UNIVERSITE CADI AYYAD Année Universitaire : 2020/2021

FACULTE DES SCIENCES JURIDIQUES

ECONOMIQUES ET SOCIALES.

MARRAKECH

Filière Sciences Economiques et Gestion

Semestre 5

Matière : Recherche Opérationnelle

Aomar Ibourk
Chapitre 1 : Généralités
I. Définition
II. L'objectif de la Recherche Opérationnelle
III. Processus générale d’aide à la décision
IV. Disciplines liées à la RO
V. Méthodologie de résolution de problèmes en RO
VI. Domaines d’application
VII. Les modèles du Recherche opérationnel
Chapitre 1 Généralités
I. Définition :

La recherche opérationnelle étude les opérations d'une organisation ou d'un processus en

vue d'accroître leur efficacité ou de trouver leur agencement optimal. Cette étude comporte en
général deux parties : la modélisation, qui consiste à représenter les opérations du système par
un modèle mathématique, et le calcul d'un plan optimal ou quasi optimal.
Un modèle comprend des relations entre les variables qui représentent les composantes
du système étudié. En général, ces relations prennent la forme d'une fonction à optimiser et de
contraintes auxquelles sont soumises les variables.

 La Recherche Opérationnelle est la discipline d'appliquer des méthodes analytiques

avancées d'aide à une meilleure prise de décisions. En utilisant des techniques telles que
la modélisation mathématique pour analyser des situations complexes, la Recherche
Opérationnelle donne aux cadres la capacité à prendre des décisions plus efficaces et à
établir des systèmes plus productifs.
 La R.O. est la discipline professionnelle qui traite de l'application des technologies de
l'information pour une prise de décisions informée. Elle vise à fournir des bases
rationnelles pour la prise de décisions en cherchant à comprendre et à structurer des
situations complexes et à employer cette compréhension pour en déduire le
comportement du système et améliorer sa performance. Beaucoup de ce travail est
réalisé en utilisant des techniques analytiques et numériques pour développer et
manipuler des modèles mathématiques et informatiques des systèmes organisationnels
composés de personnes, machines, et procédures.
 La R.O. utilise des idées issues de l'ingénierie, du Management, des mathématiques, et
de la psychologie pour contribuer à une grande variété de domaines d'applications ; le
terrain est étroitement lié à plusieurs autres terrains en matière de « sciences de la
décision » - mathématiques appliquées, informatique, sciences économiques, génie
industriel, et ingénierie des systèmes.
 La R.O. est la science de la prise de décisions rationnelle et l'étude, la conception et
l'intégration des situations et des systèmes complexes dans le but d'en déduire le
comportement du système et d'améliorer ou d'optimiser les performances du système. Il
englobe la prise de décisions de gestion, la modélisation mathématique et informatique
et l'utilisation des technologies de l'information pour une prise de décisions éclairée.

II. Objectifs de la Recherche Opérationnelle :

L'objectif de la Recherche Opérationnelle est l'aide à la décision. : L’optimalité de la

décision.
III. Processus générale d’aide à la décision

Problématique

Modélisation

Modèle

Résolution

Solution

interpretation

décision

Rejet
rejet la mise en oeuvre
 IV. Disciplines liées à la RO

Informatique:
- Sources de données
- Traitement des données
Economie: Mathématique:
- Economie d'entreprise - Théorie des systèmes
- Analyse économique - méthodes d'optimisation
- méthodes statistiques

R.O.

V. Domaines d’application

Problèmes combinatoires : définition des investissements les plus rentables; optimisation

des niveaux d’activité, des affectations, des transports; ordonnancements,. . .Un problème
est dit combinatoire lorsqu'il comprend un grand nombre de solutions admissibles parmi
lesquelles on cherche une solution optimale ou proche de l'optimum.

Exemple typique : Déterminer où installer 5 centres de distribution parmi 30 sites

d'implantation possibles, de sorte que les coûts de transport entre ces centres et les clients
soient minimum.
Ce problème ne peut être résolu par une simple énumération des solutions possibles par
l'esprit humain, puisqu'il en existe 30 x 29 x 28 x 27 x 26 / (5x4x3x2) = 142 506 (!)

