Upload
lolita-lili
View
112
Download
2
Embed Size (px)
Citation preview
2
Principe :
• Forme canonique• Résolution graphique• Méthode du simplexe• Dualité• Complément : variables artificielles
3
Principe :
La programmation linéaire a pour objet de résoudre un problème économique :
• Optimiser (recherche d’un maximum ou d’un minimum) une fonction économique de forme linéaire,
• Compte tenu de contraintes (équations et/ou inéquations linéaires).
4
I. Forme canonique
Il s’agit de l’étape la plus importante de la résolution. Elle consiste à exprimer sous une forme mathéamtiques un problème énoncé de façon littéraire.
Forme canonique
(Mathématisation du problème)1- Définir de façon précise les variables.
2- Exprimer les contraintes.
3- Exprimer la fonction économique.
5
I. Exemple 1 : problème de maximisation comportant deux variables
Une entreprise fabrique deux produits P1 et P2. les ressources requises pour la fabrication d’une tonne de chaque produit et le profit unitaire sont données par le tableau suivant :
Ressources Produit P1 Produit P2 Disponibilité de chaque ressource
Espace (m2)
Main d’ouvre
(homme - semaine)
Matériaux (tonne)
Matériaux2
2
1
1
1
1
2
1
3
10
10
6
12
Profit sur chaque produit
1 2
Question : Quelle quantité de chaque produit l’entreprise devrait elle fabriquer afin de maximiser son profit ?
6
I. Modélisation du problème
• Définition des variables :
Soit : x : le nombre de tonne de P1 qu’on fabrique
y : le nombre de tonne de P2 qu’on fabrique
• Contraintes :
• Fonction économique :
Maximiser x + 2y
102)1( yx102)2( yx
6)3( yx
0)5( x0)6( y
123)4( yx
dites évidentes ou implicites
7
D’où la forme canonique :
I. Forme canonique du problème
0
0
123
6
102
102
2
y
x
yx
yx
yx
yx
yxMaximiser
Ce programme est dit linéaire car les contraintes et la fonction économique sont du premier degré
8
I. Exemple 2 : problème de minimisation comportant deux variables
La Saudel envisage de confier à son unité de production du Nord-Est, l’élaboration des coussinets (A) et des paliers (B) demandés par certains industriels; cette fabrication devra répondre aux contraintes mensuelles suivantes :
- Fabrication minimale : . Coussinets (A) : 4 000 unités . Paliers (B) : 5 000 unités
- La matière première sera livré par l’unsine principale à l’unité de production qui devra traiter un minimum de 36 000 kg de matière,
- En ce qui concerne la main d’oeuvre, et compte tenu des perspectives de développement ultérieur, le maximum sera fixé à 10 000 heures.
9
I. Exemple 2 : problème de minimisation comportant deux variables
Renseignement complémentaires :
La société souhaite déterminer le programme mensuel de farication des coussinets (A) et des paliers (B), sachant que le coût des transports mis en place entre l’unité de production et l’usine principale pour l’acheminement des matières premières et le retour des produits finis devra être rendu minimal; le prix de ce transport a été estimé à 2 Euros par kilo de matière ou de produit fini transporté.
Présenter la forme canonique du programme
A B
Matière première par produit
Main d’œuvre par produit
2 kg
1 Heure
3 kg
0,5 Heure
Poids du produit fini 1,5 kg 2 kg
10
I. Modélisation du problème
• Définition des variables :
Soit : x : le nombre de coussinets A à produire chaque mois
y : le nombre de paliers B à produire chaque mois.
