CHAPITRE V : LA METHODE DU SIMPLEXE

1. Bases mathématiques
1.1) Partitionnement
Considérons le programme linéaire sous la forme standard matricielle à
n variables (variables principales et secondaires) et m contraintes
fonctionnelles, n  m
PL optimiser Z 
Z  CX

 AX  b
X  0

AM n , m 
 IR  , b  M  m ,1 
 IR  , C M 1 , n 
 IR  , X M  n ,1 
 IR 
La méthode du simplexe partitionne.
- le vecteur des variables X en vecteur X B dont les composantes sont les
variables de base et en vecteur X H dont les composantes sont les
variables hors-base.
XB 
X  
 
 
 X H 
X B  M  m , 1   IR  , X H  M  n  m ,1 
 IR 

- la matrice A du système des contraintes en matrice B relativement aux

variables hors-base.
AM n , m 
 IR  , H M m , n  m 
 IR 

- le vecteur C des coefficients de la fonction objectif en vecteur C B dont

les composantes sont les coefficients de la fonction objectif relativement
aux variables de base et en vecteur C H dont les composantes sont les
composants de la fonction objectif relativement aux variables hors base.
C  C B C H 
CB M 1 , m 
 IR  , C H  M 1 , n  m   IR 

Ainsi le PL peut s’écrire matriciellement sous la forme équivalente

Optimiser Z 
Z  C B X B  C H X H

 BX B  HX H  b
X  O , X  O
 B H

1
 1.2 Détermination d’une solution de base réalisable.
L’existence d’une solution de base réalisable exige que la matrice de
base B soit inversible. Si la solution de base réalisable courante du programme
linéaire n’est pas optimale, alors la recherche d’une nouvelle solution de base
s’impose qui nécessite le choix d’un nouveau vecteur de base.
1.3 Recherche d’un nouveau vecteur de base
A chaque itération la méthode simplexe évolue de la solution de base
réalisable courante à une meilleure solution en remplaçant une variable de base
du vecteur de base courant non optimal (variable de base sortante) par une
variable hors-base (variable de base entrante) engendrant ainsi une nouvelle
solution de base réalisable qui améliore la valeur de la fonction- objectif.
1.4 Critère de sélection de la variable de base entrante et de la variable
de base sortante
La sélection de la variable de base entrante et de la variable de base
sortante se fait selon deux critères :
- Critère 1 : Le critère faible du taux maximal de variation de la fonction -
objectif
- Critère 2 : Le critère fort de la variation maximale de la fonction- objectif.

A cet effet, le vecteur de base X B et la fonction- objectif Z doivent être

exprimés en fonction du vecteur hors-base X H de la façon suivante :
- Par multiplication par l’inverse B 1 de la matrice B, le système de
contrainte devient équivalent à :
X B  B 1 H X H  B 1 b
- En substituant l’expression de X B en fonction de X H dans la fonction-
objectif, elle peut alors être exprimée en fonction du vecteur X H :
1 1
Z  C B B b  B HX H   C H X H
1 1
Z CB B b  C H  C B B H X H

Ces opérations peuvent être synthétisées par le tableau suivant qui n’est
autre que la forme fondamentale du tableau du simplexe.

XB XH
XB I 1 1
B H B b
C CB CH 0
V CBI C B B 1 H C B B 1 b
 0 CH - C B B 1 H - C B B 1 b

On déduit de ce qui précède la solution de base réalisable courante.

2
  X B   B 1 
X   
 X H   0 
1
Z CB B b

1.5 Test de l’optimalité

La condition de l’optimalité de la solution de base courante se déduit de
l’expression de la fonction – objectif en fonction des variables hors-base
Z  C B B 1 b   H X H
 H  C H  C B B 1 H
Le PL de maximisation (le PL de minimisation) est optimal et admet pour
solution optimale si
 H  0 (resp.  H  0 )

alors elle admet pour solution optimale :


Z  C B  1 b
B

 1
X  B b

 X H  0

1.6 Détermination des variables de base entrante et sortante

a) Selon le critère faible du taux de croissance de la fonction objectif
- la variable  X H e entre dans la base si :
 max   j  j  0  , PL de maximisati on
 j  JH

e  

 j min   j  j  0  , PL de minimisati on
  JH
J H  1 , 2 ,  , n  m 

- La variable  X B s sort de la base si :

B
1
b s  B  1 b  1 
 i B b i 
 min  0 
1 i  I  B  1 1
B H se

H ie B H ie 

b) Selon le critère fort de la croissance de la fonction – objectif.

La variable hors-base  X H e entre dans la base et la variable de la base
 X B s sort de la base si :

3
  max   Z  j  , PL de maximisati on
 
j  JH

 Z  e 
 min   Z  j  , PL de minimisati on
 
j  JH


s  r e 

  j  J H  j  0  , PL de maximisati on

 
JH

  j  J H  j  0  , PL de minimisati on

 Z  j   j  X B r  j  , j  J H

1  B  1 b  1 
B b r  j   i B b i 
 X B r  j    min   0  , j  J H
1 i  I B  B  1 H  1
B H r  j  j
 ij B H ij 

1.7 Transition à une nouvelle solution de base réalisable

On définit le nouveau vecteur de base XB et le nouveau vecteur hors-

base X H par l’échange de colonnes

 X H e  X B s

On définit la nouvelle matrice de base B et la nouvelle matrice hors-base

H en interchangeant la s ème colonne de B et la e ème colonne de H.

Bs He

1.8 Déroulement de l’algorithme matriciel du simplexe

Etape 0 : Initialisation
- Mettre le Programme Linéaire sous la forme standard normal ou
éventuellement sous la forme standard avec variables artificielles.
- Initialiser les vecteurs C B et C H : les composantes des vecteurs C B et
C H sont respectivement les coefficients des variables de base et hors-
base dans la fonction-objectif.
- Initialiser le vecteur b : les composantes du vecteur b sont égales aux
constantes des second-membres du système de contrainte sous la forme
standard.
- Initialiser les matrices de base B et hors base H : les colonnes de la
matrice B sont les colonnes relatives aux variables de base dans la
matrice du système initial de contraintes et les colonnes de la matrice H
sont les colonnes relatives aux variables hors-base dans la matrice du

4
 système initial des contraintes sous la forme standard.
Initialement B  I , I matrice identité d’ordre m.
H  h ij 
i I , j  J

I  1 , 2 ,  , m 
J  1 , 2 ,  , n  m 

Etape 1 : Détermination de la solution de base courante.

X B  b

X H  O
Z  C b
 B

Etape 2 : test de l’optimalité

On détermine

  j  J  j  0  , PL de maximisati on


J  
  j  J  j  0  , PL de minimisati on

 j  J H

Si J    : le PL est optimal
Aller à l’étape 6
Si J   
on détermine

I j  i  I h jj  0  , j  J 

I j  i  I h jj  0  , j  J 

J    j  J  I j   

J    j  J  I j   

Si J    : aller à l’étape 5
Si J    : déterminer une nouvelle solution de base réalisable par le
critère 1 ou le critère 2.

 Si le critère 1 est utilisé

Déterminer
 e  max  j 
j  J 

5
 bs  b 
 min  i 
h se i I e  h ie 
Aller à l’étape 3

 Si le critère 2 est utilisé

On détermine
b s  j  b 
 min  i  , j  J 
h s  j j i I j  h i j 
 

b s  j
 X H  j 
h s  j j
 Z  j   j  X H  j , j  J 
 Z  e  max  Z  j 
j  J 
s  s e 

Etape 3
La variable hors-base  X H e entre dans la base et la variable de base  X B s sort
de la base.
Etape 4 : transition à une nouvelle solution de base réalisable.

- déterminer les nouveaux vecteurs de base XB et hors base XH par

l’opération suivante :
 X B s  X H e

- déterminer la nouvelle matrice de base et hors – base H et le nouveau

vecteur b par les opérations d’échanges sur les colonnes suivantes :

He Bs

1
H B H
1
b B b

- Déterminer les nouveaux vecteur CB et CH par les opérations suivantes :

C B is C H  je

- Rendre la nouvelle matrice de base unitaire :

B I

6
 - aller à l’étape 1
Etape 5
Si J    : le PL admet une solution optimale infinie.
Aller à l’étape 7
Si J    : le PL n’admet pas de solution de base réalisable
Aller à l’étape 7
Etape 6 : écrire la solution optimale

X B  b
 
X H  0

Z  C B b

Etape 7 : fin de l’algorithme.

7
2. Algorithme des tableaux du simplexe
La résolution d’un programme linéaire par la méthode du simplexe est
généralement représentée sous forme de tableaux successifs appelés tableaux
du simplexe.
L’algorithme des tableaux du simplexe est synthétisation de l’algorithme
matricielle du simplexe déjà développé.
2.1 Etapes essentielles
L’algorithme des tableaux du simplexe se déroule en 7 étapes.
Etape 0 :
- Mettre le PL sous la forme standard du simplexe.
- Choisir systématiquement comme variables de base dans chacune des
contraintes les variables secondaires ayant un coefficient  1 dans le
système de contraintes sous forme standard.
- Construire le tableau initial du simplexe.

CB V.B X1 X2 . . . . Xn b
CB
1
xB
1
a 11 a 12 . . . . a 1n b1
CB
2
xB
2
a 21 a 22 . . . . a 2n b2
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
. . . . . . . . . .
CB
m
xB
m
a m1 am2 . . . . a mn bm
cj c1 c2 . . . . cn 0
vj v1 v2 . . . . vn v0

j 1 2 . . . . n v 0
. .
m m
vj   a ij c B
i
, v0   c B b i 
i
i 1 i 1
j  c j  v j

Poser : Cycle = 0
Etape 1 : Détermination de la solution de base réalisable courante
x B  bi , i  1 , 2 , , m
i
x j  0 , j  jB

jB   j  J x j est variable de base 

J  1 , 2 ,  , n 

8
Etape 2 : Test de l’optimalité
On définit
J  1 , 2 ,  , n 
I  1 , 2 ,  , m 
jJ j  0  , PL de maximisati on
' 
J 
 j  J  j  0  , PL de minimisati on
'
si J  : le PL est optimal
aller à l’étape 6
'
si J  : on détermine
' '
I j   i  I a ij  0 j  J
'' '
I j   i  I a ij  0 j  J
''
J   j  J I 'j  
'''
J   j  J ' ' I 'j'   

Si J    : aller à l’étape 5
Si J    : Déterminer une nouvelle solution de base réalisable par le
critère 1 ou le critère 2.

 Si le critère 1 est utilisé

Déterminer
 e  max  j 
j  J 

bs  b 
 min  i 
a se i  I e  a ie 
Aller à l’étape 3
 Si le critère 2 est utilisé
Pour chaque j  J  , on détermine
b s  j  b 
 min  i 
a s  j j i  I j  a ij 
 
b s  j
 X  j 
a s  j j
Z  j   j  X  j
Puis on détermine :
 Z  e  max   Z  j 
j  J 
s  s e 

9
Etape 3
La variable hors-base Xe entre dans la base et la variable de base  X B s sort
de la base.
Etape 4
Transition à une nouvelle solution de base réalisable.
- déterminer les nouvelles variables de base par l’opération suivante :
 X B s Xe
- Construire le nouveau tableau du simplexe

Elément pivot  a se
Ligne du pivot : L s
Calculer les multiplicateurs des lignes
a ie
m  , i I
a se
On calcule la nouvelle ligne L i , i  I  i s 
L i  L i  m iL s
 1 asj
a ij   a ij  m i a sj
 mi a ij

 1 bs
b i  mi bi
 bi  m ib s

On calcule la nouvelle ligne du pivot
Ls
Ls 
a se
 a sj
a sj  , jJ
 a se

b  b s
 s a se

On pourrait calculer directement la nouvelle ligne L

L   L   m L s
1 a sj
j    j  m  a sj , j  J  J B
m j
 j  0 , si j  JB

JB   j  J x j est une variable de base 

Aller à l’étape 1

10
Etape 5
Si J    : Le PL admet une solution optimale infinie
Aller à l’étape 10
Si J    : Le PL n’admet pas de solution de base réalisable.
Aller à l’étape 10
Etape 6 :
Si Cycle  0 , aller à l’étape 9
Sinon aller à l’étape 7
Etape 7 :
- Ecrire la première solution optimale courante


 X Bi  b i , i  I

X j  0 , j  J  J B

Z  v  C b
m
 0  Bi i
 i 1

Etape 8 : Recherche de la deuxième solution optimale

- Si il existe e  J B tel que  e  0 , alors aller à l’étape 7

- Sinon aller à l’étape 8
On détermine :

bs  b 
 min  i 
a se i  I e  a ie 
La variable hors- base xe entre dans la base et la variable de base xB
s
sort de
la base .
On pose : Cycle = 1
Aller à l’étape 4.
Etape 9 : Ecrire la solution optimale

 X  b , i  I
  Bi i

X j  0 , j  J  J B
 m
Z  v   C b
 0
i 1
Bi i

Etape 10 : Fin de l’algorithme.

