Chapitre 4 – Solutions des exercices de révision

Section 4.3 La méthode de séparation et d’évaluation progressive

1. Méthode SÉP et noeuds à éliminer.

(a) La région admissible de la relaxation continue (P0) est le polygone OABC représenté à la
figure ci-dessous. La solution optimale de (P0) correspond au sommet B = (2,5; 5); en ce point, z
atteint sa valeur maximale z0 = 210.

(b) La solution optimale de (P) est le point x* = (4; 4). La valeur maximale du modèle (P) en nombres
entiers est z* = 192.

(c) La figure de la page suivante décrit les séparations successives lorsque le modèle (P) est résolu à
l'aide de la méthode SÉP. Elle donne également l'arbre d'énumération résultant de ces séparations. La
première séparation correspond à enlever la bande
2 < x1 < 3 et x2  0;
la seconde, à enlever la bande
4 < x2 < 5 et x1  3.
2 Chapitre 4 – La programmation linéaire en nombres entiers

4.3.1. Méthode SÉP et noeuds à éliminer - Séquence des séparations et arbre d'énumération

Séparation Valeurs Noeuds Noeuds

optimales éliminés _
Noeud Contraintes z z z* en attente

z0 = 210 z*  210 P0

x1  2 z1 = 177
P0 z*  204 P1 P2
x1  3 z2 = 204

x2  4 z3 = 192 𝒙∗𝟑 adm

P2 z* = 192 Aucun
x2  5 Adm = 

P0 : z0 = 210
x1 = 2,50
x2 = 5

x1  2 x1  3

P1 : z1 = 177 P2 : z2 = 204
x1 = 2 x1 = 3
x2 = 4,25 x2 = 4,667

x2  4 x2  5

P3 : z3 = 192 P4
x1 = 4 Aucune solution
x2 = 4 admissible
Solutions des exercices de révision 3

2. Le critère du meilleur cj.

Il est facile de construire l'arbre d'énumération à partir des informations des tableaux ci-dessous.
Noter que les variables n'apparaissant pas explicitement dans les colonnes sous « Solution
optimale » prennent la valeur 0 dans toutes les solutions optimales x : par exemple, dans la
question (a), la variable x4 est nulle dans les solutions optimales des noeuds (P0), (P1) et (P2).

(a) La solution optimale correspond au noeud (P2) :

x1 = 2 x3 = 4 x2 = x4 = 0 z* = 20.

Séparation Solution optimale Noeuds Noeuds

_
z  z*  z
Noeud Contraintes x1 x2 x3 z éliminés en attente

3,82 0 3,09 z0 = 20 z*  20 P0

x3  3 3,7 0,1 3 z1 = 19,5 z1  z2

P0 z* = 20 Aucun
x3  4 2 0 4 z2 = 20 𝒙∗𝟐 adm

(b) La solution optimale correspond au noeud (P2) :

x2 = 52 x3 = 36 x1 = x4 = 0 z* = 524.

Séparation Noeuds _
Solution optimale z  z*  z Noeuds
Noeud Contraintes x2 x3 z éliminés en attente

51,43 35,71 z0 = 518,57 518,57  z* P0

x3  35 52,5 35 z1 = 525 z1  z2
P0 z* = 524 Aucun
x3  36 52 36 z2 = 524 𝒙∗𝟐 adm
4 Chapitre 4 – La programmation linéaire en nombres entiers

3. Le critère de la variable la plus distante.

(a) Pour ce modèle, la suite des séparations dépend du critère retenu, mais la solution optimale
obtenue est la même, qu'on utilise le critère de la variable la plus distante ou celui du meilleur cj.
Elle correspond, dans le cas du critère de la variable la plus distante, au noeud (P4) :
x1 = 2 x3 = 4 x2 = x4 = 0 z* = 20.
Séparation Solution optimale Noeuds Noeuds
_
z  z*  z
Noeud Contraintes x1 x3 x4 z éliminés en attente

