Cours Ro

Introduction à la Recherche
Opérationnelle
Plan du cours
• Introduction à la recherche opérationnelle

• Partie 1 : ordonnancement et optimisation
• Chapitre 1 : la théorie des graphes
• Chapitre 2 : Ordonnancement
• Chapitre 3 : Différentes présentation : PERT;GANT;MPM
• Partie 2 : Programmation Linéaire

• Chapitre 1 : Introduction à la programmation linéaire
• Chapitre 2 : Résolution d’un programme linéaire : méthode
de simplexe
• Chapitre 3 : Dualité et analyse de sensibilité dans la
programmation linéaire
Introduction à la RO
• Origines de la RO
- Période : 2ème guerre,
- Responsable : armée britannique
- Problèmes posés : implantation optimale de radars de surveillance , le
management des
• bombardements
• anti sous-marins
• opérations de miniers…
RO = Application des mathématiques et des méthodes scientifiques aux

opérations militaires
RO = Approche scientifique
à la prise des décisions, qui cherche à
déterminer comment concevoir et faire fonctionner un système d’une
façon optimale
• Techniques de la RO
La programmation mathématique
• programmation linéaire
• programmation quadratique
• programmation en nombres entiers
• programmation dynamique
Analyses de réseaux et graphes
Théories des files d’attentes
Simulation
Analyse statistique
• Champs d’application de la RO
- Industries
- Gouvernement
- Agences
- Hôpitaux
- Institutions d’éducation…
• Méthodologie de la RO
(1) Identification du problème
(2) Collecte des données
(3) Modélisation (Formulation

mathématique)
(4) Vérification du modèle
(5) Recherche des solutions
(6) Présentation des solutions
(7) Implémentation et
recommandations
Mathématiques CST
- L’optimisation de GRAPHES -
 Chaîne de poids minimal

Chaîne qui a la plus petite valeur.
MÉTHODE : Algorithme de Dijkstra

1. On assigne à chaque sommet un nombre et une lettre.
 Nombre : distance la plus courte
 Lettre : sommet précédent d’où provient la chaîne
2. Répéter l’étape 1 jusqu’au dernier sommet.

3. Identifier la chaîne la plus courte par une lecture à rebours.
Exemple : Situation où les arêtes représentent des chemins et les
sommets, des lieux. Trouver le chemin le plus court du
point
A à F.
7
2 (A) 6 (B)
4
B D
2 4
9 (E)
4 3 2
A F
7 4
5
C E
6 (B) 5 (B)
Chaîne la plus courte : ABEF

Poids : 9
Exercice #1 :
5 (A) 7 (C) 17 (E)

6 10
B E G
5
4 6
3 (A) 12 (D) 21 (F) 22 (H)

3 9 1
A C F H J
7 5
7 (A)
Chaîne de poids minimal : ADFHJ
Poids de la chaîne : 7+5+9+1 = 22

Exercice #2 :
4 (A) 6 (B) 11 (E)

2 5
B E G
5
4
6 3
4
7 (A) 8 (B) 10 (F) 11 (H)
7 2 1
A C F H J
6 4 3
6 (A)
Chaîne de poids minimal : ABFHJ
Poids de la chaîne : 4+4+2+1 = 11

 Chemin critique
Pour réaliser une tâche (bâtir une maison, faire une recette,
construire un avion, etc.), on doit souvent réaliser plusieurs
étapes.
Certaines étapes doivent obligatoirement être faites avant
certaines autres tandis que plusieurs étapes peuvent se faire
en même temps (par des personnes ou des équipes
différentes).
Le chemin critique, c’est le temps minimum requis pour
exécuter la tâche. Malheureusement, on doit attendre que
certaines étapes soient terminées avant de passer aux étapes
suivantes.
Donc, c’est la chaîne ayant la plus grande valeur entre le début
et la fin du projet.
Exemple : Situation où l’on doit repeindre une pièce d’une
maison
Temps
Étapes requis Préalables
(min)
A. Début - -
B. Aller chercher au sous-sol l'escabeau, les pinceaux, le rouleau,

15 A
le bac à peinture, ...
C. Sabler l'endroit où se trouvait la fissure 5 B

D. Couvrir le plancher d'un plastique 10 B
E. Acheter la peinture à la quincaillerie 20 A
F. Faire le découpage au pinceau 50 D, E
G. Peindre les murs au rouleau 30 C, D, E
H. Nettoyer le rouleau et le bac 5 G
I. Nettoyer les pinceaux 5 F
J. Ranger tout le matériel au sous-sol 15 H, I
K. Admirer le travail - J
Temps requis si on effectuait la tâche seul : 155 -
Graphe de la situation :
Temps requis
Étapes Préalables
(min)
A. Début - -
A
Temps requis
Étapes Préalables
(min)
B. Aller chercher au sous-sol l'escabeau, les pinceaux, le rouleau,

15 A
le bac à peinture, ...
15
A B
Temps requis
Étapes Préalables
(min)
C. Sabler l'endroit où se trouvait la fissure 5 B
15 5
A B C
Temps requis
Étapes Préalables
(min)
D. Couvrir le plancher d'un plastique 10 B
15 5
A B C
10
D
Temps requis
Étapes Préalables
(min)
E. Acheter la peinture à la quincaillerie 20 A
15 5
A B C
10
20 D
E
Temps requis
Étapes Préalables
(min)
F. Faire le découpage au pinceau 50 D, E
15 5
A B C
10
20 D
50
50
E F
Temps requis
Étapes Préalables
(min)
G. Peindre les murs au rouleau 30 C, D, E
15 5
A B C 30
10 G
30
20 D
30 50
50
E F
Temps requis
Étapes Préalables
(min)
H. Nettoyer le rouleau et le bac 5 G
15 5
A B C 30
10 5
30 G H
20 D
30 50
50
E F
Temps requis
Étapes Préalables
(min)
I. Nettoyer les pinceaux 5 F
15 5
A B C 30
10 5
30 G H
20 D
30 50
50 5
E F I
Temps requis
Étapes Préalables
(min)
J. Ranger tout le matériel au sous-sol 15 H, I
15 5
A B C 30
10 5
30 G H
15
20 D
30 50
J
15
50 5
E F I
Temps requis
Étapes Préalables
(min)
K. Admirer le travail - J
15 5
A B C 30
10 5
30 G H
15
20 D 0
30 50
J K
15
50 5
E F I
Procédure pour trouver le chemin critique :
 On assigne à chaque sommet un nombre et une lettre.

 Le nombre est la plus grande somme des valeurs pour se rendre du point de
départ au sommet étudié.
 La lettre est le sommet précédent dans la chaîne (ou chemin) qui a cette plus
grande somme.
 On identifie la chaîne (ou le chemin) par une lecture à rebours (à reculons).
15 (A) 20 (B)
15 5
A B C 30 60 (G)
55 (D)
10 5
25 (B) 30 G H
15
20 95 (I) 95 (J)
D 0
30 50
J K
20 (A) 75 (D) 80 (F)
15
50 5
E F I
Chemin critique : ABDFIJK Temps minimum pour réaliser le

projet : 95 minutes
Exercice #1 :
5 (A) 11 (B) 21 (E)

6 10
B E G
5
4 6
3 (A) 12 (D) 27 (G) 28 (H)

3 9 1
A C F H J
7 5
7 (A)
Chemin critique : ABEGHJ

Exercice #2 :
4 (A) 17 (F) 22 (E)

2 5
B E G
5
4
6 3
7
10 (D) 11 (B) 25 (G) 26 (H)
7 2 1
A C F H J
6 4 3
6 (A)
Chemin critique : ABFEGHJ

Partie 2
Programmation Linéaire
Chapitre 1
Introduction à la
Chapitre 1
Introduction à la PL
• La programmation linéaire = méthode permettant d’optimiser, c'est-à-dire

rendre le plus grand ou le plus petit possible, une fonction linéaire, cela sous
certaines contraintes définies par des inégalités.
• Les exemples habituels d’optimisation sont la recherche d’un bénéfice maximal

ou d’un coût minimal.
• Remarque : C’est grâce à cette méthode que les problèmes de ravitaillement

