Techniques Doptimisation

REPUBLIQUE DU BENIN
MINISTERE DE L'ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE
UNIVERSITE D'ABOMEY CALAVI
ECOLE POLYTECHNIQUE D’ABOMEY CALAVI (EPAC)
COURS :
TECHNIQUES D’OPTIMISATION
Cours présenté et animé par :

ZINSALO Joël M.
Enseignant-Chercheur à l’EPAC
Année Académique : 2012 - 2013

Techniques d’Optimisation
Objectifs spécifiques
Connaître et comprendre les principales techniques d'optimisation et

maîtriser leur application à des problèmes de génie.
Contenu
Problèmes d’optimisation – Définitions – Types d’optimisation
Programmation linéaire – Méthode du simplexe – Dualité - Méthode des pénalités
Optimisation sans contrainte : Notion de point critique – Condition nécessaire et
suffisante d’optimalité
Optimisation avec contrainte – Multiplicateurs de Lagrange
Programmation géométrique
Mode d’évaluation
1 contrôle continu et 1 examen terminal
Bibliographie
• Optimisation Appliquée : Yadolah Dodge, Sylvie Gonano-Weber et Jean-Pierre

Renfer, Springer-Verlag France, 2005, 343 pages.
• Méthodes d'optimisation combinatoire, J. Frédéric Bonnans, Jean Charles

Gilbert, Claudes Lemaréchal, Claudia Sagastizabal, Masson, Paris, 1996
• Recherche opérationnelle - Tome 1, Méthode d'optimisation, Jacques Teghem,

Editeur : Ellipses Marketing, 2012, 624 pages.
• Recherche opérationnelle, Méthodes d'optimisation en gestion, Jean-Claude

Moisdon , Michel Nakhla, Editeur : Presses des Mines -Transvalor, 2012, 344
pages.
Enseignant : ZINSALO Joël M./EPAC - UAC Page 2

CHAPITRE 1 :
GENERALITES SUR LES TECHNIQUES

D’OPTIMISATION EN INGENIERIE
1. Définitions
L'optimisation est une branche des mathématiques, cherchant à analyser et

à résoudre analytiquement ou numériquement les problèmes qui consistent
à déterminer le meilleur élément d'un ensemble, au sens d'un critère
quantitatif donné. Ce mot vient du latin optimum qui signifie le meilleur.
L’optimisation joue un rôle important en ingénierie quel que soit le domaine.
Aujourd'hui, tous les systèmes susceptibles d’être décrits par un modèle
mathématique sont optimisés. La qualité des résultats et des prédictions dépend
de la pertinence du modèle, de l’efficacité de l’algorithme et des moyens pour le
traitement numérique.
L’optimisation des systèmes en ingénierie (Génie civil, Génie Mécanique et
Energétique, Génie Chimique, Génie Informatique et Télécommunication,
Génie Electrique, etc.) permet de trouver une configuration idéale, d’obtenir
un gain d’effort, de temps, d’argent, d’énergie, de matière première, ou
encore de satisfaction.
L’optimisation est le processus de trouver les conditions que doit satisfaire
le maximum ou le minimum d’une fonction. L’optimisation est souvent attribuée
aux ingénieurs. Souvent un dimensionnement est difficile à optimiser à cause de
sa complexité. Dans ce cas, il est convenable d’optimiser les sous-systèmes
et de choisir la combinaison optimale de ces sous-systèmes.
2. Représentation mathématique d’un problème d’optimisation
2.1. Fonction objectif
La résolution d’un problème d’optimisation suppose en préalable, la connaissance
formelle d’une fonction objectif, appelée parfois fonction-coût qui est exprimée
par une fonction y telle que :

= , ,⋯⋯, 1
Cette fonction est exprimée à partir d’un vecteur , faisant intervenir n

variables. L’optimum recherché est soit un maximum noté soit un
minimum noté . Mais la résolution du problème se résume en fait à
la recherche d’un extrémum, car il y a formellement identité entre les deux
problèmes. En effet, on montre facilement que :
, ,⋯⋯, = − , ,⋯⋯, 2
Par ailleurs, l’adjonction d’une constante à la fonction objectif n’affecte pas le

point correspondant à l’optimum. On distingue deux cas de figures possibles qui
sont :
• optimisation sans contrainte ;
• optimisation avec contrainte.
2.2. Optimisation sans contrainte
Les n variables précédentes sont des variables indépendantes. Alors

l’optimisation entreprise est une optimisation sans contrainte. Ce problème est
plus simple que le suivant.
2.3. Optimisation avec contrainte
Dans ce cas, les variables mises en œuvre ne sont pas indépendantes et les
liaisons qui existent entre celles-ci peuvent se traduire par deux types de
contraintes qui sont :
- contraintes égalités
- contraintes inégalités.
2.3.1. Contraintes égalités
Ces contraintes sont mises sous la forme d’un ensemble de m fonctions

égales chacune à zéro :

= , ,…… , = 0 3
Pour que le problème posé puisse admettre une solution, il faut nécessairement
que le nombre de contraintes m soit inférieur au nombre de variables n. Dans
le cas limite où = , le système est indéterminé ; son point d’état étant fixé,
la recherche d’un optimum n’a aucun sens. De même, si m>n, le problème est
mal posé.
2.3.2. Contraintes inégalités
Ces contraintes s’expriment sous la forme :
= , ,…… , ≦ 4
représente le vecteur des constantes du second membre de (4).
Dans la majorité des problèmes posés, ces contraintes apparaissent et traduisent

des limitations physiques ou technologiques apparaissant dans le système.
Citons par exemple :
des seuils de température supérieur ou inférieur,
des contraintes mécaniques maximales,
des vitesses de rotation maximales,
des limitations en puissance,
des seuils de débit,
des durées de vie, etc…
3. Techniques d’optimisation
Ce catalogue non exhaustif a pour but de donner les grandes familles de

techniques qui sont développées dans la littérature, ainsi que leur caractérisation
succincte. Les techniques d’optimisation sont classées comme suit :

3.1. Calcul des variations – multiplicateurs de Lagrange et

méthodes dérivées (équations d’Euler, Hamilton, Jacobi).
Ces méthodes fonctionnent avec des contraintes de type égalité. Elles nécessitent
le calcul des dérivées partielles de la fonction objectif et des contraintes.
3.2. Méthodes de recherche

Ces méthodes parfois appelées méthodes d’exploration directe se satisfont de
l’examen en des points discrets de la fonction objectif. Elles sont adaptées lorsque
les composants sont connus de façon discrète.
Parmi ces méthodes, on peut citer :
les méthodes d’énumération,

les méthodes d’exploration au hasard,
les méthodes dérivées de l’exploration à une seule variable, en particulier
la méthode de Fibonacci,
les méthodes de simplex,
les méthodes d’exploration par alternance de variables,
les méthodes de Hookes-Jeeves, de Powell, etc...
3.3. Programmation linéaire

C’est la méthode la plus employée surtout pour les grands systèmes, mais cette
méthode nécessite une fonction objectif et des contraintes linéaires.
3.4. Programmation géométrique

Probablement c’est l’une des méthodes les plus récentes. La fonction objectif
associée doit être un polynôme où les variables apparaissent avec des exposants
entiers ou non (il est à remarquer que ce cas est courant dans les ajustements de
fonction).
3.5. Programmation dynamique

Cette technique encore appelée optimisation dynamique a été développée par
Bellman. Elle permet de déterminer une fonction optimale, plus qu’un point d’état
optimum. On obtient alors la trajectoire optimale sous forme d’une fonction reliant
plusieurs variables d’état.

Cette méthode n’est pas sans lien avec le calcul des variations ; la programmation
dynamique procède toutefois par une série de processus discrets, alors que le
calcul des variations donne un résultat continu.
4. Mise en forme d’un problème d’optimisation
La mise en forme d’un problème d’optimisation est sans doute la partie la plus
délicate de l’optimisation. Dans ce qui suit, les principales étapes vont être
énumérées pour être suivies dans la résolution d’un problème.
4.1. Enumération des étapes
On peut citer dans l’ordre chronologique des actions à mener pour l’optimisation
d’un système ou d’un procédé :
choix de la configuration du système,
explication des variables,
spécification des caractéristiques des composants et des fluides,
écriture des équations de bilans relatives aux entrées et sorties,
choix du critère d’optimisation et de recherche de la fonction objectif,
contraintes diverses liées au modèle mis en œuvre, aux équations de

liaisons entre composants, aux conditions mathématiques d’existence et
toute autre contrainte souhaitée. (Ces deux dernières phases sont souvent
difficiles).
élimination de variables d’état et de contraintes égalité par la méthode de

substitution lorsque cette élimination est possible (réduction des équations
de contrainte),
choix de la méthode d’optimisation,
si la technique le nécessite, recherche d’un vecteur d’état initial relatif aux

variables indépendantes.

4.2. Analyse des résultats

Un ingénieur ou un chercheur ne doit pas faire une confiance aveugle à
l’espérance mathématique. Il doit toujours examiner la solution obtenue pour le
problème à la lumière de son expérience et de son sens pratique ou physique,
pour voir si la solution obtenue est raisonnablement acceptable.
5. Informatique et optimisation
L’objectif de ce cours est surtout de permettre à l’utilisateur d’écrire un

programme principal qui appellera un sous-programme d’optimisation existant
ou d’utiliser un logiciel existant plus que la création d’un algorithme
d’optimisation.
Aussi, quel que soit le mode d’utilisation des moyens informatiques (en mode
différé ou en mode interactif), le concepteur du programme ou du logiciel doit-il
soigneusement commenter son travail et même s’investir dans la rédaction d’un
manuel d’utilisation.
Pour ce manuel, la forme suivante est préconisée:
• une introduction décrivant le but du programme,
• la construction du schéma général du système ou du procédé et la

définition des variables,
• la définition et le choix du critère d’optimisation,
• l’entrée des données du problème avec assistance à l’utilisateur dans le

choix des spécifications et des paramètres techniques,
• le mode d’utilisation du programme principal avec si possible un exemple

de déroulement,
• la description des sorties du programme, en particulier des options

possibles,
• le listing du programme.

CHAPITRE 2 :
PROGRAMMATION LINEAIRE
À partir de la fin de la Seconde Guerre mondiale, de nouvelles méthodes

permirent de résoudre des problèmes complexes là où les méthodes classiques
échouaient. Ces méthodes furent connues sous le nom de programmation
linéaire, développées principalement par George B. Dantzig (né le 8 novembre
1914), mathématicien américain et créateur de la méthode du Simplexe, et L.
Kantorovich (1912-1986).
Danzig, outre la programmation linéaire, étudia entre autres la programmation

mathématique, la prise de décision et les modèles de planification à large échelle.
L’impact de son œuvre fut considérable en gestion et en économie et ses
méthodes restent totalement d’actualité.
De manière générale, la résolution de problèmes de programmation

mathématique vise à déterminer l’allocation optimale (c’est-à-dire la meilleure
combinaison possible) de ressources limitées pour atteindre certains objectifs. Les
allocations doivent minimiser ou maximiser une fonction dite objectif. En
économie, ces fonctions sont par exemple le profit ou le coût. Ces problèmes,
traités par la programmation mathématique, se distinguent des problèmes
d’optimisation classique par le fait que leurs solutions sont d’ordre numérique.
Celles-ci sont obtenues par une technique numérique itérative, alors que les
solutions à un problème classique sont en général données sous forme de
formules fermées.
1. Définition
On appelle Programmation Linéaire, le problème mathématique qui consiste à

optimiser (maximiser ou minimiser) une fonction linéaire de plusieurs variables
qui sont reliées par des relations linéaires appelées contraintes. Les problèmes de
programmations linéaires sont généralement liés à des problèmes d’allocations de
ressources limitées, de la meilleure façon possible, afin de

maximiser un profit ou de minimiser un coût. Le terme meilleur fait référence à la

possibilité d’avoir un ensemble de décisions possibles qui réalisent la même
satisfaction ou le même profit. Ces décisions sont en général le résultat d’un
problème mathématique. La programmation linéaire est définie donc comme étant
un cas particulier de la programmation mathématique pour laquelle la fonction
objectif et les contraintes sont linéaires.
2. Formulation d’un programme linéaire
La tâche de formulation demande généralement une certaine expertise et

connaissance du problème pour pouvoir relever facilement les différentes
composantes du problème et ainsi donner un programme qui modélise au mieux
la situation réelle.
2.1. Les conditions de formulation d’un Programme Linéaire

La programmation linéaire comme étant un modèle admet des hypothèses (des
conditions) que le décideur doit valider avant de pouvoir les utiliser pour
modéliser son problème. Ces hypothèses sont :
a) Les variables de décision du problème sont positives
b) Le critère de sélection de la meilleure décision est décrit par une
fonction linéaire de ces variables, c’est à dire, que la fonction ne peut
pas contenir par exemple un produit croisé de deux de ces variables. La
fonction qui représente le critère de sélection est dite fonction objectif
(ou fonction économique).
c) Les restrictions relatives aux variables de décision (exemple: limitations
des ressources) peuvent être exprimées par un ensemble d’équations
linéaires. Ces équations forment l’ensemble des contraintes.
Les paramètres du problème en dehors des variables de décisions ont une valeur
connue avec certitude.