• Contraintes :
- Contraintes de positivité :
- Contraintes de marché :
- Contraintes techniques :
0
0
y
x
0005
0004
y
x
000105,0
0003632
yx
yx
11
• Fonction économique :
Coût du poids transporté pour un produit A : (2+1,5)2 = 7 Euros
Coût du poids transporté pour un produit B : (3+2)2 = 10 Euros
Minimiser 7x+10y
12
D’où la forme canonique :
I. Forme canonique du problème
0
0
000105,0
0003632
0005
0004
107
y
x
yx
yx
y
x
yxMinimiser
Ce programme est dit linéaire car les contraintes et la fonction économique sont du premier degré
13
La programmation mathématique suppose l’écriture d’un modèle d’optimisation sous contrainte. On la considère souvent comme un ensemble de techniques permettant la résolution de tels modèles:
I. Forme canonique du problème
n
i
Sx
nixg
xFMinimiser
,...,10)(
scontrainte les sous
)(
x=(x1,….,xn) : sont des inconnues du problème
F est appelé la fonction objectif (on dit aussi fonction économique)
et l’ensemble des conditions gi(x)≤0 (i=1,….,n) et
Sont les contraintes du problème.
Sx
14
La résolution graphique est à privilégier pour les programmes linéaires à deux variables.
II. Résolution graphique
II.1- Détermination du Domaine des Solutions Acceptables (DSA) Chaque contrainte partage le plan en deux parties. L’étude du point (0,0) permet de définir :• Le demi-plan qui respecte la contrainte.Si l’inéquation est vérifié pour (0,0), le demi-plan fait partie du domaine des solutions acceptables.
Quand l’inégalité est au sens large, les points de la droite font partie du Domaine des Solutions Acceptables (D.S.A)
200
150
100
50
00 50 100 150 200
X
Y
90056 yx
15
II. Résolution graphique
• Le demi-plan qui ne respecte pas la contrainte.
Si l’inéquation n’est pas vérifié pour (0,0), on hachure cette partie qui ne fait pas partie du domaine des solutions acceptables.
200
150
100
50
00 50 100 150 200
X
Y
Le Domaine des Solutions Acceptables (D.S.A) est l’ensemble des combinaisons (x,y) qui respecte les contraintes du programme linéaire.
80 yx
16
Pour tracer une fonction économique (ax+by), il faut étudier ax+by=k, en donnant une valeur à k (généralement 0).
Il s’agit d’une famille de droites parallèles de coefficients directeur
Exemple : étudier la fonction x+2y
II. Résolution graphiqueII.2- Tracement de la fonction économique
xb
a
K=0 K=100 K=200
Fonction
passe par
et par
valeur de F
x+2y=0
(0;0)
(100;-50)
F=0
x+2y=100
(0;50)
(100;0)
F=100
x+2y=200
(0;100)
(200;0)
F=200
17
Plus la valeur k augmente (diminue), plus la parallèle de F est éloignée (proche) de l’origine et plus la valeur de l’objectif augmente (diminue)
50 100 200
50
100
K=0
K=100K=200
18
Le résultat suivant sera admis : s’il existe au moins une solution optimale, il y a un sommet du D.S.A qui correspond à une solution optimale.Deux méthodes de recherche sont possibles :
• Méthode analytiqueLa valeur de la fonction économique ax+by doit être optimale
II. Résolution graphiqueII.3- Recherche de l’optimum
MAXIMISATION
Plus la valeur k est grande, meilleur est le résultat
La solution maximale est donc le sommet par lequel passe la parallèle de F la plus éloignée du point d’origine (0;0)
MINIMISATION
Plus la valeur k est petite, meilleur est le résultat
La solution minimale est donc le sommet par lequel passe la parallèle de F la plus proche du point d’origine (0;0)
19
• Méthode énumérative
La méthode énumérative consiste à calculer la valeur de F en chacun
des sommets du domaine des solutions acceptables et à retenir la solution optimale.
Cette méthode est à utiliser en complément de la précédente, lorsque
la translation de la fonction économique laisse un doute entre des
sommets proches.
Exemple : résolution graphique des problèmes présentés
en paragraphe 1.
