IIR 3
2024-2025 Résumé: Méthodes de Programmation Linéaire EMSI Rabat
La Méthode Graphique
La méthode graphique permet de résoudre les problèmes de programmation linéaire à deux variables. Voici les étapes
générales (note : les documents fournis ne détaillent pas ces étapes, ceci est une description générale) :
1. Représenter les contraintes : Tracer les droites correspondant à chaque contrainte sur un graphique (x1 , x2 ).
Pour chaque contrainte, déterminer le demi-plan valide.
2. Identifier la Région Admissible : Hachurer ou colorer la zone du graphique qui satisfait toutes les contraintes
simultanément (y compris la non-négativité x1 ≥ 0, x2 ≥ 0). Cette zone est le polygone (ou polyèdre) des solutions
admissibles.
3. Représenter la Fonction Objectif : Tracer une ligne représentant la fonction objectif pour une valeur arbitraire
(par exemple, Z = c1 x1 +c2 x2 = K). C’est une ligne d’isoprofit (Max) ou d’isocoût (Min). Le vecteur (c1 , c2 ) indique
la direction d’amélioration.
4. Trouver la Solution Optimale : Déplacer parallèlement la ligne de la fonction objectif dans le sens de l’optimisa-
tion (maximisation ou minimisation) jusqu’à atteindre le dernier point (ou segment) touchant la région admissible.
Ce point (ou l’un de ces points) correspond à la solution optimale. Il s’agit toujours d’un sommet (ou d’une arête)
de la région admissible.
• Elle n’est pas applicable lorsque le programme contient plus de deux variables.
• Elle peut être une option pour résoudre le problème dual si celui-ci se ramène à deux variables.
L’Algorithme du Simplexe
L’algorithme du simplexe est une méthode cruciale pour résoudre les problèmes de programmation linéaire, en parti-
culier ceux impliquant plus de deux variables de décision. L’idée centrale est de se déplacer d’un sommet à un autre au
sein du domaine des solutions admissibles, en cherchant à améliorer la fonction objectif à chaque étape, jusqu’à ce que
l’optimum soit atteint.
Étapes Clés de l’Algorithme
L’application de l’algorithme du simplexe suit généralement ces étapes :
• 1. Forme Canonique :
- Problème de maximisation (type max).
- Contraintes du type ≤ avec second membre bi ≥ 0.
- Variables ≥ 0.
• 2. Forme Standard :
- Transformer les inégalités en égalités en ajoutant des variables d’écart (ei ≥ 0).
- Identifier les variables de base (initialement, les ei ) et hors base.
• 3. Tableau de Simplexe Initial :
- Organiser les coefficients dans un tableau.
- Inclure une ligne pour la fonction objectif (ligne F).
- Les ei forment la base (VB), les xj sont hors base (VHB).
- Exemple de Tableau Initial :
VHB
x y e1 e2 B Ratio
VB
e1 3 4 1 0 12 12/4 = 3
e2 4 2 0 1 5 5/2 = 2.5
F 5 8 0 0 0 –
• 4. Choix du Pivot :
- Variable entrante : Colonne avec le plus grand coefficient > 0 dans la ligne F.
- Variable sortante : Ligne avec le plus petit ratio positif ( abiji , où aij > 0 dans la colonne pivot).
- Pivot : Élément à l’intersection.
• 5. Opérations du Simplexe :
- Nouvelle Ligne Pivot = Ancienne Ligne Pivot / Pivot.
- Nouvelle Ligne i = Ancienne Ligne i - (Coefficient colonne pivot) × Nouvelle Ligne Pivot.
• 6. Itération et Critère d’Arrêt :
- Répéter 4 et 5 jusqu’à ce que tous les coefficients de la ligne F (VHB) soient ≤ 0.
Prof Bir-Jmel Ahmed 1
IIR 3
2024-2025 Résumé: Méthodes de Programmation Linéaire EMSI Rabat
La Dualité en Programmation Linéaire
La dualité associe à tout programme linéaire (primal) un autre programme (dual), offrant une perspective différente
et des avantages de résolution.
Passage du Primal au Dual (Schéma)
Voici la transformation générale d’un primal de maximisation (Type 1) vers son dual de minimisation (Type 2) :
Primal (Type 1) Dual (Type 2)
Pn Pm
max z = j=1 cj xj min w = i=1 bi yi
s.c.
Pn S.C.
Pm
j=1 aij xj ≤ bi (i = 1..m) i=1 yi aij ≥ cj (j = 1..n)
xj ≥ 0 (j = 1..n) yi ≥ 0 (i = 1..m)
Règles Clés
• Max ←→ Min
• m contraintes ←→ m variables
• n variables ←→ n contraintes
• bi ←→ Coeff. objectif w
• cj ←→ Seconds membres dual
• ≤←→≥
• A ←→ AT
Résolution via la Dualité
On peut résoudre le primal en résolvant son dual, surtout si ce dernier est plus simple.
Stratégie de Résolution
Le schéma suivant illustre la stratégie de résolution via la dualité :
Si (P) est difficile :
- Type 2 (Min, ≥, bi ≥ 0)
- ou contraintes
=, var. urs...
1. Passage au Dual
Primal (P) Dual (D)
Solution (P ∗ )
2.
Déduire Sol. Primale (P ∗ ) Résoudre Dual (D∗ )
3. Utiliser D ∗
Lecture Ta- Théorème Écarts Simplexe (Type 1) Graphique
bleau Optimal Complémen- (si D 2 var.)
Dual (simplexe) taires (graphique)
Prof Bir-Jmel Ahmed 2
IIR 3
2024-2025 Résumé: Méthodes de Programmation Linéaire EMSI Rabat
Lecture de la Solution Primale depuis le Dual
Si le dual (D) est résolu par la méthode du simplexe, la solution du primal (P) peut être lue directement dans le
tableau optimal du dual :
• Les valeurs optimales des variables primales (x∗j ) sont égales aux opposés des coefficients de la ligne F (dernière
ligne) sous les colonnes correspondant aux variables d’écart (ej ) du dual.
• Les valeurs optimales des fonctions objectifs du primal et du dual sont égales (Fmin = Dualmax ).
Théorèmes Clés
• Dualité Forte : Si le programme linéaire primal est admissible et borné, alors son dual l’est aussi. De plus, les deux
problèmes admettent des solutions optimales, et leurs valeurs objectifs sont identiques. Réciproquement, si le dual
est admissible et borné, le primal l’est également.
• Théorème des Écarts Complémentaires : Soient x∗ la solution optimale du primal et y ∗ la solution optimale
du dual. Le théorème énonce les relations suivantes :
− Si une variable primale x∗j est strictement positive (x∗j > 0), alors la j-ième contrainte du dual est saturée
(c’est-à-dire qu’elle est vérifiée comme une égalité).
− Si la j-ième contrainte du dual n’est pas saturée, alors la variable primale correspondante x∗j est nulle (x∗j = 0).
− Si une variable duale yi∗ est strictement positive (yi∗ > 0), alors la i-ième contrainte du primal est saturée.
− Si la i-ième contrainte du primal n’est pas saturée, alors la variable duale correspondante yi∗ est nulle (yi∗ = 0).
Prof Bir-Jmel Ahmed 3