étaient résolus pendant la seconde guerre mondiale.
Chapitre 1
• Exemple
Une compagnie est spécialisée dans la production de deux types de produits : des
climatiseurs et des ventilateurs. Les deux produits nécessitent un certain nombre
d’heures de main d’œuvre. Le tableau suivant donne les informations nécessaires
sur les deux produits, c’est-à-dire les nombres d’heures machine et d’heures main
d’œuvre nécessaires à la fabrication d’une unité de chacun de ces produits, ainsi que
le profit généré par la production d’une unité de ce produit. Le tableau nous donne
aussi le nombre total d’heures machines et d’heures main d’œuvre disponibles.
Heures Main d’œuvre Profit

machine
Climatiseur 2 h/unité 3 h/unité 25 dhs/unité
Ventilateur 2 h/unité 1 h/unité 15 dhs/unité
Total disponible 240 h 140 h
Chapitre 1
I. Formulation du programme linéaire
a) Variables de décision : doivent complètement décrire les décisions à

prendre.
La compagnie veut décider du nombre de climatiseurs et du nombre

de ventilateurs à produire pour maximiser le profit. Ceci nous amène à
choisir les deux variables de décision suivantes :
x1 = nombre de climatiseurs
x2 = nombre de ventilateurs
Chapitre 1
b) Fonction objectif : dans n’importe quel programme linéaire, le responsable
de décision veut maximiser (en général, le revenu ou profit) ou minimiser
(en général le coût) une fonction des variables de décisions. Cette
fonction est appelée “ fonction objectif ”.
L’objectif de l’entreprise est de déterminer le programme de production

qui maximisera son profit (Z=profit). La fonction objectif s’écrit alors:
Max Z = 25x1 + 15x2

Chapitre 1
c) Contraintes du modèle : La limitation des ressources contraint l’entreprise
de la manière suivante :
1) Contraintes heure machine 2x1 + 2x2 ≤ 240
2) Contrainte main d’œuvre 3x1 + x2 ≤ 140
3) Contraintes de non-négativité (exprimant que les niveaux d’activité ne
peuvent être négatifs) x1 ≥ 0, et x2 ≥ 0
Modèle complet : x1 = nbre de climatiseurs, x2 = nbre de ventilateurs

Max Z = 25 x1 + 15 x2
s.c. 2x1 + 2x2 ≤ 240
3x1 + x2 ≤ 140
x1 ≥ 0, x2 ≥ 0
s.c = sous contraintes
Chapitre 1
• Domaine réalisable et solutions optimales : Ce sont deux concepts
fondamentaux associés avec un PL. Pour les définir, on va utiliser le terme point
(x1,x2), qui désigne une spécification de la valeur de chaque variable de
décision.
• Le domaine réalisable (DR) est l’ensemble de tous les points satisfaisant toutes
les contraintes du PL. Dans notre exemple, le point (20,40) (Z= 280) appartient
au DR. Ce point est dit réalisable.
• Pour un problème de maximisation (min), une solution optimale est un point du

DR qui donne la valeur la plus large (faible) de la fonction objective.
(20, 40) ≠ solution optimale car (10, 110) est réalisable et donne Z = 1900
meilleur profit que Z= 280
Chapitre 1
II. Résolution graphique
 Méthode de résolution d’un PL ne comportant que 2 variables
de décision
 Etapes à suivre
• Représenter les lignes des contraintes et l’ensemble du
domaine réalisable
• Localiser la solution optimale
• Calculer la solution optimale
Chapitre 1
1ère étape : domaine réalisable
(PL) Max Z = 25 x1 + 15 x2
s.c. 2x1 + 2x2 ≤ 240
3x1 + x2 ≤ 140
x1 ≥ 0, x2 ≥ 0
Domaine réalisable
Chapitre 1
2ème étape : Recherche de la solution optimale
(PL) Max Z = 25 x1 + 15 x2
• La fonction objectif Z = 25x1 + 15x2 représente pour Z fixé (25x1 + 15x2 =

cte) l’équation des courbes de niveau (des droites de pente -5/3) qu’on
appelle aussi ligne d’isoprofit ou isocoût.
• Maximiser Z revient à déplacer la ligne d’isoprofit dans la direction qui

augmente la valeur de Z (pour un pb de maximisation). La dernière ligne
qui touche le DR définit la plus large valeur de toutes les solutions
réalisables, et contient la solution optimale
Chapitre 1
2ème étape : Recherche de la solution optimale (suite)
Solution optimale
{B} = D ∩ D’
D’
D
Chapitre 1
3ème étape : Calcul de la solution optimale
Solution optimale
{B} = D ∩ D’ d’équations respectives:
2x1 + 2x2 = 240
3x1 + x2 = 140
Donc x1=10, x2=110 et Z*=1900
D’
D
Le profit unitaire du modèle 1 est de 40 € ;
celui du produit 2 est de 30 €.
Temps Temps disponible

utilisé
Produit 1
2
Division
1 0 1 40
2 2 0 120
3 2 3 180
Les responsables des ventes vous informe qu’il n’y a plus d’exemplaires des
produits P1 et P2 en entrepôt. Pour fabriquer ces produits vous devez
rappeler du personnel. La convention collective prévoit que lorsqu’un
ouvrier est rappelé au travail la compagnie doit le payer pour un minimum
de 8 heures ou 480 minutes. Les temps de production sur les trois machines
sont donnés dans le tableau suivant :
P1 P2 Temps disponibles
M1 1,5 3 480
M2 3 1,5 480
M3 2 2 480
Les coûts de production sont de 2 pour P1 et de 3 pour P2.
Modéliser le problème sous forme d’un programme linéaire
permettant de minimiser les coûts de production. Préciser
clairement les variables de décisions, la fonction objectif et les
contraintes.
Introduction à la
Recherche opérationnelle
•Applications de la théorie des graphes
problèmes d’ordonnancement
•Programmation linéaire
La démarche de la R.O.
•Identification du problème
•Collecte des informations
•Construction d'un modèle
•Obtention des solutions
•Interprétation et discussion
Skigliss
Une : l’histoire
entreprise d’une diversification
de production de skis
• division 1 : noyaux bois
• division 2 : noyaux PU
• division 3 : moulage
Diversification avec :
• le snowboard freestyle (produit 1)
• et le snowboard alpin (produit 2)
Réorganisation de la production
• 40 minutes libérées dans la division 1
Skiglissquelle
Décider : identification du problème
quantité produire pour chaque
modèle,
de manière à maximiser le profit,
tout en respectant les contraintes.

Skigliss : collecte des informations
• La production d’un modèle 1 utilise 2 minutes en division 2 et
2 minutes en division 3 .
• La production d’un modèle 2 utilise 1 minute en division 1 et 3
minutes en division 3.
• Le profit généré par la production d’un modèle 1 est égal à 40 et
pour un modèle 2 à 30 .
Skigliss
• Choix : modélisation
des variables de décision
• Soit x1 le nombre de modèles 1 produits en 1 jour
• Soit x2 le nombre de modèles 2 produits en 1 jour
• Détermination des contraintes
• Si la production d’un modèle 2 utilise 1 minute, la production de x2 unités
utilise x2 minutes. Comme la disponibilité journalière est de 40 minutes, on doit
avoir :
• x2  40
• 2 x1  120
• 2 x1 + 3 x 2  180
Skigliss : modélisation
•Objectif = Fonction économique
on cherche à maximiser le profit,
c’est à dire à maximiser :
Z = 40 x1 + 30 x2
Le modèle : un programme linéaire
MAX Z = 40 x1 + 30 x2
x2  40
2 x1  120
2 x1 + 3 x2  180
x1 ≥ 0 ; x2 ≥ 0
x2 Résolution graphique
60
50
40
x2 = 40
30
20
10
x1
0 10 20 30 40 50 60 70 80 90
2 x1 = 120
60
50
40
x2 = 40
30
20
10
x1
0 10 20 30 40 50 60 70 80 90
2 x1 = 120
60 2 x1 + 3x2 = 180
50
40
x2 = 40
30
20
10
x1
0 10 20 30 40 50 60 70 80 Résolution
90
2 x1 = 120
60 2 x1 + 3x2 = 180
50
40
x2 = 40
30 Ensemble
des solutions
solution optimale
20 réalisables
x1 = 60
10 Droite x2 = 20
d’iso-profit Z = 3 000
x1
0 10 20 30 40 50 60 70 80 90
Résolution avec Excel
a)On appelle le solveur (Outils
Solveur)
b)On définit la cellule cible (ici :
D10)
c)On définit le sens de
l’optimisation (ici : Max)
d)On indique les cellules variables
(ici B2 et C2)
e)On ajoute les contraintes (elles
peuvent être entrées sous forme
vectorielle)
f) On spécifie l’option : « Modèle
supposé linéaire »
g)Et enfin on clique sur le bouton
Résoudre
Chapitre 1
III.Notions de convexité et points extrêmes
Définition : Un ensemble E non vide est dit convexe si et seulement si pour

tout élément x et y de E et pour tout λ Є [0,1], λ x + (1- λ ) y Є E.
Pour toute paire de points P1 et P2, l’ensemble des points qui forment le
segment [P1P2] appartient au demi-plan.
Convexes Non convexes
Caractéristique d’un PL: le DR d’un PL est ou bien vide ou convexe.