Problèmes stochastiques (c à d ou intervient le hasard, aléatoire) : files d’attente; fiabilité

et sûreté de fonctionnement des équipements; gestion de la production,. . . Un problème
est dit aléatoire s'il consiste à trouver une solution optimale face à un problème qui se
pose en termes incertains.
Exemple typique : Dans une grande entreprise, la moyenne des entrées des personnels au
bureau du correspondant de la sécurité sociale est d’une personne par 4 min. Un employé
peut servir, en moyenne, une personne toutes les 3 min 20 sec. Combien d’employés faut-
il embaucher dans le bureau ?

Problèmes concurrentiels : définition de politiques d’approvisionnement, de vente,. . .Un

problème est dit concurrentiel s'il consiste à trouver une solution optimale face à un
problème dont les termes dépendent de l'interrelation entre ses propres agissements et
ceux d'autres décideurs.

Exemple typique : Fixer une politique de prix de vente, sachant que les résultats d'une
telle politique dépendent de la politique que les concurrents adopteront.
Chapitre 2 : Programmation linéaire
I. Définition
II. Hypothèses de la programmation linéaire
III. Modélisation : formulation du modèle mathématique
1- Exemples d’application
2- Interprétation économique du programme linéaire
3- Exercices
4- Solutions
IV. Les formes d’un programme linéaire :
1- La forme canonique
2- La forme standard
3- L’écriture Matricielle
4- Exemples d’application
5- Exercices
6- Solutions
V. Résolution d’un programme linéaire
1- La méthode Graphique :
a. Etapes de la méthode :
b. Exemple 1 : Problème de maximisation
c. Exemple 2 : Problème de minimisation
d. Exercices
e. Solutions
2- Dualité : résolution par passage au dual
a. Correspondance Dual - Primal
b. Théorèmes fondamentaux de la dualité
c. Exemples
d. Dualité et interprétation économique
3- Algorithme du simplexe :
a. Méthode du tableau
b. Exemples d’application
c. Exercices
d. Solutions
Programmation linéaire
I. Définition

On appelle problème de programmation linéaire, tout problème dans lequel il s’agit

d’optimiser (maximiser ou minimiser) une fonction linéaire de n variables .Celle-ci devra
satisfaire à un ensemble de contraintes linéaires exprimées sous forme d’équations ou
d’inéquations.
Tout problème linéaire est formé de trois parties :
- Les inconnus : appelés variables non-négatifs, ou variables d’activités xi , dont on
cherche la valeur.
- Les contraintes : Une contrainte est une règle obligatoire qui réduit la liberté
d'action. En mathématiques, et plus particulièrement en optimisation, une contrainte
est une égalité ou une inégalité que doivent satisfaire les solutions réalisables d'un
problème ∑𝑚𝑖=1 𝑎𝑖𝑗 ∗ 𝑥𝑗 ≤ bi ( ≤ ; ≥ ; = )
- La fonction économique : ou critère Z = ∑𝑛𝑗=1 𝑐𝑗 ∗ 𝑥𝑗 Minimisation ou
maximisation

Vocabulaire :
- Solution admissible : ce sont celles qui satisfont toutes les contraintes du
problème.
- Solution optimale : Elles se distinguent des différentes solutions car elles
optimisent la fonction dont on cherche le maximum et le minimum.

II. Hypothèses de la programmation linéaire:

 La linéarité des contraintes et de la fonction-objectif

 La proportionnalité des gains/coûts et des consommations de ressources
 La divisibilité des variables
 Le déterminisme des données
Lors de la modélisation d'un problème réel, l'impact de ces hypothèses sur la validité du
modèle mathématique doit être étudié
Cette analyse peut mener à choisir un modèle différent (non linéaire, stochastique, ...) et
est essentielle pour la phase d'interprétation des résultats fournis par le modèle

III. Modélisation : formulation du modèle mathématique

La formulation du modèle mathématique est l’étape la plus délicate de la résolution

d’un problème. Il nécessite un effort de conception qui doit aboutir à la détermination des
trois éléments suivants :
 Formalisation : en 4 étapes
 Compréhension du problème
 Identification des variables de décision (qui sont les inconnus du problème)
 Fixation des objectifs à atteindre => la fonction objective
 Précision des contraintes du problème, contraintes exprimées sous forme linéaire par
rapport aux variables de décision => les sous contraintes
1- Exemples d’application

Exemples :
On présente une série d’exemples permettant d’introduire et d’expliciter la notion de
modélisation. Ces exemples portent sur des problèmes pour lesquels la modélisation en
programme linéaire est bien adaptée et clairement explicitée.