2.2. Les étapes de formulation d’un Programme Linéaire (PL)

Généralement il y a trois étapes à suivre pour pouvoir construire le modèle d'un
programme linéaire :
a) Identifier les variables du problème à valeur non connues (variable de

décision) et les représenter sous forme symbolique (exp. x1, y1 ).
b) Identifier les restrictions (les contraintes) du problème et les exprimer

par un système d’équations linéaires.
c) Identifier l’objectif ou le critère de sélection et le représenter sous une

forme linéaire en fonction des variables de décision. Spécifier si le critère
de sélection est à maximiser ou à minimiser.
Un programme linéaire consiste à trouver le maximum ou le minimum d’une

forme linéaire dite fonction objectif en satisfaisant certaines équations et
inégalités dites contraintes. En langage mathématique, on décrira de tels modèles
de la manière suivante :
Soient N variables de décision x1, x2,…, xn, l’hypothèse que les variables de
décision sont positives implique que x1 ≥ 0, x 2 ≥ 0, K, x N ≥ 0 .
La fonction objectif est une forme linéaire en fonction des variables de décision de
type : z = c 1 x 1 + c 2 x 2 + K + c N x N
où les coefficients c1,…,cN doivent avoir une valeur bien déterminée (avec
certitude) et peuvent être positifs, négatifs ou nuls. Par exemple le coefficient ci
peut représenter un profit unitaire lié à la production d’une unité supplémentaire
du bien xi, ainsi la valeur de z est le profit total lié à la production des différents
biens en quantités égales à x1 , x2 , K, x N .
Supposons que ces variables de décision doivent vérifier un système d’équations

linéaires définis par M inégalités :

a 11 x 1 + a 12 x 2 + K + a 1 N x N ≥ b1
a 21 x1 + a 22 x2 + K + a 2 N x N ≥ b2
M
a M 1 x1 + a M 2 x2 + K + a MN x N ≥ bM
où les coefficients a1M,…, aMN et b1,…, bM doivent avoir une valeur bien déterminée
(avec certitude) et peuvent être positifs, négatifs ou nuls. Le paramètre bj
représente la quantité de matière première disponible dont le bien xi utilise une
quantité égale à aij xi .
En suivant les étapes de formulation ci-dessus, on peut représenter le PL comme

suit :
Max c x + c x +K + c x
1 1 2 2 N N
s.c a x + a x +K + a x ≥ b
11 1 12 2 1N N 1
a x + a x +K + a x ≥b
21 1 22 2 2N N 2
M
a x +a x +K + a x ≥ bN
M1 1 M2 2 MN N
x1 ≥ 0 , x 2 ≥ 0 , K , x N ≥ 0
Exercice d’application
Soit à résoudre le problème suivant :
Une usine fabrique 2 pièces P1 et P2 usinées dans deux ateliers A1 et A2. Les
temps d'usinage sont :
pour P1: de 3 heures dans l'atelier A1 et de 6 heures dans l'atelier A2
pour P2: de 4 heures dans l'atelier A1 et de 3 heures dans l'atelier A2.
Le temps de disponibilité hebdomadaire de l'atelier A1 est de 160 heures et celui
de l'atelier A2 de 180 heures.
La marge bénéficiaire est de 1200 F pour une pièce P1 et 1000 F pour une pièce
P2.
Quelle production de chaque type doit-on fabriquer pour maximiser la marge
hebdomadaire ?

Le problème peut se formaliser de la façon suivante :

variables économiques ou d'activité: ce sont les inconnues
x1 = quantité de pièces P1 à fabriquer
x2 = quantité de pièces P2 à fabriquer
3 x1 + 4 x2 ≤ 160 contrainte due à l'atelier A1
contraintes économiques
6 x1 + 3 x2 ≤ 180 contrainte due à l'atelier A2
contraintes de signe x1 ≥ 0 ; x2 ≥ 0
fonction économique ou objectif z = 1200 x1 + 1000 x2 à maximiser
Exemple 2 : Problème d’agriculture

Un agriculteur veut allouer 150 hectares de surface irrigable entre culture de
tomates et celles de piments. Il dispose de 480 heures de main d’œuvre et de 440
m3 d’eau. Un hectare de tomates demande 1 heure de main d’œuvre, 4 m3 d’eau
et donne un bénéfice net de 100 kF. Un hectare de piments demande 4 heures de
main d’œuvre, 2 m3 d’eau et donne un bénéfice net de 200 kF.
Le bureau du périmètre irrigué veut protéger le prix des tomates et ne lui permet
pas de cultiver plus de 90 hectares de tomates. Quelle est la meilleure allocation
de ses ressources ?
Formulation du problème en un PL :
Etape 1 : Identification des variables de décision. Les deux activités que

l’agriculteur doit déterminer sont les surfaces à allouer pour la culture de
tomates et de piments :
• x1 : la surface allouée à la culture des tomates
• x2 : la surface allouée à la culture des piments
On vérifie bien que les variables de décision x1 et x2 sont positives : x1 ≥ 0, x2 ≥ 0 .
Etape 2 : Identification des contraintes. Dans ce problème les contraintes

représentent la disponibilité des facteurs de production :
• Terrain : l’agriculteur dispose de 150 hectares de terrain, ainsi la contrainte
liée à la limitation de la surface de terrain est x1 + x2 ≤ 150

• Eau : la culture d’un hectare de tomates demande 4 m3 d’eau et celle d’un

hectare de piments demande 2m3 mais l’agriculteur ne dispose que de 440m3.
La contrainte qui exprime les limitations des ressources en eau est
4 x1 + 2 x2 ≤ 440 .
• Main d’œuvre : Les 480 heures de main d’œuvre seront départager (pas
nécessairement en totalité) ente la culture des tomates et celles des piments.
Sachant qu’un hectare de tomates demande une heure de main d’œuvre et un
hectare de piments demande 4 heures de main d’œuvre alors la contrainte
représentant les limitations des ressources humaines est x1 + 4 x2 ≤ 480
• Les limitations du bureau du périmètre irrigué : Ces limitations exigent que

l’agriculteur ne cultive pas plus de 90 hectares de tomates. La contrainte qui
représente cette restriction est x1 ≤ 90.
Etape 3 : Identification de la fonction objectif. La fonction objectif consiste à

maximiser le profit apporté par la culture de tomates et de piments. Les
contributions respectives 100 et 200, des deux variables de décision x1 et x2 sont
proportionnelles à leur valeur. La fonction objectif est donc z = 100x1 + 200x2 .
Le programme linéaire qui modélise le problème d’agriculture est :
Max 100 x1 + 200 x 2

s .c . x1 + x 2 ≤ 150
4 x1 + 2 x 2 ≤ 440
x1 + 4 x 2 ≤ 480
x1 ≤ 90
x1 ≥ 0 , x 2 ≥ 0
Exemple 3 : problème de production
Pour fabriquer deux produits P1 et P2 on doit effectuer des opérations sur trois
machines M1, M2 et M3, successivement mais dans un ordre quelconque. Les
temps unitaires d’exécution sont donnés par le tableau suivant :
M1 M2 M3
P1 11 mn 7 mn 6 mn
P2 9 mn 12 mn 16 mn

On supposera que les machines n’ont pas de temps d’inactivité.
La disponibilité pour chaque machine sont :
• 165 heures (9900 minutes) pour la machine M1 ;
• 140 heures (8400 minutes) pour la machine M2 ;
• 160 heures (9600 minutes) pour la machine M3 .
Le produit P1 donne un profit unitaire de 900 kF et le produit P2 un profit

unitaire de 1000 kF.
Dans ces conditions, combien doit-on fabriquer mensuellement de produits P1 et

P2 pour avoir un profit total maximum ?
Formulation en un PL :
Les variables de décisions sont :

• x1 : le nombre d’unités du produit P1 à fabriquer
• x2 : le nombre d’unités du produit P2 à fabriquer
Les contraintes outre les contraintes de non-négativité sont :
• 11x1 + 9 x2 ≤ 9900 pour la machine M1
• 7 x1 + 12 x2 ≤ 8400 pour la machine M2
• 6 x1 + 16x2 ≤ 9600 pour la machine M3
Le profit à maximiser est : z = 900x1 + 1000 x2
Le programme linéaire résultant est :
Max 900 x 1 + 1000 x2
s .c . 1 1 x 1 + 9 x 2 ≤ 9900
7 x 1 + 12 x 2 ≤ 8400
6 x 1 + 16 x 2 ≤ 9600
x1 ≥ 0 , x 2 ≥ 0
Exemple 4 : Problème d’alimentation
On se propose de réaliser une alimentation économique pour des bestiaux, qui

contient obligatoirement 4 sortes de composants nutritifs, A, B, C et D.
L’industrie alimentaire produit précisément deux aliments M et N qui contiennent
ces composants : 1 Kg d’aliment M contient 100 g de A, 100 g de C, 200 g de D ;
1 Kg d’aliment N contient 100 g de B, 200 g de C, 100 g de D.

Un animal doit consommer par jour au moins : 0.4 Kg de A ; 0.6 Kg de B ; 2 Kg

de C ; 1.7 Kg de D. L’aliment M coûte 10 KF le Kg et N coûte 4 KF le Kg. Quelles
quantités d’aliments M et N doit-on utiliser par jour et par animal pour réaliser
l’alimentation la moins coûteuse ?
On peut résumer toutes les données du problème dans le tableau suivant
M N Quantités
prescrites
A 0.1 0 0.4
B 0 0.1 0.6
C 0.1 0.2 2
D 0.2 0.1 1.7
Coût 10 4
Ce genre de tableau peut aider à mieux analyser le problème et ainsi formuler le

programme linéaire correspondant.
Les variables de décision sont
• xM : la quantité d’aliments M à utiliser pour l’alimentation des deux bestiaux

• xN : la quantité d’aliments N à utiliser pour l’alimentation des deux bestiaux
Les contraintes de non-négativité sont x1 ≥ 0, x2 ≥ 0.
Le choix de cette quantité est contraint à la présence dans l’alimentation du
composant
• A : 0.1 x1 ≥ 0.4 ⇒ x1 ≥ 4
• B : 0.1 x2 ≥ 0.6 ⇒ x2 ≥ 6
• C : 0.1 x1 + 0.2 x2 ≥ 2 ⇒ x1 + 2 x2 ≥ 20
• D : 0.2 x1 + 0.1 x2 ≥ 1.7 ⇒ 2 x1 + x2 ≥ 17
La fonction objectif est une fonction coût : z = 10x1 + 4 x2 .
Le programme linéaire est un programme de minimisation :

Min 10 x 1 + 4 x 2
s .c . x1 ≥ 4
x2 ≥ 6
x 1 + 2 x 2 ≥ 20
2 x 1 + x 2 ≥ 17
x1 ≥ 0 , x 2 ≥ 0
Exemple 5 : Problème de mélange

Un industriel veut produire un alliage Z à 30% de plomb, 30% de zinc et 40%
d’étain. Supposons qu’il puisse se procurer sur le marché des alliages A, B, C, D,
E, F, G, H, I dont les compositions et les prix respectifs sont donnés dans le
tableau suivant :
Compositions A B C D E F G H I Alliage à
des alliages fabriquer
(en %)
Plomb 10 10 40 60 30 30 30 50 20 30
Zinc 10 30 50 30 30 40 20 40 30 30
Etain 80 60 10 10 40 30 50 10 50 40
Coût au Kilo 4.1 4.3 5.8 6 7.6 7.5 7.3 6.9 7.3
Combien doit-il acheter de chaque alliages A, B, C, D, E, F, G, H et I pour obtenir

au prix de revient minimum un 1 Kg de l’alliage Z ?
La décision à prendre : Combien acheter de chaque alliage A, B, …, I ?
Les variables de décision sont :
• xi : la quantité d’alliage i, i= A, B, …, I, à acheter.
On vérifie bien que les variables de décision xi , i= A, B, …, I, sont positives :
xA ≥ 0, xB ≥ 0, xC ≥ 0, xD ≥ 0, xE ≥ 0, xF ≥ 0, xG ≥ 0, xH ≥ 0, xI ≥ 0 .
Les contraintes relatives au problème sont :

• Equation de la conservation de la matière :
x A ≥ 0, x B ≥ 0, xC ≥ 0, x D ≥ 0, x E ≥ 0, x F ≥ 0, xG ≥ 0, x H ≥ 0, x I ≥ 0
• Equation de la satisfaction des proportions en Plomb :

x A + 0.3 x B + 0.5 xC + 0.3 x D + 0.3 x E + 0.4 x F + 0.2 xG + 0.4 x H + 0.3 x I = 0.3
• Equation de la satisfaction des proportions en Zinc :

0.1 x A + 0.3 x B + 0.5 x C + 0.3 x D + 0.3 x E + 0.4 x F + 0.2 x G + 0.4 x H + 0.3 x I = 0.3
• Equation de la satisfaction des proportions en Etain :
0.8 x A + 0.6 xB + 0.1 xC + 0.1 xD + 0.4 xE + 0.3 xF + 0.5 xG + 0.1 x H + 0.5 xI = 0.4
La fonction objectif dans cet exemple représente le coût d’achat des différents
alliages A, B, C, D, E, F, G, H et I. Donc l’expression de la fonction objectif est la
suivante :
z = 4 . 1 x A + 4 . 3 x B + 5 . 8 xC + 6 x D + 7 . 6 x E + 7 . 5 x F + 7 . 3 x G + 6 . 9 x H + 7 . 3 x I
Le programme linéaire qui modélise ce problème mélange s'écrit :

Min 4.1xA + 4.3 xB + 5.8 x + 6 xD + 7.6 xE + 7.5 xF + 7.3 x + 6.9 xH + 7.3 xI
C G
s.c. xA + xB + xC + xD + xE + xF + xG + xH + xI = 1
0.1xA + 0.1xB + 0.4 x + 0.6 xD + 0.3 xE + 0.3 xF + 0.3 x + 0.5 xH + 0.2 xI = 0.3
C G
0.1xA + 0.3 xB + 0.5 x + 0.3 xD + 0.3 xE + 0.4 xF + 0.2 x + 0.4 xH + 0.3 xI = 0.3
C G
0.8 xA + 0.6 xB + 0.1xC + 0.1xD + 0.4 xE + 0.3 xF + 0.5 xG + 0.1xH + 0.5 xI = 0.4
xA,xB,x ,xD,xE,xFx ,xH,xI ≥ 0
C G

3. Algorithme de simplexe
Cette méthode est l’outil principal de résolution des problèmes de programmation

linéaire. Elle consiste à suivre un certain nombre d’étapes avant d’obtenir la
solution d’un problème donné. Il s’agit d’une méthode algébrique itérative qui
permet de trouver la solution exacte d’un problème de programmation linéaire en
un nombre fini d’étapes.
La résolution graphique est inapplicable au-delà de deux variables. Il est aussi

nécessaire de recourir à une autre méthode : la méthode du simplexe dite
également méthode des tableaux ou méthode de Dantzig. Cette méthode,
applicable quel que soit le nombre de variables, sera présentée pour des
problèmes de maximisation dont toutes les contraintes (autres que celles de
positivité) sont de type ≤.
3.1. Forme canonique d’un programme linéaire
Max z = c1 x1 + c2 x2 + .......... + cn xn
a11 x1 + a12 x2 + .......... + a1n xn ≤ b1
a21 x1 + a22 x2 + .......... + a2n xn ≤ b2
............................................................................
am1 x1 + am2 x2 + .......... + amn xn ≤ bm
x1 ≥ 0 ; x2 ≥ 0 ; .........; xn ≥ 0
Si la fonction objectif doit être maximisée et si toutes les contraintes sont des
inéquations du type ≤, on dit que le programme linéaire se présente sous une
forme canonique.
3.2. Forme standard d’un programme linéaire
On transforme les inégalités des contraintes économiques en égalités par

introduction de variables supplémentaires positives ou nulles appelées variables
d'écart.
ai1 x1 + ai2 x2 + .......... + ain xn ≤ bi devient ai1 x1 + ai2 x2 + .......... + ain xn + ti = bi

d'où la forme standard :