Chapitre 1
Définition:  E, un ensemble convexe, un point P dans E est appelé point
extrême si chaque segment de droite entièrement contenu dans S et
contenant le point P, a P comme extrémité.
Mathématiquement :
Soit x Є E, x est un point extrême ↔ S’il Ǝ y Є E, z Є E et 0<λ<1 tels que x= λy +
(1- λ)z alors x=y=z
a x y
b
a,b Points x n’est pas un y Point

extrêmes point extrême extrême
Chapitre 1
Théorème: Pour un PL donné, si un optimum existe, au moins un point
extrême est optimal.
Corollaire: Si PL admet un optimum unique, alors cet optimum doit être un

point extrême.
IV.Cas particuliers de PL
PL non borné
Max Z = x1 + 2x2
s.c. 7x1+2x2 ≥ 28
x1 + 6x2 ≥ 12
x1 ≥ 0, x2 ≥ 0
Chapitre 1
14
Lignes d’isoprofit
2 12
x1+6x2 = 12
7x1+2x2 = 28
Si la fonction objectif est min z = x1 + 2x2 (18/5, 7/5) est optimal.

Chapitre 1
PL a une infinité de solutions optimales
Max Z = x1 + 3x2
s.c. 2x1+6x2 ≤ 30 (1)
x1 ≤ 10 (2)
x2 ≤ 4 (3)
x1 ≥ 0, x2 ≥ 0
Tous les points appartenant

à [AB] sont optimaux
Chapitre 1
PL non réalisable
Max Z = 3x1 + 2x2
s.c. x1+2x2 ≤ 2 (1)
2x1 + 4x2 ≥ 8 (2)
x1 ≥ 0, x2 ≥ 0
DR vide PL non réalisable

Chapitre
Résolution d’un 2
programme
linéaire : méthode de simplexe
Chapitre 2
Méthode de simplexe
I. Introduction
• Dans le chapitre précédent, on a vu comment résoudre graphiquement un

PL à deux variables. Or la majorité des problèmes réels ont plusieurs
variables. D’où la nécessité d’avoir une méthode algébrique pour résoudre
des PLs ayant plus que 2 variables.
• La méthode de Simplexe est l’une des méthodes les plus anciennes

(Dantzig, 1947), et la plus utilisée jusqu’à nos jours, pour résoudre même
des problèmes de grandes tailles avec quelques milliers de variables et
quelques milliers de contraintes.
Chapitre 2
II.Mise en forme standard
Un PL peut avoir des contraintes d’égalité (=) et des contraintes d’inégalité ( ≥ et ≤

).
Avant l’application de Simplexe, le PL doit être converti en un PL équivalent où :

- toutes les contraintes sont des égalités,
- toutes les variables sont non négatives (≥ 0),
- le second membre est non négatif (AX ≤ b, b≥0).
Un tel PL est dit sous la forme standard.

Chapitre 2
Exemple : Usine de ceintures
Une usine fabrique de 2 sortes de ceintures : luxe et standard

Chaque type demande 1m2 de cuir
• Une ceinture standard demande 1h de travail
• Une ceinture de luxe demande 2h
Chaque semaine, on dispose de 40m2 de cuir et de 60h de travail.

• Chaque ceinture standard rapport 3 Euros
• Chaque ceinture de luxe 4 Euros.
Objectif : Maximiser le profit.

Chapitre 2
• x1 = nombre de ceintures de luxe produites par semaine
• x2 = nombre de ceintures standard produites par semaine
• Maximiser z = 4x1 + 3x2, avec
x1 + x2  40 contrainte sur le cuir (1)

2x1 + x2  60 contrainte sur le travail (2)
x1, x2  0 contrainte de signe (3)
Chapitre 2
• Pour convertir la ième contrainte  en une contrainte d’égalité, on définit la
variable d’écart, si (slack variables) qui représente la quantité de ressource non
utilisée dans cette contrainte.
s1 = 40 - x1 - x2  x1 + x2 + s1 = 40
On doit ajouter s1 ≥ 0 pour que (x1 , x2) satisfasse x1 + x2  40.
• Pour une contrainte ≥, on définit ei (excess variable), variable d’excédent, qui

est aussi ≥ 0.
On obtient alors:
max z = 4x1 + 3x2
s.c. x1 + x2 + s1 = 40
2x1 + x2 – e1 = 60
x1, x2, s1, e1 0
Chapitre 2
• Remarque : L'impact de ces variables d'écart sur la fonction objectif est nul.
Ceci explique le fait que leur existence soit tout simplement liée à une mise
en forme du programme linéaire initial.
• En général, la mise en forme d’un PL donne :
maxZ  c1x1  c 2 x 2  ...  c n x n

s.c. a11x1  a12 x2  ...  a1n xn  b1
a21x1  a22 x2  ...  a2n xn  b2
…
am1x1  am 2 x2  ...  amn xn  bm

xi  0, i  (1,2,...n)
Chapitre 2
 x1   b1   c1 
     
• On définit A = (ai j), x  ;b2   c2 
x   ;2  b  c 
  
     
 xn   bm   cn 
On suppose que n  m
 (PL) : Max ct x
s.c. Ax = b
x≥0
Rq : pour avoir la forme standard, les équations doivent, si nécessaire, être

multipliées par (-1) pour avoir b  0
Chapitre 2
III. Analyse algébrique de la méthode de simplexe
1. Variables de base
• On appelle Base une sous matrice régulière de A. Il faut que la matrice A(m,n)
soit de rang m (pas de contrainte (ou équation) redondante càd inutile).
• Une solution de base est obtenue en posant n − m variables égales à 0, et en

résolvant pour les m variables restantes, qui sont les variables de base (VB).
• Les n−m variables à 0 sont les variables hors base (VHB).
• Des choix différents de VHB donnent lieu à des différentes solutions de base.
Chapitre 2
Représentation
x tB x tH
c tb c tH
B H
base hors base
m colonnes n − m colonnes
Chapitre 2
Représentation matricielle
xB
A = [B | H] , x= , ct = [ctB| ctH]
xH
• Ce qui donne
Z = ct x = ctB xB + ctH xH
Ax = b  B xB + H xH = b
• Une solution de base est telle que

xH = 0
BxB = b
xB = B−1b
Chapitre 2
Exemple
• Soit le système suivant :
x1 + x2 = 3
−x2 + x3 = −1
• Si on pose VHB = {x3}, alors VB = {x1, x2}. On résout

x1 + x2 = 3
−x2 = −1
• Ce qui donne x1 = 2 et x2 = 1.
• Certains choix de variables peuvent ne pas générer de solution de base.

Chapitre 2
2. Solutions de base réalisables
• Une solution de base est dite réalisable (SBR) si :

xB = B−1b ≥ 0
• Si le vecteur xB contient des termes nuls, on dira que cette solution est une
solution de base dégénérée (peut être associée à plus qu’une base).
Chapitre 2
Exemple de SBR
Soit le problème : min − x1 − 2x2
s.c. x1 + 2x2 ≤ 4
2x1 + x2 ≤ 5
x1 , x2 ≥ 0
• Sous forme standard, on a: min − x1 − 2x2

s.c x1 + 2x2 + x3 = 4
2x1 + x2 + x4 = 5
x1 , x2 , x3 , x4 ≥ 0
 4 variables (n=4) et 2 contraintes (m=2)

Chapitre 2
(PL) : min − x1 − 2x2
s.c x1 + 2x2 + x3 = 4
2x1 + x2 + x4 = 5 1 2 1 0
x1 , x2 , x3 , x4 ≥ 0 A=
2 1 0 1
• On peut essayer de constituer une base en utilisant l’ensemble B = {1, 3},
B = [A1A3] = 11 H = [A2 A4] = 20

20 11
• xB = x1 , xH = x2
x3 x4
• L’inverse de B existe, donc B correspond à une base B−1 = 0 1/2
1 −1/2
Chapitre 2
• La solution de base correspondante est donc :
xB = B−1b = 0 1/2 4 = 5/2 = x1 > 0

1 −1/2 5 3/2 x3
• Cette solution est bien une SBR.