11
 2.2 Remarques pertinentes
Dans le déroulement de l’algorithme du simplexe les remarques suivantes
peuvent être mises à profit.
1) Si dans la colonne du pivot un élément est nul, la ligne correspondante ne
change pas.
2) Si dans la ligne du pivot, un élément est nul alors la colonne correspondante
ne change pas.
3) Si la variable x j est dans la base c’est-à-dire j  J B alors :
 la colonne du tableau du simplexe correspondant à la variable de base
x j est un vecteur colonne unitaire dont l’élément unité se trouve à
l’intersection de la ligne et de la colonne de x j :
 1 si i  L  j 
a ij   i  1 , 2 , , m , j  JB
0 si i  L  j 
 le  j correspondant à cette variable est nulle
 j  0 , j  JB
L  j désigne la ligne de la variable x j , j  JB

J B  j  J x j est dans la base 

4) Lorsqu’une variable artificielle sort de la base, elle n’est plus à considérer
dans le tableau consécutif à sa sortie où l’on supprime la colonne
correspondante à cette variable.
5) Si une solution optimale de base réalisable comporte au moins une variable
artificielle, ce programme linéaire à un optimum infini.
6) En cas d’égalité dans le critère 1, l’on tranche arbitrairement.
7) En cas d’égalité dans le critère 2, l’on tranche par le critère 1.
8) Si à une étape de l’algorithme du simplexe, la variable hors- base x i entre
dans la base en lieu et place de la variable de base x j alors dans le tableau
simplexe de l’étape suivante :
 les éléments de la colonne de la variable sortante à l’exception de
l’élément de la ligne du pivot sont égaux à l’opposé des multiplicateurs
des lignes correspondants dans le tableau précédent :
a kj   m k , si k  I - L i 
 Le coefficient  j de la variable sortante x j dans la fonction-objectif est
égal à l’opposé du multiplicateur de la ligne des  calculé dans le
tableau précédent.

2.3 Dégénérescence dans l’algorithme du tableau du simplexe

Deux types de dégénérescence peuvent être observés dans le tableau optimal
du simplexe d’un PL :
- La dégénérescence de la première espèce.
- La dégénérescence de deuxième espèce.

12
 a) Dégénérescence de Première Espèce
Il y a dégénérescence de première espèce à l’optimum d’un PL si le gain
marginal d’une variable hors-base est nulle à l’optimum c’est-à-dire :
 j  JB j  0

J B   j  J x j est une variable de base 

Dans ce cas une solution optimale alternative du PL existe et peut-être en
faisant entrer dans la base la variable hors-base concernée.
Le PL admet en cas de dégénérescence de la première espèce une infinité de
solutions optimales.
L’ensemble des solutions optimales du PL dans ce cas est déterminé par une
combinaison linéaire convexe de solutions obtenues par l’algorithme du
simplexe :
  1  
x j  1    x j   x j 2  , j  J
0   1

La dégénérescence de la première espèce à l’optimal est prévisible lorsque

dans le tableau du simplexe précédent le tableau optimal du simplexe deux
variables hors-base sont ex-aequo pour l’entrée dans la base.
b) Dégénérescence de la deuxième espèce
L’on observe dégénérescence de la deuxième espèce dans la solution
optimale du PL si une variable de base prend la valeur nulle c’est-à-dire :

 j  JB x j  0
JB   j  JB x j est une variable de base 
Ce type de dégénérescence est prévisible lorsque dans le tableau du simplexe
précédent le tableau optimal du simplexe deux variables de base sont ex-aequo
pour la sortie de la base.
c) Conséquence de la dégénérescence en dualité
Propriétés
Considérons deux programmes linéaires en dualité, programme linéaire primal
PLI et programme linéaire dual PLII.
Si les programmes linéaires PLI sont optimaux.
(2) Une dégénérescence de la première espèce à l’optimum du PLI (resp. PLII)
correspond à une dégénérescence de la deuxième espèce à l’optimum
du PLII (resp. PLI).
(3) Une dégénérescence de deuxième espèce à l’optimum du PLI (resp. PLII)
correspond à une dégénérescence de la première espèce du PLII (resp.
PLI).

13
 d) Remarques
Il n’est pas exclu d’observer à la fois des dégénérescences de première et
deuxième espèce à l’optimum d’un programme linéaire.
2.4 Conséquences de la dualité dans l’algorithme du tableau
du simplexe
a) Détermination de la solution optimale du PLdual (resp. primal) étant
donnée la solution optimale du PL primal (resp. dual) :
Supposons que les programmes linéaires PLI et PLII en dualité ont des solutions
optimales finies, alors on a les propriétés suivantes.
Propriété 1
Si les PLI et PLII sont respectivement des programmes linéaires de maximisation
et de minimisation alors à l’optimum des deux programmes linéaires PLI et PLII,
(4) La valeur d’une variable du programme dual PLII est égale à l’opposé du
gain marginal de la variable qui lui correspond dans le programme
linéaire primal PLI.
 
y i     i  , i  1 , 2 ,  , m  n
PLII i 1 2 … … m m 1 m 2 … m n
PLI  i  n 1 n 2 … … n m 1 2 … n

 n  i , i  1 , 2 ,  , m 
 i   
 i  m , i   m  1 , m  2 ,  , m  n

(5) La valeur d’une variable du programme primal (PL) est égale au gain
marginal de la variable qui lui correspond dans le programme linéaire
dual (PLn)
 
x j    j  , j  J
J  1 , 2 ,  , n , n  1 , n  2 ,  , n  m 

PLI j 1 2 … … n n 1 n 2 … m n
PLI  j m 1 m 2 … … n m 1 2 … m

 m  j , j  1 , 2 , , n
 j  
 j  n , j  n  1 , n  2 , , n  m

14
 Propriété 2
Sur le PLI et PLII sont respectivement linéaire de maximisation et de
minimisation alors à l’optimum des deux programmes linéaires PLI et le PLII :
(6) La valeur d’une variable du programme dual (PLII) est égale au gain
marginal de la variable qui lui correspond dans le programme linéaire
primal

PLI
(7) y i   i  , i  1 , 2 ,  , m  n
(8) La valeur d’une valeur du programme primal PLI est égale à l’opposé du
gain marginal de la variable qui lui correspond dans le programme
linéaire dual PLII

x j     j  , j  J
Construction du tableau optimal du PL dual (resp. PL primal)
Etant donné le tableau optimal du PL primal (resp. PL dual)
Supposons que les programmes linéaires en dualité PLI et le PLII ont des
solutions

optimales 
finies.
x j , j  J et y i , i  I , alors on a la propriété suivante :
a) Propriété d’exécution

(9) si la variable x j du PL primal PLI (resp. hors de la base), la variable y i 

du PL dual PLII est hors de la base (resp. dans la base).
(10) Si la variable y i du PL dual PLII est dans la base (resp. hors de la
base), la variable x i  du PL primal PLI est hors de la base (resp. dans la
base).
b) Correspondance entre les tableaux optimaux des programmes linéaires
primal PLI et dual PLII.
Soient les programmes linéaires primal PLI et PLII en dualité sous la forme
standard à l’optimum des 2 programmes linéaires.
PLI : Max resp. Min  Z I 

Z I    j x j
 jJ
  
  a ij x j  b i , i  J B
j  J
x  0 , j  J
 j

J  1 , 2 ,  , n  m 
J B   j J x j est dans la base 

et PLII : min resp. max  Z II 

15
 
Z II    j y i
 i I
  
  a ij y j  b j , j  I B
i  I
y  0 , i  I
 j
I  1 , 2 ,  , m  n 
I B   i I y i est une variable de base 

A l’optimum des deux programmes linéaires PLI et PLII on a les relations

suivantes :

 
a ij   a   j  .  i  , i  I B et j  I B

a ii  1 , i  IB
a   0 , i  IB , j  IB   i 
I 
 ij
b       j  , j  I B
 j
 
a ij   a  j  . i  , i  I B et j  I B

a ii  1 , i  I B
a  0 , i  J , j  J   i  II 
 ij B B

b    
 j   j  , j  I B

16
3. TRAVAUX DIRIGES

Exercice V.1
PLI : max  Z  /
Z  x1  3 x 2
 x  x  14
 1 2

 2 x1  3 x 2  12
2 x  x  12
 1 2

 x1  0 , x 2  0
PL2 : min  Z  /
Z  14 y1  12 y 2  12 y 3
y  2 y  2 y  1
 1 2 3

 y1  3 y 2  y 3  3
 y i  0 , i  1 , 2 , 3

1. Résolution du PL1 par la méthode des tableaux simplexes

a) Standardisation du PL1

PL1 : max  Z  /
Z  x1  3 x 2
 x  x  x  14
 1 2 3

 2 x1  3 x 2  x 4  12
2 x  x  x  12
 1 2 5

 x i  0 , i  1 ,  , 5

Variables principales : x 1 , x 2
Variables d’écart : x 3 , x 4 , x 5
b) Tableaux simplexes
Tableau 0

CB VB m x1 x2 x3 x4 x5 b x 1 x 2
1
0 x3 1 1 1 0 0 14 14 14
3
0 x4 1 -2 3 0 1 0 12 - 4
1
0 x5  2 -1 0 0 1 12 6 -
3
Cj 1 3 0 0 0 6 12
Vj 0 0 0 0 0 0
j 1 3 0 0 0 0

17
Tableau 1

CB VB m x1 x2 x3 x4 x5 b x1
1 5 1 6
0 x3 0 1  0 10
3 3
2 2 1
3 x2  1 0 0 4 -
5 3 3
4 4 1
0 x5 0 0 1 16 12
5 3 3
Cj 1 3 0 0 0 18
Vj -2 3 0 1 0 12
j 3 0 0 -1 0 -12

Tableau 2

CB VB m x1 x2 x3 x4 x5 b
3 1
1 x1 1 0  0 6
5 5
2 1
3 x2 0 1 0 8
5 5
4 3
0 x5 0 0 1 8
5 5
Cj 1 3 0 0 0 0
9 2
Vj 1 3 0 30
5 5
9 2
j 0 0   0 -30
5 5

Dans le dernier tableau du simplexe (Tableau 2), on observe que

 j  0 , j  1 , , 5

L’optimum est donc atteint. On reporte la solution optimale du PL1

Variables principales
 
x1  6 , x 2  8

Variables d’écart
  
x3  0, x4  0, x5  8

Fonction-objectif

Z  30

18
 2. Solution optimale du PL2 standardisée de la correspondance entre
variables primales et duales à l’optimum on déduit la solution optimale
du PL2 standardisée.
a) PL2 Standardisée

PL2 : min  Z  /
Z   14 y1  12 y 2  12 y 3
y  2 y  2 y  y 1
 1 2 3 4

 1y  3 y 2  y 3  y 5 3

 y i  0 , i  1 ,  , 5

Variables principales
y1 , y 2 , y 3

Variables d’écart
y4 , y5

b) Solutions optimales du PL2

Le tableau simplexe optimal (Tableau 2) permet de déterminer les valeurs
optimales des valeurs principales, les variables d’écart et la fonction-objectif
duaux
Variables principales
 9
y 1  3 
5
 2
y 2  4 
5

y 3  5  0

Variables d’écart

y 4  1  0

y 5  2  0

Fonction-objectif

Z Z  30

c) Tableau optimal du PL2

c1) Détermination des variables de base et hors-base duale dans le tableau
optimal du PL2
La correspondance est la relation d’exclusion entre variables primales et duales
permettent de déterminer parmi les variables du PL2 standardisé celle qui est
de base et celle qui est hors-base. Selon le principe d’exclusion :
Si une variable primale est dans la base, la variable duale correspondante est