Max z = c1 x1 + c2 x2 + ..........+ cn xn
a11 x1 + a12 x2 + .......... + a1n xn + t1 = b1
a21 x1 + a22 x2 + .......... + a2n xn + t2 = b2
............................................................................
am1 x1 + am2 x2 + .......... + amn xn + tm = bm
x1 ≥ 0 ; x2 ≥ 0 ; .........; xn ≥ 0 ; t1 ≥ 0 ; t2 ≥ 0 ; .........; tm ≥ 0
Forme simpliciale :
Un programme est dit sous forme simpliciale si :
• elle est sous forme standard
• et les constantes du second membre sont toutes positives.
Le programme doit être mis sous forme simpliciale avant l'utilisation de
l'algorithme de simplexe.
3.3. Mise en œuvre de l’algorithme
Afin de comparer avec la résolution graphique, nous pouvons considérer que

nous sommes dans un espace à n dimensions (nombre de variables d'activité).
Les contraintes délimitent un polyèdre convexe, région des solutions admissibles;
la fonction objectif est un hyperplan que l'on va déplacer le plus loin possible de
l'origine, jusqu'à l'extrême limite où il n'y aura plus qu'un point d'intersection
(éventuellement un segment, un plan...) avec la région des solutions admissibles.
La solution se trouvant forcément sur le pourtour du polyèdre admissible, la
méthode du simplexe consiste en itérations qui font passer d'un sommet du
polyèdre à un autre en sélectionnant le sommet adjacent maximisant la fonction
objectif. Pour démarrer l'algorithme, il est nécessaire d'avoir une solution initiale.
Dans le cas simple, l'origine est solution, c.à.d. que la première solution est x1 = 0
; x2 = 0 ; .........; xn = 0 ; t1 = b1 ; t2 = b2 ; .........; tm = bm (ceci suppose que les bi ne
soient pas négatifs pour satisfaire les contraintes de signe).
L'algorithme, basé sur la méthode du pivot de Gauss pour la résolution des

systèmes d'équations linéaires, est présenté sous forme de tableau.
Soit à résoudre le programme linéaire suivant sous sa forme canonique :

3 x1 + 4 x2 ≤ 160
6 x1 + 3 x2 ≤ 180
Max z = 1200 x1 + 1000 x2
x1 ≥ 0 ; x2 ≥ 0
* Forme standard
3 x1 + 4 x2 + 1 t1 + 0 t2 = 160
6 x1 + 3 x2 + 0 t1 + 1 t2 = 180
Max z = 1200 x1 + 1000 x2 + 0 t1 0 t2
x1 ≥ 0 ; x2 ≥ 0
* Tableau 0
en ne conservant que les coefficients des équations ci-dessus, on obtient le
tableau de départ :
HB x1 x2 t1 t2 C
B
t1 3 4 1 0 160
t2 6 3 0 1 180
∆ 1200 1000 0 0 0
Ce tableau nous donne la première solution admissible :
- Les variables Hors Base (HB) (situées sur la première ligne du tableau) sont nulles :
x1 = 0 ; x2 = 0 (t1 et t2 en rouge ne sont pas hors base; elles ne sont présentes que
pour rappeler qu'il s'agit des colonnes des coefficients de ces deux variables ;
lorsqu'on travaille sur papier, il est préférable d'indiquer la position de ces
variables par des points pour bien montrer que seules x1 et x2 sont hors base).
Cela signifie qu'on fabrique 0 pièces P1 et 0 pièces P2.
- Les valeurs des variables dans la Base (B) (apparaissant dans la première
colonne) se lisent dans la colonne C : t1 = 160 et t2 =180. Cela signifie qu'il reste 160
heures d'utilisation possible de l'atelier A1 et 180 heures de l'atelier A2.
- La dernière cellule (intersection de C et ∆) donne la valeur de -z : -z = 0 donc
z = 0. Cela signifie que la marge est égale à 0.

- La ligne ∆ donne les valeurs marginales ou taux marginal de substitution; elles

s'interprètent de la manière suivante : à ce stade de la solution, une
augmentation de 1 unité de x1 ferait croître la fonction objectif de 1200, et une
augmentation de 1 unité de x2 ferait croître la fonction objectif de 1000. Cela
signifie qu'à ce stade de la production si on augmente la production de 1 pièce de
P1, la marge va augmenter de 1200 F et si on augmente la production de 1 pièce
de P2, la marge va augmenter de 1000F.
En effet, la solution actuelle est x1 = 0 ; x2 = 0 ; t1 = 160 ; t2 =180
et z =1200 . x1 + 1000 . x2 + 0 . t1 + 0 . t2 = 1200 . 0 + 1000 . 0 + 0 . 160 + 0 . 180 = 0
Si on augmente x1 de 1 unité,
z =1200 . 1 + 1000 . 0 + 0 . 0 . 160 + 0 . 180 = 1200
Si on augmente x2 de 1 unité,
z =1200 . 0 + 1000 . 1 + 0 . 0 . 160 + 0 . 180 = 1000
* Tableau 1
On augmente la fonction objectif en faisant entrer une variable dans la base,

prenant la place d'une variable qui va sortir de la base.
Critère de sélection de la variable entrant dans la base:

On sélectionne la variable HB ayant le plus grand coefficient
positif dans la ligne ∆ .
x1 entre donc dans la base
HB x1 x2 t1 t2 C R
B
t1 3 4 1 0 160 160/3
t2 6 3 0 1 180 30
∆ 1200 1000 0 0 0
Pour sélectionner la variable sortant de la base, il est nécessaire de rajouter une

colonne R au tableau, obtenue en faisant le rapport membre à membre de la
colonne C et de la colonne de la variable entrant dans la base (x1).

Critère de sélection de la variable sortant de la base:

On sélectionne la variable dans la Base ayant le plus
petit coefficient positif dans la colonne R .
t2 sort donc de la base

HB x1 x2 t1 t2 C R
B
t1 3 4 1 0 160 160/3
t2 6 3 0 1 180 30 variable sortant
∆ 1200 1000 0 0 0
variable entrant
On appelle pivot (égal à 6) l'intersection de la variable entrante et de la variable

sortante.
Pour obtenir le tableau 1, on applique les règles suivantes :
- Le pivot est égal à 1

- Les coefficients de la ligne du pivot sont divisés par le pivot
- Les coefficients de la colonne du pivot sont nuls
- Les autres coefficients sont obtenus par la règle du rectangle
La règle du rectangle est la suivante :
Remarque importante : d = d' ⇔ c b = 0 ⇔ b = 0 ou c = 0

En conséquence, si dans la colonne (resp. ligne) du pivot il y a un 0, toute la ligne
(resp. colonne) correspondante reste inchangée.
En appliquant ces règles on obtient le tableau 1 :

HB x1 x2 t1 t2 C
B
t1 0 5/2 1 -1/2 70
x1 1 ½ 0 1/6 30
∆ 0 400 0 -200 -36000
Ce tableau nous donne la deuxième solution admissible :

- Les variables Hors Base (HB) sont nulles: x2 =0 ; t2 =0 (x1 et t1 en rouge ne
sont pas hors base ; elles ne sont présentes que pour rappeler qu'il s'agit des
colonnes des coefficients de ces deux variables). Cela signifie qu'on fabrique 0
pièces P2 et qu'il reste 0 heure d'utilisation disponible à l'atelier A2. La contrainte
associée à t2 est dite saturée.
- Les valeurs des variables dans la Base (B) se lisent dans la colonne C :
t1 = 70 et x1 =30. Cela signifie qu'on fabrique 30 pièces P1 et qu'il reste 70 heures
d'utilisation disponible à l'atelier A1.
- La dernière cellule (intersection de C et ∆) donne la valeur de -z : -z = -36000
donc z = 36000. Cela signifie que la marge est égale à 36000 F.
s'interprètent de la manière suivante: à ce stade de la solution, une augmentation
de 1 unité de x2 ferait croître la fonction objectif de 400, et une augmentation de
1 unité de t2 ferait diminuer la fonction objectif de 200 (il est à noter qu'une
augmentation de 1 unité de la variable d'écart t2 revient à diminuer le second
membre de l'équation correspondante de 1 unité).Cela signifie qu'à ce stade de la
production si on augmente la production de 1 pièce de P2, la marge va augmenter
de 400 F et si on diminue la disponibilité de 1 heure à l'atelier A2, la marge va
diminuer de 200 F.
En effet, la solution actuelle est : x1 = 30 ; x2 = 0 ; t1 = 70 ; t2 = 0 et
z =1200 . x1 + 1000 . x2 + 0 . t1 + 0 . t2 = 1200 . 30 + 1000 . 0 + 0 . 70 + 0 . 0 = 36000.
Si on augmente x1 de 1 unité, on ne peut garder x1 = 30 car la 2° contrainte
6 x1 + 3 x2 + 0 t1 + 1 t2 = 180 est saturée. On doit donc déterminer la valeur de x1
permettant d'augmenter x2 de 1 unité :
6 . x1 + 3 . 1 + 0 . 70 + 1 . 0 = 180 ⇔ 6 x1 + 3 = 180 ⇔ x1 = 29,5

d'où z =1200 . 29,5 + 1000 . 1 + 0 . 70 + 0 . 0 = 36400, c.à.d. une augmentation de 400 F

par rapport à la solution précédente.
Si on augmente t2 de 1 unité, la contrainte 6 x1 + 3 x2 + 0 t1 + 1 t2 = 180 devient 6 . x1
+ 3 . x2 + 0 . 70 + 1 . 1 = 180 ou encore 6 x1 + 3 x2 = 179; on a donc bien 1 heure de
disponibilité en moins à l'atelier A2.
De plus puisque x2 = 0, on aura x1 = 179/6 au lieu de 30
d'où z =1200 . 179/6 + 1000 . 1 + 0 . 70 + 0 . 1 = 35800, ce qui correspond à une baisse de
200 F.
Tableau 2 :
HB x1 x2 t1 t2 C R
B
t1 0 5/2 1 -1 2 70 28
variable sortant
x1 1 1/2 0 1/6 30 60
∆ 0 400 0 -200 - 36000
variable entrant
d'où le tableau 2
HB x1 x2 t1 t2 C
B
x2 0 1 2/5 -1/5 28
x1 1 0 -1/5 4/15 16
∆ 0 0 -160 -120 - 47200
Ce tableau nous donne la troisième solution admissible :

- Les variables Hors Base (HB) sont nulles: t1 = 0 ; t2 =0 (x1 et x2 en rouge ne
sont pas hors base ; elles ne sont présentes que pour rappeler qu'il s'agit des
colonnes des coefficients de ces deux variables). Cela signifie qu'il reste 0 heure
d'utilisation disponible aux ateliers A1 et A2. Les contraintes associées à t1 et t2
sont saturées.
- Les valeurs des variables dans la Base (B) se lisent dans la colonne C : x2 = 28
et x1 =16.
Cela signifie qu'on fabrique 16 pièces P1 et 28 pièces P2.

- La dernière cellule (intersection de C et ∆) donne la valeur de -z : -z = - 47200

donc z = 47200. Cela signifie que la marge est égale à 47200 F.

s'interprètent de la manière suivante: à ce stade de la solution, une augmentation
de 1 unité de t1 ferait diminuer la fonction objectif de 160, et une augmentation
de 1 unité de t2 ferait diminuer la fonction objectif de 120 (il est à noter qu'une
augmentation de 1 unité d'une variable d'écart revient à diminuer le second
membre de l'équation correspondante de 1 unité).
Si tous les coefficients de la ligne ∆relatifs aux

Critère d'arrêt des itérations:
variables HB, sont négatifs ou nuls, la solution

trouvée est optimale.
Nous avons donc ici atteint la solution optimale.
Remarques importantes :
- S'il existe une variable HB ayant un coefficient positif dans la ligne ∆ et telle
que tous les coefficients correspondants dans le tableau soient nuls ou
négatifs, alors la solution est infinie.
- Si, à la fin des itérations, une variable est HB avec un coefficient nul dans la
ligne ∆, alors on a une arête (plan,...) optimale. Les autres sommets solutions
sont obtenus en faisant rentrer cette variable dans la base.
- La résolution du problème à Minimum ne pose pas de difficulté; il suffit, dans

le critère de sélection de la variable entrant dans la base, de remplacer "plus
grand coefficient positif "par "plus grand coefficient négatif" et dans le critère
d'arrêt des itérations de remplacer "coefficients négatifs ou nuls " par
"coefficients positifs ou nuls".

Interprétation graphique de la méthode du simplexe :
Les différentes solutions obtenues à chaque tableau correspondent

respectivement aux sommets O : (x1 = 0 ; x2 = 0), A (x1 = 30 ; x2 = 0),
B(x1 =16 ; x2 = 28) du graphique. On a cheminé sur le pourtour du polyèdre des
solutions admissibles, en sélectionnant parmi tous les sommets possibles celui
donnant la valeur maximale à la fonction objectif.
RETENONS
1) Pour un maximum, la variable entrante est celle qui, dans le tableau, a

l'élément strictement positif le plus grand sur la ligne de la fonction
économique (appelé ligne ∆ ci-après). Les valeurs des variables de la base étant
toujours positives, celle ayant le coefficient positif de Z le plus élevé
augmentera plus que les autres la valeur de la fonction économique.
* Si tous les éléments de la ligne ∆ sont négatifs ou nuls, le programme est
optimal :
- si les seuls éléments nuls de la ligne ∆ correspondent aux variables de base
(ou d'écart), alors le maximum est unique. C'est le cas lorsque la ligne de
niveau la plus éloignée de l'origine est tangente en un seul sommet du
polyèdre convexe.
- sinon, il y a une infinité de solutions, car n'importe quelle autre variable
ayant un 0 pour la ligne ∆ peut (ou aurait pu) entrer à la place d'une

variable de base affectant les valeurs des autres variables de base tout en
gardant % constant. C'est le cas lorsque la ligne de niveau la plus éloignée
de l'origine est confondue à tout un segment de la frontière du polyèdre
convexe.
* S'il existe un élément de la ligne ∆ strictement positif tel que les éléments de la
colonne correspondante sont tous négatifs ou nuls, le problème n'a pas de
solution optimale finie, car il ne peut pas avoir de variable sortante. Ce cas
"normalement" exclus du fait même de la nature des programmes économiques se
produit quand il y a erreur de modélisation.
* S'il existe un ou plusieurs éléments de la ligne ∆ strictement positifs, on
poursuit le processus itératif, jusqu'à aboutir à l'un des deux cas ci-dessus.
2) Pour un minimum, la variable entrante est celle qui dans le tableau a le

coefficient (sur la ligne ∆) strictement négatif le plus grand en valeur absolue. Les
valeurs des variables de la base étant toujours positives, celle ayant le coefficient
négatif de ∆ le plus élevé en valeur absolue diminuera plus que les autres la
valeur de la fonction économique.
* Si tous les éléments de la ligne ∆ sont positifs ou nul, le programme est
optimal :
- si les seuls éléments nuls de la ligne ∆ correspondent aux variables de
base (ou d'écart), alors le minimum est unique. C'est le cas lorsque la
ligne de niveau la plus proche de l'origine est tangente en un seul sommet
du polyèdre convexe.
- sinon, il y a une infinité de solutions, car n'importe quelle autre variable
ayant un coefficient nul sur la ligne ∆ peut (ou aurait pu) entrer à la place
d'une variable de base affectant les valeurs des autres variables de base
tout en gardant Z constant. C'est le cas lorsque la ligne de niveau la plus
proche de l'origine est confondue à tout un segment de la frontière du
polyèdre convexe.
* S'il existe un élément de la ligne ∆ strictement négatif tel que les éléments de la
colonne correspondante sont tous négatifs ou nuls, le problème n'a pas de
solution optimale finie, car il ne peut pas avoir de variable sortante. Ce cas

"normalement" exclus du fait même de la nature des programmes économiques se

produit quand il y a erreur de modélisation.
* S'il existe un ou plusieurs éléments de la ligne ∆ strictement négatifs, on
poursuit le processus itératif, jusqu'à aboutir à l'un des deux cas ci-dessus.
La variable sortante est toujours celle qui correspond à la valeur finie positive la
plus petite de la colonne C/k "colonne entrante", qu'il s'agisse de maximiser ou
de minimiser la fonction économique. Comme ce rapport doit toujours être
strictement positif, on comprend pourquoi il ne peut avoir de variable
sortante :
- dans le cas du maximum, «S'il existe un élément de la ligne ∆ strictement
positif tel que les éléments de la colonne correspondante sont tous négatifs
ou nuls».
- dans le cas du minimum, «S'il existe un élément de la ligne ∆ strictement
négatif tel que les éléments de la colonne correspondante sont tous négatifs
ou nuls».
Le pivot est la valeur située à l'intersection de la variable entrante et la variable

sortante de la base. Le nouveau tableau est construit en rendant unitaire le pivot
et en faisant les transformations de Gauss (méthode du rectangle) nécessaires
pour avoir partout 0 dans la colonne pivot y compris sur la ligne ∆ de la fonction
économique.