I. Langage élémentaire des graphes
20
Quand la fonction économique est parallèle à un coté du domaine des solutions acceptables et ne passe plus par un seul sommet, la solution optimale n’est pas uniqueet le cas est dit dégénéré.
L’ensemble des solutions optimales est infini et se compose de toutes les combinaisonssitués sur le segment du domaine des solutions acceptables parallèles à la fonctionéconomique.
Exemple : présentation d’un cas dégénéré
II. Résolution graphiqueII.4- Cas particulier : dégénérescence
100
50
60032
0
0
600400
y
x
yx
y
x
yxFMin
21
Cette méthode, applicable quel que soit le nombre de variables, sera présenté dans ce paragraphe pour des problèmes de maximation dont les contraintes (autres que celles de positivité) sont de type ≤.
Exemple : problème de maximisation comportant trois variables.La société BETA fabrique trois modèles de meubles : classique, rustique, moderne.Les standards unitaires de production sont résumés dans le tableau suivant :
III. Méthode du simplexe
Modèle
Classique
Modèle
Rustique
Modèle
Moderne
Capacités
maximales
Bois
Main d’œuvre
Centre finition
Marges sur coûts variables
5
1
2
1000
8
2
2
960
5
3
0
1200
900
516
200
La société BETA souhaite déterminer les quantités à produire pour maximiser son résultat.
22
Forme canonique de ce programme :
III. Méthode du simplexe
)(1200960100
200022
516321
900585
0;0;0
MAXzyxF
zyx
zyx
zyx
zyx
23
La méthode du simplexe nécessite une mise sous forme standard :
Les inégalités sont transformées en égalités grâce à l’introduction de
variables d’écarts positives ou nulles notées ei.
Il y a une variables d’écart pour chaque contrainte autre que contrainte de positivité
3.1 Forme standard
24
3.1 Forme standard
)(1200960100
200022
516321
900585
0;0;0;0;0;0
: standard Forme
)(1200960100
200022
516321
900585
0;0;0
: canonique Forme
3
2
1
321
MAXzyxF
ezyx
ezyx
ezyx
eeezyx
MAXzyxF
zyx
zyx
zyx
zyx
25
Les calculs sont présentés dans des tableaux en utilisant la méthode du pivot de Gauss
3.2 Recherche de la solution optimale
3.2.1 Interprétation d’un tableau
3.2.2 Solution de départ : premier tableau
3.2.3 Détermination du pivot
3.2.4 Progression jusqu’à la solution optimale
26
3.2.1 Interprétation d’un tableau
QUEL QUE SOIT LE TABLEAU
• Les variables hors - base sont égales à zéro, • La valeur des variables dans la base est lue dans la colonne B,• L’optimum est atteint si tous les coefficients de la dernière ligne sont négatifs ou nuls
27
Le premier tableau reprend les coefficients de la forme standard
3.2.2 Solution de départ : premier tableau
Hors base
En base
x y z . . . B
e1
e2
e3
512
822
530
100
010
001
900516200
F 1000 960 1200 0 0 0 0
Lecture du tableau
Variables Variables
hors base dans la base
x=0 e1=900
y=0 e2=516
z=0 e3=200
F=0
28
Interprétation du tableau
• Il s’agit de la solution admissible de départ qui respecte toutes les contraintes.
• La production est donc nulle (x=0;y=0;z=0) et la valeur de la fonction objectif est égale à 0.
• Cette solution peut être améliorée puisque les coefficients de la ligne F ne sont pas négatifs ou nuls.
29
3.2.3 Détermination du pivot
• La variable qui entre dans la base est celle dont le coefficient positif de dernière ligne est le plus grand.
• La variable qui sort de la base est celle dont la résultante (R) positiveest la plus petite.
• Le pivot est situé à l’intersection de la variable entrante et de la variablesortante.
Remarque : si un zéro apparaît dans la colonne B et qu’il faut déterminer une variable sortante, il faut le remplacer par un nombre positif infiniment petit, noté ε, et continuer les calculs avec cette valeur. A l’optimum, cettevaleur ε sera considérée comme égale à zéro.
