Académique Documents
Professionnel Documents
Culture Documents
Troisieme Année
Directeur : M. Le
M.Hachmaoui
Enseignants
Directeur Des Etudes :
S.Azoug-A.Larachi
H.Bouabdellah
A.U : 20-21
Chef de Departement :
S.Ziouani
15 Decembre 2020 — 05 Juillet 2021
2
Contents
2 Méthode du simplexe 17
2.1 Résolution de systèmes d’équations linéaires par la méthode de GAUSS - JOR-
DAN. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
2.2 Résolution de systèmes d’équations linéaires par la méthode de GAUSS. . . . . 20
2.3 Méthode du simplexe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
2.3.1 Méthode du simplexe-exemple.1 . . . . . . . . . . . . . . . . . . . . . 22
2.3.2 Méthode du simplexe-exemple.2 . . . . . . . . . . . . . . . . . . . . . 23
2.4 Méthode des deux phases . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
2.5 Dégénérescence . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
2.6 Dualité en programmation linéaire . . . . . . . . . . . . . . . . . . . . . . . . 27
2.7 Programmation linéaire paramétrique . . . . . . . . . . . . . . . . . . . . . . 27
3
3 Problème de transport 29
4 Travaux dirigés 31
4.1 Série d’exercice N 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.1.1 Exercice 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
4.1.2 Exercice 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.1.3 Exercice 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.1.4 Exercice 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
4.1.5 Exercice 5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.1.6 Exercice 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4.2 Correction de l’exercice : 01 Modélisation . . . . . . . . . . . . . . . . . . . 34
4.2.1 Correction de l’exercice : 01 Methode-Graphique . . . . . . . . . . . . 35
4.2.2 Correction de l’exercice : 01 Methode Gauss Jordan . . . . . . . . . . 35
4.2.3 Correction de l’exercice : 01 Methode-Simplexe . . . . . . . . . . . . 38
4.3 Correction de l’exercice : 02 Modélisation . . . . . . . . . . . . . . . . . . . . 40
4.3.1 Correction de l’exercice : 02 Méthode-Graphique . . . . . . . . . . . . 42
4.3.2 Correction de l’exercice : 02 Méthode-Gauss . . . . . . . . . . . . . . 43
4.3.3 Correction de l’exercice : 02 Méthode-Simplexe . . . . . . . . . . . . 44
4.4 Correction de l’exercice : 03 Modélisation . . . . . . . . . . . . . . . . . . . . 45
4.4.1 Correction de l’exercice : 03 Méthode-Simplexe . . . . . . . . . . . . 47
4.4.2 Correction de l’exercice : 03 Méthode-Gauss . . . . . . . . . . . . . . 48
4.5 Correction de l’exercice : 04 Modélisation . . . . . . . . . . . . . . . . . . . . 50
4.6 Correction de l’exercice : 05 Modélisation . . . . . . . . . . . . . . . . . . . . 51
4.7 Correction de l’exercice : 06 Méthode Graphique . . . . . . . . . . . . . . . . 52
4.8 Série d’exercice N 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.9 Exercice 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.10 Exercice 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.11 Exercice 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53
4.12 Exercice 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.13 Exercice 5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.14 Exercice 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
4.15 Exercice 7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
4.16 Exercice 8. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56
4.17 Correction de l’exercice 1. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4.18 Correction de l’exercice 2. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
4
4.19 Correction de l’exercice 3. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.20 Correction de l ’exercice 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
4.21 Correction de l ’exercice 5. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.22 Correction de l ’exercice 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63
4.23 Correction de l ’exercice 7. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 64
4.23.1 Solution avec simplexe de l’ exercice 7 . . . . . . . . . . . . . . . . . 64
4.23.2 Solution graphique de l exercice 7 . . . . . . . . . . . . . . . . . . . . 66
5
6
Chapter 1
Introduction à la programmation linéaire
Important les deux sites utilisées pour validation des résultats sont :
http://www.phpsimplex.com
pour la méthode graphique en deux dimension et aussi pour la methode du simplexe.
https://matrixcalc.org/fr/slu.html
pour les methodes Gauss etc...
