Chapitre 08 Programmation Lineaire

CHAPITRE 08: PROGRAMMATION LINEAIRE
A.TAOULI
a.taouli@esi-sba.dz
14 Décembre 2023
A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 1 / 82

CONTENU DU COURS
Le cours se focalisera principalement sur:
1 Introduction
2 Applications
3 Définitions
4 Forme canonique
5 Méthode de résolution
Forme graphique
Algorithme Simplexe

OBJECTIFS
Comprendre la nature des problèmes d’optimisation linéaire, où

l’objectif est de maximiser ou minimiser une fonction linéaire sous des
contraintes linéaires.
Savoir formuler des problèmes concrets sous forme de modèles de
programmation linéaire en identifiant les variables de décision, la
fonction objectif et les contraintes.
Maı̂triser la méthode graphique pour résoudre les problèmes de
programmation linéaire en représentant les contraintes et en
identifiant la solution optimale graphiquement.
Comprendre le fonctionnement de la méthode du simplexe, qui est un
algorithme itératif permettant de résoudre des problèmes de
programmation linéaire de manière efficace.

PROGRAMMATION LINÉAIRE: INTRODUCTION
La programmation linéaire est un ensemble des techniques rationnelles

d’analyse et de résolution de programmes linéaires.
◦ Un programme linéaire est un problème d’optimisation consistant à

maximiser ou à minimiser une fonction-objectif de n variables de
décision soumises à un ensemble de contraintes exprimées sous forme
d’équations ou d’inéquations linéaires.
◦ La solution à ce problème correspondra donc à une affectation de valeurs

non négatives aux variables du problème.

PROGRAMMATION LINÉAIRE :DOMAINE
D’APPLICATIONS
Les techniques de programmation linéaire sont très utilisées dans la

recherche opérationnelle.
La programmation linéaire trouve des applications dans divers
domaines, notamment:
◦ Gestion de stocks,
◦ Transport et logistique,
◦ Distribution de tâches à des personnels,
◦ Recherche de plans de fabrication.

PROGRAMMATION LINÉAIRE :FORME CANONIQUE
Max(Min)Z = Cx
Ax ≶ B
où x ≥ 0
Z : La fonction-objectif à optimiser.
C : Le vecteur de coefficients de la fonction-objectif,de dimension n.
x: Le vecteur des variables des décisions de dimension n.
A: La matrice de coefficients contraintes, de dimension mxn.
B : Le vecteur des valeurs limites des contraintes de dimension m.

Nous voulions maximiser les profits d’une entreprise qui produit deux
types de produits, P1 et P2 , en utilisant deux ressources, R1 et R2 .



 Max Z = 3P1 + 2P2

2P + P ≤ 20
1 2


 4P1 + 3P2 ≤ 30

P , P ≥ 0
1 2
◦ C : Le vecteur de coefficients de la fonction-objectif: C = [3, 2].

◦ x: Le vecteur des variables des décisions: x = [P1 , P2 ].
◦ A: La matrice de coefficients des contraintes:

2 1
A=
4 3
◦ B : Le vecteur des valeurs limites des contraintes:

20
A=
30
Le problème consiste à ajuster les valeurs de P1 et P2 de manière à
maximiser la fonction objectif Z = 3P1 + 2P2 tout en respectant les
contraintes associées à la production des ressources R1 et R2 .
MÉTHODES DE RÉSOLUTION D’UN PL

RÉSOLUTION SOUS FORME GRAPHIQUE

EXEMPLE D’APPLICATION
Problème :
◦ Une usine fabrique deux sortes de produits, P1 et P2 , à l’aide de deux
machines m1 et m2 . Chaque unité de produit en cours de fabrication
doit passer successivement sur les deux machines dans un ordre
indifférent et pendant les temps suivants (en minutes).
P1 P2
m1 30 20
m2 40 10
◦ De plus, la machine m1 est disponible 6000 mn/mois et la machine
m2 est disponible 4000mn/mois.
◦ Le profit réalisé sur une unité du produit P1 est de 400 Da.
◦ Le profit réalisé sur une unité du produit P2 est de 200 Da.
◦ Trouver Le plan de fabrication mensuel qui maximise le profit.