19
hors base et vice versa.
Tableau optimal du PL2

y4 y5 y1 y2 y3
x1 x2 x3 x4 x5
3 1
y4 x1 1 0 0
5 6
2 1
y5 x2 0 1 0
5 5
3
y3 x5 0 0 1
5

a) Matrice simpliciale du PL1

y4 y5 y3
x1 x2 x5
y4 x1 1 0 0
y5 x2 0 1 0
3 2
y1 x3
5 5
1 1 3
y2 x4
5 5 5
1
y3 x5 0 1
5

Tableau optimal du PL2

CB VB y1 y2 y3 y4 y5 b
4 3 2 1
14 y1 1 0  
5 5 5 5
3 1 1 2
12 y2 0 1 
5 5 5 5
Cj 14 12 12 0 0 0
Vj 14 12 4 -6 -8 30
j 0 0 8 6 8 - 30

PL2 : min  Z  /

20
 Z   14 y1  12 y 2  12 y 3
y  2 y  2 y  y  1
 1 2 3 4

 y1  3 y 2  y 3  y 5  3
 y i  0 , i  1 ,  , 5
Variables principales
y1 , y 2 , y 3

Variables d’écart
y4 , y5

La présence des variables d’écart y 1 , y 2 dont les coefficients sont -1 suggère

l’application de l’algorithme de simplexe à 2 phases.
2-1 Résolution du PL2 par la méthode du simplexe big M.
a) PL standardisé
b) PL :
Z   14 y1  12 y 2  12 y 3  My 6  My 7
y  2 y  2 y  y  y  1
 1 2 3 4 6

 1y  3 y 2  y 3  y 5  y 7  3

 y i  0 , i  1 ,  , 7

Tableau 0

CB VB m y1 y2 y3 y4 y5 y6 y7 b y 1 y 2 y 3
M y6 -2 2 -1 0 1 0 1 1 1 -
M y7 1 3 -1 0 -1 0 1 3 3 1 -
6
Cj 14 12 12 0 0 M M 14 12-M 
M
-2M 2

V j 2M M M -M -M M M 4M
j 14-2M 12 12 M M 0 0 -4M
-M -M

Tableau 1

CB VB m y1 y2 y3 y4 y5 y6 y7 b y 2 y 4
2
14 y1  1 -2 2 -1 0 0 1 - -
5
2
M y7 1 0 5 -3 1 -1 1 2 2
5
Cj 14 12 12 0 0 M 0 16 28

21
 -2M -2M
V j 14 -28 28 -14 -M M 14 +
5M -3M M 2M
 j 0 40 -16 14 M 0 -14
-M 3M -M -2M
Tableau 2

CB VB m y1 y2 y3 y4 y5 y6 y7 b
4 3 2 9
14 y1 1 0  
5 5 5 5
3 1 1 2
12 y2 0 1  
5 5 5 5
C j 14 12 12 0 0 0
V j 14 12 4 -6 -8 30
 j 0 0 8 6 8 -30

Le Tableau 2 est optimal car tous les  j  0 (critère d’arrêt d’un PL de

minimisation)
On reporte de ce tableau la solution optimale du PL2
Variables principales
 9
y1 
5
 2
y2 
5

y3  0

Variables d’écart

y4  0

y5  0

Fonction-objectif

Z   30
a) Déduction de la solution optimale de PL1 du tableau optimal de PL2. Le
PL1 étant le dual de PL2, de la correspondance entre les variables duales
et primales à l’optimum. On tire la solution optimale du PL1.
Variables principales

x 1   4  6

x 2   5  8

Variables d’écart

x 3  1  0

22
 
x 4   2  0

x 5   3  8

Fonction-objectif

Z   30
b) Obtention du tableau optimal de PL1 à partir du tableau optimal de PL2.
b.1) Matrice simpliciable du PL2

x3 x4 x5 x1 x2
y1 y2 y3 y4 y5
4 3 2
x3 y1 1 0  
5 5 5
3 1 1
x4 y2 0 1  
5 5 5

b.2) Transposée de la matrice simplifiable du PL1

x3 x4
y1 y2
x3 y1 1 0
x4 y2 0 1
4 3
x5 y3 
5 5
3 1
x1 y4 
5 5
2 1
x2 y5  
5 5

b.3) Tableau optimal du PL1

CB VB x1 x2 x3 x4 x5 b
3 1
1 x1 1 0  0 6
5 5
2 1
3 x2 0 1 0 8
5 5
4 3
0 x5 0 0  1 8
5 5
Cj 1 3 0 0 0
9 2
Vj 1 3 0
5 5
9 2
j 0 0  
5 5

23
24
Exercice V.2
1. Résolution du PL primal
a) Mise sous la forme standard
PL1 : min Z 
Z   x 1  x 2

 2 x 1  x 2  x 3  2

x 1  x 2  x 4  8
x  x  x  5
 1 2 5
x j  0 , j  1 , 2 ,  , 5

Variables principales : x 1 , x 2
Variables secondaires d’écart : x3 , x4 , x5

b) Tableaux du simplexe
Tableau 1.0

m CB V.B x1 x2 x3 x4 x5 b x 1
-2 0 x3 -2 1 1 0 0 2 -
1 0 x4 1 -1 0 1 0 2 2
1 0 x5 1 1 0 0 1 5 5
-1 j -1 1 0 0 0 0 -2

Tableau 1.1

m CB V.B x1 x2 x3 x4 x5 b x 2
1
 x3 0 -1 1 2 0 6 -
2
1 -1
 x1 1 0 1 0 2 -
2
3
1 x5 0 2 0 -1 1 3
2
0 j 0 0 0 1 0 -2 0

25
 Tableau 1.2

m CB V.B x1 x2 x3 x4 x5 b
3 1 15
x3 0 0 1
2 2 2
1 1 7
x1 1 0 0
2 2 2
1 1 3
x2 0 1 0 
2 2 2
j 0 0 0 1 0 -2

V.H.B x2 x4
j 0 1

 j  0 , j  1 , 4 

La solution réalisable donnée par le tableau 1.1 est optimale :

Variables principales
1  1 
x̂ 1  2 , x̂ 2  0

Variables secondaires
1  1  1 
x̂ 3  6 , x̂ 4  0 , x̂ 5  3
Fonction- objectif
Ẑ   2

Mais cette solution n’est pas unique car on observe une dégénérescence de
première espèce car  2  0 .
On obtient une solution optimale réalisable alternative en faisant rentrer la
v.h.b x 2 dans la base. Ce qui conduit au tableau optimal Tableau 1.2 qui donne
la solution optimale alternative
Variables principales
2  7 2  3
x̂ 1  , x̂ 2 
2 2
Variables secondaires
15 2 
2 
x̂ 3  , x̂ 4  0 , x̂ 5 2   0
2
Fonction- objectif
Ẑ   2

Le PL primal admet donc une infinité de solutions réalisables optimales.

L’ensemble de solutions optimales réalisables du PL primal (PL1) est obtenu par
combinaison linéaire convexe de deux solutions optimales réalisables données

26
par les tableaux du simplexe (Tableau 1.1 et Tableau 1.2) :
 7
x̂ 1  2 1     2 

x̂  3 
 2 2

x̂ 3  6 1     15 
 2
x̂  0
 4
x̂ 5  31   

Ẑ   2

Variables secondaires duales

y 4  x1 : ŷ 4  1  0
ŷ 5  x 2 : ŷ 5   2  0

Fonction- objectif

Ẑ   Ẑ   2

d) Tableau optimal du PL dual (PL2)

d.1 Correspondance entre les indices des variables duales et ceux des variables
primales.
Indice des variables i  indices des
duales j 1 2 3 4 5
variables primales
Indice des variables
primales Indice des variables
correspondantes 3 4 5 1 2
duales i
 j 

d.2 Tableau de correspondance

Dans l’un des tableaux optimaux du PL1 soit le tableau 1.1 on porte les
correspondances entre variables duales et primales.

y3 y4 y5 y1 y2
V.B x1 x2 x3 x4 x5 b
y5 x3 0 -1 1 2 0 6
y3 x1 1 -1 0 1 0 2
y2 x5 0 2 0 -1 1 3
j 0 0 0 1 0 -2

27
 Variables de base primales : x 1 , x 3 , x 5

Variables hors  base primales : x 2 , x 4
Variables de base duales : y 1 , y 4

Variables hors  base primales : y 2 , y 3 , y 5

On en déduit le tableau optimal du PL dual.

Tableau 1.4

V.B y1 y2 y3 y4 y5 b
y1 1 1 -1 0 -2 1
y4 0 -2 1 1 1 0
 j 0 -3 -2 0 -6 -2

 Les éléments du Tableau 1.4 se déduisent de ceux du tableau 1.2 en utilisant

les relations suivantes :

a   1 , i  J 
 ii B
a ij  0 , i  J B , j  J B , i  j

a ij   a   j   i  , i  J B , j  J B

b i    i  , i  J B

 0 , j  J B
 j  
  b   j  , j  J B
J B   j   1 , 2 ,  , 5 y j est variable de base duales 

Ainsi :
  1 , a 12
a 11    a 54  1
   a 14  1
a 13
 0
a 14
  a 34  2
a 15
a 41  0 , a 42   a 52  2
a 43   a 12  1
a 44  1
a 45   a 32  1

Remarques :

28
Le tableau 1.3 de correspondance permet la détermination directe des
éléments du tableau optimal du dual (tableau 1.4).
Après avoir rendu unitaire la colonne des variables de base, on détermine les
autres éléments a ij comme étant les opposés des éléments de la matrice des
contraintes du PL1 se trouvant à l’intersection des colonnes des y i et celles des
lignes y j .
Les éléments b i , , sont égaux à la valeur absolue du  j correspondant
b 1  1

b 4  0
1  0
 
 2   3

 3   2
   0
 4
 5   6

2. Résolution du PL dual (PL2)

a) Forme standard du PL2

PL2 : max Z 
Z    2 y 1  2 y 2  5 y 3

 2 y 1  y 2  y 3  y 4  1

 y 1  y 2  y 3  y 5  1
y i  0 , i  1 , 2 , 3


b) Résolution du PL2 par la méthode du simplexe avec BIG.M

b-1 Forme standard du simplexe BIG M

PL2 : max Z 
Z    2 y 1  2 y 2  5 y 3  My 6

 2 y 1  y 2  y 3  y 4  y 6  1

 y 1  y 2  y 3  y 5  1
y i  0 , i  1 , 2 , 3 , 4 , 5 , 6


Variables principales : y 1 , y2 , y3
Variables d’écart : y 5
Variable de surplus : y 4
Variable artificielle : y 6
M  
b- 2 Tableaux du simplexe

29
 Variables de bases initiales : y 4 et y 6 .
Variables hors-base : y 1 , y 2 , y 3 , y 5 .
Tableau 2.0
m CB VB y1 y2 y3 y4 y5 y6 b y 2 y 3
1 -M y6 -2 1 1 -1 0 1 1 1 1
1 0 y5 -1 1 -1 0 1 0 1 1 -
c j -2 -2 -5 0 0 -M 0
M 2
M 5

V j 2M -M -M -M 0 -M -M
M 2  j  2  2M  2 M  5 M M 0 0 M

Tableau 2.1

m C B VB y1 y2 y3 y4 y5 b
-2 y2 -2 1 1 -1 0 1
0 y5 1 0 -2 1 +1 0
c j -2 -2 -5 0 0 0
V j 4 -2 -2 2 0 -2
 j -6 0 -3 -2 0 2

Le tableau 2.1 est optimal car les  j  0 (Critère d’arrêt du PL de maximisation).