1
7
• Pollution sonore
• Pollutions atmosphériques
• Qualité de l’air
• Émissions de carbone
• Énergétique du bâtiment
• Construction
• Transports
• Trafic
• Véhicule autonome
• Visualisation 3D
Reconnaı̂tre dans chaque cas(1-12) le problème traite et son impact sur la vie en société.
Fig 01.
8
Des exemples comme problème Chez nous : 1. Circulation ( encombrement a Alger et ..)
2. Transport ( respect des horaires, disponibilité a partir de 17h pas de bus ) 3. Construction
ordonnancement( on termine le goudronnage ensuite ...) 4. Aménagement d’une ville ( on
termine les maisons ensuite pas de place de stationnement ).
Pour trouver une solution a un problème : 1- Analyse des besoins, collection des données,
formulation du problème
2-Construction d’un modèle mathématique – abstraction et extraction des facteurs essentiels –
assez précis, pour que ces solutions soient valides pour le problème “réel”
3- Résolution – conception d’un algorithme numérique pour calculer la solution
4- Validation – expérimentation pour tester l’adéquation du modèle et des solutions, par suite
faire des ajustements.
Dans notre programme on se limite a la :
La programmation linéaire
La programmation linéaire peut se définir comme une technique mathématique permettant de
résoudre des problèmes de gestion et particulièrement ceux où le gestionnaire doit déterminer,
face à différentes possibilités, l’utilisation optimale des ressources de l’entreprise pour atteindre
un objectif spécifique comme la maximisation des bénéfices ou la minimisation des coûts.
Autre exemple,la main-d’œuvre, les matières premières, les capitaux, ... qui sont disponibles
en quantité limitée et qu’on veut répartir d’une façon optimale entre un certain nombre de
processus de fabrication.
Notre approche pour résoudre ce type de problèmes sera divisée en deux étapes principales :
a) La modélisation du problème sous forme d’équations ou d’inéquations linéaires qui perme-
ttra ainsi de bien identifier et structurer les contraintes que doivent respecter les variables du
modèle ; de plus, on doit définir l’apport de chaque variable à l’atteinte de l’objectif poursuivi
par l’entreprise, ce qui se traduira par une fonction à optimiser.
Pour pouvoir modéliser un problème on doit avant tous connaitres le vocabulaire et les elements
de bases qui sont nécessaires pour pouvoir arriver au système a résoudre.
f (x) = c1 x1 + c2 x2 + .. + cn xn
contraintes du problème représentent les restrictions ou les limites( se représentent par des
inégalités ) ou des conditions nécessaires liées aux problèmes.
On arrive a la forme d un problème de programmation linéaire qui est sous la forme suivante :
9
minimiser(maximiser) f (x) ..([fonction objective])
a1 x1 + a2 x2 + .. + an xn = e1 ..(contraintes d egalite),
b1 x1 + b2 x2 + .. + bn xn 6 e2 contrainte d inegalite
(PL) (1.1)
c1 x1 + c2 x2 + .. + cn xn > e3 , contrainte d inegalite
X ∈ D.(domaine du probleme)
Nous étudierons quelques méthodes pour résoudre les différents types de problèmes de pro-
grammation linéaire :
• La première est basée sur une résolution graphique, elle est donc limitée à 2 ou 3 vari-
ables.
• La deuxième méthode est plus algébrique ( Gauss- Jordan) et elle justifiera la troisième
qui porte le nom de méthode (ou algorithme) du simplexe.
10
cherche à maximiser son profit.
Modélisation
1• Sur quelles quantités peut-on travailler ?
• Que cherche-t-on à optimiser ?
• Quelles sont les contraintes du problème ?
Sur quelles quantités peut-on travailler ?
11
Figure 1.1: Solution graphique - Problème PL1
a1 x1 + a2 x2 + .. + an xn 6 e1 ,
b1 x1 + b2 x2 + .. + bn xn 6 e2 ,
c1 x1 + c2 x2 + .. + cn xn 6 e3 ,
(PL) (1.3)
d1 x1 + d2 x2 + .. + dn xn 6 e4 .
....