Notation:
◦ x: Nombre d’unités du produit P1 à fabriquer mensuellement.
◦ y: Nombre d’unités du produit P2 à fabriquer mensuellement.
Expression du problème sous la forme d’un PL:
◦ Maximiser:
∗ z = 400x + 200y
◦ Sous les contraintes:

x ≥ 0 et y ≥ 0

30x + 20y ≤ 6000

40x + 10y ≤ 4000


Résolution sous forme graphique:
◦ Le problème étant en deux variables, il admet une solution
graphique:
◦ Contrainte 01:
∗ Assignez les axes du graphique aux deux variables de décision.
∗ Chaque contrainte est représentée sous forme d’une ligne sur le
graphique, en choisissant deux points:
x y
0 300
200 0
Maximiser la fonction d’objectif Sous les contraintes:




 z = 400x + 200y

x ≥ 0 et y ≥ 0


 30x + 20y ≤ 6000

40x + 10y ≤ 4000

Contrainte 01:

Contrainte 01: Délimitation les domaines d’acceptabilité

Résolution sous forme graphique:
◦ Le problème étant en deux variables, il admet une solution
graphique:
◦ Contrainte 02:
∗ Assignez les axes du graphique aux deux variables de décision.
∗ Chaque contrainte est représentée sous forme d’une ligne sur le
graphique, en choisissant deux points:
x y
0 400
100 0
Maximiser la fonction d’objectif Sous les contraintes:




 z = 400x + 200y

x ≥ 0 et y ≥ 0


 30x + 20y ≤ 6000

40x + 10y ≤ 4000

Contrainte 02:

Contrainte 02: Délimitation les domaines d’acceptabilité

RÉSOLUTION GRAPHIQUE
Résolution graphique: Domaine des solutions réalisables:

Résolution graphique: Domaine des solutions réalisables:

Le problème étant en deux variables, il admet une solution

graphique:
Les points (x,y) qui satisfont les contraintes appartiennent au
quadrilatère ABCO:A(0, 300) ; B(40, 240); C(100, 0) ; O(0, 0).
Parmi ces points qui permet de maximiser la fonction d’objectif:
◦ A(0, 300) : ZA = 400(0) + 200(300) = 60000
◦ B(40, 240) : ZB = 400(40) + 200(240) = 64000
◦ C(100, 0) := ZC = 400(100) + 200(0) = 40000
◦ O(0, 0) : ZO = 400(0) + 200(0) = 0
En conclusion, pour le point B(40, 240), la fonction objectif est
maximale et vaut ZB = 400(40) + 200(240) = 64000

La solution optimale de notre problème est donc x = 40, y = 240.

1 Dérivation des droites limites et des sommets de l’ensemble solution.

2 Délimitation les domaines d’acceptabilité.
3 Recherche des combinaisons optimales:
◦ Substituer chaque combinaison (sommet) dans la fonction objective, la
combinaison qui optimise (maximise/minimise selon le cas) la fonction
objectif correspond à la solution optimale.

RÉSOLUTION AVEC L’ALGORITHME SIMPLEXE

ALGORITHME SIMPLEXE

ALGORITHME SIMPLEXE: FORME STANDARD
Un Programme Linéaire est mis sous forme standard ”FS”, si

toutes ses contraintes (en dehors des contraintes de positivité) sont
des égalités.
On peut toujours mettre un Programme Linéaire sous forme

standard en introduisant des variables supplémentaires appelées
variables d’écart.

ALGORITHME SIMPLEXE
Algorithme du simplexe ou méthode des tableaux:

◦ Un simplexe est un polyèdre, dans l’espace à n dimensions ayant
exactement(n + 1) points extrême.

ALGORITHME SIMPLEXE: PRINCIPE
Ajouter les variables d’écarts:

◦ Passer de la forme canonique (inégalités) vers la forme standard
(égalités).
Initialisation:
◦ Déterminer une solution de base réalisable.
Répéter:
1 Si cette solution est optimale alors s’arrêter.
2 Sinon trouver une solution admissible et revenir à (1).

