Cours RO ENCG Chap 1 2 3

Recherche opérationnelle
RAMCHOUN Hassan
hassanramchoun@gmail.com
2022/2023
RAMCHOUN Hassan cours RO 2022/2023 1

Plan
1 Introduction à la modélisation et à la programmation linéaire
2 Méthode de résolution: Algorithme de simplexe et ses variantes
3 Dualité en programmation linéaire
4 Programmation en nombre entier
5 Optimisation des graphes

Introduction à la modélisation
Chapitre 1 et à la programmation linéaire

Introduction
1.Introduction à  La recherche opérationnelle (RO) est l’ensemble des méthodes rationnelles

la modélisation d’analyse (algorithmiques, mathématiques, modélisation) et des synthèses de
et à la PL
phénomènes d’organisation(qui traite de la maximisation d’un profit, d’une
performance, d’un rendement ou bien de la minimisation d’un cout, d’une
2 . Méthodes de
résolution dépense… ) utilisable pour élaborer de meilleures décisions
3 . Dualité en PL  RO est indispensable pour les futurs gestionnaires décideurs, responsables de

projets:
- Modéliser des problèmes issus des organisations du monde réel
- Identifier les méthodes de résolution et les outils les plus adaptés face à un
4 . Programmation en
nombres entiers problème pratique
5 . Optimisation des  L’optimisation joue un rôle essentiel dans la recherche opérationnelle car,
graphes outre son aspect important, elle est utilisée comme outil par la plupart des
autres techniques
4
RAMCHOUN Hassan cours RO 2022/2023
Introduction
La recherche opérationnelle est une approche quantitative permettant de produire de
1.Introduction à
la modélisation meilleures décisions:
et à la PL
• Elle propose des modèles pour analyser des situations complexes et permet
2 . Méthodes de
résolution aux décideurs de faire des choix efficaces et robustes
• Elle fournit des outils afin de trouver des solutions optimales ou proches de
3 . Dualité en PL l’optimum pour des problèmes d’optimisation
Outils scientifiques:
nombres entiers
 Mathématiques Appliquées (Algèbre, Probabilités, Optimisation, Théories de
5 . Optimisation des
Graphes, ….) ;
graphes
 Informatique (Algorithmique, Complexité, …)
5
Introduction
Exemples d’applications :
1.Introduction à
la modélisation
et à la PL • Comment ordonnancer les tâches d’un projet tout en minimisant sa durée?
• Trouver un (plus court) chemin entre deux villes
2 . Méthodes de
résolution • Comment investir 100000 DH dans un projet de sorte à maximiser le profit obtenu
après deux ans?
• Transport d’un ensemble de produits vers un ensemble de clients de sorte à
3 . Dualité en PL
minimiser le coût total du transport
4 . Programmation en L’application de la recherche opérationnelle à un problème réel consiste à :

nombres entiers
 Elaborer un modèle
5 . Optimisation des  Développer un algorithme de résolution exacte ou approchée ;
graphes
 Evaluer la qualité des solutions produites par l’algorithme dans l’environnement réel
du problème.
6
Définitions et écriture d’un programme linéaire
1.Introduction à
la modélisation  La programmation mathématique linéaire consiste le moyen le plus naturel pour
et à la PL
modéliser une vaste classe de problèmes de recherche opérationnelle
2 . Méthodes de  La programmation linéaire permet de traiter des problèmes dans lesquels on
résolution
cherche à optimiser (maximiser ou minimiser) une fonction linéaire de plusieurs
variables qui sont soumises à des restrictions imposées par la nature du
3 . Dualité en PL
problème. Ces restrictions appelées également contraintes, se représentent sous
forme d’équations ou inéquations linéaires
nombres entiers
 Un programme linéaire est un problème mathématique qui consiste à optimiser

5 . Optimisation des (maximiser ou minimiser) une fonction linéaire de plusieurs variables qui sont
graphes
reliées par des relations linéaires appelées contraintes
7
Forme d’un programme linéaire
Un programme linéaire générale s’écrit sous la forme:
1.Introduction à
la modélisation
et à la PL
2 . Méthodes de
résolution
3 . Dualité en PL
nombres entiers
Exemples
graphes
8
1- Forme canonique d’un programme linéaire
1.Introduction à
la modélisation La forme canonique d’un programme linéaire est sous la forme suivante:
et à la PL
2 . Méthodes de  Problème de maximisation

résolution  Toutes les contraintes sont du type inférieur ou égal
 Toutes les variables sont positives
3 . Dualité en PL
4 . Programmation en Exemple
nombres entiers
graphes
9
1.Introduction à
la modélisation
et à la PL
Tout programme linéaire peut être mis sous forme canonique, il suffit de noter que:
2 . Méthodes de
résolution Exemples
Mettre sous forme canonique le programme

3 . Dualité en PL
suivant:
nombres entiers
graphes
10
1.Introduction à Exemples:
la modélisation
et à la PL
Mettre sous forme canonique les programmes suivants:
2 . Méthodes de
résolution
3 . Dualité en PL
nombres entiers
graphes
11
1.Introduction à 2. Forme standard d’un programme linéaire

la modélisation
et à la PL La forme standard d’un programme linéaire est sous la forme suivante:
2 . Méthodes de
résolution  Problème de maximisation
 Toutes les contraintes sont du type égal
3 . Dualité en PL  Toutes les variables sont positives
nombres entiers Exemple
graphes
12
1.Introduction à
la modélisation
et à la PL
2 . Méthodes de Tout programme linéaire peut être mis sous forme standard, il suffit de noter que:
résolution
Exemple
Mettre sous forme standard les programmes

3 . Dualité en PL
suivants:
nombres entiers
graphes
13
1.Introduction à
la modélisation Exemple:
et à la PL
Ecrire sous forme standard le PL et sous forme canonique le PL

2 . Méthodes de
résolution
() ()
3 . Dualité en PL
nombres entiers
Proposition : Equivalence entre forme standard et canonique

graphes Tout programme linéaire sous forme standard s’écrit de façon équivalente en un
programme linéaire sous forme canonique et inversement.
14
Modélisation d’un problème réel par un programme linéaire
1.Introduction à
la modélisation
et à la PL
2 . Méthodes de
résolution La modélisation d’un problème réel par un programme linéaire consiste à
faire:
3 . Dualité en PL
 Le choix des variables
4 . Programmation en  Le choix de la fonction objectif à optimiser

nombres entiers
 La détermination des contraintes
graphes
15
Exemple 1 (problème de production) :
1.Introduction à
la modélisation
et à la PL Une usine fabrique deux produits P 1 et P2 en utilisant un certain nombre de ressources. Ces
besoins sont indiqués dans le tableau suivant. Par ailleurs, chaque ressource est disponible en
2 . Méthodes de quantité limitée
résolution
P1 P2 Disponibilité
Ressource A 3 9 81
3 . Dualité en PL
Ressource B 4 5 55
Ressource C 2 1 20
nombres entiers Les deux produits P1 et P2 rapportent à la vente respectivement des bénéfices de 60 DH et 40 DH
par unité. Quelles quantités de produits P 1 et P2 doit produire l’usine afin de maximiser le bénéfice
total venant de la vente des 2 produits?
graphes
16
Solution:
1.Introduction à
la modélisation  Le choix des variables: x1 et x2 sont respectivement les quantités des produits P 1 et P2 fabriqués
et à la PL
 Le choix de la fonction objectif à maximiser: la fonction objectif correspond au bénéfice total
2 . Méthodes de est 60 x1 + 40 x2 Le problème se traduit donc par : max 60 x1 + 40 x2
résolution
 La détermination des contraintes:
3 . Dualité en PL • La disponibilité de chacune de ressources s’écrit:
• La positivité des variables:

nombres entiers En résumé ce problème de production se modélise sous la forme:
graphes
17
Exemple 2 (problème de fleuriste)
1.Introduction à
la modélisation
et à la PL
Problème de fleuriste
2 . Méthodes de
résolution Un fleuriste dispose de 45 roses, 36 Tulipes et 27 Marguerites
achetées à M MAD, Il veut offrir à ces clients deux types de
bouquets de fleurs:
3 . Dualité en PL
- Type 1: Bouquet à 80 MAD composé de 10 roses, 4 Tulipes et 2
Margurites
- Type 2 :Bouquet à 60 MAD composé de 6 roses, 6 Tulipes et 6
nombres entiers Margurites
 Déterminer le nombre de bouquets de chaque type afin de

graphes
maximiser son revenu total
18
1.Introduction à Les variables

la modélisation Nombre de bouquet à préparer de type 1:
et à la PL
Nombre de bouquet à préparer de type 2:
2 . Méthodes de
Fonction Objective
résolution
Les Contraintes
les contraintes de disponibilité
3 . Dualité en PL
Le fleuriste dispose de 45 roses

nombres entiers Le fleuriste dispose de 36 tulipes
Le fleuriste dispose de 27 Margurites

graphes
Contraintes de non négativités, d’intégrité
19
Exemple 3 (problème de transport):
1.Introduction à
la modélisation
et à la PL Une entreprise dispose de 2 entrepôts (A1 et A2) pour des unités destinées à satisfaire la
demande de 3 clients C1, C2 et C3. Le nombre d’unités disponibles à chaque entrepôt et les
2 . Méthodes de
résolution demandes minimales des clients sont spécifiés dans le tableau suivant qui contient également le
coût du transport d’une unité de chaque entrepôt à chaque client
3 . Dualité en PL
Entrepôt Clients Disponibilité
C1 C2 C3
4 . Programmation en A1 1 4 9 200
nombres entiers A2 6 8 4 500
Demande 200 400 100
graphes
Le problème est de déterminer quelle quantité chaque client reçoit de chaque entrepôt pour
minimiser le coût total de transport, tout en satisfaisant les contraintes

20
Solution:
1.Introduction à
Le choix des variables:
la modélisation
et à la PL
x11 : Quantité à transporter de A1 à C1
2 . Méthodes de
résolution
x12 : Quantité à transporter de A1 à C2 Entrepôt Clients Disponibilité

3 . Dualité en PL C1 C2 C3
A1 1 4 9 200
x21 : Quantité à transporter de A2 à C1 A2 500
6 8 4
nombres entiers x22 : Quantité à transporter de A2 à C2
Demande 200 400 100
Le choix de la fonction objectif :
graphes Le coût total de transport (à minimiser)
21
1.Introduction à
la modélisation La détermination des contraintes:
et à la PL
Disponibilité de chaque entrepôt:
2 . Méthodes de
résolution
Entrepôt Clients Disponibilité
3 . Dualité en PL Demandes des clients à satisfaire: C1 C2 C3

A1 1 4 9 200
A2 6 8 4 500
nombres entiers
Demande 200 400 100
Quantités transportées sont positives:
graphes
22
1.Introduction à
la modélisation En résumé ce problème de transport se modélise sous la forme:
et à la PL
2 . Méthodes de
résolution
3 . Dualité en PL
nombres entiers
graphes
23
Méthode de résolution:
Chapitre 2 Algorithme de simplexe et ses
variantes

Classification des programmes linéaire
1.Introduction à
la modélisation  Programmes Linéaire continus: La fonction objective et les contraintes sont
et à la PL toutes linéaires + le domaine des variables est continu
2 . Méthodes de
résolution
 Programmes Linéaire en nombre entiers: La fonction objective et les
contraintes sont toutes linéaires + le domaine des variables est un sous
ensemble de
3 . Dualité en PL
 Programmes non linéaire : La fonction objective et ou les contraintes sont

nombres entiers non linéaires + le domaine des variables est un sous ensemble de
5 . Optimisation des  Programmes mixte: La fonction objective et les contraintes sont toutes
graphes linéaires + le domaine des variables est un sous ensemble de et ou de
25
Méthode graphique pour la résolution des PL
1.Introduction à
la modélisation On pose comme étant l’ensembles des contraintes
et à la PL
2 . Méthodes de
résolution
Définitions
 X s’appelle la région des solutions admissibles qui est un polyèdre

3 . Dualité en PL  Une solution admissible est un point de qui satisfait toutes les contraintes:
c’est une solution réalisable
 Une solution optimale est une solution admissible qui optimise la fonction
nombres entiers objective.
graphes
26
1.Introduction à  Considérons le programme linéaire (PL) sous forme canonique:

la modélisation
et à la PL
2 . Méthodes de
résolution
3 . Dualité en PL
Notons l’ensemble des solutions réalisables de PL, on dit

4 . Programmation en que D est un polyèdre
nombres entiers
Polyèdre Polyèdre non borné
borné
graphes
27
1.Introduction à
la modélisation
et à la PL
Exemple
2 . Méthodes de
résolution
3 . Dualité en PL
nombres entiers Représenter graphiquement le polyèdre associé aux solutions réalisables du
programme (P)
graphes
28
1.Introduction à
13
la modélisation
et à la PL 12
11
2 . Méthodes de
résolution 10
9
3 . Dualité en PL 8
7
6
nombres entiers 5
4
3
graphes 2
1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
29
1.Introduction à
13
la modélisation
et à la PL 12
11
2 . Méthodes de
résolution 10
9
7
(0, 6)
6
nombres entiers 5
(6, 4)
4
3
graphes 2
1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
30
1.Introduction à
13
la modélisation
et à la PL 12
11
2 . Méthodes de
résolution 10
9
7
(0, 6)
6
nombres entiers 5
(6, 4)
4
3
graphes 2
1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
31
1.Introduction à
13
la modélisation
et à la PL 12
11
2 . Méthodes de
résolution 10
9
8 (0, 8)
3 . Dualité en PL
7
(0, 6)
6
nombres entiers 5
(6, 4)
4
3
graphes 2
1
(8, 0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
32
1.Introduction à
13
la modélisation
et à la PL 12
11
2 . Méthodes de
résolution 10
9
8 (0, 8)
3 . Dualité en PL
7
(0, 6)
6
nombres entiers 5
(6, 4)
4
3
graphes 2
1
(8, 0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
33
1.Introduction à
13
la modélisation
et à la PL 12 (1, 12)
11
2 . Méthodes de
résolution 10 (2, 10)
9
8 (0, 8)
3 . Dualité en PL
7
(0, 6)
6
nombres entiers 5
(6, 4)
4
3
graphes 2
1
(8, 0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
34
1.Introduction à
13
la modélisation
et à la PL 12 (1, 12)
11
2 . Méthodes de
résolution 10 (2, 10)
9
8 (0, 8)
3 . Dualité en PL
7
(0, 6)
6 Le polyèdre qui représente le domaine réalisable D
nombres entiers 5
(6, 4)
4
3
graphes 2
1
(8, 0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
35
1.Introduction à
la modélisation
et à la PL  Considérons le programme linéaire (PL) sous forme canonique:
2 . Méthodes de
résolution
3 . Dualité en PL
nombres entiers Notons l’ensemble des solutions réalisables de PL, on
dit que D est un polyèdre
5 . Optimisation des Propriété:

graphes
L’ensemble D est un polyèdre convexe
36
1.Introduction à
la modélisation
et à la PL Rappel: Un ensemble C est convexe si
2 . Méthodes de
résolution Autrement dit un ensemble C est convexe si et seulement si tout segment de
droite reliant deux points de C est entièrement contenu dans C
3 . Dualité en PL
A
Convexe
nombres entiers Non
convexe
5 . Optimisation des B
graphes
37
1.Introduction à
la modélisation  Soit D un polyèdre. Un point
et à la PL
est un point extrême de D si on ne peut pas
l’exprimer comme combinaison convexe de deux autres points de D
2 . Méthodes de
résolution  Soit D un polyèdre. Un point est un point extrême de D si on ne peut pas
trouver deux points y et z dans D, différents de x, et un scalaire tels que
3 . Dualité en PL
nombres entiers
graphes
38
1.Introduction à
la modélisation
et à la PL Soit D un polyèdre borné qui a un nombre fini n de points extrêmes (y1, y2, …, yn). Tout
2 . Méthodes de point de D est une combinaison linéaire convexe des points extrêmes de D
résolution
3 . Dualité en PL
Théorème
nombres entiers
L’optimum d’une fonction objective sur un polyèdre borné D est atteint en au
moins un point extrême
graphes
39
1.Introduction à
13
la modélisation
et à la PL 12
11
2 . Méthodes de
résolution 10
9
7
(0, 6)
6
(3, 5)
nombres entiers 5
4
3
5 . Optimisation des (6, 2)
graphes 2
1
(7, 0)
(0, 0) 12 13 14 15 16 17 18 19
1 2 3 4 5 6 7 8 9 10 11
-1
40
1.Introduction à 13
la modélisation
et à la PL 12
11
2 . Méthodes de
résolution 10
 Représenter un niveau de la droite de la fonction objectif qui a au moins un
9
point d’intersection avec le domaine réalisable
8
3 . Dualité en PL  Translater ce niveau de la droite de la fonction objectif selon la direction de
7
(0, 6) son gradient jusqu’à toucher le dernier point du domaine réalisable
6
(3, 5)
4 . Programmation en 5
nombres entiers
4
3
graphes 2
1
(7, 0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
-1
41
la modélisation
et à la PL 12
11
2 . Méthodes de
résolution 10
9
8
3 . Dualité en PL
7  Translater ce niveau de la droite de la fonction objective selon la
(0, 6)
6 direction de son gradient jusqu’à toucher le dernier point du
(3, 5)
4 . Programmation en 5 domaine réalisable
nombres entiers
4
3
graphes 2
1
(7, 0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
-1
42
la modélisation
et à la PL 12
11
2 . Méthodes de
résolution 10
9
8
3 . Dualité en PL
7
(0, 6)
6
(3, 5)
nombres entiers
4
3
graphes 2
1
(7, 0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
-1
43
la modélisation
et à la PL 12
11
2 . Méthodes de
résolution 10
9
8
3 . Dualité en PL
7
(0, 6)
6
(3, 5)
nombres entiers
4
3
graphes 2
1
(7, 0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
-1
44
la modélisation
et à la PL 12
11
2 . Méthodes de
résolution 10
9
8
3 . Dualité en PL
7
(0, 6)
6
(3, 5)
4 . Programmation en 5 Solution optimale (3,5)
nombres entiers
4
3
graphes 2
1
(7, 0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
-1
45
1.Introduction à
la modélisation
Les étapes de la résolution graphique
et à la PL
1. Construire un repère cartésien
2 . Méthodes de
résolution
2. Représenter les différentes contraintes
3 . Dualité en PL 3. Déterminer le domaine réalisable
4. Représenter un niveau de la droite de la fonction objectif qui a au moins

nombres entiers
un point d’intersection avec le domaine réalisable
5 . Optimisation des 5. Translater ce niveau de la droite de la fonction objective selon la

graphes
direction de son gradient jusqu’à toucher le dernier point
du domaine réalisable
46
1.Introduction à
la modélisation Exemples
et à la PL
2 . Méthodes de
résolution Résoudre graphiquement les programmes linéaires suivants:
3 . Dualité en PL
nombres entiers
graphes
47
1.Introduction à
13
la modélisation
et à la PL 12
11
2 . Méthodes de
résolution 10
9
7
6
nombres entiers 5
4
3
graphes 2
1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
48
1.Introduction à
13
la modélisation
et à la PL 12
11
2 . Méthodes de
résolution 10
9
(0, 8)
7
6
nombres entiers 5
4
3
graphes 2
1 (8, 0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
49
1.Introduction à
13
la modélisation
et à la PL 12
11
2 . Méthodes de
résolution 10
9
(0, 8)
(0,
7 6)
6
nombres entiers 5
4
3
graphes 2
(12, 0)
1 (8, 0)
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
50
1.Introduction à
13
la modélisation
et à la PL 12
11
2 . Méthodes de
résolution 10
9
7
(0, 6)
6
nombres entiers 5
(4, 4)
4
3
graphes 2
1
(8, 0)
(0, 0) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
(1, -1) 51
1.Introduction à
13
la modélisation
et à la PL 12
11
2 . Méthodes de
résolution 10
9
7
(0, 6)
6
nombres entiers 5
(4, 4)
4
3
graphes 2
1
(8, 0)
(0, 0) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
(1, -1) 52
1.Introduction à
13
la modélisation
et à la PL 12
11
2 . Méthodes de
résolution 10
9
7
(0, 6)
6
nombres entiers 5
(4, 4)
4
3
graphes 2
1
(8, 0)
(0, 0) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
53
1.Introduction à
13
la modélisation
et à la PL 12
11
2 . Méthodes de
résolution 10
9
7
(0, 6)
6
nombres entiers 5
(4, 4)
4
3
graphes 2
1
(8, 0)
(0, 0) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
54
1.Introduction à
13
la modélisation
et à la PL 12
11
2 . Méthodes de
résolution 10
9
7
(0, 6)
6
nombres entiers 5
(4, 4)
4
3
graphes 2
1
(8, 0)
(0, 0) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
55
1.Introduction à
13
la modélisation
et à la PL 12
11
2 . Méthodes de
résolution 10
9
7
(0, 6)
6
4 . Programmation en Une infinité de solutions présentées par
nombres entiers 5
le segment [A,B]
A= (4, 4)
4
3
graphes 2
1
B= (8, 0)
(0, 0) 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
56
Domaine réalisable est vide
 Problème impossible
1.Introduction à
13
la modélisation (0, 12)
et à la PL 12
11
2 . Méthodes de
résolution 10
9
7
6
nombres entiers 5
4
3 (5, 2)
graphes 2
1
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19
57
Exercice
1.Introduction à
la modélisation
et à la PL
2 . Méthodes de
résolution
3 . Dualité en PL
nombres entiers
graphes
58
Méthode de simplexe
1.Introduction à
la modélisation
et à la PL  L’algorithme du simplexe est la méthode la plus utilisée pour résoudre les
2 . Méthodes de
résolution programmes linéaires. Il a été mis au point par le mathématicien américain
George Dantzig en 1947. Cet algorithme a fait l’objet de certaines articles

3 . Dualité en PL
scientifiques et a servi à la résolution de nombreux modèles linéaires
4 . Programmation en  L’algorithme du simplexe existe en deux versions:

nombres entiers
 Algorithme de simplexe algébrique

graphes
 Algorithme de simplexe tabulaire
59
1.Introduction à Phase I : procédure d’initialisation

la modélisation Déterminer un premier point extrême de la région
et à la PL
réalisable D. Si cette procédure échoue, cela signifie
2 . Méthodes de que la région réalisable D est vide ;
résolution
3 . Dualité en PL
Domaine
réalisable D
nombres entiers
graphes
60

et à la PL
résolution
3 . Dualité en PL
Domaine
réalisable D
nombres entiers
graphes
61

et à la PL
résolution
Phase II : procédure itérative

3 . Dualité en PL
Passer d’un point extrême de D à un autre point Domaine
extrême voisin de D, de façon à améliorer chaque fois réalisable D
4 . Programmation en la valeur de la fonction objectif ;

nombres entiers
graphes
62

et à la PL
résolution
Phase II : procédure itérative

3 . Dualité en PL
Passer d’un point extrême de D à un autre point Domaine
extrême voisin de D, de façon à améliorer chaque fois réalisable D
4 . Programmation en la valeur de la fonction objectif ;

nombres entiers
Phase III: procédure d’arrêt

5 . Optimisation des Le test d’arrêt permet de savoir si l’on doit passer vers
graphes un nouveau point extrême, ou si l’on doit arrêter le
calcul
63
Pour présenter l’algorithme de simplexe, nous commençons par la définition des notions
1.Introduction à
la modélisation suivantes:
et à la PL
2 . Méthodes de
résolution  Base d’un système d’équations linéaires
 Solution de base associée à une base d’un système d’équations linéaires