1.5.1 Définition
: On appellera solution d’une inéquation linéaire à n inconnues de la forme :
a1 x1 + a2 x2 + .. + an xn 6 b
a1 s1 + a2 s2 + .. + sn xn 6 b
12
et pour pouvoir représenter ces solutions, on doit tracer sa frontière pour pouvoir limiter ces
domaines de solutions :
En deux dimensions :
ax + by 6 c sa frontière c’est la droite ax + by = c
pour tracer cette droite on place sur les axes xx’ et yy’ les points suivants : (0, bc , et ( ac , 0)
En trois dimensions :
ax + by + cz 6 d sa frontière le plan ax + by + cz = d
pour ce plan on place sur les axes zz’, xx’ et yy’, les points suivants : (0, 0, dc ) , et ( da , 0, 0),
(0, db , 0) respectivement.
On prendra un point comme cas test pour déterminer le demi plan ou espace a hachure.
Exercice Représenter l’ensemble des solutions de l’inéquation suivante :
x + 3y + 2z 6 6
Définition: L’ensemble-solution d’une inéquation de la forme :
a1 x1 + a2 x2 + .. + an xn 6 b
est appelé demi-espace fermé. Si l’inéquation est définie par une inégalité stricte (<), le demi-
espace est dit ouvert. La frontière de ce demi-espace est l’ensemble- solution de l’équation
linéaire :
a1 x1 + a2 x2 + .. + an xn = b
Cet ensemble de solution est appelé un hyperplan de Rn .
Remarques :
13
Figure 1.2: Domaine de définition : Polyedre
• Toute égalité peut être représentée par ( une paire d’inégalités avec les signes opposés :
a.x = b ⇐⇒ a.x 6 b et a.x > b
• Toute inégalité avec 6, en rajoutant une variable d’écart y, peut être réécrite comme une
égalité et une inégalité “simple” y > 0 :
x1 + 3x2 6 6 ⇒ x1 + 3x2 + y = 6
Exemple
Min(x1 + x2 )
x1 + 2x2 6 10,
(PL) (1.5)
2x1 + 3x2 > 20.
x ,x ≥0
1 2
14
Figure 1.3: Domaine de définition : Hyperplans
Max(−x1 − x2 )
x1 + 2x2 6 10,
(PC) (1.6)
− 2x1 − 3x2 6 −20.
x ,x ≥0
1 2
Forme standard
Si une variable n est pas positif on fait le changement suivant : x = u − v, avec u > 0, v > 0 La
forme standard peut être écrite sous forme matricielle ie :
Ax = b, x > 0
Pour résoudre un système linéaire on a besoin de quelques rappels suivantes :
15
1.6 Rappels
• Le rang d’un système linéaire est le rang d un système échelonne qui lui est équivalent,
ne dépend pas de la méthode d’echelonnage (le système homogène ou non homogène ont
le même rang.)
• Le système Ax=b est compatible si et ssi les (p-q) dernières composantes sont nulles
Variables de base
Soit B ⊂ 1, 2.., n un ensemble d indices, tel que les colonnes A j , j ∈ B de A sont linéairement
indépendantes, autrement dit la matrice carrée formée des vecteurs colonnes A j est inversible .
on dit que l ensemble B des indices est une base.
Les variables XB = (X j , j ∈ B) sont appelées variables de base.
Les variables XB = (X j , j ∈| B) sont appelées variables hors base.
