Support de Cours

Ecole Supérieure de Gestion et d’Economie Numérique
Troisieme Année
Support des Cours & Travaux dirigés en

Recherche Opérationnelle
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
1 Introduction à la programmation linéaire 7

1.1 Généralités sur la Recherche Opérationnelle . . . . . . . . . . . . . . . . . . . 7
1.1.1 Exemples pratique voir : . . . . . . . . . . . . . . . . . . . . . . . . . 7
1.1.2 Travaille a faire . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.1.3 La méthodologie en générale a suivre . . . . . . . . . . . . . . . . . . 9
1.2 Éléments d’un problème de programmation linéaire . . . . . . . . . . . . . . . 9
1.3 Resoudre le problème . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 10
1.4 Exemple de problème de programmation linéaire avec résolution graphique. . . 10
1.5 Formes d’un problème de programmation linéaire. . . . . . . . . . . . . . . . 12
1.5.1 Définition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.5.2 Forme canonique et forme standard . . . . . . . . . . . . . . . . . . . 13
1.6 Rappels . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.6.1 Rang d’une matrice . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.6.2 Solution réalisable . . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
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
4.4.1 Correction de l’exercice : 03 Méthode-Simplexe . . . . . . . . . . . . 47
4.4.2 Correction de l’exercice : 03 Méthode-Gauss . . . . . . . . . . . . . . 48
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
4.20 Correction de l ’exercice 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
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
1.1 Généralités sur la Recherche Opérationnelle

Recherche opérationnelle : C’ est une discipline des mathématiques appliquées qui traite
des questions du monde réel d’une maniere optimale c a d la meilleure solution réalisable
concrètement dans le domaine de l’industrie, le transport, l’éducation etc ..
Recherche : on recherche un model mathématique constitue de variable influent sur notre
problème (activités) Depuis une dizaine d’années le champ d’application de la RO s’est élargi
à des domaines comme l’économie, le marketing et la planication d’entreprise.
Un Grand changement avec le HPC, la RO s intéresse a un problème réel en utilisant les
mathématiques et l informatique pendant des années, maintenant avec l arriver des Clusters et
le Big data on pense globalement au niveau des villes, on parle des villes intelligents ou Smart
cities, des simulations pour toute une population dans une ville par le biais des Clusters (High
Performance Computer) on arrive a prévoir des catastrophes et trouver des solutions voir fig 01.
1.1.1 Exemples pratique voir :

http://old.association-aristote.fr/doku.php/public:seminaires:seminaire-2015-03-12 (sem-
inaire a schamps sur Marne en 2015).
Thèmes consommateurs de calcul scientifique:
1
Un peux d’histoire:
Depuis 1989 on commençais a préparer des diplômes en RO a l USTHB en Algérie, comme Diplôme des études
supérieurs en RO quelque années après Diplôme d’ingénieur, Magister et Doctorat.
7
• Pollution sonore
• Pollutions atmosphériques
• Qualité de l’air
• Émissions de carbone
• Énergétique du bâtiment
• Qualité des eaux
• Construction
• Transports
• Trafic
• Véhicule autonome
• Visualisation 3D
• Traitement des images urbaines
1.1.2 Travaille a faire
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 ).
1.1.3 La méthodologie en générale a suivre
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.
1.2 Éléments d’un problème de programmation linéaire

variables de décision, x = (x1 ; ...; xn )
une solution x ∈ Rn
fonction objective représente ( par exemple la perte ou le benefice a optimiser )
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)

sachant X = (x1 , ..xn )

