Programmation linéaire

(PL)
Chapitre I
 Introduction
 La programmation linéaire est un outil mathématique qui peut résoudre
un grand nombre de problèmes liés à la production et la gestion de la
production.
 On utilise la Programmation Linéaire pour déterminer :

 L’affectation des moyens de production

 La composition des produits

 Les choix des techniques de production

de la meilleure façon possible, afin de maximiser un profit ou de minimiser

un coût.
 On parle d’un problème de programmation linéaire lorsqu’il faut
maximiser/minimiser une fonction sous contraintes linéaires.
 Par exemple, maximiser le bénéfice d’une entreprise sous les
contraintes de satisfaction de la demande et de respect de la capacité
de production. 2
Exemple d’un problème impliquant la PL
Problème de l’usine de meubles
 La direction d’une usine de meubles lance la fabrication de deux
nouveaux modèles de bureaux , M1 et M2.
 Les temps de réalisation (en heures) pour chacun de ces
modèles dans les ateliers de sciage, d’assemblage, de sablage et
de vernissage ainsi que les heures de main d’œuvre disponibles
dans chacun de ces ateliers sont donnés dans ce tableau.
 Les profits que l’usine peut réaliser pour chacun de ces modèles
sont de 300dt pour M1 et de 200dt Pour M2.
 La direction désire déterminer Atelier M1 M2 Heures dispo
combien de bureaux de chaque Sciage 1 2 20

modèle elle doit fabriquer pour Assemblage 2 1 22

maximiser son profit. Sablage 1 1 12

Vernissage 1 1 15
3
 Etapes de résolution d’un PL
 Ce type de problèmes se résout en deux étapes principales :
1) La formulation du problème sous forme d’équations ou
d’inéquations linéaires qui permettra ainsi de bien identifier
et structurer les contraintes que doivent respecter les
variables du modèle; de plus, on doit définir l’apport de
chaque variable à l’atteinte de l’objectif poursuivi par
l’entreprise, ce qui se traduira par une fonction à optimiser.
2) La détermination de l’optimum mathématique à l’aide
de certaines techniques propres à la programmation
linéaire:
 Résolution graphique limitée à 2 variables;
 Résolution par la méthode de simplexe (non traitée dans ce module).

4
 I. Formulation d’un PL
 La formulation d’un PL est une tâche délicate mais essentielle car elle
conditionne la découverte ultérieure de la bonne solution.
 Généralement il y a trois étapes à suivre pour pouvoir construire le
modèle d'un PL :
1. Identifier les variables du problème à valeur non connues (variable
de décision) et les représenter sous forme symbolique (ex: x1, x2);
2. Identifier l’objectif ou le critère de sélection et le représenter sous
la forme d’une fonction mathématique linéaire en fonction des
variables de décision. Spécifier si le critère de sélection est à
maximiser ou à minimiser;
3. Identifier les restrictions (les contraintes) du problème relatives
aux variables de décision. Il est bien rare qu’un responsable
dispose de toute liberté d’action. Le plus souvent il existe des
limites à ne pas dépasser qui revêtent la forme d’équations ou
5 d’inéquations mathématiques.
 I. Formulation d’un PL:
Problème de l’usine de meubles
 La direction d’une usine de meubles lance la fabrication de deux
nouveaux modèles de bureaux , M1 et M2.
 Les temps de réalisation (en heures) pour chacun de ces
modèles dans les ateliers de sciage, d’assemblage, de sablage et
de vernissage ainsi que les heures de main d’œuvre disponibles
dans chacun de ces ateliers sont donnés dans ce tableau.
 Les profits que l’usine peut réaliser pour chacun de ces modèles
sont de 300dt pour M1 et de 200dt Pour M2.
Atelier M1 M2 Heures Dispo
 La direction désire déterminer
combien de bureaux de chaque modèle Sciage 1 2 20
Assemblage 2 1 22
elle doit fabriquer pour maximiser son
Sablage 1 1 12
profit.
Vernissage 1 1 15
6
 Les composantes d’un PL
1) Choix des variables:
 Définition: On appelle variable toute quantité utile à la
résolution du problème dont le PL doit déterminer la
valeur.
 Ex. Usine de meubles:
 x1 = Quantité de bureaux de modèle M1
 x2 = Quantité de bureaux de modèle M2