Solution de base
16
Chapter 2
Méthode du simplexe
1 3 0 0 1 k 200
1 23 13 0 0 k 800
3
1 2 0 1 0 k 250 L2 = −2.L1 ∼
2
1 3 0 0 1 k 200
17
2 1
0 0 k 800
1 3 3 3
−2
0
8
1 0 k −100 L3 − L1 ∼
3 3 3
1 3 0 0 1 k 200
2 1 800
1 3 3
0 0 k 3
8 −2 −100 3
0 1 0 k 8 L2 ∼
3 3 3
7 −1 −200
0 3 3
0 1 k 3
2 1 800
1 3 3
0 0 k 3
L2 = 8 L2 ∼
−1 3 −25 3
0 1 0 k
4 8 2
7 −1 −200
0 3 3
0 1 k 3
2 1 800
1 3 3
0 0 k 3
L3 = L3 − 3 L2 ∼
−1 3 −25 7
0 1 0 k
4 8 2
7 −1 −200
0 3 3
0 1 k 3
2 1 800
1 3 3
0 0 k 3
L3 = 4.L3 ∼
−1 3 −25
0 1 0 k
4 8 2
1 −7 −75
0 0 4 8
1 k 2
2 1
0 k 800
1 3 3
0 3
0
1 −1 3
0 k −25 L2 = L2 + 1 L3 ∼
4 8 2 4
−7
0 0 1 2
4 k −150
2 1
0 0 k 800
1 3 3 3
0 1 0 −1
1 k −50 L1 = L1 + −1 L3 ∼
2 3
−7
0 0 1 4 k −150
2
2 7 −4
k 950
1 3
0 6 3 3
0 1 0 −1
1 k −50 L1 = L1 + −2 L2 ∼
2 3
−7
0 0 1 4 k −150
2
3
1 0 0 2
−2 k 350
−1
0 1 0 1 k −50 ∼
2
−7
0 0 1 4 k −150
2
on obtient donc :
3
x1 + x4 − 2x5 = 350,
2
−1
x2 + x4 + x5 = −50,
(PL1) (2.3)
2
−7
x + x4 + 4x5 = −150.
3
2
Les conditions de positivite
3
x1 = 350 − x4 + 2x5 > 0,
2
−1
= −50 +
(PL1) (2.4)
x2 x4 − x5 > 0,
2
−7
x3 = −150 −
x4 − 4x5 > 0.
2
18
En prenant x5 = 0
3
x1 = 350 − x4 > 0,
2
−1
x2 = −50 +
(PL1) (2.5)
x4 > 0,
2
−7
x3 = −150 −
x4 > 0.
2
Max( 300
7
, 100) 6 x4 6 700
3
on prendra le minimum x4 = 100 On obtient :
19
2.2 Résolution de systèmes d’équations linéaires par la méthode
de GAUSS.
De même pour résoudre le système en utilisant la méthode de GAUSS on écrit le système sous
la forme standard puis on poursuit la méthode d’échelonnement de la matrice augmentée et
a la fin on ajoute les conditions de positivité des variables de base pour avoir les conditions
supplémentaires et déduire la solution dans le cas ou elle existe.
On rappel ici notre premier problème PL1
1 3 0 0 1 k 200
3 2 1 0 0 k 800
0 3 3 1 0 k 3 L3 = L3 − 3 .L1 ∼
8 −2 −100 1
1 3 0 0 1 k 200
3 2 1 0 0 k 800
0 8 −2 1 0 k −100 3 L2 ∼
3 3 3 8
0 73 −1
3
0 1 k −200
3
3 2 1 0 0 k 800,
0 1 4 8 0 k 3 , L3 = L3 − 8 .L2 ∼
−1 3 −100 7
0 0 4 8 1 k 2 .
1 −7 −75
on obtient donc :
3x1 + 2x2 + x3 = 800,
x2 + −1 x3 + 3 x4 = −100 ,
(PL1)
4 8 3 (2.9)
1 −7 −75
x3 + x4 + x5 = .
4 8 2
20
Les conditions de positivite
3
x1 = 350 − x4 + 2x5 > 0,
2
−1
x2 = −50 +
(PL1) (2.10)
x4 − x5 > 0,
2
7
x3 = −150 + x4 − 4x5 > 0.
2
En prenant x5 = 0
3
x1 = 350 − x4 > 0,
2
−1
x2 = −50 +
(PL1) (2.11)
x4 > 0,
2
−7
x3 = −150 −
x4 > 0.
2
Max( 300
7
, 100) 6 x4 6 700
3
on prendra le minimum x4 = 100 On obtient :
21
2.3 Méthode du simplexe
On rappel encore notre premier probleme PL1
On dit que une variable est basique s’elle n apparait que dans une seule equation.
On forme une solution basique en mettant à zero toute variable non basique.
22
Figure 2.3: •
Figure 2.4: •
Figure 2.5: •
Figure 2.6: •
max x1 + x2
2x1 + x2 6 4
x1 + 2x2 6 3
x1 , x2 ≥ 0
23
max − x1 − x2
2x1 + x2 + s1 = 4
x1 + 2x2 + s2 = 3
x1 , x2 ≥ 0
• x1 x2 s1 s2 b
s1 2 1 1 0 4
s2 1 2 0 1 3
Z -1 -1 0 0 0
le 2 est le pivot.
s1 la variable sortante de la base, s1 la variable rentante.