ALGORITHME SIMPLEXE

Étape 1 : Transformation en forme standard
◦ Forme Canonique:
Max Z = C1 X1 + C2 X2 + . . . + Cn Xn
S/C a11 X1 + a12 X2 + . . . + a1n Xn ≤ b1
a21 X1 + a22 X2 + . . . + a2n Xn ≤ b2
..
.
am1 X1 + am2 X2 + . . . + amn Xn ≤ bm
Xj ≥ 0
◦ Forme Standard:
Max Z = C1 X1 + C2 X2 + . . . + Cn Xn + 0Y1 + 0Y2 + . . . + 0Ys
S/C a11 X1 + a12 X2 + . . . + a1n Xn + 0Y1 = b1
a21 X1 + a22 X2 + . . . + a2n Xn + 0Y2 = b2
..
.
am1 X1 + am2 X2 + . . . + amn Xn + 0Ys = bm
Xj ≥ 0 ,Yj ≥ 0

ALGORITHME SIMPLEXE
∗ Remarque:
Le problème Min Z = CX peut également s’écrire comme suit:
Max(−Z) = −CX

ALGORITHME SIMPLEXE
Étape 1 : Transformation en forme standard
Max Z = 2x1 + x2 + x3
x1 + x3 ≤ 1
x2 + x3 ≤ 2
x1 + x2 ≤ 3
x1 ≥ 0; x2 ≥ 0; x3 ≥ 0
◦ Forme Standard:
Max Z = 2x1 + x2 + x3 + 0x4 + 0x5 + 0x6

x1 + x3 + x4 = 1
x2 + x3 + x5 = 2
x1 + x2 + x6 = 3
x1 , x2 , x3 , x4 , x5 , x6 ≥ 0

ALGORITHME SIMPLEXE
Variables de base et variables hors base

◦ Considérons un système d’équations à n variables et m équations où
n ≥ m. Une solution de base pour ce système est obtenue de la
manière suivante :
∗ On pose n − m variables égales à 0(variables d’origine). Ces variables
sont appelées variables hors base (V.H.B.).
∗ On résout le système pour les variables restantes (les variables d’écart).
Ces variables sont appelées variables de base (V. B.)
∗ Le vecteur de variables obtenu est appelé solution de base (il contient
les variables de base et les variables hors base).
-Une solution de base est admissible si toutes les variables de la
solution de base sont ≥ 0 et elle correspond à un point extrême.
-Il est vraiment important d’avoir le même nombre de variables de
bases que d’équations.

ALGORITHME SIMPLEXE
Variables de base et variables hors base

◦ Forme Standard:
Max Z = 2x1 + x2 + x3 + 0x4 + 0x5 + 0x6

x1 + x3 + x4 = 1
x2 + x3 + x5 = 2
x1 + x2 + x6 = 3
x1 , x2 , x3 , x4 , x5 , x6 ≥ 0
◦ VHB: x1 = 0, x2 = 0, x3 = 0
◦ VB: x4 = 1, x5 = 2, x6 = 3

ALGORITHME SIMPLEXE
Étape 02: Construction du tableau

◦ Construction d’un tableau qui permet d’appliquer le test d’optimalité,
de réaliser les itérations et de quantifier l’objectif à optimiser.
◦ initialement Vz = 0 (Les n variables sont hors bases =0).
◦ ais sont les éléments de la colonne pivot (voir suite).
◦ Les VB sont les variables de base (initialement les m variables d’écart).
VB X1 X2 ... Xn Y1 Y2 ... Ym bi qi = bi /ais

Y1 a11 a12 ... a1n 1 0 ... 0 b1 b1 /a1s
Y2 a21 a22 ... a2n 0 1 ... 0 b2 b2 /a2s
... ... ... ... ... ... ... ... ... ... ...
Ym am1 am2 ... amn 0 0 ... 1 bm bm /ams
Z C1 C2 ... Cn 0 0 0 VZ

ALGORITHME SIMPLEXE
Test d’optimalité
◦ La solution courante est optimale si tous les coûts Ci sont négatifs
(ou nuls);
◦ Dans le cas contraire (si au moins un coût est positif), passer à l’étape
3.

ALGORITHME SIMPLEXE
Étape 03: Choisir la variable entrante dans la base

◦ Colonne Pivot: On cherche le plus grand coefficient de Z (VE :valeur
entrante dans la base)

Y1 a11 a12 ... a1n 1 0 ... 0 b1 b1 /a1s
Y2 a21 a22 ... a2n 0 1 ... 0 b2 b2 /a2s
... ... ... ... ... ... ... ... ... ... ...
Z C1 C2 ... Cn 0 0 0 VZ

ALGORITHME SIMPLEXE
Étape 04: Choisir la variable sortante de la base:

◦ Ligne Pivot: On cherche le plus petit rapport positif non nul =b/VE
(VS :valeur sortante de la base).