30
3.2.3 Détermination du pivot
Hors base
En base
x y z . . . B
e1
e2
e3
512
822
530
100
010
001
900516200
F 1000 960 1200 0 0 0 0
R
900/5=180
516/3=172 e2 sort de la base
200/ε = ∞
L1
L2
L3
L4
z entre dans la base
3
31
3.2.4 Progression jusqu’à la solution optimale
Hors base
En base
x y . . e2. B
e1
ze3
10/31/32
14/32/32
010
100
-5/31/30
001
40172200
F 600 160 0 0 -400 0 -206 400
L’1=L1-5L’p
L’2=L’p=L1/3
L’3=L3-0L’p
L’4=L4-1200L’p
z est entré dans la base, tandis que e2 en est sorti
Deuxième tableau
Valeur de F au signe près
32
Interprétation du tableau
• Les variables hors base sont nulles : x=y=e2=0.
• Les variables en base sont e1=40,z=172 et e3=200
• La production est donc égale à 172 produits z.
• L’objectif est égal à 206 400 Euros.
• Cette solution peut être améliorée puisque les coefficients de la ligne F ne sont pas négatifs ou nuls.
33
3.2.3 Détermination du pivot
R
12 e1 sort de la base
516
100
L’1
L’2
L’3
L’4
x entre dans la base
10/3
Hors base
En base
x y . . e2. B
e1
ze3
1/32
14/32/32
010
100
-5/31/30
001
40172200
F 600 160 0 0 -400 0 -206 400
34
3.2.4 Progression jusqu’à la solution optimale
Hors base
En base
x y . e1 e2. B
xze3
100
1,40,2-0,8
010
0,3-0,1-0,6
-0,50,51
001
12168176
F 0 -680 0 -180 -100 0 -213 600
L ’’1=L’’p=L’1/(10/3)
L’’2=L’2-(1/3)L’’p
L’’3=L’3-2L’’p
L’’4=L’4-600L’’p
Troisième tableau
Valeur de F au signe près
35
Interprétation du tableau
• Les variables hors base sont nulles : y=e1=e2=0.
• Les variables en base sont x=12,z=168 et e3=176
• Il s’agit de la solution optimale puisque tous coefficients de la dernière ligne (ou taux marginaux de substitution) sont négatifs ou nuls.
• La solution optimale est la production de 12 modèles classiques, 0 modèle rustique et 168 modèles modernes pour une marge sur coûts variables maximales de 213 600 Euros.
36
Exemple :
IV. Dualité
zyxFMIN
zyx
zyx
zyx
120160195
105.115.2
16121
0;0;0 1- La résolution graphique n’est pas applicable puisque le programme comporte plus de deux variables
2-La méthode du simplexe n’a été présentée que pour des contraintes ≤
37
La dualité permet de résoudre les problèmes de minimisation dont les contraintes
(autres que celles de positivité) sont de sens ≥ :
IV. 1 Du programme primal au programme dual
• Le nombre de variables du dual est égal au nombre de contraintes (autres que celles de positivité) du primal. Elles doivent être différenciées de celles du primal.
• Le nombre de contraintes du dual est égal au nombre de variables du primal.
• Les coefficients des colonnes (lignes) du primal sont les coefficients des lignes (colonnes) du dual. • Les inégalités du dual sont de sens opposé à celles du primal.• Les coefficients de la fonction économique du primal sont les contraintes du dual.• Si le primal est une minimisation, le dual est une maximisation, et inversement.• Les coefficients de la fonction économique du dual sont les contraintes du primal.