• x1 x2 s1 s2 b
x1 1 1/2 1/2 0 2
s2 0 3/2 -1/2 1 1
Z 0 -1/2 1/2 0 2
le 2 est le pivot.
s2 la variable sortante de la base, x2 la variable rentrante.
• x1 x2 s1 s2 b
x1 1 0 2/3 -1/3 5/3
x2 0 1 -1/3 2/3 2/3
Z 0 0 1/3 1/3 7/3
x1 = 5/3, x2 = 2/3, Z = 7/3 la solution optimale.
24
2.4 Méthode des deux phases
Pour appliquer l’algorithme du simplexe, il faut disposer d’une solution de base réalisable ini-
tiale.
Cependant cette de base initiale n’est pas automatiquement disponible. • De plus, en général,
nous ne savons même pas si le domaine réalisable n’est pas vide.
• La phase I du simplexe:
indique si le problème est réalisable (i.e., son domaine réalisable n’est pas vide) si oui, fournit
l’information pour générer une solution de base réalisable initiale.
Exemple 1
max − 2x1 − x2
−2x1 − 3x2 6 19
3x1 + 4x2 6 32
x1 , x2 ≥ 0
max − 2x1 − x2
−2x1 − 3x2 + x3 = 19
3x1 + 4x2 + x4 = 32
x1 , x2 , x3 , x4 ≥ 0
Base évidente : (x3 , x4 ) = (19, 32) réalisable c’est bon on peut continuer pour appliquer la
méthode du simplexe.
Exemple 2
max − 2x1 − x2
−2x1 − 3x2 6 −19
3x1 + 4x2 6 32
x1 , x2 ≥ 0
max − 2x1 − x2
−2x1 − 3x2 + x3 = −19
3x1 + 4x2 + x4 = 32
x1 , x2 , x3 , x4 ≥ 0
25
max − 2x1 − x2
−2x1 − 3x2 + x3 − x5 = −19
3x1 + 4x2 + x4 = 32
x1 , x2 , x3 , x4 , x5 ≥ 0
min x5
−2x1 − 3x2 + x3 − x5 = −19
3x1 + 4x2 + x4 = 32
x1 , x2 , x3 , x4 , x5 ≥ 0
• x1 x2 x3 x4 x5 b
x5 -2 -3 1 0 -1 -19
x4 3 4 0 1 0 32
Z 2 3 -1 0 0 -19
apres une iteration on obtient :
• x1 x2 x3 x4 x5 b
x2 2/3 1 -1/3 0 1/3 19/3
x4 1/3 0 4/3 1 -4/3 20/3
Z 0 0 0 0 -1 0
la solution réalisable du système au départ :
x1 = 0, x2 = 19/3, x3 = 0, x4 = 20/3, x5 = 0
26
on peut supprimerx5 des équations
max − 2x1 − x2
2 1 19
x1 + x2 − x3 =
3 3 3
1 4 20
x1 + x3 + x4 =
3 3 3
x1 , x2 , x3 , x4 ≥ 0
2.5 Dégénérescence
27
28
Chapter 3
Problème de transport
29
30
Chapter 4
Travaux dirigés
Important Les deux sites utilisées pour validation des résultats sont :
http://www.phpsimplex.com
1)Pour la méthode graphique en deux dimension.
2) Pour la méthode du simplexe 1 et 2 phases.
https://matrixcalc.org/fr/slu.html
1) Pour les méthodes Gauss ou Gauss- Jordan...
2) Pour l échelonnement.
4.1.1 Exercice 1.
Une entreprise fabrique deux produits P 1 et P 2 dont chaque unité passe dans trois ateliers A 1
, A 2 et A 3 . Le bénéfice apporté par la vente d’une unité de produit P 1 est 50DA, celui de P
2 est 20DA. Le temps de passage (en minutes) de chaque unité de produit dans chaque atelier
sont résumés dans le tableau suivant :
• A1 A2 A3
P1 2mn 3mn 3mn
P2 3mn 2mn 1mn
Le temps de travail par jour de l’atelier A1 est de 5h50. Pour A2 , il est de 5h50 aussi. Pour
l’atelier A3 , il est de 5h10. Pour des raisons commerciales, le nombre d’unités de produit P 1
doit être compris entre 50 et 100. Question : Calculer le nombres d’unités de produits P1 et P2
à fabriquer par jour pour obtenir un bénéfice maximum.
