Académique Documents
Professionnel Documents
Culture Documents
Recherche Opérationnelle S7
Chapitre : 1
Programmation linéaire
Année universitaire :
2023 - 2024
1
1 Modélisation linéaire
1.1 Introduction
La recherche opérationnelle est un ensemble d’outils et de méthodes mathématiques
ainsi que de techniques algorithmiques (informatiques) d’aide à la prise de décision,
efficaces et optimales en situa tions pratiques et éventuellement complexes, tout en
négligeant une partie du phénomène réel étudié, en le transformant en un modèle
formel (modélisation).
La recherche opérationnelle pourrait être très utile dans de nombreux domaines de
notre quotidien, par exemple, elle a des applications dans : la planification de tâches
et de projets, le processus de production industrielle, l’allocation optimale de
ressources, la recherche de distances minimales ...
1.2 Modélisation
La programmation linéaire est un cas particulier de la programmation mathématique,
où l’on cherche à trouver un optimum (maximum ou minimum) d’une fonction linéaire
à plusieurs variables, ces va riables étant soumises à un système d’inéquations
(d’équations) linéaires.
Définition 1.1.
On appele programme linéaire P (PL en abrégé), tout système d’inéquations
(équations) linéaires ap pellées (contraintes ≤) conditionné par l’optimisation
(maximisation ou minimisation) d’une fonction linéaire z de n variables x1, x2, x3... et
xn, cette fonction est appellée fonction objectif :
M ax (z) ou M in (z) = c1x1 + c2x2 + . . . + cnxn
a11x1 + a12x2 + . . . + a1nxn ≥ b1
a21x1 + a22x2 + . . . + a2nxn ≤ b2
..................................................
..................................................
am1x1 + am2x2 + . . . + amnxn = bm
Définition 1.2.
On appelle forme canonique d’un programme linéaire P, tout système d’inéquations linéaires
(contraintes ≤) conditionné par la maximisation d’une fonction linéaire de n variables x1, x2, x3... et
x t
n i
, v
t e
o s
u :
t
e
s
p
o
s
i
Définition 1.3.
.
1. Une fonction objectif z (ou une fonction economique) est une fonction linéaire
de n variables x1, x2, x3...xn telle que z = z(x1, x2, x3...xn) = c1x1 + c2x2 + . . . + cnxn,
avec c1, c2, ... et cn sont des nombres réels.
2. Le n-uplet (x1, x2, x3...xn) est dit solution admissible (ou réalisable), s’il vérifie
toutes les contraintes du programme linéaire.
3. On appelle solution optimale toute solution admissible qui optimise la fonction
objectif z. 4. L’ensemble des solutions admissibles du programme linéaire est
appellée région des solutions admissibles.
Exemple 1.1.
Un atelier utilise en série trois machines M1, M2 et M3, pour fabriquer deux produits
P1 et P2. Les durées nécessaires pour fabriquer ces deux produits sont donnés par
le tableau suivant :
P1 P2
M1 11 mn 9 mn
M2 7 mn 12
mn
M3 6 mn 16
mn
Modélisons ce problème en un PL :
Proposition 1.1.
Tout programme linéaire peut être mis sous forme canonique.
Si un programme linéaire n’est pas sous sa forme canonique, alors on le transforme à cette
forme en suivant les règles suivantes :
1. Pour toute fonction z = z(x1, x2, x3...xn), on a : M in(z) = −M ax(−z).
i aijxi ≥ bj ⇔ (−aij )xi ≤ −bj
2. X=n i=1 i =n
X i=1
Exemple 1.2.
Soit le programme linéaire suivant :
+ 3x2 ≥ 8
x1 − x2 = 2
x2 ≥ 0
M in (z) =
x1 + 2x2 x1
ENCG Dakhla, RO, S7 Pr. Elouali AAILAL 2023/2024
4
La méthode graphique (résolution graphique) est une alternative pour résoudre un programme
linéaire de deux variables de décision, grâce à la représentation graphique du programme linéaire,
ce qui nous permet de le visualiser et de le résoudre facilement. La méthode graphique devient
moins intéressante lorsque le nombre de variables de décision est supérieur à deux. Dans le PL
chaque inéqualité ou contrainte correspond a une droite d’équation a1x1 + a2x2 + b = 0 qui divise
géométriquement le plan en deux demi-plans, a1x1 + a2x2 + b ≥ 0 et a1x1 + a2x2 + b ≤ 0.