La solution optimale du PL2 est unique car les  j correspondant aux variables
hors-base sont strictement négatifs :
1   6 ,  3   3 ,  4   2
Cette solution est déduite du tableau 2.1

ŷ 1  0 , ŷ 2  1 , ŷ 3  0 , ŷ 4  0 , ŷ 5  0
Ẑ    2

La solution optimale du PL2 présente une dégénérescence de la

deuxième espèce car la variable de base ŷ 5  0 .

c) solution optimale du PL1

La solution optimale du PL1 déduite du tableau optimal du PL2 en utilisant la
correspondance entre les variables primales et duales dans le tableau suivant

30
 Tableau 2.3

x3 x4 x5 x1 x2
V.B y1 y2 y3 y4 y5 b
x4 y2 -2 1 1 -1 0 1
x2 y5 1 0 -2 1 1 0
 j -6 0 -3 -2 0 2

Est donné par :

x̂ 1    4  2

x̂ 2    5  0
x̂ 3   1  6

x̂ 4    2  0
x̂ 5    3  3

Ẑ  Ẑ    2

d) Tableau optimal du PL1 du tableau de correspondance entre tableau optimal

du PL1 et du PL2 on déduit celui de PL1 (Tableau 2.4)
Tableau 2.4

V.B x1 x2 x3 x4 x5
x1 1 -1 0 1 0 2
x3 0 -1 1 2 0 6
x5 0 2 0 -1 1 3
j 0 0 0 1 0 -2

2. Solution optimale du PL dual (PL2)

a) Expression du PL dual (PL2)

PL2 : Max Z 
Z    2 y 1  2 y 2  5 y 3

 2 y 1  y 2  y 3  1

 y 1  y 2  y 3  1
y i  0 , i  1 , 2 , 3


31
b) Forme Standard du PL2

PL2 : Max Z 
Z    2 y 1  2 y 2  5 y 3

 2 y 1  y 2  y 3  y 4  1

 y 1  y 2  y 3  y 5  1
y i  0 , i  1 , 2 , 3 , 4 , 5

Variables principales : y 1 , y 2 , y 3
Variables secondaires d’écart : y 5
Variable secondaire de surplus : y 4
c) La solution optimale réalisable du PL dual est déduite du tableau 1.1 ou
Tableau 1.2 en utilisant les correspondances entre variables primales et
duales :

 variables principales duales

ˆ 0
y 1  x 3  ŷ 1   3
y 2  x 4  ŷ 2  ˆ 1
4
ˆ 0
y 3  x 5  ŷ 5   5

32
Exercice V.3
1. Résolution du PL primal

a) PL : max Z 
Z  5 x 1  7 x 2

x 1  x 2  6

x 1  4
x  3
 1
x 1 , x 2  0

b) Mise du PL1 sous la forme standard de la méthode du simplexe BIG M

PL : max Z 
Z  5 x 1  7 x 2  Mx 6  Mx 7

x 1  x 2  x 3  x 6  6

x 1  x 4  x 7  4
x  x  3
 1 5
x j  0 , j  1 , 2 ,  , 6

Variables principales : x1 , x 2

Variables secondaires :
- variables d’écart : x 5
- variables de surplus : x 3 , x 4
- variables artificielles : x 6 , x 7

c) Tableau du simplexe du PL1

Tableau 1.0

m CB VB x1 x2 x3 x4 x5 x6 x7 b x 1 x 2
M x6 1 1 -1 0 0 1 0 6 6 6
M x7 1 0 0 -1 0 0 1 4 4 

0 x5 1 0 0 0 1 0 0 3 3 

cj 5 7 0 0 0 M M 0 15  6M 42  6M

Vj  2M M M 0 0 M M  10 M

j 5  2M 7 M M 0 0 0 0 10 M

33
 Tableau 1.1

m CB VB x1 x2 x3 x4 x5 x6 x7 b x 1 x 2
7 x2 1 1 -1 0 0 1 0 6 6 -
M x7 1 0 0 -1 0 0 1 4 4 

0 x5 1 0 0 0 1 0 0 3 3 

cj 5 7 0 0 0 M M 0 3M  2 

Vj 7 M 7 -7 M 0 7 M 42  4 M

j M 2 0 7 M 0 M  7 0 4 M  42

Dans le tableau 1.1 la variable hors-base x1 entre dans la base avec

x 3   
Ce qui correspond la variation
Z    de la f.o

Le PL primal (PL1) est non-borné.

2. résolution du PL dual (PL2)
a) Expression du PL2

PL2 : min Z 
Z    6 y 1  4 y 2  3 y 3

 y 1  y 2  y 3  5

 y 1  7
y 1  0 , y 2  0 , y 3  0

b) Mise sous la forme standard du simplexe BIG M

PL2 : min Z 
Z    6 y 1  4 y 2  3 y 3  My 6  My 7

 y 1  y 2  y 3  y 4  y 6  5

 y 1  y 5  y 7  7
y i  0 , i  1 , 2 ,  , 7


Variables principales : y 1 , y 2 , y 3
Variables secondaires : y 4 , y 5
Variables artificielles : y 6 , y 7

34
 Tableau 2.0

m CB VB y1 y2 y3 y4 y5 y6 y7 b y 3
M y6 -1 -1 1 -1 0 1 0 5 5
M y7 -1 0 0 0 -1 0 1 7 

c j -6 -4 3 0 0 M M 0 15  5M

V j  2M M M M 0 M M 12 M

 j 2M  6 M 4 3 M M 0 0 0  12 M

Tableau 2.1

m C B VB y1 y2 y3 y4 y5 y6 y7 b y 2
3 y3 -1 -1 1 -1 0 1 0 5 -
M y7 -1 0 0 0 -1 0 1 7 

c j -6 -4 3 0 0 M M 0 -
V j 3 M -3 3 -3 M 3 M 15  7 M 

j M 3 -1 0 3 M M 3 0  15  7 M

La variable hors-base y 2 rentre dans la base avec y 2 =  ce qui engendre

une variation : Z     1        

Le PL dual (PL2) est non-borné.

35
Exercice V.4
1. Résolution du PL primal (PL1)
a) Expression du PL1
PL1 : Min Z 
Z  x 1  2 x 2  3 x 3

3 x 1  4 x 3  5

5 x 1  x 2  6 x 3  7
8 x  9 x  3
 1 3
x 1  0 , x 2  0 , x 3  0

b) Mise du PL1 sous la forme du simplexe BIG M

PL1 : Min Z 
Z  x 1  2 x 2  3 x 3  Mx 8  Mx 9

3 x 1  4 x 3  x 4  5
5 x 1  x 2  6 x 3  x 5  7

5 x 1  x 2  6 x 3  x 6  x 8  7
8 x 1  9 x 3  x 7  x 9  3

x j  0 , j  1 , 2 , , 7
Variables principales : x 1 , x 2 , x 3
Variables d’écart : x 4 , x 5
Variables de surplus : x 6 , x 7
Variables artificielles : x 8 , x 9

c) Tableaux du simplexe
Tableau 1.3

m CB V .B x1 x2 x3 x4 x5 x6 x7 x8 x9 b
3 5 3 3 31
0 x4 0 0 1 0 0 0 
5 8 8 8 8
0 0 x5 0 0 0 0 1 1 0 -1 0 0
1 3 5 5 43
2 x2 0 1 0 0 -1 1 
8 8 8 8
1 9 1 1 3
 1 x1 1 0 0 0 0  0
5 8 8 8 8
cj 1 2 3 0 0 0 0 M M 0
15 9 9 85
Vj 1 2 0 0 -2 2 
8 8 8 8
9 9 9 85

9
j 0 0 0 0 2  M 2 M  
5 8 8 8 8

36
 V .B x 7
31
x4
3
x5 -
41
x2
5
x1 -
369
Z 
40

Tableau 1.4
m CB V .B x1 x2 x3 x4 x5 x6 x7 x8 x9 b
3 2 3 3 4
0 x4 0  1 0 0  0
5 5 5 5 5
0 x5 0 0 0 0 1 1 0 -1 0 0
8 3 8 8 41
0 x7 0 0 0 - 1 -1
5 5 5 5 5
1 6 1 1 7
1 x1 1 0 0 - 0 0
5 5 5 5 5
cj 1 2 3 0 0 0 0 M M 0
1 6 1 1 7
Vj 1 0 0 - 0 0
5 5 5 5 5
9 9 1 7
j 0 0 0 0 M 
1
M -
5 5 5 5 5

Tous les  j  0 , le tableau 1.4 est optimal en plus les  j des variables hors-
base ne sont pas nuls :
9 9 1
2  , 3  , 6 
5 5 5
Alors la solution optimale est unique.
Cette solution optimale est donnée par :

37
 variables principale s

x̂ 1  7 , x̂ 2  0 , x̂ 3  0
 5
variables d' écart :

 5
x̂ 4  6 , x̂ 5  0

variables de surplus :

x̂  0 , x̂  41
 6 7
5
variables artificiel les :

x̂ 8  0 , x̂ 9  0

Fonction - objectif
 7
Ẑ 
 5

2. solution du PL dual (PL2) selon le théorème de la dualité, le PL1 étant optimal

alors le PL2 est optimal
a) Expression du PL2

PL2 : max Z 
Z    5 y 1  7 y 2  7 y 3  3 y 4

 3 y 1  5 y 2  5 y 3  8 y 4  1

 y 2  y 3  2
 4 y  6 y  6 y  9 y  3
 1 2 3 4
y i  0 , i  1 , 2 , 3

b) mise du PL2 sous-forme standard

PL2 : max Z 
Z    5 y 1  7 y 2  7 y 3  3 y 4

 3 y 1  5 y 2  5 y 3  8 y 4  y 5  1

 y 1  y 3  y 6  2
 4 y  6 y  6 y  9 y  y  3
 1 2 3 4 7
y i  0 , i  1 , 2 ,  , 7

c) Solution optimale du PL2

Complétons le Tableau optimal du PL1 en associant à chaque variable xj du

primal la variable duale y i qui lui correspond.

38
 y5 y6 y7 y1 y2 y3 y4
VB x1 x2 x3 x4 x5 x6 x7 b
3 2 3 6
y1 x4 0  1 0 0
5 5 5 5
y2 x5 0 0 0 0 1 1 0 0
8 3 8 41
y4 x7 0 0 0  1
5 5 5 5
1 6 1 7
y5 x1 1 0 0 - 0
5 5 5 5
9 9 1 7
j 0 0 0 0 
5 5 5 5

Ce tableau donne par correspondance la solution optimale du PL2

1
Variables principales duales : ŷ 1  0 , ŷ 2  0 , ŷ 3  , ŷ 4  0
5
9 9
Variables d’écart duales : ŷ 5  0 , ŷ 6  , ŷ 7 
5 5
7
Fonction- objectif duale : Ẑ   ẑ  
5
d) En appliquant le principe développé dans le cours et les exercices
précédents, on peut aisément déterminer pour le PL2.

- les variables de base : y 3 , y 6 , y 7

- les variables hors-bases : y 1 , y 2 , y 5
- le tableau optimal du PL2 (tableau 1.6)
Tableau 1.6
VB y1 y2 y3 y4 y5 y6 y7 b
3 8 1 6
y3  -1 1 0 0
5 5 5 5
3 8 1 9
y6 0 0   1 0
5 5 5 5
2 3 6 9
y7  0 0   0 1
5 5 5 5
4 41 7 7
 j  0 0   0 0 
5 5 5 5

39
 3. résolution du PL2 par la méthode simplexe
a) Forme standard du PL2

PL2 : max Z 
Z    5 y 1  7 y 2  7 y 3  3 y 4

 3 y 1  5 y 2  5 y 3  8 y 4  y 5  1

 y 1  y 3  y 6  2
 4 y  6 y  6 y  9 y  y  3
 1 2 3 4 7
y i  0 , i  1 , 2 ,  , 7

b) Tableaux du simplexe du PL2

Tableau 2.0
m CB V .B y1 y2 y3 y4 y5 y6 y7 b y 3 y 4
1 1
1 0 y5 -3 -5 5 8 1 0 0 1
5 8
1
0 y6 -1 0 1 0 0 1 0 2 2 
5
6 1 1
0 y7 -4 -6 6 9 0 0 1 3
5 2 3
7 7 3
 j -5 -7 7 3 0 0 0 0
5 5 8

Tableau 2.1

m CB V .B y1 y2 y3 y4 y5 y6 y7 b y 2
1 3 -1 8 1 1
y3  1 0 0 -
5 5 5 5
2 8 1 9 9
1 y6  1 0   1 0
5 5 5 5 5
2 3 6 9
0 y7 0 0   0 1 
5 5 5 5
4 0 41 7 7
 j 0   0 0  0
5 5 5 5

Le tableau 2.1 est optimal car les  j  0.