31
4.1.2 Exercice 2.
Une entreprise de confection fabrique des pantalons pour hommes et des pantalons pour femmes.
Chaque semaine, elle peut vendre 6000 pantalons pour hommes au prix de 500DA/ pièce et
3000 pantalons pour femmes au prix de 700DA/pièce. L’atelier est disponible 5 jours/semaine.
Le temps de fabrication d’un pantalon pour femme est le double du temps de fabrication d’un
pantalon pour homme et si l’atelier ne produisait que des pantalons pour hommes, il pourrait en
fabriquer 1600/jour. Le prix de revient est de 550DA par unité pour les pantalons pour femme
et de 400DA par unité pour les pantalons pour hommes. Question : Déterminer le programme
de production hebdomadaire qui permet de réaliser le bénéfice maximum
4.1.3 Exercice 3.
On désire déterminer la composition à coût minimal d’une tonne d’un aliment pour bétail.
Cet aliment est obtenue en mélangeant au plus trois produits P P1 ,P2 et P3 . L’aliment ainsi
conditionné devra comporter au moins 22% de protéines, 3.6% de graisses, pour se conformer
aux exigences de la clienteles. Le tableau suivant indique les pourcentages de proteines et de
graisses contenues respectivement
P1 , P2 et P3 ainsi que le coût par tonne de chacun des produits :
P1 P2 P3
Protéines 12% 42% 52%
Question : Quelle est la fraction (pourcentage) de tonne
Graisses 2% 2% 10%
Coût pat tonne 25 41 39
des produits P1 , P2 et P3 contenu dans une tonne d’aliment qui donne un coût minimal.
4.1.4 Exercice 4.
Atelier A Atelier B
Flash disque 0,1 0,15
Lecteur DVD 0,2 0,2
Par ailleurs, la direction de l’entreprise exige une production de 2000 unités de flashs disques
par mois et de 1500 unités de lecteurs DVD par mois aussi. Question : On demande d’établir
un programme linéaire qui permet de donner un plan de production mensuel optimal.
32
4.1.5 Exercice 5.
. Une entreprise possède deux usines U 1 et U 2 . L’usine U 1 dispose de 400 unités d’un certain
produit et l’usine U 2 dispose de 200 unités du même produit. L’entreprise a trois clients C 1 ,
C 2 et C 3 dont la demande pour ce produit est de :
100 unités pour le client C 1 ,
200 unités pour le client C 2 ,
300 unités pour le client C 3 .
Les coûts unitaires de transport(en millier de DA) sont résumés dans le tableau suivant :
• C1 C2 C3
U1 20 10 30
U2 30 20 20
Question : Donner une formulation mathématique qui détermine un plan de distribution
optimal.
4.1.6 Exercice 6.
. Résoudre graphiquement les programmes linéaires suivants :
OPT Z = 2x + 2y
x − y 63
(PLT ) (4.1)
x 64
x, y > 0
= 2x + 2y
OPT Z
x + y 66
(PLT ) y 63 (4.2)
x 64
x, y > 0
= 2x − 3y
OPT Z
3x + 2y 66
(PLT ) x − y >1 (4.3)
2x − y >6
x, y > 0
33
4.2 Correction de l’exercice : 01 Modélisation
Modélisation
• Sur quelles quantités peut-on travailler ?
• Que cherche-t-on à optimiser ?
• Quelles sont les contraintes du problème ?
Sur quelles quantités peut-on travailler ?
Il faut le rendre sous une forme Canonique (voir la suite pour la définition )
34
4.2.1 Correction de l’exercice : 01 Methode-Graphique
Figure 4.1: •
Figure 4.2: •
35
Figure 4.3: •
Figure 4.4: •
Figure 4.5: •
36
Figure 4.6: •
Figure 4.7: •
xi >0
x7 6min(100, 70, 120/7, 10) = 10
(PLGJ) (4.6)
x1 = 90, x2 = 40, x3 = 50, x4 = 0, x6 = 60,
37
Figure 4.8: •
Figure 4.9: •
Figure 4.10: •
38
Figure 4.11: •
Figure 4.12: •
Figure 4.13: •
Figure 4.14: •
39
Figure 4.15: •
Modélisation
• Sur quelles quantités peut-on travailler ?