ELABORATION DU DUAL
Remarque : le dual du dual est le primal
38
IV. 1 Du programme primal au programme dual
)(
0;0;0
primal programmedit est résoudre à programme Le : PRIMAL
321
321
321
321
zdydxdMIN
Czcycxc
Bzbybxb
Azayaxa
zyx
)(
0;0;0
DUAL
3333
2222
1111
CwBvAuMAX
dwcvbua
dwcvbua
dwcvbua
wvu
La résolution du dual impose de retrouver les solutions du primal
39
IV. 2 Interprétation du problème dual
)1016(
1205.11
16012
1955.21
0;0
DUAL
)120160195(
105.115.2
16121
0;0;0
PRIMAL
vuMAX
vu
vu
vu
vu
zyxMIN
zyx
zyx
zyx
40
IV. 3 Résolution du problème
)0001016(
1205.11
16012
1955.21
0;0;0
0;0
:dualdu standard Forme
321
3
2
1
321
eeevuMAX
evu
evu
evu
eee
vu
Il s’agit de résoudre le primal. Il faudra donc déterminer la solution du programme primal à partir de la résolution du programme dual.
41
Premier tableau
Hors base
En base
u v . . . B
e1
e2
e3
1
1
2.51
1.5
100
010
001
195160120
F 16 10 0 0 0 0
R
195/1=195
160/2=80 e2 sort de la base
120/1 = 120
L1
L2
L3
L4
u entre dans la base
2
42
Deuxième tableau
Hors base
En base
. v . e2 . B
e1
ue3
010
20.5
100
-0.50.5-0.5
001
1158040
F 0 2 0 -8 0 -1280
R
115/2=57,5
80/0,5=160
40/1 = 40 e3 sort de la base
L’1=L1-1L’p
L’2= L’p=L2/2
L’3=L3-1L’p
L’4=L4-16L’p
u entre dans la base
1
43
Troisième tableau
Hors base
En base
. . . e2 e3 B
e1
uv
010
001
100
-0.50.5-0.5
001
356040
F 0 0 0 -7 -2 -1360
L ’’1=L’1-2L’’p
L’’2= L’2-0,5L’’p
L’’3=L’’p=L’3/1
L’’4=L’4-2L’’p
x y z
44
L’optimum du dual est atteint, mais il s’agit de résoudre le programme primal :
IV. 3 Résolution du problème
• A l’optimum, la solution du programme primal est, au signe près, lue sur la dernière ligne du tableau dans les colonnes des variables d’écart.
Remarque : à l’optimum, la valeur de la fonction économique du dual est égale à celle du primal.
SOLUTIONS DU PRIMAL
La solution du primal est donc :
x=0
y=7
z=2
F=1360
45
L’introduction de variables artificielles permet de résoudre le problème poséPar les contraintes ≥ :
V. COMPLEMENT : VARIABLES ARTIFICIELLES
1- Introduire une variable artificielle par contrainte ≥.La variable d’écart de la contrainte, affectée du coefficient -1, est mise hors base.2- Elles permettent simplement l’égalité dans la forme standard et ne sont pas une donnée du problème. En conséquence, elles doivent être nulles à l’optimum.Pour cela, il faut les faire sortir de la base en leur donnant un coefficient fortement Pénalisant dans la fonction économique :• S’il s’agit d’une maximisation, le coefficient affecté à la variable est très négatif : -M.• S’il s’agit d’une minimisation, le coefficient affecté à la variable est très positif : +M
VARIABLES ARTIFICIELLES
46
V.1 Résolution d’une maximisation
zyxFMax
zyx
zyx
zyx
200500100)(
500012
1000031
;0;0;0
: linéaire programme leSoit
121
12
1
121
00200500100)(
500012
1000031
;0;0;0
;0;0;0
:est programme ce de standard forme La
MaeezyxFMax
aezyx
ezyx
aee
zyx
47
V.1 Résolution d’une maximisationD’après la deuxième contrainte : a1=5000-2x-y-z+e2
D’où F=100x+500y+200z+0e1+0e2-M(5000-2x-y-z+e2)
F=100x+500y+200z+0e1+0e2+2xM+yM+zM-e2M-5000M
48
Premier tableau
Hors base
En base
x y z . e2 . B
e1
a1
1 31
11
10
0-1
01
100005000
F 100+2M
500+1M
200+1M
0 0-1M
0 0+5000M
R
10000/1=10000
5000/2=2500
2M est le plus fort coefficient.