3,82 3,09 0 z0 = 20 z*  20 P0

x1  3 3 3,5 0 z1 = 20
P0 z*  20 P1
x1  4 Adm = 

x3  3 3 3 0,2 z3 = 19 z3  z4
P1 z* = 20 Aucun
x3  4 2 4 0 z4 = 20 𝒙∗𝟒 adm

(b) Pour ce modèle également, la suite des séparations dépend du critère retenu, mais la
solution optimale obtenue est la même, qu'on utilise le critère de la variable la plus distante ou celui
du meilleur cj. Elle correspond, dans le cas du critère de la variable la plus distante, au noeud (P4) :
x2 = 52 x3 = 36 x1 = x4 = 0 z* = 524.

Séparation Noeuds _
Solution optimale z  z*  z Noeuds
Noeud Contraintes x2 x3 z éliminés en attente

51,43 35,71 z0 = 518,57 518,57  z* P0

x2  51 Adm = 
P0 522  z* P2
x2  52 52 35,33 z2 = 522

x3  35 52,5 35 z3 = 525 z3  z4
P2 z* = 524 Aucun
x3  36 52 36 z4 = 524 𝒙∗𝟒 adm
Solutions des exercices de révision 5

Section 4.4 Ajout de contraintes pour accélérer la méthode SÉP

1. Les premières séparations du modèle pour les meetings préélectoraux.

(a) La séquence des 10 premières séparations est décrite dans le tableau de la page suivante.
Lors des 7e et 8e séparations, deux variables candidates se retrouvent à égalité selon le critère
retenu : on les départage à l’aide de l’autre critère. Par exemple, dans le modèle (P2), les
variables les plus éloignées de l’entier le plus près sont y5A et y2B ; on retient y5A comme variable
de séparation, car son coût unitaire 345 est le «meilleur», c’est-à-dire qu’il est inférieur à celui
de y2B.

Les variables xiJ sont entières dans toutes les solutions optimales des différents modèles (Ph)
considérés lors des 10 premières séparations. Le tableau ci-dessous donne les valeurs des
variables yiJ dans ces mêmes modèles (Ph).

h y1A y2A y3A y4A y5A y6A y1B y2B y3B y4B y5B y6B
0 3,125 – 0,625 4,375 5,750 – – 6,250 5 – – 2,5
1 3,125 – 0,625 4,375 5,750 0,5 – 6,250 5 – – 2
2 3,125 – 0,625 4,375 5,750 – – 6,250 5 – – 3
4 3,125 – 0,625 4,375 5,625 1 – 6,250 5 – 0,125 1,5
5 3,125 – 0,625 4,375 5,125 1,5 – 6,250 5 – 0,625 1
6 3,125 – 0,625 4,375 5,750 1 – 6,250 5 – – 2
8 3,125 – 0,625 4,375 4,625 2 – 6,250 5 – 1,125 0,5
9 3,125 – 0,625 4,375 4,125 2,5 – 6,250 5 – 1,625 –
10 3,125 – 0,625 4,375 5,125 2 – 6,250 5 – 0,625 1
12 3,125 – 0,625 4,375 4,125 3 – 6,250 5 – 1,625 –
13 3,125 – 0,625 4,375 5 – – 6,250 5 – 0,750 3
14 3,125 – 0,625 4,375 6 – – 6,250 5 – – 3
16 3,125 – 1 4 5 – – 6,250 4,625 0,375 – 3
17 3,125 – 1,625 3,375 5 – – 6,250 4 1 0,750 3
18 3,125 – 1 4,375 5 – – 6,250 5 – 0,750 3
20 3,125 – 2 3 5 – – 6,250 3,625 1,375 0,750 3