Chapitre 2
3. Conditions d’optimalité d’une SBR
xB
 B1b   
x 
Soit x une SBR associée à la base B. On a alors  0  xH
  
Soit x une solution réalisable quelconque de P.
On a z(x)= c x et z(x) = cx = cB B-1 b.
Calculons z(x) - z(x)
On a b=Ax ; Par conséquent :
z(x) - z(x) = c x-cx = cx - cB B-1 b = cx - cB B-1 Ax = (c – cB B-1 A)x
Appelons  (x) = (c - cB B-1 A), alors z(x) - z(x) =  (x). x

Chapitre 2
Théorème : Soit x une SBR de P. (x)  0  x est optimal.
Démonstration
• Rq: Pour simplifier la notation, nous allons utiliser la notation  au lieu de

(x)
• Soit x une solution réalisable de P. z(x) peut s’écrire :

z(x) = cB B-1 b + . x = z(x) + . x
  0  z(x)  z(x), puisque x  0.
Ceci est vrai  x solution réalisable; d'où x est optimal.
• Rq : c’est une condition suffisante. Elle devient aussi nécessaire si la SBR est
non dégénérée.
Chapitre 2
4. Théorèmes fondamentaux
• Théorème : La région réalisable pour tout problème de programmation

linéaire est un ensemble convexe. Si un PL possède une solution optimale,
alors un point extrême de la région réalisable doit être optimal.
• Théorème : Pour tout LP, il existe un point extrême unique de la région

réalisable qui correspond à chaque solution de base réalisable. Egalement, il
existe au moins une SBR qui correspond à chaque point extrême de la région
réalisable.
Chapitre 2
• Illustration des théorèmes
On reprend l’exemple des ceintures de cuir, c-à-d maximiser z, avec :
z = 4x1 + 3x2
x1 + x2 + s1 = 40
2x1 + x2 + s2 = 60
x1, x2, s1, s2 ≥ 0
Chapitre 2
• On a l’équivalence entre SBR et points extrêmes suivants :
Base Hors-base SBR Point extrême

x1, x2 s1, s2 s1 = s2 = 0, x1 = x2 = 20 E
x1, s1 x2, s2 x2 = s2 = 0, x1 = 30, s1 = 10 C
x1, s2 x2, s1 x2 = s1 = 0, x1 = 40, s2 = −20 Non réalisable, s2 < 0
x2, s1 x1, s2 x1 = s2 = 0, s1 = −20, x2 = 60 Non réalisable, s1 < 0
x2, s2 x1, s1 x1 = s1 = 0, x2 = 40, s2 = 20 B
s1, s2 x1, x2 x1 = x2 = 0, s1 = 40, s2 = 60 F
Chapitre 2
5. Nombre de solutions possibles
• Le nombre de bases candidates est égal à
Cmn = n!/((n−m)!m! )
• Le nombre de SBR est donc ≤ Cmn c-à-d fini, mais peut être très large.
• Puisque le nombre de telles bases peut être très large, il est

pratiquement impossible de trouver la solution optimale à partir d’une
formule compacte.
il nous faut donc utiliser un algorithme systématique (procédure

itérative) de recherche.
Chapitre 2
Définition d’un algorithme
Un algorithme est un ensemble de règles employées pour obtenir des
résultats à partir de données spécifiques, dans lequel chaque étape est
bien définie et peut être traduite sous forme d’un programme
informatique.
Simplexe
Le simplexe est un algorithme ou méthode de recherche qui garantit de
trouver un optimum d’un PL (s’il existe) en un nombre fini d’itérations.
Chapitre 2
IV. Méthode de simplexe
1. Principe
L’algorithme du simplexe pour une maximisation suit les étapes suivantes :
1.Trouver une SBR pour le PL, appelée la SBR initiale.
2. Déterminer si la SBR courante est optimale (Δ ≤ 0). Sinon, trouver une autre
SBR qui possède une valeur z plus élevée.
3. Retourner au point (2) avec la nouvelle SBR comme SBR courante.
• La question est donc : comment se déplacer.

Chapitre 2
2. Tableau canonique
• (PL) : Max z = ct x comme on a :

s.c. Ax = b
x≥0
xB
A = [B | H] , x= , ct = [ctB| ctH]
xH
Le PL peut ainsi s’écrire comme suit :
B xB + 0 (-z) + H xH = b
cB xB + (- z) + c xH = 0
Chapitre 2
• Sous forme matricielle on aura :
x 
B 0 H  B   b
   z    
 cB 1 cH     0 
 xH 
• Sous forme d’un tableau, le PL peut être présenté comme suit :
1er membre 2ème membre
xB -z xH
B 0 H b
cB 1 cH 0
Chapitre 2
• Le tableau canonique relatif à la base B est obtenu en transformant la
matrice sous les variables xB et –z en une matrice identité d’ordre m+1.
1er membre 2ème

membre
xB 1  1 -z 1 xH
 B 0   B 0 
B  0 
H b
c
 B 1    c B 1 1
1 cH
B
cB 0
• Pour ce faire, on multiplie à gauche chaque colonne du tableau par la

matrice :
Chapitre 2
• Le tableau canonique relatif à B est donc le suivant :
xB -z xH
I 0 B-1H B-1b
0 1 cH – cB B-1H – cB B-1b
où B-1b  0.
On rappelle que : Δ = c - cB B-1 A et peut être aussi partitionnée en ΔB et ΔH selon la

SBR x
On aura alors :  = (B H) = (cB – cB B-1B cH – cB B-1H)

= (0 cH – cB B-1H)
Chapitre 2
 x1   xm1 
   
Soient xB   2 ,
x  xm 2 
   xH 
   
 
 xm   xn 
 a1, j   ba11,,jj   b1, j 
     
 a2, j   b 2, j   2, j 
b
1 a2, j  B 1
Notons par:   B    et  
     
  b m, j   bm, j 
 am, j   a   
   m , j 
Chapitre 2
• Notre tableau canonique devient ainsi :
Variables de x1 …xm -z xm+1 … xn Valeurs des

base var de
base
x1 1…0 0 a1,m+1 … a1,n b1
. .
. .
xm 0…1 0 am,m+1 … am,n bm
-z 0…0 1  m+1 …  n – cB B-1b

Chapitre 2
3. Itérations de Simplexe
• Définition : Pour tout problème de PL, deux SBR sont adjacentes si leur
ensembles de variables de base ont m − 1 variables de base en commun.
Etape 1
Construction du
tableau initial
Solution optimale Oui

Fin
Etape 2 Non
• La question quelle estDéplacement (pivotage)

la variable entrante, et celle sortante?
vers une SBR adjacente
Chapitre 2
• Remarque : Si la SBR est non dégénérée, le déplacement implique un point
extrême adjacent ;
Si la SBR est dégénérée, la base change mais on reste au même point
extrême (une nouvelle variable nulle).
• Pour se déplacer d’une SBR à une autre adjacente, une variable hors base
(variable entrante xe) va prendre la place de l’une des variables de base (xs).
Ainsi,
Chapitre 2
Variables de base x1 …xs …xm -z xm+1 … xe … xn Valeurs des
var de base
x1 1…0…0 0 a1,m+1 … a1,e …a1,n b1
. .
xs 0…1…0 0 as,m+1 … as,e…as,n bs
. .
xm 0 … 0… 1 0 am,m+1 am,e … am,n bm
-z 0…0…0 1  m+1 …  e …  n -cBB-1b = -z
Questions :
1. Quelle est la variable entrante?
2. Quelle est la variable sortante?
Chapitre 2
3.1. Choix de la variable entrante
Dans une SBR toutes les variables hors base sont nulles (xe =0). Pour faire
entrer xe, on augmente sa valeur, par exemple de   0 (xe = xe + ) tout en
maintenant à zéro toutes les autres variables hors base.
1er critère de Dantzig : nous indique le choix de la variable entrante. Ce

dernier est basé sur la contribution éventuelle de xe à la fonction objectif.
Puisque z(x) = z(x) + . x   z(x)/ xj= j = taux de variation de z par

rapport xj.
Par conséquent on choisit la variable, xe, ayant le taux d’augmentation

maximal de z(x) (PL de max), c-à-d le j maximal :
xe est telle que e = max{ j , où j= m+1, …, n ; j > 0}

Chapitre 2
2ème critère de Dantzig : nous indique la valeur de la variable entrante ().
• Pb de maximisation : on désire donc augmenter xe le maximum possible, tout en

satisfaisant les contraintes. On sait que le PL sous la forme canonique est
équivalent au problème de départ. Donc, les valeurs des variables de base
doivent changer tout en satisfaisant les contraintes suivantes :
xi + ai,m+1 xm+1 + …+ ai,e xe…+ai,n xn = bi  i = 1, …, m
Comme xe =   xi =bi - ai,e 
• La valeur de  doit être choisie telle que : xi = bi - ai,e   0,  i = 1, …, m

Chapitre 2
• Pour tout i tel que ai,e 0, on a bienbi - ai,e   0 et ceci    0 (car bi
 0 : puisqu’on part d’une SBR).
• Pour i tel queai,e > 0, on doit choisir  telle que   bi/ai,e
• La valeur maximale de  qui satisfait ces contraintes est max = min

{bi/ai,e :  i = 1, …, m et ai,e > 0}  2ème critère de DANTZIG (critère
du ratio minimal)
• On en déduit la variable sortante :

xs telle quebs/as,e = min {bi/ai,e :  i = 1, …, m et ai,e > 0}
• En effet, pour la ligne s : xs = bs - as,e  = bs - as,e (bs/as,e) = 0

Chapitre 2
• On appelle :as,e : élément pivot
Ligne s : ligne pivot
Colonne e : colonne pivot
• Maintenant on a donc une nouvelle base B’ = {1, …, e, …, m} avec xs étant une

nouvelle variable hors base.
• Il faudra ainsi représenter le PL sous la forme canonique associée à B’.