Exemple 1 : programme de production d’une usine

Une usine fabrique deux produits « A » et « B » à partir des matières premières M1, M2 et
M3 qui sont limités. Le profit réalisé à la vente du produit est 4 Dh pour le produit A, 5
Dh pour le produit B.
Le tableau suivant explique la nomenclature de chaque produit, ainsi que le stock
disponible pour chaque matière.

A B Stock
M1 2 1 8
M2 1 2 7
M3 0 1 3

C'est-à-dire que pour fabriquer une unité de A, on aura besoin de 2 unités de M1 et une
unité de M2.
Formulation :
1- Variables de décision :
Soit :
x1 le nombre des unités A à fabriquer
x2 le nombre des unités B à fabriquer

2- Fonction objectif :
Le critère de choix de ces quantités est lié au gain généré en fabriquant les produit A et B.
on va produire le maximum de produit afin de réaliser le maximum de bénéfice.
La fonction économique est Z = 4*x1 + 5*x2

3- Contraintes du modèle :
D’une autre part, la fabrication de ces produits ne peut pas être illimitée, car la matière
première est limitée qu’on ne doit pas dépasser.
 Pour M1 : 2*x1 + x2 ≤ 8
Pour M2 : x1 + 2*x2 ≤ 7
Pour M3 : x2 ≤ 3

x1 et x2 ne peuvent pas être négatifs car se sont des quantités à produire.

Le Modèle complet :
On écrit le programme linéaire qui modélise ce problème sous forme :

Max Z = 4*x1 + 5*x2

Sous contraintes (S.C) :
2*x1 + x2 ≤ 8
x1 + 2*x2 ≤ 7
x2 ≤ 3

x1 ≥ 0 ; x2 ≥ 0

Exemple 2 :
Une entreprise XYZ est spécialisée dans la production de deux types de produits : des
climatiseurs et des ventilateurs. Les deux produits nécessitent un certain nombre d’heures
machine et un certain nombre d’heures de main d’œuvre. Le tableau suivant donne les
nombres d’heures machine et d’heures main d’œuvre nécessaires à la fabrication d’une unité
de chacun de ces produits, ainsi que le profit généré par la production d’une unité de ce
produit :

Heures machine Main d’œuvre Profit

Climatiseur 2 h/unité 3h/unité 25 Euro/unité
Ventilateur 2 h/unité 1 h/unité 15 Euro/unité
Total disponible 240 h 140 h

Formulation :
1- Variables de décision :
La compagnie veut décider du nombre de climatiseurs et du nombre de ventilateurs à
produire pour maximiser le profit.
Soit x1 le nombre de climatiseurs et x2 le nombre de ventilateurs à produire.
2- Fonction objectif : l’objectif de l’entrepris, implicite dans le texte, est de
déterminer le programme de production qui maximisera son profit. La fonction
objectif s’écrit alors :
Max Z = 25 x1 + 15 x2
3- Contrainte du modèle : la limitation des ressources contraint l’entreprise de la
manière suivante :
a. Contrainte heures machine 2x1+ 2x2 ≤ 240
 b. Contrainte main d’œuvre 3x1 + x2 ≤ 140
c. Contraintes de non-négativité qui exprime que les niveaux d’activité ne
peuvent être négatifs x1 ≥ 0, x2 ≥ 0
Le Modèle complet :
x1 le nombre de climatiseurs
x2 le nombre de ventilateurs
Max Z = 25 x1 + 15 x2
Sous contraintes (S.C) :
2x1+ 2x2 ≤ 240
3x1 + x2 ≤ 140
x1 ≥ 0, x2 ≥ 0

V. Résolution d’un programme linéaire

Il y a plusieurs méthodes en fonction de nombre de variables et de contraintes :