L objectif ensuite c est la détermination de l’optimum mathématique à l’aide de certaines tech-
niques propres à la programmation linéaire.
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.
• La troisième la methode du simplexe.
1.3 Resoudre le problème

veut dire trouver une solution optimale x∗ , c.-à-d., une solution admissible (réalisable) (i.e.,
qui respecte les contraintes)
La valeur de la fonction objectif pour cette valeure verifier f (x) ≤ f (x∗ ) pour le maximum ou
f (x) ≥ f (x∗ )
1.4 Exemple de problème de programmation linéaire avec

résolution graphique.
Un fabricant produit 2 types de yaourts P1 et P2 à partir de cacao, de Lait et de Sucre. Chaque
yaourt doit respecter les proportions suivantes de matières premières.
• P1 P2
Cacao 3 2
On dispose de 800 Kg de Cacao, 500 Kg de Lait et 200 Kg de sucre. La
Lait 2 4
Sucre 1 3
vente de 1 Kg de yaourts P1 et P2 rapporte respectivement 12 DA et 15 DA. Le fabricant
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 ?
• Seules valeurs non constantes : les quantités de yaourts P1 et P2 produites

• On parle de variables
• On les notera x1 et x2
• Le profit z
• Calculé à partir de x1 et x2
• On parle de fonction objectif
• z = 12x1 + 15x2
Quelles sont les contraintes du problème ? • Première contrainte : 800 Kg de Cacao
disponibles
• la quantité utilisée dépend de la production :
• 3x1 + 2x2 6 800 Cacao
2x1 + 4x2 6 500 Lait
x1 + 3x2 6 200 Sucre
Mon premier programme linéaire
max 12x1 + 15x2 ,






3x1 + 2x2





 6 800,
2x1 + 4x2

(PL1)  6 500, (1.2)


x1 + 3x2






 6 200.
 x1 , x2 ≥ 0


Remarque La solution graphique se trouve au point F(200,0) point d’intersection de la fonc-

tion objectif(en rouge) avec le domaine réalisable en couleur verte.
11
Figure 1.1: Solution graphique - Problème PL1
1.5 Formes d’un problème de programmation linéaire.

Dans notre étude on se limite aux cas linéaires c a d ou la modélisation se reporte a un système
d’équations et inéquations linéaires de la forme suivante( pour n- variables ) :
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 .







 ....


pour la résolution graphique on aura besoin de comprendre la résolution de ces inéquations et

leur représentation graphique.
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
tous les n-uplets (s1 , ..., sn ) ∈ Rn vérifiant :
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 .
1.5.2 Forme canonique et forme standard

Forme canonique
Tout programme PL est equivalent à un programme PL en forme canonique, dans laquelle

l’objectif doit être maximisé et les contraintes sont les inégalités avec 6
sur un ensemble polyédrique. On arrive donc a la forme d un problème en forme canonique qui
est sous la forme suivante :
(maximiser) f (x) ..([fonction objective])






a1 x1 + a2 x2 + .. + an xn 6 e1 ..(contraintes),






b1 x1 + b2 x2 + .. + bn xn 6 e2 contrainte

(PL)  (1.4)


c1 x1 + c2 x2 + .. + cn xn 6 e3 , contrainte








 X ∈ D.(domaine du probleme)

Remarques :
• Minimiser la fonction linéaire c.x revient exactement à maximiser la fonction linéaire-c.x.
Minz = x1 + x2 ⇒ Maxz = −x1 − x2
13
Figure 1.2: Domaine de définition : Polyedre
• Toute inégalité ≥ peut être inversée − 6
x1 + 3x2 6 6 ⇒ −x1 − 3x2 > −6
• 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
• Pour la positivité si x > a on fait le changement suivant y = x − a > 0 puis on remplace

dans le système.
• Si x est quelconque on fait le changement suivant : x = y − z avec les nouvelles variables

y, z > 0
Exemple
Min(x1 + x2 )




 x1 + 2x2 6 10,




(PL)  (1.5)



 2x1 + 3x2 > 20.

x ,x ≥0

1 2
on peut écrire sous la forme canonique :
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
Dans le programme linéaire standard

- toute variables sont non-négatives (> 0)
- toutes contraintes linéaires sont des égalités.
En effet, il suffit de convertir un PL en forme canonique vers la forme standard pour cela, on
introduit des variables d’écart (une par inégalité), et on réécrit le problem On arrive a la forme
d un problème linéaire standard qui est sous la forme suivante :