• La colonne de xe doit être transformée afin de conserver la matrice d’identité:
 a1 ,e  0 
   
   
 a    1   Ligne s
 s ,e   
   
a  0 
 m , e   
Chapitre 2
• Pour ce faire, on applique les opérations élémentaires suivantes (selon
Gauss-Jordan) :
Op1 : Division de la ligne pivot par l’élément pivot as,e

asj’ = as,j/as,e  j, ase’ = 1
Var. de x1 … x s … x m -z xm+1 …xe … xn Val. des var de base

base
x1 1…0 … 0 0 a1,m+1 …a1,e …a1,n b1
. 
xs 0…1/as,e … 0 0 as,m+1’ …1 …as,n’ bs/as,e
. .
xm 0…0 … 1 0 am,m+1’ …am,e …am,n bm
-z 0… 0… 0 1  m+1 … e …  n -z
Chapitre 2
Op2 :  i s, soustraction d’un multiple approprié de la ligne pivot pour annuler le
coefficient de la ligne i , colonne e.
Var. de x1 … x s … x m -z xm+1 …xe … xn Val. des var

base de base
x1 1…0 … 0 0 a1,m+1
 0  …a1,e …a1,n b1
.   
1 
xs 0…1/as,e … 0 0 as,m+1
 0 ’ …1 …as,n’ bs/as,e
.   .
xm 0…0 … 1 0  0  …am,e …am,n
am,m+1’ bm
-z 0… 0… 0 1  m+1 … e …  n -z
• aij’ = aij – aie as,j/as,e  j = 1 , …, n+1 (n+ dernière ligne du tableau)

 aie’ = 0
• j’ = j - e as,j/as,e  j = 1, …, n+1 (n var plus -z )
Chapitre 2
• Le nouveau tableau est donc le suivant:
Variables x1 … xs … xm -z xm+1 …xe … xn Valeurs des var de

de base base
x1 1 … -a1,e (1/as,e) … 0 0 a1,m+1’…0 b1–a1,e (bs/as,e)
. …a1,n’ .
xs bs/as,e
. 0… 1/as,e … 0 0 as,m+1’ …1 …as,n’ .
xm bm’
0 … -am,e (1/as,e)…1 0 am,m+1’ …0 …am,n
-z 0 … - e (1/as,e) 0 1  m+1 ’ … 0 …  n’ - z - e (bs/as,e)
Chapitre 2
• Exemple
Soit le PL suivant :
max z = 3x1 + 2x2

s.c. x1 + x2 + s1 = 80
2 x1 + x2 + s2 = 100 m=3, n=5 ; rang(A)=3
x1 + s3 = 40
x1, x2, s1, s2, s3  0
• Une SBR apparaît d'une façon évidente : s1 = 80; s2 = 100; s3 = 40
• VB = {s1, s2, s3}; alors VHB = {x1, x2} ,
c-à-d x1 = x2 = 0  z = 0
Chapitre 2
• Suite exemple à faire
Chapitre 2
• Cas particuliers
• PL non borné : Des solutions ont été trouvées mais la valeur de z peut
toujours être améliorée. Dans le cadre de Simplexe, ce cas est représenté par
le fait que dans chacune de ces colonnes j, aij  0 pour tout i (pas de variables
sortantes) d’où il est impossible de faire entrer dans la base des variables
telles que  > 0. Les j > 0 montrent bien qu'il est possible d'augmenter z,
mais le fait que tous les aij  0 montre qu'il n'existe pas de SBR susceptible
d'augmenter z.
• PL a une infinité de solutions
Exemple:
max z = 3x1 + 2x2
s.c. 3x1 + 2x2  120
x1 + 1x2  50
x1, x2  0
Chapitre 2
#1 x1 X2 s1 s2 bi
s1 3 2 1 0 120 
s2 1 1 0 1 50
cj 3 2 0 0 0

#2 x1 X2 s1 s2 bi
x1 1 2/3 1/3 0 40
s2 0 1/3 -1/3 1 10 
j 0 0 -1 0 -120

Chapitre 2
C'est un tableau optimal, mais on remarque la présence d'une variable

hors base à j = 0. Cela veut dire que si on la fait entrer dans la base,
on va obtenir une autre SB optimale sans que la valeur de z ne
change  le segment formé par ces deux SB optimales contient
toutes les solutions optimales du problème.
Un autre tableau optimal :
#3 x1 X2 s1 s2 bi
x1 1 0 1 -2 20
x2 0 1 -1 3 30 
j 0 0 -1 0 -120
Chapitre 2
4. Résumé de l’algorithme de simplexe
1. Mettre le PL sous la forme standard.

2. Trouver une solution initiale de base (SBR initiale).
3. Ecrire le PL sous la forme canonique relative à la SBR initiale.
4. Itérations :
4.1. Si le critère d'arrêt est satisfait (Δ ≤ 0), donner le résultat final
(solution optimale) ; sinon aller à l'étape 4-2.
4.2. Déterminer la variable entrante (ou la colonne pivot) selon le 1er
critère de DANTZIG
4.3. Déterminer la variable sortante (ou la ligne pivot) selon le 2ème
critère de DANTZIG
4.4. Calculer le nouveau tableau en effectuant une opération de pivot.
Retour à 4-1.
Chapitre 2
IV. Méthode de simplexe à deux phases
On a déjà indiqué que la méthode de Simplexe part d’un PL sous la forme canonique.
Cela suppose qu’on peut facilement identifier une SBR initiale. Parfois, ceci n’est pas
évident, par exemple
(P) Max z = 4x1 + 3x2
s.c. 2x1 –x2  15
x1 + x2 = 10
2x1 – x2  20
x1, x2  0
En mettant ce PL sous la forme standard, on obtient
Max z = 4x1 + 3x2
s.c. 2x1 –x2 –e1 = 15
x1 + x2 = 10
2x1 – x2 + s3= 20
x1, x2, e1, s3  0
Chapitre 2
Il est difficile de trouver intuitivement/rapidement une SBR. Alors, qu’est-ce
qu’on fait ? On introduit encore des variables dites artificielles à chaque
contrainte ‘‘et à chaque contrainte ‘=’, on obtient alors (P’) :
Max z = 4x1 + 3x2
s.c. 2x1 –x2 –e1 + s1= 15
x1 + x2 +s2= 10
2x1 – x2 + s3 = 20
x1, x2, e1, s3, s1,s2  0
Une SBR de P’ est donnée par VB = {s1,s2, s3}. Cependant, les variables
artificielles non seulement ont un effet nul dans la fonction objectif mais
aussi doivent être nulles dans une SBR de P. Alors, lorsqu’une variable
artificielle est non nulle, ceci indique que la solution est non réalisable dans
P. On doit essayer d’annuler les variables artificielles dans P’. Ceci est réalisé
en appliquant l’algorithme de Simplexe au problème suivant :
Chapitre 2
Min zI = si var artificielle si = s1 +s2
s.c. 2x1 –x2 –e1 + s1= 15
(PI) x1 + x2 +s2= 10
2x1 – x2 + s3= 20
x1, x2, e1, s3, s1, s2  0
Phase I : Résoudre PI par la méthode de Simplexe
•Résultats possibles de la phase I :