• Que cherche-t-on à optimiser ?
• Quelles sont les contraintes du problème ?
Sur quelles quantités peut-on travailler ?
40
Il faut le rendre sous une forme Canonique (voir la suite pour la définition )
41
4.3.1 Correction de l’exercice : 02 Méthode-Graphique
Figure 4.16: •
Figure 4.17: •
42
4.3.2 Correction de l’exercice : 02 Méthode-Gauss
Figure 4.18: •
Figure 4.19: •
En utilisant les conditions de positivité et en remarquant que le système atteint son maximum
aux bords avec un domaine rectangulaire.
min (x5 + 2x5 > 4000)
(PLG) x4 66000 (4.8)
x5 63000
aux bords on a le minimum des valeurs de x5 , x4 pour obtenir le maximum de x1 , x2 dans le
dernier système bien sûr.
la solution est x5 = 2000, x4 = 0 point d intersection de la droite avec l ’axe (Ox5 ) en remplacant
dans le systeme on obtient
x1 = 6000, x2 = 1000
43
4.3.3 Correction de l’exercice : 02 Méthode-Simplexe
Figure 4.20: •
Figure 4.21: •
Figure 4.22: •
Figure 4.23: •
44
Figure 4.24: •
Modélisation
• Sur quelles quantités peut-on travailler ?
• Que cherche-t-on à optimiser ?
• Quelles sont les contraintes du problème ?
Sur quelles quantités peut-on travailler ?
x1 x2 x3
+ + =1
x1 + x2 + x3 x1 + x2 + x3 x1 + x2 + x3
or x1 + x2 + x3 = 1t
donc
x1 x2 x3
+ + =1
1 1 1
Proteines
45
Graisses
46
4.4.1 Correction de l’exercice : 03 Méthode-Simplexe
Figure 4.25: •
Figure 4.26: •
Figure 4.27: •
47
4.4.2 Correction de l’exercice : 03 Méthode-Gauss
Figure 4.28: •
Figure 4.29: •
Figure 4.30: •
48
Figure 4.31: •
49
4.5 Correction de l’exercice : 04 Modélisation
Modélisation
• Sur quelles quantités peut-on travailler ?
• Que cherche-t-on à optimiser ?
• Quelles sont les contraintes du problème ?
Sur quelles quantités peut-on travailler ?
• Seules valeurs non constantes : les quantités de xA f , xAd quantite de l atelier A xB f , xBd
quantite de l atelier B.
xA f + xB f =2000 (4.10)
xAd + xBd =1500 (4.11)
(4.12)
50
4.6 Correction de l’exercice : 05 Modélisation
C1 C2 C3 Disponibilité
U1 20 10 30 400
U2 30 20 20 200
Demande 100 200 300
xi j : quantité transporte de Ui vers le client C j
51
4.7 Correction de l’exercice : 06 Méthode Graphique
Figure 4.32: •
Figure 4.33: •
Figure 4.34: •
52
4.8 Série d’exercice N 2
4.9 Exercice 1.
Pour chaque programme linéaire, donner la forme canonique puis la forme standard :
MaxZ =3x1 − x2
x1 + x2 6 3
(PLT ) (4.18)
x1 − 3x2 > 1
xi j > 0
MinZ =x1 − x2
x1 + x2 = 4
(PLT ) (4.19)
x1 + 4x2 6 3
xi j > 0
4.10 Exercice 2.
A l’aide
des opérations
élémentaires
sur les lignes, déterminer le rang des matrices suivantes :
1 -2 1 2 1 !