7
 Les composantes d’un PL
2) Expression de l’objectif
 Définition: On appelle fonction objectif d’un PL le critère
de choix entre les diverses solutions possibles. (c’est la
fonction qui doit être maximisée ou minimisée.)
 La fonction objectif est une forme linéaire en fonction des
variables de décision.
 Ex. usine de meubles: La direction désire maximiser son profit
en produisant des bureaux de modèle M1 et M2.
 L’objectif s’exprime comme suit :

8
Les composantes d’un PL
3) Expression des contraintes
 Définition: On appelle contraintes du problème toutes les
relations limitant le choix des valeurs possibles des variables.
 Ces relations peuvent être de simples contraintes de signe des variables.
Par exemple, le nombre de bureaux ne peut être négatif:

 Elles peuvent être plus complexes…

 Contraintes de la direction : Les heures de main d’œuvre disponibles
dans chaque département imposent des contraintes qu’il faut respecter.
 Contrainte imposée par les Heures de M.O.D à l’atelier sciage:

Les autres contraintes:

(assemblage)

9
 Les composantes d’un PL
4) Paramètres
 Définition: On appelle paramètres du modèle toutes les
données numériques présentes dans l’énoncé ou qui se
calculent à partir de ces dernières.
 3 types de paramètres:
 Les coef. Économiques: degré de réalisation de l’objectif de l’entreprise
associé à une valeur unitaire de chacune des variables (prix de vente,
coût variable unitaire…): cj : 300,200
 Les ressources: les capacités de production limitées, les normes à
respecter, les potentiels de vente…. (bi) : 20,22,12,15
 Les coef. technologiques: le degré de consommation d’une ressource
par une activité. A la ressource i et à l’activité j correspondra le coef: aij
: 1,2…
 Remarque: Si contrainte de type ≥ alors aij est la contribution d’une
unité d’activité j envers la spécification j
10
Hypothèses sur les variables de décision
 Proportionnalité: Les quantités de ressources utilisées et les profits
ou coûts nets sont directement proportionnels aux valeurs des
variables (xi)
Ex: 3 x1  3/4 x2  1/x1 X Log x1 X
 Additivité : La fonction objectif et le terme gauche des contraintes
sont composés de la somme des contributions individuelles de
chaque variable de décision.
Ex: [ Z=3x1+x2 ]  [ Z=2x1x2 ] X [ 3x1+x2 ≤ 20 ] 
[ 3x1x2 ≤ 20] X
 Divisibilité: Les variables peuvent prendre des valeurs non entières.
Remarque importante:
Un modèle linéaire ne doit pas contenir des inégalités
11 strictes.
 Forme générale d’un PL:
En suivant les étapes de formulation vues précédemment, on peut
représenter le PL sous forme d’équations et inéquations linéaires comme
suit :

Max ( Min ) Z  c1 x1  c 2 x 2    c N x N

s .c a 11 x 1  a 12 x 2    a 1 N x N  (  ou  ) b 1
a 21 x 1  a 22 x 2    a 2 N x N  (  ou  ) b 2

a M 1 x 1  a M 2 x 2    a MN x N  (  ou  ) b M
x1  0 , x 2  0 ,  , x N  0
12
 Ex: Problème de Production :
Une société cherche à décider les quantités à
fabriquer de deux types P1 et P2. Les prix de vente
unitaires sont respectivement de 15 dinars pour P1 et
de 8 dinars pour P2. Chaque unité de P1 nécessite 2
unités de matières premières et 0,75 heures ouvrier.
Tandis que chaque unité de P2 nécessite 1 unité de
matières premières et 0,5 heures ouvrier. Toutes les
semaines, la société dispose de 400 unités de
matières première et de 6 ouvriers qui travaillent
chacun 40 heures par semaine.
Modéliser ce problème sous forme d’un
programme linéaire.
13
 Correction Pb Production