Y1 a11 a12 ... a1n 1 0 ... 0 b1 b1 /a1s
Y2 a21 a22 ... a2n 0 1 ... 0 b2 b2 /a2s
... ... ... ... ... ... ... ... ... ... ...
Z C1 C2 ... Cn 0 0 0 VZ

ALGORITHME SIMPLEXE
Étape 05: Encadrer le pivot

◦ Pivot: Intersection de la ligne pivot et de la colonne pivot.

Y1 a11 a12 ... a1n 1 0 ... 0 b1 b1 /a1s
Y2 a21 a22 ... a2n 0 1 ... 0 b2 b2 /a2s
... ... ... ... ... ... ... ... ... ... ...
Z C1 C2 ... Cn 0 0 0 VZ

ALGORITHME SIMPLEXE: EXEMPLE
Étape 1: Transformation en forme standard
Max Z = 2x1 + x2 + x3
x1 + x3 ≤ 1
x2 + x3 ≤ 2
x1 + x2 ≤ 3
x1 ≥ 0; x2 ≥ 0; x3 ≥ 0
◦ Forme Standard:
Max Z = 2x1 + x2 + x3 + 0x4 + 0x5 + 0x6

x1 + x3 + x4 = 1
x2 + x3 + x5 = 2
x1 + x2 + x6 = 3
x1 , x2 , x3 , x4 , x5 , x6 ≥ 0

Étape 2: Construire le premier tableau correspondant à la
forme standard
◦ Forme Standard:
Max Z = 2x1 + x2 + x3 + 0x4 + 0x5 + 0x6

x1 + x3 + x 4 = 1
x2 + x3 + x5 = 2
x1 + x2 + x6 = 3
x1 , x2 , x3 , x4 , x5 , x6 ≥ 0
x1 x2 x3 x4 x5 x6 B Q
x4 1 0 1 1 0 0 1
x5 0 1 1 0 1 0 2
x6 1 1 0 0 0 1 3
Z 2 1 1 0 0 0 0

Test d’optimalité:
◦ La solution courante n’est pas optimale car il existe au moins un coût
Ci positif;
x1 x2 x3 x4 x5 x6 B Q
x4 1 0 1 1 0 0 1
x5 0 1 1 0 1 0 2
x6 1 1 0 0 0 1 3
Z 2 1 1 0 0 0 0


◦ On cherche le plus grand coefficient positif de Z.
x1 x2 x3 x4 x5 x6 B Q
x4 1 0 1 1 0 0 1
x5 0 1 1 0 1 0 2
x6 1 1 0 0 0 1 3
Z 2 1 1 0 0 0 0


◦ La colonne de cette variables s’appelle la Colonne Pivot.
◦ La variable entrante dans la base est: x1 .
x1 x2 x3 x4 x5 x6 B Q
x4 1 0 1 1 0 0 1
x5 0 1 1 0 1 0 2
x6 1 1 0 0 0 1 3
Z 2 1 1 0 0 0 0

Étape 04: Choisir la variable sortante de la base

◦ On calcule le rapport = Bi /Colonne du Pivot.
x1 x2 x3 x4 x5 x6 B Q
x4 1 0 1 1 0 0 1 1/1 = 1
x5 0 1 1 0 1 0 2 2/0 = ∞
x6 1 1 0 0 0 1 3 3/1 = 3
Z 2 1 1 0 0 0 0


◦ On cherche le plus petit rapport positif non nul = Bi /Colonne du
Pivot.
x1 x2 x3 x4 x5 x6 B Q
x4 1 0 1 1 0 0 1 1/1 = 1
x5 0 1 1 0 1 0 2 2/0 = ∞
x6 1 1 0 0 0 1 3 3/1 = 3
Z 2 1 1 0 0 0 0


Pivot.
◦ La ligne de plus petit rapport s’appelle la Ligne Pivot.
◦ La variable sortante de la base est: x4
x1 x2 x3 x4 x5 x6 B Q
x4 1 0 1 1 0 0 1 1
x5 0 1 1 0 1 0 2 ∞
x6 1 1 0 0 0 1 3 3
Z 2 1 1 0 0 0 0

