INTRODUCTION À LA

RECHERCHE OPÉRATIONNELLE

Filière Sciences Mathématiques et Informatique

(S5)

M. AZZOUZI IDRISSI

Année universitaire : 2022-2023

 Problèmes irréguliers
Et Problèmes de minimisation

Pbs_irréguliers_2022_2023_IAM 2
 Résolution des Programmes linéaires
• Résolution graphique (Pbs à 2 & à 3 dim)

• Approche algébrique

• Algorithme du simplexe

• Problèmes de minimisation & Problèmes irréguliers

• Analyse de la variance

• Dualité

Pbs_irréguliers_2022_2023_IAM 3/30
Pbs irréguliers & Pbs de Minimisation
• Introduction

• Méthode des variables artificielles

− Méthodes « M »

− Méthode des deux phases

• Problèmes de Minimisation

• Récapitulatif de la méthode du simplexe

• Problèmes irréguliers; Entre approche graphique

& algorithme du simplexe

Pbs_irréguliers_2022_2023_IAM 4
 Introduction
Les Pbs linéaires traités jusqu’à maintenant sont de type :
• Fonctions objectif = fcts linéaires à maximiser (max Z)

• Les contraintes sont de type ≤ ,

• Le second membre est positif.

Dans beaucoup de problèmes, on a:

• des fcts économiques à minimiser,

• des contraintes peuvent être de type ≥ et/ou =,

• les seconds membres peuvent être aussi négatifs

Pbs_irréguliers_2022_2023_IAM 5
 Méthode des variables artificielles

Soit le PL suivant:

Max z  4x  5x  3x
1 2 3
 x1  2x2  x3  5

 2x1  x2  x3  1
s.c. 
 x1  x2 4

 x ,x , x 0
1 2 3

Pbs_irréguliers_2022_2023_IAM 6
 Méthodes des variables artificielles
L’introduction des variables d’écart nous permet d’écrire
la forme standard de ce PL :

max z  4 x  5 x  3 x  0 s  0 s
1 2 3 1 2
 x1  2 x2  x3  s1 5

2 x1  x2  x3  s 1
2

 x1  x2 4

 x1, x2 , x3 , s1, s2  0

Pbs_irréguliers_2022_2023_IAM 7
 Méthodes des variables artificielles
Dans le cas du simplexe, la sol de base initiale est donnée par :

x1 = x2 = x3 = 0

En appliquant ceci dans le PL, la 2ème contrainte conduit à : s2 = -1

(ce qui viole la principe de non négativité de cette variable) et 0 = 4
dans la 3ème contrainte.

Pour contourner ce problème et trouver 1 sol de base initiale, on

introduit alors de nouvelles variables « a1 et a2 » qu’on appelle:
variables artificielles.

Ces variables n’ont aucun sens économique; Ce sont des variables

fictives « un outil mathématique » qu’on introduit pour pouvoir
utiliser la procédure du simplexe et formuler le tableau initial à
partir de l’origine (solution de base initiale).

Pbs_irréguliers_2022_2023_IAM 8
 Méthodes des variables artificielles
L’introduction des variables artificielles a1 et a2 dans la 2d et la 3ème
contrainte permet d’écrire donc:

max Z 4x  5x  3x  0s  0s
1 2 3 1 2
 x1  2x2  x3  s1 5

2x1  x2  x3  s2  a1  1

 x1  x2 a  4
2

 x1, x2, x3, s1, s2, a1, a2  0

Si on met x1 = x2 = x3 = 0, on peut obtenir une solution de base initiale

du PL; soit:
x1 = x2 = x3 = s2 = 0 & s1 = 5; a1 =1; a2 = 4

Pbs_irréguliers_2022_2023_IAM 9
 Méthodes des variables artificielles

Les variables artificielles ne sont pas une donnée du problème

(PL). En conséquence, elles doivent être nulles à l’optimum. Pour
cela, il faut les faire sortir de la base :

Deux méthodes existent:

• La méthode des pénalités ou « M ».

• La méthode des deux phases

.

Pbs_irréguliers_2022_2023_IAM 10
 Méthodes « M »
Elle consiste à donner un coefficient fortement pénalisant aux
variables artificielles dans la fonction objectif; soit :

• - M dans le cas d’une maximisation,

• + M dans le cas d’une minimisation,

M étant suffisamment grand ( 1010 par exemple ) pour qu’on soit sûr
que les variables artificielles sont exclues de la solution optimale.

On iIntroduire une variable artificielle par contrainte .

La variable d’écart affectée du coefficient -1, est mise hors base

(s2=0).