14
 Problème de Production : (suite)
Dans le souci de contrôler ses dépenses, la société a décidé
d'acheter uniquement la quantité de matière première
nécessaire pour sa production et de réduire le nombre
d'ouvriers à 4 seulement.
Ces ouvriers peuvent travailler des heures supplémentaires
à raison de 5 dinars l'heure. (leurs salaires de base sont
considérés comme coûts fixes pour la société). Afin de
répondre à la demande de la semaine à venir, la société sait
qu'il faut fabriquer au moins 350 unités des deux produits P1
et P2 ensembles. Chaque semaine, 400 unités de matière
première sont disponibles sur le marché à un prix unitaire de
2,5 dinars.
Re-modéliser ce problème

15
 Correction suite Production





 (Demande du marché)



 (disponibilité MP)


16
Exemple d’un problème de transport
 Une entreprise de production dispose de trois usines 1,2 et 3 dans
des endroits différents. Elle cherche à transporter sa production
mensuelle dans des entrepôts situés dans les villes 1, 2, 3 et 4. Les
coûts de transport dépendent du trajet suivi et sont consignés dans
le tableau suivant:

 Sachant que les usines produisent respectivement 10, 8 et 9 tonnes

par mois et que la capacité de stockage de chaque entrepôt est de 6
tonnes, formuler ce problème sous la forme d’un programme
linéaire.
17
 Correction pb de transport

 Avec


 Production

 Stockage

 ; Avec

18
 PL en nombres entiers
 Un programme en nombres entiers est un programme dont
les variables sont contraintes à ne prendre que des valeurs
entières.

 Souvent, elles sont contraintes à prendre les valeurs 0 ou 1.

On parle alors d’un programme binaire

19
 PL en nombres entiers
Exemple 1: Sélection de projets
 5 projets doivent être évalués sur 3 ans. Etant donné le coût de
chaque projet pour chaque année et le profit obtenu par
l’exécution d’un projet, décider quels projets exécuter sans
dépasser le budget disponible pour chaque année.
Coût par année Profit
Projet 1 2 3
1 5 1 8 20
2 4 7 10 40
3 3 9 2 20
4 7 4 1 15
5 8 6 10 30
Budget 25 25 25

20
 PL en nombres entiers
Exemple 1: Sélection de projets

Modélisation :
 Variables de décision : xi, i=1,…,5 (les projets)
 xi = 1 si projet i est sélectionné
 xi = 0 sinon
 Objectif : maximiser bénéfice
max 20 x1 + 40 x2 + 20 x3 + 15 x4 +30 x5
 Contrainte : budget d’investissement
5 x1 + 4 x2 + 3 x3 + 7 x4 +8 x5  25
x1 + 7 x2 + 9 x3 + 4 x4 +6 x5  25
8 x1 + 10 x2 + 2 x3 + 1 x4 +10 x5  25

21
 En résumé !
Pour réussir la formulation d’un PL :
 Bien lire l’énoncé du problème:
 Identifier clairement les données
 Attention aux unités de mesure !
 Définir les variables.
 Vérifier que l’objectif et toutes les contraintes
peuvent être représentées avec ces variables
 Vérifier que l’objectif et les termes de gauche des
contraintes fonctionnelles sont bien linéaires
(proportionnalité et additivité)

22
II. Résolution graphique du PL
 La résolution graphique est utile lorsque le PL comporte
uniquement 2 variables de décision.

 Reprenons notre exemple de l’usine de meubles.



(assemblage)

)
II. Résolution graphique du PL
1.Représentation de la région réalisable
 Une représentation graphique des inégalités (des contraintes) va
nous permettre de déterminer l’ensemble des solutions réalisables.
 Définition: On appelle région réalisable, l’ensemble des valeurs de variables
de décision qui satisfont toutes les contraintes.
 Dans le cas de l’exemple de l’usine de meubles, c’est l’ensemble
des points (x1, x2) satisfaisant les inégalités de:
x1 ≥ 0, x2 ≥ 0.
x1 + 2x2 ≤ 20. (1)
2 x1 + x2 ≤ 22. (2)
x1 + x2 ≤ 12. (3)

24
x1 + x2 ≤ 15. (4)
II. Résolution graphique du PL
1.Représentation de la région réalisable
 Pour déterminer l’ensemble-solution d’une inéquation linéaire à
deux inconnues, on commence par tracer la droite-frontière, puis
à l’aide d’un couple, on détermine par substitution de quel côté
de la frontière sont les couples qui satisfont à l’inéquation.