3 . Dualité en PL
 Solution de base réalisable associée à une base d’un système d’équations linéaires
nombres entiers
graphes
64
1. Base d’un système d’équations linéaires
1.Introduction à Soit Ax = b un système d’équations linéaires avec A est une matrice de dimension m×n
la modélisation
et à la PL Toute sous matrice inversible de A de dimension m×m est une base du système
2 . Méthodes de
résolution Exemple
Ax = b
3 . Dualité en PL
nombres entiers
graphes Est une sous matrice
inversible de A de
dimension 3×3
65
1. Base d’un système d’équations linéaires
1.Introduction à Soit Ax = b un système d’équations linéaires avec A est une matrice de dimension m×n
la modélisation
et à la PL Toute sous matrice inversible de A de dimension m×m est une base du système
Exemple
2 . Méthodes de
résolution
Ax = b
3 . Dualité en PL
nombres entiers
Variables hors base xN Variables de base xB
graphes
cN = (20 30) cB = (0 0 0 )
66
1.Introduction à 2. Solution de base associée à la base B d’un système d’équations linéaires

la modélisation
et à la PL
On a
2 . Méthodes de
résolution
On dit que est solution de base associée à la base B si
3 . Dualité en PL Dans l’exemple précèdent, on a trouvé:
nombres entiers
5 . Optimisation des est une solution de base

graphes
associée à la base B
67
3. Solution de base réalisable associée à la base B d’un système d’équations linéaires
1.Introduction à
la modélisation On dit que est solution de base réalisable associée à la base B si toutes les
et à la PL
composantes de x sont positives
2 . Méthodes de
résolution
3 . Dualité en PL
nombres entiers
est une solution de base réalisable associée à la base B

graphes
L’ensemble de solutions de base réalisables représente l’ensemble de points extrêmes
68
Algorithme de simplexe: méthode tabulaire
Étape 1. Initialisation
 Écrire le programme linéaire sous forme standard : Déterminer une base B;
Préciser les variables de base et les variables hors base
 Construire le tableau associé à la base B:
Étape 2. Choix de la variable entrante
 Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la
solution actuelle est optimale
 Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la
variable hors base affectée au coefficient positif le plus élevé
Étape 3. Choix de la variable sortante
 Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la
base, c’est celle pour laquelle on a:
Où λi sont les coefficients de la dernière colonne et ai sont les

coefficients de la variable entrante. Si tous les ai sont inférieurs
ou égale à 0, alors la solution est non bornée
 Encadrer le pivot P qui représente l’intersection entre la colonne de la variable Construire le tableau
entrante et la ligne de la variable sortante initial
Étape 4. Calcul de nouveau tableau par les deux règles suivantes: Variables hors base xN Variables de
base xB
Variables de B-1 N = N I B-1 b = b

base xB
(Retourner à l’étape 2)
ΔN = cNT– cBT B-1 N = cNT 0 z- cBT B-1b = z
RAMCHOUN Hassan cours RO 2022/2023 69 - 0
 Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser
les variables de base et les variables hors base
 Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution
actuelle est optimale
 Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la
variable hors base affectée au coefficient positif le plus élevé
 Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base,
c’est celle pour laquelle on a:
Où λi sont les coefficients de la dernière colonne et ai sont les Variables hors base Variables de base
xN xB
Variables de N I b
ou égale à 0, alors la solution est non bornée base xB
 Encadrer le pivot P qui représente l’intersection entre la colonne de la variable
entrante et la ligne de la variable sortante cN 0 z-0
Étape 4. Calcul de nouveau tableau par les deux règles suivantes:
x1 x2 y1 y2 y3
y1 1 3 1 0 0 18
y2 1 1 0 1 0 8
(Retourner à l’étape 2) 2 1 0 0 1 14
y3
RAMCHOUN Hassan cours RO 2022/2023 20 30 0 0 0 70z - 0

x1 x2 y1 y2 y3
 Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les y1 1 3 1 0 0 18
variables de base et les variables hors base 1 1 0 1 0 8
y2 2 1 0 0 1 14
Étape 2. Choix de la variable entrante y3
actuelle est optimale 20 30 0 0 0 z-0
Variable entrante est x2
 Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable
hors base affectée au coefficient positif le plus élevé
 Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base, c’est
celle pour laquelle on a:

 Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante
et la ligne de la variable sortante
Étape 1. Initialisation x1 x2 y1 y2 y3
 Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les y1 1 3 1 0 0 18
variables de base et les variables hors base 1 1 0 1 0 8
y2 2 1 0 0 1 14
actuelle est optimale 20 30
0 0 0 z-0

x1 x2 y1 y2 y3
y1 1 3 1 0 0 18 6
 Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les 1 1 0 1 0 8 8
variables de base et les variables hors base y2 2 1 0 0 1 14 14
y3
 Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution 20 30 0 0 0 z-0

(Retourner
RAMCHOUNàHassan
l’étape 2)
cours RO 2022/2023 73
x1 x2 y1 y2 y3
 Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les y1 1 3 1 0 0 18 6 y1
1 1 0 1 0 8 8 Variable
variables de base et les variables hors base 2 1 0 0 1 14 14
y2 sortante
actuelle est optimale 20 30 0 0 0 z-0

x1 x2 y1 y2 y3
 Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les y1 1 3 1 0 0 18 6 y1
1 1 0 1 0 8 8 Variable
variables de base et les variables hors base 2 1 0 0 1 14 14
y2 sortante
20 30 0 0 0 z-0
actuelle est optimale Variable entrante est x2

 Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les x1 x2 y1 y2 y3
variables de base et les variables hors base y1
y1 1 3 1 0 0 18 6
 Construire le tableau associé à la base B: 1 1 0 1 0 8 8 Variable
Étape 2. Choix de la variable entrante y2 2 1 0 0 1 14 14 sortante
 Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution y3
 Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable 20 30 0 0 0 z-0
Étape 4. Construire le nouveau tableau
x1 x2 y1 y2 y3
Où λi sont les coefficients de la dernière colonne et ai sont les x2 1/3 1 1/3 0 0 6

y2 2/3 0 -1/3 1 0 2
coefficients de la variable entrante. Si tous les ai sont inférieurs y3 5/3 0 -1/3 0 1 8
 Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante 10 0 -10 0 0 z-180

y1 1 3 1 0 0 18 6
x1 x2 y1 y2 y3

y2 2/3 0 -1/3 1 0 2

y1 1 3 1 0 0 18 6
x1 x2 y1 y2 y3

y2 2/3 0 -1/3 1 0 2

y1 1 3 1 0 0 18 6
x1 x2 y1 y2 y3

y2 2/3 0 -1/3 1 0 2

y1 1 3 1 0 0 18 6
x1 x2 y1 y2 y3
x2 1/3 1 1/3 0 0 6
y2 2/3 0 -1/3 1 0 2
y3 5/3 0 -1/3 0 1 8
coefficients de la variable entrante. Si tous les ai sont inférieurs 10 0 -10 0 0 z-180
RAMCHOUN
(Retourner à Hassan cours RO
l’étape 2) 2022/2023 80
y1 1 3 1 0 0 18 6
x1 x2 y1 y2 y3
x2 1/3 1 1/3 0 0 6
y2 2/3 0 -1/3 1 0 2
y3 5/3 0 -1/3 0 1 8
coefficients de la variable entrante. Si tous les ai sont inférieurs 10 0 -10 0 0 z-180
RAMCHOUNàHassan
(Retourner l’étape cours
2) RO 2022/2023 81
y1 1 3 1 0 0 18 6
x1 x2 y1 y2 y3