1- La méthode Graphique

C’est une méthode de résolution d’un programme linéaire ne comportant que deux
variables de décision. Elle consiste en la délimitation de l’intersection des demi-plans
représentant les inéquations des contraintes et en la recherche sur le bord de ce domaine des
points donnant l’optimum de la fonction objectif.

a. Etapes de la méthode :

Etape 1 : Tracer les droits correspondants aux contraintes et de la fonction objectif, en

mettant Z=0, sans oublier les contraintes de positivité. On prendra deux points de chaque
droite.
Etape 2 : hachurer l’aire des solutions admissibles (sous forme polygone convexe).
Etape 3 : Recensement des coordonnées de tous les sommets du polygone (solutions de base)
frontières de l’ensemble des solutions admissibles.
Etape 2 : Calcul de Z pour chaque sommets et comparaison des résultats.
Etape 2 : Déduire la solution optimale de Z. Graphiquement, cette solution optimale et
l’intersection de la droite la plus éloignée de O (0;0) parmi les parallèles à la droite de la
fonction objectif et l’extrémité du polygone (domaine des solutions admissibles).

Remarque : si le PL admet une solution, il est unique et nécessairement l’un des sommets de
programme de base

On traitera ci-dessous deux exemples pour illustrer la méthode de résolution

graphique.
 b. Exemples 1 : Problème de maximisation

Résoudre le programme linéaire suivant

Max Z= 6x1+5x2

(S/C) : 3x1+2x2 ≤ 15
x1+3x2 ≤ 12

x1 ≥ 0 ; x2 ≥ 0

On va premièrement tracer le graphe des inégalités, afin de visualiser les demi-plans

limités par les droits des contraintes :

(Δ1) : 3x1+2x2 = 15 d’où, les points appartenant à (Δ1) (0 ;4) et (12 ;0)
(Δ2) : x1+3x2 = 12 d’où, déduit les points appartenant à (Δ2) (0 ; 7,5) et (5 ;0)

6 (Δ2)
(Δ2)
5

A(0 ;4) 4
A(0 ;4)

B(3 ;3) 3
B(3 ;3)

(Δ1)
2
(Δ1)
C(5 ;0) 1

C(5 ;0)
-1 0 1 2 3 4 5 6 7 8 9 x
-1
Z=0
-2

Graphe 1

L’aire limitée par les droits est appelés l’espace des solutions admissibles
Les points A(0 ;4) ; B(3 ;3) et C (5 ;0) sont les solutions possibles

On remplace ces points dans la fonction objective Z, on trouve :

A  Z= 20
B  Z= 33
C  Z= 30
La solution optimale est donc : x1= 3 ; x2 =3 et Z = 33

c. Exemples 2 : Problème de minimisation :

Min C = 24x1 + 20x2

S.C : x1 + x2 ≥ 30
x1 + 2x2 ≥ 40
x1 ≥ 0, x2 ≥ 0

On va premièrement tracer le graphe des inégalités, afin de visualiser les demi-plans

limités par les droits des contraintes :

(Δ1) : x1 + x2 = 30 d’où, les points appartenant à (Δ1) (0 ;30) et (30 ;0)

(Δ2) : x1 + 2x2 = 40 d’où, déduit les points appartenant à (Δ2) (0 ; 20) et (40 ;0)

L’aire limitée par les droits est appelés l’espace des solutions admissibles
Les points A(0 ;30) ; B(10; 20) et C (40 ; 0) sont les solutions possibles

On remplace ces points dans la fonction objective Z, on trouve :

A  Z= 24*0 + 20*30 = 600
B  Z= 24*10+20*20 = 640
C  Z= 24*40+20*0 = 960
La solution optimale est donc : x1= 0 ; x2 = 30 et Z = 600

40

A(0 ; 30)
30
(Δ1)
20
(Δ2)
B(10 ; 20)
10

C(40 ;0)
0 10 20 30 40 50 60 x
 2- Dualité : résolution par passage au dual

La dualité est une méthode pour formuler d’une autre façon un problème de PL, ce qui peut
simplifier l’étude de résolution et apporter divers applications intéressantes.