On observe une dégénérescence de première espèce (  2  0 ). Ce qui signifie
que la solution optimale du PL2 déterminer par la méthode du simplexe n’est
pas unique et qu’il existe une solution optimale alternative.
La première solution optimale est donnée par le tableau 2.1

40
 1  1
Variables principales : ŷ 1  0 , ŷ 21   0 , ŷ 31   , 1 
ŷ 4  0
5
1  1  9 1  9
Variables d’écart duales : ŷ 5  0 , ŷ 6  , ŷ 7 
5 5
7
Fonction-objectif duale : Ẑ  
5
La deuxième solution optimale du PL2 est donnée par le tableau 2.1 obtenu en
faisant entrer la v.h.b y 2 dans la base et sortir y 6 de la base ce qui aboutit au
Tableau 2.2
Tableau 2.2

m 
CB V .B y1 y2 y3 y4 y5 y6 y7 b
7 y3 -1 0 1 0 0 1 0 2
2 8 1 9
-7 y2 y6  1 0   1 0
5 5 5 5
2 3 6 9
0 y7 0 0   0 1
5 5 5 5
4 41 7 7
 j 0 0   0 0 
5 5 5 5

Le tableau 2.2 donne la seconde solution optimale :

 variables principales
1
ŷ 1  0 , ŷ 2  0 , ŷ 3  , ŷ 4  0
5

 Variables d’écart
9
ŷ 5  0 , ŷ 6  0 , ŷ 7 
5
 Fonction-objectif duale
7
Ẑ  
5

Vérification :

9
Ẑ  7  2   7  
5
63
Ẑ  14 
5
7
Ẑ 
5

41
 c) Solution optimale du PL1 on construit le Tableau de
correspondance entre le PL1 et le PL2 avec le tableau 2.1 (ou du
tableau 2.2)

Tableau 2.3

x4 x5 x6 x7 x1 x2 x3
V .B y1 y2 y3 y4 y5 y6 y7 b
3 8 1 1
x6 y3  -1 1 0 0
5 5 5 5
2 8 1 9
x2 y6  1 0   1 0
5 5 5 5
2 3 6 9
x3 y7 0 0   0 1
5 5 5 5
4 41 7 7
 j  0 0   0 0 
5 5 5 5

On tire la solution optimale du PL1 :

7 4
x̂ 1  , x̂ 2  0 , x̂ 3  0 , x̂ 4 
5 5
41
x̂ 5  0 , x̂ 6  0 , x̂ 7 
5
7
Ẑ 
5

c) Tableau optimal du PL1 du tableau 2.3, l’on déduit le Tableau optimal

du PL1 (tableau 2.4)
Tableau 2.4

V .B x1 x2 x3 x4 x5 x6 x7 b
1 6 1 7
x1 1 0 0  0 
5 5 5 5
2 2 3 4
x4 0  1 0 0
5 5 5 5
x5 0 -1 0 0 1 1 0 0
8 3 8 41
x7 0 0 0  1
5 5 5 5
9 9 1 7
 j 0 0 0 0 
5 5 5 5

42
Exercice V.5
Solution à revoir
1. Résolution du PL1 par la méthode simplexe
a) Mise du PL1 sous la forme standard ordinaire :
PL1 : max Z 
Z   x 1  x 2

 2 x 1  x 2  x 3  2

 x 1  2 x 2  x 4  8
x  x  x  5
 1 2 5
x j  0 , j  1 , 2 , 3 , 4 , 5

b) mise du PL1 sous la forme standard BIG M

PL1 : max Z 
Z   x 1  x 2  Mx 6

 2 x 1  x 2  x 3  2

 x 1  2 x 2  x 4  x 6  8
x  x  x  5
 1 2 5
x j  0 , j  1 , 2 ,  , 6

c) Tableaux du simplexe du PL1

Tableau 1.1

m CB V .B x1 x2 x3 x4 x5 x6 b x 1
2
 1 x2 -2 1 1 0 0 0 2 -
3
1 4
M x6 3 0 -2 -1 0 1 4
3
1 0 x5 3 0 -1 0 1 0 3 1
cj -1 1 0 0 0 M 0 1  3M

Vj 3M  2 1 1  2M M 0 M 4M  2

j 1  3M 0 2M  1 M 0 0  4M  2

43
 Tableau 1.2

m CB V .B x1 x2 x3 x4 x5 x6 b
1 2
1 x2 0 1 0 0 4
3 3
M x6 0 0 -1 -1 -1 1 1
1 1
-1 x1 1 0  0 0 1
3 3
cj -1 1 0 0 0 M 0
2
Vj -1 1 M M M M M 3
3

j 0 0 M
2
M M 0  M 3
3

La solution de base est optimale mais non réalisable du fait de la présence de la

variable artificielle dans la base :
x̂ 6  1

Il n’est pas de minimum pour ce PL.

2. Résolution du PL dual (PL2)
a) Expression du PL2

PL2 : max Z 
Z   2 y 1  8 y 2  5 y 3

 2 y 1  y 2  y 3  1

 y 1  2 y 2  y 3  1
y i  0 , i  1 , 2 , 3


b) Mise de PL2 sous la forme standard ordinaire

PL2 : max Z 
Z   2 y 1  8 y 2  5 y 3

 2 y 1  y 2  y 3  y 4  1

 y 1  2 y 2  y 3  y 5  1
y i  0 , i  1 , 2 , 3 , 4 , 5


Variables principales : y 1 , y2 , y3
Variables d’écart : y 5
Variable de surplus : y 4

La présence d’une variable de surplus de la forme standard suggère une

résolution du PL2 avec la méthode du simplexe BIG M.

44
 c) Mise de PL2 sous la forme standard du simplexe BIG M

PL2 : max Z 
Z   2 y 1  8 y 2  5 y 3  My 6

 2 y 1  y 2  y 3  y 4  y 6  1

 y 1  2 y 2  y 3  y 5  1
y i  0 , i  1 , 2 ,  , 6

d) tableau du simplexe
Tableau 2.0
m CB V .B y1 y2 y3 y4 y5 y6 b y 2 y 3
1 M y6 -2 1 1 -1 0 1 1 1 1
1
-1 0 y5 - 2 -1 0 1 0 1 -
2
1
c j 2 8 -5 0 0 M 0 M  4 M 5
2
V j 2M M M M 0 M M

 j 2  2M 8M M 5 M 0 0 M

Tableau 2.1

m C B V .B y1 y2 y3 y4 y5 y6 b y 2
1 1
-5 y3 -2 -1 0 0 1 1 1
3
2
1 0 y5 -3 3 -1 1 1 1 2
3
26
c j 2 8 0 0 0 M 0
3
V j 10 -5 5 0 0 5 -5
 j -8 13 -5 0 0 5 M 5

45
Tableau 2.3

m C B V .B y1 y2 y3 y4 y5 y6 b y 1
2 1 2 1
-5 y3 -1 0 1   -
3 3 3 3
1 1 1 2
8 y2 -1 1 0  -
3 3 3 3
c j 2 8 -5 0 0 M 0
2 13 2 11
V j -3 8 -5 
3 3 3 3
2 13 11
 j 5 0 0  
2
M 
3 3 3 3

Le PL dual n’admet pas de solution de base réalisable car la variable hors-base

y 1 rentre dans la base avec une valeur négative.
.

46
Exercice V.6
Solution

PL1 : max Z 

PL2 :

1- Résolution du PL par la méthode simplexe

a) PL1 standardisé

Variables principales : x 1 , x 2
Variables d’écart : x 3 , x 4 , x 5 , x 6
b) Suite des tableaux simplexes
Tableau 0
CB VB m x1 x2 x3 x4 x5 x6 b x 1 x 2
0 x3 -3 -3 2 1 0 0 0 4 - 2
0 x4 3 16 8
3 2 0 1 0 0 16
3
0 x5 1 11
1 4 0 0 1 0 22 22
2
0 x6 1 1 0 0 0 0 1 3 3 
Cj 1 1 0 0 0 0 0 3 2
Vj 0 0 0 0 0 0 0

47
 j 1 1 0 0 0 0 0
Tableau 1
CB VB m x1 x2 x3 x4 x5 x6 b x 2
0 x3 1 13
0 2 1 0 0 3 13
2
0 x4 1 7
0 2 0 1 0 -3 7
2
0 x5 2 19
0 4 0 0 1 -1 19
4
1 x1 0 1 0 0 0 0 1 3 
7
Cj 1 1 0 0 0 0 0
2
Vj 1 0 0 0 0 1 3
j 0 1 0 0 0 -1 -3

Tableau 2
CB VB m x1 x2 x3 x4 x5 x6 b x 2
0 x3 1 0 0 1 -1 0 6 6 1
0 x4 1 1 3 7 -
 0 1 0 0 
4 2 2 2
0 x5 5 1
0 0 0 -2 1 5 5
6
1 x1 1 3
1 0 0 0 0 1 3
6
1
Cj 1 1 0 0 0 0 0
2
1 1 13
Vj 1 1 0 0 
2 2 2
1 1 13
j 0 0 0  0 
2 2 2

48
Tableau 3
CB VB m x1 x2 x3 x4 x5 x6 b x 2
0 x6 1 1 1
0 0  0 1 6
6 6
1 x2 1 1 7 5
0 1 0 0
4 4 2
0 x5 5 7 0
1 0   1 0 5
6 6
1 x1 1 1 2
1 0  0 0 3
6 6
Cj 1 1 0 0 0 0 0 0
1 5 13 7
Vj 1 1 0 0
12 12 2
j 1 5 13 -7
0 0   0 0 
12 12 2

Solution optimale du PL1

Le tableau 2 est optimal car les  j  0
On en tire la solution optimale du PL1
Variables principales
 
x1  2 , x 2  5

Variables d’écart
   
x3  0 , x4  0, x5  0 , x6 1
Fonction-objectif

Z 7

Remarques : le tableau optimal du PL1 présente une situation de

dégénérescence de la 2ème espèce : la variable de base x 5  0 .
La solution optimale du PL1 est alors dégénérée avec dégénérescence de la
2ème espèce.
d) Solution optimale
PL2 :

Variables principales : y1 , y 2 , y 3 , y 4

49
Variables d’écart : y 5 , y 6
Du tableau optimal de PL1 (Tableau 3) on tire en utilisant les correspondances
entre variables optimales et duales.
Variables principales

 1
y 1  x 3  y 1   3 
2
 5
y 2  x 4  y 2   4 
12

y 3  x 5  y 3   5  0
 1
y 4  x 6  y 4   6 
2

Variables d’écart
 1 5 
Z   4  16  22 0   30    7
 12 12 
Ce qui montre bien que Z   Z 

e) Tableau optimal du PL2

ce tableau optimal du PL2 est déduit du tableau optimal du PL1 avec les
correspondances entre les variables du PL1 et celles du PL2 :

y5 y6 y1 y2 y3 y4
x1 x2 x3 x4 x5 x6 b
y4 x6 1 1
0 0  0 1 1
6 6
y6 x2 1 1
0 1 0 0 5
4 4
y3 x5 5 7
0 0   1 0 0
6 6
y5 x1 1 1
1 0  0 0 2
6 6
Cj 1 1 0 0 0 0 0
1 5
Vj 1 1 0 0 7
12 12
1 5
j 0 0   0 0 -7
12 12

