥ 0

1 2

Cas particuliers
Solution impossible
Lorsque la solution optimale contient des variables articielles dans la base à
des niveaux non nuls.
Exemple


 min z = −x1 + x2

 2x1 − x2 ≥ −2



x1 − 2x2 ≤ −8
1 + x2 ≤ 5



 x

 x ≥ 0, x ≥ 0

1 2

Cas particuliers
Solution non bornée

Si on n'arrive pas à sélectionner la variable sortante (tous les rapports sont
négatifs ou nuls). Dans ce cas, la solution optimale est innie et la valeur
maximum est +∞.
Exemple


 max z = 5x1 + 7x2

 x1 + x2 ≥ 6



x1 ≥4
2 ≤3



 x

 x ≥ 0, x ≥ 0

1 2

Cas particuliers
Solution dégénérée
Un programme linéaire est dit dégénérée si une ou plusieurs variables dans la
base optimale sont nulles. Si au cours de l'algorithme du simplexe, aucune
base rencontrée n'est dégénérée, alors l'algorithme se termine en un nombre
ni d'itération.
Ce problème peut causer des dicultés pour l'algorithme du simplexe
(divergence), on parle d'un éventuel cyclage de l'algorithme : On retrouve une
base déjà rencontrée et on boucle indéniment.
Méthodes utiles
Pour traiter les cas de dégénérescence, plusieurs méthodes ont été proposée
par exemple : La méthode de Bland, la méthode de perturbation, Les
méthodes intermédiaires, méthode lexicographique la méthode de Bland est
l'une des méthodes des plus utilisées. On peut appliquer la règle de Bland
(1977) qui assure l'arrêt de l'algorithme en un nombre ni d'itération.
Lorsque plusieurs variables sont susceptibles d'entrer ou de sortir de la base,
on choisit toujours celle qui a l'indice le plus petit.
Les problèmes à solution dégénérée : exemple
On veut résoudre le PL suivant par la méthode du simplexe.



 max z = 5x1 + 3x2

 4x1 + 2x2 = 12



4x1 + x2 = 10



 x 1 + x2 = 4

 x ≥ 0, x ≥ 0

1 2
On introduit les variables d'écart s1 , s2 , s3 ≥ 0 ce qui conduit à :



 max z = 5x1 + 3x2

 4x1 + 2x2 + s1 = 12



4x1 + x2 + s2 = 10



 x 1 + x2 + s3 = 4

 x ≥ 0, x ≥ 0, s ≥ 0, s ≥ 0, s ≥ 0

1 2 1 2 3

On a bi ≥ 0, i = 1, . . . , 3. La solution de base réalisable de départ :

(x1 , x2 , s1 , s2 , s3 ) = (0, 0, 12, 10, 4) Les variales hors base sont : x1 et x2 . Les
variables en base sont : s1 , s2 , s3 .
Le premier tableau du simplexe est :
Ligne VB ↓ x1 x2 s1 s2 s3 bi θi
L1 s1 4 2 1 0 0 12 3
← L2 s2 4 1 0 1 0 10 52
L3 s3 1 1 0 0 1 4 4
Lz z 5 3 0 0 0 0 -
On applique la technique de pivotage et on obtient le second tableau du
simplexe.

Le deuxième tableau du simplexe est :

Ligne VB x1 ↓ x2 s1 s2 s3 bi θi
← L1 s1 0 1 1 -1 0 2 2
L2 x2 0 1
4 0 1
4 0 5
2 10
L3 s3 0 3
4 0 −1 4 1 3
2 2
Lz z 0 7
4 0 −5
4 0 −25
2 -
Il y a une seule variable condidate pour entrer en base : x2 . Les variables
condidates de sortir de la base sont x1 et x3 : choisir comme variable sortante
celle de plus petit indice, ici c'est s1 (en utilisant la régle de Bland).

Le troisième tableau du simplexe est :

Ligne VB x1 x2 s1 ↓ s2 s3 bi θi
L1 x2 0 1 1 -1 0 2 -
L2 x1 1 0 −1 4
1
2 0 2 4
← L3 s3 0 0 −3 4
1
2 1 0 0
Lz z 0 0 −7
4
1
2 0 -16 -
Il y a une seule variable condidate pour entrer en base : s2 . La variable
condidate de sortir de la base est s3 .

Le dernier tableau du simplexe est :

Ligne VB x1 x2 s1 s2 s3 bi
L1 x2 0 1 −1 2 0 2 2
L2 x1 1 0 1
2 0 -1 2
L3 s3 0 0 −3 2 1 2 0
Lz z 0 0 -1 0 -1 -16
On remarque que tous les nombres de la ligne Lz sont négatifs ou nuls. La
solution optimale est donc trouvée et donnée par (x1 , x2 ) = (2, 2) et la valeur
maximale de la fonction objectif est max z = 16.
Remarque : En pratique, les dégénérescences et, plus encore, le cyclage, sont
des phénomènes rares.