 Max f (x),
a11 x1 + a12 x2 + .. + a1n xm + e1 = b1 ,







a21 x1 + a22 x2 + .. + a2n xm + e2 = b2






a31 x1 + a32 x2 + .. + a3n xm + e2 = b3 ,

(PL)  (1.7)


......................................................,







amn x1 + am2 x2 + .. + amm xm + en = bm ,






x ,e ≥ 0


i i
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
1.6.1 Rang d’une matrice

• Le rang d une matrice A est note : rang(A) (le nombre maximal de lignes linéairement
indépendant ) égale aussi (nombre maximale de colonnes linéairement indépendant)
• 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 rang d’un système linéaire de matrice A est égale a la dimension de l e.vectoriel

E = b, /Ax = b tel que le système Ax=b est compatible.
• Le système Ax=b est compatible si et ssi les (p-q) dernières composantes sont nulles
• Pour un système linéaire a n inconnues de rang r, la dimension de l’ espace vectoriel des

solutions est n-r.
1.6.2 Solution réalisable

On appelle solution réalisable tout vecteur x qui satisfait les contraintes du PL ( i.e Ax=b,
x > 0)
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
On dit que x = (xB , xH ) est solution de base associée à la base B si xH = 0
16
Chapter 2
Méthode du simplexe
2.1 Résolution de systèmes d’équations linéaires par la méthode

de GAUSS - JORDAN.
Pour résoudre le système en utilisant la méthode de GAUSS - JORDAN 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
max 12x1 + 15x2 ,






3x1 + 2x2





 6 800,
2x1 + 4x2

(PL1)  6 500, (2.1)


x1 + 3x2






 6 200.
 x1 , x2 ≥ 0


En ajoutant les variables d’écarts :
3x1 + 2x2 + x3 = 800,





2x1 + 4x2 + x4 = 500,

(PL1)  (2.2)


 x + 3x + x


= 200.
1 2 5
La matrice associée au système PL1

 
 3 2 1 0 0 k 800 
 2 4 0 1 0 k 500  L1 = 3 L1 ∼
  1
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 :
(x1 , x2 , x3 , x4 , x5 ) = (200, 0, 200, 100, 0)

on voit encore qu il ya une marge ou bien un reste.
max 12.200 + 15.0 = 2400,






3.200 + 2.0 + reste





 6 800,
2.200 + 4.0 + reste

(PL1)  6 500, (2.6)


200 + 3.0 = 200.







 x1 , x2 ≥ 0


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
max 12x1 + 15x2 ,






3x1 + 2x2





 6 800,
2x1 + 4x2

(PL1)  6 500, (2.7)


x1 + 3x2






 6 200.
 x1 , x2 ≥ 0


En ajoutant les variables d’écarts :
3x1 + 2x2 + x3 = 800,





2x1 + 4x2 + x4 = 500,

(PL1)  (2.8)


 x + 3x + x


= 200.
1 2 5
La matrice associée au système PL1

 
 3 2 1 0 0 k 800 
 2 4 0 1 0 k 500  L2 = L2 − 3 L1 ∼
  2
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 :
(x1 , x2 , x3 , x4 , x5 ) = (200, 0, 200, 100, 0)

on voit encore qu il ya une marge ou bien un reste.
max 12.200 + 15.0 = 2400,






3.200 + 2.0 + reste





 6 800,
2.200 + 4.0 + reste

(PL1)  6 500, (2.12)


200 + 3.0 = 200.







 x1 , x2 ≥ 0


21
2.3 Méthode du simplexe
On rappel encore notre premier probleme PL1
max 12x1 + 15x2 ,