a. Correspondance Dual - Primal

À chaque problème de programmation linéaire est associé un autre problème de

programmation linéaire appelé le dual. La première forme d’optimisation s’appelle le
« Primal », sa transformative s’appelle le « Dual » :

Primal Dual
Max C[X] Min B[Y]
S/C : S/C :
A[X] ≤ B At [Y]≥C
X≥0 Y≥0

Tableau des correspondances :

Primal (P) Dual (D)
Fonction Objectif (max) Second membre B
Second membre C Fonction Objectif (Min)
A = matrice des contraintes At matrice des contraintes
Contrainte i : ≤ Variable ui ≤ 0
Contrainte i : = Variable ui ≠ 0
Variable xj ≥ 0 Contrainte j : ≤
Variable xj ≠ 0 Contrainte j : =

At : Transposée de la matrice A
Remarque : le dual du dual c’est le primal.

Exemple 1 :
Primal :
Max Z= 3x1+4x2+5x3+7x4

(S/C) : x1+ x2+3x3+ x4 ≤ 20

8x1+7x2+7x3+8x4 ≤ 30

x1 ≥ 0 ; x2 ≥ 0 ; x3 ≥ 0 ; x4 ≥ 0

Dual :
Min Z’ = 20y1+ 30y2
(S/C) :
 y1+ 8y2 ≥ 3
y1+ 7y2 ≥ 4
3y1+ 7y2 ≥ 5
y1+ 8y2 ≥ 7

y1 ≥ 0 ; y2 ≥ 0
Exemple 2 :

Primal :
Max Z= 350x1+250x2+400x3

(S/C) : x1/4 + x2/3 ≤ 35

x1/12 + x3/13 ≤ 77
x2/12 + x3/15 ≤ 73
x1 ≤ 180
x2 ≤ 320
x3 ≤ 250

x1 ≥ 0 ; x2 ≥ 0 ; x3 ≥ 0

Dual :
Min Z = 35y1+ 77y2 + 73y3+ 180y4+ 320y5+ 250y6
(S/C) :
y1/4+ y2/12 + y4 ≥ 350
y1/3 + y3/13 + y5 ≥ 250
+ y2/13 + y3/15+ + y6 ≥ 400

y1 ≥ 0 ; y2 ≥ 0 ; y3 ≥ 0 ; y4 ≥ 0 ; y5 ≥ 0 ; y6 ≥ 0

Remarque :
On utilise le dual si le nombre de contraintes = 2 et le nombre de variable est ≥ 3
 b. Exemples :

Résoudre le programme linéaire suivant :

Min Z = 12y1+ 7y2 + 18y3
(S/C) :
y1+ y2 + 3y3 ≥ 5
2y1+ y2 + 2y3 ≥ 7

y1 ≥ 0 ; y2 ≥ 0 ; y3 ≥ 0

Dual :
Max Z= 5x1+7x2

(S/C) : x1+ 2x2 ≤ 12

x1+ x2 ≤ 7
3x1+ 2x2 ≤ 18

x1 ≥ 0 ; x2 ≥ 0

(Δ1) : x1+ 2x2 = 12 d’où, les points appartenant à (Δ1) (0 ;6) et (12 ;0)
(Δ2) : x1+ x2 = 7 d’où, les points appartenant à (Δ2) (0 ;7) et ( 7 ;0)
(Δ3) : 3x1+ 2x2 = 18 d’où, les points appartenant à (Δ3) (0 ;9) et ( 6 ;0)
A(0 ;6)  Z= 42
B(2 ;5)  Z= 45
C (4 ;3)  Z= 41
D (6 ;0)  Z= 30
 y
(Δ3)14
13
12
11
10
(Δ2) 9
8
7
6
A(0 ;6)
5 B(2 ;5)
4
3
C(4 ;3)
(Δ1)
2
1
D(6 ;0)
-4 -3 -2 -1 0 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19x
-1
-2
-3

Les points A(0 ;6) , B(2 ;5), C (4 ;3) et D (6 ;0) sont les solutions possibles

On remplace ces points dans la fonction objective Z, on trouve :