Chap 2 RO

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

Chap 2 RO

Transféré par

Droits d'auteur :

Formats disponibles

Recherche Opérationnelle: Méthode du

Ecole Nationale de Commerce et de Gestion de Casablanca

Pr S. HARROUDI 30 octobre 2023 1 / 39

Pr S. HARROUDI 30 octobre 2023 2 / 39

2 Les deux phases du simplexe

Pr S. HARROUDI 30 octobre 2023 2 / 39

2 Les deux phases du simplexe

Pr S. HARROUDI 30 octobre 2023 2 / 39

Formule générale d'un programme linéaire

a11 x1 + a12 x2 + . . . + a1n xn ≤ (ou ≥)b1

De façon générale, un problème de programmation mathématique met en jeu quatre catégories

Le but est de maximiser un prot ou minimiser un coût.

c : coecient économique par unité d'activité j , mesure de degré de réalisation de l'objectif.

b : disponibilité des ressources.

a : coecients techniques qui représentent le degré de consommation de la ressource i par

Pr S. HARROUDI 30 octobre 2023 3 / 39

Forme canonique d'un PL : Exemple

Pr S. HARROUDI 30 octobre 2023 4 / 39

Forme standard d'un PL : Exemple

Pr S. HARROUDI 30 octobre 2023 5 / 39

Lorsque le nombre de l'ensemble des variables de décisions du problème est

Idée de base du simplexe

Pr S. HARROUDI 30 octobre 2023 6 / 39

Une solution de base

Système de m équations linéaires à n + m inconnues : innité de solutions.

Pr S. HARROUDI 30 octobre 2023 7 / 39

Exemple (production de peinture)

Dans ce cas on a n + m = 6 inconnues et m = 4 équations.

Pr S. HARROUDI 30 octobre 2023 8 / 39

Géométrie des solutions de base

Prenons la base B = {s1 , s2 , s3 , s4 } ⇒x1 = x2 = 0, s1 = 24, s2 = 6, s3 = 2, s4 = 1.

Pr S. HARROUDI 30 octobre 2023 9 / 39

Détermination de la solution de base optimale

Nombre maximum de solutions de base est m!(n−m)! .

Algorithme "bête et méchant" : énumération de toutes les bases.

Pr S. HARROUDI 30 octobre 2023 10 / 39

Mise en forme canonique du problème linéaire.

Pr S. HARROUDI 30 octobre 2023 11 / 39

Algorithme du simplexe : présentation en

Vocabulaire des tableaux

▶ en base = variable non nulle.

▶ entrante = variable nulle qui devient non nulle

▶ sortante = variable non nulle qui devient nulle.

2 Coûts réduits = coecients dans l'expression de la fonction objectif z

Pr S. HARROUDI 30 octobre 2023 12 / 39

Algorithme du simplexe : présentation en

Il y a plusieurs manières d'implémenter l'algorithme du simplexe. La méthode

Pr S. HARROUDI 30 octobre 2023 13 / 39

Algorithme du simplexe : présentation en

Forme canonique Forme standard

On a bi ≥ 0, i = 1, . . . , 3, donc on peut prendre la solution de base réalisable

Algorithme du simplexe : présentation en

Le premier tableau du simplexe est :

Algorithme du simplexe : présentation en

Dans le premier tableau, le pivot est égal à 1 (indiqué en bleu) : intersection

Pr S. HARROUDI 30 octobre 2023 16 / 39

Algorithme du simplexe : présentation en

Le deuxième tableau du simplexe est :

Comme il y a un nombre positifs (30) dans la ligne Lz : (ligne des coecients

Algorithme du simplexe : présentation en

Dans le second tableau du simplexe, le pivot est égal à 3 indiqué en bleu :

Pr S. HARROUDI 30 octobre 2023 18 / 39

Algorithme du simplexe : présentation en

Le but est de maximiser un prot ou minimiser un coût.

c : coecient économique par unité d'activité j , mesure de degré de réalisation de l'objectif.

a : coecients techniques qui représentent le degré de consommation de la ressource i par

Système de m équations linéaires à n + m inconnues : innité de solutions.

2 Coûts réduits = coecients dans l'expression de la fonction objectif z

Comme il y a un nombre positifs (30) dans la ligne Lz : (ligne des coecients

Solution initiale articielle

La deuxième équation nécessite l'introduction d'une variable articielle a, on obtient le