Pbs_irréguliers_2022_2023_IAM 11
 Méthodes « M »
On introduit, alors une nouvelle fonction objectif ž .

z  4 x  5 x  3 x  Ma  Ma
1 2 3 1 2
z  z  Ma  Ma
1 2
En maximisant la fonction objectif ž, on aura tendance à faire sortir
les variables artificielles de la base. Si à l’optimum de ce PL, toutes
les variables artificielles sont nulles, ž coïncide alors avec z.

Si à l’optimum du PL (avec ž), une ou plusieurs variables artificielles

sont encore dans la base (donc non nulles), le PL est alors impossible.

Donc, il faut retenir que tant que les variables artificielles

restent dans la base, la solution est non réalisable pour le PL.

Pbs_irréguliers_2022_2023_IAM 12
 Méthodes « M »
L’expression des variables a1 et a2 en fonction des autres variables
(décision et écart) permet d’écrire la fonction objectif ž et le
tableau de simplexe initial :

z  4 x  5 x  3 x  M (1  2 x  x  x  s )  M ( 4  x  x )
1 2 3 1 2 3 2 1 2
  5 M  ( 3 M  4 ) x  ( 2 M  5 ) x  ( M  3) x  Ms
1 2 3 2

x1 x2 x3 s1 s2 a1 a2 Bj biie

s1 1 2 1 1 0 0 0 5 5
a1 2 1 1 0 ‐1 1 0 1 1/2
a2 1 1 0 0 0 0 1 4 4

j 3M+4 2M+5 M+3 0 ‐M 0 0 ž+5M

Pbs_irréguliers_2022_2023_IAM 13
 Méthodes « M »
La variable entrante dans la base (colonne pivot) est celle qui
correspond au plus grand écart positif j (soit x1). La variable sortante
de la base (ligne pivot) est celle qui correspond au plus petit quotient
positif bi/ie (soit a1). Le 2ème tableau est :

x1 x2 x3 s1 s2 a1 a2 Bj biie

s1 0 3/2 1/2 1 1/2 ‐1/2 0 9/2 9 (3)

x1 1 1/2 1/2 0 ‐1/2 1/2 0 1/2 ‐1 (1)

a2 0 1/2 ‐1/2 0 1/2 ‐1/2 1 7/2 7 (7)

Ž‐
j 0 M/2+3 ‐M/2+1 0 M/2+2 ‐3M/2‐2 0
2+7M/2

Pbs_irréguliers_2022_2023_IAM 14
 Méthodes « M »
M/2+3 et M/2+2 sont équivalent (M très grand). On fait alors entrer
s2 plutôt que x2 en base pour en faire sortir la variable artificielle a2
plutôt que s1. le tableau simplexe qui en résulte est :

x1 x2 x3 s1 s2 a1 a2 Bj biie

s1 0 3/2 1/2 1 1/2 ‐1/2 0 9/2 9

x1 1 1/2 1/2 0 ‐1/2 1/2 0 1/2 ‐1

a2 0 1/2 ‐1/2 0 1/2 ‐1/2 1 7/2 7

Ž–
j 0 M/2+3 ‐M/2+1 0 M/2+2 ‐3M/2‐2 0
2+7M/2

Pbs_irréguliers_2022_2023_IAM 15
 Méthodes « M »

x1 x2 x3 s1 s2 a1 a2 Bj

s1 0 1 1 1 0 0 ‐1 1

x1 1 1 0 0 0 0 1 4

s2 0 1 ‐1 0 1 ‐1 2 7

j 0 1 3 0 0 ‐M ‐M‐4 ž‐16

On remarque qu’à ce stade les variables artificielles sont sorties de la

base. On peut les annuler définitivement (on supprime les colonnes a1 et
a2 dans le tableau). On remarque aussi que par conséquent, ž coïncide
avec z.

Pbs_irréguliers_2022_2023_IAM 16
 Méthodes « M »

x1 x2 x3 s1 s2 Bj
x3 0 1 1 1 0 1
x1 1 1 0 0 0 4
s2 0 2 0 1 1 8
j 0 ‐2 0 ‐3 0 ž‐19

La solution optimale de ce PL est :

x1 =4 , x2 =0 , x 3 =1 , et z=19 (s 1 = 0, s2 =8)

Pbs_irréguliers_2022_2023_IAM 17
 Problèmes de Minimisation
Deux façon de faire pour résoudre 1 problème de minimisation:

1ère méthode:
Changement de la règle de choix de la variable entrante. Dans un
problème de maximisation, on fait entrer dans la base la variable qui a
le plus grand effet net positif non nul. (l’objectif est d’accroitre la
fonction objectif pour engendrer un profit supplémentaire).

Dans le cas de minimisation, on fait entrer dans la base, la variable qui

entraine la plus petite variation négative non nulle de la fct objectif.