Exercice
Une société fabrique trois modèles de meubles : classique, rustique, moderne. Les
standards unitaires de production sont résumés dans le tableau suivant :
Modèle Modèle Modèle Capacités
classique rustique moderne maximales
Bois 5 8 5 900
Main d’œuvre 1 2 3 516
Centre finition 2 2 0 200
Marges sur coûts variables 1000 960 1200
Déterminer les quantités à produire pour maximiser son résultat.

Résolution
• Forme canonique de ce programme
Soit :
le nombre de modèles classiques à produire
le nombre de modèles rustiques à produire
& le nombre de modèles modernes à produire
5 + 8 + 5& ≤ 900
* + 2 + 3& ≤ 516
(
2 + 2 + 0& ≤ 200
) % = 1000 + 960 + 1200&
(
' ≥ 0 ; ≥ 0 ; & ≥ 0.
• Forme standard
La méthode du simplexe nécessite une mise sous forme standard : les inégalités
sont transformées en égalités grâce à l’introduction des variables d’écart positives
ou nulles notées 2 .
Il y a une variable pour chaque contrainte (autre que contrainte de positivité).
Exemple : Etude de la contrainte relative au facteur bois
5 +8 +2 = 900
+ 5&
Emploi du facteur
bois pour des
niveaux de
Ecart entre la capacité et la consommation du

facteur bois pour une production x, y, z. Cet
écart permet l’égalité entre les deux membres
On obtient donc la forme standard :

5 + 8 + 5& + 2 = 900
* + 2 + 3& + 2 = 516
(
2 + 2 + 0& + +23 = 200
) % = 1000 + 960 + 1200& + 02 + 2 + 23
(
' ≥ 0 ; ≥ 0 ; & ≥ 0.
&
Tableau 0 :
HB . . . C
2
B
2
5 8 5 1 0 0 900
23
1 2 3 0 1 0 516
∆
2 2 0 0 0 1 200
1000 960 1200 0 0 0 0
Interprétation de ce tableau :
Il s’agit de la solution admissible de départ qui respecte toutes les contraintes :
ne rien produire.
La production est donc nulle =0; = 0 ;& = 0 et la valeur de la fonction
objectif est égale à 0.
Les capacités disponibles des facteurs sont intactes. Ainsi 2 = 900 signifie qu’il
reste 900 unités de bois, 2 = 516 signifie qu’il reste 516 unités de main d’œuvre,
23 = 200 signifie qu’il reste 200 unités de centre finition.
Cette solution peut être améliorée puisque les coefficients de la ligne ∆ ne sont
pas négatifs ou nuls.
Continuer l’exemple en suivant l’exemple précédent.
On trouve :
= 12 ; = 0 ; & = 168 42 % = 213 600.
NB : Quel que soit le tableau, les coefficients de la dernière ligne (ligne ∆) sont
appelés taux marginaux de substitution. Chaque taux marginal de substitution
mesure l’apport à la fonction économique de l’entrée dans la base d’une unité
d’une variable hors base.

4. Dualité
La notion de dualité a été introduite par Von Neumann en 1947, puis développée
par Gale, Kuhn et Tucker en 1951. Les propriétés fondamentales des problèmes
de dualité ont été définies par Goldman and Tucker en 1956.
A tout programme linéaire appelé PRIMAL correspond un programme linéaire
appelé DUAL obtenu de la manière suivante :
PRIMAL DUAL
m contraintes d'infériorité n contraintes de supériorité
n variables d'activité n variables d'écart
m variables d'écart m variables d'activité
écriture en ligne écriture en colonne
• La dualité permet de résoudre les problèmes de minimisation dont les

contraintes (autres que celles de positivité des signes) sont de sens ≥.
• Le nombre de variables du dual est égal au nombre de contraintes du primal.
Elles doivent être différenciées de celles du primal.
• Le nombre de contraintes du dual est égal au nombre de variables du primal.
• Les coefficients des colonnes (lignes) du primal sont les coefficients des lignes
(colonnes) du dual.
• Les inégalités du dual sont de sens opposé à celles du primal.
• Les coefficients de la fonction économique du primal sont les contraintes du
dual.
• Si le primal est une minimisation, le dual est une maximisation et
inversement.
• Les coefficients de la fonction économique du dual sont les contraintes du
primal.
• Le dual du dual est le primal.
• Un programme linéaire possède une solution optimale finie si et seulement si
lui et son dual possèdent des solutions réalisables.
• Si le problème primal possède une solution optimale infinie, alors le dual n’a
pas de solution réalisable.
• Si le dual ne possède pas de solution réalisable, alors que le primal en
possède, alors la solution du primal est une solution optimale infinie.

• Une contrainte est dite saturée lorsque la variable d'écart qui lui est associée
est nulle à l'optimum.
• Si pour une solution optimale d'un programme linéaire une contrainte n'est
pas saturée, alors la valeur optimale (duale) correspondante est nulle. La
réciproque n'est pas (nécessairement) vraie.
• Si la valeur optimale d'une variable n'est pas nulle, alors la contrainte duale
correspondante est saturée pour la solution optimale. Le corollaire est très
utile pour résoudre un programme à partir de la solution de son dual.
• Si pour une solution optimale d'un programme linéaire une contrainte n'est
pas saturée, alors la valeur optimale (duale) correspondante est nulle. En
terme économique, par exemple, si un bien est abondant (il n'y en a plus qu'on
ne peut utiliser efficacement), son coût marginal (une heure de location
supplémentaire) considéré comme son prix d'équilibre (la variable duale
associée) est nul.
Exemple
PRIMAL DUAL
3 x1 + 4 x2 ≤ 160 3 y1 + 6 y2 ≥ 1200
6 x1 + 3 x2 ≤ 180 4 y1 + 3 y2 ≥ 1000
Max z = 1200 x1 + 1000 x2 Min w = 160 y1 + 80 y2
x1 ≥ 0 ; x2 ≥ 0 y1 ≥ 0 ; y2 ≥ 0
A l'optimum, le primal et le dual sont liés par les règles suivantes :

- les fonctions objectifs z et w ont la même valeur optimale
- la valeur marginale d'une variable dans un programme est égale à l'opposé
de la valeur optimale de la variable associée dans l'autre programme et
réciproquement.

Exemple
PRIMAL z = 47200 x1 x2 t1 t2
valeurs optimales 16 28 0 0
valeurs marginales 0 0 -160 -120
w = 47200 u1 u2 y1 y2
DUAL
valeurs optimales 0 0 160
Une société fabrique, entre autres, deux produits 5 et 5 dont les marges sur
coûts variables sont respectivement de 16kF et de 10 kF. La production de ces
produits nécessite le passage dans trois ateliers pendant les temps de fabrication
exprimés en heures dans le tableau suivant :
5 5 Capacité de l’atelier
Atelier 1 1 2,5 195
Atelier 2 2 1 160
Atelier 3 1 1,5 120
Un donneur d’ordres s’adresse à la société pour un contrat de sous-traitance.

Déterminer le prix de location des ateliers pour que le coût soit minimal pour le
donneur d’ordres et acceptable pour la société.
Résolution
Soit :
le prix de location de l’atelier 1
le prix de location de l’atelier 2
3 le prix de location de l’atelier 3
La production d’un produit 5 rapporte une marge sur coûts variables de 16 kF
pour une consommation d’une heure de l’atelier 1, de 2 heures de l’atelier 2 et
d’une heure de l’atelier 3. La location des ateliers doit donc générer un gain au
moins équivalent, d’où la contrainte :
+2 + 3 ≥ 16.
Le même raisonnement est appliqué au produit 5 . Et on a :
2,5 + + 1,5 3 ≥ 10.
D’où le programme linéaire :

+2 + 3 ≥ 16
* 2,5 + + 1,5 3 ≥ 10
(
) % = 195 + 160 + 120
( 3
' ≥ 0 ; ≥ 0 ; 3 ≥ 0.
La résolution graphique n’est pas applicable puisque le programme comporte

plus de deux variables. La méthode du simplexe n’a été présentée que pour des
contraintes ≤.
La dualité permet de résoudre les problèmes de minimisation dont les contraintes

(autres que celles de positivité des signes) sont de sens ≥.
Le dual est obtenu comme suit :
+ 2,5 ≤ 195
* 2 + ≤ 160
(
+ 1,5 ≤ 120
) 6 = 16 + 10
(
' ≥ 0; ≥ 0 ; 3 ≥ 0.
Il s’agit de résoudre le primal. Il faudra donc déterminer la solution du

programme primal à partir de la résolution du programme dual.
La forme standard se présente comme suit :
+ 2,5 + 7 = 195
* 2 + + 7 = 160
(
+ 1,5 + 73 = 120
) 6 = 16 + 10 + 07 + 07
(
' ≥ 0 ; ≥ 0 ; 3 ≥ 0 ; 7 ≥ 0; 7 ≥ 0.

Tableau 0 :
HB . . . C R
2,5 1 0 0 195 195

B
7
= 195
1
1
7 89
= 80
7 AD?2 @4 B C A4
2 1 0 1 0 160
73 1,5 0 0 1 120 120

= 120
1
1
∆ 16 10 0 0 0 0
=> 4 2?4 @ A B C A4
Tableau 1 :
HB . . 7 . C R
1 0 115
B
7
− = 57,5
2 2
0 2 1 115
1 0 1 0 80 × 2
= 160
2 2 1
1 80
73 1 1 <9
= 40
− 73 AD?2 @4 B C A4
2
0 1 0 40
∆ 0 2 0 -8 0 -1280
=E 4 2?4 @ A B C A4
Tableau 2 :
HB . . . 7 73 C
7 1
B
2
0 0 1 -2 35
1 0 0 3 1
−
4 2
60
1 1
−
2
0 1 0 40
∆ 0 0 0 -7 -2 -1360

L’optimum du dual est atteint, mais il s’agit de résoudre le programme primal.
REGLE : SOLUTIONS DU PRIMAL

A l’optimum, la solution du programme primale est, au signe près, lue sur la
dernière ligne du tableau dans les colonnes des variables d’écart.
A l’optimum, la valeur de la fonction économique du dual est égale à celle
du primal.
=0
La solution du primal est donc :
=7
F
3 =2
% = 1360
5. Méthode des pénalités
Dans les exemples traités jusqu’ici, un programme linéaire de maximum

classique est caractérisé par le fait que toutes les contraintes sont avec l’inégalité
≤. Dans la pratique, cette forme classique n’est pas toujours donnée. Dans le
système des contraintes, il peut apparaître le signe ≥ ou = à côté des signes ≤.
De plus la formulation de certains programmes est telle qu'il n'y a pas de solution
de base évidente. C'est le cas surtout pour les problèmes de minimisation et de
façon générale, quand des contraintes sont sous forme soit d'égalité, soit sous
forme de supériorité. Les programmes de maximisation peuvent donc aussi être
concernés.
L’introduction de variables artificielles permet de résoudre le problème posé par
les contraintes ≥. Quand un programme linéaire comporte une contrainte ≥, la
contrainte de positivité liée à la variable d’écart n’est pas respectée pour la forme
standard.
Exemple : Soit la contrainte :
+ 2 + & ≥ 16.
Prenons une solution qui respecte la contrainte. Par exemple 5,5,5 donne
5+10+5 20. Dans la forme standard, la variable d’écart 2 qui permet l’égalité est
telle que : 20 + 2 = 16, soit 2 = −4 ce qui ne respecte pas la contrainte 2 ≥ 0.
La forme standard de la contrainte est donc :

+ 2 + & − 2 = 16.
La variable 2 est alors mise hors base et l’introduction dans la base d’une
variable artificielle , positive ou nulle, affectée du coefficient 1 permet d’obtenir
une solution de départ admissible :
+2 +&−2 + = 16.
Les variables hors base sont :
= =&=2 =0
et en base = 16 ce qui respecte ≥ 0.
Remarque : cas où le second membre négatif