2
Changer le signe puisque F est lue au signe
près
49
Deuxième tableau
Hors base
En base
. y z . e2 a1 B
e1
x
01 0,5
10,5
10
0,5-0,5
-0,50,5
75002500
F 0 450+0M
150+0M
0 0+0M
-50-M
-250 000+0M
R
7500/2,5=3000
2500/0,5=5000
450 est le plus fort coefficient positif.
2,5
La sortie de la base d’une variable artificielle étant définitive, sa colonne peut être supprimée.
50
Troisième tableau
Hors base
En base
. . z e1 e2 B
yx
01
10
0,40,3
0,4-0,2
0,2-0,6
30001000
F 0 0 -30 -180 -40 -1 600 000
La solution optimale est atteinte : x=1 000; y=3 000; z=0 et F= 1 600 000.
51
V.2 Résolution directe d’une minimisation
Les principes de résolution sont les mêmes à l’exception du choix de la variable qui entre dans la base : la variable entrante est celle dont le taux marginal de substitution est le plus négatif. L’optimum est atteint quand tous les taux marginaux de substitution sont positifs ou nuls.
52
V.2 Résolution directe d’une minimisation
zyxFMin
zyx
zyx
zyx
120160195)(
105,115,2
16121
;0;0;0
: linéaire programme leSoit
2121
22
11
2121
00120160195)(
105,115,2
16121
;0;0;0;0
;0;0;0
:est programme ce de standard forme La
MaMaeezyxFMin
aezyx
aezyx
aaee
zyx
53
V.2 Résolution directe d’une minimisationD’après la première contrainte : a1=16-1x-2y-1z+e1
D’après la deuxième contrainte : a2=10-2,5x-1y-1,5z+e2
D’où F=195x+160y+120z+0e1+0e2+M(16-1x-2y-1z+e1)+M(10-2,5x-1y-1,5z+e2)
F=195x+160y+120z+0e1+0e2-3,5Mx-3My-2,5Mz+Me1+Me2+26M
54
Premier tableau
Hors base
En base
x y z e1 e2 . .
a1
a2
1 21
11,5
-10
0-1
10
01
F 195-3,5M
160-3M
120-2,5M
0+M
0+M
0 0
R
16/1=16
10/2,5=4
-3,5M est le plus négatif.
2,5
Changer le signe puisque F est lue au signe
près
B
1610
0-26M
55
Deuxième tableau
Hors base
En base
. y z e1 e2 . a2
a1
x
01 0,4
0,40,6
-10
0,4-0,4
10
-0,40,4
F 0 82-1,6M
3-0,4M
01M
78-0,4
0 -781,4M
R
12/1,6=7,5
4/0,4=10
-1,6M est le plus négatif.
1,6
B
124
-780-12M
56
Troisième tableau
Hors base
En base
. . z e1 e2 a1 a2
yx
01
10
0,25 - 0,6250,25
0,25-0,5
0,625-0,25
F 0 0 -17,5 51,25 57,5 -51,251M
R
12/0,25=30
1/0,5=2
0,5
B
7,51
-1395
57
Quatrième tableau
Hors base
En base
. . z e1 e2 a1 a2
yx
-0,52
10
01
- 0,750,5
0,5-1
F 35 0 0 60 40
B
72
-1360
L’optimum de la minimisation est atteint puisque tous les taux marginaux de substitution sont positifs ou nuls.
La variable z est hors base et en conséquence, z=0.
La solution optimale est donc x=2; y=7; z=0 pour un coût minimum égal à 1360.
Remarque : Il est préférable de passer par le programme dual qui réduit les calculs.