A(0 ;6)  Z= 42
B(2 ;5)  Z= 45
C (4 ;3)  Z= 41
D (6 ;0)  Z= 30

La solution optimale est donc : x1= 2 ; x2 =5 et Z = 45

D’après le Th1 : le primal admet une solution

D’après le Th2 : ZD =45  ZP= 45
D’après le Th3 :
1ère Contrainte : 2 + 2* 5 = 12  Contrainte saturée
ème
2 Contrainte : 2 + 5 = 7  Contrainte saturée
3 Contrainte : 3*2 + 2*5 =16 ≤ 18  Contrainte non-saturée
ème
 y3=0
y1+ y2 = 5  y1 = 2
2y1+ y2 = 7 y2 = 3

D’où la solution est (2 ; 3 ; 0)

 3- Algorithme du Simplexe

Développée par Dantzig en 1947, cette méthode se base sur le principe suivant : on
part du sommet du polygone qui est solution de base, pour le quel la fonction économique Z
est nulle, généralement le point (0 ; 0). Ensuite en passe de proche en proche à des sommets
voisins en augmentant à chaque étape la valeur de Z. Comme le nombre de sommets est
limité, on parvient après plusieurs itérations à la solution optimale.
Elle peut être présenté soit en utilisant la méthode algébrique ou la représentation en
tableau. La première étant plus lourd et moins pratique, laisse à la deuxième l’utilisation
répondue.

Méthode du tableau :

 Il existe plusieurs manières de construire ce tableau ;

 Chaque colonne correspond à l’une des variables
 Une colonne de plus comporte les noms des variables de base
 Dans chaque ligne le nom de variable de base qui lui est associée est celui qui
correspond à la colonne de la variable ayant un coefficient égal à 1

Etapes à suivre :
Etape 1 :
Construire le tableau du programme linéaire
Etape 2 : recherche du pivot. Le pivot est l’intersection de la colonne de la variable entrante
qui correspond au coefficient strictement positif le plus grand de la fonction économique et la
ligne de la variable sortante qui correspond au plus petit rapport positif des rapports du second
membre des contraintes et le coefficient de la variable entrante :
Second membre
Rapport = .L’infini et le nombre négatif étant exclus.
Coefficient de la variable entrante
Etape 3 : transformer le premier tableau comme suite :
1- Remplacer la variable sortante par la variable entrante dans la base
2- Diviser toute la ligne du pivot par le pivot
3- faire apparaître des zéros sur la colonne du pivot en remplaçant chacune des autres
lignes par un calcul matriciel L’j = Lj - k*L’i, c'est-à-dire choisir le coefficient k pour
avoir des zéros sur la colonne du pivot.
Etape 4 : refaire les étapes jusqu’à ce que les coefficients de la fonction économique sont
tous négatifs ou nuls, on sait donc que l’on a atteint le maximum
Etape 5 : lecture du tableau tel que :
- les variables hors base ont toujours la valeur 0.
- Les valeurs des variables dans la base se lient directement dans la colonne « second
membre du tableau considéré.
- La valeur de la fonction économique Z pour chaque programme admissible est
l’opposé du nombre sur la ligne de Z dans la colonne « second membre ».
 a. Exemples d’application

Exemple 1:

Max Z= 5x1+7x2

S.C : x1+ 2x2 ≤ 12

3x1+ 2x2 ≤ 18
x1+ x2 ≤ 7

x1 ≥ 0 ; x2 ≥ 0

Le PL sous forme standard :

Max Z= 5x1+3x2+0*x3+0*x4+0*x5

S.C : x1+ 2x2 + x3 = 12

3x1+ 2x2 + x4 = 18
x1+ x2 +x5 = 7

x1 ≥ 0 ; x2 ≥ 0 ; x3 ≥ 0 ; x4 ≥ 0 ; x5 ≥ 0

Sous forme tableau :

Le pivot Variable de Second

Variables d’écart
décision membre
x1 x2 x3 x4 x5 bi coef
x3 1 2 1 0 0 12 6
Variables
dans la base
x4 3 2 0 1 0 18 9
x5 1 1 0 0 1 7 7
Fonction 7
Z 5 0 0 0 0
économique