y2 2/3 0 -1/3 1 0 2

y1 1 3 1 0 0 18 6
x1 x2 y1 y2 y3

y2 2/3 0 -1/3 1 0 2

y1 1 3 1 0 0 18 6
x1 x2 y1 y2 y3

y2 2/3 0 -1/3 1 0 2

y1 1 3 1 0 0 18 6
x1 x2 y1 y2 y3

y2 2/3 0 -1/3 1 0 2

y1 1 3 1 0 0 18 6
x1 x2 y1 y2 y3

y2 2/3 0 -1/3 1 0 2

y1 1 3 1 0 0 18 6
x1 x2 y1 y2 y3

y2 2/3 0 -1/3 1 0 2

y1 1 3 1 0 0 18 6
x1 x2 y1 y2 y3

y2 2/3 0 -1/3 1 0 2
x1 y1 x2 y2 y3
x2 1/3 1/3 1 0 0 6
y2 2/3 -1/3 0 1 0 2
(Retourner à l’étape 2) 5/3 -1/3 0 0 1 8
y3
10 -1 0 0 0 0 z-180
Étape 1. Initialisation Nouveau tableau
 Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les x1 y1 x2 y2 y3
variables de base et les variables hors base
 Construire le tableau associé à la base B: x2 1/3 1/3 1 0 0 6
Étape 2. Choix de la variable entrante y2 2/3 -1/3 0 1 0 2
5/3 -1/3 0 0 1 8
actuelle est optimale 10 -1 0 0 0 0 z-180
hors base affectée au coefficient positif le plus élevé Retourner à l’étape 2
 Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base, c’est x1 y1 x2 y2 y3
x2 1/3 1/3 1 0 0 6
y2 2/3 -1/3 0 1 0 2
5/3 -1/3 0 0 1 8
Où λi sont les coefficients de la dernière colonne et ai sont les y3
10 -1 0 0 0 0 z-180
 Encadrer le pivot P qui représente l’intersection entre la colonne de la variable entrante Variable entrante est x2

5/3 -1/3 0 0 1 8
x2 1/3 1/3 1 0 0 6
y2 2/3 -1/3 0 1 0 2
5/3 -1/3 0 0 1 8
10 -1 0 0 0 0 z-180

5/3 -1/3 0 0 1 8
x2 1/3 1/3 1 0 0 6 18
y2 2/3 -1/3 0 1 0 2 3
5/3 -1/3 0 0 1 8 24/5
10 -1 0 0 0 0 z-180

5/3 -1/3 0 0 1 8
x2 1/3 1/3 1 0 0 6 18
y2 2/3 -1/3 0 1 0 2 3 y2
5/3 -1/3 0 0 1 8 24/5
Où λi sont les coefficients de la dernière colonne et ai sont les y3 Variable
sortante
10 -1 0 0 0 0 z-180

5/3 -1/3 0 0 1 8
x2 1/3 1/3 1 0 0 6 18
y2 2/3 -1/3 0 1 0 2 3 y2
5/3 -1/3 0 0 1 8 24/5
sortante
10 -1 0 0 0 0 z-180

5/3 -1/3 0 0 1 8
 Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable 10 -1 0 0 0 0 z-180
x2 1/3 1/3 1 0 0 6 18
y2 2/3 -1/3 0 1 0 2 3 y2
5/3 -1/3 0 0 1 8 24/5
sortante
10 -1 0 0 0 0 z-180

5/3 -1/3 0 0 1 8
x2 1/3 1/3 1 0 0 6 18
y2 2/3 -1/3 0 1 0 2 3 y2
5/3 -1/3 0 0 1 8 24/5
sortante
10 -1 0 0 0 0 z-180
x1 y1 x2 y2 y3
x2 0 1/2 1 -1/2 0 5
x1 1 -1/2 0 3/2 0 3
0 -1/2 0 -5/2 1 3
(Retourner à l’étape 2) y3
0 -5 0 -15 0 -210
5/3 -1/3 0 0 1 8
x2 1/3 1/3 1 0 0 6 18
y2 2/3 -1/3 0 1 0 2 3 y2
5/3 -1/3 0 0 1 8 24/5
sortante
10 -1 0 0 0 0 z-180
x1 y1 x2 y2 y3
x2 0 1/2 1 -1/2 0 5
x1 1 -1/2 0 3/2 0 3
0 -1/2 0 -5/2 1 3
0 -5 0 -15 0 -210
5/3 -1/3 0 0 1 8
x2 1/3 1/3 1 0 0 6 18
y2 2/3 -1/3 0 1 0 2 3 y2
5/3 -1/3 0 0 1 8 24/5
sortante
10 -1 0 0 0 0 z-180
x1 y1 x2 y2 y3
x2 0 1/2 1 -1/2 0 5
x1 1 -1/2 0 3/2 0 3
0 -1/2 0 -5/2 1 3
0 -5 0 -15 0 -210
5/3 -1/3 0 0 1 8
x2 1/3 1/3 1 0 0 6 18
y2 2/3 -1/3 0 1 0 2 3 y2
5/3 -1/3 0 0 1 8 24/5
sortante
10 -1 0 0 0 0 z-180
x1 y1 x2 y2 y3
x2 0 1/2 1 -1/2 0 5
x1 1 -1/2 0 3/2 0 3
0 -1/2 0 -5/2 1 3
0 -5 0 -15 0 -210
5/3 -1/3 0 0 1 8
x2 1/3 1/3 1 0 0 6 18
y2 2/3 -1/3 0 1 0 2 3 y2
5/3 -1/3 0 0 1 8 24/5
sortante
10 -1 0 0 0 0 z-180
x1 y1 x2 y2 y3
x2 0 1/2 1 -1/2 0 5
x1 1 -1/2 0 3/2 0 3
0 -1/2 0 -5/2 1 3
0 -5 0 -15 0 -210
5/3 -1/3 0 0 1 8
x2 1/3 1/3 1 0 0 6 18
y2 2/3 -1/3 0 1 0 2 3 y2
5/3 -1/3 0 0 1 8 24/5
sortante
10 -1 0 0 0 0 z-180
x1 y1 x2 y2 y3
x2 0 1/2 1 -1/2 0 5
x1 1 -1/2 0 3/2 0 3
0 -1/2 0 -5/2 1 3
0 -5 0 -15 0 -210
5/3 -1/3 0 0 1 8
x2 1/3 1/3 1 0 0 6 18
y2 2/3 -1/3 0 1 0 2 3 y2
5/3 -1/3 0 0 1 8 24/5
sortante
10 -1 0 0 0 0 z-180
x1 y1 x2 y2 y3
x2 0 1/2 1 -1/2 0 5
x1 1 -1/2 0 3/2 0 3
0 -1/2 0 -5/2 1 3
0 -5 0 -15 0 -210
5/3 -1/3 0 0 1 8
x2 1/3 1/3 1 0 0 6 18
y2 2/3 -1/3 0 1 0 2 3 y2
5/3 -1/3 0 0 1 8 24/5
sortante
10 -1 0 0 0 0 z-180
x1 y1 x2 y2 y3
x2 0 1/2 1 -1/2 0 5
x1 1 -1/2 0 3/2 0 3
0 -1/2 0 -5/2 1 3
0 -5 0 -15 0 -210
5/3 -1/3 0 0 1 8
x2 1/3 1/3 1 0 0 6 18
y2 2/3 -1/3 0 1 0 2 3 y2
5/3 -1/3 0 0 1 8 24/5
sortante
10 -1 0 0 0 0 z-180
x1 y1 x2 y2 y3
x2 0 1/2 1 -1/2 0 5
x1 1 -1/2 0 3/2 0 3
0 -1/2 0 -5/2 1 3
0 -5 0 -15 0 -210
5/3 -1/3 0 0 1 8
x2 1/3 1/3 1 0 0 6 18
y2 2/3 -1/3 0 1 0 2 3 y2
5/3 -1/3 0 0 1 8 24/5
sortante
10 -1 0 0 0 0 z-180
x1 y1 x2 y2 y3
x2 0 1/2 1 -1/2 0 5
x1 1 -1/2 0 3/2 0 3
0 -1/2 0 -5/2 1 3
0 -5 0 -15 0 z-210
 Écrire le programme linéaire sous forme standard : Déterminer une base B; Préciser les
variables de base et les variables hors base x1 y1 x2 y2 y3
Étape 2. Choix de la variable entrante x2 0 1/2 1 -1/2 0 5
x1 1 -1/2 0 3/2 0 3
 Si tous les coefficients des variables hors base sont négatifs ou nuls, alors la solution 0 -1/2 0 -5/2 1 3
actuelle est optimale y3
0 -5 0 -15 0 z-210