Étape 05:Encadre le pivot

x1 x2 x3 x4 x5 x6 B Q
x4 1 0 1 1 0 0 1 1
x5 0 1 1 0 1 0 2 ∞
x6 1 1 0 0 0 1 3 3
Z 2 1 1 0 0 0 0

Étape 06: Diviser la ligne du pivot par le pivot
◦ Lx1 = Lx4 /Pivot
◦ Lx1 = Lx4 /1 = Lx4
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1
x5 0 1 1 0 1 0 2
x6 1 1 0 0 0 1 3
Z 2 1 1 0 0 0 0
Ancien Tableau:

Étape 07: Colonne pivot : Pivot à 1, autres à 0.
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1
x5 0 1 1 0 1 0 2
x6 0 1 0 0 0 1 3
Z 0 1 1 0 0 0 0
Ancien Tableau:

Étape 08: Calculer les valeurs des autres lignes.

◦ Lx5 = Lx5 − 0Lx4 = Lx5
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1
x5 0 1
x6 0
Z 0
Ancien Tableau:
x1 x2 x3 x4 x5 x6 B Q
x4 1 0 1 1 0 0 1 1
x5 0 1 1 0 1 0 2 ∞
x6 1 1 0 0 0 1 3 3
Z 2 1 1 0 0 0 0


◦ Lx5 = Lx5 − 0Lx4 = Lx5
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1
x5 0 1 1
x6 0
Z 0
Ancien Tableau:
x1 x2 x3 x4 x5 x6 B Q
x4 1 0 1 1 0 0 1 1
x5 0 1 1 0 1 0 2 ∞
x6 1 1 0 0 0 1 3 3
Z 2 1 1 0 0 0 0


◦ Lx5 = Lx5 − 0Lx4 = Lx5
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1
x5 0 1 1 0
x6 0
Z 0
Ancien Tableau:
x1 x2 x3 x4 x5 x6 B Q
x4 1 0 1 1 0 0 1 1
x5 0 1 1 0 1 0 2 ∞
x6 1 1 0 0 0 1 3 3
Z 2 1 1 0 0 0 0


◦ Lx5 = Lx5 − 0Lx4 = Lx5
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1
x5 0 1 1 0 1
x6 0
Z 0
Ancien Tableau:
x1 x2 x3 x4 x5 x6 B Q
x4 1 0 1 1 0 0 1 1
x5 0 1 1 0 1 0 2 ∞
x6 1 1 0 0 0 1 3 3
Z 2 1 1 0 0 0 0


◦ Lx5 = Lx5 − 0Lx4 = Lx5
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1
x5 0 1 1 0 1 0
x6 0
Z 0
Ancien Tableau:
x1 x2 x3 x4 x5 x6 B Q
x4 1 0 1 1 0 0 1 1
x5 0 1 1 0 1 0 2 ∞
x6 1 1 0 0 0 1 3 3
Z 2 1 1 0 0 0 0


◦ Lx5 = Lx5 − 0Lx4 = Lx5
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1
x5 0 1 1 0 1 0 2
x6 0
Z 0
Ancien Tableau:
x1 x2 x3 x4 x5 x6 B Q
x4 1 0 1 1 0 0 1 1
x5 0 1 1 0 1 0 2 ∞
x6 1 1 0 0 0 1 3 3
Z 2 1 1 0 0 0 0


◦ Lx6 = Lx6 − Lx4
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1
x5 0 1 1 0 1 0 2
x6 0 1
Z 0
Ancien Tableau:
x1 x2 x3 x4 x5 x6 B Q
x4 1 0 1 1 0 0 1 1
x5 0 1 1 0 1 0 2 ∞
x6 1 1 0 0 0 1 3 3
Z 2 1 1 0 0 0 0


◦ Lx6 = Lx6 − Lx4
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1
x5 0 1 1 0 1 0 2
x6 0 1 -1
Z 0
Ancien Tableau:
x1 x2 x3 x4 x5 x6 B Q
x4 1 0 1 1 0 0 1 1
x5 0 1 1 0 1 0 2 ∞
x6 1 1 0 0 0 1 3 3
Z 2 1 1 0 0 0 0