L’algorithme de simplexe sera alors arrêté lorsque tous les j sont

positifs ou nuls.

Dans le cas des variables artificielles, on leur attribue le coefficient

+M (au lieu de –M dans le cas de maximisation).
Pbs_irréguliers_2022_2023_IAM 18
 Problèmes de Minimisation

2ème méthode:
La deuxième méthode est basée sur le fait que la résolution
d’un problème « min w = i Cixi » sujet à un ensemble de
contraintes, est équivalent à la résolution du problème de
type « max z = - i Cixi » sujet au même ensemble de
contraintes.

On obtient le même vecteur des solutions optimales, et la

seule différence est que la solution min w est l’opposée de
la solution max z.

Pbs_irréguliers_2022_2023_IAM 19
 Problèmes de Minimisation
Étape préliminaire avant le déroulement du symplexe.

Pour la fct objectif d’1 Pb de PL

Type de la contrainte
Maximisation Minimisation
« ≤ » ; ajouter 1 var Attribuer un coefficient nul pour la variable d’écart
d’écart (Pas de variables d’écart)
Attribuer un coefficient Attribuer un coefficient
« = » ; ajouter 1 var
« ‐ M » pour la variable « + M » pour la variable
artificielle
artificielle artificielle

« ≥ » ; ajouter 1 var Attribuer un coefficient Attribuer un coefficient

artificielle et 1 var d’écart nul pour la var d’écart et nul pour la var d’écart et
négative (soustraire 1 var un coefficient « ‐ M » un coefficient « + M »
d’écart positive) pour la variable artificielle pour la variable artificielle

20
 Exemple : cas de minimisation
Cas de médicaments à prescrire.
Le programme linéaire qui modélise le problème est :

Min z  x  x
1 2
 2x1  x2  12

 5x1  8x2  74
s.c. 
 x1  6x2  24

 x , x 0
1 2

Pbs_irréguliers_2022_2023_IAM 21
 Exemple : cas de minimisation
L’introduction des variables d’écart et des variables artificielles
permet d’écrire le programme linéaire PL* sous la forme:

min z  x  x  Ma  Ma  Ma
1 2 1 2 3
 2 x1  x 2 - s1  a
1
 12

 5 x1  8 x 2 -s 
2
a
2
 74

 x1  6 x 2 -s
3
a
3
 24

 x1 , x 2 , s1 , s 2 , s 3 , a1 , a 2 , a 3  0
Ce qui va permettre de démarrer la procédure du simplexe à
l’origine. La nouvelle fonction objectif est: ž = z +Ma1+Ma2+Ma3
ž = x1 + x2 + Ma1 + Ma2 + Ma3

Pbs_irréguliers_2022_2023_IAM 22
 Exemple : cas de minimisation
L’expression des variables artificielles (variables de base) en
fonction des variables hors base permet d’écrire:
ž = x1 (1-8M)+ x2 (1-15M) + M(s1 +s2 +s3) + 110M
Le premier tableau de simplexe est donc:

x1 x2 S1 S2 S3 a1 a2 a3 Bj biie

a1 2 1 ‐1 0 0 1 0 0 12 12

a2 5 8 0 ‐1 0 0 1 0 74 74/8

a3 1 6 0 0 ‐1 0 0 1 24 4

j 1‐8M 1‐15M M M M 0 0 0 ž‐110M

Pbs_irréguliers_2022_2023_IAM 23
 Exemple : cas de minimisation

La première itération nous donne un deuxième tableau :

x1 x2 S1 S2 S3 a1 a2 a3 Bj biie

a1 11/6 0 ‐1 0 1/6 1 0 ‐1/6 8 48/11

a2 11/3 0 0 ‐1 4/3 0 1 ‐4/3 42 126/11

x2 1/6 1 0 0 ‐1/6 0 0 1/6 4 24

5/6‐ 1/6‐ ‐1/6+ Ž ‐4

j 0 M M 0 0
33M/6 3M/2 5M/2 ‐50M

Pbs_irréguliers_2022_2023_IAM 24
 Exemple : cas de minimisation
Le troisième tableau est :

x1 x2 S1 S2 S3 a1 a2 a3 Bj biie
‐
x1 1 0 0 1/11 6/11 0 ‐1/11 48/11 ‐8
6/11
a2 0 0 2 ‐1 1 ‐2 1 ‐1 26 13

x2 0 1 1/11 0 ‐2/11 ‐1/11 0 2/11 36/11 36

Ž‐
5/11 ‐5/11 ‐1/11
j 0 0 M 1/11‐M 0 84/11
‐2M +3M +2M
‐26M

Pbs_irréguliers_2022_2023_IAM 25
 Exemple : cas de minimisation
Le quatrième tableau est :

x1 x2 S1 S2 S3 a1 a2 a3 Bj biie
‐ ‐ 126/1
x1 1 0 0 4/11 0 3/11 63/2
3/11 4/11 1
s1 0 0 1 ‐1/2 1/2 ‐1 1/2 ‐1/2 13 26
‐
x2 0 1 0 0 ‐5/22 0 2/11 23/11 ‐46/5
1/11
5/22 3/22 Ž‐
j 0 0 0 5/22 ‐3/22 M
+M +M 149/11

Les variables artificielles sont sorties de la base. On peut les

annuler définitivement.