x1 1 -1/2 0 3/2 0 3
 Sinon sélectionner la variable qui va entrer dans la base, et qui correspond à la variable 0 -5 0 -15 0 z-210
 Appliquer la règle du plus petit rapport pour identifier la variable qui quitte la base, c’est y2 y1 x2 x1 y3

x2 -1/2 1/2 1 0 0 5
x1 3/2 -1/2 0 1 0 3
-5/2 -1/2 0 0 1 3
coefficients de la variable entrante. Si tous les ai sont inférieurs -15 -5 0 0 0 z-210

ou égale à 0, alors la solution est non bornée Retourner à l’étape 2

x1 1 -1/2 0 3/2 0 3

x2 -1/2 1/2 1 0 0 5
x1 3/2 -1/2 0 1 0 3
-5/2 -1/2 0 0 1 3

et la ligne de la variable sortante La condition d’arrêt est vérifiée

x1 1 -1/2 0 3/2 0 3

x2 -1/2 1/2 1 0 0 5
x1 3/2 -1/2 0 1 0 3
-5/2 -1/2 0 0 1 3

et la ligne de la variable sortante La condition d’arrêt est vérifiée
(Retourner à l’étape 2) (3, 5) est la solution optimale avec z = 210

Solution:
Exercice
1.Introduction à Résoudre le programme linéaire suivant par la méthode

la modélisation
et à la PL tabulaire de simplexe
2 . Méthodes de (P)
résolution
3 . Dualité en PL
nombres entiers
graphes
109
Solution:
Considérons le PL suivant
1.Introduction à
la modélisation (P)
et à la PL
2 . Méthodes de
résolution
3 . Dualité en PL Le tableau de Simplexe associé à ce programme avec x3, x4 et x5

sont des variables de base
4 . Programmation en Variable x1 x2 x3 x4 x5 b
nombres entiers
de base
x3 -3 2 1 0 0 2
graphes
x4 -1 2 0 1 0 4
x5 1 1 0 0 1 5
-Z 1 2 0 0 0 0
110
Solution:
1.Introduction à La base précédente n’est pas optimal car les couts relatif des variables
la modélisation hors base sont strictement positifs, Choisissons comme variable entrante
et à la PL
dans la nouvelle base la variable hors base ayant le plus grand cout
2 . Méthodes de relatif c a d x2, Appliquons la règle du plus petit rapport pour trouver la
résolution variable sortante:
= =1
Donc la variable x3 quitte la base et sera remplacé par la variable x2,
3 . Dualité en PL
après pivotage on obtient:
4 . Programmation en Variable x1 x2 x3 x4 x5 b
nombres entiers
de base
x2 -3/2 1 1/2 0 0 1
5 . Optimisation des x4 2 0 -1 1 0 2
graphes
x5 5/2 0 -1/2 0 1 4
-Z 4 0 -1 0 0 -2
111
Solution:
1.Introduction à
la modélisation La nouvelle solution de base est x2=1,
et à la PL
x4=2,x1=x3=0 et sont cout est z=2 Cette solution de
2 . Méthodes de base n’est pas optimale car c1=4 >0, La variable x1
résolution va donc entrer dans la base et x4 va quitter la base
Variable x1 x2 x3 x4 x5 b
3 . Dualité en PL de base
x2 0 1 -14 3/4 0 5/2

4 . Programmation en x1 1 0 -1/2 1/2 0 1
nombres entiers
x5 0 0 3/4 -5/4 1 3/2
-Z 0 0 1 -2 0 -6
graphes
112
Solution:
1.Introduction à
la modélisation
et à la PL Variable x1 x2 x3 x4 x5 b
de base
2 . Méthodes de x2 0 1 0 1/3 1/3 3
résolution
x1 1 0 0 -1/3 2/3 2
x3 0 0 1 -5/3 -5/3 2
3 . Dualité en PL
-Z 0 0 0 -1/3 -4/3 -8
nombres entiers
 La nouvelle solution de base est (x1,x2,x3,x4,x5)=(2,3,2,0,0) son
cout est 8
 Les cout réduit de toutes les variables sont négatifs ou nuls , cette
5 . Optimisation des solution de base est optimale et l’algorithme se termine,
graphes
113
Méthode de deux phases
Solution:
• Pour initialiser l’algorithme du simplexe, il faut disposer d’une solution de base réalisable
initiale
1.Introduction à
• Une telle solution de base initiale n’est pas nécessairement évidente
la modélisation
et à la PL C’est le cas d’un problème linéaire qui n’est pas sous forme canonique avec un second
membre positif
2 . Méthodes de
résolution
3 . Dualité en PL
nombres entiers
graphes
Ce n’est pas une solution

de base réalisable
114
Solution:
1.Introduction à
la modélisation  Une phase supplémentaire dans la méthode du simplexe est nécessaire pour
et à la PL
fournir une solution de base réalisable initiale pour un problème réalisable
2 . Méthodes de
résolution qu’on peut pas mettre sous forme canonique avec un second membre
positif
3 . Dualité en PL
 D’où le nom de la méthode de simplexe à deux phases

nombres entiers
graphes
115
Solution:
Si toutes les contraintes d’un programme linéaire sont du type « inférieur ou égal » avec un second
1.Introduction à
membre positif, on serait dans la cas favorable, traité précédemment avec l’algorithme de
la modélisation
et à la PL simplexe, où on identifie facilement la matrice identité comme matrice de base initiale (chaque
variable d’écart ajouté correspond à une colonne unitaire)
2 . Méthodes de
résolution
3 . Dualité en PL
nombres entiers
S’il y a des contraintes du type « supérieur ou égal » ou des contraintes d’égalités avec un second
5 . Optimisation des membre positif, on introduit des variables artificielles pour ces contraintes afin d’avoir les autres
graphes
colonnes unitaires qui complètent notre identité qui joueront la base initiale
116
Solution:
1.Introduction à
la modélisation
et à la PL
2 . Méthodes de
résolution
3 . Dualité en PL
(P) et (P+) ne sont équivalents que si les variables artificielles t 1 et t2 sont nulles. Il faudra donc
nombres entiers chercher le minimum de t1+t2, alors au lieu de résoudre (P+), nous allons commencer
premièrement par la résolution du problème suivant:
Cas 1: si le minimum pour t1 + t2 est nulle, alors on a trouvé
5 . Optimisation des une solution de base réalisable pour le problème original (P)
graphes
Cas 2: si le minimum de t1 + t2 est différent de 0, alors le

