RÉPUBLIQUE ALGÉRIENNE DÉMOCRATIQUE ET POPULAIRE MINISTÈRE DE L’ENSEIGNEMENT

SUPÉRIEUR ET DE LA RECHERCHE SCIENTIFIQUE UNIVERSITÉ DES SCIENCES ET

TECHNOLOGIE DE HOUARI BOUMEDIENNE

Faculté de Mathématiques
Département de Recherche Opérationnelle

Devoir Maison

THÈME
Un Exemple d’Optimisation Biobjective

Présenté par :
Enseignant :
MESSELLEK Ikram
Mr MOULAI Mustapha
 ”Optimisation linéaire Bi-objectif”
Exemple d’application :
Soit le problème linéaire bi-objectif suivant :


 max(3x1 + x2 )
max(−x1 − 2x2 )




 S.t


(P ) x1 + 2x2 ≥ 2
x2 ≤ 3




x ≤4

 1



x1 , x2 ≥ 0

Ce problème est équivalent à :



 min(−3x1 − x2 )
min(x1 + 2x2 )




 S.t


(P ) x1 + 2x2 ≥ 2
x2 ≤ 3




x ≤4

 1



x1 , x2 ≥ 0

1. Écrivons le programme linéaire paramétrique P (λ) associé à (P ) :



 min (1 − 4λ)x1 + (2 − 3λ)x2
S.t




x1 + 2x2 ≥ 2

P (λ)

 x2 ≤ 3
x ≤4

 1



x1 , x2 ≥ 0

2. Résolvons le problème d’optimisation linéaire P (λ) :

(a) Étape 1 : On ajoute les variables d’écart x3 , x4 et x5 et la variable artificielle a

le programme devient :



 min ψ = a = 2 − x1 − 2x2 + x3



 S.t

x1 + 2x2 − x3 + a = 2



P (λ) x2 + x4 = 3

x1 + x5 = 4








 a≥0

x ≥ 0, ∀i = 1, 5
i

2
 On applique la Phase 1 de la méthode du simplexe afin d’obtenir une solution
réalisable

x1 x2 x3 x4 x5 RHS
x2 1/2 1 -1/2 0 0 1
x4 -1/2 0 1/2 1 0 2
x5 1 0 0 0 1 4
c1 -5/2 0 -1/2 0 0 1
c2 0 0 1 0 0 -2

La solution de base réalisable obtenue est B = {2, 4, 5} et x0 = (0, 1, 0, 2, 4) est

la solution réalisable de base correspondante.On teste l’efficience de cette base :
Pour λ = 1 , on a C(λ) = λC 1 +(1−λ)C 2 on trouve C(λ) = C 1 = (−5/2, −1/2) ≤
0 d’où la base de départ n’est pas optimale.

(b) Étape 2 : On passe à la Phase 2 à partir de la base B trouvée dans Étape 1

et on a :

x1 x2 x3 x4 x5 RHS
x2 0 1 -1/2 0 -1/2 1
x4 0 0 1/2 1 1/2 4
x1 1 0 0 0 1 4
c1 0 0 -1/2 0 5/2 11
c2 0 0 1 0 0 -2
x2 0 1 0 1 0 3
x3 0 0 1 2 1 8
x1 1 0 0 0 1 4
c1 0 0 0 1 3 15
c2 0 0 0 -2 -1 -10

On teste l’efficience de cette base :

Pour λ = 1,on a c(λ) = C 1 = (1, 3) ≥ 0 donc la base B 1 = {2, 3, 1} est optimale
et la solution x1 = (4, 3, 8, 0, 0) est optimale pour le problème P (λ).

(c) Étape 3 :

• Soit J = {j ∈ N/c2j < 0 et c1j ≥ 0} = {4, 5} =

6 ∅.