3x1 + 2x2





 6 800,
2x1 + 4x2

(PL1)  6 500, (2.13)


x1 + 3x2






 6 200.
 x1 , x2 ≥ 0


Figure 2.1: Résolution par la méthode simplexe du Problème PL1 etape1
Figure 2.2: Résolution par la méthode simplexe du Problème PL1 etape2
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.
2.3.1 Méthode du simplexe-exemple.1
22
Figure 2.3: •
Figure 2.4: •
Figure 2.5: •
Figure 2.6: •
2.3.2 Méthode du simplexe-exemple.2
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
Introduction des variables d’écart :
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
Introduction des variables d’écart :
max − 2x1 − x2
−2x1 − 3x2 + x3 = −19
3x1 + 4x2 + x4 = 32
x1 , x2 , x3 , x4 ≥ 0
Base évidente : (x3 , x4 ) = (−19, 32) non réalisable.

Introduction de variables artificielles :
25
max − 2x1 − x2
−2x1 − 3x2 + x3 − x5 = −19
3x1 + 4x2 + x4 = 32
x1 , x2 , x3 , x4 , x5 ≥ 0
nouvelle base réalisable évidente : x4 , x5

Assurer que x5 = 0
Règle 1: Remplacer la fonction économique par une nouvelle: minimiser la somme des vari-
ables artificielles min w
Solution initiale pour poursuivre
Règle 2: Dans le cas où min w est égale à 0, nous poursuivons la résolution du problème orig-
inal avec l’algorithme du simplexe en utilisant l’information du tableau de la dernière itération
de la phase I pour construire une solution de base initiale pour le problème original.
min x5
−2x1 − 3x2 + x3 − x5 = −19
3x1 + 4x2 + x4 = 32
x1 , x2 , x3 , x4 , x5 ≥ 0
Expression en fonction des variables hors base :
max 2x1 + 3x2 − x3 − 19

−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
on revient au système au départ puis on remplace 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
2.6 Dualité en programmation linéaire
2.7 Programmation linéaire paramétrique
27
28
Chapter 3
Problème de transport
29
30
Chapter 4
Travaux dirigés
4.1 Série d’exercice N 1
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.
(Examen 2019/2020) Une PME Algérienne de production du matériel informatique dispose

de deux ateliers A et B. Chaque atelier fabrique des flashs disques et des lecteurs DVD. Dans
l’atelier A, le coût unitaire de production d’un flash disque est de 500 DA et celui d’un lecteur
DVD est de 2000 DA. Par contre, dans l’atelier B, les coûts sont 600 DA et 1800 DA respective-
ment. La disponibilité des ateliers est de 240 heures/mois pour l’atelier A et de 200 heures/mois
pour l’atelier B. Les temps de montages (en heures) sont données dans le tableau suivant :
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 ?
• Seules valeurs non constantes : les quantités de P1 et P2 produites

• On les notera x1 et x2
• Le profit z
• Calculé à partir de x1 et x2
• z = 50x1 + 20x2
Quelles sont les contraintes du problème ?
• la quantité utilisée dépend du temps dans chaque atelier :
• 2x1 + 3x2 6 5h50 Atelier 1
3x1 + 2x2 6 5h50 Atelier 2
3x1 + x2 6 5h10 Atelier 3
Mon premier programme linéaire
max 50x1 + 20x2

2x1 + 3x2 6 5h50
3x1 + 2x2 6 5h50
3x1 + x2 6 5h10
50 6 x1 ≤ 100, x2 ≥ 0
Il faut le rendre sous une forme Canonique (voir la suite pour la définition )
max 50x1 + 20x2





2x1 + 3x2 6350







3x1 + 2x2 6350






3x1 + x2 6310

(PLT )  (4.4)








 −x1 6 − 50

x1 6100






xi > 0


34
4.2.1 Correction de l’exercice : 01 Methode-Graphique
Figure 4.1: •
Figure 4.2: •
La solution est en couleur verte dans la tableau ie:

La solution est : x1 = 90, x2 = 40
4.2.2 Correction de l’exercice : 01 Methode Gauss Jordan