50
Tableau optimal du PL2

y1 y2 y3 y4 y5 y6
5 1 1 1 1
4 y1 1 0  
6 6 6 4 12
7 1 1 1 5
16 y2 0 1  
6 6 6 4 12
C j 4 16 22 3 0 0 0
V j 4 16 22 2 -2 -5 7
 j 0 0 0 1 2 5 -7

2- Résolution du PL2 par la méthode simplexe

a) PL2 standardisé

Variables principales : y1 , y 2 , y 3 , y 4
Variables d’écart : y 5 , y6
Variables artificielles : y7 , y8

b) Suite des tableaux simplexes

Tableau 0

CB VB m y1 y2 y3 y4 y5 y6 y8 b y 2 y 3 y 3
1
M y7 1 -3 3 1 1 -1 0 0 1 1 1
3
2 1 1
M y8 2 2 4 0 0 -1 1 1 
3 2 4
16 5 11 5
C j 4 13 22 3 0 0 M 0  M  M 3-M
3 3 2 4
V j -M 5M 5M M -M -M M 2M
 j 4M 16- 22- 3- M M
5M 5M M

51
Tableau 1
CB VB m y1 y2 y3 y4 y5 y6 y8 b y 2 y 3 y 3
1 1 1 1 1
16 y2  -1 1  0 0 - 1 -
4 3 3 3 3
10 2 2 1 1 1 1
M y8 1 4 0  -1 1
3 3 3 3 12 10 2
5 1
C j
11 5 8 1
4 16 22 3 0 0 M  M  M  M
3 3 2 4 3 3

- - 5
V j 16
16 16
M
16
16 3 3 M 3 3
2
0 1
 j -
50

10 10
M
7 2
M
2
M
16

2
M 0
1
M
16 1
M  M
4 3 3M 3 3 3 3 3 3 3 3 3 3
M

Tableau 2

CB VB m y1 y2 y3 y4 y5 y6 b y 3
7 7 1 1 1 5 5
16 y2 0 1  
5 6 6 6 4 12 14

5 1 1 1 1 1
4 y1 1 1 0  
6 6 6 4 12 10

C j 4 16 22 3 0 0
V j 4 16 22 2 -3 -5
 j 0 0 0 1 3 5

Solution optimale du ¨PL2

Le tableau 2 est optimal puisque tous les  j sont positifs ou nuls (PL de
minimisation).
De ce tableau on reporte la solution du PL2
Variables principales
 1  5
y1  , y2 
12 12
Variables d’écart
   
y3  0 , y4  0 y5  0, y6  0

Fonction-objectif
 1  5 84
Z   4   16  22 0   30   7
 12  12 12
Ce qui vérifie bien que

52
  
Z  Z

Mais cette solution n’est pas unique car pour la variable hors-base y 3 ,  3  0 .
Nous sommes dans la situation d’une dégénérescence de 1ère espèce qui
comprend à une solution optimale multiple.
Une solution alternative peut être déterminée en faisant rentrer la variable hors
-base y 3 dans la base dans le tableau 2. ce qui donne le tableau optimal
suivant :
Tableau 3

CB VB m y1 y2 y3 y4 y5 y6 b
7 2 3 1 3
16 y2  1 0 
5 5 10 10 10

6 1 1 3 1
22 y3 0 1  
5 5 5 10 10

C j 4 16 22 3 0 0 0
V j 4 16 22 2 -2 -5 7
 j 0 0 0 1 2 5 -7

On en tire la solution optimale alternative du PL2

Variables principales
 1  3  1 
y1  , y2  , y3  , y4  0
12 10 10

Variables d’écart
 
y5  0, y6  0

Fonction-objectif

Z  7

53
Exercice V.7 :
PL1 :

PL2 :

1. Résolution du PL1 par la méthode des tableaux simplexes

a) Standardisation du PL1
PL1 :

Variables principales : x 1 , x 2 , x 3 , x 4 , x 5
Variables d’écart : x 6 , x 7
Variables artificielles : x 8 , x 9
M  

54
 a) Tableaux simplexes
Tableau 0

CB VB m x1 x2 x3 x4 x5 x6 x7 x8 x9 b x 1 x 3 x 4
M x8 1 1 1 2 1 3 -1 0 1 0 4 4 2 4
3
2 x9 1 2 -2 3 1 1 0 -1 0 1 3 1 3
2
3
Cj 2 3 5 2 3 0 0 M M 0 3  M 5  5M 6  6M
2
Vj 3M -M 5M 2M 4M -M -M M M 7M
j 2- 2- 3+ 5- 2- 3- M M 0 0
3M 3M M 5M 2M 4M

Tableau 1

CB VB m x1 x2 x3 x4 x5 x6 x7 x8 b x 2 x 5 x 7
1 1
M x8 1 -1 3 -1 0 2 -1 1 1 1 1
3 2
1
2 x4 2 -2 3 1 1 0 -1 0 3 - 3 -
2
7 1
Cj 2 3 5 2 3 0 0 M 0 M M 2 M
3 2
Vj 4-M 3M- 6-M 2 2+2M -M -2+M M 6+M
4
j 2- - 7- -1+M 0 1-2M M 2-M 0
M 2+M 3M

Tableau 2

CB VB m x1 x2 x3 x4 x5 x6 x7 b x 1 x 3
1 1 3 1 1 1 1
3 x5  - - 0 1  - -
5 2 2 2 2 2 2
5 7 7 1 3 5 5
2 x4 1  1 0  1
2 2 2 2 2 2 7
3 5
Cj 2 3 5 2 3 0 0 0  
2 14
7 5 11 1 3 13
Vj  2 3  
2 2 2 2 2 2
3 11 1 1 3 13
j  - 0 0 
2 2 2 2 2 2

55
Tableau 3

CB VB m x1 x2 x3 x4 x5 x6 x7 b
4 1 1 2 1
3 x5 0 1  1
5 5 5 5 5
7 7 2 1 3
2 x1 1  0  1
5 5 5 5 5
Cj 2 3 5 2 3 0 0 0
2 17 7 4 3
Vj 2  3   5
5 5 5 5 5
17 8 3 4 3
j 0 0 -5
5 5 5 5 5

Dans le dernier tableau du simplexe (tableau 3), on observe que  j  0

(minimisation). L’optimum est donc atteint. On reporte la solution optimale du
PL1
Variables principales
  
x 1  1 , x 2  0 , x 3  0 , x 4  0 , x 5  1

Variables d’écart
 
x6  0 ,x7  0

Fonction-objectif

Z 5

d) Solution optimale du PL2

la solution optimale du PL2 standardisée
PL2 :

Variables principales duales : y 1 , y 2

Variables d’écart duales : y 3 , y 4 , y 5 , y 6 y 7
Est déduite du tableau optimal du PL1 (Tableau 3) en utilisant sa
correspondance entre variables primales et duales.

56
Valeurs optimales des variables principales

 4
y1  6 
5
 3
y 2  7 
5

Valeurs optimales des variables d’écart


y 3  1  0
 17
y 4  2 
5
 8
y 5  3 
5
 3
y 6  4 
5

y 7  5  0

Valeur optimale de la Fonction-objectif duale

 
Z  Z 5

Vérification

 4 3
Z   4    3   5
5 5

e) tableau optimal du PL2

Disposition pratique
Tableau 3

y3 y4 y5 y6 y7 y1 y2
x1 x2 x3 x4 x5 x6 x7 b
4 1 1 2 1
y7 x5 0 1  1
5 5 5 5 5
7 7 2 1 3
y3 x1 1  0  1
5 5 5 5 5
Cj 2 3 5 2 3 0 0 0
2 17 7 4 3
Vj 2  3   5
5 5 5 5 5
17 8 3 4 3
j 0 0 -5
5 5 5 5 5

57
Variables de base du PL2 dans le tableau optimal : y1 , y 2 , y 4 , y 5 , y 6

Variables hors-bases du PL2 dans le tableau optimal : y3 , y7

Tableau optimal du PL2

CB VB y1 y2 y3 y4 y5 y6 y7 b
1 2 4
4 y1 1 0  0 0 0
5 5 5
3 1 3
3 y2 0 1 0 0 0 
5 5 5
7 4 17
0 y4 0 0 1 0 0 
5 5 5
7 1 8
0 y5 0 0  0 1 0 
5 5 5
2 1 3
0 y6 0 0  0 0 1 
5 5 5
Cj 4 3 0 0 0 0 0 0
Vj 4 3 1 0 0 0 1 5
j 0 0 -1 0 0 0 -1 -5

Résolution du PL2 par la méthode de simplexe

a) PL2 standardisé
PL2 :

Variables principales duales : y 1 , y 2

Variables d’écart duales : y 3 , y 4 , y 5 , y6 y7

58
b) La suite des tableaux simplexes du PL2
Tableau 2.0

CB VB m y1 y2 y3 y4 y5 y6 y7 b y 1 y 2
1
0 y3 1 2 1 0 0 0 0 2 2 1
3
1
0 y4 1 -2 0 1 0 0 0 3 3 -
3
2 5 5
0 y5 2 3 0 0 1 0 0 5
3 2 3
1
0 y6 1 1 0 0 0 1 0 2 2 2
3
0 y7 1* 3* 1 0 0 0 0 1 3 1 3
C j 4 3 0 0 0 0 0 0 4 3
V j 0 0 0 0 0 0 0 0
 j 4 3 0 0 0 0 0 0

Tableau 2.1

CB VB m y1 y2 y3 y4 y5 y6 y7 b y 2
5 1 3
0 y3 1 0 1 0 0 0  1
3 3 5
7 7 1
0 y4  0  0 1 0 0  2 -
5 3 3
7 7 2 9
0 y5 0 0 0 1 0  3
5 3 3 7
2 2 1 3
0 y6 0 0 0 0 1  1
5 3 3 2
1 1 1
4 y1 1 0 0 0 0 1 3
5 3 3
Cj 4 3 0 0 0 0 0 0 1
4 4
Vj 4 0 0 0 0 4
3 3
5 4
j 0 0 0 0 0  -4
3 3

59
Tableau 2.2

CB VB m y1 y2 y3 y4 y5 y6 y7 b
3 1 3
3 y2 0 1 0 0 0 
5 5 5
7 1 17
0 y4 0 0 1 0 0 
5 3 5
7 2 8
0 y5 0 0  0 1 0 
5 3 5
2 1 3
0 y6 0 0  0 0 1 
5 3 5
1 1 4
4 y1 1 0  0 0 0
5 3 5
Cj 4 3 0 0 0 0 0 0
Vj 4 3 1 0 0 0 1 5
j 0 0 -1 0 0 0 -1 -5

Dans le dernier tableau du simplexe du PL2 (tableau 2.1), on observe que tous
les  j  0 (maximisation). L’optimum est donc atteint. On reporte la solution
optimale du PL2
Valeurs optimales des variables principales duales
 4 3
y1  , y 2 
5 5

Valeurs optimales des Variables d’écart

  17  8  3 
y3  0 y4  , y5  , y6  , y7  0
5 5 5

Valeur optimale de la Fonction-objectif


Z 5

d) Solution optimale du PL1 extraite du tableau optimal du PL2

Dans le tableau optimal du PL2 (tableau 2.2) on fait la correspondance entre
variables primales et duales)

60
 x6 x7 x1 x2 x3 x4 x5
y1 y2 y3 y4 y5 y6 y7 b
3 1 3
x7 y2 0 1 0 0 0 
5 5 5
7 1 17
x2 y4 0 0 1 0 0 
5 3 5
7 2 8
x3 y5 0 0  0 1 0 
5 3 5
2 1 3
x4 y6 0 0  0 0 1 
5 3 5
1 1 4
x6 y1 1 0  0 0 0
5 3 5
C j 4 3 0 0 0 0 0 0
V j 4 3 1 0 0 0 1 5
 j 0 0 -1 0 0 0 -1 -5