−c2j 2 1 2 1 2
λ1 = max{ 1 2
} = max{ , } = max{ , } = .
j∈J cj − cj 1+2 3+1 3 4 3
⇒ r = 4 et col(r) = x4 , c-à-d : x4 entre dans la base

min{ abi4i , ai4 > 0} = min{3, 4} = 3 c-à-d : x2 sort de la base.On pivote, on

obtient le nouveau tableau :

3
 x1 x2 x3 x4 x5 RHS
x4 0 1 0 1 0 3
x3 0 -2 1 0 1 2
x1 1 0 0 0 1 4
c1 0 -1 0 0 3 12
c2 0 2 0 0 -1 -4

On teste l’efficient de cette base :

Pour λ = 32 ,on a c(λ) = (0, 35 ) ≥ 0 donc la base B 2 = {4, 3, 1} est optimale et
la solution x2 = (4, 0, 2, 3, 0) est optimale pour le problème P (λ).

• D’après le tableau précédent :J = {5} =

6 ∅
−c25 1 1
λ2 = { c1 −c2 } = 3+1 = 4 . ⇒ r = 5 et col(r) = x5 , x5 entre dans la base
5 5

min{ abii , ai > 0} = min{2, 4} = 2 c-à-d : x3 sort de la base.Après le pivotage, on

a le nouveau suivant :

x1 x2 x3 x4 x5 RHS
x4 0 1 0 1 0 3
x5 0 -2 1 0 1 2
x1 1 2 -1 0 0 2
c1 0 5 -3 0 0 6
c2 0 0 1 0 0 -2

On teste l’efficience de cette base :

Pour λ = 41 ,on a c(λ) = ( 54 , 0) ≥ 0 donc la base B 3 = {4, 5, 1} est optimale et
la solution x3 = (2, 0, 0, 3, 2) est optimale pour le problème P (λ).

• D’après le tableau précédent :J = ∅.

L’algorithme s’arrête et donne les valeurs λ1 = 32 , λ2 = 1
4
et les solutions de
base réalisables optimales x1 , x2 , x3 .

3. Les bases efficientes, les solutions efficientes, l’ensemble efficient et les vecteurs
critiques non dominés :

On a d’après le théorème d’ISERMANN, toutes les bases optimales obtenues dans

(2) sont des bases efficientes et les solutions optimales sont des point extrêmes
efficients, d’où l’ensemble efficient est :
XE = [x1 , x2 ] ∪ [x2 , x3 ]
De plus les points extrêmes non dominés sont les images des points extrêmes effi-
cients tel que :
y 1 = (15, −10); y 2 = (12, −4); y 3 = (6, −2)
et l’ensemble des solution non dominées est :
YE = [y 1 , y 2 ] ∪ [y 2 , y 3 ]

4
4. Les points idéal, anti-idéal, nadir, matrice de gain et le point nadir estimé :
Le point idéal :

Z̄ = (max Z1 (x), max Z2 (x)) = (15, −2).

x∈X x∈X

Le point anti-idéal :

Z = (min Z1 (x), min Z2 (x)) = (1, −10).

x∈X x∈X

Le point Nadir :

N d = ( min Z1 (x), min Z2 (x)) = (6, −10).

x∈XE x∈XE

La matrice de gain :

 
15 6
M= et le point nadir estimé est : Ñ = (6, −10).
−10 −2
5. Résolvons le problème P (λ) graphiquement dans l’espace de décision X :

(a) En utilisant les courbes critiques :

Les courbes niveaux relatives aux valeurs de λ sont d’équations :

C1 : g1 (x) = 32 (−3x1 − 2x2) + 31 (x1 + 2x2 ) = −5 x.
3 1
1 3 5
C2 : g2 (x) = 4 (−3x1 − 2x2) + 4 (x1 + 2x2 ) = 4 x2 .
Lors du déplacement de ces courbes dans le sens de leur gradients, on voit
qu’elles rencontre en premier lieu les arrêtes [x1 , x2 ]et[x2 , x3 ] ce qui affirme les
résultats trouvés précédemment. (Voir Figure1 ).

(b) En utilisant le cône polaire semi positif :

On sait que l’ensemble efficient se trouve sur la frontière, du coup il suffit de

déplacer le cône sur la frontière du domaine de réalisabilité X dans l’espace de
décisions mais tout en gardant l’efficience tels que :
D ∩ X = {x} ⇔ x est efficient \D : ensemble dominant,
et on trouve
XE = [x1 , x2 ] ∪ [x2 , x3 ]. (Voir Figure1 )

5
6