Le problème qui peut se poser est que l’une des variables du second membre soit
négative. Par exemple supposons que lors de la formulation on trouve une
contrainte de ce type :
x1 - x2 ≥ -4
La condition qu’il faut vérifier avant de se lancer dans la réécriture de cette
contrainte, en vue de construire le programme standard, est la non-négativité du
second membre. Si un second membre est négatif il suffit de multiplier la
contrainte par -1. Ceci a pour effet de changer le sens de l'inégalité.
Ainsi, on doit modifier la contrainte avant de commencer la standardisation et la
réécrire comme suit :
-x1 + x2 ≤ 4.
REGLE
Il n'est nécessaire d'introduire de variable artificielle (toujours positive) que
dans les cas où la contrainte est sous forme d'égalité (=) ou de supériorité
(≥). Dans la nouvelle équation, la variable artificielle est affectée du signe du
second membre.
1) Introduire une variable artificielle par contrainte ≥. La variable d’écart de la
contrainte affectée du coefficient −1 est mise hors base.
2) Elles permettent simplement l’égalité dans la forme standard et ne sont pas
une donnée du problème. En conséquence, elles doivent être nulles à
l’optimum. Pour cela, il faut les faire sortir de la base en leur donnant un
coefficient fortement pénalisant dans la fonction économique :

a- S’il s’agit d’une maximisation, le coefficient affecté à la variable

artificielle est très négatif : −G où M est une constante positive
arbitrairement grande qui tend à réduire la fonction économique, tant
que les variables artificielles sont dans la base. On dit qu'on pénalise la
fonction objectif, d'où le nom de la méthode dite méthode des pénalités
b- S’il s’agit d’une minimisation, le coefficient affecté à la variable
artificielle est très positif : +G où M est une constante positive
arbitrairement grande qui tend à augmenter la fonction économique,
tant que les variables artificielles sont dans la base. On dit qu'on
pénalise la fonction objectif d'où le nom de la méthode dite méthode
des pénalités.
NB :
La variable artificielle sortant de la base, va se trouver dans la ligne ∆ avec un fort
coefficient positif et ne pourra donc plus y entrer ; on peut donc supprimer la
colonne correspondante dans la suite des itérations.
Exercice 1
Soit le programme linéaire suivant :
Maximiser :
%=3 +2
+4 ≤ 36
−2 ≤ 13
F
3 + ≤ 53
+ ≥4
+ 4 + 2 = 36 1
Forme standard
*
( − 2 + 2 = 13 2
3 + + 23 = 53 3
) + −2 + =4 4
( <
' % = 3 + 2 + 02 + 02 + 023 + 02< −
4 ⟹ = 4− − + 2<
%=3 +2 − 4− − + 2<
IBD?A % = 3+ + 2+ + 02 + 02 + 023 − 2< − 4

. . . 2<
Tableau 0 :
HB . C R
2 1 0 0 36
B
2 1 0 0 0 13
1 4 0 0 36
23
-2 1 0 13
1 0 0 −1 AD?2 @4 B C A4
3 1 0 0 1 0 0 53 53/3
∆ 3+ 2+ 0 0 − 0 +4
1 0 1 4 4
0
4 2?4 @ A B
C A4

coefficient positif et ne pourra donc plus y entrer ; on peut donc supprimer la
Tableau 1 :
HB . . . . 2< C R
2 1
B
2 0 0 1 2 AD?2 @4 B C A4
0 3 0 0 1 -1 32 32
23
0 -3 1 -1 9 9
1 1 0 0 −1 −4
0 -2 0 0 1 3 -3 41 41/3
∆ 0 −1 0 3 −3 − −12
0 1 4
0 0
2< 4 2?4 @ A B
C A4
Tableau 2 :
HB . . 2 . . C R
2 0 6 1 −1 0 0 23/6
B
2< 0 -3 0 1 0 1 −3 23 AD?2 @4 B C A4
23
23
9
1 −2 0 1 0 0 −13/2
0 7 0 -3 1 0 14 2
∆ 0 8 0 −3 0 0 −39
13
4 2?4 @ A B
C A4

Tableau 3 :
HB . . . 2 23 . C R
2 1 −11/7 −6/7 2 AD?2 @4 B C A4

B
2< 0 −2/7 3/7 1 −105/2

0 0 0 11 7
−3/7 1/7 −14/3

0 -3 15
1 0 0 1/7 2/7 0 119

0 1 0 0 2
∆ 0 3/7 −8/7 −55

17
0 0 0
2 4 2?4 @ A B
C A4
Tableau 4 :
HB . . 2 . 23 . C
2 7/11 1 −6/11
B
2< 2/11 0 3/11 1

0 0 0 7
3/11 0 −1K
0 0 17
11
1 0 −1K 0 4K 0
0 1 0 5
11 11
∆ 0 −3K 0 −10K −58
16
11 11
0 0
On trouve = 16 ; = 5 42 % = 58
Exercice 2
+ 3 + & ≤ 10 000
2 + + & ≥ 5 000
F
% = 100 + 500 + 200&
≥ 0; ≥0; & ≥0
+ 3 + & + 2 = 10 000
La forme standard se présente comme suit :
2 + + & − 2 + = 5 000
F
% = 100 + 500 + 200& + 02 + 02 −
≥ 0; ≥ 0; & ≥ 0; 2 ≥0; 2 ≥0; ≥ 0.
D’après la 2e contrainte, on a :
= 5000 − 2 − −&+2
D’où :

% = 100 + 500 + 200& + 02 + 02 − 5000 − 2 − −&+2

Soit
% = 100 + 2 + 500 + + 200 + & + 02 − 2 − 5 000 .
Tableau 0 :
HB & . 2 . C R
B
2 1 3 1 1 0 0 10 000 9 999
= 10 000
L 999
= 2500 AD?2
@4 B C A4
2 1 1 0 -1 1 5 000
∆ 100 500 200 0 0 0 0

+2M +M +M -M +5000 M
O 4 2?4 @ A B C A4 P ? 2
4A2 B4 QB7A RD?2 PD4RR P 4 2
Tableau 1 :
HB . & . 2 C R
M 1 1 1
B
2 N L99
= 3 000 2 AD?2
−
E 2 2 2 @4 B C A4
,L
1 1 7500
1 1 1 1 2 500
− = 5 000
2 2 2 2 0,5
1 0 2500
∆ 0 450 150 0 50 -50 -250 000

+0M +0M +0M +0M +0 M
= 4 2?4 @ A B C A4 P ? 450
4A2 B4 QB7A RD?2 PD4RR P 4 2 QDA 2 R

Tableau 2 :
HB . . & 2 2 C R
0 > 1 2 1 15.000
B
5 5 5
3000
1 0 2 1 3 2.500
− − AD?2
5 5 5
1000
∆ 0 0 60 −180 −40 −1.600.000 @4 B C A4
& 4 2?4 @ A B C A4
Tableau 3
HB . . 2 2 C R
1 > 0 1 1 5.000 AD?2 @4 B C A4

B
−
2 2 2
2.500
& 5 0 1 1 3 −5000
− −
2 2 2 3
2.500
∆ −150 0 0 −150 50 −1.750.000
2 4 2?4 @ A B C A4
Tableau 4
HB . 2 . C
2 −2 2 0 1 1
B
& 1 3 1 1 0
5000
∆ 0 -100 0 −200 0 −2.000.000

10000
= =0
L’optimum est atteint et on trouve :
S & = 10000
% = 2 000 000
Exercice 3
Soit le programme linéaire :
Maximiser :
%=5 +6

%=5 +6
*
(
( − + ≤4
5 + 3 = 60
) ≥5
(
( ≥ 0, ≥0
'
− + +2 =4 1
Forme standard
*
5 + 3 + = 60 2
) −2 + =5 3
' % = 5 + 6 + 02 + 02 − −
2 ⟹ = 60 − 5 −3
3 ⟹ =5− +2
IBD?A % = 5 + 5 + 6+2 + 02 − 2 − 65
Tableau 0 :
HB . 2 . . C R
B
2 -1 1 1 0 0 0 4 −4
5 3 0 0 1 0 60 12 AD?2 @4 B C A4
0 1 0 −1 0 1 5 +∞
∆ 5+5 6+4 0 − 0 0 +65
4 2?4 @ A B
C A4
La variable artificielle sortant de la base, va se trouver dans la ligne ∆ avec un

fort coefficient positif et ne pourra donc plus y entrer; on peut donc supprimer la

Tableau 1 :
HB . . 2 . C R
2 0 8/5 1 0 0 10
B
3/5 20
16
0 0 −1 1 5 AD?2 @4 B C A4
1 0 0 0 12
∆ 0 3+ 0 − 0 −60 + 5
1 5
4 2?4 @ A B C A4
La variable artificielle sortant de la base, va se trouver dans la ligne ∆ avec un

fort coefficient positif et ne pourra donc plus y entrer; on peut donc supprimer la
HB . . . 2
Tableau 2 :
C R
2 0 1 8/5 −8/5 5 2 AD?2 @4 B C A4

B
0 3/5 −3/5 15
0 8
0 0 −1 1 −5
1 0 9
∆ 0 0 3 −5 − 3 −75
1 5
0
2 4 2?4 @ A B C A4
Tableau 3 :
HB . . 2 . C
2 0 5/8 1
B
−3/8
0 5
0 5/8 0
1 0 0 6
∆ 0 −15/8 0 −90
1 10
0
Tous les coefficients sur la ligne ∆ sont négatifs ou nuls. L’optimum de

maximisation est ainsi atteint.
O> = U
On trouve donc :
S
OE = >V

Exercice 4 :
& = 20 − 20 − 10 3 + 10 & = 20 − 20 − 10 3 + 10
Soir à résoudre le programme linéaire de maximisation suivant :
* 4 + 8 + 2 ≤ 200 * 4
< <
1 + 8 + 2 3 ≤ 200 1
( 3
(
2 + 10 3 + 2 < ≤ 400 2 2 + 10 3 + 2 < ≤ 400 2
AD 2
) 2 + 8 3 + 4 < = 400 3 ) 2 + 8 3 + 4 < = 400 3
( 2 + 2 + 2 < = 300 4 ( 2 +2 + 2 < = 300 4
' ≥ 0; ≥ 0 ; 3 ≥ 0; < ≥ 0 ' ≥ 0; ≥ 0 ; 3 ≥ 0; < ≥ 0
Par introduction des variables d’écart 2 et 2 au niveau des contraintes (1) et (2),
et des variables artificielles au niveau des contraintes (1), (2), (3) et (4), nous
avons :
& = 20 − 20 − 10 3 + 10 < + 02 + 02 − −
Forme standard
* 4 +8 + 2 3+ 2 = 200 1
(
2 + 10 3 + 2 < + 2 = 400 2
) 2 +8 3 + 4 < + = 400 3
( 2 +2 + 2 <+ = 300 4
' ≥ 0; ≥ 0 ; 3 ≥ 0; < ≥ 0 ; ≥ 0; ≥ 0; 2 ≥ 0; 2 ≥ 0
3 ⟹ = 400 − 2 −8 3 −4 <
3 ⟹ = 300 − 2 −2 −2 <
IBD?A % = 20 + 2 + −20 + 4 + −10 + 8 3 + 10 + 6 < − 700

Tableau 0 :
HB 3 < . . . . C R
2 1 0 0 100
B
2 2 AD?2 @4 B C A4
4 8 2 0 0 200
0 0 0 0 50
2 0 10 2 0 1 0 0 400 40
2 0 0 1 +∞
2 8 4 1 400
∆ 20 −20 −10 10 0 0 0 0 +700

2 0 2 0 300
+2 +4 +8 +6
3 4 2?4 @ A B
C A4
L’objectif étant de sortir d’abord les variables artificielles. En règle générale, nous
partons du plus grand coefficient positif qui est ici −10 + 8 ce qui fait sortir une
variable d’écart 2 . Ce qui ne nous arrange pas car il faut faire sortir d’abord les

variables artificielles. Pour cela nous passons au plus grand coefficient positif
immédiatement inférieur soit −10 + 6 .
Tableau 0W :
HB 3 < . . . . C R
2 1 0 0 +∞
B
2
4 8 2 0 0 200
0 0 0 0 100 AD?2 @4 B C A4
2 0 10 2 0 1 0 0 400 200
2 0 0 1
2 8 4 1 400
∆ 20 −20 −10 10 0 0 0 0 +700

2 0 2 0 300 150
+2 +4 +8 +6
< 4 2?4 @ A B
C A4
La variable artificielle sort de la base. Il faudra supprimer sa colonne dans le
tableau suivant.
Tableau > :
HB 3 . . . . . C R
B
2 4 8 2 0 1 0 0 200 50
2 2 −1 6 0 0 1 0 200 100
< 0 1/2 2 1 0 0 0 100 +∞

2 1 −4 0 0 0 1 100 50 AD?2 @4 B C A4
∆ 20 −25 −30 0 0 0 0 −1000
+2 + −4 +100M
4 2?4 @ A B
C A4
tableau suivant.

Tableau 2 :
HB . 3 . . . . . C
2 1 0 0 2 AD?2 @4 B C A4
B
2 0 −2 10
0 6 10 0 0
0 1/2 0 0 0
0 0 1 0 100
<
1 1/2 − 2 0 0 1
2 1 100
∆ 0 −35 10 0 0 0 0 −2000
0 50
4 2?4 @ A B C A4
Tableau 3 :
HB . . . 2 . . . C
0 3/5 1 0 1/10 0 0
B
3
2 −8 0 −1
0
0 -7/10 0 1 −1/5 0 0
0 0 1 0 100
<
1 17/10 0 0 1/5 0 1
100
∆ 0 −41 0 0 −1 0 0 −2000
50
= 50
L’optimum est ainsi atteint. On trouve :
*
( =0
3 =0
) = 100
( <
'% = 2000
Exercice 5
% = 6 + 10 + 12
*
3
+ 2 + 4 ≤ 320
(
2 + + 2 3 ≤ 200
) 3 + 2 + 2 3 ≤ 300
( ≥ 120
' ≥ 0; ≥ 0 ; 3 ≥ 0
Forme standard :

* + 2 + 4 3 + 2 = 320
(
( 2 + + 2 3 + 2 = 200
3+ 2 + 2 3 + 23 = 300
) − 2< + = 120
(
( % = 6 + 10 + 12 3 −
' ≥ 0; ≥ 0 ; 3 ≥ 0 ; 2 ≥ 0 ; ≥0
La variable 2< doit être mise hors base.
On tire :
= 120 − + 2<
Et :
%=6 + 10 + + 12 3 − 2< − 120
Tableau 0 :
HB 3 . . . 2< . C R
2 0 0 0 160
B
2
1 2 4 1 0 320
23 0 1 0 0 150
2 1 2 0 1 0 0 0 200 200
0 0 −1 1 AD?2 @4 B C A4
3 2 2 0 300
∆ 6 10 12 0 0 0 − 0 +120
0 1 0 0 120 120
4 2?4 @ A B C A4

tableau suivant.
Tableau > :
HB . 3 . . . 2< . C R
2 0 2 20 2 AD?2 @4 B C A4
B
2
1 0 4 1 0 80
23 0 1 2 30
2 0 2 0 1 0 1 80 40
0 0 −1 +∞
3 0 2 0 60
∆ 6 0 12 0 0 0 10 −1200
0 1 0 0 120
3 4 2?4 @ A B base

Tableau 2 :
HB . . 2 . . 2< . C R
1/4 1 1/4 0 0 1/2 40

B
3
2 3/2 0 −1/2 1 0 0 +∞
0 20
23 5/2 0 −1/2 0 1 1 20 2 AD?2 @4 B C A4

0 40
0 0 −1 −120
0 20
∆ 3 0 0 −3 0 0 4 −1440
0 1 0 0 120
2< 4 2?4 @ A B
C A4
Tableau 3 :
HB . . 2 . 23 . . C
−1 1 1/2 0 −1/2 0
B
3
2 3/2 0 −1/2 1
0 10
2< 5/2 0 −1/2 0 1

0 0 0 40
5/2 0 −1/2 0 1 0
0 1 20
∆ −7 0 0 −1 0 −4 0 −1520
1 140
=0
L’optimum est ainsi atteint. On trouve :
* = 140
(
3 = 10
)
(
'% = 1520
Exercice 6
Soit à résoudre le programme linéaire suivant sous sa forme canonique
5 x1 + 6 x2 ≥ 10
2 x1 + 7 x2 ≥ 14
Min z = 3 x1 + 10 x2
x1 ≥ 0 ; x2 ≥ 0
* Forme standard
5 x1 + 6 x2 - 1 t1 + 1 a1 + 0 a2 = 10
2 x1 + 7 x2 - 1 t2 + 0 a1 + 1 a2 = 14
Min Z = 3 x1 + 10 x2 + 0 t1 + 0 t2 + M a1 + M a2
x1 ≥ 0 ; x2 ≥ 0 ; t1 ≥ 0 ; t2 ≥ 0; e1 ≥ 0 ; e2 ≥ 0
On tire :
= 10 − 5 −6 +2

= 14 − 2 −7 +2
Et on a :
% = 3−7 + 10 − 13 + 2 + 2 + 24
* Tableau 0
HB x1 x2 t1 t2 . . C
B
5 6 -1 0 1 0 10
2 7 0 -1 0 1 14
∆ 3-7M 10-13M M M 0 0 -24 M
Puisqu'on recherche un minimum, la variable entrante est celle qui a le plus

grand coefficient négatif, c.à.d. x2. En fait il suffit de regarder le coefficient de M
car M est très grand ; le coefficient indépendant de M n'intervient que dans le cas
où plusieurs variables ont le même coefficient pour M.
HB x1 x2 t1 t2 . . C R
B
e1 5 6 -1 0 1 0 10 5/3 variable sortant
e2 2 7 0 -1 0 1 14 2
∆ 3-7M 10-13M M M 0 0 -24M
variable entrant

coefficient positif et ne pourra donc plus y entrer; on peut donc supprimer la
colonne correspondante dans la suite des itérations, d'où le tableau 1.