La forme standard est :
2x1 + 3x2 + x3 =350






3x1 + 2x2 + x4 =350






 3x1 + x2 + x5 =310




(PLT )  (4.5)



 −x1 + x6 = − 50

x1 + x7 =100







xi > 0


35
Figure 4.3: •
Figure 4.4: •
Figure 4.5: •
En prenant les conditions de positivite :
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,



on remarque : il ya du reste dans le systeme comme: x3 = 50, x6 = 60

La solution est : x1 = 90, x2 = 40
37
Figure 4.8: •
4.2.3 Correction de l’exercice : 01 Methode-Simplexe
Figure 4.9: •
Figure 4.10: •
38
Figure 4.11: •
Figure 4.12: •
Figure 4.13: •
Figure 4.14: •
39
Figure 4.15: •
Modélisation
• Seules valeurs non constantes : les quantités de P1 et P2 produites

• On les notera xh et x f
• Le profit z
• Calculé à partir de xh et x f
• z = max(700 − 550)x f + (500 − 400)xh
• la quantité fabriquee dépend de l’atelier :
• t f = 2th
1600 p/jour hommes donc 800 p/j femmes
1
1600 h
x + 800
1
xf 6 5
maxz = (700 − 550)x f + (500 − 400)xh

1 1
xh + x f 65
1600 800
xh 6 6000
x f 6 3000
xh ≥ 0, x f ≥ 0
40
Il faut le rendre sous une forme Canonique (voir la suite pour la définition )
max 100xh + 150x f






1 1


xh +

x f 65



 1600 800



(PLT ) 
 xh 6 6000 (4.7)








 x f 6 3000

xh ≥ 0, x f ≥ 0


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
• Seules valeurs non constantes : les quantités de P1 et P2 et P3

• On les notera x1 et x2 , x3
comme elle composent 1tonne donc :
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

• Le coût minimal note : z
• Calculé à partir de x1 et x2 , x3
• Donc la fonction objectif
• z = 25x1 + 41x2 + 39x3
• Les proteines et les graisses dependent des quantités utilisées :
0.12x1 + 0.52x2 + 0.42x3 ≥ 0.22
Proteines
0.02x1 + 0.02x2 + 0.10x3 ≥ 0.036
45
Graisses
min(25x1 + 41x2 + 39x3 )






0.12x1 + 0.52x2 + 0.42x3 ≥ 0.22






0.02x1 + 0.02x2 + 0.10x3 ≥ 0.036

(PLT )  (4.9)


x1 + x2 + x3 = 1








xi > 0


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: •
les conditions de positivité donnent :

7 1 1
x1 = , x2 = , x3 =
10 10 5
49
Modélisation
• Seules valeurs non constantes : les quantités de xA f , xAd quantite de l atelier A xB f , xBd
quantite de l atelier B.

• Le coût minimal de production note : z
• Calculé à partir de xA f , xAd , xB f , xBd
• Donc la fonction objectif
• z = 500xA f + 2000xAd + 600xB f + 1800xBd
Quelles sont les contraintes sur les quantites ?
Exigences du fabriquant quantités fixes :
xA f + xB f =2000 (4.10)
xAd + xBd =1500 (4.11)
(4.12)
Quelles sont les contraintes sur le temps ?
0.1xA f + 0.2xAd 6 240 (4.13)

0.15xB f + 0.2xBd 6 200 (4.14)
(4.15)
On obtient le système suivant :
min (z = 500xA f + 2000xAd + 600xB f + 1800xBd )






xA f + xB f =2000






xAd + xBd =1500




(PL5)  (4.16)




 0.1xA f + 0.2xAd 6 240

0.15xB f + 0.2xBd 6 200







xi j > 0


50
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
min (20x11 + 10x12 + 30x13 + 30x21 + 20x22 + 20x23 )





x11 + x12 + x13 6400(c.dispon)







x11 + x12 + x13 6200(c.dispon)






x11 + x21 >100(c.dem)