25
II. Résolution graphique du PL
1.Représentation de la région réalisable
x2
22 Contrainte (4) relative au vernissage est
(2) redondante: aucun effet sur la région réalisable
(4)

12 (3)
10

Région réalisable (1)

0 11 12 20 x1
26
II. Résolution graphique du PL
2.Représentation de l’objectif
 Pour représenter graphiquement la droite de la fonction objectif de la direction
de l’usine, représentons le profit réalisé par le paramètre p. On a :
300 x1 + 200 x2 = p
 En isolant x2, on obtient :

𝟐 𝟏

 Pour représenter la droite de la fonction objectif il suffit de donner à p une

valeur particulière.
 Une fois représentée, la droite de la fonction objectif sera translatée
parallèlement à elle-même dans le sens de l’amélioration de l’objectif
(maximisation ou minimisation).
 Toutes ces droites ont le même coefficient directeur. Il s’agit donc d’une famille
𝟑
de droites de pente .
𝟐
27 Ces droites sont appelées droites de niveaux ou droites d’indifférence.
II. Résolution graphique du PL
2.Représentation de l’objectif

(1)
A
B (3)
C
(2)
D
20 x1

28
II. Résolution graphique du PL
3.Détermination graphique de la solution optimale
 Le problème est de connaître quelle est la droite qui correspond à la
valeur maximale de la fonction objectif ?
 Pour maximiser l’objectif, on cherchera la courbe de niveau qui
améliore au maximum l’objectif et qui a une intersection non vide
avec la région réalisable. Tout point appartenant à cette intersection
est une solution optimale.
 Graphiquement, on constate que la droite respectant ces conditions
semble être la droite de la famille passant par le point-sommet C
 Il reste à s’assurer algébriquement des coordonnées du point
sommet en résolvant le système :
2x1+x2=22
x1+x2=12
29
II. Résolution graphique du PL
3.Détermination graphique de la solution optimale
x2
22
La solution optimale de la direction de l’usine est:
(x1 = 10, x2 = 2, Z = 3400)

12

10 (1)
A
B
(3) C
(2)
D
O 11 12 20 x1

30
II. Résolution graphique du PL
4. Solution optimale avec méthode de l’énumération
 La solution optimale, si elle existe, sera donnée par un des points
anguleux correspondant aux intersections des droites de
contraintes: Une telle solution est appelée solution réalisable de
base (SRB).
 Si la région réalisable est une partie bornée du plan alors on peut
retrouver la solution optimale en évaluant uniquement la valeur de
la fonction objectif pour les SRB.
 Donc la méthode est de :
 localiser toutes les SRB.
 Calculer la valeur de la fonction objectif en chacun de ces points et
sélectionner la solution optimale.
Rappel : Un modèle linéaire ne doit pas contenir des inégalités strictes,
autrement il serait impossible de trouver une solution optimale précise et
31
bien définie.
II. Résolution graphique du PL
4. Solution optimale avec méthode de l’énumération

O A B C D
X1 0 0 4 10 11
X2 0 10 8 2 0
Z 0 2000 2800 3400 3300

Solution optimale

32
II. Résolution graphique du PL
5. Contraintes saturées/marginales
 Il est important au décideur d’évaluer les restes des ressources
résultant de l’application de son programme d’action optimal.
 Une contrainte ayant un écart nul est appelée contrainte saturée
(ressource épuisée).
 Une contrainte ayant un écart non nul est appelée contrainte
marginale (ressource en excès).
 Remarque: L’identification de la nature d’une contrainte en un
point donné peut se faire par simple observation du graphique.