On en déduit la solution optimale du PL1

Valeurs optimales des variables principales duales
    
x 1    3  1 x 2    4  0 x 3    5  0 x 4    6  0 x 5    7  1

Valeurs optimales des variables d’écart

 
x 6   1  0 x 7    2  0

La valeur optimale de la fonction-objectif du PL1


z  z   5
On en déduit le tableau optimal du PL1

Variables de base : x 1 , x 5
Variables hors-base : x 2 , x 3 x4 ,x 6 x7

CB VB x1 x2 x3 x4 x5 x6 x7 b
7 7 2 1 3
2 x1 1  0  1
5 5 5 5 5
4 1 1 2 1
3 x5 0 1  1
5 5 5 5 5
Cj 2 3 5 2 3 0 0 0
2 17 7 4 3
Vj 2  3   5
5 5 5 5 5
17 8 3 4 3
j 0 0 -5
5 5 5 5 5

61
3. Variantes de l’algorithme du tableau du simplexe
3.1 Algorithme du tableau du simplexe à deux phases
a) Condition d’application
Cet algorithme s’applique dans le cas où la forme standard du simplexe
du PL comporte des variables artificielles.
Elle a l’avantage d’éviter les calculs encombrant avec les coefficients de
pénalité M.
b) Principe de l’algorithme
Il procède en 2 phases :
Phase 1 :
Dans cette première phase (phase 1). On applique l’algorithme du simplexe
pour résoudre le PL de maximisation (resp. de minimisation) sous forme
standard :
Max Z 0  (resp. Min Z 0  )
Z 0   x j
 j  Ja
 n

  a ij x j  b i , i  1 , 2 ,  , m
j  1
x  0 , j  1 , 2 ,  , n
 j


J a   j  J x j est une variable artificiel le 

Au fil des itérations de la phase 1, les variable artificielles seront tour à

tour remplacées par des variables principales ou secondaires.
Au terme de cette phase, on aura déterminé de façon systématique une
solution de base réalisable en termes de variables principales ou secondaires
nécessaire au déroulement de la seconde phase (phase 2).
Phase 2 :
On résout par l’algorithme du simplexe le PL posé en utilisant comme
solution de base réalisable initiale la solution optimale obtenue à la phase 1.
Le tableau initial de la phase 2 est obtenu , à partir du tableau optimal de la
phase 1 :
(1) en supprimant les colonnes relatives aux variables artificielles.
(2) en introduisant les coefficients C j , j  J
(3) en calculant les v j et  j , j  J .

62
 La phase 2 de l’algorithme du simplexe peut donc se dérouler sans
difficulté à partir de ce tableau.
3.2 Algorithme Dual du Simplexe
L’algorithme dual du simplexe peut-être considéré comme l’image par
miroir de l’algorithme primal du simplexe, étant donné les relations réciproques
entre les programmes linéaires primal et dual. En plus, l’algorithme dual du
simplexe traite un PL comme si l’algorithme du simplexe était simultanément
appliqué au PL primal et dual associé.
a) Conditions d’application
L’algorithme du Dual Simplexe s’applique à tout PL possédant une
solution de base de départ optimale mais non réalisable dont le PL dual associé
possède une base de départ réalisable.
On reconnaît une telle situation dans le tableau initial du simplexe du PL
obtenu d’abord en transformant le système de contraintes en système de
contraintes équivalentes du type 1, puis en mettant le système obtenu sous la
forme standard en ajoutant les variables d’écart.
Si le tableau initial obtenu comporte un élément négatif dans la colonne
des second-membres et si la condition d’optimalité est satisfaite, le PL peut
être traité par l’algorithme dual du simplexe.
b) Avantage de l’algorithme dual du simplexe
L’algorithme Dual du Simplexe lorsqu’il est applicable, a l’avantage par
rapport à l’algorithme primal du simplexe d’éviter l’utilisation des variables
artificielles et d’aboutir à une solution optimale réalisable en un nombre
moindres d’itérations.
c) Champs d’application de l’algorithme dual du simplexe
L’algorithme Dual du simplexe trouve son application dans l’analyse post
-optimale d’un PL, due à une modification ou à une parametrisation dans le
modèle linéaire engendrant une solution primale non-réalisable et dans la
résolution d’un programme linéaire en nombres entiers (PLE), si après avoir
obtenu la solution optimale du programme linéaire en nombres réels (PLR)
associé on ajoute une contrainte supplémentaire de restriction.

63
 d) Déroulement de l’algorithme Dual du simplexe
Etape 0 : Préparation du PL
- Réécrire le PL de sorte que le système de contraintes soit converti en
système de contraintes de type 1 :  a ij x j  b i , i  I
iJ
- Rendre standard le système de contraintes de type 1 obtenu en ajoutant les
variables secondaires :
 a ij x j  x n  1  b i , i  I
jJ

- Construire le tableau initial du simplexe.

V.B X1 X2 . Xn Xn 1 . Xn m b
xn 1 a 11 a 12 . a 1n 1 . 0 b1
xn  2 a 21 a 22 . a 2n 0 . 0 b2
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
. . . . . . . . .
xn  m a m1 am2 . . . . 1 bm
cj c1 c2 . cn 0 . 0
vj v1 v2 . vn . . vn  m

j 1 2 . n . . n  m

Etape 1 : Tester l’optimalité.

On définit :
I  1 , 2 ,  , m 
J  1 , 2 ,  , n  m 
  j  J  j  0  , PL de maximisati on
' 
J 
 j  J  j  0  , PL de minimisati on

On détermine I    i  I b i  0 
Si I    : Aller à l’étape 3.
Si I    : Aller à l’étape 2.

Etape 2 :

64
Si J    : aller à l’étape 6
Si J    : aller à l’étape 5

Etape 3 :
Si J    : aller à l’étape 7
Si J    : aller à l’étape 4

Etape 4 : Recherche d’une nouvelle solution de base

Pour chaque i  I  , on détermine

J i   j  J a ij  0 

 e i    j 
 min   , i  I 
a ie i  j  J i  a ij 
 
 e i 
 y e i   , i  I 
a ie i 
 Z i  b i y e i 
 Z s  max Z i 
i I 
k  e s 

La variable de base x B s sort de la base au profit de la variable hors-base xk

qui entre dans la base.

xB s xk

Etape 5 : Construire un nouveau tableau

Aller à l’étape 1.
Etape 6 : Ecrire la solution optimale.
Aller à l’étape 8
Etape 7 : Le PL n’admet pas de solution réalisable.
Aller à l’étape 8
Etape 8 : Fin de l’algorithme.

65
4. TRAVAUX DIRIGES N°5

Exercice V.8
Rechercher la solution optimale du PL suivant :
Min Z 
Z  14 y 1  12 y 2  12 y 3

y 1  2 y 2  2 y 3  1
y  3 y  y  3
 1 2 3
a) Par la méthode du simplexe à deux phases
b) Par la méthode dual-simplexe.
Solution
 Mise du PL sous la forme standard ordinaire.
Min Z 
Z  14 y 1  12 y 2  12 y 3

y 1  2 y 2  2 y 3  y 4  1

y 1  3 y 2  y 3  y 5  3
y i  0 , i  1 , 2 , 3 , 4 , 5


Variables principales : y 1 , y 2 , y3 ,
Variables de surplus : y 4 , y 5

a) recherche de la solution optimale du PL par la méthode à deux phases :

a.1 Phase 1 :
PL : Min Z 
Z  y 6  y 7

y 1  2 y 2  2 y 3  y 4  y 6  1

y 1  3 y 2  y 3  y 5  y 7  1
y i  0 , i  1 , 2 , 3 , 4 , 5 , 6 , 7
Variables artificielles : y 6 , y 7
a.2 Tableaux du simplexe de la phase 1
Tableau a.1.0
m
CB V .B y1 y2 y3 y4 y5 y6 y7 b y 1 y 2 y 3
1
1 1 y6 1 2 2 1 0 1 0 1 1 -
2
1 1 y7 1 3 1 0 1 0 1 3 3 1 -
1
cj 0 0 0 0 0 1 1 2 1 
2
Vj 2 1 1 1 1 1 1 4

2 j 2 1 1 1 1 0 0 4

66
 Tableau a.1.1

m CB V .B y1 y2 y3 y4 y5 y6 y7 b y 2 y 4
2
 0 y1 1 2 2 1 0 1 0 1 - -
5
0 2
1 1 y7 5  3 1 1 1 1 2 2
5

1 j 0 5 3 1 1 2 0 2 2 2

Tableau a.1.2

m CB V .B y1 y2 y3 y4 y5 y6 y7 b

4 3 2 3 2 9
14 y1 1 0  
5 5 5 5 5 5

3 1 1 1 1 2
12 y2 0 1  - -
5 5 5 5 5 5
j 0 0 0 0 0 1 1 0

a.2 Tableaux simplexes

Tableau a.2.0

m CB V .B y1 y2 y3 y4 y5 b

4 3 2 9
14 y1 1 0  
5 5 5 5

3 1 1 2
12 y2 0 1  -
5 5 5 5
cj 14 12 12 0 0 0

Vj 14 12 4 6 -8 30

j 0 0 8 6 8 - 30

Solution optimale
9 2
ŷ 1  , ŷ 2  , ŷ 3  0 , ŷ 4  0 , ŷ 5  0
5 5
Ẑ  30

67
 b) Recherche de la solution optimale par la méthode dual-simplexe
b.1) Mise du PL sous la forme convenable

PL : min Z 
Z  14 y 1  12 y 2  12 y 3

 y 1  2 y 2  2 y 3  y 4   1

 y 1  3 y 2  y 3  y 5   3
y i  0 , i  1 , 2 , 3 , 4 , 5

b.2 Tableaux simplexes

Tableau b.0
V .B y1 y2 y3 y4 y5 b

y4 1 2 2 1 0 1
y5 1  3 1 0 1  3

j 14 12 12 0 0 0

j  0 , j 1 , 2 , 3 , 4 , 5
La solution de base optimale
ŷ 4   1 , ŷ 5   1
n'est pas réalisable.
On applique alors la méthode du dual-simplexe.
m V .B y1 y2 y3 y4 y5

2
 y4 1 2 2 1 0 1
3
1 y5 1  3 1 0 1  3

-4 j 14 12 12 0 0 0

4 - 14 6 6

5 - 14 4 12

5 4 2
1 y4  0  1 3
3 3 3
1 1 1 1
- y2 1  0  1
5 3 3 3
6 j 10 0 16 0 4 - 12
4 6 - 12 18

4 3 2 9
y1 1 0  
5 5 5 5
3 1 1 2
y2 0 1  -
5 5 5 5
j 0 0 8 6 8 - 30

68
Solution optimale du PL
9 2
ŷ 1  , ŷ 2  , ŷ 3  0
5 5
ŷ 4  0 , ŷ 5  0
Ẑ  30

Exercice V.9
Rechercher la solution optimale du PL suivant :

Z  2 x 1  3 x 2  5 x 3  x 4  3 x 5

 x 1  x 2  2 x 3  x 4  3x 5  4

 2 x 1  2 x 2  3x 3  x 4  x 5  3
x j  0 , j  1 , 2 , 3 , 4 , 5


a) Par la méthode du simplexe à deux phases

b) Par la méthode du dual-simplexe si possible.

Solution

 Mise du PL sous la forme Standard ordinaire.