problème est non réalisable
117
Solution:
1.Introduction à
la modélisation
et à la PL Phase 1: Ecrire le Problème à résoudre sous une forme
canonique en identifiant une solution de base initial en appliquant la
2 . Méthodes de méthode des variables artificielles
résolution
3 . Dualité en PL
Phase 2: Appliquer l’algorithme de Simplexe au problème sous forme
canonique obtenue à la phase 1
nombres entiers
graphes
118
Solution:
Considérons le problèmes sous la forme standard
1.Introduction à
la modélisation
et à la PL Problème avec des variables artificielles
()
2 . Méthodes de
résolution
3 . Dualité en PL
nombres entiers
graphes
119
Solution:
1.Introduction à
Le modèle Pa permet soit de conclure que le problème P est non réalisable,
la modélisation soit de trouver une solution de base réalisable de P avec laquelle nous
et à la PL
pouvons initialiser L’algorithme de Simplexe,
Si la valeur optimal de Pa est non nulle alors P est non réalisable
2 . Méthodes de
résolution Si la valeur optimal de Pa est nulle alors P est réalisable et x constitue une
solution réalisable de P
Exemple
3 . Dualité en PL (P1) ()
nombres entiers
graphes
120
Solution:
Phase I
(Pa)
1.Introduction à
la modélisation
et à la PL
2 . Méthodes de
résolution
3 . Dualité en PL Le tableau initial de Simplexe soit
V.B x1 x2 e1 e2 e3 t1 t2 b
4 . Programmation en t1 10 6 0 0 0 1 0 45
nombres entiers
e1 4 6 1 0 0 0 0 36
e2 2 6 0 1 0 0 0 27
graphes t2 1 0 0 0 -1 0 1 2
0 0 0 0 0 1 1 0
121
Solution:
1.Introduction à Pour que t1 et t2 jouent le rôle de variables de base Il faut

la modélisation
et à la PL transformer le tableau précédent en soustrayant la 1er et la 4 eme
ligne de la dernière ligne
2 . Méthodes de
résolution
V.B x1 x2 e1 e2 e3 t1 t2 b
3 . Dualité en PL t1 10 6 0 0 0 1 0 45
e1 4 6 1 0 0 0 0 36
e2 2 6 0 1 0 0 0 27
nombres entiers t2 1 0 0 0 -1 0 1 2
-11 -6 0 0 1 0 0 -47
graphes
122
Solution:
V.B x1 x2 e1 e2 e3 t1 t2 b
1.Introduction à
t1 0 6 0 0 10 1 -10 25
la modélisation e1 0 6 1 0 4 0 -4 28
et à la PL
e2 0 6 0 1 2 0 -2 23
2 . Méthodes de x1 1 0 0 0 -1 0 1 2
résolution
0 -6 0 0 -10 0 11 -25
3 . Dualité en PL V.B x1 x2 e1 e2 e3 t1 t2 b
e3 0 3/5 0 0 1 1/10 -1 5/2
e1 0 18/5 1 0 0 -2/5 0 18
nombres entiers e2 0 24/5 0 1 0 -1/5 0 18
x1 1 3/5 0 0 0 1/10 0 9/2
5 . Optimisation des 0 0 0 0 0 1 1 0
graphes
La solution (9/2,0,18,18,5/2,0,0) est optimale de Pa avec une valeur
optimal égale à 0 Donc cette solution constitue une solution de base
initiale du P1
123
Solution:
1.Introduction à
la modélisation  La première phase de simplexe est terminée, nous sommes dans le premier
et à la PL
cas où z = 0. C’est à dire que la base associée aux variables x 1, e1, e2 et e 3
2 . Méthodes de
résolution est réalisable pour le problème original, c’est à partir de cette base que l’on
va résoudre le programme linéaire d’origine, dont la fonction objective est
3 . Dualité en PL
 Pour démarrer la deuxième phase de simplexe, il suffit de supprimer les
colonnes associées aux variables artificielles t1 et t2, et d’exprimer z en
nombres entiers
fonction des variables hors base (dans notre cas x2)
graphes
124
Solution:
Phase II
1.Introduction à V.B x1 x2 e1 e2 e3 b
la modélisation
e3 0 3/5 0 0 1 5/2
et à la PL
e1 0 18/5 1 0 0 18
2 . Méthodes de e2 0 24/5 0 1 0 18
résolution
x1 1 3/5 0 0 0 9/2
-Z -80 -60 0 0 0 0
3 . Dualité en PL
Multiplier la 4 ligne *80 et l’ajouter à la dernière ligne
4 . Programmation en V.B x1 x2 e1 e2 e3 b
nombres entiers
e3 0 3/5 0 0 1 5/2
e1 0 18/5 1 0 0 18
graphes e2 0 24/5 0 1 0 18
x1 1 3/5 0 0 0 9/2
-Z 0 -12 0 0 0 360
125
Solution:
1.Introduction à
la modélisation
et à la PL V.B x1 x2 e1 e2 e3 b
e3 0 0 0 -3/5 1 1/4
2 . Méthodes de
résolution e1 0 0 1 -18/5 0 9/2
x2 0 1 0 5/24 0 15/4
3 . Dualité en PL x1 1 0 0 -1/8 0 9/4
-Z 0 0 0 5/4 0 405
nombres entiers
La solution de P1 soit (9/4,15/4) avec Z=-405
graphes
126
Exercice
Solution:
Résoudre le problème suivant par la méthode de simplexe à deux phases
1.Introduction à
la modélisation
et à la PL
2 . Méthodes de
résolution
3 . Dualité en PL
nombres entiers
graphes
127
Dualité en programmation
Chapitre 3 linéaire

Généralités
1.Introduction à
la modélisation
et à la PL • La dualité est une notion essentielle en programmation linéaire
2 . Méthodes de • A un programme linéaire donné que nous appelons primal, l’opération de
résolution
dualité associe un autre programme linéaire dit son dual, qui ne sera défini
3 . Dualité en PL qu’à l’aide des données du primal
Programme linéaire Programme linéaire
Opération de dualité
primal dual
nombres entiers
graphes
129
Généralités
1.Introduction à
la modélisation
et à la PL La dualité présente un double intérêt :
2 . Méthodes de Les propriétés liant le programme primal et son dual permettront de résoudre
résolution
le problème dual s’il est plus simple que le problème primal. Ce sera le cas, en
3 . Dualité en PL
particulier, lorsque le problème primal n’a pas de solution admissible évidente
et on peut la construire facilement pour le problème dual
4 . Programmation en Le programme dual a une interprétation économique importante : il constitue
nombres entiers
une autre vision du programme primal
Exemple: la dualité permet de montrer qu’un problème d’allocation optimale
graphes
des ressources rares est aussi un problème de tarification optimale de ces
ressources
130
Exemple
Une usine fabrique deux produits P 1 et P2 en utilisant un certain nombre de ressources:
équipement, main d’œuvres, matières premières. Ces besoins sont indiqués dans le tableau
1.Introduction à suivant. Par ailleurs, chaque ressource est disponible en quantité limitée
la modélisation
et à la PL P1 P2 Disponibilité
Equipement 3 9 81
2 . Méthodes de
résolution
Main d’oeuvre 4 5 55
Matières premières 2 1 20
3 . Dualité en PL Les deux produits P1 et P2 rapportent à la vente respectivement des bénéfices de 60 DH et 40 DH

par unité. Quelles quantités de produits P 1 et P2 doit produire l’usine afin de maximiser le bénéfice
total venant de la vente des 2 produits ?
nombres entiers Ce problème de production se modélise sous la forme:
graphes
131
Exemple
Supposons à présent qu’un acheteur se présente pour acheter toutes les ressources de
1.Introduction à
l’entreprise. Il propose à l’entreprise les prix unitaires u1, u2 et u3 pour chacune des
la modélisation
et à la PL ressources.
 L’entreprise acceptera de lui vendre toutes ses ressources uniquement si elle
2 . Méthodes de
résolution obtient un profit au moins égal au profit obtenu en vendant ses produits
 De son côté, l’acheteur cherche à minimiser ses dépenses
3 . Dualité en PL  Quels prix unitaires u1, u2 et u3 l’acheteur doit-il proposer à l’entreprise en
question pour qu’elle accepte de vendre toutes ses ressources

nombres entiers Soient u1, u2 et u3 les prix unitaires respectifs des produits. L’acheteur cherche donc à
minimiser le coût P1 P2 Disponibilité
5 . Optimisation des Equipement 3 9 81
graphes
Main d’oeuvre 4 5 55
Matières premières 2 1 20
132
Exemple
 L’entreprise acceptera de lui vendre toutes ses ressources uniquement si elle obtient
1.Introduction à
la modélisation un profit au moins égal au profit obtenu en vendant ses produits
et à la PL
2 . Méthodes de
résolution
 Et il est raisonnable de penser que:

3 . Dualité en PL
 L’acheteur devrait résoudre le programme linéaire suivant :

nombres entiers
graphes
133
Exemple
1.Introduction à
la modélisation
et à la PL Programme dual
Programme primal
2 . Méthodes de
résolution
Opération de dualité
3 . Dualité en PL
nombres entiers
graphes
134
Dualité
Au programme linéaire primal suivant:
1.Introduction à
la modélisation
et à la PL
On associe le programme linéaire dual:

2 . Méthodes de
résolution
Exemple:
3 . Dualité en PL
nombres entiers
graphes
135
Dualité
Règles de dualisation
1.Introduction à
la modélisation Le tableau suivant donne un ensemble de règles formelles permettant de passer d’un
et à la PL
problème de programmation linéaire général à son problème dual:
2 . Méthodes de
résolution
3 . Dualité en PL
nombres entiers
graphes
136
Dualité
Exemples:
1.Introduction à
la modélisation
et à la PL Donner les programmes duals des programmes suivants:
2 . Méthodes de
résolution
() ()
3 . Dualité en PL
nombres entiers
graphes
137
Dualité: Propriétés-Théorèmes
Proposition:
1.Introduction à
la modélisation Le dual du dual est le primal
et à la PL
Preuve
2 . Méthodes de
résolution
3 . Dualité en PL
On prend le dual du dual
nombres entiers
graphes
138
1.Introduction à
la modélisation
et à la PL
Théorème faible de dualité
Soit x une solution réalisable d’un (PL) sous forme canonique et u une
2 . Méthodes de
résolution solution réalisable du problème dual (PLD). Alors:
1. cT x ≤ bT u
3 . Dualité en PL
2. Si cT x = bT u alors x et u sont des solutions optimales de (PL) et (PLD)

nombres entiers respectivement
graphes
139
1.Introduction à Théorème forte de dualité

la modélisation
et à la PL
Considérons le programme linéaire (PL) et son dual (PLD)
2 . Méthodes de
résolution  Si l’un des problèmes duaux admet une solution optimale finie, alors il en
3 . Dualité en PL
est de même pour l’autre et les valeurs des fonctions objectifs à l’optimum
sont égales
nombres entiers  Si l’un des problèmes duaux n’est pas borné, alors l’autre est impossible
graphes
140
Remarque
1.Introduction à Si l’un des problèmes est impossible, on ne peut pas conclure que l’objectif de l’autre
la modélisation
et à la PL problème est non borné
2 . Méthodes de
résolution
3 . Dualité en PL
Etant donnés un problème primal (PL) et son dual (PLD), on a une et une seule des trois
nombres entiers situations suivantes:
5 . Optimisation des  Les deux problèmes possèdent des solutions optimales (à l'optimum, les coûts sont égaux)
graphes
 Un des problèmes est non borné, l'autre est impossible
 Aucun des deux problèmes ne possède pas de solution réalisable
141
1.Introduction à Théorème des écarts complémentaires

la modélisation
et à la PL Soient x et y deux solutions réalisables respectivement du problème primal
2 . Méthodes de (PL) et du problème dual (PLD). Alors x et y sont des solutions réalisables
résolution
optimales si et seulement si on a:
3 . Dualité en PL
nombres entiers
est la ième ligne de la matrice A

graphes
est la jème colonne de la matrice A
142
Solution:
1.Introduction à
la modélisation
Utilisation pratique de théorème des écarts complémentaires
et à la PL
2 . Méthodes de  Il permet de vérifier si une solution réalisable d'un (PL) est optimale ou non
résolution
 Il permet de déterminer la solution optimale d'un (PL), à partir de la
3 . Dualité en PL connaissance d'une solution optimale de son dual
nombres entiers
graphes
143

Cours RO ENCG Chap 1 2 3

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours RO ENCG Chap 1 2 3

Transféré par

Droits d'auteur :

Formats disponibles

Recherche opérationnelle

RAMCHOUN Hassan cours RO 2022/2023 1

1 Introduction à la modélisation et à la programmation linéaire

2 Méthode de résolution: Algorithme de simplexe et ses variantes

3 Dualité en programmation linéaire

4 Programmation en nombre entier

5 Optimisation des graphes

RAMCHOUN Hassan cours RO 2022/2023 2

RAMCHOUN Hassan cours RO 2022/2023 3

1.Introduction à  La recherche opérationnelle (RO) est l’ensemble des méthodes rationnelles

3 . Dualité en PL  RO est indispensable pour les futurs gestionnaires décideurs, responsables de

4 . Programmation en L’application de la recherche opérationnelle à un problème réel consiste à :

 Un programme linéaire est un problème mathématique qui consiste à optimiser

2 . Méthodes de  Problème de maximisation

Mettre sous forme canonique le programme

1.Introduction à 2. Forme standard d’un programme linéaire

Mettre sous forme standard les programmes

Ecrire sous forme standard le PL et sous forme canonique le PL

Proposition : Equivalence entre forme standard et canonique

4 . Programmation en  Le choix de la fonction objectif à optimiser

3 . Dualité en PL • La disponibilité de chacune de ressources s’écrit:

• La positivité des variables:

 Déterminer le nombre de bouquets de chaque type afin de

1.Introduction à Les variables

Le fleuriste dispose de 45 roses

Le fleuriste dispose de 27 Margurites

Contraintes de non négativités, d’intégrité

minimiser le coût total de transport, tout en satisfaisant les contraintes

x13 : Quantité à transporter de A1 à C3

3 . Dualité en PL Demandes des clients à satisfaire: C1 C2 C3

RAMCHOUN Hassan cours RO 2022/2023 24

 Programmes non linéaire : La fonction objective et ou les contraintes sont

 X s’appelle la région des solutions admissibles qui est un polyèdre

1.Introduction à  Considérons le programme linéaire (PL) sous forme canonique:

Notons l’ensemble des solutions réalisables de PL, on dit

5 . Optimisation des Propriété:

L’ensemble D est un polyèdre convexe

3 . Dualité en PL 3. Déterminer le domaine réalisable

4. Représenter un niveau de la droite de la fonction objectif qui a au moins

5 . Optimisation des 5. Translater ce niveau de la droite de la fonction objective selon la

George Dantzig en 1947. Cet algorithme a fait l’objet de certaines articles

4 . Programmation en  L’algorithme du simplexe existe en deux versions:

 Algorithme de simplexe algébrique

1.Introduction à Phase I : procédure d’initialisation

1.Introduction à Phase I : procédure d’initialisation

1.Introduction à Phase I : procédure d’initialisation

Phase II : procédure itérative

4 . Programmation en la valeur de la fonction objectif ;

1.Introduction à Phase I : procédure d’initialisation

Phase II : procédure itérative

4 . Programmation en la valeur de la fonction objectif ;

Phase III: procédure d’arrêt

 Solution de base associée à une base d’un système d’équations linéaires

1.Introduction à 2. Solution de base associée à la base B d’un système d’équations linéaires

3 . Dualité en PL Dans l’exemple précèdent, on a trouvé:

5 . Optimisation des est une solution de base

est une solution de base réalisable associée à la base B

L’ensemble de solutions de base réalisables représente l’ensemble de points extrêmes

Où λi sont les coefficients de la dernière colonne et ai sont les

Variables de B-1 N = N I B-1 b = b

RAMCHOUN Hassan cours RO 2022/2023 20 30 0 0 0 70z - 0

Où λi sont les coefficients de la dernière colonne et ai sont les

Où λi sont les coefficients de la dernière colonne et ai sont les

Où λi sont les coefficients de la dernière colonne et ai sont les