◦ Lx6 = Lx6 − Lx4
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1
x5 0 1 1 0 1 0 2
x6 0 1 -1 -1
Z 0
Ancien Tableau:
x1 x2 x3 x4 x5 x6 B Q
x4 1 0 1 1 0 0 1 1
x5 0 1 1 0 1 0 2 ∞
x6 1 1 0 0 0 1 3 3
Z 2 1 1 0 0 0 0


◦ Lx6 = Lx6 − Lx4
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1
x5 0 1 1 0 1 0 2
x6 0 1 -1 -1 0
Z 0
Ancien Tableau:
x1 x2 x3 x4 x5 x6 B Q
x4 1 0 1 1 0 0 1 1
x5 0 1 1 0 1 0 2 ∞
x6 1 1 0 0 0 1 3 3
Z 2 1 1 0 0 0 0


◦ Lx6 = Lx6 − Lx4
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1
x5 0 1 1 0 1 0 2
x6 0 1 -1 -1 0 1
Z 0
Ancien Tableau:
x1 x2 x3 x4 x5 x6 B Q
x4 1 0 1 1 0 0 1 1
x5 0 1 1 0 1 0 2 ∞
x6 1 1 0 0 0 1 3 3
Z 2 1 1 0 0 0 0


◦ Lx6 = Lx6 − Lx4
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1
x5 0 1 1 0 1 0 2
x6 0 1 -1 -1 0 1 2
Z 0
Ancien Tableau:
x1 x2 x3 x4 x5 x6 B Q
x4 1 0 1 1 0 0 1 1
x5 0 1 1 0 1 0 2 ∞
x6 1 1 0 0 0 1 3 3
Z 2 1 1 0 0 0 0


◦ Z = Z − 2Lx4
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1
x5 0 1 1 0 1 0 2
x6 0 1 -1 -1 0 1 2
Z 0 1
Ancien Tableau:
x1 x2 x3 x4 x5 x6 B Q
x4 1 0 1 1 0 0 1 1
x5 0 1 1 0 1 0 2 ∞
x6 1 1 0 0 0 1 3 3
Z 2 1 1 0 0 0 0


◦ Z = Z − 2Lx4
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1
x5 0 1 1 0 1 0 2
x6 0 1 -1 -1 0 1 2
Z 0 1 -1
Ancien Tableau:
x1 x2 x3 x4 x5 x6 B Q
x4 1 0 1 1 0 0 1 1
x5 0 1 1 0 1 0 2 ∞
x6 1 1 0 0 0 1 3 3
Z 2 1 1 0 0 0 0


◦ Z = Z − 2Lx4
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1
x5 0 1 1 0 1 0 2
x6 0 1 -1 -1 0 1 2
Z 0 1 -1 -2
Ancien Tableau:
x1 x2 x3 x4 x5 x6 B Q
x4 1 0 1 1 0 0 1 1
x5 0 1 1 0 1 0 2 ∞
x6 1 1 0 0 0 1 3 3
Z 2 1 1 0 0 0 0


◦ Z = Z − 2Lx4
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1
x5 0 1 1 0 1 0 2
x6 0 1 -1 -1 0 1 2
Z 0 1 -1 -2 0
Ancien Tableau:
x1 x2 x3 x4 x5 x6 B Q
x4 1 0 1 1 0 0 1 1
x5 0 1 1 0 1 0 2 ∞
x6 1 1 0 0 0 1 3 3
Z 2 1 1 0 0 0 0


◦ Z = Z − 2Lx4
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1
x5 0 1 1 0 1 0 2
x6 0 1 -1 -1 0 1 2
Z 0 1 -1 -2 0 0
Ancien Tableau:
x1 x2 x3 x4 x5 x6 B Q
x4 1 0 1 1 0 0 1 1
x5 0 1 1 0 1 0 2 ∞
x6 1 1 0 0 0 1 3 3
Z 2 1 1 0 0 0 0


◦ Z = Z − 2Lx4
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1
x5 0 1 1 0 1 0 2
x6 0 1 -1 -1 0 1 2
Z 0 1 -1 -2 0 0 -2
Ancien Tableau:
x1 x2 x3 x4 x5 x6 B Q
x4 1 0 1 1 0 0 1 1
x5 0 1 1 0 1 0 2 ∞
x6 1 1 0 0 0 1 3 3
Z 2 1 1 0 0 0 0