PL : max Z 
Z  2 x 1  3 x 2  5 x 3  x 4  3 x 5

 x 1  x 2  2 x 3  x 4  3x 5  x 6  4

 2 x 1  2 x 2  3x 3  x 4  x 5  x 7  3
x j  0 , j  1 , 2 ,  , 7


a) Méthode simplexe à deux phases

Phase 1
PL1 :

69
 Tableaux simplexe de la phase 1

m CB V .. B x1 x2 x3 x4 x5 x6 x7 x8 x9 b

1 1 x8 1 1 2 1 3 1 0 1 0 4
1 1 x9 2 2 3 1 1 0 1 0 1 3

cj 0 0 5 0 0 0 0 1 1 0

Vj 3 1 5 2 4 1 1 1 1 7

j 3 1 5 2 4 1 1 0 0 7

m
CB V .. B x1 x2 x3 x4 x5 x6 x7 x8 x9 b

1 1 x8 1 3 1 0 2 1 1 1 1 1

2
 0 x4 2 2 3 1 1 0 1 0 1 3
3
cj 0 0 0 0 0 0 0 1 1 0

Vj 1 3 1 0 2 1 1 1 1 1

j 1 -3 1 0 2 1 1 0 2 1

CB V .. B x1 x2 x3 x4 x5 x6 x7 x8 x9 b

1 1 2 1 1 1 1 1
0 x2  1  0  
3 3 3 3 3 3 3 3
4 7 7 2 1 2 1 11
0 x4 0 1 - 
3 3 3 3 3 3 3 3
cj 0 0 0 0 0 0 0 1 1 0

Vj 0 0 0 0 0 0 0 0 0 0

j 0 0 0 0 0 0 0 1 1 0

Phase 2

m CB V .. B x1 x2 x3 x4 x5 x6 x7 x8 b
1 1 1 2 1 1 1 1
3 x2  1  0  
3 3 3 3 3 3 3
7 4 7 7 2 2 1 11
2 x4 0 1 -  
2 3 3 3 3 3 3 3
cj 2 3 5 2 3 0 0 0 0

5 11 20 7 1 25
Vj 3 2  0
3 3 3 3 3 3
1 4 11 7 1 25
j 0 0  0  
3 3 3 3 3 3

70
 m CB V .. B x1 x2 x3 x4 x5 x6 x7 b

1 1 3 1 1 1 1
 3 x5   0 1 
5 2 2 2 2 2 2

1 5 7 7 3 5
1
2 x4  1 0 
2 2 2 2 2 2
cj 2 3 5 2 3 0 0 0

7 5 11 1 3 13
Vj  2 3  
2 2 2 2 2 2
3 1 1 1 3 13
j   0 0 
2 2 2 2 2 2

m CB V .. B x1 x2 x3 x4 x5 x6 x7 b

4 1 1 2 1
3 x5 0 1  1
5 5 5 5 5

7 7 2 1 3
2 x1 1  0  1
5 5 5 5 5
cj 2 3 5 2 3 0 0 0

2 17 7 4 3
Vj 2  3   5
5 5 5 5 5
17 8 3 4 3
j 0 0 5
5 5 5 5 5

L’optimum est atteint.

La solution optimale déduite du dernier tableau
x̂ 1  1 , x̂ 2  0 , x̂ 3  0 , x̂ 4  0
x̂ 5  1 , x̂ 6  0 , x̂ 7  0
Ẑ  5

b) Méthode du dual-simplexe
b-1. Mise du PL sous la forme convenable

PL : min Z 
Z  2 x 1  3 x 2  5 x 3  2 x 4  3 x 5 /

  x 1  x 2  2 x 3  x 4  3x 5  x 6   4

  2 x 1  2 x 2  3x 3  x 4  x 5  x 7   3
x j  0 , j  1 , 2 ,  , 7


71
 b-2. Tableau simplexe de départ

V .. B x1 x2 x3 x4 x5 x6 x7 b

x6 1 1 2 1 3 1 0 4
x7 2 2 3 1 1 0 1 3

j 2 3 5 2 3 0 0 0

La solution de la base initiale

x6  4, x7  3
est optimale car les  j  0 mais elle est non réalisable.
Les conditions d’application de l’algorithme du dual-simplexe sont
satisfaites.
b-3 Suite des Tableaux simplexes

m V .. B x1 x2 x3 x4 x5 x6 x7 b

1 x6 1 1 2 1 3 1 0 4
1
x7 2 2 3 1 1 0 1 3
3

1 j 2 3 5 2 3 0 0 0

5
6 2 3  2 1 - - 4
2
5
7 1  2 3 3
3

m V .. B x1 x2 x3 x4 x5 x6 x7 b

1 1 1 2 1 1 4
 x6 1  0
5 3 3 3 3 3 3

5 7 7 2 1 5
1 x7    0  1 
3 3 3 3 3 3
3
 j 1 2 3 1 0 1 0 4
5

3 9 3
7    3 1
5 7 2

4 1 1 2 1
x5 0 1  1
5 5 5 5 5
7 7 2 1 3
x1 1  0  1
5 5 5 5 5

17 8 3 4 3
j 0 0 5
5 5 5 5 5

Tous les  j  0 , l’optimum est atteint.

72
La solution optimale déduite du dernier Tableau est donnée par :
x̂ 1  1 , x̂ 2  0 , x̂ 3  0 , x̂ 4  0
x̂ 5  1 , x̂ 6  0 , x̂ 7  0
Ẑ  5

Exercice V.10
Soit le programme linéaire primal :
PL1 : min Z 
z  x 1  2 x 2  3 x 3

3 x 1  4 x 3  5

5 x 1  x 2  6 x 3  7
8 x  9 x  5
 1 3
x 1  0 , x 2  0 , x 3  0
et le programme linéaire dual associé :
PL2 : max Z 
Z    5 y 1  7 y 2  7 y 3  5 y 4 /

 3 y 1  5 y 2  5 y 3  8 y 4  1

y 2  y 3  2
 4 y  6 y  6 y  9 y  3
 1 2 3 4
y i  0 , i  1 , 2 , 3 , 4

1. Rechercher la solution optimale du PL primal :

a) La méthode du simplexe à deux phases
b) La méthode du Dual-simplexe si elle est applicable.
2. Rechercher la solution optimale du PL dual :
a) La méthode du Simplexe à deux phases
b) La méthode du Dual-Simplexe si elle est applicable.

Solution
1.a) Mise de PL1 sous la forme Standard

PL1 : min Z 

73
 Z  x 1  2 x 2  3 x 3

3 x 1  4 x 3  x 4  5
5 x 1  x 2  6 x 3  x 5  7

5 x 1  x 2  6 x 3  x 6  7
8 x 1  9 x 3  x 7  5

x J  0 , J  1 , 2 ,  , 7
Variables principales : x 1 , x 2 , x3
Variables d’écart : x 4 , x 5
Variables de surplus : x 6 , x 7

 La présence des variables de surplus dans le système des contraintes sous

la forme Standard suggère la recherche de la solution optimale du PL1 par la
méthode du simplexe à deux phases.
1.a-1 Phase 1

Dans la phase 1 on introduit les variables artificielles x8 et x9 respectivement

dans la 3ème et 4ème contrainte.
La phase 1 consiste à résoudre par la méthode simplexe le PL suivant :
PL : min Z 
Z  x 8  x 9

3 x 1  4 x 3  x 4  5
5 x 1  x 2  6 x 3  x 5  7

5 x 1  x 2  6 x 3  x 6  x 8  7
8 x 1  9 x 3  x 7  x 9  5

x J  0 , J  1 , 2 ,  , 9

Suite de Tableaux Simplexes de la phase 1

m CB V .B x1 x2 x3 x4 x5 x6 x7 x8 x9 b

4
0 x4 3 0 4 1 0 0 0 0 0 5
9
2
0 x5 5 1 6 0 1 0 0 0 0 7
3
2
1 x8 5 1 6 0 0 1 0 1 0 7
3
1 1 x9 8 0 9 0 0 0 1 0 1 5

cj 0 0 0 0 0 0 0 1 1 0

Vj 13 1 15 0 0 1 1 1 1 12

j 13 1  15 0 0 1 1 0 0  12

74
 m CB V .B x1 x2 x3 x4 x5 x6 x7 x8 x9 b

5 4 4 25
0 0 x4  0 0 1 0 0 0 
9 9 9 9
1 1 2 2 11
0 x5  1 0 0 1 0 0 
3 3 3 3

1 2 2 11
1 1 x8  1 0 0 0 1 1 
3 3 3 3
8 1 1 5
0 0 x3 0 1 0 0 0  0
9 9 9 9
cj 0 0 0 0 0 0 0 1 1 0

1 2 2 11
Vj  1 0 0 0 1 1 
3 3 3 3

1 2 5 11
j 1 0 0 0 1  0 
3 3 3 3

5 4 4 25
0 x4  0 0 1 0 0 0 
9 9 9 9
0 x5 0 0 0 0 1 1 0 1 0 0

1 2 2 11
0 x2  1 0 0 0 1 1 
3 3 3 3
8 1 1 5
0 x3 0 1 0 0 0  0
9 9 9 9
cj 0 0 0 0 0 0 0 1 1 0

Vj 0 0 0 0 0 0 0 0 0 0

j 0 0 0 0 0 0 0 1 1 0

a-2 Phase 2

PL1 : min Z 

75
 Z  x 1  2 x 2  3 x 3

3 x 1  4 x 3  x 4  5
5 x 1  x 2  6 x 3  x 5  7

5 x 1  x 2  6 x 3  x 6  7
8 x 1  9 x 3  x 7  5

x J  0 , J  1 , 2 ,  , 7

Tableaux Simplexes de la Phase 2

m CB V .B x1 x2 x3 x4 x5 x6 x7 b x 1 x 7
2 5 4 25 25
0 x4  0 0 1 0 0 -
3 9 9 9 4
0 0 x5
0
0 0 0 1 1 0 0 - -
1 2 11 11
1 2 x2  1 0 0 0 1 -
3 3 3 2
1 8 1 5 5
3 x3 0 1 0 0 0  - -
6 9 9 9 8

5 11
cj 1 2 3 0 0 0 0 0  
8 2
Vj 2 2 3 0 0 2 1 9

j 1 0 0 0 0 2 1 9

2 1 2 2 1
 0 x4   0 1 0 0
5 3 3 3 3

0 0 x5 0 0 0 0 1 1 0 0

3 1 3 3 11
 0 x7  0 0 0  1
5 2 2 2 2
1 1 7 7
1 3 x3 5 1 0 0  0
6 6 6 5
cj 1 2 3 0 0 0 0 0

5 1 1 7
Vj 3 0 0  0
2 2 2 2

3 3 1 7
j  0 0 0 0 
2 2 2 2

3 2 3 4
0 x4 0  1 0 0
5 5 5 5

76
 0 x5 0 0 0 0 1 1 0 0

8 3 8 31
0 x7 0 0 0  1
5 5 5 5
1 6 1 7
1 x1 1 0 0  0
5 5 5 5
cj 1 2 3 0 0 0 0 0

1 6 1 7
Vj 1 0 0  0
5 5 5 5
9 9 1 7
j 0 0 0 0 
5 5 5 5

Le dernier tableau est optimal.

La solution optimale déduite de ce tableau est donnée par :
7 4
x̂ 1  , x̂ 2  0 , x̂ 3  0 , x̂ 4 
5 5
31
x̂ 5  0 , x̂ 6  0 , x̂ 7 
5
7
Ẑ 
5
b) Recherche de la solution optimale du PL par la méthode dual-simplexe.
b.1) Mise du PL sous la forme convenable

PL1 : min Z 
Z  x 1  2 x 2  3 x 3

3 x 1  4 x 3  x 4  5
5 x 1  x 2  6 x 3  x 5  7

 5 x 1  x 2  6 x 3  x 6   7
 8 x 1  9 x 3  x 7   5

x j  0 , j  1 , 2 ,  , 7

Tableau initial

m CB V .B x1 x2 x3 x4 x5 x6 x7 b

3
 0 x4 3 0 4 1 0 0 0 5
5
1 3 x5 5 1 6 0 1 0 0 7

1 x6 5 1 6 0 0 1 0 7
8
x7 8 0 9 0 0 0 1 5
5
1
 j 1 2 3 0 0 0 0 0
5

77
 1 1 7
6  2 
5 2 5
1 1 5
7  
8 3 8

3 2 3 4
0 x4 0 1 0 0
5 5 5 5
0 x5 0 0 0 0 1 1 0 0

1 6 1 7
0 x1 1 0 0  0
5 5 5 5
8 3 8 31
1 x7 0 0 0  1
5 5 5 5
9 9 1 7
j 0 0 0 0 
5 5 5 5
Les  j  0 et les b i  0
 L’optimum est atteint.
La solution optimale du PL est donnée par :
7 4
x̂ 1  , x̂ 2  0 , x̂ 3  0 , x̂ 4 
5 5
31
x̂ 5  0 , x̂ 6  0 , x̂ 7 
5
7
Ẑ 
5

78