(PLT )  (4.17)


x12 + x22 >200(c.dem)







x13 + x23 >300(c.dem)







xi j > 0


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
MaxZ =x1 + 5x2





x1 + 3x2 > 5

(PLT )  (4.20)




 x1 quelconque, x2 > 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 :
x1 + 2x2 + 3x3 + 4x4 + x5 =1

(
(S ) (4.26)
2x1 + 4x2 + 6x3 + 8x4 =4
1. Déterminer toutes les bases possibles et donner la solution de base associée à chaque base.
2. Si on ajoute au système (S) la contrainte xi > 0, i = 1, . . . , 5. Déterminer dans ce cas les
bases réalisables si elles existent.
4.14 Exercice 6.
Résoudre les programmes linéaires suivants par la méthode du simplexe et donner une illustra-
tion graphique :
MaxZ =3x1 + 2x2






2x1 + x2 6 5







(PL1)  x1 − x2 6 1 (4.27)


x1 + x2 6 3








xi j > 0


54
MinZ = − 3x1 − 2x2





2x1 + x2 > 5







(PL2)  x1 − x2 6 1 (4.28)


x1 + x2 6 3








xi j > 0


MaxZ =3x1 + 2x2





 6x1 + 2x2 6 24




(PL3)  (4.29)



 10x1 + 3x2 6 30


 xi j > 0
MinZ =2x1 + 2x2






 x1 − x2 > 3



(PL2)  (4.30)



 x1 6 4


 xi j > 0
4.15 Exercice 7.
Soit le programme linéaire suivant :
MaxZ =6x1 + 8x2











 2x1 − x2 6 50
3x1 + 4x2 6 180

(P)  (4.31)


−x1 + 2x2 6 40








xi j > 0


1. Résoudre (P ) par la méthode du simplexe.

2. Montrer que (P ) possède une infinité de solutions optimales.
3. Donner une illustration graphique.
55
4.16 Exercice 8.
Résoudre les programmes linéaires suivants par la méthode des deux phases :
MaxZ =4x1 + 2x2






3x1 + 2x2 6 12






x1 + 2x2 > 4

(P1)  (4.32)








 x1 6 3

xi j > 0


MinZ = − 2x1 − 3x2





 x1 + x2 6 10




(P2)  (4.33)



 5x1 + 4x2 > 20


 xi j > 0
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
La forme standard de chaque système.
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
Résultat
 final après l échelonnement :
 1 −2 1 
A =  0 1 2/3 
 
0 0 1
 
Figure 4.35: Rang (A)=3
Résultat
 final après
 l échelonnement :
 2 1 
B =  0 1/2 
 
0 0
 
Figure 4.36: Rang (B)=2
Résultat final après l échelonnement

! :
2 2 3
C=
0 −2 −5/2
Figure 4.37: Rang (C)=2
58
1)Résultat
 final par la methode de Gauss :
 1 
S =  −2 
 
5
 
Figure 4.38: .
2) Résultat final par la methode de Gauss-Jordan :

S = Φ n a pas de solution.
59
Figure 4.39: .
3) Résultat final par la méthode de Gauss-Jordan :

 x = 5 + 2.α 

S =  y=α , infinité de solution avec α est réel.
 
z=7

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
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 :
(x1 , x2 , x3 , x4 , x5 ) = (2, 0, 0, 0, −1)
n est pas une solution de base réalisable.
Figure 4.43: solution graphique exo 6-1
Figure 4.44: solution graphique en vert (exo 6-1)
2) comme min(-z)=max (z)

min (-3x-2y)=max(3x+2y) on retrouve le systeme 1) la solution est (x,y)=(2,1) et z=-3.2-2.1=-
8
63
Figure 4.45: solution avec simplexe exo 6-1
4.23.1 Solution avec simplexe de l’ exercice 7
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 4.50: solution avec simplexe exo 7
65
4.23.2 Solution graphique de l exercice 7
Figure 4.54: solution graphique exo 7
Figure 4.55: solution graphique en vert (exo 7)
66