•Cas 1 : zI  0  au moins une si  0  P non réalisable (DR vide)
•Cas 2 : zI = 0 et aucune variable artificielle n’est une VB. Dans ce cas, on
omet toutes les colonnes du tableau optimal de la phase I, qui
correspondent aux variables artificielles. On combine la fonction objectif de
P avec les autres lignes de ce tableau. On met à jour la dernière ligne de telle
manière à avoir j = 0 pour les VB. On obtient ainsi un tableau canonique
initial de P. On continue alors la résolution avec la méthode de Simplexe
(Phase II).
Chapitre 2
•Cas 3 : zI= 0 et au moins une si est une VB du tableau optimal de la phase I
 Le problème original P a au moins une contrainte redondante  Eliminer
les contraintes redondantes ; réintroduire z(x) et commencer la phase II.
•Rq : dans le cas 3, on trouve une ou plusieurs lignes où tous les coefficients
sont nuls sauf ceux des variables artificielles  telles lignes sont redondantes
et peuvent être éliminées.
• Exemple
x1 x2 x3 x4 x5 s2
x3 3 -1 1 1 0 0 6
s2 0 0 0 0 0 1 0
x5 2 peut
La Ligne 2 être éliminée.
1 0 2 1 0 5
Chapitre 2
• Application à P :
Max zI = - s1 - s2
s.c. 2x1 –x2 –e1 + s1= 15
(PI) x1 + x2 + s2= 10
2x1 – x2 + s3= 20
x1, x2, e1, s3, s1, s2  0
#1 x1 x2 e1 s3 s1 s2
s1 2 -1 -1 0 1 0 15
s2 1 1 0 0 0 1 10
s3 2 -1 0 1 0 0 20
0 0 0 0 -1 -1 0
Chapitre 2
Variables de base (s1 et s2) ayant des coûts marginaux non nuls  mise à
jour du tableau : L4  L4 + L1 + L2
#1 x1 x2 e1 s3 s1 s2
s1 2 -1 -1 0 1 0 15
s2 1 1 0 0 0 1 10
S3 2 -1 0 1 0 0 20
3 0 -1 0 0 0 25
#2 x1 x2 e1 s3 s1 s2
X1 1 -1/2 -1/2 0 1 /2 0 15/2
s2 0 3/2 1/2 0 -1/2 1 5/2
S3 0 0 1 1 -1 0 5
0 3/2 1/2 0 -3/2 0 5/2
Chapitre 2
#3 x1 x2 e1 s3 s1 s2
X1 1 0 -1/3 0 1/3 1/3 25/3
X2 0 1 1/3 0 -1/3 2/3 5/3
S3 0 0 1 1 -1 0 5
0 0 0 0 -1 -1 0
•Tableau optimal de la phase I (cas 2) : VB = {x1, x2, s3}
•Rq: On peut éliminer du tableau la colonne d'une variable artificielle dès que
celle-ci sort de la base.
Chapitre 2
Phase II :
#4 x1 x2 e1 s3
x1 1 0 -1/3 0 25/3
x2 0 1 1/3 0 5/3
s3 0 0 1 1 5
4 3 0 0
L4 – 4L1 –3 L2 0 0 1/3 0 -115/3
#5 x1 x2 e1 s3
x1 1 0 0 1/3 10
x2 0 1 0 -1/3 0
e1 0 0 1 1 5
0 0 0 -1/3 -40
Chapitre 2
V. Méthode de Big M (phases I et II confondues)
• Si le PL est tel que des variables artificielles doivent être introduites pour
obtenir un tableau canonique, on peut aussi le résoudre avec la méthode de
Big-M
• Principe : introduire les variables artificielles dans la fonction objectif, avec

des coefficients arbitrairement larges (M >>0, pour un problème de
minimisation), puis résoudre le problème résultant à l’aide de Simplexe (en
une seule phase).
En général,
Max zM = cx - i Msi
(PM) s.c. Ax + s = b
x  0, s  0
Chapitre 2
Exemple :
Max zM= 4x1 + 3x2-M s1 -Ms2
s.c. 2x1 –x2 –e1 + s1= 15
(PI) x1 + x2 +s2= 10
2x1 – x2 + s3= 20
x1, x2, e1, s3, s1, s2  0
#1 x1 x2 e1 s3 s1 s2
s1 2 -1 -1 0 1 0 15 
s2 1 1 0 0 0 1 10
s3 2 -1 0 1 0 0 20
4 3 0 0 -M -M 0
Mise à 4+3M 3 -M 0 0 0 25M
jour

Chapitre 2
#2 X1 x2 e1 s3 s1 s2
x1 1 -1/2 -1/2 0 1/2 0 15/2
s2 0 3/2 1/2 0 -1/2 1 5/2
s3 0 0 1 1 -1 0 5
0 5+3/2M 2+1/2M 0 -2-3/2M 0 -30+5/2M
#3 X1 x2 e1 s3 s1 s2
x1 1 0 -1/3 0 1/3 1/3 25/3
x2 0 1 1/3 0 -1/3 2/3 5/3
s3 0 0 1 1 -1 0 5
0 0 1/3 0 -1/3-M 0 -115/3
Chapitre 2
#4 X1 x2 e1 s3 s1 s2
x1 1 0 0 1/3 0 0 10
x2 0 1 0 -1/3 0 2/3 0
e1 0 0 1 1 -1 0 5
0 0 0 -1/3 -M 0 -40
Chapitre 2
Résultats possibles de Big-M :
• Cas 1 : Simplexe donne une solution optimale (x*, s*) avec s* = 0. Alors
x* est optimal pour le problème de départ (P).
• Cas 2 : Simplexe donne une solution optimale (x*, s*) avec s*  0. Le
critère d’optimalité étant satisfait  M suffisamment large, (P) est donc non-
réalisable.
• Cas 3 : (PM) est non borné  M suffisamment large. Le critère d’optimalité

étant satisfait  M suffisamment large, (P) est non borné s’il est réalisable,
sinon il est non-réalisable.
 On doit alors vérifier s’il est réalisable: Ceci en continuant l’algorithme
après remplacement de la fonction objectif (dans le dernier tableau) par Z’M
= - i Msi (en annulant les constantes dans l’expression (j + M j*) de la
dernière ligne). Si la solution optimale obtenue est telle que s = 0, alors (P)
est réalisable donc non-borné, sinon (P) est non-réalisable.
Chapitre 2
Exemple
Max zM = x1 + x2 - M s1 - Ms2
(PM) s.c. x1 + x2 –e1 + s1= 1
x1 - x2 – e2 +s2= 0
x1, x2, e1, e2,s1, s2  0
#1 x1 x2 e1 e2 s1 s2
s1 1 1 -1 0 1 0 1
s2 1 -1 0 -1 0 1 0 
1 1 0 0 -M -M 0
Mise à 1+2M 1 -M -M 0 0 M
jour

Chapitre 2
#2 x1 x2 e1 e2 s1 s2
s1 0 2 -1 1 1 -1 1
x1 1 -1 0 -1 0 1 0
0 2+2M -M 1+M 0 -1-2M M

#3 x1 x2 e1 e2 s1 s2
X2 0 1 -½ ½ ½ -½ ½
X1 1 0 -½ -½ ½ ½ ½
0 0 1 0 -1-M -M -1
(PM) non borné car Δe1 > 0 et tous les aij < 0 (pas de var sortante)
Chapitre 2
Si P est réalisable alors il est non borné sinon il est non réalisable
Pour vérifier s’il est réalisable ou pas on modifie la ligne des Δj par la
fonction objectif Z’M = - i Msi et on vérifie si tous lessi = 0, alors (P)
est réalisable
#4 x1 x2 e1 e2 s1 s2
x2 0 1 -½ ½ ½ -½ ½
x1 1 0 -½ -½ ½ ½ ½
0 0 0 0 -M -M 0
Z’M = 0   s1* =  s2* = 0  (P) réalisable  (P) non borné.

Chapitre 2
Il est pratiquement impossible de conclure si la méthode de Big-M

résout les PL avec moins de calcul que l'approche à deux phases.
L'expérience pratique semble indiquer que les deux approches ont
approximativement le même effort de calcul.
Pour résumer :
La résolution d'un PL à l'aide de l'algorithme de simplexe nécessite
une SBR initiale. C'est un problème qui peut être résolu de trois
manières différentes :
1. Introduction de variables artificielles et l'application de Simplexe à
deux phases (phase I trouve une SBR)
2. Introduction de variables artificielles et l'application de la méthode
de Big-M (basée sur l'algorithme de Simplexe)
3. Trouver intuitivement une SBR, écrire le PL sous la forme
canonique, puis passer directement à la phase II (l’approche la
moins pratique).
Chapitre
Dualité et analyse 3de
sensibilité dans la
Chapitre 3
Dualité et analyse de sensibilité
I. Introduction
Il est possible à partir d’un PL (P) de former un autre programme linéaire qu’on
appelle programme dual (D) associé à (P). Dans ce contexte, on appelle (P)
problème primal.
(P) : max cx (D) : min w = yb

s.c. Ax ≤ b s.c. yA  c
x0 y0
La notion de dualité est très importante pour le mathématicien, car dans le cas où
le primal a beaucoup de contraintes, le dual peut être plus facile à résoudre que
le primal. Pour l'économiste et le gestionnaire, la dualité est très importante. On
verra dans la suite son interprétation économique.
Chapitre 3
II. Interprétation économique de la dualité
• bi : quantité totale de la ressource i ;
• aij : quantité de la ressource i consommée pour fabriquer une unité du
produit j
• cj : coût unitaire du produit j
yi représente la valeur unitaire de la ressource i. Elle est souvent appelée

coût fictif ou prix ombre. C’est le montant maximum que l’on sera prêt à
payer pour une unité supplémentaire de le ressource i ou encore le prix
minimum auquel on serait prêt à vendre une unité de la ressource i.
Chapitre 3
1. Le dual d'un problème de maximisation
Considérons l'exemple suivant : une usine fabrique des bureaux, des tables
et des chaises.
La fabrication de chaque type de produit nécessite de la matière première
(bois) et deux types d’activités : menuiserie et finition. La quantité requise
de chaque ressource est donnée comme suit :
Produit Bureau Table Chaise Quantité de ressource