L’intersection de tous les demi plans représentatifs des contraintes forme la région des solutions
admissibles, cet ensemble est convexe (polygne convexe).
Proposition 2.1.
Si un programme linéaire admet une solution optimale bornée, alors cette solution optimale est
atteinte sur au moins un des sommets de la région des solutions admissibles.
Exemple 2.1.
Une coopérative d’élevage camelin située au désert de Dakhla. Chaque jour, cette
coopérative dispose de 40 heures de travail et 120 litres du lait, elle fabrique deux
produits, fromage et beurre. 1kg de fromage nécessite 1 heure de travail et 4 litres
du lait. 1kg de beurre nécessite 2 heures de travail et 3 litres du lait.
Le bénéfice est de 40 DH par kg du fromage et de 50 DH par kg de beurre.
La coopérative cherche à maximiser son profit.
Modélisons ce problème en un PL :
1. Les variables de décisions sont :
x1 : le nombre de kilogrammes de fromage à produire à partir du lait camelin. x2 : le
nombre de kilogrammes de beurre à produire à partir du lait camelin. 2. Les
contraintes du problème sont :
x1 + 2x2 ≤ 40, contrainte de temps ou de travail(de main-d’oeuvre).
4x1 + 3x2 ≤ 120, contrainte de disponibilité de matière première (du lait).
x1 ≥ 0 et x2 ≥ 0, contraintes de positivité.
3. La fonction objectif :
Dans ce problème on cherche à savoir combien doit-on produire quotidiennement de
fromage et du beurre à partir de 120 litres du lait camelin, pour avoir un profit total
maximum ? Donc la fonction objectif à maximiser est le profit z = 40x1 + 50x2.
Finalement, le programme linéaire résultant est :
x1 + 2x2 ≤ 40
4x1 + 3x2 ≤
120
M ax (z) = x1 ≥ 0
40x1 + 50x2 x2 ≥ 0.
Appliquons la méthode graphique pour résoudre ce programme linéaire (pour trouver les solutions
optimales (x1, x2)).
Donc, la région des solutions admissibles est l’intersection de tous les demi-plans représentant les
contraintes, cette intersection est soit vide, soit un ensemble convexe dont la frontière (le bord) est
un polygone (encerclé par un polygone).
Pour la quatrième étape, celle de déterminer les solutions optimales de ce PL, cette fois çi, on va
utiliser la méthode d’énumération des sommets.
Nous voyons graphiquement qu’il y a 4 sommets A, B, C et D (le sommet (0,0) non inclus) dans le
polygone de la région de solutions admissibles. Nous allons évaluer la fonction objectif dans
chacun de ces sommets, la solution maximale sera le sommet où la fonction objectif prend son
maximum. Nous déterminerons les coordonnées des sommets A, B, C et D, en partant du fait que
chaque sommet
est l’intersection d’au moins deux des droites de contraintes
contraintes. x = 0 et x = 9 et z(x , x ) = z(0, 9) = 36.
1 2 1 2
Le sommet A est l’intersection de droites de deux
Le sommet D est l’intersection de droites de
deux contraintes
x1 = 10 et x2 = 0 et z(x1, x2) = z(10, 0) = 60.
3x + 9x2 = 81
Le sommet B est l’intersection de droites de deux 1
contraintes x1 = 0, donc, on trouve que
x1 =307et x2 =537et z(x1, x2) = z(307,537) = 56.
3x1 + 9x2 = 81
4x1 + 5x2 = 55, donc, on trouve que
4x1 + 5x2 = 55
2x1 + x2 = 20, donc, on trouve que
2x1 + x2 = 20
Le sommet C est l’intersection de droites de
x2 = 0, donc, on trouve que
deux contraintes
x1 =152et x2 = 5 et z(x1, x2) = z(152, 5) = 65.
Sommet A B C D
z(x1, x2) 36 56 65 60