2 2 3
A = 2 −1 4 , B = 3 2 , C =
3 1 2
3 −2 2 1 2
4.11 Exercice 3.
. Résoudre par la méthode de GAUSS, puis par la méthode de GAUSS JORDAN les systèmes
d’équations linéaires suivants :
3x + 8y + 3z =2
x + 3y + 2z =5
(PL1) (4.21)
2x + 7y + 4z =8
3x + y − 3z = − 4
x + y + z =1
(PL2) (4.22)
5x + 6y + 8z =7
53
3x − 6y − 2z =1
2x − 4y + z =17
(PL3) (4.23)
x − 2y − 2z = − 9
x − 4y − 3z − 3t =4
2x − 4y + z =5
(PL4) (4.24)
2x − 6y − 5z − 5t =5
3x − y − 4z − 5t =7
4.12 Exercice 4.
Soit le système des équations linéaires suivant :
3x1 + 2x2 + x3 =4
(
(PL) (4.25)
2x1 − x2 + 5x3 =3
On pose J = 2, 3. J est-elle une base ? Si oui, déterminer la solution de base du système (S) par
rapport à la base J. 1
4.13 Exercice 5.
. Soit le système des équations linéaires suivant :
4.14 Exercice 6.
Résoudre les programmes linéaires suivants par la méthode du simplexe et donner une illustra-
tion graphique :
54
MinZ = − 3x1 − 2x2
2x1 + x2 > 5
(PL2) x1 − x2 6 1 (4.28)
x1 + x2 6 3
xi j > 0
4.15 Exercice 7.
55
4.16 Exercice 8.
Résoudre les programmes linéaires suivants par la méthode des deux phases :
56
4.17 Correction de l’exercice 1.
La forme canonique de chaque système.
MaxZ =3x1 − x2
x1 + x2 6 3
(PLT ) (4.34)
−x1 + 3x2 6 −1
xi j > 0
MaxZ = − x1 + x2
x1 + x2 6 4
(PLT ) −x1 − x2 6 −4 (4.35)
x1 + 4x2 6 3
xi j > 0
MaxZ =u − v + 5x2
(PLT ) −(u − v) − 3x2 6 −5 (4.36)
x = u − v u, v, x > 0
1 2
MaxZ =3x1 − x2
x1 + x2 + x3 =3
(PLT ) (4.37)
−x1 + 3x2 + x4 = − 1
x >0
i=1,4
MaxZ = − x1 + x2
x1 + x2 + x3 =4
−x1 − x2 + x4 = − 4
(PLT ) (4.38)
x1 + 4x2 + x5 =3
xi=1,5 > 0
MaxZ =u − v + 5x2
−(u − v) − 3x2 + x3 = − 5
(PLT ) (4.39)
x1 = u − v u, v, xi=2,3 > 0
57
4.18 Correction de l’exercice 2.
Résultat
final après l échelonnement :
1 −2 1
A = 0 1 2/3
0 0 1
Résultat
final après
l échelonnement :
2 1
B = 0 1/2
0 0
58
4.19 Correction de l’exercice 3.
1)Résultat
final par la methode de Gauss :
1
S = −2
5
Figure 4.38: .
59
Figure 4.39: .
Figure 4.40: .
60
4) Résultat final par la méthode de Gauss :
x = 11 −39
y = −8
S = 11
= 101
z 11
t = 11
−118
Figure 4.41: .
Figure 4.42: .
61
4.20 Correction de l ’exercice 4.
Soit le système des équations linéaires suivant :
3x1 + 2x2 + x3 =4
(
(S ) (4.40)
2x1 − x2 + 5x3 =3
On pose J = 2, 3. J est une base car det(S ) = 2.5 + 1 = 11 , 0
La solution de base du système (S) par rapport à la base J est (x1 , x2 , x3 ) = (0, 17 , 10 )
11 11
62
4.21 Correction de l ’exercice 5.
On détermine toutes les bases du système
det(1,2)=det(1,3)=det(1,4)=det(2,3)=det(2,4)= det(3,4)=0,
det(1,5)=-2, det(2,5)=-4, det(3,5)=-6, det(4,5)=-8
La base {1, 5} la solution de base est :
63
Figure 4.45: solution avec simplexe exo 6-1
2) Le systeme admet une infinite de solution en regardant les vecteurs de la fonction economique
parallele a l une des contraintes ie 6.4 − 8.3 = 0.
64
Figure 4.49: solution avec simplexe exo 6-1
65
Figure 4.53: solution avec simplexe exo 7
66