Ressource disponible
Bois (plaque) 8 6 1 48
Menuiserie (heure) 2 1.5 0.5 8
Finition (heure) 4 2 1.5 20
Prix de revient (D) 60 30 20
Chapitre 3
On désire maximiser le revenu.
Variables de décision :
x1 = nombre de bureaux fabriqués
x2 = nombre de tables fabriquées
x3 = nombre de chaises fabriquées
(P) max z = 60 x1 + 30 x2 + 20 x3
s.c. 8 x1 + 6 x2 + x3  48 (ressource bois)
2 x1 + 1.5 x2 + 0.5 x3  8 (ressource menuiserie)
4 x1 + 2 x2 + 1.5 x3  20 (ressource finition)
x1, x2, x3  0
Chapitre 3
Supposons qu'un entrepreneur veut acheter toutes les ressources de
l’usine (bois, heure menuiserie, heure finition) . Il veut certainement que
le prix total de ces ressources soit minimal. On définit alors :
y1 = prix d'une plaque de bois

y2 = prix d'une heure de menuiserie
y3 = prix d'une heure de finition
L'entrepreneur doit payer : w(y) = 48y1 + 8 y2 + 20 y3 et désire minimiser

w, mais il doit payer suffisamment pour convaincre l’usine de vendre ses
ressources.
Chapitre 3
Par exemple, il doit payer au moins 60D pour une combinaison de : 8
plaques de bois + 2 heures de menuiserie + 4 heures de finition car l’usine
peut utiliser ces ressources pour fabriquer un bureau et le vendre pour
60D.
L'entrepreneur doit payer au moins 60D, sinon l’usine ne verra aucune

raison de lui vendre ses ressources  8y1 + 2 y2 + 4 y3  60
De même on a : 6y1 + 1.5 y2 + 2 y3  30

y1 + 0.5 y2 + 1.5 y3  20
avec y1, y2, y3  0  coûts fictifs ou prix ombre (resource shadow price)
Chapitre 3
Le problème dual est ainsi le suivant :
(D) min w = 48y1 + 8 y2 + 20 y3

s.c. 8y1 + 2 y2 + 4 y3  60
6y1 + 1.5 y2 + 2 y3  30
y1 + 0.5 y2 + 1.5 y3  20
y1, y2, y3  0
Chapitre 3
2. Le dual d'un problème de minimisation
Considérons l’exemple suivant : Une famille désire préparer un menu
équilibré à coût minimal. Ce menu doit être constitué de 6 aliments (notés 1,
2, 3, 4, 5 et 6) et doit contenir au moins 9 unités de vitamine A et 19 unités de
vitamine C.
Les proportions en vitamine A et C de chaque aliment ainsi que les quantités
minimales requises de chaque vitamine et les coûts des différents aliments
sont présentés dans le tableau suivant :
Proportions vitamine Qté min requises

/Kg d'aliment /jour
1 2 3 4 5 6
Vitamine A 1 0 2 2 1 2 9
Vitamine C 0 1 3 1 3 2 19
Coût de l'aliment 35 30 60 50 27 22
Chapitre 3
On définit : xj quantité en kg de l'aliment j, j = 1, ..., 6.
(P) : min z = 35x1 + 30 x2 + 60 x3 + 50 x4 + 27 x5 + 22 x6

s.c. x1 + 2 x3 + 2 x4 + x5 + 2 x6  9 (Vitamine A)
x2 + 3 x3 + x4 + 3 x5 + 2 x6  19 (Vitamine C)
xj  0  j = 1, ..., 6
Un fabriquant compte lancer un projet dans le domaine alimentaire. Il propose

de fabriquer des comprimés de chaque vitamine et de les vendre à la famille.
Pour que cette affaire se réalise et prospère, le fabricant doit persuader la
famille d'obtenir les quantités requises des vitamines en utilisant les
comprimés au lieu des aliments. La famille, étant consciente de l'aspect
monétaire, n'utilisera les comprimés que si leurs prix sont compétitifs par
rapport aux prix des aliments. Ceci impose plusieurs contraintes sur les prix
des comprimés que le fabriquant doit fixer.
Chapitre 3
Soient y1 : prix de la vitamines A
y2 : prix de la vitamine C
Prenons par exemple l'aliment 5 : Un kg de ce dernier contient 1 unité de A et

3 unités de C. Du point de vue du fabricant, le kg de l'aliment 5 vaut y1 + 3 y2.
Or un kg de l’aliment 5 coûte 27.
Il faut donc que y1 + 3 y2  27, sinon la famille réalisera que les prix du
fabriquant ne sont pas compétitifs (elle aura intérêt à acheter l’aliment 5).
De l'autre côté, puisque le fabricant veut gagner dans cette affaire, y1 et y2
doivent être  0. De plus, si la famille décide d'utiliser les comprimés, elle en
achètera juste le nécessaire (9 et 19 unités), sinon, ça coûtera cher étant
donné que y1 et y2  0.
Chapitre 3
Le revenu du fabricant sera alors w(y) = 9 y1 + 19 y2, et par conséquent, les
prix que le fabricant va fixer sont obtenus en trouvant la solution optimale du
problème suivant :
max w(y) = 9 y1 + 19 y2
s.c. y1  35
y2  30
2 y1 + 3 y2  60
2 y1 + y2  50
y1 + 3 y2  27
2 y1 + 2 y2  22
y1, y2  0
Chapitre 3
3. Détermination du dual d’un programme linéaire
3.1 Le dual d'un PL sous la forme normale
Un PL est dit sous la forme normale si c'est un problème de :
max avec des contraintes ; x 0 (max x ; s.c. Ax  b : infini)

ou
min avec des contraintes ; x 0 (min x ; s.c. Ax  b : infini)
Soit P un PL sous la forme normale : Le dual D associé à P est :

max z = cx min w = yb
s.c. Ax  b s.c. yA ≥ c
x0 y≥0
Chapitre 3
3.2 Le dual d'un PL à contraintes mixtes
Si le primal P est sous forme générale, on peut construire son dual D de deux
manières possibles :
1/ Mettre P sous la forme normale. Supposons qu'on part d'un problème de

maximisation. On peut :
- multiplier chaque contrainte  par (-1)
- remplacer aix = bi par { aix  bi et -aix  -bi }
- remplacer chaque xj < > 0 par xj+ - xj- avec xj+ 0 et xj-  0
2/ Appliquer les règles suivantes :

Chapitre 3
Primal (Dual) Dual (Primal)
Fonction à maximiser Fonction à minimiser
ième contrainte  ième variable  0
ième contrainte  ième variable  0
ième contrainte = ième variable <> 0
jème variable  0 jème contrainte 
jème variable  0 jème contrainte 
jème variable <> 0 jème contrainte =

Chapitre 3
3.3. Exemples
max z = 2x1 + x2 min w = 2y1 + 3 y2 + y3
s.c. x1 + x2 = 2 s.c. y1 + 2 y2 + y3  2
2 x1 - x2  3 y1 - y2 - y3 = 1
x1 - x2  1 y1<> 0, y2  0, y3  0
x1  0, x2 <>0
min z = 5x1 - 6 x2 + 7 x3 + x4 max w = -7y1 + 14 y2 – 3y3

s.c. x1 + 2 x2 - x3 - x4 = -7 s.c. y1 + 6y2 – 2y3  5
6 x1 - 3x2 + x3 + 7 x4  14 2y1 – 3y2 – 17 y3  -6
-2 x1 -17 x2 + 4 x3 + 2 x4  -3 -y1 + y2 + 4y3 = 7
x1 0 , x2  0; x3<>0, x4<>0 -y1 + 7y2 + 2y3 = 1
y1<>0, y2  0, y3  0
Chapitre 3
III. Analyse de sensibilité en programmation linéaire
Souvent, les coefficients de la fonction objectif cj, le second membre bi ou les
coefficients technologiques aij subissent des changements (fluctuations des
prix, disponibilités des ressources, ...). Alors on est intéressé par la stabilité de
l'optimum par rapport à ces paramètres, afin de savoir dans quels intervalles la
solution optimale, la base optimale ou la valeur optimale de la fonction
objectif ne changent pas.
Dans ce qui suit, nous allons nous intéresser uniquement aux variations des
coefficients de la fonction objectif.
1.Variations des coefficients de la fonction objectif