Support de Cours

Transféré par

Informations du document

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

Support de Cours

Transféré par

Droits d'auteur :

Formats disponibles

Ecole Supérieure de Gestion et d’Economie Numérique

Support des Cours & Travaux dirigés en

1 Introduction à la programmation linéaire 7

1.1 Généralités sur la Recherche Opérationnelle

1.1.1 Exemples pratique voir :

• Qualité des eaux

• Traitement des images urbaines

1.1.2 Travaille a faire

1.1.3 La méthodologie en générale a suivre

1.2 Éléments d’un problème de programmation linéaire

sachant X = (x1 , ..xn )

• La troisième la methode du simplexe.

1.3 Resoudre le problème

1.4 Exemple de problème de programmation linéaire avec

• Seules valeurs non constantes : les quantités de yaourts P1 et P2 produites

max 12x1 + 15x2 ,

Remarque La solution graphique se trouve au point F(200,0) point d’intersection de la fonc-

1.5 Formes d’un problème de programmation linéaire.

pour la résolution graphique on aura besoin de comprendre la résolution de ces inéquations et

tous les n-uplets (s1 , ..., sn ) ∈ Rn vérifiant :

1.5.2 Forme canonique et forme standard

Tout programme PL est equivalent à un programme PL en forme canonique, dans laquelle

(maximiser) f (x) ..([fonction objective])

• Minimiser la fonction linéaire c.x revient exactement à maximiser la fonction linéaire-c.x.

Minz = x1 + x2 ⇒ Maxz = −x1 − x2

• Toute inégalité ≥ peut être inversée − 6

x1 + 3x2 6 6 ⇒ −x1 − 3x2 > −6

• Pour la positivité si x > a on fait le changement suivant y = x − a > 0 puis on remplace

• Si x est quelconque on fait le changement suivant : x = y − z avec les nouvelles variables

on peut écrire sous la forme canonique :

Dans le programme linéaire standard

1.6.1 Rang d’une matrice

• Le rang d’un système linéaire de matrice A est égale a la dimension de l e.vectoriel

• Pour un système linéaire a n inconnues de rang r, la dimension de l’ espace vectoriel des

1.6.2 Solution réalisable

On dit que x = (xB , xH ) est solution de base associée à la base B si xH = 0

2.1 Résolution de systèmes d’équations linéaires par la méthode

Pour résoudre le système en utilisant la méthode de GAUSS - JORDAN on écrit le système

max 12x1 + 15x2 ,

En ajoutant les variables d’écarts :

3x1 + 2x2 + x3 = 800,

La matrice associée au système PL1

(x1 , x2 , x3 , x4 , x5 ) = (200, 0, 200, 100, 0)

max 12.200 + 15.0 = 2400,

max 12x1 + 15x2 ,

En ajoutant les variables d’écarts :

3x1 + 2x2 + x3 = 800,

La matrice associée au système PL1

(x1 , x2 , x3 , x4 , x5 ) = (200, 0, 200, 100, 0)

max 12.200 + 15.0 = 2400,

max 12x1 + 15x2 ,

Figure 2.1: Résolution par la méthode simplexe du Problème PL1 etape1

Figure 2.2: Résolution par la méthode simplexe du Problème PL1 etape2

2.3.1 Méthode du simplexe-exemple.1

2.3.2 Méthode du simplexe-exemple.2

Introduction des variables d’écart :

Introduction des variables d’écart :

Base évidente : (x3 , x4 ) = (−19, 32) non réalisable.

nouvelle base réalisable évidente : x4 , x5

Expression en fonction des variables hors base :

max 2x1 + 3x2 − x3 − 19

on revient au système au départ puis on remplace x5 = 0 :

2.6 Dualité en programmation linéaire

2.7 Programmation linéaire paramétrique