Académique Documents
Professionnel Documents
Culture Documents
Notions de Base
de la Programmation Linéaire
Remarque
Maximiser (Z) - [ Minimiser (-Z) ]
Intérêt
Un algorithme de maximisation, sans le modifier, peut être
employé pour minimiser une fonction et inversement.
Max Z c x
t Max Z t c x
Sous contrainte s Sous contrainte s
Ax b Ax b
x 0; x IR n x 0; x IR n
Max Z c xt Max Z t c x
Sous contrainte s Sous contrainte s
Ax b Ax b
x 0, x IR n ; 0, IR m
x 0; x IR n
2 x1 x2 1000 2 x1 x2 y4 1000
x1 0; x2 0 xi 0; yi 0
y1 400
x1 0 y2 700
x y
SIE: Solution Initiale Evidente:
x2 0 y3 800
y 1000
4
N.ELLOUMI RO: Programmation linéaire 6
III. Solution réalisables
Solution réalisable (ou admissible):
Si x satisfait les contraintes, on dit que c’est une solution réalisable
Ensemble des solutions réalisables:
X ad x IR n / Ax b; x 0
Ensemble des solutions optimales: (pour un problème de maximisation)
X Opt x0 IR n / t cx0 t cx; x X ad
Propriétés
X ad est convexe borné inférieurement
X Opt est convexe borné inférieurement
De ce fait: Z t c x t cB xB t c N x N
b Ax Bx B NxN
Exemple:
x 3x 24 x1 3x2 y2 24
1 2
x1 0; x2 0
x1 0; x2 0
y1 0; y2 0
x1
Max Z (100 ,200 ,0 ,0) 2
x
y
y
1 Max Z t c X
2
Sous contrainte s
S - C
x1
AX b
3 4 1 0 x 2 42 X 0
1 3 0 1 y1 24
y
2
les x i et les y j sont 0
3 4 1 0 3 0 4 1
A B et N
1 3 0 1 1 1 3 0
1
0 14
B 1 et B 1 3 et B 1b
1 1 10
3
Dans ce cas
x1 x2
xB et xN
y2 y1
14 0
Ce choix donne la solution de base: xB et xN
10 0
N.ELLOUMI RO: Programmation linéaire 12
IV. Solution de base, variables de bases et variables non de bases
Un choix à rejeter:
4 0 3 1
3 4 1 0 B et N
A
3 1 1 0
1 3 0 1
21
1 1 0
B 1 et B 1 mais B b
1 2
4 3 4 30
Remarque 4
La Solution Initiale Évidente (SIE) admet la matrice identité comme base.
Dans le cas de l’exemple, la (SIE) est :
y1 42 x1 0
xB et xN
y2 24 x2 0
Propriétés
x0 extrémal de C x0 n' est pas compromis de deux autres points de C
h 0 / x0 h C C \ x0 est un convexe
Lemme
« Si C est convexe borné inférieurement alors il admet au moins un point
extrémal »
Preuve
L’ensemble des solutions optimales X Opt (non vide par hypothèse), il est
convexe et borné inférieurement, il admet donc un point extrémal qui est un
point extrémal dans X ad
Première constatation:
Étant donné que dans un programme linéaire la fonction objectif à
maximiser ou à minimiser est une fonction linéaire, l’algorithme de
simplexe permettra de trouver parmi les solutions optimales, une qui est
extrémale.
X ad x IR n / Ax b; x 0
Une CNS pour que x̂ soit un point extrémal de X ad est que x̂ soit un
point de X vérifiant le système A x̂ b
ad
Où A est une sous matrice régulière d' ordre n et b un sous vecteur de IR n
Exemple:
Considérant l’ensemble des solutions admissibles d’un programme linéaire:
X ad x IR 2 / x1 x2 1; x1 0 x2 0
x IR 2 / Lx h
1 1 1
L 1 0 et h 0 S2
0 1 0
X ad S1
S3
x 1 x1 0 x1 0
Solution S1 1 Solution S2 Solution S 3
x2 0 x2 1 x2 0
Lemme:
Le polyèdre convexe X ad x IR n / Ax b; x 0
possède un nombre fini N de solutions de base réalisables et N Cnm
Théorème:
L’ensemble des points extrêmes du polyèdre convexe X ad correspond à
l’ensemble des solutions de base réalisables
(n - m hyperplans ) (m hyperplans )
x
xN 0 xB B b 0
1
X ad
Infinité de solutions admissibles
Exercice2 Max Z x1 2 x2 4 x3 x4
On considère le programme linéaire suivant:
Sous contrainte s
Montrer que la solution : x=(0,2,1,0) (PL) x1 x2 x3 x4 1
est une solution de base réalisable du x 2 x x 2
programme linéaire (PL). 1 3 4
xi 0;