Tableau 1 :
HB x1 . t1 t2 . C
B
x2 5/6 1 -1/6 0 0 5/3
e2 -23/6 0 7/6 -1 1 7/3
∆ -16/3+(23/6)M 0 5/3-(7/6)M M 0 -50/3-(7/3)M
HB x1 . t1 t2 . C R
B
x2 5/6 1 -1/6 0 0 5/3 -10
e2 -23/6 0 7/6 -1 1 7/3 2

variable sortant
- 0 5/3- M -50/3-
∆ 0
16/3+(23/6)M (7/6)M (7/3)M
variable entrant
d'où le tableau 2.
Tableau 2 :
HB x1 . . t2 C
B
x2 6/21 1 0 -1/7 2
t1 -23/7 0 1 -6/7 2
∆ 1/7 0 0 30/21 -20
On a atteint la solution optimale qui est x1 = 0; x2 = 2; t1 = 2; t2 = 0; Z = 20.

Remarque: Dans le cas particulier de cet exemple qui était sous forme standard,
il aurait été plus rapide de traiter le problème dual et d'en déduire la solution du
problème primal initial.
REMARQUE
Avec la méthode de simplexe, on reconnaît que le problème est impossible si
une ou plusieurs variables artificielles sont présentes dans la base dans le
tableau de simplexe optimal, ce qui signifie que la solution donnée par ce
tableau n’est pas réellement réalisable.

Exemple:
Vérifier à l’aide de la méthode de simplexe, que le problème suivant est réellement
impossible :
Max 4 x1 + 3x2
Sc x1 + x2 ≤ 2
3x1 + x2 ≥ 10
x1 , x2 ≥ 0
REMARQUE
Les problèmes à solutions multiples

Graphiquement, ce problème est caractérisé par le fait que la pente de la droite
représentant la fonction objectif (z = 0) est égale à la pente de l’une des
contraintes restrictives. Lorsqu’on utilise la méthode de simplexe, on identifie ce
problème lorsqu’un des effets nets (relatif à une variable hors base) est nul.
Les problèmes à solution infinie

Graphiquement, ce problème est caractérisé par le fait qu’on peut déplacer la
droite de la fonction objectif indéfiniment de manière à accroître la valeur, en
gardant toujours une intersection non vide avec l’ensemble des solutions
réalisables.
Avec la méthode de simplexe, on reconnaît ce problème lorsque la variable
entrante n’admet aucune limite sur sa valeur d’entrée, c’est à dire que tous les
ratios Qi/aijo sont négatifs ou nuls.
Exemple
Max x1 + 2x2
Sc x1 + x2 ≥ 2
x2 ≤ 3
x1 , x2 ≥ 0
Les problèmes à solution dégénérée
Graphiquement, on appelle solution dégénérée le point où plusieurs contraintes
concourent (un nombre supérieur ou égale à trois contraintes). Un programme
linéaire est dit dégénéré si une ou plusieurs variables dans la base optimale sont

nulles. Dans la résolution graphique ce problème n’est pas difficile à résoudre,

mais avec la méthode de simplexe il peut causer des difficultés.
Exemple
Max z = 2x1 + 0 x2 + 3/2 x3
s.c. x1 - x2 ≤ 2
2x1 + x3 ≤ 4
x1 + x2 + x3 ≤ 3
x1 , x2 , x3 ≥ 0
Exercice
Minimiser % = 6 + 3 , soumis aux contraintes suivantes :
5 + ≥ 10
S 9 + 13 ≥ 74
+ 3 ≥9
∗
= 1; ∗
=5; ∗
= 21
Réponse :
Exercice
Min Z = x1 + x2
Sc 2x1 + x2 ≥ 12
5x1 + 8x2 ≥ 74
x1 + 6x2 ≥ 24
x1 ≥ 0 , x2 ≥ 0
Réponse :
x1 = 8
x2 = 2
Z = 10
Exercice
Résoudre le programme linéaire suivant :
Min Z = 3x1 + 2x2 + 5 x 3
sous les contraintes :

x 1≥0 , x 2≥0 , x 3≥0
x 1 + x 2 + 2 x 3 ≥ 15
x 1 + 3 x 2 + x 3 ≥ 10
Réponse : x1=x3=0 et x2=15 et Z = 30.

EXERCICES
Exercice 1
Une entreprise de menuiserie envisage de produire des bureaux. Elle peut en
faire de deux types :
• un bureau ordinaire qu’elle pourrait vendre avec un profit de 400 euros. Le
marché est de 800 unités ;
• un bureau de luxe pour lequel le profit serait de 1000 euros par unité
vendue. Elle espère pouvoir en vendre 700.
Les deux bureaux nécessitent une quantité égale de bois de 0,45 dm3 de pin. Le
fournisseur habituel de l’entreprise ne peut en fournir, dans la qualité habituelle,
que 600 dm3. Il faut également utiliser du latté de 15 mm : 0,5 m2 pour le bureau
de luxe et 0,75 m2 pour le bureau ordinaire. Notre fournisseur peut nous livrer à
concurrence de 1 000 m2.
Il faut 12 h de travail pour monter un bureau normal et 24 h pour monter celui
de luxe. La capacité annuelle est de 20 400 h de travail.
1) Vous êtes appelé en consultation pour déterminer le programme de fabrication
optimum. Vous utiliserez une méthode graphique.
2) Les capacités d’absorption du marché restent les mêmes. On envisage
d’augmenter la production pour atteindre un profit de 900 000 euros. Quel est le
programme de fabrication permettant d’obtenir ce résultat ? De combien doivent
être augmentées la ou les ressources qui limitaient précédemment la production ?
Exercice 2
L’entreprise Duralumin fabrique pour des entreprises de quincaillerie, des pièces
en inox.
Ces pièces sont de trois types : A,B,C. Elles sont fabriquées par lots de 50 dans
un grand atelier où sont rassemblées deux machines pour la découpe de l’inox,
une machine pour l’emboutissage, deux machines pour le polissage et la finition.
Chaque machine fonctionne 120 heures par mois.
Les caractéristiques de fabrication sont rassemblées dans le tableau suivant :

Coût de Lot A Lot B Lot C

l’heure
Découpe 20 euros 1h 1,5 h 1,5 h
Emboutissage 30 euros 0,5 h 1h
Polissage et 40 euros 2h 1h 1h
finition
Inox 50 euros 85 euros 68 euros
Prix de vente 200 euros 200 euros 210 euros
(hors taxe)
Quel est le programme de production optimal ? On utilisera la méthode du

simplexe.

CHAPITRE 3 :
OPTIMISATION NON LINEAIRE

SANS CONTRAINTE
1. Points critiques et extrema des fonctions de ℝE vers ℝ
Soit R une fonction définie de ℝ vers ℝ, on supposera que R est définie de ℝ

vers ℝ et le point 9, 9 ∈ [. On dit que R admet un extremum de coordonnées
9, 9 si ses dérivées partielles premières sont nulles en ce point c'est-à-dire :
\R
* 9, 9 =0
(\
)\R
( 9, 9 =0
'\
Cette condition est nécessaire mais n’est pas suffisante pour savoir la nature de
l’extremum.
Les points en lesquels les dérivées partielles premières sont nulles s’appellent
points critiques ou points stationnaires.
\R
Pour déterminer les points critiques, on résout le système suivant :
* , =0
(\
)\R
( , =0
'\
Tout point critique n’est pas nécessairement un extrémum d’une fonction, il va
falloir faire recours à une condition suffisante énoncée comme suit :
Soit 9 9, 9 un point critique à variables et et R une fonction définie dans
une partie [ @4 ℝ . Désignons par :
\ R
R]] = 9, 9
\
\ R
R]^ = ,
\ \ 9 9
\ R
R^^ = ,
\ 9 9

Et posons Δ = R]] . R^^ − `R]^ a
Théorème
9 9, 9
\R
Un point vérifiant
* 9, 9 =0
(\
)\R
( 9, 9 =0
'\
est un point critique et ce point est un extrémum si et seulement si Δ > 0.
• Cet extrémum est un maximum si et seulement si R]] < 0 et un minimum si

R]] > 0
• Si Δ < 0 R ne possède ni maximum ni minimum et ce point est appelé point-
col ou point-selle.
• Si Δ = 0, on ne peut rien conclure, il s’agit d’un cas douteux, il revient de
faire une étude plus détaillée.
On dit que R admet un minimum relatif s’il existe un voisinage du point 9; 9 tel
que R , ≥R 9, 9 .
Considérons un domaine [ ⊂ ℝ sur lequel est définit R à variable , et

9, 9 ∈ D. On dira que R admet unminimum absolut ou global si et seulement si
∀ , ⊂[:
R , ≥R 9, 9 .
On dit que R admet un maximum relatif s’il existe un voisinage de 9, 9
lequel R ,
dans
≤R 9, 9 . R admet un maximum absolu ou global en 9, 9 si et
seulement si ∀ , ⊂ [, R , ≤R 9, 9 . Le minimum relatif est aussi désigné
par minimum local et le maximum relatif est aussi désigné par maximum local.

Trouver les extrema de la fonction définie par R , =4 − + − 3
2. Points critiques et extrema des fonctions de ℝ vers ℝ

Notons que la condition suffisante évoquée ci-dessus provient d’un résultat plus
général concernant les fonctions à n variables R , ,..., .
Avant d’énoncer ce résultat général, introduisons la matrice des secondes
dérivées partielles. Celle-ci joue un rôle clé dans la détermination des extrema
d’une fonction à plusieurs variables. Cette matrice est appelée matrice hessienne.
La matrice hessienne d’une fonction numérique R à variables est la matrice

carrée dont les éléments sont les dérivées partielles secondes de R. Elle est notée
g R ou gh ou g4AA R . Elle se présente sous la forme suivante :
\ R \ R \ R
⋯⋯
k\ \ \ \ \ p
j \ R \ R \ R o
j ⋯ ⋯
gh = \ \ \ \ \ o
j o
j ⋮ ⋮ ⋱ ⋮ o
\ R \ R \ R
⋯⋯
i\ \ \ \ \ n
Pour une fonction numérique R à deux variables on a :
\ R \ R
k\ \ \ p
gh = j
\ R \ Ro
i\ \ \ n
Pour une fonction numérique R à trois variables on a :
\ R \ R \ R
k\ \ \ \ \& p
j\ R \ R \ Ro
gh = j
\ \ \ \ \&o
j o
\ R \ R \ R
i \&\ \&\ \& n

On appelle ℎ4AA 4 le déterminant d’une matrice hessienne.
On appelle mineurs principaux de la matrice H, notés ∆ , les déterminants des

sous-matrices de H obtenues en lui retirant ses − dernières lignes et colonnes
= 1, . . . , .
Dans le cas général, la recherche des extrema d’une fonction à plusieurs

variables est obtenue en résolvant le système :
\R
* , ,..., =0
(\
(
(
\R
, ,..., =0
)\
( ⋮
( \R
( , ,..., =0
'\
Alors :
1. si les mineurs principaux de la matrice hessienne au point P sont tous
strictement positifs, il s’agit d’un minimum.
2. si les mineurs principaux de la matrice hessienne au point P sont de signes
alternés, le premier étant strictement négatif, il s’agit d’un maximum.
3. si les mineurs principaux ne vérifient pas l’une des conditions ci-dessus
prises au sens large (c’est-à-dire respectivement ”positif ou nul” et ”négatif
ou nul”), il ne s’agit ni d’un minimum ni d’un maximum, mais d’un point-
selle.
4. si les conditions (1) et (2) se vérifient au sens large, alors on ne peut pas
conclure.
Dans le cas de fonctions à deux variables, on a :

∆ = R]]
∆ = R]] ∙ R]] − `R]^ a

Ainsi :

∆ > 0 et ∆ > 0 ⟹ u u7u.