33
II. Résolution graphique du PL
5. Contraintes saturées/marginales
La solution optimale de la direction de l’usine est:
(x1 = 10, x2= 2, Z= 3400)
Les écarts à l’optimum sont donnés comme suit:

Contraintes Ressources Utilisation Ecart Etat

(1): x1 + 2x2 ≤ 20 20 14 6 Marginale

(2): 2 x1 + x2 ≤ 22 22 22 0 Saturée

(3): x1 + x2 ≤ 12 12 12 0 Saturée

(4): x1 + x2 ≤ 15 15 12 3 Marginale

Remarque: Lorsque les contraintes sont de type ≥ on parle de surplus

de ressources et non pas écart.
34
 III. Cas de PL particuliers:
 On donne ici quelques exemples particuliers de résolution
graphique de problèmes linéaires :
 Problème à solution multiple.
 Problème à solution impossible;
 Problème de maximisation non borné;

35
III. Cas de PL particuliers:
1. PL à solution multiple
 Reprenons notre exemple de l’usine de meubles.
 En supposant maintenant que le prix de vente du bureau de
modèle M1 a diminué à 200dt.
 Déterminer la nouvelle solution optimale.


(assemblage)

)
III. Cas de PL particuliers:
1. PL à solution multiple
x2
22

12

10 (1)
A
B
(3) C
(2)
D
O 11 12 20 x1
 III. Cas de PL particuliers:
1. PL à solution multiple
 Les points B et C sont 2 solutions optimales.

O A B C D
X1 0 0 4 10 11
X2 0 10 8 2 0
Z 0 2000 2400 2400 2200

 Tout point du segment [BC] est une solution optimale.

 La direction a plusieurs combinaisons possibles de production des bureaux
qui leur permettent de réaliser le même profit maximal.
 Solution multiple:
 Segment

38
 Demi droite
 III. Cas de PL particuliers:
2. Solution impossible
 Reprenons notre exemple de l’usine de meubles.
 En supposant maintenant que la direction a signé un contrat avec
un client qui l’engage à lui fabriquer au moins 14 bureaux du
modèle M2.
 Déterminer la nouvelle solution optimale.


(assemblage)

)
 III. Cas de PL particuliers:
2. Solution impossible
x2
22
(2)
(4)
(5)

12 (3) Pas de région réalisable

10

(1)

0 11 12 20 x1
40
 III. Cas de PL particuliers:
2. Solution impossible
 On dit que la solution est impossible s’il y a inexistence d’une
solution qui satisfait toutes les contraintes du PL.
 Graphiquement, on dit qu’on a une solution impossible lorsque la
région réalisable n’existe pas.
 Les PL avec solution impossible surviennent dans la pratique, le plus
souvent parce que trop de contraintes ont été imposées au
problème.
 III. Cas de PL particuliers:
3. Solution non bornée
Max 2x1  x 2
s.c : x1  2 x 2  2 (1)
- 2x1  x 2  2 (2)
x1  0, x 2  0

Région réalisable non bornée

La solution optimale tend vers l’infini
42
III. Cas de PL particuliers:
3. Solution non bornée
 Dans les modèles de programmation linéaire réels, l'apparition
d'une solution qui tend vers l’infini signifie probablement que le
problème a été mal formulé car il n’est pas possible d’augmenter
les profits indéfiniment.
 Généralement, si un PL conduit à une solution qui tend vers
l’infini, c'est qu'une contrainte a été omise lors de formulation
du problème.
 Application : Problème de minimisation
 Une usine fabrique une variété des gels douche et des shampooings.
En se basant sur une analyse des niveaux de stocks actuels et de la
demande potentielle pour la semaine à venir, la direction de l’usine
indique que la production combinée pour les 2 produits doit être
d'au moins 350 litres. De plus, un client important a commandé plus
que 125 litres de gel douche. Le gel douche nécessite deux heures de
traitement par litre et le shampooing nécessite une heure de
traitement par litre. Pour la semaine à venir, 600 heures de temps de
traitement sont disponibles. L’objectif de l’usine est de satisfaire ces
exigences en minimisant son coût de production total. Les coûts de
production sont de 2dt par litre pour le gel douche et de 3dt par
litre pour le shampooing.
Application : Problème de minimisation









Application : Problème de minimisation
Application : Problème de minimisation

 Solution optimale :
 et avec .
 En d’autre termes , il faudrait produire 250 l de gel douche
et 100 l de shampooing pour réaliser un coût minimal de
production égal à 800 dt.