(b) La contrainte «MINCAR PR h» exige que le nombre total de cars partant du point de
rassemblement i ne soit pas inférieur à l’entier obtenu en arrondissant vers le haut le quotient du
nombre de partisans rassemblés au point i par la capacité 40 des cars. Voici les 6 contraintes
demandées :
MINCAR PR 1 y1A + y1B  4
MINCAR PR 2 y2A + y2B  7
MINCAR PR 3 y3A + y3B  6
MINCAR PR 4 y4A + y4B  5
MINCAR PR 5 y5A + y5B  6
MINCAR PR 6 y6A + y6B  3.
6 Chapitre 4 – La programmation linéaire en nombres entiers

4.4.1 Les premières séparations du modèle pour les meetings préélectoraux

Séparation Valeurs Noeuds _ Noeuds

z  z*  z
Noeud Contraintes optimales éliminés en attente

z0 = 9 726,875 9 726,875  z* P0

y6B ≤ 2 z1 = 9 738,875
P0 9 738,875  z* P1 P2
y6B ≥ 3 z2 = 9 894,375

y6A = 0 Adm = 
P1 9 751,375  z* P2 P4
y6A ≥ 1 z4 = 9 751,375

y6B ≤ 1 z5 = 9 765,375
P4 9 765,375  z* P2 P5 P6
y6B ≥ 2 z6 = 9 918,375
y6A ≤ 1 Adm = 
P5 9 779,375  z* P2 P6 P8
y6A ≥ 2 z8 = 9 779,375

y6B = 0 z9 = 9 793,375
P8 9 793,375  z* P2 P6 P9 P10
y6B ≥ 1 z10 = 9 944,875
y6A ≤ 2 Adm = 
P9 9 894,375  z* P2 P6 P10 P12
y6A ≥ 3 z12 = 9 972,875
y5A ≤ 5 z13 = 9 897,375
P2 4 984 800  z* P6 P10 P12 P13 P14
y5A ≥ 6 z14 = 9 980,675
y3A = 0 Adm = 
P13 9 901,125  z* P6 P10 P12 P14 P16
y3A ≥ 1 z16 = 9 901,125
y3B ≤ 4 z17 = 9 907,375
P16 9 907,375  z* P6 P10 P12 P14 P17 P18
y3B ≥ 5 z18 = 10 026,75
y3A ≤ 1 Adm = 
P17 9 911,125  z* P6 P10 P12 P14 P18 P20
y3A ≥ 2 z20 = 9 911,125
Solutions des exercices de révision 7

(c) Considérons, à titre d’exemple, le point de rassemblement numéro 6. La méthode SÉP,

qui s’interdit de recourir explicitement à des contraintes d’intégrité, proposera initialement de
desservir les 100 partisans présents par 2,5 cars. On observe d’ailleurs que, dans les solutions
optimales des modèles (P0) et (P1) de la question (a), les variables y6A et y6B atteignent
exactement 2,5 au total, ce qui signifie que l’une d’entre elles n’est pas entière. Il faut donc
séparer selon ces variables pour les forcer à prendre des valeurs entières. La contrainte
«MINCAR PR 6» atteint ce même résultat sans séparation : en exigeant un minimum de 3 pour la
somme y6A + y6B, elle rend inadmissibles les solutions optimales de plusieurs modèles (Ph) et
«élimine»les nœuds correspondants.

La méthode SÉP, lorsqu’appliquée au modèle (P’) plutôt qu’à (P), démarre avec une valeur 𝑧0′
plus près de la valeur optimale 10 917 et nécessite donc moins de séparations. Pour justifier cette
conclusion, considérons cette fois le point de rassemblement numéro 1. La contrainte
«MINCAR PR 1» exige 4 cars au minimum au point 1; le coût associé sera d’au moins 4 × 355 =
1420 dollars, alors que dans tous les modèles (Ph) rencontrés à la question (a), il s’élève à
seulement 3,125 × 355 = 1109,375 dollars. Le même phénomène s’observera pour les autres
points de rassemblement. Ainsi, le modèle initialement considéré lors de la résolution de (P’)
présentera un coût 𝑧0′ bien plus élevé que ceux des nœuds (Ph) décrits à la question (a).