∆ < 0 et ∆ > 0 ⟹ u u7u
F
∆ v74BPD v74 42 ∆ < 0 ⟹ QD 2 − A4BB4
∆ v74BPD v74 42 ∆ = 0 ⟹ D 4 Q472 Q A PD PB7?4.
Exercice :
Trouver les extrema de la fonction définie par :
R , ,& = <
− 17 +2 +& −2 − 2 & + 81.
Autre méthode
Considérons le cas de trois variables. Les points stationnaires sont obtenus à
partir de la relation :
\R
* , , =0
(\
3
(
(
\R
, , =0
)\
3
(
( \R
( , , =0
'\ 3 3
On calcule :
ΔR = R 9 + ℎ, 9 + , &9 + B − R 9 , 9 , &9 .
Exercice :
Soit :
R , ,& = − 2& + − 4 &.
Etudier la nature de l’extrémum de R.
Il peut arriver que la détermination de ΔR soit compliquée. Dans ce cas, on
> E WW
calcule :
wx = yz xOO + {E xWW
== + | x}} + Ez{xO= + Ez|xO} + E{|x=} ~.
E WW WW WW WW
E

Exercice 1
Soit : R , ,& = − +2 +3 − −&
Etudier la nature de son extrémum.
Exercice 2
Une entreprise fabrique des briques creuses qu’elle vend sur deux marchés
étrangers. Soit v le nombre de briques creuses vendues sur le premier marché et
v le nombre de briques creuses vendues sur le deuxième marché. Les fonctions
de demande dans les deux marchés respectifs sont :
Q = 60 − 2v
Q = 80 − 4v
Q et Q sont les deux prix de vente. La fonction de coût total de la firme est :
• = 50 + 40v
où q est le nombre total de briques creuses produites. Il faut trouver le nombre de
briques creuses que la firme doit vendre sur chaque marché pour maximiser son
bénéfice.
Exercice 3
Soit f la fonction définie sur ℝ par :
R , = 2 + − −
3. Montrer que les points critiques de R sont (0, 0), (1, 0), (0, 1) et €3 ; 3•.
4. Calculer la matrice Hessienne en (0, 0) et en € ; •.

3 3
5. En déduire la nature de ces points critiques.
Exercice 4
1 1
Déterminer la valeur minimale de définie par :
= + + +
3
3 2 16
Déterminer les valeurs optimales de et pour la fonction :
2
= + +4
4
et tester si le point est un maximum ou un minimum.

CHAPITRE 4 :
OPTIMISATION NON LINEAIRE AVEC CONTRAINTES :

METHODE DES MULTIPLICATEURS DE LAGRANGE
Dans de nombreuses applications pratiques, les variables d’une fonction donnée

sont soumises à certaines conditions ou contraintes. Ces contraintes peuvent être
formulées sous forme d’égalités ou d’inégalités.
Dans le cas où les contraintes s’expriment sous forme d’égalités, l’optimisation de

la fonction peut être obtenue grâce à la méthode des multiplicateurs de Lagrange
qui est la plus largement répandue pour trouver les extrema d’une fonction
soumise à des contraintes d’égalité.
1. Problèmes d’optimisation non linéaires à une contrainte
Soit R une fonction définie [ ⊂ ℝ , on appelle extremum lié de R à variable et ,

l’extrémum que cette fonction atteint à condition que et soient liées par
l’équation :
‚ , = 0.
Cette équation est appelé « équation de liaison » la recherche d’un extremum lié
peut être ramené à l’étude de l’extrémum de la fonction F définie par :
ƒ=R , + „‚ ,
F est appelée fonction de Lagrange.
Pour déterminer l’extrémum lié, on calcule , et „ à partir du système

d’équation.

\R \‚
* +„ =0
(\ \
(
\R \‚
)\ + „ =0
\
(
(
' ‚ , =0
„ est appelé multiplicateur de Lagrange.
On étudie le signe de la quantité :
ΔR = R 9 + ℎ, 9 + −R 9, 9 .
qui est une fonction de ℎ, , ℎ et étant liées par la relation :
‚ 9 + ℎ, 9 + .
• Si ΔR a un signe constant lorsque ℎ, varie au voisinage de 0,0 , 9, 9
est un extrémum local pour R , . Cet extrémum est un minimum si

ΔR > 0 et un maximum si ΔR < 0.
• Si ΔR n’a pas un signe constant, le point 9, 9 est un point col.
Soit R , = sous la contrainte + =6
Déterminer l’extrémum et préciser sa nature.
Résolution
Ici la contrainte peut s’écrire + − 6 = 0 et la fonction ‚ , = + − 6. La
fonction de Lagrange est donc :
ƒ=R , + „‚ , = +„ + −6
+„ =0
On a :
S +„ =0
+ =6
On trouve :
= 3, = 3 42 „ = −3

Etudions la nature du point A(3,3).

Pour ce faire, on calcule :
ΔR = R 3 + ℎ, 3 + − R 3,3 = 3 + ℎ 3 + − 3 × 3 = 3ℎ + 3 + ℎ
De a contrainte ‚ , = + − 6, on calcule :
‚ 3 + ℎ, 3 + = 3+ℎ+3+ −6=ℎ+
Puisque ‚ , = 0 alors ‚ 3 + ℎ, 3 + = 0 soit ℎ + = 0 et donc = −ℎ.
Alors, on a :
ΔR = 3ℎ + 3 + ℎ = 3ℎ + 3 −ℎ + ℎ −ℎ = −ℎ ≤ 0 ∀ℎ ∈ ℝ.
D’où le point critique A(3,3) est un maximum.
Donc R 3,3 = 9 est un maximum de R , = sous la contrainte + = 6.
Soit R , = −3 sous la contrainte + 2 = 1.
Résolution :
On trouve = −3, = 2 et „ = 6.
ΔR = −6ℎ + ℎ − 12 − 3
A partir de la contrainte, on trouve = −ℎ⁄2 et ΔR = ℎ ⁄4 > 0, ∀ℎ.
Donc R −3,2 = −3 est un minimum de R , = −3 sous la contrainte

+ 2 = 1.
Autre méthode
On forme le Lagrangien ƒ à partir de la fonction objectif R et la contrainte
† , =0:
‡ O, =, ˆ = x O, = + ˆ‰ O, = .
On introduit la notion de la matrice hessienne bordée :

\ ƒ \ ƒ \ ƒ \† \†
0
k \„ \„\ \„\ p k \ \ p
j\ ƒ \ ƒ \ ƒ o j\† \ ƒ \ ƒo
g=j o=
j\ \„ \ \ \ o j\ \ \ \ o
j o j o
\ R \ R \ R \† \ R \ R
i\ \„ \ \ \ n i\ \ \ \ n
dont le déterminant sera noté : |g|.
La condition suffisante pour l’existence d’un extremum est fournie par le critère
suivant :
Critère :
Si au point critique obtenu,
• |g| < 0, il s’agit d’un minimum.
• |g| > 0, il s’agit d’un maximum.
Exercice
Trouver les extrema de la fonction objectif :
R , = 5 +6 ‹ −
sous la contrainte :
+2 = 24.
Généralisation
La matrice hessienne bordée est, pour n variables d’activités :

Notons le mineur principal qui contient :

\ ƒ
\
comme dernier élément de la diagonale principale par : |g | ∙ |g |
correspond au mineur principal qui contient :
\ ƒ
\
comme dernier élément de la diagonale principale et ainsi de suite.
La condition suffisante pour l’existence d’un minimum ou d’un maximum dépend

des signes des mineurs principaux :
|gŒ• |, |gŒ• |, ⋯ ⋯ , |g | |g|.

Mentionnons qu’il existe au moins une contrainte (k ≥ 1) et que, par conséquent,

| H1 | n’intervient jamais dans les calculs. La condition suffisante pour
l’existence d’un extremum est donnée dans le critère suivant :
Critère
La fonction R ,..., soumise aux contraintes :
†Ž ,..., = 0, • = 1, . . . ,
admet :
• un maximum au point critique si les mineurs principaux |gŒ• |, |gŒ• |, . . .,
|g | sont de signe alterné, le signe de|gŒ• | étant celui de −1 Œ•
,
• un minimum si les mineurs principaux |gŒ• |, |gŒ• |, . . ., |g | sont de
même signe, celui de −1 Œ .
Exercice
Une entreprise fabrique trois types de machines : , , et 3. La fonction de coût
conjointe • , , 3 est :
• , , 3 =4 +2 + 3 − ‹ 2 + 3 ‹ − 30 ‹ − 30 3
Combien de machines de chaque type l’entreprise doit-elle fabriquer pour

minimiser son coût s’il lui faut un total de 100 machines ?
2. Problèmes d’optimisation non linéaires à une contrainte

Considérons le cas d’une fonction à trois variables donnée par :
R: , ,& ⟼ R , ,& .
Les variables , 42 & sont liées par exemple par les contraintes :
‚ , ,& = 0
‚ , ,& = 0
Pour rechercher les points critiques, on résout le système suivant :

\R \‚ \‚
* +„ +„ =0
(\ \ \
(
( \R + „ \‚
+„
\‚
=0
(\ \ \
\R \‚ \‚
) +„ +„ =0
( \& \& \&
(
(‚ , , & = 0
(‚ , , & = 0
'
Conditions d’extrémum
On calcule ΔR avec :
ΔR = R 9 + ℎ, 9 + , &9 + B − R 9 , 9 , &9 .
La partie principale de ΔR est obtenue en cherchant ℎ, 42 B à partir de :
‚ 9 + ℎ, 9 + , &9 + B = 0
‚ 9 + ℎ, 9 + , &9 + B = 0
> E WW
Nous rappelons que :
wx = yz xOO + {E xWW
== + | x}} + Ez{xO= + Ez|xO} + E{|x=} ~.
E WW WW WW WW
E
Etudier les extrémums de R
1/R , ,& = −2 + − 5& sous la contrainte + + 2& = 10
2/R , ,& = 2 −3 + − 3& + 2 & sous la contrainte :
3 −2 =4
S
+& =1

Exercice 1
Un agriculteur souhaite améliorer le rendement de son exploitation en utilisant
un engrais. Une étude a montré que le rendement, en tonnes par hectare, de sa
variété de blé s´écrit : R ’, “ = 120’ − 8’ + 4’“ − 2“
où B est la quantité de semences de blé utilisées et N la quantité d’engrais azoté
pulvérisée.
1. Dans cette question N = 0. On note alors F(B) le rendement (égal à R ’, 0 ).
La fonction ƒ a-t-elle un maximum ? Pourquoi ? Si oui, que vaut ce
maximum et en quelle valeur est-il atteint ?
2. Montrer que R a un point critique. Calculer la valeur de R pour ce point.
Calculer la Hessienne de R en ce point, ainsi que la forme quadratique
associée. En déduire la nature du point critique. Comparer les valeurs
obtenues avec celles de la question 1.
3. Sachant que B et N sont reliés par la contrainte ’ + 5“ = 23 (l’unité
d’engrais coûte 5 fois plus que l’unité de semence, et le budget est fixé),
déterminer les extrema de R sous cette contrainte (on ne demande que le
calcul du point critique). Comparer les valeurs avec celles de la question 2.
Exercice 2
Au ministère de l'agriculture, on a établi la fonction de profit suivante pour les
fermes cultivant des germes de soja et des pistaches :
P( x, y ) = 600 x + 800 y − x 2 − 2 y 2 − 2 xy
où P(x, y) sont les profits annuels en FCFA, x représente le nombre d'acres
plantés en germes de soja, et y donne le nombre d'acres plantés en pistaches. Un
fermier possède une terre de 500 acres. Comment devrait-il allouer ses terres à
ces deux cultures pour obtenir un profit maximal ? Utiliser la méthode du
Lagrangien. Montrer qu'il s'agit d'un maximum absolu et donner le montant du
profit obtenu. Interpréter le multiplicateur de Lagrange. En vous basant sur cette
interprétation, suggéreriez-vous au fermier d’augmenter la surface totale
consacrée à ces deux cultures ou, au contraire, de la diminuer ?

Exercice 3
Deux pompes fonctionnant en parallèle tel qu’indiquées à la figure ci-après
refoulent de l’eau à travers des canalisations d’un réservoir commun vers une
destination commune. Le débit volume requis à destination est de 0,01m3 /s. Les
pertes de pression dans les deux canalisations sont données par :
∆p en Pa = 2,1. 10 9 x et ∆p en Pa = 3,6. 10 9 y
où x et y sont les débits volumes respectifs en m3 /s. Les deux pompes ont le même
rendement et leurs moteurs d’entrainement ont aussi le même rendement.
Déterminer les valeurs optimales des débits volumes pour lesquelles la puissance
hydraulique totale de l’installation est minimale.
0,01u3 /A
∆Q
∆Q
QDuQ4 1 QDuQ4 2
?éA4?–D ?
4 7
Exercice 4
Une entreprise fabrique deux modèles de briques : le modèle X est plus abordable
et se vend 500 FCFA l'unité, tandis que le modèle Y se vend 1000 FCFA l'unité.
Les coûts totaux de fabrication (en FCFA) sont exprimés par la fonction suivante:
c( x, y ) = 5 x 2 + 5 y 2 − 2,5 xy + 10 000 où x est le nombre de briques du modèle X et y
est le nombre de briques du modèle Y, produits mensuellement. On suppose

que chaque brique produite peut être vendue sur le marché. La capacité de
production de l'entreprise est de 150 briques par mois. En supposant que
l'entreprise désire utiliser à pleine capacité son usine, trouver la répartition de la
production mensuelle permettant de maximiser les profits.

CHAPITRE 5 :
PROGRAMMATION GEOMETRIQUE
La programmation géométrique est une méthode particulière des multiplicateurs

de Lagrange.
1. Présentation générale de la méthode- Degré de difficulté

1.1. Définition de la fonction objectif et des contraintes
Cette méthode a été introduite par C. Zener. Elle s’applique bien aux fonctions
objectifs exprimées sous forme de polynômes (chaque monôme peut comporter
plusieurs variables à des puissances quelconques réelles) :
¨¤
¦¤
= Ÿ• ¡ ¢ £¤ ¡¥
1
§
¡§
© : nombre de termes de la fonction objectif

“: nombre de variables
• ¡ : coefficient, nombre réel
2 : coefficient de puissance, nombre réel
La méthode s’applique aux problèmes comportant des contraintes égalités ou

inégalités de la forme :
¨«
¦
‚ª = Ÿ •ª¡ ¢ £« ¡¥
≤ ª , P = 1àu 2
§
¡§
©ª : nombre de termes de la contrainte c

ª : constante de second membre, nombre réel
•ª¡ : coefficient, nombre réel
ª2 : coefficient de puissance, nombre réel
La méthode détermine d’abord la valeur optimale de la fonction objectif.