C’est l’étude de l'effet des variations de l'un des cj tout en maintenant les
mêmes valeurs pour toutes les autres données du problème.
ck  ck + λ = ck(λ)
Chapitre 3
La complexité de cette étude varie selon que la variable xk appartient ou non à
la base optimale. On commence par le cas le plus simple : celui où xk est hors
base.
1.1 Cas de xk variable hors base
Quel sera l’effet d’un changement de ck sur la solution optimale du problème ?
Soit B la base optimale. Pour quelles valeurs de λ cette base reste-elle
optimale ?
On remarque que dans le tableau optimal, modifié par le nouveau coefficient
ck+ λ:
1. B-1b ne change pas  2nd membre est le même
2. Le seul changement possible sera au niveau des coûts marginaux,
notamment Δk
Chapitre 3
 B restera optimale si Δk ()  0  Δk () = ck +  – (cBB-1) Ak  0
   - ck + (cBB-1) Ak = -Δk (0)
Déf : -j d’une variable hors base est le maximum dont on peut augmenter cj
avant que la base actuelle ne soit plus optimale.
Dans le cas où  > -Δk (0), B n’est plus optimale. On peut trouver la nouvelle
solution optimale en remplaçant k(0) par Δk() dans le tableau optimal.
Puisque Δk() > 0, xk va entrer à la base. Alors, on continue l’algorithme de
Simplexe.
Chapitre 3
Exemple :
Reprenons l'exemple de MEUBLE.
max z = 60 x1 + 30 x2 + 20 x3
(P) s.c. 8 x1 + 6 x2 + x3  48 (ressource bois)
2 x1 + 1.5 x2 + 0.5 x3  8 (ressource menuiserie)
4 x1 + 2 x2 + 1.5 x3  20 (ressource finition)
x1, x2, x3  0
Le tableauxoptimal est
X le suivant
x : s1 s2 s3
1 2 3
s1 0 -2 0 1 -8 2 24
x1 1 1.25 0 0 1.5 -0.5 2
x3 0 -2 1 0 -4 2 8
j 0 -5 0 0 -10 -10 -280
Chapitre 3
x1  bureaux ; x2  tables ; x3  chaises
B = {s1, x1, x3} ; x2 variable hors base
Considérons : c2  c2 +λ  Δ2 = λ - 5  B restera optimale si λ  5
Si λ  5 (ou c2() 35): le prix d’une table diminue ( < 0) ou augmente d’au
plus 5 D, la base actuelle reste optimale. De plus, les valeurs des variables
ainsi que celle de la valeur de la fonction objectif restent les mêmes (x1 = 2,
x3 = 8, x2 = 0, z* = 280).
Si λ > 5 (ou c2() > 35): B n’est plus optimale. Par exemple,  = 10. Dans ce
cas, on peut trouver la nouvelle solution optimale en remplaçant 2 = -5 par
2 (10)= 10 -5 = 5  Nouveau tableau :
Chapitre 3
x1 x2 x3 s1 s2 s3
s1 0 -2 0 1 -8 2 24
x1 1 1.25 0 0 1.5 -0.5 2
x3 0 -2 1 0 -4 2 8
j 0 5 0 0 -10 -10 -280
 x2 entre et x1 sort.
x1 x2 x3 s1 s2 s3
s1 1.6 0 0 1 -5.6 1.2 27.2
x2 0.8 1 0 0 1.2 -0.4 1.6
x3 1.6 0 1 0 -1.6 1.2 11.2
j -4 0 0 0 -16 -8 -288
Chapitre 3
1.2 Cas de xk variable de base
Dans ce cas, cBB-1 change  Plus qu’un coefficient dans la dernière ligne
peuvent changer.
Question : dans quel intervalle  peut varier tout en maintenant la même

base ?
Cet intervalle est donné par le système d’inégalités suivant :

j ()  0 pour toute variable hors base xj. (*)
1.Si  vérifie (*), alors B reste optimale ;

Dans ce cas B-1b ne change pas  même valeurs des variables. Mais la
valeur optimale de z change :
z*() = cB()B-1b = cB()xB* = cBxB +  xk = z*(0) +  xk
Chapitre 3
2. Sinon : l’une des variables hors base, xj, aura un coût marginal j() > 0, et B n’est plus
optimale. Dans ce cas, xj entre et une variable de base sort (pas nécessairement xk) ;
et on continue la résolution.
Exemple :
c1  c1 + λ
1 8 1 1  8 2 
cB ()= (0 60+ 20) ;    
B   0 2 0.5   Β 
-1
 0 1.5  0.5 
 0 4 1.5  0  4 2 
  
cB ()B-1 = (0 10+1.5 10-0.5) = y*() =

( y1* (  ), y 2* (  ), y 3* (  ))
s1 ()= 1() = 3() = 0
Chapitre 3
Pour les variables hors base :
 6 
 
2() = c2 - y*() A2 = 30 - (010+1.5 10-0.5) 1.5
= -5 – 1.25
 2 
 
s2() = - y 2* ( 
= )-10 – 1.5 
s3()= - y 3* (  =) -10 + 0.5 
B reste optimale ssi
2() 0  -5 – 1.25   0    -4
s2() 0  -10 – 1.5   0    -20/3
s3() 0  -10 + 0.5   0    20
Chapitre 3
B reste optimale ssi -4   20 (ou 56  c1()  80)
Dans ce cas, la nouvelle z*() = 280 + 2
Si c1() < 56 : x1 sort de la base : le prix d’un bureau devient trop bas  il
n’est plus optimal d’en produire. Dans ce cas, 2 > 0  x2 entre à la place de
x1.
 Si c1() > 80 : le prix d’un bureau est assez élevé  on veut en produire
plus.
Dans ce cas, x1 doit rester dans la base. En effet, s2() > 0, alors s2 entre et x3
sort (on ne produit plus de chaises, mais que des bureaux).

Cours Ro

Transféré par

Droits d'auteur :

Formats disponibles

Cours Ro

Transféré par

Informations du document

Description originale:

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours Ro

Transféré par

Droits d'auteur :

Formats disponibles

Introduction à la Recherche

• Introduction à la recherche opérationnelle

• Partie 2 : Programmation Linéaire

RO = Application des mathématiques et des méthodes scientifiques aux

(2) Collecte des données

(3) Modélisation (Formulation

(4) Vérification du modèle

(5) Recherche des solutions

(6) Présentation des solutions

 Chaîne de poids minimal

MÉTHODE : Algorithme de Dijkstra

2. Répéter l’étape 1 jusqu’au dernier sommet.

Chaîne la plus courte : ABEF

5 (A) 7 (C) 17 (E)

3 (A) 12 (D) 21 (F) 22 (H)

Chaîne de poids minimal : ADFHJ

Poids de la chaîne : 7+5+9+1 = 22

4 (A) 6 (B) 11 (E)

Chaîne de poids minimal : ABFHJ

Poids de la chaîne : 4+4+2+1 = 11

B. Aller chercher au sous-sol l'escabeau, les pinceaux, le rouleau,

C. Sabler l'endroit où se trouvait la fissure 5 B

B. Aller chercher au sous-sol l'escabeau, les pinceaux, le rouleau,

C. Sabler l'endroit où se trouvait la fissure 5 B

D. Couvrir le plancher d'un plastique 10 B

E. Acheter la peinture à la quincaillerie 20 A

F. Faire le découpage au pinceau 50 D, E

G. Peindre les murs au rouleau 30 C, D, E

H. Nettoyer le rouleau et le bac 5 G

I. Nettoyer les pinceaux 5 F

J. Ranger tout le matériel au sous-sol 15 H, I

 On assigne à chaque sommet un nombre et une lettre.

Chemin critique : ABDFIJK Temps minimum pour réaliser le

5 (A) 11 (B) 21 (E)

3 (A) 12 (D) 27 (G) 28 (H)

Chemin critique : ABEGHJ

4 (A) 17 (F) 22 (E)

Chemin critique : ABFEGHJ

• La programmation linéaire = méthode permettant d’optimiser, c'est-à-dire

• Les exemples habituels d’optimisation sont la recherche d’un bénéfice maximal

• Remarque : C’est grâce à cette méthode que les problèmes de ravitaillement

Heures Main d’œuvre Profit

a) Variables de décision : doivent complètement décrire les décisions à

La compagnie veut décider du nombre de climatiseurs et du nombre

L’objectif de l’entreprise est de déterminer le programme de production

Max Z = 25x1 + 15x2

Modèle complet : x1 = nbre de climatiseurs, x2 = nbre de ventilateurs

• Pour un problème de maximisation (min), une solution optimale est un point du

• La fonction objectif Z = 25x1 + 15x2 représente pour Z fixé (25x1 + 15x2 =

• Maximiser Z revient à déplacer la ligne d’isoprofit dans la direction qui

celui du produit 2 est de 30 €.

Temps Temps disponible

•Applications de la théorie des graphes

de manière à maximiser le profit,

tout en respectant les contraintes.

on cherche à maximiser le profit,

c’est à dire à maximiser :

Définition : Un ensemble E non vide est dit convexe si et seulement si pour