2. L’impact de l’absence d’un contrainte redondante.

La tableau de la page suivante décrit la séquence des séparations. La solution optimale, la même
que celle donnée au tableau 4.6, est obtenue dès la 1re séparation. Mais, il en faudra 5 autres pour
confirmer qu’il s’agit bien d’une solution optimale.

3. Les bennes d’asphalte.

(a) Définition des variables de décision :

xJ = nombre de bennes fournies par le concurrent J
vJ = 1 si le concurrent J fournit au moins une benne.
Le modèle s'écrit :

Min z = 500 xA + 450 xB + 435 xC + 5 000 vA + 4 000 vB + 6 000 vC

sous les contraintes :
BESOINS xA + xB + xC  1 050
MAX A xA – 500 vA  0
MAX B xB – 900 vB  0
MAX C xC – 400 vC  0

xJ  0 et entier

vJ = 0 ou 1.
8 Chapitre 4 – La programmation linéaire en nombres entiers

4.4.2 L’impact de l’absence d’un contrainte redondante : séquence des séparations

Séparation Valeurs Noeuds _ Noeuds

z  z*  z
Noeud Contraintes optimales éliminés en attente

z0 = 10 749,5 10 749,5  z* P0

y6B ≤ 2 z1 = 10 761,5
P0 10 761,5  z*  10 917 P1
y6B ≥ 3 z2 = 10 917 𝒙∗𝟐 adm

y6A = 0 Adm = 
P1 10 774  z*  10 917 P4
y6A ≥ 1 z4 = 10 774
y6B ≤ 1 z5 = 10 788
P4 10 788  z*  10 917 P5
y6B ≥ 2 z6 = 10 941 𝒙∗𝟔 adm
y6A ≤ 1 Adm = 
P5 10 802  z*  10 917 P8
y6A ≥ 2 z8 = 10 802

y6B = 0 z9 = 10 816
P8 10 816  z*  10 917 P9
y6B ≥ 1 z10 = 10 967,5 z10  z2
y6A ≤ 2 Adm = 
P9 10 917  z*  10 917 Aucun
y6A ≥ 3 z12 = 10 995,5 z12  z2

(b) Le tableau de la page suivante décrit les séparations successives et la figure donne l'arbre
d'énumération résultant de ces séparations. Une solution optimale donne :

vB = vC = 1 xB = 650 xC = 400
z = 476 500.

(c) Pour accélérer la recherche d'une solution optimale, on peut ajouter au modèle (P) construit
en (a) l'inéquation suivante :
vA + vB + vC  2. (*)
Le modèle (P') ainsi obtenu n’exige aucune séparation, car la solution optimale de sa relaxation
continue satisfait à toutes les contraintes d'intégrité de (P'). L’efficacité de la contrainte (*)
provient du fait qu’elle n’est vérifiée par aucun des nœuds (P0) et (P2) qui doivent être séparés
dans l’arbre construit en (b) ; ces nœuds n’ont donc plus à être analysés, et la méthode SÉP en est
accélérée.
Solutions des exercices de révision 9

4.4.3. Les bennes d’asphalte - Séquence des séparations et arbre d'énumération

Séparation Valeurs Noeuds _ Noeuds

z  z*  z
Noeud Contraintes optimales éliminés en attente

z0 = 475 389 475 389  z* P0

vB = 0 Adm = 
P0 476 500  z* P2
z2 = 476 500
vB = 1
vC = 0 z3 = 485 500 z3  z4
P2 z* = 476 500 Aucun
vC = 1 z4 = 476 500 𝒙∗𝟒 adm

P0 : z0 = 475 389

xB = 650
xC = 400
vB = 0,72
vC = 1

vB = 0 vB = 1

P1 P2 : z2 = 476 500

Aucune solution xB = 900

admissible xC = 150
vB = 1
vC = 0,38

vC = 0 vC = 1

P3 : z3 = 485 500 P4 : z4 = 476 500

xA = 150 xB = 650
xB = 900 xC = 400
vA = 0,3 vB = 1
vB = 1 vC = 1