1.2. Degré de difficulté du problème
Ayant formalisé le problème par l’écriture de la fonction objectif et des

contraintes, il faut rechercher le degré de difficulté du problème qui sera noté
[. [. En effet, la programmation géométrique ne s’applique bien que lorsque
[. [. = 0. Sinon les équations étant non linéaires, on y préfère couramment la
méthode des multiplicateurs de Lagrange.
Le degré de difficulté d’un problème est fourni par :
[. [. = © − “ + 1 3
où © est le nombre total de termes de la fonction objectif et des contraintes :
© = ©9 + Ÿ ©ª 4
ª§
Exemple illustratif
Soit la fonction objectif :
=5 √ +2 + 3⁄
avec
, = = 50
[. [. = 4 − 2 + 1 = 1
Donc la recherche du minimum de la fonction objectif est difficile par la

programmation géométrique car [. [. = 1.
2. Programmation géométrique à une variable sans contrainte

2.1. Justification de la méthode
La justification va être faite sur une fonction ne comportant que deux termes.
Soit la fonction objectif :
=P £®
+P £¯
=7 +7
avec 7 =P £®
; 7 =P £¯

On définit alors la fonction f telle que :
7 ²® 7 ²¯
R=° ± ∙° ± avec 6 + 6 = 1 5
6 6
On cherche les valeurs de 6 et 6 , poids qui fournissent le maximum de R ou de

ln R. Pour ce faire, la méthode de Lagrange avec contrainte est mise en œuvre
sur :
ln R = 6 ln7 − ln6 + 6 ln7 − ln6 (6)
=6 +6 −1 =0
L’expression du Lagrangien ¶ = lnR − „ permet de trouver par dérivation par

rapport aux variables 6 , 6 ,et „, le système suivant :
\¶ ln 7 − 1 − ln 6 − „ = 0
=0 ¹ *
\6 ( (
\¶ ⇒ ln 7 − 1 − ln 6 − „ = 0 7
=0 ¸ )
\6 ( (
=0 · ' 6 +6 =1
7 7
On trouve :
6 = , 6 = 8
7 +7 7 +7
Les expressions (8) portées dans l’équation (5) entraîne

R= =7 +7
Pour minimiser (ou maximiser) , il faut déterminer fournissant le minimum

(ou le maximum) de 7 + 7 .
R est alors telle que :

∗ les 6 et 6 correspondants font toujours correspondre R à
∗
∗ la valeur correspond à minimum ou maximum.
∗
La valeur de est obtenue par dérivation par rapport à de :

P ∗ £® »
+ P ∗ £¯ »
=0 9
En supposant ∗
≠ 0, la multiplication de (9) par fournit :
7 ∗
+ 7 ∗
=0
⇒ 7 = − £¯ 7
∗ £ ∗
®
En reportant dans l’équation (8), il vient :
6 =£ 6 = −£
£¯ £®
® »£¯ ® »£¯
,
7 ²® 7 ²¯
puis:
R∗ = ∗
=° ± ∙° ±
6 6
La variable disparaît donc si on fait un choix judicieux des valeurs des poids 6 ,
6 de la fonction R.
Remarque
Dans le cas d’une valeur de ∗
< 0, on extrait dans l’expression de R ∗ , (-1)
porté à la puissance unité (sinon le résultat serait un nombre complexe).
Résumé :
Pour mettre en œuvre la méthode de programmation géométrique, il faut d’abord

calculer le degré de difficulté DD et ce dernier doit forcément être nul.
En considérant une fonction objectif de la forme :
=P £®
+P £¯
On pose : = 7 + 7 avec 7 = P £®
et 7 = P £¯
. On détermine la valeur optimale
∗
de la fonction objectif :
P ²® P ²¯
∗
=° ± ∙° ±
6 6
où 6 et 6 sont solutions du système :
6 + 6 =1
½
6 + 6 =0

A l’optimum, ∗
= 7∗ + 7∗ et on doit avoir :
7∗ 7∗
*6 = ∗ = ∗
( 7 + 7∗
) 7∗ 7∗
(6 = ∗ =
' 7 + 7∗ ∗
Exercice illustratif
Le couple C développé par un moteur à combustion interne testé au banc

est exprimé après ajustement des résultats expérimentaux sous la forme :
• = 23,6 6 9,N − 3,17 6
où 6 est la vitesse angulaire en rad⁄s

Quelle est la puissance maximale du moteur et la vitesse à laquelle elle se
produit?
Solution
La puissance du moteur est exprimée analytiquement par :
5 = •6 = 23,6 6 ,N
− 3,17 6
Le degré de difficulté du problème est [. [. = 3 − 2 + 1 = 0, donc la méthode de

progression géométrique va être mise en œuvre.
23,6 ²® −3,17 ²¯
∗
=R =°
∗
± ∙° ±
6 6
1,7 6 + 2 6 = 0 6 = 6,67
½ ⇒ ½
6 +6 =1 6 = −5,67
avec
d’où :
23,6 8,8N −3,17 »L,8N
∗
=° ± ∙° ± = 123 À
6,67 −5,67
La recherche de 6 ∗ se fait à partir de l’un des deux termes (ici le premier) :

7 ∗
= 23,6 6 ∗ ,N
=6 ∗
on en déduit 6 ∗ = 470 ? @⁄A
3. Programmation géométrique à une variable sans contrainte

3.1. Généralisation
L’hypothèse d’un degré de liberté de difficulté nul est toujours utilisée.

La solution du problème nécessite alors la résolution d’un système d’équations
simultanées linéaires d’ordre supérieur d’une unité à celui obtenu par la méthode
des multiplicateurs de Lagrange. (Mais dans le cas de la méthode de Lagrange, les
équations ne sont pas linéaires, d’où l’intérêt de la programmation géométrique).
3.2. Procédure
• Mettre en place la fonction objectif R
• Ecrire la contrainte sur le poids de sorte que ∑ 6 = 1
• Maximiser ln R avec ∑ 6 = 1
R correspond à si 6 = ∑
ÂÃ
Ä ÂÄ
• Optimiser R par rapport aux variables

Cette optimisation débouche sur “ équations découlant de l’élimination des
variables :
¨Å
Ÿ 92 6¡ = 0 “ équations 10
¡§
Exercice
Soit à réaliser le dimensionnement d’un sous-système d’une unité d’épuration par

dilution et réaction chimique illustré par la figure ci-dessus :
polluant
D en mm
Unité de
eau traitement
effluent
3
q (m /s)

Rechercher le coût minimum en MF du fonctionnement du sous-système

sachant que les divers coûts s’expriment sous la forme :
• coût du réacteur : •Ê = 150⁄v , v est le débit en u3 ⁄A

• coût du tube : •¡ = 160[
coût de pompage : •Ë =
9. 9®Ì Í ¯
ÎÌ
•
Solution :
La fonction objectif qui représente le coût total de fonctionnement et

d’investissement s’exprime sous la forme :
220. 10 L v 150
= 160[ + +
[ L v
Il vient alors, conformément à la méthode proposée :
160 ²® 220. 10 L 150 ²Ñ

²¯
∗
=R =° ∗
± ∙Ï Ð ∙° ±
6 6 63
avec
6 + 6 + 63 = 1 6 = 5⁄8
S 6 −56 =0 ⇒ Ò6 = 1⁄8
2 6 − 63 = 0 63 = 2⁄8
La recherche du point d’état optimum sera aisée à partir du premier et du

troisième termes :
7 ∗
= 160[∗ = 6 ∗
150 [ ∗ = 118 mm
Ò ⇒½ ∗
73 ∗ = = 63 ∗ v = 19,8 ¶⁄A
v∗

Méthode
Soit minimiser la fonction objectif :
= 7 + 7 + 73 11
sous la contrainte :
7< + 7L = 1 12
où les 7 sont les polynômes fonction des variables , , 3, <.
Le deuxième membre de l’équation représentant la contrainte doit être égal à

l’unité.
Dans le cas contraire, il faut diviser tous les termes de l’équation par cette valeur.
P ²® P ²¯ P3 ²Ñ
La fonction objectif peut s’écrire sous la forme :
∗
=° ± ∙° ± ∙° ± 13
6 6 63
6 + 6 + 63 = 1 14
avec :
F 7
6 = 15
7 + 7 + 73
7< ²Ó 7L ²Ì
L’équation de la contrainte peut être aussi écrite sous la forme :
7< + 7L = 1 = ° ± ∙° ± 16
6< 6L
avec :
6< + 6L = 1 17
7< 7<
*6< = 7 + 7 = 1 = 7<
( < L
18
) 7L 7L
(6L = = = 7L
' 7< + 7L 1
L’équation de la contrainte peut être aussi réécrite en considérant une constante
7< Ô²Ó 7L Ô²Ì

arbitraire M de telle sorte que sa valeur soit égale à l’unité et ceci sous la forme :
° ± ∙° ± =1 19
6< 6L
A l’optimum, on doit avoir :

P ²® P ²¯ P3 ²Ñ P< Ô²Ó PL Ô²Ì

∗
=° ± ∙° ± ∙° ± ∙° ± ∙° ± 20
6 6 63 6< 6L
6 + 6 + 63 + 6< + 6L = 0
avec :
*
3 < L
6 + 6 + 3 63 + 6< + 6L = 0
(
( ⋮
< L
⋮ 21
) < 6 + < 6 + 3< 63 + << 6< + L< 6L =0
(
( 6 + 6 + 63 = 1
' 6< + 6L =
Exercice
Une canalisation d’eau s’étend sur 30km à travers un désert à partir d’une
installation de désalinisation sur la côte d’une ville. La canalisation, telle que
montrée schématiquement (voir figure ci-dessous), débite de l’eau à 0,16 u3 ⁄A. Les
premiers coûts de la canalisation sont :
• Coût de chaque pompe = 2500+0,0032 ∆Q ,

ƒ
• Coût de 30km de canalisation : 2,560.000 [ ,L
ƒ
Utiliser la méthode de programmation géométrique basée sur une fonction

objective avec contrainte pour déterminer le nombre de pompes et le diamètre de
la canalisation qui résulteraient de la minimisation totale du premier coût total
du système.
30u
¶
[
vill
∆Q
e
Plage,
mer

Solution
Si désigne le nombre de sections de pompes, le coût total est :
= 2500 + 0,00032∆Q ,
+ 2 560 ∙ 103 [ ,L
30.000 u
et
=
¶
où ¶ est la longueur de chaque section de canalisation, exprimée en u. La perte

de pression dans chaque section de canalisation est :
¶ Õ ¶ 0,16 1
∆Q = R Ö = 0,02 ° ± . 1000 †⁄u3
[ 2 [ × [ ⁄4 2
et donc
∆Q[L
= 0.4150
¶
La formulation du problème est le suivant :
Minimiser :
75 000 000 9,6 ∆Q ,

= + + 2560 ∙ 103 [ ,L
1
¶ ¶
soumis à :
2,410 ∆Q [L
=1 2
¶
75 000 000 ²® 9,6 ²¯ 2 560 000 ²Ñ 2,41 Ô²Ó

∗
=° ± ° ± ° ± ° ±
6 6 63 6<
qui donne :
¶: −6 −6 − 6< = 0
∆5: 1,2 6 + 6< = 0
[: 1,5 63 + 5 6< = 0
6 + 6 + 63 =1
5 6< =
⇒ 6 = 0,0385 ; 6 = 0,1923 ; 63 = 0,7692 ; = −0,2308 ;
6< = −0,2308

75 000 000 9,93ØL 9,6 9, Ù 3

2 560 000 9,N8Ù 2,41 »9, 39Ø
∗
=° ± ° ± ° ± ° ±
0,0385 0,1923 0,7692 1
∗
= 410 150 ƒ
75 000 000
7 ∗
= 410 150 0,0385 =
¶
et donc :
¶∗ = 4750 u
7 ∗
= 410 150 0,769 = 2 560 000 [ ,L
et donc :
[∗ = 0,246 u
Finalement :
¶∗
∆Q∗ = = 2 188 000 5 = 2188 5
2,410 [ ∗ L
Puisque le nombre de sections de pompes canalisation est 30 000⁄4750 = 6,3 ; 6

pompes pourraient être utilisées, ce qui révise ¶ à 5000 u et cette valeur peut être
substituée dans (1) et (2) pour une ré-optimisation de ∆Q et de [.

Techniques Doptimisation

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

Techniques Doptimisation

Transféré par

Droits d'auteur :

Formats disponibles

REPUBLIQUE DU BENIN

MINISTERE DE L'ENSEIGNEMENT SUPERIEUR ET DE LA RECHERCHE SCIENTIFIQUE

UNIVERSITE D'ABOMEY CALAVI

ECOLE POLYTECHNIQUE D’ABOMEY CALAVI (EPAC)

Cours présenté et animé par :

Année Académique : 2012 - 2013

Connaître et comprendre les principales techniques d'optimisation et

Problèmes d’optimisation – Définitions – Types d’optimisation

Programmation linéaire – Méthode du simplexe – Dualité - Méthode des pénalités

Optimisation sans contrainte : Notion de point critique – Condition nécessaire et

Optimisation avec contrainte – Multiplicateurs de Lagrange

1 contrôle continu et 1 examen terminal

• Optimisation Appliquée : Yadolah Dodge, Sylvie Gonano-Weber et Jean-Pierre

• Méthodes d'optimisation combinatoire, J. Frédéric Bonnans, Jean Charles

• Recherche opérationnelle - Tome 1, Méthode d'optimisation, Jacques Teghem,

• Recherche opérationnelle, Méthodes d'optimisation en gestion, Jean-Claude

Enseignant : ZINSALO Joël M./EPAC - UAC Page 2

GENERALITES SUR LES TECHNIQUES

L'optimisation est une branche des mathématiques, cherchant à analyser et

2. Représentation mathématique d’un problème d’optimisation

2.1. Fonction objectif

La résolution d’un problème d’optimisation suppose en préalable, la connaissance

Enseignant : ZINSALO Joël M./EPAC - UAC Page 3

Cette fonction est exprimée à partir d’un vecteur , faisant intervenir n

Par ailleurs, l’adjonction d’une constante à la fonction objectif n’affecte pas le

2.2. Optimisation sans contrainte

Les n variables précédentes sont des variables indépendantes. Alors

2.3. Optimisation avec contrainte

2.3.1. Contraintes égalités

Ces contraintes sont mises sous la forme d’un ensemble de m fonctions

Enseignant : ZINSALO Joël M./EPAC - UAC Page 4

2.3.2. Contraintes inégalités

Ces contraintes s’expriment sous la forme :

représente le vecteur des constantes du second membre de (4).

Dans la majorité des problèmes posés, ces contraintes apparaissent et traduisent

Citons par exemple :

des seuils de température supérieur ou inférieur,

des contraintes mécaniques maximales,

des vitesses de rotation maximales,

des limitations en puissance,

des seuils de débit,

des durées de vie, etc…

Ce catalogue non exhaustif a pour but de donner les grandes familles de

Enseignant : ZINSALO Joël M./EPAC - UAC Page 5

3.1. Calcul des variations – multiplicateurs de Lagrange et

3.2. Méthodes de recherche

les méthodes d’énumération,

3.3. Programmation linéaire

3.4. Programmation géométrique

3.5. Programmation dynamique

Enseignant : ZINSALO Joël M./EPAC - UAC Page 6

4. Mise en forme d’un problème d’optimisation

4.1. Enumération des étapes

explication des variables,

spécification des caractéristiques des composants et des fluides,

écriture des équations de bilans relatives aux entrées et sorties,

choix du critère d’optimisation et de recherche de la fonction objectif,

contraintes diverses liées au modèle mis en œuvre, aux équations de

élimination de variables d’état et de contraintes égalité par la méthode de

choix de la méthode d’optimisation,

si la technique le nécessite, recherche d’un vecteur d’état initial relatif aux

Enseignant : ZINSALO Joël M./EPAC - UAC Page 7

4.2. Analyse des résultats