Académique Documents
Professionnel Documents
Culture Documents
Techniques Doptimisation
Techniques Doptimisation
COURS :
TECHNIQUES D’OPTIMISATION
Objectifs spécifiques
Contenu
suffisante d’optimalité
Programmation géométrique
Mode d’évaluation
Bibliographie
CHAPITRE 1 :
1. Définitions
formelle d’une fonction objectif, appelée parfois fonction-coût qui est exprimée
par une fonction y telle que :
= , ,⋯⋯, 1
, ,⋯⋯, = − , ,⋯⋯, 2
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.
= , ,…… , = 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.
= , ,…… , ≦ 4
3. Techniques d’optimisation
Ces méthodes fonctionnent avec des contraintes de type égalité. Elles nécessitent
le calcul des dérivées partielles de la fonction objectif et des contraintes.
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.
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.
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,
5. Informatique et 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.
• le listing du programme.
CHAPITRE 2 :
PROGRAMMATION LINEAIRE
1. Définition
Les paramètres du problème en dehors des variables de décisions ont une valeur
connue avec certitude.
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 .
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 .
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 ?
Formulation du problème en un PL :
• 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
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
Formulation en un PL :
• 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
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
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
3. Algorithme de simplexe
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.
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 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
- 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.
* Tableau 1
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
variable entrant
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
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
- Les valeurs des variables dans la Base (B) se lisent dans la colonne C : x2 = 28
et x1 =16.
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.
RETENONS
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.
* 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
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».
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
5 +8 +2 = 900
+ 5&
Emploi du facteur
bois pour des
niveaux de
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
• 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
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
Exercice d’application
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
+2 + 3 ≥ 16
* 2,5 + + 1,5 3 ≥ 10
(
) % = 195 + 160 + 120
( 3
' ≥ 0 ; ≥ 0 ; 3 ≥ 0.
+ 2,5 ≤ 195
* 2 + ≤ 160
(
+ 1,5 ≤ 120
) 6 = 16 + 10
(
' ≥ 0; ≥ 0 ; 3 ≥ 0.
+ 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
7 89
= 80
7 AD?2 @4 B C A4
2 1 0 1 0 160
∆ 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
=0
La solution du primal est donc :
=7
F
3 =2
% = 1360
+ 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.
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 :
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
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 4 2?4 @ A B
C A4
Tableau 4 :
HB . . 2 . 23 . C
2 7/11 1 −6/11
B
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
Soit le programme linéaire suivant :
+ 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 :
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
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
= 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
& 4 2?4 @ A B C A4
Tableau 3
HB . . 2 2 C R
& 5 0 1 1 3 −5000
− −
2 2 2 3
2.500
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
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
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
HB . . . 2
Tableau 2 :
C R
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
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 <
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
+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
+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
4 2?4 @ A B
C A4
La variable artificielle sort de la base. Il faudra supprimer sa colonne dans le
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
Soit le programme linéaire suivant :
*
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
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
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
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
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
variable entrant
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
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
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
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
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
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 :
CHAPITRE 3 :
\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
Théorème
9 9, 9
\R
Un point vérifiant
* 9, 9 =0
(\
)\R
( 9, 9 =0
'\
On dit que R admet un minimum relatif s’il existe un voisinage du point 9; 9 tel
que R , ≥R 9, 9 .
R , ≥R 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.
Exercice d’application
Trouver les extrema de la fonction définie par R , =4 − + − 3
\ R \ R \ R
⋯⋯
k\ \ \ \ \ p
j \ R \ R \ R o
j ⋯ ⋯
gh = \ \ \ \ \ o
j o
j ⋮ ⋮ ⋱ ⋮ o
\ R \ R \ R
⋯⋯
i\ \ \ \ \ n
\ R \ R
k\ \ \ p
gh = j
\ R \ Ro
i\ \ \ n
\ R \ R \ R
k\ \ \ \ \& p
j\ R \ R \ Ro
gh = j
\ \ \ \ \&o
j o
\ R \ R \ R
i \&\ \&\ \& n
\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.
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.
> 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•.
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 :
‚ , = 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 , + „‚ ,
\R \‚
* +„ =0
(\ \
(
\R \‚
)\ + „ =0
\
(
(
' ‚ , =0
ΔR = R 9 + ℎ, 9 + −R 9, 9 .
‚ 9 + ℎ, 9 + .
Exercice d’application
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
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.
Exercice d’application
Soit R , = −3 sous la contrainte + 2 = 1.
Résolution :
On trouve = −3, = 2 et „ = 6.
ΔR = −6ℎ + ℎ − 12 − 3
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 :
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
R: , ,& ⟼ R , ,& .
Les variables , 42 & sont liées par exemple par les contraintes :
‚ , ,& = 0
‚ , ,& = 0
\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 .
‚ 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
Exercice d’application
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
CHAPITRE 5 :
PROGRAMMATION GEOMETRIQUE
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
§
¡§
¨«
¦
‚ª = Ÿ •ª¡ ¢ £« ¡¥
≤ ª , P = 1àu 2
§
¡§
[. [. = © − “ + 1 3
© = ©9 + Ÿ ©ª 4
ª§
Exemple illustratif
=5 √ +2 + 3⁄
avec
, = = 50
[. [. = 4 − 2 + 1 = 1
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 £¯
7 ²® 7 ²¯
R=° ± ∙° ± avec 6 + 6 = 1 5
6 6
=6 +6 −1 =0
\¶ 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
P ∗ £® »
+ P ∗ £¯ »
=0 9
En supposant ∗
≠ 0, la multiplication de (9) par fournit :
7 ∗
+ 7 ∗
=0
⇒ 7 = − £¯ 7
∗ £ ∗
®
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 :
=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
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
Solution
La puissance du moteur est exprimée analytiquement par :
5 = •6 = 23,6 6 ,N
− 3,17 6
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
7 ∗
= 23,6 6 ∗ ,N
=6 ∗
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
Ÿ 92 6¡ = 0 “ équations 10
¡§
Exercice
polluant
D en mm
Unité de
eau traitement
effluent
3
q (m /s)
coût de pompage : •Ë =
9. 9®Ì Í ¯
ÎÌ
•
Solution :
220. 10 L v 150
= 160[ + +
[ L v
avec
6 + 6 + 63 = 1 6 = 5⁄8
S 6 −56 =0 ⇒ Ò6 = 1⁄8
2 6 − 63 = 0 63 = 2⁄8
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, <.
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
° ± ∙° ± =1 19
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 :
30u
¶
[
vill
∆Q
e
Plage,
mer
Solution
= 2500 + 0,00032∆Q ,
+ 2 560 ∙ 103 [ ,L
30.000 u
et
=
¶
¶ Õ ¶ 0,16 1
∆Q = R Ö = 0,02 ° ± . 1000 †⁄u3
[ 2 [ × [ ⁄4 2
et donc
∆Q[L
= 0.4150
¶
Minimiser :
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
∗
= 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