Étape 09: Test d’optimalité

◦ Les coefficients de la fonction objectif sont ils tous nuls ou négatifs?
∗ Non, tous les coefficients de la fonction objectif ne sont pas nuls ou
négatifs. Il existe, en particulier, un coefficient positif associé à la
variable x2 .(Revenir à l’étape 03.)
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1
x5 0 1 1 0 1 0 2
x6 0 1 -1 -1 0 1 2
Z 0 1 -1 -2 0 0 -2


x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1
x5 0 1 1 0 1 0 2
x6 0 1 -1 -1 0 1 2
Z 0 1 -1 -2 0 0 -2


◦ La colonne de cette variables s’appelle la Colonne Pivot.
◦ La variable entrante dans la base est: x2 .
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1
x5 0 1 1 0 1 0 2
x6 0 1 -1 -1 0 1 2
Z 0 1 -1 -2 0 0 -2


◦ On calcule le rapport = Bi /Colonne du Pivot.
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1 1/0 = ∞
x5 0 1 1 0 1 0 2 2/1 = 2
x6 0 1 -1 -1 0 1 2 2/1 = 2
Z 0 1 -1 -2 0 0 -2


Pivot.
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1 1/0 = ∞
x5 0 1 1 0 1 0 2 2/1 = 2
x6 0 1 -1 -1 0 1 2 2/1 = 2
Z 0 1 -1 -2 0 0 -2


Pivot.
◦ La ligne de plus petit rapport s’appelle la Ligne Pivot.
◦ La variable sortante de la base est: x5
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1 ∞
x5 0 1 1 0 1 0 2 2
x6 0 1 -1 -1 0 1 2 2
Z 0 1 -1 -2 0 0 -2

Étape 05:Encadre le pivot

x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1 ∞
x5 0 1 1 0 1 0 2 2
x6 0 1 -1 -1 0 1 2 2
Z 0 1 -1 -2 0 0 -2

Étape 06: Diviser la ligne du pivot par le pivot
◦ Lx2 = Lx5 /Pivot
◦ Lx2 = Lx5 /1 = Lx5
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1
x2 0 1 1 0 1 0 2
x6 0 1 -1 -1 0 1 2
Z 0 1 -1 -2 0 0 -2
Ancien Tableau:
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1 ∞
x5 0 1 1 0 1 0 2 2
x6 0 1 -1 -1 0 1 2 2
Z 0 1 -1 -2 0 0 -2
Étape 07: Colonne pivot: Pivot à 1, autres à 0.
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1
x2 0 1 1 0 1 0 2
x6 0 0 -1 -1 0 1 2
Z 0 0 -1 -2 0 0 -2
Ancien Tableau:
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1 ∞
x5 0 1 1 0 1 0 2 2
x6 0 1 -1 -1 0 1 2 2
Z 0 1 -1 -2 0 0 -2


◦ Lx1 = Lx1 − 0Lx5 = Lx1
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1
x2 0 1 1 0 1 0 2
x6 0
Z 0
Ancien Tableau:
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1 ∞
x5 0 1 1 0 1 0 2 2
x6 0 1 -1 -1 0 1 2 2
Z 0 1 -1 -2 0 0 -2


◦ Lx6 = Lx6 − Lx5
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1
x2 0 1 1 0 1 0 2
x6 0 0 -2 -1 -1 1 0
Z 0
Ancien Tableau:
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1 ∞
x5 0 1 1 0 1 0 2 2
x6 0 1 -1 -1 0 1 2 2
Z 0 1 -1 -2 0 0 -2


◦ Z = Z − Lx5
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1
x2 0 1 1 0 1 0 2
x6 0 0 -2 -1 -1 1 0
Z 0 0 -2 -2 -1 0 -4
Ancien Tableau:
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1 ∞
x5 0 1 1 0 1 0 2 2
x6 0 1 -1 -1 0 1 2 2
Z 0 1 -1 -2 0 0 -2