1ère itération : Plus grand

x1 x2 x3 x4 x5 bi coef
x2 1/2 1 1/2 0 0 6 12 L’1= (L1) / 2
x4 2 0 -1 1 0 6 3 L’2 = L2 - 2L’1
x5 1/2 0 -1/2 0 1 1 2 L’3= L3- L’1
Z 3/2 0 -7/2 0 0 -42 L’4 = L4-7L’1
2ème itération :

x1 x2 x3 x4 x5 bi coef
x2 0 1 1 0 -1 5 L’’1 = L’1-1/2* L’’3
x4 0 0 1 1 -4 2 L’’2= L’2 - 2L’’3
x1 1 0 -1 0 2 2 L’’3=(L’3)/(1/2)
Z 0 0 -2 0 -3 -45 L’’4 = L’4 - 3/2 L’’2

Tous les coefficients sur la ligne de la fonction économique sont négatifs ou nuls, le
maximum est donc atteint.
La valeur maximale de Z est 45, et elle est atteinte pour x1 = 2 et x2 = 5.
On vérifie que Z = (5*2) + (7*5) = 45

Exemple 2:
Max Z= 5x1+3x2+4x3

S.C : 3x1+ x2+ x3 ≤ 2

x1+ x2+ 2x3 ≤ 1
0,5x1+ 7x2+ x3 ≤ 12

x1 ≥ 0 ; x2 ≥ 0 ; x3 ≥ 0

Forme standard du problème :

Max Z= 5x1+3x2+4x3+0*x4+0*x5+0*x6

S.C : 3x1+ x2+ x3 + x4 = 2

x1+ x2+ 2x3 +x5 = 1
0,5x1+ 7x2+ x3 +x6 = 12

x1 ≥ 0 ; x2 ≥ 0 ; x3 ≥ 0 ; x4 ≥ 0 ; x5 ≥ 0 ; x6 ≥ 0

Le pivot
Second
Variable de décision Variables d’écart
membre
x1 x2 x3 x4 x5 x6 bi coef

Variables
x4 3 1 1 1 0 0 2 2/3 L1
dans la x5 1 1 2 0 1 0 1 1 L2
base x6 0,5 7 1 0 0 1 12 24 L3
Fonction 5
Z 3 4 0 0 0 0
économique
 Plus grand
ère
1 itération :

x1 x2 x3 x4 x5 x6 bi coef
x1 1 1/3 1/3 1/3 0 0 2/3 2 L’1= (L1) / 3
x5 0 2/3 5/3 -1/3 1 0 1/3 1/5 L’2= L2 - L’1
x6 0 41/6 5/6 -1/6 0 1 35/3 14 L’3= L3 - 1/2L’1
Z 0 4/3 7/3 -5/3 0 0 -10/3 L’4 = L4 - 5L’1

2ème itération :

x1 x2 x3 x4 x5 x6 bi coef
x1 1 1/5 0 2/5 -1/5 0 3/5 3 L’’1 = L’1- 1/3*L’’2
x4 0 2/5 1 -1/5 3/5 0 1/5 1/2 L’’2=(L’2)/(5/3)
x6 0 13/2 0 0 -0,5 1 23/2 23/13 L’’3= L’3- 5/6*L’’2
Z 0 2/5 0 -6/5 -7/5 0 -19/5 L’’4 = L’4 - 7/3* L’’2

3ème itération :

x1 x2 x3 x4 x5 x6 bi
x1 1 0 -1/2 1/2 -1/2 0 1/2 L’’’1 = L’’1- 1/5*L’’’2
x3 0 1 5/2 -1/2 3/2 0 1/2 L’’’2 = (L’’2)/(2/5)
x6 0 0 -65/4 13/4 -41/4 1 33/4 L’’’3 = L’’3- 13/2*L’’2
Z 0 0 -1 -1 -2 0 -4 L’’’4 = L’’4 - 2/5* L’’2

Tous les coefficients sur la ligne de la fonction économique sont négatifs ou nuls, le
maximum est donc atteint.
La valeur maximale de Z est 4, et elle est atteinte pour x1 = 0,5 ; x2 = 0,5 et x3 =0.
On vérifie que Z = (5*0,5) + (3*0,5) + (4*0) = 4