Pbs_irréguliers_2022_2023_IAM 26
 Exemple : cas de minimisation
Le quatrième tableau devient donc :

x1 x2 S1 S2 S3 Bj biie

x1 1 0 0 ‐ 3/11 4/11 126/11 63/2

s1 0 0 1 ‐1 1/2 1/2 13 26

x2 0 1 0 0 ‐ 5/22 23/11 ‐46/5

j 0 0 0 5/22 ‐3/22 Ž ‐149/11

Les variables artificielles ne sont plus dans la base et figurent

plus dans le tableau.

Pbs_irréguliers_2022_2023_IAM 27
 Exemple : cas de minimisation
Le cinquième tableau nous donne le tableau de simplexe optimal
:
x1 x2 S1 S2 S3 Bj

x1 1 0 ‐8/11 1/11 0 2

S3 0 0 2 ‐1 1 26

X2 0 1 5/11 ‐2/11 0 8

j 0 0 3/11 1/11 0 ‐10

Soit la solution optimale:

x1=2, x2=8, s1=0, s2=0, s3=26, et z=10
Pbs_irréguliers_2022_2023_IAM 28
 Récapitulatif de la méthode du simplexe
Cas de maximisation.
1. Vérifier que les seconds membres du PL sont positifs, sinon modifier les
contraintes,

2. Écrire le PL sous forme standard,

3. Construire le 1er tableau de simplexe,

4. Choix de la variable entrante dans la base: celle qui a le plus grand j

positif,

5. Choix de la variable sortante de la base: celle qui a le plus petit bi/ie ≥ 0,

6. Construire le nouveau tableau (règle de pivot),

7. Test d’optimalité. Si j. ≤ 0 pour toutes les variables hors base; la solution
est optimale, sinon retourner en 4

Pbs_irréguliers_2022_2023_IAM 29
 Récapitulatif de la méthode du simplexe
Cas de minimisation.
1. Vérifier que les seconds membres du PL sont positifs, sinon modifier les
contraintes,

2. Écrire le PL sous forme standard,

3. Construire le 1er tableau de simplexe,

4. Choix de la variable entrante dans la base : celle qui a le plus petit j

négatif.

5. Choix de la variable sortante de la base: celle qui a le plus petit bi/ie ≥ 0,

6. Construire le nouveau tableau (règle de pivot)

7. Test d’optimalité. Si j ≥ 0 pour toute les variables hors base; la solution

est optimale, sinon retourner en 4.

Pbs_irréguliers_2022_2023_IAM 30
 Problèmes irréguliers
Entre approche graphique & algorithme du simplexe
Problème impossible.
Graphiquement: l’ensemble des solutions réalisables est vide

Simplexe : le tableau optimal contient une ou plusieurs variables

artificielles (variables de base non nulles).

Problème à solutions multiples (dégénérescence de 1ère espèce).

Graphiquement: pente de la droite représentant la fonction objectif =
pente de l’une des contraintes

Simplexe : dans le tableau optimal, j relative à une variable hors base

est nulle et lorsqu’on fait entrer cette variable dans la base
on trouve une nouvelle solution optimale sans que la valeur de
la fonction objectif ne change.

Pbs_irréguliers_2022_2023_IAM 31
 Problèmes irréguliers
Problème à solution infinie
Graphiquement: la droite représentant la fonction objectif peut être
déplacée indéfiniment lors de l’augmentation de sa valeur
tout en restant dans l’espace des solutions réalisables.
Simplexe : Touts les quotients bi/ie (dernière colonne du tableau du
simplexe) sont négatifs ou nuls (pas de rapport bi/ie > 0). La
variable entrante n’a pas donc de limite sur sa valeur d’entrée.

Problème à solution dégénérée

Graphiquement: la solution est dégénérée si trois contraintes ou plus
concourent (un point ou les contraintes se rencontrent).
Simplexe : une ou plusieurs variables de base dans le tableau optimal
sont nulles. On a deux quotients bi/ie et bj/je égaux.

Pbs_irréguliers_2022_2023_IAM 32