Étape 09: Test d’optimalité

◦ Les coefficients de la fonction objectif sont ils tous nuls ou négatifs?
∗ Oui, tous les coefficients de la fonction objectif sont nuls ou négatifs.
(Fin de l’algorithme.)
∗ Max Z=-(-4)=4.
∗ La solution optimale qui maximise Z est: x1 = 1 ; x2 = 2.
∗ Max Z = 2x1 + x2 + x3 = 2(1) + 2 + 0 = 4
x1 x2 x3 x4 x5 x6 B Q
x1 1 0 1 1 0 0 1
x2 0 1 1 0 1 0 2
x6 0 0 -2 -1 -1 1 0
Z 0 0 -2 -2 -1 0 -4

PROGRAMMATION LINÉAIRE: EXERCICE
Étant donné le système linéaire suivant :

Max Z = 5x1 + 4x2

x1 + x2 ≤ 20



2x + x ≤ 35
1 2


 −3x 1 + x2 ≤ 12

x , x ≥ 0
1 2
Peut on utiliser la résolution graphique ? Si oui, expliquer la
démarche.
Résoudre le système par la méthode du simplexe.

Conclusion
Dans ce cours nous avons abordé les problèmes d’optimisation

linéaire, avec pour objectif de maximiser une fonction linéaire sous des
contraintes également linéaires.
La visualisation des solutions s’effectue par une représentation
graphique des contraintes et de la fonction objective, exclusivement
dans le cas où le nombre de variables est deux.
L’approche algorithmique pour résoudre les problèmes d’optimisation
linéaire repose sur l’utilisation de l’algorithme du simplexe,
notamment dans le contexte où le nombre de variables est supérieur
ou égal à deux.

Chapitre 08 Programmation Lineaire

Transféré par

Informations du document

Titre original

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

Chapitre 08 Programmation Lineaire

Transféré par

Droits d'auteur :

Formats disponibles

CHAPITRE 08: PROGRAMMATION LINEAIRE

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 1 / 82

Le cours se focalisera principalement sur:

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 2 / 82

Comprendre la nature des problèmes d’optimisation linéaire, où

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 3 / 82

La programmation linéaire est un ensemble des techniques rationnelles

◦ Un programme linéaire est un problème d’optimisation consistant à

◦ La solution à ce problème correspondra donc à une affectation de valeurs

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 4 / 82

Les techniques de programmation linéaire sont très utilisées dans la

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 5 / 82

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 6 / 82

◦ C : Le vecteur de coefficients de la fonction-objectif: C = [3, 2].

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 8 / 82

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 9 / 82

◦ Le profit réalisé sur une unité du produit P1 est de 400 Da.

◦ Le profit réalisé sur une unité du produit P2 est de 200 Da.

◦ Trouver Le plan de fabrication mensuel qui maximise le profit.

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 10 / 82

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 11 / 82

Maximiser la fonction d’objectif Sous les contraintes:

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 12 / 82

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 13 / 82

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 14 / 82

Maximiser la fonction d’objectif Sous les contraintes:

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 15 / 82

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 16 / 82

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 17 / 82

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 18 / 82

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 19 / 82

Le problème étant en deux variables, il admet une solution

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 20 / 82

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 21 / 82

1 Dérivation des droites limites et des sommets de l’ensemble solution.

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 22 / 82

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 23 / 82

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 24 / 82

Un Programme Linéaire est mis sous forme standard ”FS”, si

On peut toujours mettre un Programme Linéaire sous forme

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 25 / 82

Algorithme du simplexe ou méthode des tableaux:

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 26 / 82

Ajouter les variables d’écarts:

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 27 / 82

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 28 / 82

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 29 / 82

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 30 / 82

Max Z = 2x1 + x2 + x3 + 0x4 + 0x5 + 0x6

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 31 / 82

Variables de base et variables hors base

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 32 / 82

Variables de base et variables hors base

Max Z = 2x1 + x2 + x3 + 0x4 + 0x5 + 0x6

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 33 / 82

Étape 02: Construction du tableau

VB X1 X2 ... Xn Y1 Y2 ... Ym bi qi = bi /ais

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 34 / 82

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 35 / 82

Étape 03: Choisir la variable entrante dans la base

VB X1 X2 ... Xn Y1 Y2 ... Ym bi qi = bi /ais

A.TAOULI ( ESI-SBA) COURS RECHERCHE OPÉRATIONNELLE 14 Décembre 2023 36 / 82

Étape 04: Choisir la variable sortante de la base: