THS 7025 PDF

.
UNIVERSITE
UNIVERSITE CHEIKI-I ANlA DIOP DE DAKAR
*****
*****
FACULTE DES SCIENCES ET TECHNIQUES

DEPARTEMENT DE MATHEMATIQUES ET INFORMATIQUE
*****
THESE DE DOCTORAT DE 3ine CYCLE DE MATHEMATIQUES APPLIQUEES

OPTION: RECHERCHE OPERATIONNELLE
SUJET:
~ODED~~OLUTION
NOUVELLE ~~OD~J>L~OLUTION
Q.~\N\..W\.~
DES PROBLEMESVLIbAIRESA
PROBLEMES LINEAIRES A VARIABLES
BORNEES PAR DECOMPOSITION
Prsent par.
par Mamadou BALDE
Directeur et Codirecteur:
M. SANGHARE - Y. GNINGUE
JURY:
Prsident:
M. SANGHARE Mamadou
Universit Cheikh Anta Diop de Dakar
Membres:
Mme DIAGNE Salimata Guye
M.
Universit Laurentiei1ne (Canada)
M.
M.
GNINGUE Youssou
. NIANE Mary Teuw
.NIANE
Universit Gaston Berger ( St Louis)

.Universit
SECK Diaraf
M.
M.
THIAM Maguette
M.
THIAM Sada Sory
. M.
M.
Anne Universitaire 2003 - 2004 )
Clment, le
le Misricordieux
Misricordieux
Au nom d'Allah, le Clment,
d'Allah soient
soient sur
sur le
le prophte
prophte ainsi
ainsi que
que sa
sa
Que la paix et la bndiction d'Allah
qui les
les suivent
suivent vertueusement"
vertueusement" jusqu'au
jusqu'au
famille, ses compagnons et ceux qui
rsurrection
jour de la rsurrection
~merciements
~merciements
:Mes
:Jvtes remerciements vont
~
}l ma mes deu:(parents,
jl tous mes proches parents,
jl mes professeurs et encadreurs :Messieurs

:Jvtessieurs :M.amadou
:Jvtamadou Sangfiar
Sangfiar et
et
ry'oussou ningue,
jl tous [es professeurs mem6res de ce jury,
jl mes professeurs du (j)partement de !Matfimatiques

!Matfimatiques et
et
Infonnatique de ra facuCt de Sciences et 'Techniques
'Techniques de
de rVC}l(j):
rVC}l(j):
:M.me
:Jvtme (j)iagne SaCimata.) :M..
:Jvt. 'Thiam :M.aguette)
:Jvtaguette) :M..
:Jvt. 'Thiam
'Thiam Sada
Sada Sory
Sory
'Thiam...
}lu:(secrtaires de ce (j)partement, :M.me

:Jvtme :M.6aye
:Jvt6aye et !Mme
!Mme Ndiaye)
Ndiaye)
}lu chefdu CDpartement de nie Cfiimique et io[ogie

io[ogie jlppCique
jlppCique de
de
r<ESp, :M..
:Jvt. }l6dou[aye Sow,
jl son prdcesseur, :M..

:Jvt. [aise :Ngom,
jl tous mes amis et co[Cgues du CDpartement de nie

nie Chimique
Chimique et
et
io[ogie }lppCique de r<ESp,
}l tous ceu:( qui assistent ra prsentation de cette thse,

thse,
}l tous ceu:( qui ont particip de prs ou de Coin rraccomp[issement

accomp[issement
de ce travaiL
D dicace
A ma m re.
,,
.,"
INTRODUCTION
Chapitre l
""
1
1
Prsentation de la programmation Iinaire
l Formulation du problme de programmation linaire
1.1 Dfinitions
33
33
.4
.4
.
1.3 l nt erpre't at"Ion economlque
.... 55
77
2.1 Mthode d'numration
77
2.2 Mthode graphique
77
2.3 Mthode du simplexe ou mthode de G. B Dantzig
88
III La mthode du simplexe

3.1 Prsentation de la mthode
99
99
3.2 Etapes de la mthode
10
10
3.3 Variantes de la mthode
16
16
IV Mthode du simplexe des PLVB
22
22
4.1 Principe de base de la mthode
22
22
4.2 Algorithme du simplexe des PLVB
24
24
V Cas particuliers
33
1.2 Interprtation gomtrique de la programmation linaire
M'~hodes de rsolution des problmes de programmation linaire

II Mthodes
linaire
11
26
26
5.1 Solution alternative
26
26
5.2 Solution infinie
28
28
5.3 Domaine vide
29
29
5.4 Dgnrescence
31
31
1
11
1;
CHAPITRE II Mthode rvise du simplexe
35
35
l Forme matricielle de la mthode du simplexe
36
36
II Forme produit de "inverse
37
37
rI
III Algorithme de la mthode rvise
39
CHAPITRE III Mthode de dcomposition
50
l Mthode de dcomposition
51
1.1 Cas des problmes sans contrainte commune
51
1.2 Cas gnral
52
1.3 Algorithme
55
II illustrations
55
CHAPITRE IV Gnralisation de la forme produit
76
l Variables de rentres totalement indpendantes
76
Dfinition 1.1
76
Dfinition 1.2
77
Dfinition 1.3
77
Proposition 1.1..
77
Dfinition 1.4
78
II Gnralisation de la forme produit
78
Proposition 2.1
78
Dfinition 2.1
83
Proposition 2.2
83
III. Variables de rentres croises
84
Dfinition 3.1
84
Proposition 3.1..
85
IV Gnralisation de la forme produit
85
Proposition 4.1
85
Dfinition 4.2
90
Proposition 4.2
90
V Variables de rentres lies
91
INTRODUCTION
Nes de la recherche oprationnelle, les mthodes d'optimisation

mathmatique sont aujourd'hui couramment utilises dans les domaines des
techniques industrielles et de la gestion.
Ces mthodes se caractrisent par le fait qu'elles permettent de tenir
compte des contraintes donnes sous forme d'ingalits, contrairement aux
approches classiques comme celles des multiplicateurs de Lagrange.
Gnralement, on appelle programmation mathmatique la recherche
de l'optimum d'une fonction de plusieurs variables lies entre elles par des
contraintes sous forme d'galits ou d'ingalits.
Nombreux sont les problmes de dcision qui se ramnent un modle
de programmation mathmatique. Ici, nous nous intressons au cas o la
fonction optimiser et les contraintes sont linaires. On aura alors affaire un
problme de programmation linaire.
Les applications qui sont faites de la programmation linaire sont trs
varies. Cela tient au fait que le modle est relativement gnral et permet de
traiter beaucoup de problmes de gestion scientifique. Mais cela est d aussi
au fait qu'il existe des algorithmes trs efficaces pour obtenir des solutions. La
mthode du simplexe dveloppe par G. B. Dantzig (1949) a conduit
plusieurs algorithmes qui permettent de rsoudre aisment des problmes de
grandes tailles. Comme bien des mthodes de la recherche oprationnelle, la
programmation
linaire
est souvent considre
comme
une technique
informatique standard. On trouve en effet de trs nombreux codes de

programmation linaire sur le march.
Dans cette thse, nous proposons une rsolution des problmes linaires
(PTe)
variables bornes (PLVB) et des problmes de transports capacits (PTC)
par une nouvelle
mthode base principalement sur une adaptation de la
mthode de dcomposition.
Ainsi, dans le premier chapitre, nous prsentons la formulation mathmatique
des problmes de programmation linaire et
les diffrentes mthodes de
rsolution que les mathmaticiens ont eu laborer. Dans ce mme chapitre,

nous exposons la rsolution des PLVB par la mthode du simplexe; ensuite le
chapitre Il, est exclusivement consacre l'expos de la mthode rvise du
simplexe qui constitue un raccourci du procd usuel du simplexe en ce sens

qu'elle vite les calculs inutiles (de la mthode classique du simplexe) en
employant la forme produit de l'inverse qui est une mise jour progressive de
l'inverse de la matrice d'une base considre. Le chapitre III relate et justifie le
processus de dcomposition des problmes de programmation linaire de
grandes tailles le chapitre IV est consacr la gnralisation de la forme produit
de l'inverse: c'est une nouvelle prsentation de la forme produit de l'inverse qui
permet la mise jour de J'inverse de la matrice d'une base donne la suite de
l'entre simultane
de plusieurs variables dans cette base. Cette nouvelle
forme produit est obtenue sans avoir inverser une autre matrice ou effectuer
de produits de matrices. Nous justifions, dans ce chapitre l'adaptabilit et
l'efficacit de cette nouvelle forme vis--vis des problmes dont les matrices
sont creuses. Dans le chapitre V, nous transformons les problmes linaires
variables
bornes
en
des
problmes
rsolubles
par
la
mthode
de
dcomposition. Cette transformation, permet de saisir l'opportunit d'appliquer

les rsultats du chapitre IV notamment la gnralisation de la forme produit de
l'inverse. Nous montrons, ainsi que nous pouvons dans une itration de la
mthode de dcomposition faire entrer simultanment plusieurs variables dans
la base; ce qui permet du coup d'atteindre trs rapidement la solution optimale
d'un PLVB donn. Le chapitre VI constitue une autre application de la mthode
de dcomposition: la dcomposition des problmes de transport capacit
( PTC) qui sont un cas particulier des PLVB. L aussi la nouvelle forme produit
1
de l'inverse entre en jeu du fait toujours des structures des matrices au niveau
des contraintes des PTC une fois transforms. Nous fournissons alors un
nouvel algorithme diffrent de l'algorithme primai dual couramment utilis pour
rsoudre les PTC. C'est une mthode trs efficace que nous prsentons et qui
en un nombre trs rduit d'itrations arrive la solution optimale du PTC.
Chapitre 1
Prsentation de la programmation linaire
Introduction
Comme indiqu prcdemment, on entend par programmation linaire
l'optimisation d'une fonction linaire de variables X1, ... , Xn soumises des
contraintes linaires sous forme d'galits ou d'ingalits non strictes.
Si A est une matrice de dimension mxn, b un vecteur m composantes et c
un vecteur n composantes, alors la recherche d'un vecteur x = (X1, ... ,xn )
satisfaisant Ax.:s; b et rendant maximum la fonction z =cx est un problme de
programmation linaire.
1 Formulation du problme de programmation linaire
Un tel problme se note de la manire suivante:
max z=cx
{ S.C.
Ax:::;b
(Nous crirons" s.c. " au lieu de "sous contraintes" dans la suite du texte).
Dans la plupart des cas, les composantes X1, '" ,X n de x sont astreintes tre
non ngatives; il est d'usage de noter ces contraintes sparment. Le
problme prcdent devient:
max z=cx
s.c.
Ax.:s;b
x~o
On dit alors qu'on a affaire un problme de Programmation Linaire (P.L) mis

sous la forme canonique.
Proposition
Tout problme de P.L. peut se mettre au choix sous la forme canonique
ou sous la forme standard.
Preuve
Il suffit de faire les observations suivantes:
a)
minimiser
f(x), c'est maximiser
(-f(x))
et changer le signe du rsultat
obtenu,
b)
l'ingalit jX:::; bj est quivalente l'galit jX + Yi
c)
l'galit
d)
si
Xj
jX
=bj
=bi
avec Yi
0,
-iX:::; -bi,
-bj,
est quivalente aux deux ingalits jX:::; bi et -jX:::;
est une variable de signe quelconque, on peut lui substituer la
diffrence X'j - X"j de deux variables X'j, X"j non ngatives.

e)
Xj est ngative, on peut la remplacer par Yi = -Xj.

Si une variable Xi
Comme toute matire scientifique, la programmation linaire possde des

termes et des appellations qui lui sont propres.
1.1 Dfinitions
On appelle fonction objectif (ou fonction conomique) la fonction
linaire que l'on optimise. Dans l'nonc du problme prcdent elle se note
z
=f(x) =cx
On appelle solution admissible tout vecteur x
satisfaisant les
contraintes du problme.
Une solution optimale est une solution admissible qui optimise la
fonction dont on cherche le maximum ou le minimum.
Les variables que l'on rajoute pour transformer les ingalits (infrieur
ou gale) en galits sont appeles variables d'cart.
Dans les deux sous sections suivantes nous allons donner une
explication gomtrique et conomique du problme de programmation linaire.
1.2 Interprtation gomtrique de la programmation linaire

Si K = {x / Ax :::; b ; x
a} o A est une matrice (m x n), alors K est
l'intersection de l'orthant non ngatif V n+ = {x / x ~ a} et de m demi - espaces,

c'est donc un polydre convexe de Vn . Les points x de K satisfaisant certaines
contraintes avec le signe d'galit sont situs sur des faces de K. En gnral
l'intersection de n faces dfinit une arte de K.
55
Ainsi pour maximiser z = cx sur K, on cherche un x* dans K et une
une
solutions
valeur z* tels que l'hyperplan cx = z* coupe le domaine K des solutions
valeurs
satisfaisant les contraintes aussi loin que possible dans la direction des valeurs
rduit
croissantes de z. En gnral l'intersection de cet hyperplan et de K se rduit
un point qui est un point extrme du polydre. L'algorithme du simplexe que
que
nous allons dcrire plus loin consistera se dplacer de point extrme en point
point
extrme en suivant des artes de K jusqu' ce que l'on ait atteint l'optimum.
j'optimum.
1.3 Interprtation conomique

Considrons un problme de P.L. mis sous la forme:
n
max z =
z= CjX
j=1
n
s.e.
z= aijx
j ::;
=1 ,...
b, =1,
... ,m
(P)
j=1
X
Xj ~
~
j==1,
... ,n
j==1 ''''In
Cette formulation correspondrait la situation suivante: une entreprise

entreprise
exerce un ensemble de n activits j ; chacune de ces activits consomme une
une
i. On connat la quantit bj
certaine quantit de diverses ressources

ressource
de
de
i disponible pour chacune des m ressources; chaque activit

activit jj
peut tre exerce avec une intensit Xj; on donne la consommation aij de
de
ressource i pour exercer l'activit j au niveau unit.
Si enfin ci est le profit unitaire que l'on tire de l'activit j (c'est dire le
le
profit obtenu en exerant l'activit j au niveau unit), rsoudre le problme (P),
(P),
c'est dterminer les niveaux
Xj
(non ngatifs) auxquels il faut exercer les

les
activits j de manire que

n
pour toute ressource i la quantit
z= aijX
j=1
dpasse pas bit

n
le profit total
z= CjX
jj 1
soit maximum.
de ressource i consomme ne
.~
'1
Exemple 1
Considrons le problme suivant:
Une entreprise fabrique deux types de ceintures: A et B. Le type A est de
meilleure qualit que le type B. Le bnfice est 2,00 F pour le type A et 1,50
pour le type B. Le temps de fabrication pour le type A est deux fois le temps
de fabrication pour le type 8 et si toutes les pices taient du type B l'entreprise
pourrait en fabriquer 1 000 par jour. L'approvisionnement en cuir est suffisant
pour 800 pices par jour (type A ou B). Enfin 400 boucles de type A et 700
boucles du type B sont disponibles chaque jour.
Quels sont les nombres respectifs de ceintures des deux types fabriquer
chaque jour de manire maximiser le bnfice total de l'entreprise?
Ce
problme
peut
tre
modlis
comme
un
problme
de
programmation linaire de la manire suivante:

Notons X1 le nombre de ceintures du type A et X2 le nombre de ceintures du
type B fabriquer chaque jour.
Les contraintes lies la disponibilit des boucles de chaque type induisent les
ingalits X1 ::; 400 et X2::; 700.
La contrainte lie l'approvisionnement est:
X1 + X2 ::; 800
La contrainte de temps de production est:
2X1 + X2 ::; 1 000
et la fonction conomique maximiser est:
Z
=2X1 + 1,5 X2
Ainsi le programme s'crit

Max z = 2x 1 + 1,5x 2
Dans le paragraphe suivant, nous allons prsenter quelques mthodes

utilises pour rsoudre les problmes de programmation linaire.
77
Il - METHODES DE RESOLUTION
RESOLUTION DES
DES PROBLEMES
PROBLEMES DE
DE
PROGRAMMATION LINEAIRE
de programmation
programmation linaire
linaire que
que nous
nous avons
avons
Les problmes typiques de
prsents dans le paragraphe prcdent
prcdent se
se rsolvent
rsolvent l'aide
l'aide de
de mthodes
mthodes
mathmatiques particulires.
eu utiliser
utiliser on
on peut
peut citer:
citer:
Parmi les mthodes que les mathmaticiens
mathmaticiens ont
ont eu
d'numration
1 - la mthode d'numration
2 - la mthode gomtrique ou
ou graphique
graphique
3 - la mthode du simplexe.
Dans les trois sections suivantes nous

nous allons
allons prsenter
prsenter ces
ces mthodes
mthodes et
et mettre
mettre
en exergue leurs avantages et inconvnients.
inconvnients.
2.1 - Mthode d'numration

C'est la mthode la plus ancienne,
ancienne, elle
elle est
est base
base sur
sur le
le fait
fait que
que lala
solution optimale est un point extrme
extrme du
du polydre
polydre dfini
dfini par
par les
les contraintes.
contraintes.
Elle se rsume selon les tapes suivantes:
suivantes:
1 - Dterminer tous les points
points extrmes
extrmes
2 - Evaluer la fonction objective
objective au
au niveau
niveau de
de chacun
chacun de
de ces
ces points
points
3 - Comparer les valeurs obtenues.
obtenues.
Cependant cette mthode est trs
trs fastidieuse
fastidieuse sisi nous
nous avons
avons faire
faire des
des
problmes o les points extrmes sont
sont nombreux
nombreux ou
ou bien
bien les
les composantes
composantes des
des
vecteurs sont trs nombreuses.
2.2 -- Mthode
2.2
Mthode graphique
graphique
L'ensemble
L'ensemble des
des points
points qui
qui satisfont
satisfont un
un systme
systme d'inquations
d'inquations deux
deux
inconnues est
un
inconnues
est un
un polygone
polygone convexe;
convexe; s'il
s'il yy aa plus
plus de
de deux
deux variables,
variables, c'est
c'est un
polydre convexe.
polydre
convexe.
Dans la
Dans
la suite
suite cet
cet ensemble
ensemble de
de points
points sera
sera appel
appel domaine
domaine ralisable
ralisable ou
ou
domaine des
domaine
des solutions.
solutions.
La
La mthode
mthode graphique
graphique est
est base
base sur
sur le
le fait
fait que
que si
si le
le problme
problme admet
admet au
au
moins une
moins
une solution
solution optimale,
optimale, alors
alors celle
celle -- ci
ci est
est l'un
l'un des
des points
points extrmes
extrmes du
du
domaine ralisable.
domaine
ralisable.
Dans le cas de deux variables, la fonction objective est de la forme:

Z = f(x1, X2) = 1 X1 + 2 X2
Pour 1
-:;t:.
0, 2
-:;t:.
0 et quel que soit f1 fix, la fonction objective est une
quation linaire deux variables;
1X1
+ 2X2 = f1
graphique est une droite passante par les points
( 0,
et sa reprsentation
~2)
et
(~1' 0) .
En faisant varier f, on obtient une famille de droites qui sont appeles

droites d'appui parallles la droite d'quation 1X1 + 2X2 = f1. Les droites
les plus proches de l'origine des coordonnes rendent minimale la fonction f(X1,
X2) tandis que les plus loignes la rendent maximale.
La solution au problme est soit un point ou bien un segment de droite.
Dans le cas o la solution est un point, ce dernier est l'intersection de la
droite d'appui la plus extrme parmi toutes les droites d'appui avec le polygone
des solutions, selon qu'il s'agit d'une minimisation ou d'une maximisation.
En notant A
(::J
ce point, la valeur de ia
la fonction objective est alors.
f(A) = a11 + a22.

La solution est un segment, si l'intersection dfinie prcdemment tait
un segment. En notant B
(::J
et
(::J
segment,
les points extrmes de ce segment
les autres points solutions sont une combinaison convexe linaire de ces deux
points.
Cette mthode malgr sa simplicit n'est applicable que pour des problmes de
dimensions 2 ou 3 au maximum et il est parfois impossible de donner la valeur
exacte de la solution.
2.3 - Mthode du simplexe ou mthode de G. B Dantzig
Cette mthode est la plus souple et la plus universelle; elle s'applique
la rsolution de tout programme linaire. Mais elle est plus complique et

exige plus de temps. Le fondement mathmatique de cette mthode garantit
une grande prcision des rsultats.
Les fondements de la mthode simplexe ont t noncs en 1949 et publis

en 1959 par G. B. Dantzig.
La mthode du simplexe consiste en une suite d'tapes :on trouve
d'abord une solution de base, puis on regarde si cette solution est optimale. Si
elle ne l'est pas, on remplace une des variables de la base par une autre
variable. On obtient ainsi une nouvelle base. Si ce n'est pas encore une
solution optimale, on recommence, et ainsi de suite, tant que cela est
ncessaire.
Par consquent, le problme se rduit trouver une solution de base
quelconque et amliorer cette solution, tant qu'elle n'est pas optimale.
En un nombre fini d'itrations, on dtermine ainsi la solution optimale
parmi les solutions de base. Deux autres cas peuvent aussi se prsenter: la
fonction objective prend des valeurs infinies ou bien les contraintes sont
incompatibles
L'tude des problmes de programmation linaires par la mthode du
simplexe fait l'objet du prochain paragraphe.
3 LA METHODE DU SIMPLEXE
3.1 Prsentation de la mthode
Pour introduire la mthode du simplexe, nous considrons le problme

linaire PL sous forme standard
PL
AX=b
X~O
x =(X1,
Xn )
C = (C 1 ,
Cn)
IJt n sont les variables dterminer

IJt n sont les coefficients de la fonction objectif Z .
A est une matrice (m x n) fournie par les coefficients des contraintes. Elle peut
tre rorganise par changement des positions des variables sous la forme
A=[N:I]
10
\0
avec 11 reprsentant la matrice identit

identit dans
dans 91
91nn.. Initialement,
Initialement, les
les variables
variables
variables de
de base.
base. Elles
Elles sont
sont regroupes
regroupes sous
sous lele
associes 11reprsentent
reprsentent les variables
vecteur X s tandis que les autres
autres associes
associes N
N sont
sont les
les variables
variables hors
hors base.
base.
Ceci implique
implique la
la rpartition
rpartition
sous le
le vecteur
vecteur X
XNN .. Ceci
Elles sont regroupes sous
la forme
forme
des variables X et coefficients C
C sous
sous la
Xss ) et
et C
C = (C
(CNN ,, Cs)
Cs)
X = (X NN ,, X
Finalement le vecteur bb == (b
(b11,, ...
... ,, b
bmm))
EE
91
91nn reprsente
reprsente les
les constantes
constantes
des contraintes. Elles sont supposes

fin
supposes toutes
toutes positives.
positives. Nous
Nous tudierons
tudierons lala fin
de ce chapitre les situations o

o cette
cette hypothse
hypothse n'est
n'est plus
plus satisfaite.
satisfaite. Une
Une
solution ralisable est obtenue par
par rsolution
rsolution du
du systme
systme d'quations
d'quations
z-C tt x=o
SS
AX=b
AX=b
X~o
X~o
Sous la forme non matricielle, le systme

systme devient
devient
==
==
==
\Xi
~o;
~ 0; i=1,.",n
i = 1,... , n
3.2
3.2 Etapes
Etapes de
de la
la mthode
mthode
Initialement,
Initialement, la
la mthode
mthode considre
considre toutes
toutes les
les variables
variables hors
hors base
base
X
= 00 et
et les
les variables
variables de
de base
base associes
associes la
la matrice
matrice identit
identit Xs
Xs =
= b.b.
XNN =
Ces variables
Ces
variables de
de base
base ne
ne peuvent
peuvent plus
plus tre
tre augmentes.
augmentes. Elles
Elles ont
ont atteint
atteint leurs
leurs
valeurs maximales.
est possible
possible de
de traduire
traduire ceci
ceci dans
dans le
le systme
systme rsoudre
rsoudre
valeurs
maximales. IlIl est
en effectuant
Xi la
la combinaison
combinaison linaire
linaire
en
effectuant pour
pour chaque
chaque variable
variable de
de base
base Xi
11
O Li est la ligne i du systme associ la variable Xi . Cette combinaison
annule tous les coefficients associs aux variables de base pour fournir
l'quation
Z + C N Xn = Z
~
la valeur
Z reprsente la valeur courante de Z correspondant la solution

~
X s = b. Les nouveaux coefficients
C sont appels cots rduits.
S'ils sont tous positifs, alors il n'est plus possible d'augmenter Z la

solution courante est en consquence optimale.
Dans le cas o certains cots rduits sont ngatifs, Il faut favoriser la
variable hors base qui permet la plus grande augmentation unitaire. Cette
variable est celle qui possde le plus petit cot rduit. Elle doit rentrer dans la
nouvelle base c'est la variable rentrant note X r.
Comme le nombre d'lments de la base est fixe, une variable de base
doit en sortir. Pour la dterminer, il suffit de noter que la variable ne peut pas
tre augmente indfiniment sauf dans le cas de solution infinie.
En effet,
l'augmentation de la variable rentrant X r est limite par la satisfaction des

contraintes
o les constantes de contraintes
6 et
la matrice
j)
sont les paramtres
courants.
~
Si
ir
::::::
0 alors cette relation est toujours satisfaite car X r 2 0 et
bi :2:2 O.
Cette limitation n'est donc pas considrer dans ce cas.

Par contre, si
> 0 alors cette relation n'est plus ncessairement
satisfaite. Pour se faire, la variable rentrante X r doit vrifier la contrainte
La variable sortante X s est celle qui ralise cette dernire minimisation.

La valeur
sr
est appele pivot. En effet, les autres valeurs du vecteur colonne
de coefficient associ X r doivent tourner autour d'elle pour fournir le vecteur

unitaire prcdemment associ X s . Ceci est obtenu par une combinaison des
lignes annulant tous les autres coefficients du vecteur colonne. En effet, il suffit
12
de diviser la ligne s associe Xs par le pivot sr et d'annuler par combinaison

des lignes les coefficients
r ; i ~ s.
Finalement, il faut rduire les cots en annulant par combinaison le

~
coefficient courant Cr de Xr. Ainsi, nous nous retrouvons dans la mme

situation initiale avec bien sr une solution amliore ou au pire gale.
Nous venons d'effectuer une itration complte de la mthode du
simplexe. Il suffit de recommencer le mme processus jusqu' obtenir la
solution optimale.
Remarque 1
Dans ce qui suit, nous prsentons la procdure de la mthode du
simplexe. Avant de l'appliquer, il faut veiller ce que les coefficients associs
aux variables de base soient nuls. Si ce n'est pas le cas, il faut effectuer des
combinaisons entre la ligne des coefficients et la ligne de ces variables de base
afin d'annuler tous ces coefficients - Cs. Pour prsenter la procdure, nous
,",
supposons donc que les coefficients
Cs
sont nuls.
PROCEDURE
Etape 1. Initialisation
,.
>
La solution initiale
Xs
=b ; X =0;
N
et CN
=- C
Etape 2. Critre d'optimalit

~
Dterminer m.in Ci = Cr
1
Si Cr;::: 0 alors Fin. Solution Optimale.

Sinon Continuer la procdure.
Etape 3. Variable rentrante

~
La variable X r associe Cr doit rentrer dans la base.
Etape 4. Variable sortante

Dterminer
m.i n{J2L / ail>

1
ail
alors la variable Xs doit sortir de la base.
o}
bs
as,r
13
Etape 5. Opration de Pivotage
Le Pivot est p = as,r

aS,r est toujours strictement positif
5.1 - Diviser toute la ligne du pivot par le Pivot. Elle devient Lp ou
1
as.n =-_ bs
bs
aas..1
as.n
....... 1
ppp
5.2 - Annuler tout lment ai,r ; i cF- s par la combinaison suivante:
Li - ai,r Lp ~ Li
A
A
5.3 - Annuler par combinaison de ligne le coefficient Cr de Xr
5.4 - Retour tape 2.
La mthode ainsi dcrite est itrative. Une itration est dfinie par le procd
des tapes 2 5. D'une itration une autre, la mthode s'amliore jusqu'
converger vers la solution optimale.
Exemple 2
- 2x 1 + 3x 2 ~ 12
2x 1 - x 2
12
Etape 1 : Recherche d'une premire solution de base ralisable .

.~-.~-.
En introduisant les variables d'cart t1, t2 , et 3, le PL s'crit:
'1
,,
~j
]4
14
.,,
..
;f
'.~
~t
,..
,
xX1 ' X 2 t 1 , t 2 , t 3 2: 0
On en dduit le systme suivant:
Itration 1.
Etape 1 : Solution initiale
(X1, X2, t1, b , b ) = (0,
a , 14, 12, 12) est une solution de base.
On a alors Z = O.
9
2
z + 5 t1 + 5 t 2 = 30
3
x1 + 5 t1 -
'.;
.;
5" t 2 = 6
1
x 2 + 5" t1 + 5 t 2 = 8
4
- 5 t1 + 5 t 2 + t 3 = 8
On a min
(r ) = ~
>
a donc la solution est optimale.
Elle est atteinte pour X1 = 6, X2 = 8, b = 8, t1 = t2 =

La valeur de la fonction objective est alors z
= 30.
15
15
Remarque 2
effectue sous
sous forme
forme de
de tableaux
tableaux successifs
successifs
La mthode peut tre effectue
appels tableaux simplexes.
prcdemment ces
ces tableaux
tableaux sont
sont de
de la
la forme
forme
Pour l'exemple tudi prcdemment
suivante
X1
X2
t1t1
t2t2
bb
-3
00
00
00
00
tt
-1
t1
11
00
00
14
14
t2
-2
00
11
00
12
12
-1
-1
00
00
11
12
12
La flche au-dessous de X2 indique

indique que
que c'est
c'est la
la variable
variable qui
qui rentre
rentre en
en base,
base,
indique que
que c'est
c'est t2t2 qui
qui sort
sort de
de base.
base.
tandis que celle qui part de b indique
L'opration de pivotage fournit le
le tableau
tableau suivant
suivant
X1
X2
t1
t1
bb
bb
t
~
~
-3
00
11
00
.2
11
ll
00
t2
t2
_2
_2.
00
11
00
t3
t3
4
3
00
00
ll
11
t1
t1
3
3
1 sort
tt1
sort de
de base
base et
et X1
X1 entre
entre en
en base.
base.
Le nouveau
suivant:
Le
nouveau tableau
tableau simplexe
simplexe est
est le
le suivant:
33
33
12
12
10
10
44
16
16
11
16
Il
X1
0
X2
t1
t2
2
5
30
_l
X2
_4
5
X1
,
JJ-
5
5
On a min(C i ) = 0;::: 0 donc la solution optimale est atteinte avec
x7 =6 ; x; =8; x; =8 ; t1 ::: b =0
et Z
=30
3.3 Variantes de la mthode

Nous avons vu dans la proposition au dbut de ce chapitre que tout
problme de programmation linaire pouvait s'crire sous la forme standard.
Cependant la transformation d'un problme linaire sous la forme standard peut
des fois aboutir une augmentation des contraintes.
Dans cette partie nous allons proposer des techniques de rsolution
des P. L comportant des contraintes d'galits ou d'ingalits suprieures.
Si le problme linaire contient une contrainte ;::: , il suffit de lui
retrancher une variable de surplus pour obtenir une contrainte d'galit. Pour
cette raison, nous traitons ces deux cas simultanment.
Si dans la contrainte d'galit il existe une variable dont le vecteur
colonne de coefficients associ dans le systme de contraintes est un lment
de la base canonique, alors il suffit de la considrer comme variable de base.
Dans le cas contraire, on introduit une variable artificielle
R. A la
soluti'on optimale, cette variable doit tre nulle pour permettre la satisfaction de
la contrainte d'galit. C'est une variable technique qui sert obtenir une base
initiale associe la matrice identit. La ncessit de sa disparition entrane de
petites modifications dans la mthode du simplexe pour fournir deux
approches: la mthode dite du M et celle dite des deux phases. Toutes ces
mthodes servent trouver une solution initiale de base.
Nous allons prsenter leur organigramme dans la prochaine page:
'l:
:1
.~
17
!,
IPL maximuml ~
IMettre les contraintes sous forme d'galitl
t
Rendre positif le second membre des contraintes
en multipliant par -1 les contraintes des bi ngatifs
Introduire des variables artificielles

dans les contraintes
Vj
Vi
L ai}
Xj
+ Vi == bij
j=\
) -== 1,... ,n
[ 1-1,.",m
(1 )
Mthode M
Mthode en deux ohases
Phase CD
Rsoudre le PL
Rsoudre le PL
max
j=!
;=1
Z=L Cj Xj -LM Vi
LV;
Maxz1 = - LVi
sous les contraintes (1) (M> 0,

arbitrairement grand)
i=\
sous les contraintes (1)
non
non
FIN
pas de solution
ralisable
oui
FIN
La solution optimale du PL
de dpart est atteinte
oui
Rsoudre le PL
max
Z2 =
L CCj x
J
j=)
n
Lai}
j=1
Xj
+ Vi == b j
)-== 1" .. ,n
[ 1 - 1" .. ,m
en prenant comme solution de base

de dpart la solution obtenue la fin
de la phase 1
18
Exemple 3 : Appliquons la mthode du M au PL suivant:

Max
Z == x1 + x2
2x2 +x1
:::::2
x2
53
x1
52
x1,x2 ::::: 0
En introduisant la variable du surplus S1, la variable artificielle R et les
variables d'cart S2 et S3 on a la forme standard:
Z-x 1 -x 2 +IVIR==0
X1 + 2x 2 - S1 + R == 2
D'o le systme (S)
(R, S2, S2) est une solution de base initiale.

Notons L 1 la 2
me
ligne du systme est C = (-1, -1, M, 0, 0)

"-
Effectuant la combinaison linaire C - M L1 ~ C pour annuler le coefficient de

R dans la premire quation de (S). Nous obtenons le nouveau systme
z - (M + 1) x 1
(2M + 1) x 2 + M S 1 == -2M
==2
(S)
==3
=2
Sous formule tabulaire nous obtenons:
X1
X2
S1
S2
S3
-(M + 1)
-(2M + 1)
+M
0 -2M
J..
-1
S2
S3
..
La vanable
variable artificielle R sort de la base et la vanable
variable X2 rentre dans la base
19
X1
Xl
X2
81
82
83
1
--
v;
J_1
2
X2
1/2
- 1/2
82
-1/2
1/2
[TI
-1/2
1/2
+---8
+--8 3
JX2
-1/2
-1/2
82
1/2
X1
Xl
X2
81
X1
Xl
VI
5
3
6
"
On a min (Ci )= 0 donc la solution optimale est atteinte pour X'1

X'l = 2, X'2 = 3 ;
8 '1 = 6 et Z' = 5.
Exemple 4
Rsolvons le PL de l'exemple prcdent par la mthode des deux
phases:
La phase 1 rsout le problme suivant:
.,
20
max w =-R
+ R =2
S2 =3
X 1 + 2x 2 - S1
x2 +
rt
Xl
X2
Sl
S2
S3
J,
-2
~R
-1
S2
S3
a
a
S2
}}
~S3
a
a
a
a
a
a
a
1
a
a
a
a
a
_l
l1
t'
t'
-2
-1
X2
2
2
1
2
2
a
a
a
1
C'est la fin de la phase 1 avec z = o.

La phase 2 consiste rsoudre le PL
En prenant comme solution de base initiale (X2, S2 S3)
= (1,
2, 2) on
arrive trouver, par la mthode du simplexe la solution optimale.

Exemple 5 : problme linaire variables bornes
Un type de problmes souvent rencontr en programmation linaire est
celui dans lequel certaines variables sont bornes infrieurement et suprieure-
21
21
ment. Pour cette raison, ils sont appels

appels Problmes
Problmes Linaires
Linaires Variables
Variables
se prsente
prsente sous
sous la
la forme
forme
Bornes (PLVB). Dans ce cas le problme
problme se
max Z=C t X
AX:s;
AX.:s:bb
L:s;X:s;U
L:s:X:s:U
Les vecteurs L et U sont donns
donns et
et reprsentent
reprsentent les
les bornes
bornes infrieures
infrieures
et suprieures de la variable X.
Le problme linaire
max
-3x 1 + 6x 22
:s::s;
14
variable
est variables bornes. La variable
infrieure tandis que
X2
X2
X1
X1
possde
possde seulement
seulement une
une borne
borne
possde en
en plus
plus une
une borne
borne infrieure
infrieure 00 une
une borne
borne
suprieure 14.
. Notons qu'il est possible d'effectuer
d'effectuer le
le changement
changement de
de variable
variable YY ==X-L
X-L
pour obtenir un problme contenant seulement
seulement des
des bornes
bornes suprieures
suprieures U
U -- L.L.
Dans ce cas, les contraintes d'infriorit

d'infriorit se
se transforment
transforment en
en contrainte
contrainte de
de
positivit de
Y. Pour
Pour cette
cette raison,
raison, nous
nous pouvons
pouvons nous
nous intresser
intresser
positivit
de la
la variable
variable Y.
sans perte
la formulation
formulation
sans
perte de
de gnralit
gnralit la
max Z=Ct
Z=Ct X
X
max
AX.:s:bb
AX:s;
O:s:X:s:U
O:s;X:s;U
On
On suppose
suppose galement
galement que
que le
le vecteur
vecteur constant
constant bb est
est non
non ngatif.
ngatif. En
En
sparant les
sparant
les contraintes
contraintes de
de positivit
positivit et
et de
de bornes
bornes suprieures,
suprieures, nous
nous obtenons
obtenons
la formulation
formulation
la
22
max Z=Ct X
AX:s; b
X:s;U
X2':O
En introduisant les variables d'cart S et R au niveau des contraintes
nous obtenons la forme standard
max Z=Ct X
Ainsi prsent, ce problme est un programme linaire avec n variables

X, n variables R et m variables S, ce qui constitue au total 2n +m variables.
En plus des contraintes de positivits, il contient m + n contraintes et peut
videmment tre rsolu par la mthode usuelle du simplexe. Cependant la
prsence
des
contraintes
de
bornes
de
positivits
peut
augmenter
considrablement la taille du problme. Il existe une adaptation de la mthode

du simplexe ces problmes que nous prsentons dans la prochaine section.
4 - Mthode du simplexe des PLVB

Dans cette section, nous prsentons l'adaptation de la mthode du
simplexe aux problmes linaires variables borns (PLVB). Dans une
premire sous section, nous fournissons tout d'abord les principes de base de
la dmarche. Ceci nous permettra de prsenter les dtails de la mthode et
l'algorithme dans la sous section suivante.
4.1 Principe de base de la mthode
L'adaptation de la mthode du simplexe ces problmes ignore dans un

premier temps les contraintes des bornes suprieures. En consquence, elle
considre le Problme associ Sans Bornes (PSB)
max Z=Ct X
PSB
AX:s;S=b
X 2': 0
23
dont la rsolution suit les diffrentes tapes de la mthode du simplexe jusqu'

l'tape de la variable rentrante soit Xr. C'est au niveau de l'tape de la variable
sortante que rside toute la diffrence. En effet, dans le cas de ces problmes,
nous devons tenir compte du respect de
1. la positivit des variables X
=(Xi)
2. la borne suprieure Ur de la variable rentrante soit X r
:~
:t.
3. des bornes suprieures des autres variables
La mthode du simplexe pour les problmes linaires variables

bornes est identique la mthode usuelle du simplexe. Cependant, elle doit
la fin de chaque itration tenir compte des contraintes de bornes des variables
qui impliquent les conditions supplmentaires 2 et 3.
Le respect de la positivit des variables Xi est la condition usuelle de la
mthode du simplexe pour le choix de la variable sortante. En considrant (aij)
comme la matrice des contraintes, autres que celles de bornes, cette condition
consiste slectionner la variable sortante X s de telle sorte
X, ::; 8, =
rn i n {~ ;
air>
air
a}
~
a sr
La deuxime condition impose la variable rentrante X r ::; Ur = 82.

La dernire condition intervient au moment de la transformation de la
variable rentrante en une variable de base donc de l'annulation des coefficients
air autres que le pivot. Ceci implique
Xi - air X r ::; Ui;
Vi
Si air 2 0, cette relation est toujours satisfaite car les variables de base
vrifient Xi. Dans ce cas le fait de retrancher au terme de droite une valeur
positive ne dtruit pas l'ingalit.
Si par contre, air < 0, cette relation n'est plus ncessairement satisfaite.
Pour qu'elle le soit, il faut que
La satisfaction des trois conditions impose donc

Xr
=8 = min {81, 82, 8
24
Si 8 = 81 alors l'algorithme se comporte comme la mthode du

simplexe.
Si 8 = 82 alors la borne suprieure empche la variable de rentrer.
Ainsi, nous effectuons un changement de variable Y r = Ur -X r et laissons la
solution de base non modifie. En consquence, la variable
Y r reste hors
base. Ainsi nous avons Y r = 0 et X r = Ur.

Si 8
83
=83
= min {Xi
alors la variable sortante Xs est fournie par
-U i ; air
air
<o}= Xsasr-Us
Sa borne suprieure empche la variable Xr de rentrer. Donc nous

effectuons un changement de variable Ys = Us - Xs. Ensuite, nous faisons rentrer Xr dans la base
4.2. Algorithme du simplexe des PLVB

Dans cette sous section, nous prsentons les diffrentes tapes de
l'algorithme.
Procdure de rsolution des PLVB

Etape 1 - Initialisation
La solution initiale est fournie en posant
Xs = b
et
XN = 0
Etape 2 - Critre d'optimalit

Dterminer
Si Cr
Sinon
~0
min Ci
= Cr
alors Fin. Solution Optimale.
Continuer la procdure.
Etape 3 - Variable rentrante

La variable X r associe Cr doit rentrer dans la base.
Etape 4 - Variable sortante
l{~}
=~
{~}
bs
ai,r
as,r
Dterminer 81 = (min l
liai.,
,e
,e
25
Poser 82 = Ur et valuer
83
= min { X.X.-u.
'.- U
air < 0}
air
Finalement, nous obtenons
Xr
= 8 = min
{81, 82, 83 }
1. Si 8
= 81
alors la variable Xs sort de la base. Aller tape 5.
2. Si 8 = 82 alors poser Yr = Ur - X r et retour tape 2.

3. Si 8 = 83 alors poser Ys = Us - X s. Dbut tape 4.
Etape 5 - Opration Pivotage

Le Pivot est p
= aS,r
est toujours strictement positif.
Effectuer comme dans la mthode du simplexe l'opration Pivot.

Dterminer la nouvelle solution Xs. Retour tape 2.
Exemple 6
Max l
=-2Xl +3X2
Xl + X2:::;; 3
Xl
+ X2 :::;; 5
0:::;; Xl, 0 :::;; X2 :::;; 2

En introduisant les variables d'cart Sl et S2 dans le problme sans borne
suprieure, on a la forme standard
Min l' = 2Xl -3X2
Xl
=3
+ X2 + Sl
Xl - X2
Xi ~
+ S2
Si ~
0,
=5
0,
D, i = 1,2
Ceci entrane la procdure ci dessous
Itration 1
Etape 1 solution initiale
Etape 2
Sl
= 3, S2 = 5 et l = 0
optimalit
Min Ci = -3 < 0 ; donc la solution n'est pas optimale.
Etape 3 variable rentrante

Min Ci = -3 correspond X2 donc X2 entre dans la base
26
Etape 4 variable rentrante
Le seul candidat est a12
= 1> a ; donc 81 = b1 = 3.
la valeur de 82 est fournie
par la borne suprieure de la variable rentrante X2, donc 82 = 2. Puisque la

variable correspondant a22 = -1 <
alors'
alors 83
= +00.
a est S2 et est
En consquence, nous avons 8
suprieurement non borne
=82 = 2.
Il nous faut donc
effectuer le changement de variable Y2 = 2-X2. Ce qui implique le problme

suivant
Min Z' = 2Y1 + 3Y2
=1
X1 - Y2 + S1
X1 + Y2
Y1 ~
a, Xi
+ S2
::?:
=7
a Si ~ a,
i = 1,2
Tous les cots rduits deviennent positifs, la solution est donc optimale.
5. Cas particuliers
Dans ce paragraphe, nous traitons des cas particuliers qui interviennent
lors de l'application de la mthode du simplexe. Il s'agit des situations o il ya :
1. plus d'une solution optimale
2. une solution infinie
3. absence de solution ralisable
4. dgnrescence
Tout au long de ce paragraphe, nous allons tudier dans les dtails ces cas de
figure.
5.1 Solution alternative

Une solution alternative existe si, lors de la dtermination de la solution
optimale, certaines variables hors base ont des cots rduits nuls.
Dans ce cas, il est possible de considrer successivement ces variables dans la
base pour obtenir toutes les autres solutions optimales. Puisque leurs cots
rduits sont nuls, alors en les faisant entrer dans la base, la ligne des
coefficients demeure inchange. En consquence, la valeur de la fonction
objectif se trouve non modifie.
L'ensemble solution est
une combinaison convexe des solutions
trouves. Dans le cas o il y a deux solutions optimales extrmes, l'ensemble

solution est le segment de droite compris entre ces deux points. Dans le cas o
il existe trois solutions optimales, alors l'ensemble solution est une face plane
27
du polydre dfini par les contraintes. En guise d'illustration, nous considrons

l'exemple ci dessous.
Exemple 7. Considrons le problme linaire suivant:

Max Z = X1 + 2X2
X1
X1
s: 4
+ 2X2 s: 6
+ X2
X1, X2 ~
En introduisant les variables d'cart
S1
et
S2,
on a la forme standard
Max Z = X1 + 2X2
X1
+ X2 +
S1
= 4
x1 + 2X2 + S2 = 6
Xi, ~
0,
Si ~
0, i =
1,2
La rsolution tabulaire fournit
X1
-1
S1
S2
11
a
0
S1
X2
S2
a
0
11
4
6
6
S1
1/2
0
0
X2
1/2
11
-1/2
La solution optimale est atteinte avec
1/2
X2'
=3 et S1 =1.
Puisque le cot rduit de la variable hors base
X1
est nul, alors il est possible
d'obtenir une deuxime solution optimale en la faisant rentrer dans la base.

Ceci fournit le tableau
X1
X2
S1
S2
a0
a0
X1
11
a0
-1
X2
-1
28
f,
La deuxime solution optimale est X1 * = 2 , X2* = 2 et Z* = 6. L'ensemble solution

est le segment joignant les deux solutions (0 , 3) et (2 , 2).
5.2 Solution infinie

Dans le cas o la solution est infinie, le problme possde un domaine non
born. Cette situation se manifeste de la manire suivante: au cours d'une
itration, tous les coefficients du vecteur colonne associ la variable rentrante
Xr sont non positifs i. e ir ::;
a , \;j i = 1, ... ,m.
Il n'y a aucun candidat pour tre pivot. Ainsi quelle que soit la valeur de Xr ~ 0,
les contraintes irx r::; O. Ainsi la variable Xr est illimite car irx r::;
et bi ~ O. La
solution du problme de maximisation est donc Zmax =+00. Au moins, une

variable du problme n'est pas borne suprieurement.
Notons que dans le cas d'une minimisation, la solution correspondante vaut
Zmin = -00. Cependant toutes les variables du problme bornes infrieurement
par O. Pour illustrer cette situation, nous prsentons l'exemple ci dessous
Exemple 8.
Soit le problme linaire
Max Z = 3X1 + 2X2
X2 ::; 5
Xi
0, i:= 1,2
En introduisant les variables d'cart S1 et S2 on a la forme standard
Max Z == 3X1 + 2X2

-X1 + X2 + S1
=2
X2 + S2 = 5
Xi ~ a
0 ,, Si ~
a , i = 1,2
La rsolution tabulaire fournit

X2
S1
S2
-2
1
S1
-3
-1
a
a
S2
X1
~
i'
29
Le vecteur
X1
est la variable rentrante car possdant le plus petit cot rduit,
cependant, il n'y a aucun coefficient positif au niveau du vecteur colonne qui lui
est associ. En consquence, la solution est infinie.
5.3 Domaine vide

Dans le cas o le domaine est vide, le problme ne possde pas de
solution ralisable. Cette situation intervient dans des problmes linaires ne
comprenant pas seulement des contraintes d'ingalit infrieure. Dans le cas
contraire, la solution initiale avec les seules variables d'cart serait ralisable.
Ce cas est donc dtect dans les problmes ncessitant des variables
artificielles.
Si la mthode du grand M est considre, alors la solution optimale est
dtermine avec au moins une variable artificielle demeurant dans la base. La
contrainte d'galit ne peut pas tre ralise. En consquence, la variable
artificielle ne peut pas s'annuler.
Si la mthode des deux phases est utilise, alors la phase 1 se termine sans
que la variable artificielle ne sorte de la base. En d'autres termes, cette phase
se termine sans que la somme des variables artificielles ne soit nulle.
Pour illustrer ces deux situations, nous les appliquons l'exemple ci dessous
Ir
Exemple 9
Considrons le problme linaire suivant
Max Z = X1 + 2X2
X1
14
X2 ~
15
+ X2
X1 ~
0,
X2 ~
a0
Mthode du grand M
En introduisant la variable d'cart
S1,
la variable de surplus _S2 et la variable
artificielle R, on obtient la forme standard
Max Z = X1 + 2X2 - M
X1
= 14
+ X2 + S1
=15
Xi ~ 0, Si ~ a
0 ;; i =1,2
X2 - S2
+R
30
Initialement, les variables de base sont S1 et R mais le coefficient associ la

variable artificielle R est non nul. Son annulation fournit la deuxime ligne du
coefficient cot prsent dans le tableau ci dessous. C'est cette dernire qui est
utilise pour dsigner la variable rentrante. Il s'agit de la variable X2.
X1
X2
S1
S2
-1
-2
IVI
-M-2
S1
-1
1
Q)
IVI
0
0
0
-15M
14
-1
15
X1
X2
S1
S2
M+1
M+2
M+28
S1
14
-1
-1
-1
La solution est optimale et la variable artificielle R demeure dans la base. Le

domaine est vide. Il n'existe pas de solution ralisable.
Mthode des deux phases.

Avec cette mthode, la variable subsiste dans la base la fin de la
phase 1. Pour illustrer cette situation, considrons nouveau l'exemple 3. La
phase 1 rsoud le sous problme
ax Z =-R
= 14
X1 + X2 + S1
X2
Xi ~
-S2 + R =15
0,
Si ~
0 ;i
=1, 2
Ceci implique la prsentation tabulaire

X1
X2
S1
S2
-1
-15
S1
14
-1
15
31
-1
81
14
-1
-1
-1
La solution est optimale avec la variable artificielle R qui demeure dans la base,
le domaine est donc vide. Il n'est pas ncessaire d'aborder la phase 2.
5.4 Dgnrescence
La situation de dgnrescence intervient dans l'application de la mthode du

simplexe quand la solution courante admet une variable de base nulle. Elle peut
galement se manifester dans l'tape de dtermination de la variable sortante:
quand il existe plus d'une variable de base candidate la sortie. Cela se traduit
par l'existence d'indices s et k tels que
min{b/air} =bs/as r = bk/akr
L'indice r est celui associ la variable rentrante. Ainsi se pose un embarras de
choix de la variable sortante.
La situation de dgnrescence est une manifestation de l'existence de
contrainte redondante. En enlevant celle ci la dgnrescence disparat.
Cependant dans la pratique, il est difficile dterminer la contrainte redondante.
La dgnrescence peut amener l'algorithme du simplexe effectuer des
cycles entre les diffrents choix possibles. Il existe des mthodes correctives
cherchant contourner cette situation de cyclage. la plus utilise (Charnes,
1953) consiste dans un premier temps diviser chaque ligne correspondant
ya
une variable de base candidate la sortie par son pivot a.,r. Par exemple s'il ya
deux candidats au niveau des lignes s et k, nous obtenons
s1 s2 ... s,r-1
1 s,r+1 ... Sn(
ligne s
ligne k
les valeurs reprsentent les paramtres courants diviss par pivot candidat
Les places des pivots sont occups par la valeur 1 rsultant de la division de la
ligne par son pivot.
Il suffit par la suite de comparer par ordre de ngativit des cots rduits les
coefficients des contraintes asi et aki i = 1,,,. ,n. A la premire diffrence, la
variable dont le nouveau coefficient est le plus lev sera choisi pour sortir.
32
32
Le choix de cette variable est justifi par le fait qu'au
qu'au moment
moment de
de la
la rduction
rduction
des coefficients, cette variable fournit une plus grande
grande augmentation.
augmentation. Elle
Elle
prsente plus de chance de rendre positif certains
certains cots
cots rduits.
rduits. Pour
Pour illustrer
illustrer
cette situation, nous considrons un exemple appel
appel cyclage
cyclage de
de Beale.
Beale.
Exemple 10. Cyclage de Beale
in Z = -3X1 + SOX2 - 2X3 + 24x4

X1 - 32x2- 4X3 + 36x4::; 0
X1 - 24x2- X3 + 6X4
X3
::; 0
::; 1
Xi ~
0, i= 1, ... ,4
L'introduction des variables d'cart S1, S2, et S3 fournit

fournit la
la forme
forme standard
standard
Min
Z ==-3X1 + SOX2 - 2X3 + 24x4
=
==0
X1 - 32x2- 4X3 + 36x4 + S1

X1 - 24x2- XJ + 6X4 +
S2
+ S3
XJ
=0
Xi ~
=1
0, i= 1, ,4
si~O,i=1,
si~O,i=1,
,3
Dans les deux tableaux suivants, nous prsentons

prsentons les
les cinq
cinq premires
premires itrations
itrations
de l'application directe de la mthode du simplexe.
simplexe.
.,
..
~.
X2
X3
X4
-3
80
-2
24
S1
l1J
UJ
-32
-4
36
S2
-24
-1
S3
-16
X1
~
r--..
S1
S2
S3
a
a
a
a
a
a
a
-14
132
X1
-32
-4
36
a
a
S2
G)
-30
-1
a
a
a
S3
X1
a
a
X2
a
1
S3
t-8
~
72
-84
1/8
a
a
-3
-1/8
3/8
-15/4
-12
-2
-21/2
-3/8
7/16
3/8
a
a
a
a
a
11
X3
1/8
a
a
X2
-3/16
S3
-1/8
X2
X3
-11
80
26
X3
-83/8
56
-193/8
-3
X4
-1
16/3
7/3
-1/3
a
a
S3
83/8
-56
a
a
a
a
193/8
X1
11
21/2
X4
S1
Les itrations ne sont pas termines et la variable X1
-1/16
a
a
a
a
a
-1/2
S2
S3
doit rentrer pour la
seconde fois dans la base. Par contre, en utilisant la mthode de Charnes
34
(1953), nous
arrivons contourner la dgnrescence. Nous obtenons les
tableaux suivants:
X1
X2
X3
X4
t-3
80
-2
S1
-32
S2
Ci)
S3
S1
S2
S3
24
-4
36
-24
-1
Les pivots des deux variables candidates la sortie valent tous 1. La variable X3
a le second cot rduit le plus faible donc on commence par comparer les
coefficients - 4 et -1. Comme -1> - 4 alors c'est la variable S2 qui doit sortir. On
obtient alors:
lx1
x2
x4
s1
s2
s3
-5
42
x3
t~
S1
-8
-3
30
-1
X1
-24
-1
S3
42
S1
-8
30
-1
X1
-24
0
0
La solution optimale est X1 =1 et X2 = 5 avec Z = 5

0
X3
1
1
Nous percevons travers cet exemple l'avantage d'utilisation e la mthode de

Charnes. Il existe galement d'autres mthodes correctives dans la littrature
Conclusion
Dans ce chapitre nous avons prsent les diffrentes mthodes de
rsolution des problmes linaires. Nous y
avons en particulier pass au
peigne fin la mthode du simplexe et expos ses multiples avantages par

rapport aux autres approches qui existaient avant elle.
35
CHAPITRE 2
METHODE REVISEE DU SIMPLEXE
Introduction
La procdure de calcul dans l'algorithme usuel du simplexe peut
souvent s'avrer dans certains cas inefficiente. En effet, chaque itration la
mthode effectue des valuations inutiles. Par exemple, si une variable Xk ne
rentre jamais
dans
la
base
au
cours des
diffrentes
itrations,
les
transformations dans la colonne de Xk du tableau ne sont pas ncessaires.

Malheureusement nous ignorons priori quelles variables, s'il y en a, ne
rentrent jamais dans la base. En plus, il n'est pas trs efficace de transformer la
colonne Xk chaque itration mme si Xk russit rentrer dans la base une
ou deux fois. Un algorithme plus efficient, communment appel mthode
rvise du simplexe, a t dvelopp en 1953 par C.B. Dantzig et W. Orchard
Hays dans le but de rduire ces valuations non ncessaires. Pour introduire la
mthode, nous considrons le problme
max Z = Ct X
AX:; b
X;:> 0
o A
=(aij)ij
est une matrice de format (m, n). Les dimensions n et m sont
celles des variables et constantes
XI
X
= X2
Xn
CI
C
= G2
n
b1
et
~2
bn
La mthode rvise du simplexe cOrrige ces inconvnients en

s'intressant d'une itration la suite au vecteur colonne de la variable
rentrante. Contrairement la mthode du simplexe, elle est matricielle. La
mthode possde galement une forme matricielle que nous introduirons ds la
36
prochaine section. Elle nous permettra de mieux saisir la mthode rvise du

simplexe.
1 Forme matricielle de la mthode du simplexe

Pour introduire la forme matricielle de la mthode du simplexe,
considrons le problme linaire de maximisation PL
max Z= Cl X
PL AX + S = b
X:2:0;S:2:0
qui implique la prsentation tabulaire initiale suivante
ct
Cl
La premire ligne reprsente les cots rduits initiaux tandis que la

deuxime est la contrainte. La variable de base initiale S occupe la premire
case de cette deuxime ligne et sa valeur est lue dans la dernire case.
Xe
8- 1
8- 1 b
Tant qu'ils existent des cots rduits ngatifs, la mthode intgre

successivement leurs variables correspondantes dans la base. Le processus
continue jusqu' obtenir le tableau final et optimal.
x*
37
La matrice
S* est la sous matrice de A
optimale forme par la solution optimale
qui correspond la base
X*. Son inverse
S.-1
occupe la
position de la matrice identit dans le tableau initial.
La mthode rvise du simplexe met jour la matrice
plus
prcisment son inverse d'une itration la suivante. Elle tire avantage du fait
que les matrices de base
ne diffrent que d'une colonne. C'est l'ide

principale de base de mise jour de la matrice B0 1. Ceci est effectu sans
inversion directe de la matrice de base B l'aide d'une procdure appele
forme produit que nous prsentons dans la prochaine section. Ceci facilitera par
la suite l'introduction de la mthode rvise du simplexe.
2 - Forme produit de l'inverse

La forme produit de l'inverse est une procdure matricielle qui calcule
l'inverse d'une nouvelle base partir de l'inverse d'une autre base, condition
que ces deux bases ne diffrent exactement que d'un seul vecteur colonne. La
procdure est particulirement adapte la mthode du simplexe puisque les
bases successives ne diffrent que d'une seule colonne, en tant que rsultat de
l'inter changement des variables entrante et sortante.
En d'autres termes, tant donne la base courante S, la nouvelle base

Snouv l'itration suivante diffre de B que d'une seule colonne. La procdure
1
de la forme produit value la nouvelle matrice B- nouv en multipliant S-1 par
une matrice E spcialement construite cet effet. Elle vite l'inversion directe
de matrice qui souvent implique beaucoup d'erreurs d'arrondi. Ecrivons la
matrice identit lm sous la forme vectorielle
lm
= (e1, e2,
Le vecteur
ei
... , em) avec ei
est le
me
= (0, ... , 0,
1,0, .. ,,0)
vecteur colonne de la base canonique.
Supposons que le vecteur colonne Ps de B est remplacer par un nouveau

vecteur Pro Les vecteurs Ps et Pr sont les coefficients colonnes de la matrice
(A, 1) correspondant respectivement aux variables sortante et rentrante. Par
souci de simplicit, posons
38
i-r.
a(S-1)r
Pour dsigner le vecteur colonne de la matrice courante correspondant

la variable
X r. L'lment
ark
est la
ime
coordonne du vecteur
ar. Le
coefficient est le pivot de l'itration courante. Il occupe dans la mthode usuelle

du simplexe l'intersection des lignes de la variable sortante et de la variable
rentrante. Ainsi la nouvelle inverse peut tre dtermine comme suit
-1
B nouv= EB
-1,
ou
avec
E = (e1, ... , es -1,
es +1,
... ,
e m)
_1
asr
Nous pouvons remarquer que la matrice E est obtenue partir de la

matrice identit
lm
en remplaant sa ri me colonne e r par
Si un candidat positif pivot n'existe pas au niveau de la colonne r

(arj ::; 0) alors la solution est infinie car le domaine non born.
Proposition
Si le vecteur Ps de B est remplac par un vecteur Pr pour fournir
1
B-\ouv
la nouvelle base Bnouv alors
-1
-1
B nouv = EB .
Preuve
Notons tout d'abord qu'en multipliant la matrice de base courante B
par F
39
Nous obtenons la nouvelle base Bnouv . Ceci implique donc l'galit

Bnouv = BF. En effet, comme
BF
=(Be1
, ... , Be r-1, Bar, B e r+1 , ... , Ben)
Alors en remplaant ar par sa valeur, nous obtenons

BF
= (P1
, ... , Pr-1, BB
-1
Pr , Pr+1 , ... , Pn)
= Bnouv .
Ainsi, en effectuant l'inversion matricielle des deux termes de

l'galit, nous obtenons la formule
1
B- nouv = (BF)-1
= F- 1 B- 1 = EB- 1
Car E n'est rien d'autre que l'inverse de F. Il suffit d'appliquer l'algorithme

d'inversion de Gauss pour s'en rendre compte.
Cette procdure permet ainsi de dterminer la nouvelle base B-\ouv

sans devoir effectuer d'inversion de matrice. Elle est la base de la mthode du
simplexe rvise que nous prsentons dans la prochaine section.
3 - Algorithme de la mthode rvise

La principale innovation de la mthode rvise du simplexe est
J'inverse de la base courante pour effectuer les calculs
l'utilisation de l'inverse
ncessaires la dtermination des variables entrantes et sortantes. L'utilisation
de la forme produit facilite le calcul des matrices inverses successives sans
avoir inverser les bases directement. Prcisment, comme pour la mthode
classique du simplexe, la base initiale est toujours gale la matrice identit.
Ainsi si
8 11 ,
1
8k"1
8 21 , ... , 8
k reprsentent les inverses successives jusqu'
l'itration k et si E1, E2, ... , Ek sont leurs matrices associes dfinies comme
dans le paragraphe prcdent, alors
81'1
= E11 = EE1;
1 ;
8 21
= E2
81'1
8k"1
8
k'
= Ek
8k"~1
8k~1
Ceci implique finalement la relation

8k"1
B
k1 = Ek Ek-1 ... E1
Les tapes d'initialisation, du test d'optimalit et de dtermination des

variables rentrante et sortante de la mthode rvise du simplexe sont
exactement les mmes que celle de la mthode usuelle du simplexe. C'est au
piyotage et de mise jour que se trouve la diffrence.
niveau de l'opration de piyot\ge
40
La mthode met jour la matrice de base tandis que la mthode du simplexe

effectue une opration de pivotage. Notons galement que pour dterminer la
solution courante, il suffit d'effectuer le produit de la matrice E par la solution
courante, i.e.
X nouv = EXB = E 8
-1
b = 8
-1
nouv
O XB = b est la solution de base courante. En effet, compte tenu de la

structure de
E, il est plus facile d'effectuer ce produit. En plus, ceci peut
permettre d'viter la conservation en mmoire du vecteur constant b.
Nous prsentons dans la suite les diffrentes tapes de l'algorithme.

Pour se faire, nous utilisons la notation matricielle CB pour dsigner le vecteur
des coefficients cots associs la variable XB. Le vecteur Pj reprsentent
les coefficients associ Xj dans la matrice des contraintes (A, 1).
Algorithme de la mthode rvise

Etape 1 - Initialisation
Mettre le problme sous forme standard et poser 8
= lm = 8- 1
Etape 2 - Test d'optimalit
Pour chaque vecteur Pj hors base dterminer le cot rduit

"
Cj
Ci
r = min ~i
~j
Ensuite valuer
Si
Ck B-1 Pj
Cj
..
~ 0 alors la solution est optimale Z* = CBX*B Fin.
Sinon continuer.
Etape 3 - Variable entrante
Comme
r = min ~j
< 0 alors la variable X r rentre dans la base.
Etape 4 Variable sortante
Soit ar = 8- 1 Pr , la variable sortante X s est dtermine telle que

"
avec b = B-1b
41
41
Si air:::::; 0; \Ii, alors la solution est non borne.
Etape 5 - Mise jour

L'inverse de la nouvelle matrice devient
-1
8 nouv
= E8-1
avec
=(e1, ... , e -1 , ,
1;, ee +1
+1 ,, ...
... ,, eem
m))
55
55
- a(s-1),r
=1;=a sr
Poser Xnouv
1
- a(s+1),r
= EXs = B-1 nouv b.
Retour tape 2.
Exemple 1 : Considrons le PL suivant
X 11
+ 4x 22
-X
-X44 :::::;
:::::; 8
-x 11 + x 22 + x 33
:::::;8
x 22 -- 2x 33
:::::;8
X 11
+ x 44 :::::;8
42
la forme. standard correspondant ce PL
est :
8 i , Xi ~ 0, avec i = 1,2,3,4
Itration 0 - Initialisation
XB
=(81, 82, 83, 84)
est une solution de base initiale la matrice
Des cots correspondant est: CB = (0, 0, 0, 0).

1
Initialement 8
B = B8- = 1;
1 ; les variables hors - base sont les composantes de
XN = (X1, X2, X3, X4)t.

La matrice N des coefficients colonnes correspondant ces variables est
-1
-1
-1
-2
a
a
a a 1
CN =(1, 4, -1,1)
1
et la matrice de leurs cots est
Itration 1
Les cots rduits des variables hors - base sont fournis par:
la variable dont le cot rduit est minimal est X2. Ainsi X2 entre en base.
81
4
Puisque
B8- 1 P2
1
1
avec
f814 '
La matrice de mise jour
82
84
4}= li4 =EL

a
8
1 '1
83
a
et min
Xs
12
8
4
8
alors 81 sort de base.
43
1
4
_1
4
-4
0
0 0
0
0
la solution qui correspond est X nouv

1
_-1
4
_-1
4
nouv
=E B-1 =El =E
= XB = 8 -1 nouv b =
0 0
8
1
4
8
-1
et B
Avec X nouv
2
8
= XB = (X2, 82, 83, 84)
et on a Cs
=(4, 0, 0, 0).
Itration 2
Les cots rduits des variables hors - base sont donnes par:
CN = Cs B-1N - CN =- CN =(1, 0, -1, +1) - (1, -1, 1,0) =(0,1, -2, 1)
44
44
On a
min
i )
= -2 qui correspond
X4.
X4.
Donc
Donc
X4
X4
-1/4
On a min
22
1/4
1
8- P4 =
66
et Xb=
Xb=
et
1/4
22
!:': ''~ 11
1:'
=8
entre en
en base
base
entre
88
correspond aux
aux variables
variables 53
53 et
et 54.
54. On
On
qui correspond
choisit arbitrairement la matrice de mise

mise jour
jour
E =
a a
1
a _4
1
a a0 a
a a
8- 1nouv
+-1
4
et
E 8- 1 =
a a +4
1
4
1
-4
1
-4
a a a
11
44
11
-4
-4
0a
==
aa aa
11
aa
11
44
11
-4
-4
11
_
a a 1 _4 _4 0a 11 a -4
a 11 _
-4 a
44
a 0a a 1 a 1 a 11
a 11 aa +1+1
-1
-1
la solution qui correspond est: X nouv
XB =
= B
B nouv.
nouv. b
b
nouv = XB
x22
4
alors
alors
X
=
Xnouv
nouv =
44
0a
=
=
88
88 22
88 33
xx44
xx11
et
et XN
XN ==
X
X33
8811
reprsente
reprsente les
les variables
variables
8844
hors -- base.
hors
base.
Itration 3
Itration
3
Les
Les cots
cots rduits
rduits des
des variables
variables hors
hors -- base
base sont
sont donns
donns par:
par:
N
N
1
=CCBB 8=
8- N
N --
eN
eN
45
11
44
,.
~.
avec Cs =
= (4,
a,
_1
1
0,1), B- 1 =
=
44
_1
44
a a
11
44
a _14
11
a
-1 11 a a
a -2 a a
11 a a 11
11
, N=
11 -411
11
11
11
CN =
-1, a, 0)
= (1,
(1,-1,0,0)
On trouve
eN
=
= (1,1,1,1).
On aa min (C) =
= 11 ~ 0, donc la solution optimale est atteinte pour
X
X2
= 44
, X
X4
= 8,
82
= 44
, Xi
= XX3 = 8 4 = 8 3 = a et
Z* = 22
Exemple 2
Max W =
= 4X1 ++ X2 ++ 2X3 +X4
- X2 +
+ 2X3
- X4
::;; 30
2X2 - 3X3
- X4
::;; 25
::;; 8
Xi ~
a ; i =1, ... ,4
Introduisons les variables d'cart Si, i =

= 1, ... ,4 dans les 44 premires contraintes
pour obtenir la forme standard:
ax W = 4X1 + X2 + 2X3 +X4

+
X4 ++ S1
+ 33X
2X1 +
+ X2
- X2 +
+ 2X3
- X4
22X
X22
- X4
3X3
=
= 24
=
= 30
+
+ S2
+
+ S3
=
= 25
+
+ S4 == 8
2X1+ 3X2
xi~0;i=1, ... ,4
Itration a
Base initiale: ~B =
= I(S1,
I(S1' S2, S3, S4) == 1(24, 30, 25, 8)
1
L'inverse de la matrice de base correspondante est B- 1 =
=
d'ordre 4)
11
(matrice identit
46
Les cots rduits correspondants: Cs = (0, 0, 0, 0)

Les variables hors base: X N = (X1, X2, X3 ,X4)
Les cots rduits correspondants CN = (4, 1, 2, 1).
La matrice des coefficients des variables hors base
N=
- 1
- 1
2
- 3
Itration 1
/\
= CS B- 1N - CN =(-4, -1, -2, -1)
CN
Min {-4, -1, -2, -1} = -4 ; donc la solution n'est pas optimale.
X1
doit entrer dans la base.. Son vecteur colonne et la solution du problme sont
respectivement:
2
P1
sI
= 00
~s
s2
s3
=4
25
8
s4
On a min {24/2, 8/2}
24
30
donc X1 remplace S4
D'o la nouvelle matrice
B-1
=o
o
o
0
1
0
0
- 1
1/2
La solution correspondante est:

4
~s
= B- 1bo = B- 1
0
5
8
16
sI
30
= s2S3 = 25
4
xl
Les coefficients correspondants sont: Cs = (0, 0, 0, 4).
Itration 2
Les variables hors bases:
XN = (X2,
X3, X4, S4)
ont pour cots rduits: CN = (1, 2, 1 0)

jj
47
47
et pour matrice coefficient:
N=
A
A
-1
-1
-3
=
-1, 2} =
=-2 correspond X3, donc cette dernire
dernire variable
variable doit
doit entrer
entrer
CN = C S B- 1 N - CN = (5, -2, -1,2)

Min {5, -2,
dans la base.
Le vecteur colonne correspondant X3 est:
a
B- 1 P3
2
3
= B-1
a
2
3
Comme la solution est
(S1, S2, S3, X1)
Min {30/2} = 15 correspond
S2;
= (16,30,25,4), on obtient
obtient
donc
remplace
X3
S2
S2
pour
pour donner
donner la
la nouvelle
nouvelle
matrice
B- 1 =
a
a
a
1/2
3/2
a 0 1 a a
a a a 1 a
1 a a a 1
a 1 a a a
- 1
a
a
1/2
a
a
a
1/2
3/2

4
1
1
~s = B- bo = B-
16
sI
x3
15
s3
70
xl
Les coefficients correspondants sont: Cs = (0, 2, 0, 4).
Itration 3
XN = (X2,
X4, S2,
S2, S4)
S4)
ont pour cots rduits: CN = (1, 1, 0, 0)

N=
a a
1
-1
2.
3
-1
1
0
a a
aa
aa
-- 11
11
aa
aa
aa
1/2
48
=CSs SB- 1 N - CN =(4, -2, 1,2).

Min {4, -2, 1, 2} =-2 :::; 0, correspond
CN
X4;
donc elle doit entrer dans la base
Son vecteur colonne et la matrice solution sont respectivement

3
1P4=B-1
S-1P4=S-1
B-
~.
3
-1/2
{ ~, 75 }
Min {~,
3
~s =
5/2
16
s]
x3
15
s3
70
x]
Xl
=~, donc X4 remplace S1 pour donner la nouvelle matrice

3
2
;:
S-11 =
B-
1/3
- 1
1/6
1/2
- 5/6
3/2
1/2
1/3
- 1/3
1/6
1/2
- 1/6
- 5/6
3/2
5/6
1/2

16/3
x4
~s
x3
53/3
s3
170/3
x1
les cots rduits correspondants Cs = (1, 2, 0, 4)
Itration 4
XN =
(X2, S1, S2, S4)

N=
CN
-1
2
3
0
0
0
1
=CSs SB- 1 N - CN =(8/3, 2/3,

1, 4/3).
2/3,1,4/3).
Min {8/3, 2/3, 1, 4/3} = 2/3
Tous les cots rduits des variables hors base sont positifs; donc la solution
optimale est atteinte avec
X1 =
4,
X2 =
0,
X3
= 53/3
X4 =
16/3 et W'
= 170/3
49
Conclusion
Dans ce chapitre, nous avons prsent la mthode rvise du simplexe

qui est une performation de la mthode usuelle du simplexe. Cette nouvelle
approche manipule des matrices et vite beaucoup de calculs inutiles que fait
la mthode courante
du simplexe. Nous verrons dans le chapitre 4 une
gnralisation de la forme produit de l'inverse prsent~ans ce chapitre.
,
~.
50
CHAPITRE III
METHODE DE DECOMPOSITION
Introduction
La structure particulire de certains problmes linaires de grande
dimension autorise la recherche de solution optimale par dcomposition en de
plus petits sous problmes. La rsolution de ces sous problmes permet par la
suite de dterminer la solution du principal. La dmarche possde l'avantage de
faciliter la rsolution de problme de grande taille. Une telle situation peut
survenir dans une planification centralise de production de biens. Bien que
chaque unit possde ses propres contraintes indpendantes, les diffrentes
activits sont gnralement lies au niveau de la centralisation par des
contraintes budgtaires.
Considrons par exemple, une entreprise comprenant n dpartements
possdant des activits indpendantes.
Ces activits vont dfinir des
contraintes indpendantes. Par contre, comme ces dpartements sont dans la

mme entreprise, ils existent des contraintes de liaison qui dfinissent les
contraintes communes. Ces problmes sont formuls par
t
t
t
maxZ=C X +C X +",+c n
1 1
2 2
Xi;::O
xn
; i=1, ... ,n
Le vecteur variable X est ainsi dcompos en sous variable Xi telles que

lX
= (X1
, X2 ,... , X n )
avec lXi = (X~ ,... , X~i )
o ni est le nombre de variables qui constituent le vecteur variable Xi associe
l'activit i dfinie par les contraintes indpendantes

Di Xi = bi;
i = 1, ... , n
51
51
Sa matrice de contrainte
Di; i
= 1, ... , nn
est de
de format
format (ri,
(ri, ni)
ni) tandis
tandis que
que le
le
est
vecteur constant associe bii est de dimension

dimension riri ce
ce qui
qui implique
implique rr contraintes
contraintes
indpendantes avec r =r1 ++ r2 ++ ...
... ++ rn .
me
Le vecteur Ci reprsente les coefficients de
de la
la fonction
fonction objectif
objectif associe
associe la
la iime
activit. Par contre, les contraintes communes

communes sont
sont dfinies
dfinies dans
dans la
la relation
relation
A 1 X 1 ++ A 2 X2 ++ ...
... ++ An
An X
Xnn :s;:s; bboo
o les matrices Ai sont de format (m, nj) avec
avec bboo un
un vecteur
vecteur de
de dimension
dimension m
m
reprsentant les constantes de contraintes.
Remarque 1.1
Notons que les constantes bj
= 0, 1,1, ...... ,, nn sont

sont positives.
positives. Au
Au besoin
besoin Ilil
suffit d'introduire des variables artificielles pour

pour satisfaire
satisfaire cette
cette hypothse
hypothse non
non
loi d'tre restrictive. A la place de l'ingalit:s;
l'ingalit:s; de
de la
la contrainte,
contrainte, nous
nous pouvons
pouvons
galement avoir une galit. C'est d'ailleurs, souvent
souvent sous
sous cette
cette forme
forme que
que ces
ces
problmes sont prsents dans la littrature.
littrature. Nous
Nous prfrons
prfrons cette
cette nouvelle
nouvelle
,.
prse'ntation que nous justifierons plus tard.

Le problme possde ainsi N
= n1n1
++.... ,,+
+ nn
nn variables
variables et
et m
m ++ rr
contraintes. En tant que problme linaire, il peut

peut videmment
videmment tre
tre rsolu
rsolu par
par la
la
mthode du simplexe. Cependant, il existe
existe une
une technique
technique beaucoup
beaucoup plus
plus
approprie que nous prsentons dans la prochaine
prochaine section.
section.
1 Mthode de dcomposition
Dans cette section, nous prsentons
prsentons les
les techniques
techniques de
de dcomposition
dcomposition
de problme linaire. Le cas idal et simple
simple o
o la
la contrainte
contrainte commune
commune est
est
absente est trait dans la prochaine sous section.
section. C'est
C'est le
le cas
cas d'indpendance
d'indpendance
totale. Ensuite, nous dgageons les principes
principes de
de dcomposition
dcomposition dans
dans le
le cas
cas
gnral. Ceci nous permet de prsenter l'algorithme
la dernire
dernire sous
sous
l'algorithme dans
dans la
section.
1.1 Cas des problmes sans contrainte commune

commune
En l'absence de contraintes communes,
communes, les
les diffrentes
diffrentes activits
activits sont
sont
compltement indpendantes l'une de l'autre.
Le problme
problme se
se dcompose
dcompose en
en nn
l'autre. Le
sous problme SPi; i = 1, .... , n dfinis par
52
maxZ =Ct X.
1
SR
D. X. =b.
1
En les rsolvant indpendamment, on trouve les solutions partielles et

optimales X*j ; i = 1, ... , n et par suite la solution optimale du problme original
soit
X* = (X*1 , X*2 , ... , X\)
Cette situation intervient dans le cas de problmes linaires possdant une

matrice de contrainte
qui est diagonale en blocs. Les matrices
Di
constituent les lments de la diagonale.
Remarque 1.2
Dans le cas d'existence de contrainte commune, si cette solution
indpendante vrifie la contrainte commune, alors elle reste une solution
optimale du problme gnral.
1.2 - Cas gnral

Nous venons ainsi d'observer dans le cas sans contrainte commune le
rle des contraintes indpendantes. Cependant, mme dans le cas gnral, ces
contraintes indpendantes jouent un rle prpondrant. En effet, le principe de
dcomposition est bas sur le fait que les ensembles convexes
6i = {Xi
1 Di Xi = bi ; Xi?
a}
sont tous borns. De toute faon cette hypothse est loin d'tre restrictive. Il
suffit de dterminer pour chaque ensemble 6i une valeur M suffisamment
grande et introduire une contrainte fictive
.
et Xi =
L X~ :::; Mi
k=1
Cette valeur
M
Mi
peut tre dtermine en tenant compte de la contrainte
commune. Dans le cas o cette borne n'existe pas, alors la solution optimale
devient infinie.
Les ensembles convexes 6i ainsi borns possdent un nombre fini Ji
de points extrmes, nots Y ij
= 1, ... , Ji
tels que
53
53
Xi
Xi
E~i <=> Xi
JiJi
JiJi
j=1
j=1
j=1
j=1
avec L l3ij
l3ij =1
=1
= L l3ij Y;j avec
En d'autres termes tout vecteur lment de
~i
~i
~ij ~~ O.
O.
~ij
est
est combinaison
combinaison convexe
convexe des
des
points extrmes Y ij .
Ainsi, si les points extrmes Y ijij de chaque ensemble
ensemble
~i
~i
sont
sont connus
connus alors
alors ilil
est possible d'effectuer le changement de variable

variable associe
associe pour
pour obtenir
obtenir le
le
problme quivalent prsent ci-dessous.
max Z=
nn
JiJi
i=1
i=1
j=1
j=1
LL
Cll3ij Y;j
~
~
J,
LA
131j +.
+. ....+
11 Y1j
1j 131j
j=1
j=1
An
An
Y
Ynjnj I3nj
I3nj :::;
:::; b
boo
j=1
j=1
= 11
P
P
== 11
JJnn
LL
I3nj
I3nj
== 11
j=1
j=1
l3ij ~~ 0 Yi Yj
Yj
Cette forme quivalente appele problme
problme matre
matre (PM)
(PM) possde
possde
comme variable
f3ij .
Sa rsolution permet de dterminer

dterminer la
la solution
solution optimale
optimale
13~ = ~r1'
I3r2
I3r2 ,, ...
... ,, 13iJ;
13iJ;
ii =1,
1, ...
... ,, nn
Ceci implique la solution optimale du problme

problme original
original
JIJI
Xi = L l3ij Yijij
j=1
j=1
;;
ii =1, ...
... ,, nn
Pour rsoudre le problme matre, par la mthode

mthode rvise
rvise du
du simplexe,
simplexe, nous
nous
avons besoin de dterminer les vecteurs entrant
entrant et
et sortant.
sortant. Mais
Mais pour
pour se
se faire
faire Ilil
apparat premire vue que tous les points
points extrmes
extrmes doivent
doivent tre
tre connus
connus
l'avance.
l'avance. Ce
Ce n'est
n'est heureusement
heureusement pas
pas le
le cas.
cas. L'algorithme
L'algorithme de
de dcomposition
dcomposition
reconnat
reconnat que
que seule
seule l'identification
l'identification du
du point
point extrme
extrme associ
associ la
la variable
variable
entrante
entrante est
est ncessaire.
ncessaire. Selon
Selon la
la mthode
mthode rvise
rvise du
du simplexe,
simplexe, la
la solution
solution
courante
courante est
est optimale
optimale si
si pour
pour toute
toute variable
variable hors
hors base
base le
le cot
cot rduit
rduit
54
54
C jkjk
=Cs
11
Yjk
8- Pjkjk -- Cj Yjk
..
est positif. Le vecteur Pjk reprsente le vecteur colonne

colonne de
de contrainte
contrainte associe
associe
la variable
~jk .
Il est dfinit par
a
l
~ jime
jime ligne
ligne
o
a
Si la solution courante n'est pas optimale, la variable
variable
~jk
~jk
ayant
ayant le
le plus
plus petit
petit cot
cot
rduit est slectionne pour entrer dans la base.

base. En
En observant
observant que
que le
le cot
cot
rduit dpend du point extrme
Yjk,
Yjk,
nous pouvons
pouvons considrer
considrer pour
pour tout
tout ii une
une
fonction de cot rduit
a
La rsolution de ces sous problmes Pi fournit
fournit le
le plus
plus petit
petit cot
cot rduit
rduit
W*j pour chaque ensemble 6i . Finalement nous considrons
considrons le
le plus
plus petit
petit cot
cot
rduit global W*
= min
{ W*j } . Par consquent,

consquent, si
si W*
W* <<
la
la variable
variable ~jk
~jk
correspondante est choisi comme variable rentrante.

rentrante. Sinon
Sinon W*:2:
W*:2: a ; la
la solution
solution
optimale est donc atteinte.
Ainsi la recherche du point extrme rendant
rendant minimal
minimal le
le cot
cot rduit
rduit
s'effectue tout d'abord au niveau de chaque ensemble
ensemble 6j
6j .. Le
Le point
point extrme
extrme
correspond la variable de plus cot rduit dans l'ensemble
l'ensemble 6j
6j est
est obtenue
obtenue en
en
rsolvant le sous problme linaire P jj Ceci permet
permet d'viter
d'viter de
de dterminer
dterminer les
les
points extrmes de l'ensemble 6j . Finalement, la comparaison
comparaison de
de ces
ces valeurs
valeurs
fournit
fournit la
la variable
variable sortante
sortante ~jk
~jk de plus cot rduit.
55
Il devient par la suite possible de dterminer numriquement tous les

lments de la variable rentrante, tout comme son coefficient dans la fonction
objectif. La variable sortante est dtermine de faon usuelle en utilisant la
condition de ralisabilit de la mthode rvise du simplexe. A travers les
tapes ci-dessous, nous prsentons l'algorithme de dcomposition.
1.3 - Algorithme
Dans cette sous section, nous prsentons les diffrentes tapes de
l'algorithme de dcomposition.
ALGORITHME DE DECOMPOSITION
Etape 1.
Problme matre
Dterminer le problme matre PM et une solution initiale de base,

Etape 2.
Sous problmes
Pour chaque i dterminer la solution optimale W*i du sous problme Pi

Poser W = min { W*j } .
Si w* :2: 0 , la solution courante est optimale et le processus est termin,
Sinon continuer.
Etape 3.
Variable rentrante
Introduire la variable ~jk correspondant W dans la solution de base.

Etape 4.
Variable sortante
Dterminer la variable sortante et la nouvelle matrice 8- 1

(Utiliser la mthode rvise du simplexe).
Retourner l'tape 2
Remarque 1.3
Si une contrainte d'indpendante
d'ingalit DiX j
::
est initialement sous la forme
bj alors le vecteur variable d'cart soit Si peut tre associe
au point extrme
XJ, = (0,
0, ."
bl I_a variable
f3 iJi
correspondante du
problme matre est une variable de base initiale. En effet, elle n'intervient ni
dans la contrainte commune ni au niveau de la fonction objectif.
2. illustrations
Dans cette section nous prsentons des exemples pour illustrer la mthode.
56
56
Exemple1
Considrons le problme linaire dfini par
Max Z = 3X1 + 5X2 +X4 + Xs
X1 + X2
+ X4
S 40
5X1 + X2 + X3
= 12
X4 + Xs - X6
=5
X4 + 5xs + Xy = 50
Xi ~
0, i =
= 1, .. .7
Ce problme contient une contrainte commune

commune et
et deux
deux contraintes
contraintes
indpendantes. La dcomposition des variables s'effectue
s'effectue de
de la
la manire
manire
suivante:
x1 = (X1, X2, X3)

t
avec les coefficients associs

t
C t1
=(3, 5, 0)
C t2
=(1, 1, 0, 0)
les matrices A1, A2 et constante de la contrainte commune

commune sont
sont
A 1 =(1,1,O)
bbo 40
40
tandis que celles des contraintes indpendantes sont fournies

fournies par
par
0 1 =(5,1,1)
et
02
=[
avec b1=12
1l 1 -1 0
1 5 0 l1
avec
Le problme matre devient:

J,=3
J2=4
J2=4
Max Z = LClf31jY1j + LC~f32N2j

j=1
j=1
3
LAN1jf31j + LA2Y2if32j S 40
j=1
j=1
PM
33
Lj=1
= 1
f31j
33
Lj=1 f31j
= 1
j=1
1)f3">
1)- 0 ,,
\fi, \fj
57
Notons que la variable est une variable d'cart de la contrainte de
l'activit 1. En associant ~13 au point extrme Y13 = (0, 0, 12)" cette variable
devient, d'aprs la remarque prcdente
une variable de base du problme
matre PM. Nous obtenons une base initiale en introduisant la variable d'cart
~o
au niveau de la contrainte commune et en la compltant par une variable
artificielle a3 au niveau de la dernire contrainte. Les diffrentes itrations de

l'algorithme sont prsentes ci-dessous.
Itration 0
Nous avons la solution initiale
~B =
Wo,
~13, a3)t = (40, 1, 1)t;
avec
t
C B = (0, 0, -M) et B = B- 1 =1
Itration 1
~-
Les cots associs au premier sous problme sont:

A1
X1
1
o
,
C1 = (0, 0, -M)
- (3, 5, 0)
o
la contrainte associe est
alors le sous problme est

min W 1 = - 3X1 -5X2
SP 1
5X1 + X2+ X3
= 12
Xi;:::
Xi ~ 0 i = 1,3
la solution optimale de SP 1
est fournie par Y 13 = (0, 12, O)t et
Pour le second sous problme on a
o
1
W*1
= -60
58
58
= (0, O,-M)
C2 =
-(1,10,0
Xs
== -X4
-X4 -- Xs
Xs -- M
M
Le deuxime sous problme est

min W 2 = -X4 -xs-M
SP2
X4 + Xs - X6
=5
X4 + 5xs - X7
= 50
Xi ~
0, i =4,7
la solution optimale associe est
Y 21 = (50, 0,45, 0)1; avec W*2

W*2 = -50-M
-50-M
De ces sous problmes on dduit min {W*1,
W*2}
W*2} = W*2=
W*2= -50-M
-50-M
La variable correspondant Y
Y21 doit rentrer dans
dans la
la base.
base. Pour
Pour dterminer
dterminer la
la
variable qui sort, nous considrons le vecteur colonne
colonne associ
associ
A 2Y 21
P21
50
= a
= aa
ce qui entrane
~o
50
1
B8- P2 1 =
avec ~s =
=
~13
On a min {40/50,
40
==
11
11
1} = 4/5; donc la
la variable
variable sortante
sortante est
est ~o
~o .. La
La nouvelle
nouvelle
matrice
1/50
1
B8- 1
=
=
a
-1/50
a a
1
a
a 11
la solution de base associe est

1
~s = W21, ~13, 3)1 == B1, 1)1 =
8-1(40,
(40,1,1)1
= (4/5,1,1/5)
(4/5,1,1/5)
avec
avec
- [C2Yj2
Cs
a
Cs --M
-M
[50
-_[50
aJ
-M
-M
59
itration 2
Les cots associs au premier sous problme sont de la forme
A 1X 1
1
o
On trouve
La contrainte associe ne changeant pas, alors on a le sous problme

Min
W 11 =
MinW
SP 1
(~-2)x
+ (~-4)X
(~-2)X1+(~-4)X2
50
1
50
2
50
5x1 + X2+ X3
Xi ~
50
=12
0, i = 1, 2, 3
la solution optimale de SP 11 est

Y11
= (0,0, 12) avec W*1 = o.
Pour le deuxime sous problme: on a
o
1
on trouve
Cz
M
M
M
= -50M
x +--x -M
4 50
5
Ce sous problme est formul comme suit:

M ln W 2
SP22
X4
= 50M x 4 + 50M -x 5 -M
+ 5xs - X7
Xi ~
0, i
=50
=4, .. ,7
la solution optimale associe est

Y 22
=(S, 0, 0, 45)t
et W*2
= -19~
De ces deux sous problmes on dduit

. {W*1, W *2} = W *2 = 10
-9M
W * = min
1,
Pour trouver la variable sortante on considre le vecteur colonne associ Y 222 ::
60
60
'{
.'
ii
55
Y 22
A2Y
A2
00
P22
P22
00
11
11
.;:.;:-
~'~'
B- 1 P 22 =
=
44
~2
~2
1/10
avec ~B
~B
55
= ~13
~13 =
9/10
11
11
a3
a3
55
II
~;~;
on a min {40/5 , 10/45}
=10/45 donc
donc la
la variable
variable artificielle
artificielle
a3
a3 sort;
sort;
1
matrice B- est
t
)
~.
0 _1
_1
50
0 1 00
__
1
0 11
50 0
B- 1 =
=0
0
10
9
00
00
_1
_1
00
-5
-5
45
45
00
11
00
45
45
==
-1
-=l
45
45
50
00 50
45
45
la solution de base associe est
~B =
= W21, ~13. ~3)t
avec
avec
C22YY 2121
CB
= C11YY 13
B =
13
C22Y22
Y22
= B-\40,
B-\40, 1,
1, 1)t
1)t =(
=(7/9
7/9
1
1
1,
1, 2/9)
2/9)
50
=
=
00
55
Itration 3
Itration
3
Les cots
Les
cots associs
associs au
au premier
premier sous
sous problme
problme sont
sont de
de la
la forme
forme
11
On trouve
On
trouve
,,
C1
C1
=
= -2X1
-2X1 -4X2.
-4X2.
la
la nouvelle
nouvelle
61
Comme la contrainte associe ne change pas, la solution optimale du premier

sous problme est
Y11
= (0,12,0)\
(0,12,0)1
avec
=- 48
W'1
Pour le second sous problme:
o
1
On trouve Cz = o.
La solution optimale associe ce problme est
Y22
= (5, 0, 0, 45/
avec
De ces deux sous problmes, nous dduisons
W'2
=O.o.
= min{
W'1 , W'2}
W'1
=-48.
La variable correspondant Y 11 doit entrer dans la base. Pour dterminer la

variable sortante, nous considrons le vecteur colonne associ
A 1Y 11
P 11 =
12
4
15
8- 1 P11 =
7/
~21
avec ~B =
4
15
~13
1
2/9
~22
La variable artificielle ~13 sort et la nouvelle matrice 8- 1 devient
1
8- 1 =
-4/5
o0 o0
o 4/15
1/45
-5/4
o0 1
1 0
o
-1/45
La solution de base associe est
50/40
1/45 -12/45
1145
o
-1/45
1
12/45
-5/45
o
50/45
62
62
~21
~s =
23/45
S-1
~11 =
~22
=
=
1
22/45
r."
t~
avec
50
C2 Y 22
Cs
C1Y
C1 Y 11
60
5
C2 Y 23
Je
;;:
Itration 4
Les sous problmes SP1 et SP 2 fournissent respectivement
=0 et vl 22 =48.
W*1
La solution est donc optimale; ce qui implique par substitution

..
......
X 1 = (x 1, X 2, X3)
x 3) = ~11Y11
~11 Y11 = (0,12,0)
(0, 12, 0) et
*
-.J.
11......
tt
X 1 = (x 4, X 5, X 6, X 7) = ~22Y22 +~23Y23 = (28,

0,23,22)
(28,0,23,22)
Toutes les autres variables sont nulles. Le cot optimal est Z*
=88
88
Exemple 2 : le problme du sac dos, ou de la cargaison optimale

optimale
Un individu qui doit partir en voyage dispose d'un sac qui

qui peut
peut contenir
contenir
diffrents objet parmi 1,
valeurs respectives V1,
,n, de masses respectives P1, ... , Pn (kilos)

(kilos) et
et de
de
, Vn
(francs). Ses forces l'empchent de

de soulever
soulever plus
plus
dont la
la somme
somme des
des
de b kilos et il souhaite emporter un ensemble d'objet dont
valeurs soit aussi grande que possible, compte tenu de la limitation
b.
limitation de
de masse
masse b.
Il Y a
diffrentes faons d'aborder ce problme: programmation

programmation en
en
variables entires, programmation dynamique, approche ensembliste

ensembliste ...
...
dos o
o les
les objets
objets
L'exemple suivant, constitue un problme de sac dos
(inconnues)
Xi
Xi
peuvent prendre des valeurs quelconques positives

positives dans
dans
l'ensemble des nombres rels.
63
Max Z
= 5X1 -
X2 - X3 + 3X4 + Xs
X5
2X1 + X2 + 3X3 + X4 + 4xs

4X5 ~ 20
X4
Xs
X5
~
~
~
~
~
~
~
~
~
~
Xi ~ 0, i =1, ... ,5
Introduisons les variables d'cart S1, S2, S3, S4 et Ss

S5 dans les cinq
dernires contraintes qui reprsentent les contraintes indpendantes.
ii
Les points extrmes de ~1 = { X1 = (X1, S1)1 / X1 + S1 = 3 }} sont

Y11 = (3 , O)t
0)1 et Y
Y12 = (D, 3)t,
3)1,
O)t
ceux de ,12 = {X2 = (X2, S2)1
S2)1// X2 + S2 = 2 }} sont: Y
Y21 =
= (2 ,,D)t
et Y22 = (0 ,2)1
0)1
ceux de ,13 = { X
X3 = (X3, sd / X3 + S3 = 3}
3} sont: Y
Y31 =
= (3 ,,0)1
et Y32 = (D, 3)1
ceux de ,14 = {X4 = (X4, S4)1/ X4 + S4 = 2}
sont: Y41 =
= (2, 0)1
. ceux de ,15 = { X5 = (X5, S5)!/ X5 + S5 = 1}
sont: Y
YS1
= (1, 0)1
D)!
51 =
=(0,2)1
(D, 2)!
et Y S2
52 =(0, 1)1
et Y 42
Le problme matre associ ce problme est
Max Z
= L:
Cil
Ci!
r3 ii11 Yi1
i=1
~k1 + ~k2
=1,k=1, ... ,5
64
64
O
C1
=1(5, a),
C2
=1(_1, 0),
C3
=1(_1, a),
C4
1(3, 0)
0) et
et Cs
Cs = 1(1,
1(1, 0)
0) sont
sont les
les
=1(3,
matrices des cots rduits;
t
'.
A1
= (2, 0)
A2
=(1, 0)
A3
=(3, 0)
A4
=(1, 0)
As
As
=(4,
(4, 0)
0)
et
et
bboo
20
20 sont
sont
les matrices des contraintes.
Itration 0
Introduisons la variable d'cart 1 dans la premire
premire contrainte
contrainte et
et prenons
prenons
comme base initiale (1, ~12, ~22, ~32, ~42,
~42, ~S2
~S2 ). La
La solution
solution correspondante
correspondante est
est
~B
=I(1, [312,
~12, ~22, ~32,
~42,
[342, ~S2 ) =1(20, 1, 1, 1, 1, 1)
L'inverse de la matrice de la base courante B
=1 (matrice
(matrice identit
identit d'ordre
d'ordre 6)
6)
Itration 1 :
- Recherche des sous problmes
Le premier sous problme est:
=-5X1
X1 + S1 =3
SP1{ Min w
la solution optimale est:

(X1, S1)
=Y11 :::
(3, 0) et W1
W1
=-15
-15
Le deuxime sous problme:
=+X2
lX2
LX2 + S2 =2
SP2 fMin w

(X2, S2)
Le troisime sous problme:

SP3 fMin w
W
= X3
~3 + S3 =
=3
Le quatrime sous problme:

SP
w::: - 3X4
SP 4 fMin
fMinw=-3X4
lX4
lX4 +
+ S4
S4 =
=22
=Y22 =(a, 2)
2 ) etw2:::
et W2 = a
65
65
,
f
~,
~-.-

(X4,
S4)
= Y4 , =
= (2, a ) et W4
W4 =
= -6
=
Le cinquime sous problme:
pJ
1
=-
Min w = - Xs
Xs + Ss
(.
=1
(Xs, Ss) = Ys,
Ws = -1
-1
= (1, a ) et Ws
Recherche de la variable qui doit entrer dans la base:

base:
On a Min
{Wi ,
i =
= 1, ... ,5} =
= -15 =
= w, ; donc la variable
variable qui
qui doit
doit entrer
entrer dans
dans la
la
base est ~". Le vecteur colonne P"
=1(6,
t(6, 1, 0, a, 0,
0, 0)
0)
20
11
11
a
= a
~B =
11
a
11
11
a
On a min {20/6, 1} = 1 ; donc la variable sortante est ~'2.
~'2.
S-'P"
B-'P"
.,.,.,
~
~
La matrice de mise jour E vaut
E =
=
-6 0 0 0 0
0
0
0
0
0
0
0
0
0
0 0 0
1 0 0 0
0 1 0 0
0 0 1 0
0 0 0
L'inverse de la matrice de base courante est
B;;;uv == ES-'
EB-' =
= E.
E.
La nouvelle solution est
= =
=
~B = I(a"
t(a" ~", ~22, ~32, ~42, ~S2) = (14,1,1,1,1,1).
(14,1,1,1,1,1).
La matrice des coefficients de base est C =
= 1(0,
t(O, 15,
15, 0,
0, 0,
0, 0,
0, 0).
0).
~B = S-'b
B-'b = S-'\
B-,t( 20,1,1,1,1,1) = (14,1,1,1,1,1)
(14,1,1,1,1,1)
B
B
Itration 2
Recl1erche
Recherche des sous problmes:
66
Les cots rduits associs au premier sous problme sont:
2X1
1
/1
/1
C
C1 = (D,
(0, 15, D,
0, 0, D,
0, 0)
o
o
o
o
On a le premier sous problme:

Min W
W =15 - 5X1
SP1
{ X1 + S1 = 3
La solution est (X1

(X1
tt
S1)
S1)
=Y11
Y11 =(3, 0)
et l'optimum W
W 11 00
Les cots rduits associs au second sous problme sont:
X2
o
/1
/1
C
D, 0, 0)
C22 = (0, 15,0,
15,0,0,0,0)
o
o
o
On aa alors le sous
sous problme:
problme:
67
67
Min W = X2
SP 2
X2
=2
+ S2 =
La solution est
(X2 , S2)
=Y22 =(0, 2)
W2
et l'optimum W2
=00
et l'optimum
l'optimum W
W 33
=00
Pour le troisime sous problme:
3x3
1\
C3
= (0, 15, 0, 0, 0, 0)
o
o
1
o
o
On a alors le sous problme:
Min W =
=X3
SP 3
X3
+ S3
La solution est
=3
(X3
11
S3)
=Y 32 =(0, 3)

x4
,-,.
1\
C4
= (0, 15, 0, 0, 0, 0)
o
o
o
1
o
=-3X4
X4 + S4 =2
Min W
SP 4
La solution est
(X4, S4)
=Y 41 =(2, 0) et l'optimum WW 33 =-6-6
4xs
1\
1\
Cs
= (0, 15, 0, 0, 0, 0)
o
o
o
o
1
68
68
=-X5
X5 + S5 =
=1
Min W
{
SP5
=Y51 = (1, 0)
On a min { W4, W5} =-6 =W4
La solution est
(X5 , S5)
La variable qui doit entrer est
l'optimum W5
W5 =-1
-1
et l'optimum
~41.
~41.
Le vecteur colonne associ est P41

41
P41
o
o
=
= o
1
o
On a
14
1
0
0
0
1
8- P 41
~B
1
1
1
1
Min {14/2, 1} =
~42; donc
donc cette
cette dernire
dernire sort
sort de
de la
la base.
base.
= 1 correspond ~42;
Le nouvel inverse de la matrice de la base
base courante
courante est
est
8- 11nouv
nouv
8- 11nouv
8nouv
--
--
0
0
0
0
11
-- 66
00
00
00
00
00
- 1
11
00
00
00
00
00
00
00
00
00
00
11
00
00
00
00
00
00
00
11
00
00
1
1
00
00
00
00
00
11
00
00
11
00
00
00
00
00
11
1
1
0
0
0
0
1
1
0
0
0
0
0
0
0
0
1
1
0
0
0
0
0
0
0
0
0
0
0
0
1
1
-- 66
0
0
00
-- 11
00
0
0
1
1
0
0
00
00
00
0
0
0
0
1
1
00
00
00
0
0
0
0
0
0
11
00
00
0
0
0
0
0
0
00
11
00
0
0
0
0
0
0
00
00
11
La solution
solution de
La
de base
base correspondante
correspondante est
est
69
69
1
1311
~B =
1322
1332
1341
1352
-6
a
a
a
a
a
a a -1
a a a
1 a a
a 1 a
a a 1
a a a
a
a
a
a
a
a
a
a
a
20
13
11
11
11
1
1
11
11
La matrice des coefficients des variables de base est:

Cs = t(O, 15, 0, 0, 6, 0).
Itration 3
Pour le premier sous problme: les cots rduits associs
associs sont:
sont:
2X1
1
1\
1\
C1
= (0, 15, 0, 0, 6, 0) a
a
a
a

Min W =15 - 5X1
SP 1
=3
{ X1 + S1 =
La solution est (X1 : S1) = Y11 =

=(3, 0) et l'optimum W
W 11 ==a
a
sont:
70
70
,
\1
r.
/1
X2
o
/1
C2 =
= (0, 15, 0, 0, 6, 0)
o
o
o
=X2
X2 + S2 =2
Min W
SP2
La solution est (X2 , S2) = Y22 = (0, 2) et l'optimum W 22 = 0

3X3
/1
"
F
C3
= (0, 15,0,0,6,0)
o
o
1
o
o
=X3
X3 + S3 =3
Min W
SP 3
La solution est (X3 , S3) = Y32 = (0, 3) et l'optimum W 33 = 0

x4
/1
/1
C4
= (0,
15, 0, 0, 6, 0)
o
o
o
1
71
71
Min W =
=6 - 3X4
SP4
X4 + S4 = 2
La solution est (X4, S4) = y 41 = (2, 0) et l'optimum W3 = 0

4xs
Cs
= (0,
o
o
15, 0, 0, 6, 0)
-XS
=-Xs
o
1
=-Xs
Xs + Ss = 1
Min W
SPs
La solution est (xs , ss)

On a min {Wi}
=YS1 =
= (1,0)
et l'optimum Ws
=-1
=Ws =-1.
La variable qui doit entrer est ~S1.

Le vecteur colonne associ est PS1
PS1
o
o
=
= o
o
1
Ona
4
0
8- 1 PS1
0
0
1
0
Min {13/2, 1}
13
1
~B
1
1
1
1
= 1 correspond
~S2;
donc cette dernire sort de

de la
la base.
base.
Le nouvel inverse de la matrice de la base courante est
72
S-l nouv -
- 4
- 6
- 1l
1l
1l
0
a
0
a
0
a
S-l nouv
- 6
- 1
- 4
0
a
0
a
La solution de base correspondante est
Q1
~B
1311
1322
1332
1341
1351
-6
a
0
a
0
a
0
a
0
a
0
a
0
a
0
a
0
a
0
a
0 a
0
a
0 a
0
1 a
0
a
0 1
a
0 a
0
a
0 a
0
20
a
0
a
0
a
0
a
0
a
0
-1
a
0
a
0
a
0
1
1
1
1
La matrice des coefficients des variables de base est:
Cs = 1(0, 15, a,
0, a,
0, 6, 1).
Itration 4
Pour le premier sous problme: les cots rduits associs sont:
A1 X1
1
fi
C1 = CI SS- 11
0a
0a
0a
0a
C1Xl
-C
1Xl
73
73
2X1
a
a
a
a
C 1 = (0, 15,
a, a,
6, 1)
Min W =15 - 5X1

SP 1
{ X1 + S1 = 3
La solution est (X1 , S1) = Y11 = (3, 0) et l'optimum W1 = a
X2
a
A
A
(a, 15, 0, 0, 6, 1)
C2 = (0,
a
a
Min W = X2
SP2
{{
X2 + S2 = 2
2
52) = Y22 = (a, 2) et l'optimum W2 = O.

La solution est (X2 , S2)
Pour le
le troisime
troisime sous
sous problme:
problme:
Pour
74
3X3
C3
= (0,
o
o
15, 0, 0, 6, 1)
o
=X3
X3 + S3 = 3
Min W
SP3
La solution est (X3 , S3)
=Y32 = (0, 3)
et l'optimum W3
=O.

x4
"
C4
o
o
o
= (0, 15, 0, 0, 6, 1)
o
Min W
SP4
{ X4 + S4
=6 - 3X4
=2
La solution est (X4, S4)
=y 41 = (2, 0) et l'optimum W 3 =0

4xs
"
Cs
= (0, 15, 0, 0, 6, 1)
o
o
o
o
-X5 = -X5
1
Min W
SP 5
X5
= 1-X5
+ S5 = 1
La solution est (X5 , S5) =

=y 51 == (1, 0) et l'optimum W 5 ==0
75
On a min { Wi} = 0 donc la solution optimale est atteinte.
X," = Y" = 1(3 , 0) , X2" = Y 22 = 1(0 ,2), X3 " = Y 3 2 = 1(0 , 3), X4* = Y41 = 1(2 0)
1
Xs" = Ys, = 1(1 , 0) et l'optimum du problme est W* = 22

Remarque 2.1 :
L'optimum d'un sous problme li a une variable qui vient s'entrer dans
la base une itration donne vaut zro l'itration suivante.
Remarque 2.2:
On aurait puis rduire le nombre d'itrations effectues

exemple en faisant enter simultanment les variables
dans le deuxime
~11 ~41 ~S1
dans la base.
Dans le chapitre suivant, nous allons fournir une gnralisation de la forme

produit afin de faire entrer simultanment plusieurs variables dans la base.
Conclusion
Dans ce chapitre, nous avons prsent la mthode dcomposition des

problmes linaires de grandes tailles. C'est un procd assez simple qui
permet de trouver la solution d'un problme global partir de la rsolution de
sous problmes extraits de celui-ci.
76
76
CHAPITRE IV:
GENERALISATION DE LA FORME PRODUIT

Introduction
chapitre prcdent
prcdent fait
fait
La mthode dcomposition expose dans le chapitre
Cependant dans
dans certains
certains
rentrer successivement une variable de base la fois. Cependant
~..
cas, la rentre d'une variable dans la base ne modifie

modifie pas
pas la
la structure
structure de
de la
la
colonne o se trouve une autre variable hors base pouvant
pouvant rentrer
rentrer dans
dans la
la base.
base.
Ces deux variables peuvent, donc rentrer simultanment
la base
base
simultanment dans
dans la
1. Variables de rentres totalement indpendantes

Dans ce paragraphe, nous allons dfinir les
les notions
notions de
de coefficient
coefficient
qualifi au pivot, d'une variable libre par rapport une
une ligne,
ligne,
et
et de
de deux
deux
variables de rentres totalement indpendantes. Par la suite,

suite, nous
nous prsentons
prsentons
la manire de dterminer l'inverse 8- 1 de la matrice de la
la base
base courante
courante sans
sans
avoir inverser ou bien effectuer des produits de matrices.
matrices. Ceci
Ceci constitue
constitue une
une
gnralisation de la forme produit
Considrons le PL suivant:
n
Max Z
= LCjXi
i=1
L aijx
aijx j
+ si == b jj
j=1
i = 1, ... , m
Toutes les dfinitions suivantes sont considres par rapport

rapport ce
ce problme.
problme.
Dfinition 1.1
Etant donne une variable x p de vecteur colonne
colonne Px
Px
pp
== (a1p,
(a1p, a2p,
a2p, ...
... ,,
a mp ) ; on dira que le coefficient aiop (i o E m) est qualifi au

au pivot
pivot l'itration
l'itration tata si
si
quelque soit l'itration t < ta, aiop > 0 et sa valeur reste inchange
inchange par
par rapport
rapport
celle qu'il avait initialement.
77
77
Dfinition 1.2
Soit xp un vecteur de colonne associ Px
pp
= (alp, a2p,
on appelle pseudo inverse de Px ' le vecteur dfini par p
... ,, aamp
... ,a sp , ...
mp),),
(-alp, -a2p,
-a2p,
= _1_
(-alp,
a
sp
pp
... ,-as-l,p, 1, -a s+l,p, ... , -a mp ), o a sp est le pivot l'itration considre.
Dfinition 1.3
Deux variables hors base xp et xq sont dites de rentres totalement
totalement
colonnes
indpendantes une itration ta si cette itration leurs vecteurs colonnes
respectifs associs Px p
aip
=(alp,
(al p,
a2p, ... , amp ) et Px qq
=(alq, a2q, ... , amq )
vrifient:
vrifient:
a => aiq =O.
De tels vecteurs se prsentent sous la forme
a
a
a
Px
=
a
a
ai+k,p
o
Remarque 1.1:
Si deux variables hors base xp et xq de vecteurs colonnes respectifs
respectifs
Px ,et Px sont de rentres totalement indpendantes alors Px ,et Px sont

sont
p
p
q
q
pp
qq
orthogonaux. Rciproquement, si Px pp ,et Px qq sont orthogonaux alors xxpp et

et xxqq
sont de rentres totalement indpendantes.
Proposition 1.1
Soient xp et xq
respectifs Px pp , et
Px
qq
deux variables hors base de vecteurs colonnes

colonnes
de rentres totalement indpendantes et
et ayant
ayant
respectivement comme qualifi au pivot aiop et ajoq (io ~ jo)
l'itration
l'itration ta;
ta;
alors pour toute itration t < ta, ne peut entrer dans la base la ligne io qu'une
qu'une
variable de rentre totalement indpendante xq. De mme ne peut
peut rentrer
rentrer
78
dans la base la ligne jo qu'une variable de rentre totalement indpendante
Xp .
Preuve.
Xp
et
xq
sont
de
rentres
totalement
indpendantes
respectivement comme qualifi au pivot aiop et a joq (i o

donc on a : aiop> 0 et aioq
=0
i:-
de mme a joq > 0 et a joP
jo)
et
ont
l'itration to
= O.
Supposons qu' une itration t < to, une variable hors base
Xh
de rentre non
totalement indpendante x q entre dans la base la ligne io. Notons ai h le

o
pivot de
que
Xh.
Puisque
Xh
est de rentre non indpendante x q donc il existe so tel
as oq et as 0 h soient diffrents de zro. L'opration de pivotage qui suit
l'entre de
Xh
fait quea s p =
o
-~as
a. h
a.1 h
h. On a ainsi as p i:- 0 et as q i:- 0 ce qui

0
est contradictoire avec le fait que x p et x q sont de rentres totalement

indpendantes.
Le mme raisonnement peut tre adopter pour montrer que seules les variables
de rentres totalement indpendantes x p rentrent dans la base au niveau de
la ligne jo.
Dfinition 1.4
Une variable xp de vecteur colonne Px p
(a1p,
=(a1
p, a2p,
... , a mp ) est dite libre
la ligne io (io E{1 ,... , m) si ai oP = 0 .
2. Gnralisation de la forme produit

Proposition 2.1
Deux variables xp et x q de vecteurs colonnes respectifs Px p ,et Px q de
rentres totalement indpendantes et ayant respectivement comme qualifis au
pivot aiop et a joq l'itration to peuvent entrer simultanment dans la base.
Si de plus, pour toute itration t < to, les variables des diffrentes bases sont
libres la ligne io (resp. jo) (sauf videmment la variable de base
si (resp.
o
Sj ) alors l'inverse de la matrice de base courante B - 1 rsultant est obtenue en

o
t0
79
79
t
respectivement par
par les
les pseudo
pseudo
remplaant les colonnes numro io et jo de B 1__ respectivement
too
inverses de Px p et de Px qq .
Preuve.
a2q, ...
... ,, aamq
les vecteurs
vecteurs
Notons Px pp ::: (a1p, a2p, ... amp ) et Px qq ::: (a1q, a2q,
mq)) les
11
Supposons que
que xxpp rentre
rentre dans
dans la
la
colonnes respectivement associs x p et xq. Supposons
base avec comme pivot aiop. Comme xp et xq sont de
de rentres
rentres totalement
totalement
indpendantes, la structure de leurs vecteurs colonnes
colonnes fait
fait que
que l'opration
l'opration de
de
pivotage qui suit l'entre de x p ne modifie en rien le vecteur
vecteur colonne
colonne de
de xxqq qui
qui
peut, son tour entrer dans la base. Ds lors on pouvait
pouvait
faire
faire entrer
entrer
simultanment xp et xq dans la base.

Si on fait entrer x p en premier dans la base, l'itration
l'itration to,
to, alors
alors
l'inverse de la matrice de la base courante vaut B 11:::::: Et
Et B
B-1_
-1_ o
o Et
Et est
est la
la
tt00 11
aa
00
00
matrice de mise jour et B 1_ est la valeur de l'inverse de

de la
la matrice
matrice de
de la
la base
base
1
courante l'itration to -1.

xp entre dans la base la place de la variable si o la ligne
ligne io,
io, le
le vecteur
vecteur de
de mise
mise
o
jour Et o vaut:
o
colonne io
a 11pp
a iDiD P
o
o
2p
iD
iD
=
E t0 =
a iDiD P
a .1010 + 1,p
iD
iD
11
0
00
0
a
a
m, p
iD
iD
11
80
On peut crire Et
o
= 1+ F o 1est la matrice identit d'ordre m et F vaut
1p
a
a
i 00 P
2p
i0 P
- 1
i0 P
a 1.
0
a
+ 1,p
i0 P
m, p
i0 P
Cherchons le produit F B-1

B;-1_
t o -11
Par dfinition, B~1_1
=E1E2 ...
Eto - 1
Les variables des diffrentes bases tant libres la ligne io, donc les
coefficients aioj (j
= 1, ... , m) des lignes numro io des matrices Et (t < to) valent
tous zro sauf les coefficients ai oi0 .

o0
Par ailleurs x p et xq tant de rentres
totalement indpendantes donc il n' ya que les hors base variables de rentres
totalement indpendantes xq qui entrent dans la base la ligne io. Supposons
que xp soit la premire entrer dans la base au niveau de cette ligne io ; alors
les vecteurs colonnes numros io des matrices Et (t < to) valent tous t(O, ... , 0,
1,0, ... ,0). Le chiffre 1 est la io me position. Par consquent les matrices Et
pour t < to s'crivent sous la forme
81
81
oa
Et
e~1 -1,1
1
t
e.1 - l'
l' 1
0 ,1 00 --
et
t
l,1' + 1
e.110+ l'
0
a0
io+ 1,1
0a
t
e m ,1
b ~-1
110 -1,1
b ~ -1
b t-1
b ~ -1
a0
i o + 1,1
b t-1
m,1
et le produit
Par consquent
On trouve
t
l,1,1' + 1
e.110+ l'
0
0
10 -1,10- 1
1
0a
10 -1,10+ 1
oa
0a
et
io+Lm
io+Lm
b t-1
1, i+ 1
b ~ -1
-1,1 0 +11
110 -1,10+
0a
0a
e~1
1 -1, m
t
em,m
oa
oa
B-1 =
t o -1
110 -1,10+ 1
0a
0a
e.t
b ~ -1
110 +1,10
+1
b ~-1
110 -1, m
m
0a
bb ~-1
'0 +l,m
+I,m
bb t-1
m,m
82
82
b t-~
1,1 0-1
b 1-1
11
a 11
---
a iop
a12
---
1-1
bb 1-1
1,i+1
1,i+1
11
bb 1m
1m
bb ~-1
~-1 ..
110
-1,100+1
+1
0-1,1
bb ~-1
~-1
110
-1, m
m
0-1,
b 1-1
1-1
10+1,i
10+1,ioo+1
+1
bb 1-1
1-1
iioo+1
+1 m
m
a iop
8- 1 =
10
b ~-1 .
110-1,1 0-1
b ~-1
10-1,1
b ~-1 .
11 -1,1 0+1
0
b 1-1
io+1,1
1
a'0+ 1,p
a iop
aa
aa
bb 1-1
1-1
m,m
m,m
b 1-1
m,1
Nous constatons que
8io1 n'est
diffrent de sa valeur
valeur prcdente
prcdente
8i11_1_1 que
que par
par
00
la io me colonne. En effet il suffit de remplacer la iio me

me colonne
colonne de
de
8i11_1_1 par
par le
le
o
o
vecteur
a mp
- - ' - , )) qui
qui n'est
n'est autre
autre que
que le
le pseudo
pseudo
aiop
inverse de Px p .
p
Concernant la variable
xqq :: elle prsente les mmes

mmes caractristiques
caractristiques que
que le
le
vecteur xp possdait avant d'entrer dans la base;

base; donc
donc en
en appliquant
appliquant un
un
raisonnement similaire, on peut la faire entrer dans
dans la
la base
base la
la place
place de
de la
la
variable de base la ligne numro jo.
La nouvelle matrice 8~~1 est alors obtenu en remplacer
remplacer la
la colonne
colonne numro
numro jojo
de Px q .
q
Finalement, les deux vecteurs xpp et x qq peuvent
peuvent entrer
entrer ensemble
ensemble dans
dans la
la
j'itration ta, et l'inverse de la matrice de base
base l'itration
base courante
courante
8io11est
est obtenu
obtenu
o
partir de sa prcdente en remplaant les vecteurs

vecteurs colonnes
colonnes numro
numro iioo et
et jojo par
par
respectivement par les pseudo inverses des vecteurs
vecteurs Px pp et
et Px
Pxqq ..
83
83
Remarque 2.1
de deux
deux variables
variables
Cette entre simultane de
peut tre
tre largie
largie un
un
peut
nombre plus important de variables:

variables: c'est
c'est ce
ce que
que nous
nous allons
allons faire
faire dans
dans la
la
proposition suivante. Au paravent, nous
nous allons
allons dfinir
dfinir la
la notion
notion de
de kk variables
variables
hors base de rentres totalement indpendantes.
indpendantes.
Dfinition 2.1
dites de
de rentres
rentres totalement
totalement indpendantes
indpendantes
k variables hors base sont dites
si elles sont deux deux de rentres
rentres totalement
totalement indpendantes.
indpendantes.
En d'autres termes si nous notons
notons X
XSS+1,
+1, X
XSS+2,
+2, ...
... ,Xs+k
,Xs+k ces
ces variables
variables et
et
:: {Px 5+1 ,Px 5+2
1
1"
"'',
,
Px
s+k
s+k
} l'ensemble
l'ensemble de
de leurs
leurs vecteurs
vecteurs colonnes
colonnes respectifs
respectifs
associs cette dfinition quivaut dire:

dire:
V Pxp =
= (a1p, a2p, ... , a mp )
E
E
, si aip
aip -:je.-:je. 00 alors
alors V
V Px
Pxhh
EE
\
\ {Px
{PxPP },}, aip
aip ==O.
O.
Remarque 2.2
XS +1, XS +2, ... ,Xs+k sont de rentres totalement
indpendantes quivaut
quivaut dire
dire que
que
leurs vecteurs colonnes respectifs sont
sont deux
deux deux
deux orthogonaux.
orthogonaux.
Proposition 2.2
k variables hors base, X
XSS+1,
+1, X
XSS+2,
+2, ...
... ,Xs+k
,Xs+k
respectifs Px 5+1 ,Px 5+2 ,... , Px s+k
5+1
5+2
s+k
de
de vecteurs
vecteurs colonnes
colonnes
de rentres
rentres totalement
indpendantes ayant
ayant
comme qualifis au pivot respectifs

respectifs ai
ail' 5+1
5+1 ai
ai2' 5+2,
5+2, ...
... ,, ai
aik ' 5+2
5+2 l'itration
l'itration tata
l'
2'
k'
peuvent rentrer simultanment dans la

la base.
base.
Si de plus, pour toute itration
itration tt << tOI
tOI les
les variables
variables de
de chaque
chaque base
base sont
sont
libres aux lignes i1, i2 ,... ,ik, sauf respectivement

respectivement les
les variables
variables de
de base
base SiSi1
1
SiSi
2
... ,, Si
Si k ''
...
k
alors
alors l'inverse
l'inverse de
de la
la
1
matrice
matrice de
de base
base courante
courante 88 1 rsultant
rsultant est
est
obtenue
obtenue
en
en
colonnes
colonnes
remplaant
remplaant
les
les
oo
numros
numros
11,
11,
1212 ,...
,... ,, et
et
IkIk de
de
respectivement par
+ ' Px s+2 1'" ,et Px s+k
8 11__ 1 respectivement
8
par les
les pseudo
pseudo inverses
inverses de
de P
PXS
+ ' Px s+2 , ,et Px s+k
XS 11
t0
1
t0
Preuve.
Preuve.
La
La dmonstration
dmonstration est
est trs
trs simple.
simple. En
En partant
partant de
de la
la dfinition
dfinition 2.1
2.1 de
de lala
notion d'un
notion
d'un groupe
groupe de
de variables
variables hors
hors base
base de
de rentrs
rentrs totalement
totalement indpendantes,
indpendantes,
nous constatons
constatons que
nous
que chaque
chaque variable
variable hors
hors base
base Xs+t
Xs+t (t(t
==1,1,...... ,, k)k) possde

possde la
la
particularit de
particularit
de pouvoir
pouvoir entrer
entrer dans
dans la
la base
base sans
sans modifier
modifier les
les vecteurs
vecteurs colonnes
colonnes
des autres
autres variables
des
variables restantes;
restantes; ainsi
ainsi toutes
toutes ces
ces kk variables
variables peuvent
peuvent entrer
entrer sans
sans
84
que l'entre de l'une d'elles ne perturbe celle d'une autre. Par consquent
ces variables peuvent entrer simultanment dans la base.
Pour dterminer la matrice 8 1 rsultant,
il suffit d'appliquer le mme
raisonnement que celui utilis pour dmontrer la proposition 2.1.
3. Variables de rentres croises

Il est certain que dans un problme de programmation toutes les
variables ne sont pas de rentres totalement indpendantes, il serait donc
intressant d'tudier la possibilit de faire rentrer simultanment dans la base
d'autres types de variables. Ainsi dans ce paragraphe, nous allons introduire les
notions de variables de rentres croises.
Dans les dfinitions suivantes, nous utilisons la notion de deux ou de
plusieurs pivots lors d'une itration. Ces pivots dpendent tout simplement de
la variable que l'on choisit de faire entrer dans la base (qui n'est pas forcment
celle qui le plus petit cot rduit). Cette notion ne sous entend pas qu'il ya eu
un problme de choix entre plusieurs variables candidates l'entre dans la
base ayant les mmes cots rduits ngatifs.
Dfinition 3.1
Deux variables xp et x q de vecteurs colonnes respectifs
Pxp
=(a1p,
a2p, ... , amp ) et Px q
=(a1q, a2q,
.. , amq ) sont de rentres croises

1
l'itration to
ta si cette itration elles sont libres respectivement aux lignes jo
ja et io
ia
telles que io
ja et que les coefficients aiop et ajoq se prsentent comme pivots
a ":t jo
respectifs de xp de xq cette l'itration.
ta si
En d'autres termes, xp et xq sont de rentres croises l'itration to
cette itration le pivot de xp se trouve sur une ligne o x q est libre et le pivot
de xq se trouve sur une ligne o xp est libre.
Les vecteurs colonnes Px et Px s'crivent:
p
85
85
Px p
aiop
Px qq
0a
0
a1100 + 11,q
aa joq
aJo+1 ,p
Proposition 3.1
Si x p et x q sont de rentres croises l'itration
l'itration to,
to, de
de pivot
pivot respectifs
respectifs
aiop et ajoq, alors pour toute itration t < to, n'entre dans
dans la
la base
base la
la ligne
ligne ioio
qu'une variable de rentre croise avec xxqq.. De mme, ne
ne peut
peut entrer
entrer dans
dans la
la
base la ligne jo qu'une variable de rentre croise avec
avec xxpp..
Preuve.
La preuve est vidente. Supposons qu'une variable
variable
croise avec x q entre dans la base la ligne io. Puisque
Puisque
Xh
Xh
Xh
Xh
de
de rentre
rentre non
non
est
est de
de rentre
rentre non
non
croise avec x q de pivot a

joq , alors son coefficient
ajoq
coefficient
L'opration de pivotage qui suit l'entre de
Xh
Xh
la ligne
ligne ioo dans
la base
base fait
fait que
que
dans la
ai p
aJ' q =
-- -o-aJ' h Donc a J'oq 7:- 0
=
a :: ce qui est contradictoire
contradictoire avec
avec le
le fait
fait que
que xxpp et
et
J
o
a h 00
'0
X
Xq
sont de rentres croises.
4. Gnralisation de la forme produit

Proposition 4.1
Deux variables hors base xpp et xxqq de vecteurs colonnes
colonnes respectifs
respectifs Px
Pxpp ,,
et Px q
de rentres croises l'itration to peuvent rentrer

rentrer simultanment
simultanment dans
dans
la base.
En outre, en notant io et jo les lignes aux niveaux
niveaux desquelles
desquelles entrent
entrent xxpp
et xqq ,, si pour toute itration t < to, les variables des diffrentes
diffrentes bases
bases sont
sont libres
libres
aux lignes io et jo (sauf respectivement les variables de
de base
base alors
alors sisio
1
1
sJ'
sJ' ),),
00
86
86
rsultant est
est obtenue
obtenue en
en
alors l'inverse de la matrice de base courante B;-1 rsultant
oo
respectivement par
par les
les
remplaant les colonnes numros io et jo de B;-1_ 1respectivement
oo 1
pseudo inverses de Px pp et Px qq .
Preuve.
Xp
et xq de vecteurs colonnes respectifs Px pp
(a1p,
= (a1p,
a2p, ...
... ,, aamp
et
a2p,
mp)) et
= (a1q, a2q, ... , a mq ) sont de rentres croises l'itration

l'itration ta
to entrane
entrane qu'il
qu'il
Px =
q
existe deux lignes diffrentes jo et io o x p et xq sont respectivement
respectivement libres
libres et
et
que les coefficients aiop et ajoq se prsentent comme pivots
pivots respectifs
respectifs de
de xp
xp
de xq cette l'itration.
Supposons que xq entre dans la base; comme x p est libre
libre la
la ligne
ligne o
o se
se
trouve le pivot ajoqde xq, alors l'opration de pivotage qui
qui suit
suit l'entre
l'entre de
de xxpp
dans la base ne modifie pas le vecteur colonne de x p qui
qui peut
peut son
son tour
tour entrer
entrer
dans la base la contrainte io sans modifier le vecteur colonne
colonne de
de xxqq.. Ds
Ds lors
lors
xp et xq peuvent enter dans la base simultanment.
Par ailleurs, si on fait entrer xp en premier dans la
la base,
base, l'itration
l'itration ta,
to,
alors l'inverse de la matrice de la base courante vaut
B~1 = Eto B;-01_ 1 o Eto est la matrice de mise jour et B;-01_ 1est
est la
la valeur
valeur de
de
l'inverse de la matrice de la base courante l'itration ta
to -1.
xp entre dans la base la place de la variable si o la ligne
ligne io,
io, le
le vecteur
vecteur de
de mise
mise
o
jour Et o vaut:
o
87
colonne
ID~
IO~
a 1p
0
a
0a
0
a
a iD P
a 2p
0
a
a iD P
0
a
t0
a iD P
a .'0 + 1,p
a iD P
0
a
0
a
o
a
a
o
a
o
a
m,
o
a
a iD P
On peut crire Et o = 1+ F o 1est la matrice identit d'ordre m et F vaut
ao
a 1p
0
a
0
a
o
a
o
a
a iD P
2p
iiD0 P
- 1
a iD P
ai o +1,p
a iD P
ao
o
a
m, p
iD P
1
1
1
1
AI ors Bt-1- Et0 B-t 0 -1 -- (1 + F) Bt 0 -1 -- Bt 0 -1 + F Bt 0 -1
o
Cherchons le produit F B;-1_ .

o
88
Les variables des diffrentes bases tant libres la ligne io, donc les
coefficients aioj (j
= 1, ...
m) des lignes numro io des matrices Et (t < to) valent
tous zro sauf les coefficients ai i.

o0
croises, donc il n'
Par ailleurs x p et x q tant de rentres
y a que les hors base variables de rentres croises xq qui
rentrent dans la base la ligne io. Supposons que xp soit la premire entrer
dans la base au niveau de cette ligne io ; alors les vecteurs colonnes numros
io des matrices Et (t < to) valent tous t(O, ... 0, 1,0, ... ,0). Le chiffre 1 est la io
1
me position. Par consquent les matrices Et
pour t < to
s'crivent sous la
forme:
Et
t
e.1 -1,10. - 1
0
e~
ID -1,1
et
io+ 1,1
t
e.ID + l',ID + 1
0
0
t
e.'0- l',1 +1
0
8- 1
=
t o-1
...
ID -1, m
t
e.ID + l',ID + 1
et
io+l,m
io+l,m
Ainsi 8 1_ = E 1.E 2
1
o 1
e~
em,m
E to - 1 est de la forme
b ~-1
10-1,1
b ~ -1 .
10-1,1 0-1
0
b t-1
i o + 1,1
0
b ~-1 .
10-1,10+ 1
b t-1
m,1
et le produit F 8 - 1 1= F. E1.E 2
t 0-
b t-1
1, i+ 1
b ~ -1 .
10 -1,10+ 1
b ~-1
10-1, m
0
b t-1
iD +1 m
o
...
Et _\ = F .
0
b t-1
i o+l,io+l
io+l,io+1
b t-1
m,m
89
b t-1
11
a 11
b t-~
1,1 0-1
---
a iop
- a12
--
b t-1
1, i+1
t
b 1m
b ~-1 .
10 -1,1 0+1
b ~-1
''00 -1, m
b t-1
iD +1, iD +1
b t-1
io+1 m
--a iop
B- 1 =
to
b ~-1
10 -1,1
b ~-1 .
''00 -1,1 0-1
b t-1
iD +1,1
+ 1,1
b ~-1 .
10 -1 ,10
, 10 +1
1
a10+ 1,p
a iop
b t-1
m,m
b t-1
m,1
Nous constatons que B;-1 n'est diffrent de sa valeur prcdente B;-1_ que par
1
o
0
la io me colonne. En effet il suffit de remplacer la io me colonne de B;-1_ par le
o 1
am p
- -'-, ) qui n'est autre que le
aiop
pseudo inverse de Px p .
Concernant la variable xq
elle prsente les mmes caractristiques
que le vecteur xp possdait avant d'entrer dans la base; donc en appliquant un

raisonnement similaire, on peut la faire entrer dans la base la place de la
variable de base la ligne numro jo.
La nouvelle matrice B~~1 est alors obtenu en remplacer la colonne numro jo de
Finalement, les deux vecteurs xp et xq peuvent entrer ensemble dans la

base l'itration to, et l'inverse de la matrice de base courante B;-1 est obtenu
o
90
partir de sa prcdente en remplaant les vecteurs colonnes numro io et jo par
respectivement par les pseudo inverses des vecteurs Px et Px .
p
Remarque 4.1
L'entre simultane dans la base des variables de rentres croises
n'est possible qu'aprs avoir dtermin l'inverse de la matrice de base courante
et s'tre effectivement rendu compte que l'entre de la seconde variable se fait
une ligne o la prcdente est libre. Il faut aussi constater que les entres
dans la base de ces types de variables ne modifient pas les cots rduits des
autres variables dont leurs coefficients situs sur les lignes contenant les
diffrents pivots sont nuls.
Remarque 4.2
Cette entre simultane de deux variables peut tre largie un
nombre plus important de variables: c'est ce que nous allons faire dans la
proposition suivante. Au paravent, nous allons dfinir la notion de k variables
hors base de rentres croises.
Dfinition 4.2
k variables hors base sont dites de rentres croises l'itration ta si
cette itration chacune d'elles peut entrer dans la base au niveau d'une ligne o
les autres sont libres.
Proposition 4.2
k variables hors base,
X s+2,
... ,Xs+k
de vecteurs colonnes
de rentres croises ayant comme
respectifs Px $+1 , Px s+2 ,... , Px s+k
respectifs
X s+1,
.. l
l'itration
ta
pivots
peuvent
rentrer
simultanment dans la base.

Si de plus, pour toute itration t < ta, les variables de chaque base sont
libres aux lignes i1, i2 , ... ,i k , (sauf respectivement les variables de base si,
1
... ,
Si ) ,
,
2
alors l'inverse de la
matrice de base courante B - 1 rsultant est
en
colonnes
t0
obtenue
Si
remplaant
les
numros
11,
i2
, ... ,
et
Bto1_trespectivement par les pseudo inverses de PXS+1,PXS+2 ,... ,et PXS+

k
ik de
91
Preuv(i!.
Il suffit d'adopter la mme dmarche employe pour prouver l'entre
simultane de deux variables de rentres croises, ceci car toutes les variables
de rentres croises ont la mme particularit.
Remarque 4.3
Dans le paragraphe prcdent, nous avons travaill avec la condition
selon laquelle l'entre de chaque variable dans la base se fait au niveau d'une
ligne o les coefficients des autres variables du groupe entrant sont nuls. Dans
ce qui suit nous allons tudier le cas de certaines variables qui ne satisfont pas
cette restriction.
5. Variables de rentres lies
Dfinition 5.1
Etant donnes deux variables hors base xp et xq de vecteurs colonnes
respectifs Pxp
= (a1p,
a2p, ... , a mp ) et Px q
= (a1q,
a2q, ... , amq ) on dira que xq est
simplement lie (ou li) xp l'itration to si cette itration le pivot de xp se

trouve sur une ligne o xq est libre. Les vecteurs colonnes de tels variables se
prsentent sous la forme:
Px
o aiop est le pivot de xp.

Dfinition 5.2
92
Deux variables hors base xp et xq sont dites fortement lies si le pivot
de l'un se trouve sur une ligne o le coefficient du vecteur colonne de l'autre est
non nul.
Proposition 5.1
Etant donnes deux variables hors base xp et xq ;si xq est li xp
l'itration ta et que xq admet un qualifi au pivot cette itration, alors xp et xq
peuvent entrer simultanment dans la base.
Preuve.
Notons Px p = (a1p, a2p, ... , amp ) et Px q = (a1q, a2q, ... , a mq ) les vecteurs
colonnes respectifs xp et xq ; xq est simplement lie xp l'itration ta entrane
que le pivot aiop de xp se trouve sur une ligne o xq est libre. Ds lors, l'entre
de x p dans la base au niveau de la ligne io ne modifie pas le cot rduit de la
variable xq qui peut lui aussi son tour entrer dans la base. Notons qu'aprs la
rentre xp, il faudra chercher le pivot de la variable xq et comme cette dernire
admet un qualifi au pivot, donc on est rassur de l'existence de ce pivot. En
conclusion, la rentre de xp et celle de xq pouvaient tre groupes dans une

seule itration moyennant les calculs de la matrice de mise jour E qui suit
l'entre de xp, de l'inverse de la matrice de base courante B 1 et du pivot de xq.
Exemple 1
Reprenons l'exemple du problme de sac dos tudi dans le chapitre
prcdent.
Max
Z = 5X1 - X2 - X3 + 3X4 + Xs
2X1 + X2 + 3X3 + X4 + 4xs
::; 20
::; 3
::; 2
::; 3
::; 2
X4
Xs
Xi :2
0, i
::;
1, ... ,5
=1,...
93
93
Introduisons les variables d'cart

d'cart S1,
S1, S2,
S2, S3,
S3, S4
S4 et
et S5
S5 dans
dans les
les cinq
cinq
dernires contraintes qui reprsentent
reprsentent les
les contraintes
contraintes indpendantes.
indpendantes.
Les points extrmes de ,11 == { X1 == (X1,
(X1, S1)1
S1)1 11X1
X1 ++ S1
S1 == 33 }} sont
sont
= (3 ,, 0)1
0)1 et
et YY12
(0, 3)\
3)\
Y11 =
12 == (0,
ceux de ,12 = {X2 == (X2, S2)1 1 X2 + S2 == 22 }} sont:

sont: YY2121 == (2
(2 ,, 0)1
0)1
et YY22
(0 ,2/
,2/
et
22 == (0
ceux de ,13 = { X
X3 == (X3, S3)1 1 X3 + S3
S3 == 3}
3} sont:
sont: YY3131 == (3
(3 ,, 0)1
0)1
et
et Y32
Y32 == (0,
(0, 3)1
3)1
ceux de ,14 = { X
X4 == (X4, s4/1 X4 + S4
S4 == 2}
2} sont:
sont: YY4141 == (2,
(2, 0)1
0)1 et
et Y42
Y42 == (0,
(0, 2)1
2)1
ceux de ,15 = { X
Xs == (xs, ss)11 Xs + Ss
Ss == 1}
1} sont:
sont: YS
YS11== (1,
(1, 0)1
0)1
et
et YYS2
(0, 1)1
1)1
S2 == (0,
Le problme matre associ

associ ce
ce problme
problme est
est
Max Z =
Cil
~i1Yi1
i=1
~k1
~k1 +
+ ~k2
~k2
OIJ C 1 =
\5 , 0),
=1,k=1,
=1,k=1, ...
... ,5
,5
C2 =
= 1(_1, 0), C3 == 1(_1
1(_1 ,, 0),
0), C
C44 == 1(3,
1(3, 0)
0) et
et Cs
Cs == 1(1,
1(1, 0)
0) sont
sont les
les
matrices des
matrices
des cots
cots rduits;
rduits;
A1
= (2,
(2, 0)
1=
0) A2
A2 =
= (1,
(1, 0)
0) A
A33 == (3,
(3, 0)
0) A4
A4 == (1,
(1, 0)
0) As
As == (4,
(4, 0)
0) et
et bboo == 20
20 sont
sont
A
matrices des
les matrices
les
des contraintes.
contraintes.
Itration 0
Itration
0
Introduisons la
Introduisons
la variable
variable d'cart
d'cart CX1
CX1 dans
dans la
la premire
premire contrainte
contrainte et
et prenons
prenons
comme base
(CX1,
comme
base initiale
initiale (CX1,
~12,
~12, ~22,
~22, ~32,
~32, ~42,
~42, ~S2).
~S2). La
La solution
correspondante est
est
~B =
= I(CX1,
I(CX1, ~12,
~12, ~22,
~B
~22, ~32,
~32, ~42,
~42, ~S2
~S2 )) == 1(20,
1(20, 1,
1, 1,
1, 1,
1, 1,
1, 1)
1)
L'inverse de
L'inverse
de la
la matrice
matrice de
de la
la base
base courante
courante B
B == 11 (matrice
(matrice identit
identit d'ordre
d'ordre 6)
6)
Itration 1
Itration
1 ::
Recherche des
-- Recherche
des sous
sous problmes
problmes
94
SPI{ Min w = -5X1

X1 + S1 = 3
(X1, S1) = Y11 = (3, 0) et W1 = -15
SP 2 fMin W = +X2
LX2 + S2 = 2
lX2
(X2, S2) = Y 22 =
(a,
2) etw2 =
SP 3 fMin w = X3
LX3 + S3 = 3
lX3
(X3, S3) =
y 32 = (0, 3 ) et W3 = a
SP 4 fMin w
=- 3X4
lX4 + S4 = 2
(X4, S4) =
y 41 = (2, a ) et W4 = -6
SPl Min w = - X5
X5 + S5 = 1
(X5, S5) =
y 51 = (1, a ) et W5 = -1
Recherche de la variable qui doit entrer dans la base:

On a Min {Wj , i = 1, ... ,5} = -15 = W1 ; donc la variable qui doit entrer dans la
base est
~11.
Le vecteur colonne P11'= (6, 1, 0, 0,
a,
0,)
95
B- 1 P11 =
20
0
a
PB
0
a
0
a
0
a
On a min {20/6, 1} = 1 ; donc la variable sortante est
P12.
Ainsi la variable P11 rentre au niveau de la deuxime ligne (contrainte). Comme

les coefficients des variables hors bases
P41
et
sont nuls cette contrainte, alors cherchons si
PS1
(de cots rduits ngatifs)
P11, P41
et
PS1
sont de rentres
croises afin de les faire entrer ensemble dans la base.

L'inverse de la matrice de la base courante est obtenue en remplaant le
deuxime vecteur colonne de B- 1 par le pseudo inverse de
P11 ,
2 = (-6, 1,0,0,0,0,)
1, 0, 0, 0, 0,) on a donc
1
B-nouv
Comme
W4
1 -6
20
14
0
PB
1
= B-nouv
1
1
1
1
< Ws, alors dterminons en premier lieu la variable que
P41
doit
remplacer.
Le vecteur colonne P41
=(1, 0, 0,a, 0, 1,0)

1, 0)
14
oa
oa
1
B- P 11 = 0
a
1
1
PB
oa
Min {20/1, 1} = 1, donc la variable
P41
doit prendre la place de
que ce remplacement ne modifie pas les vecteurs colonnes de

dterminons prsent la variable que
PS1
P42.
On constate
P11
et
remplacerait dans la base.
PS1,
alors
96
L'inverse de la matrice de la base courante est obtenue en remplaant le
cinquime vecteur colonne de 8- 1 par le pseudo inverse de P41
s
1, 0) on a donc
s== (-1, 0, 0, 0,
0,1,0)
1
1
8-nouv
-6 0 0 -1 0
14
13
8- 1P 51 =
~B
13
o
o
o
o
1
1
~B = 1
1
= 8-nouv
1
1
1
1
1
1
1
Min {13/4 ; 1} = 1
Donc
~51
remplace
~52.
Ce rernplacement
remplacement s'effectue une ligne o les deux
variables prcdemment choisies pour l'entre sont libres. Les variables ~11, ~41
et
051
sont de rentres croises; donc elles peuvent effectivement entrer
simultanment dans la base

L'inverse de la matrice de la base courante est alors
8B-1 =
-6 0 0 -1
1 0
La solution de base correspondante est
97
"
-6
-1
1311
1341
1351
1322
~.
~B
20
Q1
1
1332
1
1
itration 2
Puisque les variables
~11, ~21, ~51
viennent d'entrer dans la base, alors les sous
problmes SP" SP 2 , SP s qui leur sont associs ont des optimums qui valent
tous zro; donc il est inutile de chercher ces sous problmes.
Le second sous problme:
X2
o
C
C22
= (0, 15, 0, 0, 6, 1) o1
o
o
MinW=X2
Min
W = X2
SP 22
X2
+ S2 =2
La solution est
(X2 , S2)
y 22
= Y22
= (0, 2)
et l'optimum W 2 = o.
98
c.
3X3
o
o
1\
1\
C3
= (0, 15, 0, 0, 6, 1)
o
o
Min W
SP3
= X3
X3 +
+ S3 = 33
La solution est (X3 ,, S3) = Y32 = (0, 3) et l'optimum W 33 = O.

o.
On a min {Wi}
{Wj} = 0 donc la solution optimale est atteinte.
X
X11 = Y
Y 11 = 1(3 ,0) ,, X2 = Y 22 = 1(0 ,2), X
X33 = Y
Y3322 = 1(0 ,, 3), X
X44 = Y
Y41 = 1(2 ,, 0)
Xs
=YS1 =1(1 ,0)
et l'optimum du problme est W
= 22
Exemple 2
Max W
=4X1 ++ X2 ++ 2X3 +X4

-- X2
+
+ 2X3
2X2 --
3X3
-- X4
s; 30
-- X4
s; 25
s; 8
Xi ~ 0 ;
i = 1, ... ,4
Introduisons les variables d'cart Si, i = 1, ... ,4 dans les 4 premires contraintes
pour obtenir la forme standard:
Max W = 4X1 ++ X2 ++ 2X3 +X4
+
+ 3X4
2X1 +
+ X2
-- X2
2X2
+
+ 2X3
-- X4
X33
33X
-- X4
= 24
+
+ S1
= 30
+
+ S2
+
+ S3
= 25
+
+ S4 =
2X1+ 3X2
Xi ~ 00 ;
i = 1,... ,4
Rsolvons ce problme par la mthode rvise du simplexe
Itration 0
Base initiale: ~B = I(S1'
I(S1, S2, S3, S4) = 1(24, 30, 25, 8)
99
1
L'inverse de la matrice de base correspondante est 8-
= 1 (matrice
identit
d'ordre 4)
Les cots rduits correspondants: Cs = (0, 0, 0, 0)
Les variables hors base: XN = (X1, X2 X3 ,X4)
11
Les cots rduits correspondants C N = (4, 1, 2, 1).

La matrice des coefficients des variables hors base
N=
0
0
2
- 1
2
3
2
- 3
3
- 1
4
Itration 1
/\
CN = CsS- 1N - CN = (-4, -1, -2, -1)

Min {-4, -1, -2, -1} = -4 ; donc la solution n'est pas optimale. X1
On peut remarquer
la base.
X1
doit entrer dans
et X3 sont de rentres totalement
indpendantes. Leurs vecteurs colonnes respectifs et la matrice solution du

problme sont:
P1
= 00
P3
~s
0s
24
82
= 25
83
81
30
8
84
On a min {24/2, 8/2} = 4 et min {30/2}
= 15 donc X1 remplace S4 et
S2. D'o la nouvelle matrice
- 1
1/2
0
0
3/2
1/2
0
S-1
=0
0
~s
0s
= S-1b o =
4
S-1 0
5
8
81
16
15
x3
= 83 = 70
Xl
Les coefficients correspondants sont: Cs
= (0, 2, 0, 4).
Itration 2
XN = (X2, X4,S2, S4)
X3 remplace
100
ont pour coiJts rduits: eN = (1, 1, 0, 0)

N=
1\
1\
CN
-1
3
1
0
0
- 1
4
0
1
=Cs8- 1N - C N =(4, -2, 1,2)
Min { 4, -2, 1, 2} = -2 correspond
donc cette dernire variable doit entrer
X4 ,
dans la base.
Le vecteur colonne correspondant
= 8- 1
1/2
5/2
Comme la solution est
{1:,
Min {1:, 7 0 }
5
est:
3
8-1 P 4
X4
(S1, X3, S3, X1)
= 16/3
correspond
= (16, 15, 70, 4), on obtient

S1 ;
donc
X4
remplace
S1
pour donner la
2
nouvelle matrice
8- 1
1/3
113
- 1
1/6
1/2
-5/6
3/2
312
1/2
'1/3
1/3
-- 1/3
1/6
1/2
-- 1/6
5/6
3/2
5/6
1/2
4
Ss
= 8-1bo = 8- 1
0
5
x4
16/3
x3
53/3
Xl
= s3x3 = 170/3
Les coefficients correspondants sont: Cs
=(1, 2, 0, 4).
Itration 3
XN=
(X2, S1, S2, S4)

101
101
o o
o 1 o
o o o
o o 1
1
1
N=
-1
2
3
/\
CN
=CSB-1N - CN =(8/3, 2/3, 1, 4/3).

1
Tous les cots rduits des variables hors base sont positifs; donc
donc la
la solution
solution
optimale est atteinte avec
X1
=4, X2 =0, X3 =53/3
X4
X4
= 16/3
W
et W
170/3
=170/3
Conclusion
Dans ce chapitre, nous avons donn une nouvelle formulation

formulation de
de la
la
forme produit de l'inverse sans avoir inverser des matrices ou effectuer
effectuer de
de
produits de matrices.
Cette nouvelle forme est particulirement adapte

adapte aux
aux
problmes dont leurs matrices des contraintes sont creuses du fait

fait qu'elle
qu'elle vite
vite
les calculs de certains cots rduits de ces problmes et
et
diminue
diminue
considrablement les itrations de tels problmes.

Dans les deux prochains chapitres, nous allons voir de nouvelles applications
applications
de cette gnralisation de la forme produit.
102
102
CHAPITRE V:
VARIABLES BORNEES
BORNEES
DECOMPOSITION DES PROBLEMES LINEAIRES A VARIABLES
Introduction
Dans ce chapitre, nous prsentons une formulation
formulation des
des problmes
problmes
linaires variables bornes (PLVB) et une manire de
de les
les rsoudre
rsoudre en
en
s'aidant de la mthode de dcomposition.
Une particularit de ces (PLVB) ainsi formuls rsulte
rsulte dans
dans le
le fait
fait que
que
le vecteur colonne de la variable qui doit entrer dans la base
base n'est
n'est form
form que
que de
de
zros l'exception du coefficient associ au numro de ligne
ligne de
de cette
cette variable
variable
(qui vaut 1) et ventuellement des coefficients appartenant
appartenant la
la contrainte
contrainte
principale. Ainsi, en utilisant la gnralisation de la forme
forme produit
produit qui
qui nous
nous
permet de faire entrer simultanment plusieurs variables
variables dans
dans la
la base,
base, nous
nous
rduisons le nombre d'itrations pour atteindre la solution optimale.
optimale.
Ds lors, nous fournissons un nouvel algorithme
algorithme de
de rsolution
rsolution des
des
PLVB
qui est diffrent de l'algorithme usuel de dcomposition

dcomposition est
est celui
celui du
du
simplexe tudi dans le chapitre 1.
1. Formulation des PLVB en un problme rsoluble par

par la
la mthode
mthode de
de
dcomposition.
Considrons la formulation gnrale des problmes linaires
linaires variables
variables
bornes:
Max
Z = C1X1 + C2X2 + .. , + CnX nn

a11X1
+ a12X2 + .. , + a1nXn
a1nXn = b 11
a21 X1
+ a22X2 + ... + a2nXn

a2nXn = b 22
(PLVB)
X
Xnn :s; Un
Un
Xi
Xi :2:
0 i = 1, ... n
1
103
= 1,
En introduisant les variables d'cart Si,
... , n, nous obtenons la forme
standard:
Max Z = C1X1 + C2X2 + ... + CnX n
=b 1
a11X1 + a12X2 + .. , + a1nXn
a21X1 + a22X2 + ... + a2nXn = b2

(PLVB)
Xn + Sn
=Un
Si, Xi? 0 , i = 1, ... n
Ce problme peut tre rsolu par la mthode de dcomposition. En

effet les m premires contraintes reprsentent les contraintes communes et les
contraintes Xi + Si = Ui sont les contraintes indpendantes. Les matrices Di des
contraintes associes sont toutes galent et valent D = (1, 1 ).
, Si )\; ainsi les ensembles ~i = {Xi / DiXi = Ui,
Notons Xi = (Xi
admettent chacun deux points extrmes Yi1 =( Ui ,0/ et Yi2 = (0 , Ui/.

Le problme matre associ est alors:
max Z:=
l
PM
i=1
j=1
l Ici ~
ij Y ij
A1Y1j~1j+ .. + I AnYnj~nj:s;bO
j=1
j=1
j=1
~ ij ~
a ,i
:=
1, ... , n
~ij
; j := 1,2
=1
Xi? 0 }
104
de dimension mx2, i
= 1, ... ,n. et bO =
ami 0
sont les matrices des contraintes communes et Ci

Sachant que C jtYi2
= (Ci,
O)t .
=a0 et AjYi2 =(0, ..... ,0), le PM devient:

n
Max Z
= :L:
L
Ci
~~i1Yi1
i1 Yi1
i=l
PM
A 1Y11 ~ 11 + A2Y21 ~ 21 +........ + An y n1 ~ n1 ::; bO

~ i1
+ ~ i2 = 1, i =1, ... n
~ij, Vi,
Nous constatons que les variables
(1 )
vj
i2 n'interviennent ni dans la
contrainte commune ni dans la fonction objectif, donc elles peuvent tre prises
comme variables de base initiale. Il suffit alors de complter la base en

introduisant les variables d'cart
01,02,03, ... ,Om
dans les contraintes communes.
La base initiale est de ce fait:

~B
(01,02,03, ... ,Om , ~12,~22, ... ,~n2 )
En observant le problme matre, nous constatons qu'une variable hors

base
i1 peut entrer dans la base en remplaant soit une variable d'cart (au
niveau d'une contrainte commune) ou bien sa correspondante
i2 la (m + i)
me contrainte. En outre, vu la structure

Pi1 = (a1iui, a2iUi, ... , amiUi, 0, ... 0, 1, 0, ... ,0) du vecteur colonne de ~ i1, il serait,
ds lors intressant d'tudier l'existence de variables pouvant rentres
simultanment dans la base.
2. Rsolution des PLVB par la mthode de dcomposition

Avant de passer la rsolution proprement dite par dcomposition,
nous allons tudier les variables qui peuvent rentrer simultanment dans une
105
base donne. Nous avons vu dans le chapitre 4 qu'il s'agit essentiellement de
trois types de variables. Nous allons tudier, leurs diffrentes manifestations au
niveau des problmes linaires variables bornes.
2.1 Variables de rentres totalement indpendantes

Les variables hors base
13 i1 (i = 1,
colonnes Pi1 = (a1iui, a2iUi, ... , amiUi, 0, ... a, 1, 0,
, m) ayant comme vecteurs

,0), donc il n'existe pas a priori
de variables de rentres totalement indpendantes car le produit scalaire

< Pi1 , Pk1> est gnralement diffrent de zro.
2.2 Variables de rentres croises

Ce type de variables est assez frquent dans le cadre de cette tude;
c'est le cas
du groupe de variables I3k1, k
correspondants I3k2, k
= t+1, ... t+r
= t+1, ... , t+r dans la base initiale.
qui remplacent
leurs
Ainsi, il faudra bien se
rendre compte qu' l'itration considre aprs chaque pivotage qui suit l'entre
d'une variable I3k1, que l'on trouve que la variable suivante,
~k+1 ,1
remplace son
correspondant ~k+1 ,2 dans la base.

La valeur initiale de l'inverse de la matrice de la base courante tant la matrice
identit l, aprs cette rentre des k variables, l'inverse de la matrice de la base
courante est obtenue en remplaant chaque vecteur colonne unitaire em+k
(k
t+r)
= t+1, ... Hr)
de 1 par le pseudo inverse k du vecteur colonne Pk1 de la
variable I3k1. Ainsi, l'inverse de la matrice de la base courante obtenue aprs

l'entre des ces k variables est
1
,tH,etH+1, ... ,em+n) o
8- = (e1, e2, ... ,e m, e m+1, ... , et_1,et,t+1, ... ,t+r,et+r+1,
i= t(-a1iui, -a2iui, ... ,-amiui,O, ... ,1,O ... 0) le chiffre 1 tant la (m+i) eme position
est le pseudo inverse du vecteur colonne de ~i1.
Remarque 2.1
Une condition suffisante pour que cette entre simultane puisse avoir est que
la solution rsultante soit positive: c'est--dire 8- 1 b o ;::: 0, o
bo = t(b 1 , b2, ... , bm,1, 1, ... ,1)
8- 1 bo ;:::
a quivaut
106
106
tH
Ce qui quivaut b j -
L aikuk ;::: 0, i
== 1, ... , m
k=t+1
2.3 Variables de rentres lies

Ce sont deux variables x pp et xqq dont le pivot de l'un
l'un se
se prsente
prsente une
une
ligne .ou l'autre est libre. En d'autre termes, en notant Px PP
=(a1p,
(a1p, a2p,
a2p, ...
... ,, aamp
et
mp)) et
leurs vecteurs colonnes respectifs

respectifs l'itration
l'itration
considre, on a :
Px =
=
Px =
=
p
qq
a mp
o aiop est le pivot de xp.

Dans
calcule
ce cas aprs le choix de x pp pour l'entre dans

dans la
la base,
base, on
on ne
ne
pas les cots rduits de xqq,, car ils ne changent

changent pas
pas mais
mais on
on fait
fait
l'opration de pivotage pour dterminer la position d'entre

d'entre de
de xxqq dans
dans la
la base.
base.
3. Algorithme de dcomposition des PLVB

C'est un algorithme assez simple dont l'application est
est base
base en
en majeure
majeure
partie sur les notions dveloppes dans le chapitre 4. Ces notions

notions concernent
concernent la
la
rcriture des inverses des matrices des bases successives
successives des
des valeurs
valeurs des
des
sous problmes et des diffrents vecteurs colonnes des variables
variables candidates
candidates
l'entre simultane dans la base.
Etape 0 : Initialisation.
Ecrire le problme matre du PLVB
Choisir la base initiale
107
Etape 1 : Rsolution des sous problmes.

Rsoudre les sous problmes SPi et noter OJi leurs optimums et
OJmin = min {OJi ,i = 1, ... ,pq}
Si OJmin ;:::: 0 , alors la solution est optimale. Sinon aller l'tape 2
Etape 2 : Variables d'entres simultanes
Ranger les OJi dans l'ordre croissant
Choisir le maximum de variables dans cet ordre pouvant entrer
Rcrire la matrice 8- 1
Retour l'tape 1
Exemple 1
2X1 +
X2 -
X3 + X4 s: 30
3X2
X4 ;::::15
-3X1 + 2X2 + X3 + X4 s: 26
s: 6
X1
s:7
X2
s:5
X3
X4 s:8
Xi ;:::: 0, i = 1, ... ,4
Introduisons les variables d'cart S1, S2, S3, et S4 dans les contraintes
indpendantes.
les points extrmes de .11
= {X1 = (X1, S1)1 / X1
= (6 , 0)1 et Y 12 = (0, 6)1,

ceux de.12 = {X2 = (X2, S2)1 1
/ X2 + S2 = 7
+ S1
=6
}sont
Y11
ceux de.13
de .13
=
={{X3
X3 = (X3, s3)tl
X3 + S3
}sont: Y21 =(7 ,O)t

,0)1
=5}
sont: Y31
= (5,
O)t
(5 ,O)t
et Y 22
= (0,7)1
et Y32
= (0, 5)t
108
Introduisons les variables d'cart a1 et a3 respectivement dans la

premire et la troisime
contraintes et la variable artificielle a2 dans la
deuxime contrainte pour obtenir le problme standard
= 30
- R + a2
=15
= 26
+ a2
....
;.
,.
;.
= 6
X2
= 7
S2
= 5
= 8
:2: 0, i = 1,
,4
ai :2: 0, i = 1,
,3
Xi
M:2:0
Le problme matre associ ce problme est
Max Z
=L
t
C 1t f3~ i1 Y
i1
Yi1
i=1
~k1 + ~k2
= 1
k=1, ... ,4
C1
= (1 , 0),
C2
= (3, 0),
C3
= (2 , 0),
C4
= (1, 0) sont les matrices des
cots rduits et
A 1 = 02
[
-3
00]
0
0]
0J A 3 = [-1
A 2 { 31 00]
0 0
2 0
1 0
O~
30J
0J bo = [ 15
A4 =[ -11 0
1 0
les matrices des contraintes communes et R une variable de surplus.
Itration 0 :
26
109
109
~12, ~22,
~22, ~32,
~32, ~42
~42 ).). La
La solution
solution
Prenons comme base initiale (1, 2, 3, ~12,
est
~s = t(1, 2, 3, ~12, ~22, ~32, ~42) = t(30, 15,26,1,1,1,1)

15,26,1,1,1,1)
La matrice des cots associs est: Cs = (0, - M,
0)
a, a, a, a, 0)
11
d'ordre 7)
7)
La matrice de la base courante S = 1 (matrice identit d'ordre
Itration 1 :
- Recherche des sous problmes
Le premier sous problme:
La fonction des cots rduits est:
A 1X 1
C1(X 1) = CstS- 1
a
a
a
-C1X1 = -X1
SP1{ Min W=-X1

X1 + S1 = 6
la solution optimale est: (X1, S1) = Y11 = (6,
aa ) et W1 = -6
-6

A 2X 2
t 1
s-
C2(X2) = Cs s-
SP2
f
1
-C2X2 = IVlX2
MX2 -3X2
a
a
Min W = - Mx2 -3 X2
X2 + S2 = 7
la solution optimale est: (X2, S2) = Y 21 = (7,

A 3 X3
C3(X3) = Csts- 1
a
a
1
-C3X3 = -2X3
aa ) et W2 = -7M
-7M -21
-21
110
110
SP3
fMin W = - 2X3
1 X3 + S3 = 5
la solution optimale est: (X3, S3) = Y31 = (5, 0) et W3= -10

A 4X 4
C4(X4) = C B B- 1
t
a
a
a
-C~4 = MX4 + X4
la solution optimale est: (X4, S4) = Y 42 = (0, 8 ) et W4=

Min {Wi} = -lM -21 = W2 <
aa
a ; donc la solution n'est pas optimale.

optimale.
On a rnin { Wi} = W2 ; donc ~21 doit entrer dans la base.
Recherche des variables pouvant entrer en groupe dans la

la base
base
Cherchons la variable que ~21 doit remplacer. On a
P21 =
30
21
15
14
26
1
1
Min {301l, 15121,26/14, 1} = 15/21 ; donc ~21 remplace 2.

2.
On constate que les variables hors base ~11, ~31
~31 sont libres
libres la
la troisime
troisime ligne
ligne
(c--d leurs vecteurs colonnes ont leurs troisimes composantes
composantes qui
qui sont
sont
valent zro), donc chacune de ces variables peut entrer
entrer ensemble
ensemble avec
avec ~21
~21
dans la base. Comme ~31 le cot rduit le plus petit ( W3
W3 == -10)
-10) donc
donc faisons
faisons
l'entrer en premier avec ~21
~21 . L'inverse de la matrice qui suit
suit l'entre
l'entre de
de ~21
~21 est:
est:
,i
111
S-11
8-
no uv =
- 1/3
1/21
0
0
0
0
- 2/3
0
1
0
0
0
- 1 / 21
0
0
0
0
0
~:
1.'
~:.
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
1
1
0
0
0
1
0
0
1

1
1
~B = 8S-1 bo = 8S-1 (30, 15, 26, 1, 1, 1, 1)1 =
~B = I(1,
I(1, ~21,
3, ,
~12, ~22, ~32, ~42)
~31
Le vecteur colonne de
P31 -- P318
S-1-1p
=1(25,5/7,16,1,2/7,1,1)
et la matrice des seconds membres sont:
-5
25
517
16
o
o
et
~B
217
= 1 donc ~31 remplace ~32 dans la base la ligne 6. On

On a min {16/5, 1} =
peut remarquer que la variable dj entrer W21) et celle qui veut entrer W11) sont
libres cette ligne; donc on a tire les conclusions suivantes : ~21 est de rentre
croise avec
~31
et on peut essayer de faire entrer
ensemble dans la base.

L'inverse de la matrice qui suit l'entre de
S-11
8-
nouv -
1
0
- 1/3
1/21
0
0
- 2/3
0
0
0
0
=8S-11 bo = 8S-11 (30,
et
0
1
0
0
0
0
0
-5
- 1 / 21
0
0
1
0
0
1
0
0
0
0
0
0
0
0
0
0
1
0

~B
~21
15, 26, 1, 1, 1, 1)1 , soit
~31
0
0
0
0
0
0
1
est:
~11
avec
~21
~21
et
~31
112
112
0'
(;
~B
=t(1, P21,
~B=I(1,
~12, P22, ~31, ~42) =

1(30, 5/7, 11, 1,2/7, 1, 1)
=1(30,5/7,11,1,2/7,1,1)
3,
3" ,
Le vecteur colonne de ~11 et la

la matrice des seconds
seconds membres
membres sont:
sont:
12
30
517
-18
Il
S-1P1 1 = P1 1 =
et
PB
o
o
217
On a min {30/12, 1} = 1 donc ~11

~11 remplace
remplace ~12
~12 dans
dans la
la base
base la
la ligne
ligne 3.
3. On
On
remarque que les variables ~21 et ~31
~31 sont libres
libres cette
cette ligne;
ligne; donc
donc on
on en
en
dduit que les variables ~21, ~31 et ~11
~11
sont
sont de
de rentres
rentres croises.
croises. Ainsi
Ainsi leur
leur
rentre simultane fournit la nouvelle matrice

matrice
- 1/3
1/21
-12
00
55
00
00
00
1
0
18
00
00
- 2/3
0
00
-- 55
00
00
00
- 1/21
11
00
00
0
0
00
11
00
00
11
1
0
0
S-1 nouv
00

~B =
= S-1 bo =
= S-\30, 15, 26, 1, 1, 1, 1)1 , soit
PB =
= I(1' ~21,
3"
P11, ~22, ~31, P42)
=
= 1(18,5/7,29,1,2/7,1,1).
1(18,5/7,29,1,2/7,1,1). La
La matrice
matrice des
des
cots rduits est CB = I( 0, 21, 0, 6, 0, 10, 0)
Itration 2
Puisque ~21, ~11
P11 et
~31 sont de rentres croises,

croises, alors
alors cette
cette itration
itration les
les
optimums de leurs sous problmes associes

4.1 du
du
associes valent
valent zro
zro (cf.
(cf. remarque
remarque 4.1
chapitre 4). Il ne reste qu' rsoudre le quatrime
quatrime sous
sous problme.
problme.
La fonction des cots rduits du quatrime sous
est:
sous problme
problme est:
113
A 4X
A
X4
o
C(X4) = C BtS- 1
-C~4
o
1
A4 X4
o
C(X4) = (0, 1, 0, 6, 0, 10, 0)
+ X4 =
=0
o
1
Le sous problme est
SMin
fMin w = 0
X4 + S4 = 8
la solution optimale est: (X4, S4) = y 42 = (0, 8 ) et W4= 0

Min {Wi} = W4 :2:~ 0 ; donc la solution est optimale.
La base optimale est:
~B = t(a1' ~21, a3, , ~11, ~22, ~31, ~42) = t(18, 5/7, 29,1,2/7,1,1)
X1 = (X1, S1) = ~11Y11 = (6,0) ;
X2 = (X2 S2) = ~21Y21 + ~22Y22 = (5, 2);
~31Y31 = (5, 0) ;
X3 = (X3, S3) = 1331Y31
X4 = (X4 S4) = ~42Y42 = (0, 8)
L'optimum est: W = 31
Exemple 2
Considrons le PLVS suivant:
Max Z = 10X1 + X2 + 4X3 + 2X4

2X1 + 3X2 - X3 + 2X4 ~ 40
3X1
+2X2 + X3 - X4
X1
+X2 + 2X3 + X4
X1
35
30
~8
~ 8
X2
X3
X4 ~ 7
Xi :2:~ 0, i = 1,... ,4
114
114
Introduisons les variables d'cart

d'cart S1,
S1, S2,
S2, S3,
S3, et
et S4
S4 dans
dans les
les contraintes
contraintes
indpendantes.
les points extrmes de ,11 ={ X 11 == (X1,
(X1, S1)t
S1)t 11X1
X1 ++ S1
S1 == 5}
5} sont
sont
Y11 = (S, O)t et Y 12 = (0, 5)\
ceux de ,13= {X3 = (X3, s3)tl X2 + S2 = 66 }} sont:

sont: Y31
Y31 == (6,
(6, O)t
O)t
et
et Y32
Y32 == (0,
(0, 6)t
6)t
ceux de,14 = { X 4 = (X4, s4)tl X4 + S4 = 77 }} sont:

sont: Y41
Y41 == (7,
(7, O)t
O)t
et
et Y
Y42
(0, 7)t
7)t
42 == (0,
Le problme matre associ

associ ce
ce problme
problme est
est
Max Z
Z=
44
tt
C
C1 ~i1Yi1
=1
=1
~k1
~k1 +
+ ~k2
~k2
=1,k=1,
=1,k=1, ...
... ,4
,4
Les matrices des cots rduits sont:

sont:
C1 =t(10, 0), c2=t(1, 0), c3=t(4, 0), c4=t(2,
c4=t(2, 0)
0)
les matrices des contraintes:
Itration 0 :
Introduisons
Introduisons les
les variables
variables d'cart
d'cart a1,
a1, a2,
a2, et
et a3
a3 dans
dans les
les trois
trois premires
premires
contraintes
prenons comme
comme base
base initiale
initiale (a1,
(a1, a2,
a2, a3,
a3, ~12,
~12, ~22,
~22, ~32,
~32, ~42).
~42). La
La
contraintes et
et prenons
solution
solution est
est
~B
~B == t(a1,
t(a1, a2,
a2, a3,
a3, ~12,
~12, ~22,
~22, ~32,
~32, ~42)
~42) == t(40,
t(40, 35,
35, 30,
30, 1,
1, 1,
1, 1,
1, 1)
1)
115
115
La matrice des cots rduits est
Cs = t( 0, 0, 0, 0, 0, 0, 0)
La matrice de la base courante vaut B = 1 (matrice
(matrice identit
identit d'ordre
d'ordre 7)
7)
Recherche des sous problmes

SP1{ Min
w = -10X1
X1 + S1 = 5
la solution optimale est: (X1, S1) = (5,0) et W'1
W'1 == -50
-50

SP 2 fMin
w = - X2
"}2 + S2 = S
la solution optimale est: (X2, S2) = (S, 0 ) et W'2=
W'2=
-s

SP{ Min
w = - 4X3
X3 + S3 = 6
la solution optimale est: (X31 S3) = (6, 0 ) et W'3=
W'3= -24
-24

SPi Min w = - 2X4
X4 + S4 = 7
la solution optimale est: (X4, S4) = (7,0) et W'4=
W'4= -14
-14
On a W'1 < W'3 < W' 44 << W'2

Min {W'i} = -50 = W'1 ; donc ~11 qui doit entrer
entrer dans
dans la
la base
base en
en priorit.
priorit.
Entre simultane de variables

On peut faire le constat suivant:
b1 - (a11u1 + a13U3 + a14u4) = 40 - (2x5 -1x6 + 2x7)

2x7) == 22
22 ~~ 00
b 2 - (321U1
(a21u1 + a23U3 + a24u4) = 35 - (3x5 + 1x6
1x6 -- 1x7)
1x7) == 21
21 ~~ 00
b3 - (a31u1 + a33U3 + a34u4) = 30 - (1x5 + 2x6
2x6 + 1x7)
1x7) == 66 ~~ 00
116
donc d'aprs la remarque 2.1, les variables

respectivement
~12, ~32
et
~42
~11, ~31
et
~41
peuvent remplacer
dans la base.
L'inverse de la matrice de base courante est alors:
;::
S-1
- 10
- 14
- 15
- 6
- 5
- 12
- 7
= 0
La solution correspondante est
,,.,.,
~B = S-1 bo = S-1 1(40,

!( 40, 35, 30, 1, 1, 1, 1) soit
!(U1'
t(U1' Cf.2, U3,
~11, ~22, ~31, ~41
= (22,21,6, 1, 1, 1,1).
Itration 2
Les sous problmes associs aux variables ~11, ~31 et ~41 sont positifs tandis
que le sous problme li
~21
reste le mme par rapport l'itration
prcdente. Alors il reste faire entrer

Le vecteur colonne associ
S-1 P21
Min {22/24, 21/16, 6/8, 1)

La nouvelle matrice
~21
~21
dans la base.
et la solution valent respectivement:
24
22
16
21
~B
=6/8, donc ~22 entre la place de U3.
117
~.
~.
B-
,1.,1.
i:
- 14
6
-6
-- 55
- 12
- 7
11
- 3
- 10
- 2
-- 15
1/8
- 1/8
Ce qui donne
1 0
0 1
42
7
0
21
18
0 - 3/2 -7/8
5
-5
- 5/8
0
0
0
1
5/8
0 -1/8
0
B- 1
-3
-2
1/8
7/8
3/4
1
=B-1bo =B- 1(40, 35, 30, 1, 1, 1, 1) soit

t(a1, a2, ~21, ~11, ~22, ~31, ~41) = (4,9, %,1, %,1,1).
~s
La matrice des cots rduits est:

Cs
=(a, 0, 8, 50, a, 24, 14)
Itration 3

La fonction des cots rduits de ce sous problme est
A 1X
1
C1 (X1)
=Cs Bt
a
a
a
-C1X 1
118
A1 X
1
C1(X 1) = (0,0,1,45,0,12,7)
(0, 0,1,45,0,12,7)
-10X1 = 45 - 9 X1
o
o
SP 1{
Min w =45 -9X1

X1 + S1 = 5
la solution optimale est: (X1, S1) = (5,

0 ) et W"1 = 0
(5,0)
les cots rduits sont:
A3 X3
o
C3(X3) = (0,0, 1,45,0, 12,7)
-4X3 = 12 - 2X3
SP3 fMin
w = 12 - 2X3
1<3 + S3 = 6
W"3= 0
la solution optimale est: (X3, S3) = (6, 0 ) et W'3=
Pour le quatrime sous problme

les cots rduits sont:
A4 X4
o
C4(X4) = (0, 0, 1, 45, 0, 12, 7)
-2X4 = 7 - 2X4
o
1
SP 4 fMin w = 7 - X4
4 + S4 = 7
la solution optimale est: (X4, S4) = (7, 0 ) et W'4= 0
119
119
Min {w*j}
=0 ; donc la solution optimale est atteinte
La base optimale est:
= (4, 9, % , 1, ~~ , 1,1).
= (X1, S1) =
= ~11Y11 =
= (5,0);
X1 =
X2 =
= (X2
(X2 S2)
S2) =
= ~21Y21
~21Y21 +
+ ~22Y22
~22Y22 =
= (6,
(6, 2);
2);
= (X4
(X4 S4)
S4) =
= ~41
~41 Y
Y 41
41 =
= (7,
(7, 0)
0)
X3 = (X3, S3) = ~31 Y 31 =(6, 0) ;
X4 =
L'optimum est: W* =94
~B
=t(a1'
a2,
~21, ~11, ~22, ~31, ~41
Conclusion
Dans ce chapitre nous avons prsent une rsolution
rsolution des
des problmes
problmes
linaires variables bornes en utilisant une adaptation
adaptation de
de la
la mthode
mthode de
de
dcomposition. Cette nouvelle approche
produit pour faire entrer
utilise la gnralisation
la forme
forme
gnralisation de
de la
simultanment plusieurs variables

variables dans
dans une
une base
base
donne et pour viter de faire beaucoup de calculs de cots

cots rduits
rduits et
et d'inverse
d'inverse
de matrices. Ce qui rduit le nombre d'itrations qu'aurait
qu'aurait fait
fait la
la mthode
mthode
usuelle de dcomposition pour atteindre la solution optimale.
optimale.
120
Chapitre VI :
Dcomposition du Problme de transport capacit
Introduction
L'un des plus importants domaines de la recherche oprationnelle est
l'tude des
problmes de
transport. Un problme de
transport est un
problme d'optimisation qui consiste envoyer une quantit de produits partir

de p origines vers q destinations tout en minimisant le cot total de transport.
Chacune des sources offre une quantit connue ai tandis que chaque
destination possde une demande bj connue. La quantit transporte de
l'origine i vers la destination j est Xij et le cot de trajet de i j est Cij.
Le problme de transport capacit est un problme de transport dans lequel
les quantits Xij sont bornes. Les problmes de transport ont plusieurs
applications courantes : l'acheminement de produits depuis les centres de
production vers les centres de distribution, l'organisation de la circulation
routire entre plusieurs villes, la distribution de tches au sein d'un ensemble de
personnes ...
1. Formulation mathmatique du problme de transport capacit

- les contraintes du problme
La somme des quantits transportes de l'origine i vers la destination j
devant tre au plus gal l'offre de cette origine entrane les contraintes
~
L..J
<a'l ..
.'
-1
' " ' X"IJIJ <
- a'1,1, 1 -- 1 , ... ,p,
, p .,
j=1
La somme des quantits reues par une destination j partir de chaque

origine i devant tre au moins gale la demande de cette destination entrane
les contraintes
p
xij
~ bj
;j
=1, ... ,q.
i=1
Les quantits transportes Xij tant positives et bornes, on a donc:
o::; Xij ::; uij

uij
11
i =1
JJ
.
..
..
. ,,
p ;j
=1
JJ .
..
..
. JJ
q.
121
121
- l'objectif du problme
1\ s'agit de minimiser le cot total
total de transport.
transport. Le
Le cot
cot de
de dplacement
dplacement de
de la
la
quantit
Xij
de i vers j est
Alors le cot total

total de
de transport
transport partir
partir d'une
d'une
CijXij.
CijXij.
origine i est gal
. Par consquent
consquent le
le cot
cot total
total de
de transport
transport est
est
C ij xx ij
j= 1
LCjjXjj.
LCijXij.
j=1
i=1
j=1
j=1
La formulation du problme est alors:

p
Min
qq
LCijXij
LCjjXjj
i=1
j=1
j=1
i = 1, ...
... ,, P
P ;;
(PTC)
'"'Xi'
""Xi'J ~bj ,J._- 1,
LJ
1, ...
... ,q.
,q.
i=1
o:: :; XijXij ::::;::::; UijUij ,, i =1, ...... ,, pp ;; jj == 1,1, ...... ,,q.q.

Problme de transport balanc
Le problme de transport est dit balanc
balanc si
si la
la quantit
quantit totale
totale disponible
disponible
au niveau de toutes les origines est gale la
la quantit
quantit totale
totale demande
demande au
au
niveau, de toutes les destinations. En d'autres
d'autres le
le problme
problme est
est balanc
balanc si
si
i=1
j=1
j=1
Lai =Lbj.
On prouve aisment que
SI
SI
le problme de
de transport
transport
est
est balanc,
balanc, les
les
contraintes d'ingalits des offres et des demandes

demandes deviennent
deviennent des
des contraintes
contraintes
d'galits.
D'autre part, on montre aussi que tout problme
problme de
de transport
transport qui
qui n'est
n'est pas
pas
balanc peut tre transform en un problme
problme balanc;
balanc; ceci
ceci en
en crant
crant une
une
destination ou une origine fictive. C'est pour cette
cette raison
raison que
que dans
dans la
la suite
suite nous
nous
ne considrerons que le cas des problmes balancs.
balancs.
122
122
2. Rsolution du problme de transport capacit

La rsolution de ce problme peut tre faite grce l'algorithme
l'algorithme
primai-dual. Cette mthode utilise le dual du problme et l'algorithme de Ford
Ford
Fulkerson pour la dtermination d'un flot maximal.
Cependant, dans ce chapitre nous fournissons une nouvelle manire de
de
r'.'
rsoudre ce type de problme. La mthode que nous utilisons transforme le

le
la
problme de transport capacit (PTC) en un problme rsoluble par la
mthode de dcomposition, puis s'appuyant sur la gnralisation de la forme
forme
produit prsente dans la chapitre IV, nous passons d'une solution de base
une autre en faisant entrer une variable ou plusieurs variables simultanment
simultanment
la
dans chaque base. Nous rduisons ainsi le nombre d'itrations qu'aurait fait
fait la
mthode usuelle de dcomposition pour atteindre la solution optimale.
2.1. Formulation du problme de transport capacit en un problme

problme
dcomposable
Considrons le problme de transport capacit suivant:
p
L L
Min
CijXij
LCjjXij
i=1
j=1
(PT C)
xij
=
= ai, i =1, ... , p ;
j=1
P
LXij
=bj j = 1, ... ,q.
i=1
o::;; Xij ::;; uij , i = 1, ... , p ; j = 1, ... ,q.

Ce problme peut ainsi tre considr comme un problme rsoluble
rsoluble
par la mthode dcomposition; en effet les
p + q
premires contraintes
contraintes
peuvent tre considres comme des contraintes communes tandis que les
les
contraintes
les
indpendantes.
pq
dernires
contraintes
reprsentent
les
contraintes
contraintes
123
123
... ,p
,p et
et
Introduisons les variables artificielles ai, i = 1, ...
j,
j,
1, ...
... ,q
,q
jj == 1,
variables de
de surplus
surplus
respectivement dans les p et q premires contraintes, les variables
Ri , i = 1, ... ,p et Oj, j = 1, ... ,q
les pp et
et qq premires
premires
respectivement dans les
contraintes et les variables d'cart Si, i = 1, ... , pq dans les contraintes

contraintes du
du type
type
r
"
o::; Xij ::; Uij. Le problme prcdent s'crit sous la forme standard:
standard:
p
MaxW=
-L
i==1
+ L.,;
~M'IIlL.,;
O +
+.~Nl.
~N'
LCijXij +~M'a'
lL
, ; J 1\1\l J.
j==1
i==1
j==1
X11 + X12 + ..... + X1 q
Xpp11 +X pp2+ ... +x pq

-Rpp ++
pq -R
ap
ap
== aapp
+ X21 +
+ X22 +
Xij
Xij ++ Sij
Sij == Uij
Uij
o::;
o ::; Xij,
Xij, Ri,
Ri, ai,
ai, Oj,
Oj, j
j
0::;
0::; M,
M, Ni
Ni
Notons Xij = t(Xij ,Sii)
i = 1, 2, ... , p ; j = 1, 2, ... , q ;
Les points extrmes associs aux ensembles convexes

ij = {(Xij , Sii) 1 Xij +Sij = Uij} i = 1, 2, ... , p ; j = 1, 2, ... , q sont:
sont:
2
y ijij 1 = t(Uij , 0) et y ij = t(O , Uij)
On a donc Xij = ~ij1Yij1 + ~ij2Yij2
Le problme matre associ est
avec 0 ::; ~it::; 1
k = 1, 22
ii =
= 1,
1, 2,
2,
,, pp
jj == 1,
1, 2,
2,
,, qq
124
124
P
Max W = -
L L
i=1
cijxij + LMi ai + LNj j
j=1
i=1
a1,
-R 2 + a2,
... ,
ap,
-R pp+ ap,
j=1
1<1 +
t-'1j
1-'
1j
(PM)
j=1
L L AijYill3~ +1(-R +
i=1
qq
== 11
1<2
t-'1j
1-'
1j
1<1. +
I-'PJ
t-'PJ
1<2
I-'pj
t-'pj
=
=
11
=
=
11
j = 1,
1, ...
... qq
O
o
a-I
o
bO
= ap
b1
bj
o
o
bq
Le chiffre 1tant aux positions numros i et p + j.
2.2 Rsolution de PTe par la dcomposition

Nous constatons que les variables
I3rr
13~
i 1, ... ,p, j =
= 1,
1, ...
... ,, qq
objectif,
n'interviennent ni dans les contraintes communes ni dans la fonction objectif,
donc elles peuvent tre prises comme variables de base initiale. Il suffit
suffit alors
alors
dans les
les
de complter la base avec les variables artificielles ai, Icj qui sont dans
contraintes communes.
125
La base initiale est donc
Ct t-'B -
"1
"1
(.X 1, a2, ... , ap, /\"1, /\"2,
2
2
2 1<2
2
2
2
1311' 1312' ... , 131q' 1-'21' 1322' ... , 132q "",l3 p1'
"1
... , /\"q,
13~2' ...
... ,, l3~q)
En observant le problme matre prcdent, nous constatons qu'une
variable hors base 13~ peut entrer dans la base trois niveaux:
la ligne i : pour remplacer la variable artificielle
ai
la ligne p+ j : pour remplacer la variable artificielle "Aj

.j
la ligne p + iq + j : pour remplacer la variable 13~
Le vecteur colonne de chaque 13~ vaut
Pi]
='(0,
les quantits non nulles
... , 0,
Uij
Uij,
0, ... 0, uij, 0, ... , 0, 1, 0, ... , 0)
et 1 sont aux positions i, p + i et p + iq + j. Au vu de
cette structure du vecteur colonne de chaque variable 130'

13~ l'on pourrait penser
1
l'existence de variables qui peuvent entrer simultanment dans la base. Il s'agit

des variables de rentres totalement indpendantes, de rentres croises ou de
rentres lies (cf. chapitre IV).
3. Etude des variables de rentres simultanes

3.1 Variables de rentres totalement indpendantes
Initialement, considrons deux variables hors base 130
13~
et l3~n ayant
comme vecteurs colonnes respectifs

Pi]
=1(0,
P~n
... , 0,
=1(0,
Uij,
0, ... 0,
Uij,
0, ... , 0, 1, 0, ... , 0) et
... , 0, u mn , 0, ... 0, u mn , 0, ... , 0, 1, 0, ... , 0).
Pour que 13~ et l3~n soient de rentres totalement indpendantes il faut que le
produit scalaire < Pi] 'P~n > soit gal zro. Cette condition est ralise si i 1:i:- m
1:- n. En d'autres termes, pour que deux variables 13~
et j i:-
et l3~n soient de
rentres totalement indpendantes il faut que leurs numros de lignes soient

diffrents entre eux de mme que leur numros de colonnes.
126
126
On prouve facilement que pour qu'un groupe I3D ii
EE
{1,
{1, ...
... ,, p}
p} et
et jj
EE
{1,
{1, ...
... ,, q}
q} de
de
variables hors
faut que
que
hors' base soient de rentres totalement
indpendantes ilil faut
leurs numros de ligne soient diffrents deux
deux de
de mme
mme que
que leurs
leurs
deux deux
numros de colonne.
Rappelons que lors des itrations successives,
faudra remettre
remettre jour
jour
successives, ilil faudra
les
vecteurs colonnes pour ensuite vrifier si

si les
les vecteurs
vecteurs sont
sont d'entres
d'entres
totalement indpendantes.
3.2 Variables de rentres croises
Ce type de variables est trs frquent dans

dans le
le cadre
cadre de
de cette
cette tude.
tude. A
A
la premire itration, c'est le cas du groupe de
de
j
variables
variables I3D
I3D ii EE {1,
{1, ...
... ,, p}
p} et
et
{1, ... , q} qui ont soit le mme indice i ou le mme

mme indice
indice jj et
et qui
qui entrent
entrent dans
dans
la base en des positions diffrentes parmi les trois

trois positions
positions cits
cits dans
dans le
le dbut
dbut
du paragraphe 2.
L aussi, il faudra remettre jour, au cours
cours des
des itrations
itrations les
les vecteurs
vecteurs
colonnes des variables candidates l'entre dans
dans la
la base
base pour
pour en
en dterminer
dterminer
celles de rentres croises.
3.3 Variables de rentres lies
On les rencontre plusieurs reprises dans

dans l'application
l'application de
de l'algorithme
l'algorithme
que l'on va prsenter. Notons que nous ferons
ferons entrer
entrer ces
ces types
types de
de variables
variables
deux deux dans la base.
4. Algorithme de dcomposition des PTe
C'est un algorithme assez simple dont l'application

l'application est
est base
base en
en majeure
majeure
partie sur les notions dveloppes dans le chapitre
chapitre 4.
4. Ces
Ces notions
notions concernent
concernent la
la
rcriture des inverses des matrices des bases
bases successives
successives des
des valeurs
valeurs des
des
sous problmes et des diffrents vecteurs colonnes
colonnes des
des variables
variables candidates
candidates
l'entre simultane dans la base.
Etape 0 : Initialisation.
Ecrire le problme matre du PTC
Choisir la base initiale
Etape 1 : Rsolution des sous problmes.
Rsoudre les sous problmes SPi et noter
noter (Di
(Di leurs
leurs optimums
optimums et
et
127
Wmin
=min {wi,i
{Wi li = 1, ... ,pq}
Si
Wmin
~ 0 , alors la solution est optimale. Sinon aller

1
l'tape 2
Etape 2 : Variables d'entres simultanes

Ranger les
Wi
dans l'ordre croissant
Choisir le maximum de variables dans cet ordre pouvant entrer

Rcrire la matrice 8- 1
Retour l'tape 1
Exemple1
Considrons le problme de transport capacit non balanc suivant.
Min
4X11
+ 2X12 +
4X21
3X22
5X31
~
30
~ 15
~
20
~12
o ~ X11 ~ 8
o ~ X12 ~ 6
o ~ X21 ~ 7
o ~ X22 ~ 6
o ~ X31 ~ 4
o ~ X32 ~ 5
En introduisant les variables d'cart
variables de surplus
S4, S5
a1, a2, a3, Sij ,
et les variables artificielles
prcdent s'crit sous la forme standard:
a4
i =
= 1,2,3 j =
= 1,2, les
et
a5 ,
le problme
128
= 30
a1
= 15
a2
+
X31
= 20
+ a3
X32
-S4
+X31
= 6
+ a4
-Ss
+ X32
= 12
+ as
X11+S11
=8
X12 + S12
=6
X21 + S21
=7
X31 + S31
=6
=4
X32 + S32
X22 + S22
Notons
U11
Xij
= 8,
U12
i = 1,2,3 et j = 1,2 ;
t(Xij ,Sii)
= 6,
= 7,
U21
= 6,
U22
U31
= 4,
U32
=5
Les points extrmes associs aux ensembles convexes
~ij =
{(Xij , Sji) / Xij +Sij
on a donc Xij
=~ij1Yij1
i = 1,2,3 ; j = 1,2 sont y ij = t(Uij , 0) et y ij 2 = t(O
Uij}
+
~ij2Yij2 avec 0 :::; ~/:::; 1 k
=1, 2
Le problme matre associ au problme prcdent est:

3
Max Z
c~.~~.Y.~
IJ IJ IJ
="
"
LJLJ
M4a4
I\I1 sas
i=1 j=1
A11Y111~111 +A12Y121~121 +A21Y211~211 +A22Y221~221 +A31Y311~311

~2Y321~321
~ij1
~ij2
+ t((a1, a2, a3, -S4 + a4, -Ss + as)
= bO
=1
i =1,2, 3 ; j = 1, 2
O
A 11
= 0
A 12
= 0
A 21
= 0
A 22
A 31 =
, Uij)
129
a
0
a 0a
0
a
A 32 = 1
0
a 0a
1 0
a
30
15
bO =
20
6
12
sont les matrices de contraintes communes

C11 = (-4, 0), C12 = (-2, 0), C21 = (-4, 0), C22 = (-3, 0) C31 = (-5, 0), C32 = (0, 0) les
matrices des cots rduits
Ce problme peut tre rcrit comme suit:
3
'"" '"'
'""
Max Z = '"'
~~
c~.~)Y~
c~I3~Y~
+ M4a4 IJ IJ U
IJ
Msas
i=1 j=1
8~111 + 6~121
= 30
= 15
=15
4 ~311
8~111
+ 4 ~311
+7~211
+6 ~221
6~121
+5~321
+a4
+5~321
-S4
+as
=6
- Ss = 12
=1
~111+~112
~121+ ~122
~1l
= 1
=
2
2
~211 + ~21
~22
=
=1
= 1
1
+ ~22
~31
+ ~31
~32
= 1
+ ~32
= 1
~O
Initialisation:
On prend comme solution initiale de base
~S=(a1, a2, a3, a4, as, ~112, ~1l, ~212, ~222, ~312, ~322)
~s=(a1,
= (30,15, 20, 6,12 ,1 ,1 ,1 ,1 ,1 ,1)
0)
la matrice des cots correspondants Cs = (0, 0, 0, -M4, -Ms, 0, 0, 0, 0, 0, a
1 1
L'inverse de la matrice de base courante B- = \11 (matrice identit d'ordre 11)
11
130
130
Itration 1
-Rsolution des sous problmes
le premier sous problme:
A 11 X 11
1
o
o - C11X11 =-M4 + 4X11
o
o
o
=(-M4 + 4)X11
X11 + S11 =8
Min W
le sous problme est alors
SP11 {
la solution est W 11 * = -8M4 + 32 avec (X11 ,S11 ) = (8,0)

(8, 0)
le second sous problme:
A
A 12X1
o
1
1
C12(X 12 ) =CS S-
o
o
o
la solution est W12*
=-6M s +12,
=(-Ms+ 2)X12
X12 + S12 =6
Min W
SP 12 {
avec (X12 ,S12 ) =(6, 0)
le troisime sous problme:

A21 X 21
o
o
1
o
o
o
Min W =
= (-M 4 + 4)X21
SP2' {
X21 + S21
=7
131
131
la solution est W21 = -7M 44 + 28 avec (X21

(X21 ,S21 ) =
= (7,
(7, 0)
0)
le quatrime sous problme:
A22 X2
o
o
C22 (X 22 ) = CS S- 1
0
1
o
o
Min
Min W
W == (-Ms
(-Ms ++ 3)X22
3)X22
SP22 {
X22
X22
++ S22
S22 == 66
la solution est W 22 = -6Ms + 18 avec (X22

(X22 ,S22 ) =
= (6,
(6, 0)
0)
le cinquime sous problme:

A 31 X31
o
o
C31 (X31 ) = CS S- 1
- C31X31 = (-M 44 + 5)X31

5)X31
o
1
o
{{
SP31
Min
Min w =(-M
=(-M44 ++ 5)X31
5)X31
X31
X31
++ S31
S31 == 44
la solution est W 31 = -4M 44 + 20 avec (X31

(X31 ,S31 ) =
= (4,
(4, 0)
0)
le sixime sous problme:

A 32 X 3
o
o
1
C32 (X 32 ) = C BB BS-
o
o
Min
Min w == -MSX32
-MSX32
11

la
la solution
solution est
est W32
W32 =
= -5Ms
-5Ms
SP 32 {
X32
X32
++ S32
S32 == 55
avec
avec (X32
(X32 ,S32
,S32 )) == (5,
(5, 0)
0)
132
Tous les optimums
Wt sont ngatifs; donc la solution n'est pas optimale
Recherche des variables pouvant entrer simultanment dans la base

On a
Wl1*< W21* < W 12* < W 22* < W32* < W31*
La premire variable qui doit entrer est ~111, la suivante est ~211. Cherchons si
elles peuvent entrer ensemble. Une chose est sre: ces deux variables ne sont
pas de rentres totalement indpendantes car elles ont le mme second indice
(qui vaut 1).
Le vecteur colonne de ~111 et la matrice solution valent respectivement
p1_
ii ii
30
15
20
Os
12
2
~B = [311
2
[312
2
[321
2
[322
2
[331
2
[332
0
0
0
0
0
6
On a min {30, ,1}
8 8
colonne
= 6,
8
donc
~111
= bo =
1
1
1
1
1
1
remplace
a4,
la ligne 4; or le vecteur
P2j1 de la deuxime variable ~211 candidate l'entre a son quatrime
coefficient qui vaut 7 qui est diffrent de 0 ; donc ~111 et ~211 ne peuvent pas
entrer simultanment. Alors, on fait entrer ~111 tout seule dans la base.
L'inverse de la matrice de la base courante est 8- 1 = E et vaut
133
133
S-1 =
0
0
0
0
0
0
0
0
0
0
0
1
8
0
1
-8
0
0
1
0
0
0
0
-1
1
0
0
0
0
0
0
0
0
0
0
0
0
0
1
0
0
La solution est ~s = S-1 bo = I( a1, a2, a3,
2 ~ 12,
2 ~21,
2 ~~22,
2 ~~31,
2 ~32
2)
~11 1,as, ~ 11,
~21,
~322)
31
1(24,15,20, -,12,,1 ,1 ,1 ,1 ,1)
4
4
la matrice des cots correspondants Cs = 1(0, 0, 0,

a, -32, -Ms, 0,a, 0,a, 0,a, 0, 0,0, 0a ))
Itration 2
Puisque la variable ~111 est entr dans la contrainte 4 ; donc il n'y

n'y aa que
que
changent.
les sous problmes des variables se trouvant la quatrime ligne qui changent.
~111 vient
vient
Ces sous problmes sont: SP 21 , SP 31 et videmment SP 11 . Comme ~111
d'entrer dans la base, donc dans cette itration, l'optimum de SP 1111 est positif.
positif.
La fonction des cots rduits du troisime sous problme est:
A21 X 2
oa
oa
C21 (X 21 ) = IC S S- 1
- C21X21 = (-4+ 4)X21 = 0a
oa
oa
oa
Le sous problme est donc:
= 0a
X21 + S21 =7
Min W
SP 21
La solution est: (X21, S21) = (0,7) = W21 = 0a
134

A 31 X 31
o
o
o - C31 X31 =(-4+ 5)X31
o
1
o
Min w
SP31 {
= X31
X31 + S31 = 4
=0 avec (X31 ,S31 ) =(0,4)

On a Min {W 12, W22, W 32} =W 12
la solution est W 31
Dons ~121 est prioritaire pour entrer dans la base
Son vecteur colonne et la solution du problme valent respectivement
24
15
20
~~1
3
4
5
2
12
1
~f2
~~1
~~2
~~1
~~
o
o
6
o
1
o
o
o
o
~B
~11
Min {24/6, 12/6, 1} = 1, donc ~121 doit remplacer ~1l

Cherchons si ~121 peut entrer avec ~221 et ~321
1
1
1
1
135
On peut remarquer que toutes ces variables figurent dans une mme
contrainte (la cinquime), donc elles ne sont pas de rentres totalement
indpendantes.
D'autre part, l'entre dans la base de ~121 entrane la nouvelle matrice
S-1 =
-1
-6
-6
8
0
1
--
8
0
0
0
0
0
La matrice des seconds membres est

18
15
20
3
4
6
S-1b o = ~B =
4
1
1
1
1
1
Le vecteurs colonnes de ~221 et ~321 et la matrice valent respectivement:
136
136
18
6
0
15
20
3
4
6
1
4
1
1
P321_- 0
P221_- 0
8-1
B-1P
8-1
B-1 P
On remarque
1322
et
1332
i3B
13s
sont libres (i. e les coefficient de leurs vecteurs

vecteurs
colonnes valent 0) la ligne par laquelle

1
1322
de cette dernire n'influe pas sur
et
1
[312
1312
entre dans la base; donc l'entre

l'entre
[332'.
1332'.
D'autre part
= 1, donc
Min {15/6, 6/6, 1}

qui influe sur
1312
et
1
1332 .
on choisit de faire rentrer
Alors
1
1312
et
1
1322
11
1322
1322
la place de as
as :: ce
ce
sont de rentres lies.
courante
Faisons les entrer et rcrivons l'inverse de la matrice de la base courante
1
1 0
-1
1l 0
0 1
6
0
0
1l
1
0
0
0 0
1 0
0 1
0 0 0
0 0 0
l1 0
0 0 0
-1
0
0
0 0
0 00 00 00
0 0
0 00 00 00
0 0
0 00 00 00
0 0 -6 0 00 00 00
0 00 00 00
0 0 0
8
0
1
-8
0
0 0
0 00 00 00
0 0 0
0 0
1
0
1 0 -6 0 00 00 00
0
0 0 0
0 0
6
0
0 0 0
0 0
l1
0 0 0
0 0
--
1 00 00 00
0 1 00 00
0 00 1 00
0 00 00 11
,~.
,~.
"
137
,.f:
- 1
- 6
- 1
0
1
8
1
6
-1
0
0
0
0
0
0
0
0
0
0
B- 1nouv -
1
8
0
0
1
6
0
A
B-11b0 =-- t(a1'
t( a1, a2,
A
A 1 A 2 A 1 A 2 A 2 A 2 A 2)
, est
La
~121,, ~212,
La solution
so 1ut Ion
es t ~s=
I-'S = B- bo
a2, a3,
a3, ~111,
1-'
11 1 , ~221,
1-'22 , ~112,
1-'11 ,1-'12
1-'21 , ~2l,
1-'22 , ~312,
1-'31 , ~3l)
f-/32
3
1
(18,8,20, -,1 ,- ,1 ,1 ,0,1 ,1)
la matrice des cots

COCltS correspondants Cs
=t(O, 0, 0, -32, -18, 0, -12, 0, 0, 0, 0)
Itration 3
Recherche des sous problmes

On a Cst B- 1 = (0, 0, 0, -4,-3, 0, 6, 0, 0, 0, 0)
A 11 X11
o
o
o
o
o
- C11X11
=-4X11
4X11
=0
Min W = 0
SP11
SP11 {
W 11 " = 0 avec (X11 ,S11

,S11 )) = (8,0)
la solution est W1;
X11
+ S11
S11
=8
138
138
le troisime sous problme:

A21 X 21
o
o
1
- C21 X 21
=(-4+
(-4+ 4)X21
4)X21 =0
0
o
o
o
SP 21
21
la solution est W 21 '
= 00
X21
X21 ++ S21
S21 =7
7
Min
Min W
W
{{
=0

A31 X 31
o
o
C31(~1)
1
=C S BS-
- C31X31
=(-4
(-4 ++ 5)x31
5)x31
o
1
o
=X31
X31
X31
X31 ++ S31
S31 =44
{Min
{Min w
w
SP31
SP31
=0 avec (X31 ,S31

,S31 )) = (0, 4)
4)

A32 X 3
o
o
C 32 (X32 )
1
=C SSBS-
o
o
Min
Min w
w == -3X32
-3X32
11
la
la solution
solution est
est W
W 32
32''
=-15
-15
SP
SP32
32 {{
avec
avec (X32
(X32 ,S32
,S32 ))
X32
X32 ++ S32
S32
=(S,
(S, 0)
0)
=55
139
min { Wu*}
[332 1 qui entre dans la base.
=W32*, donc c'est
Son vecteur colonne est et le vecteur solution valent respectivement

0
-5
18
5
0
20
3/4
1
5/6
S-1 P32 1_
0
0
[38
1/4
1
-5/6
0
1
1
1
1
Min {20/5, 6/5, 1} = 1 donc [332 entre la place de [33l
La nouvelle matrice S-1 vaut
=
S-1 =
1
0
0
0
1
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
-1
0
0
1
8
1
8
- 6
5
- 5
1
6
-1
- 5/6
0
0
1
6
0
0
5/6
1
0
0
-1
0
= S-1 bo ; on trouve
La nouvelle solution est ~8 =
~8 = S-1bo = t( 18,14,15, %,1/6, Y4, 1, 1,5/6,1,1) = (1, 2, 3, ~111 ~221, ~112,
~121, ~212, ~2l, ~312, ~32\

Comme la variable, ~321 est entrer dans la base une contrainte o les
autres variable sont libres, alors les optimums tous les sous problmes
140
prcdents ne changent pas de valeurs par rapport leur valeurs dans

l'itration prcdente. D'autre part l'optimum du sous problme li ~321 est
positif car elle vient juste d'entrer dans la base. Finalement, la solution du
problme de transport capacit est atteinte. La base optimale est
~B = S-1b o = (a,1, a,2, a,3, ~111 , ~221,~112, ~121, ~212, ~2l ~312, ~321) = t( 18,14,15,
%, 1/6 ,
~,
1, 1, 5/6, 1, 1)
X11 = ( Xll , Sll) = ~lllYlll + ~112Yl12 = % y 11 l + ~ y l1 2 =( 6 , 2)

X12 = (X12, S12) = ~121Y121 + ~llYll = Y 121 =( 6 ,0)
X21 = (X21 , S21) = ~211Y211 + ~212Y212 = y 21 2 =( 0,7)
1
X 22 = (X22 , S22) = ~221Y221 + ~2lY2l = 1I6y22 1 + S/6Y 2l = (1 ,5)
X31 = (X31 , S31) = ~311Y311 + ~312Y312 = Y31 2 =( 0,4)

X 32 = ( X32 , S32) = ~321Y321 + ~3lY322 = y 32 1 =( 5 , 0)
La valeur optimale du problme
=4x6 + 2x6 + 4xO + 3x1
+ 5xO
=39
Exemple 2
Considrons le problme de transport capacit balanc suivant.

Min W
=-Xll
+ 2X12 +X13 +2X21 + 3X22

=7
=13
=7
=8
=5
o ~ Xl1 ~ 8
o ~ X12 ~ 5
o ~ X13 ~ 4
o ~ X21 ~ 6
o ~ X22 ~ 3
o ~ X23 ~ 6
= 1, ... , 5 respectivement dans
Introduisant les variables de surplus rk, k =
les cinq premires contraintes de mme que les variables artificielles a,k, k =
=
1, ... , 5. Introduisons aussi les variables d'cart Sij, i = 1,2 ; j = 1,2 ,3.
Le problme prcdent s'crit sous la forme standard:
141
141
=7
- r1 + CX1
X11 +X12 + X13
X21 + X22
X13
=8
- r4 + CX4
+X22
X12
=7
- r3 + CX3
+X21
X11
=13
+ X23 - r2 + CX2
+ X32
- rs + CXs
=5
X11+S11=8
X12 + S12 = 5
X13 +S13 = 4
X21 + S21 = 6
X22 + S22 = 3
X23 + S21 = 6
Notons Xij = I(Xij ,Sii)
i = 1,2 et j = 1,2 ,3 ;
U11 = 8, U12 = 5, U13 = 4 U21 = 6, U22 = 3, U23 = 6

Les points extrmes des ensembles convexes
1
2
,1ij = {6<ij Sii) 1 Xij +Sij = Uij} i = 1,2; j = 1,2,3 sont y ij = I(Uij , 0) et y ij 2 = 1(0 Uij)
1
11
On a donc Xij = ~ij1Yij1 + ~ij2Yij2 avec 0 ::; ~t::; 1 k = 1, 2
Le problme matre associ au problme prcdent est:

2
Max Z =
LL ct~Yil- M1cx1 - M2cx2 - M3cx3 - M4cx4 - Mscxs

i=1 j=1
A11Y111~111 +A12Y121~121 + A13Y131~131 + A21Y211~211 + A22Y221~221
A 23 Y231~231 + 1(_ r1 + CX1 , - r2 + CX2, - r3 + CX3, - r4 + CX4, - rs + cxs,) = bO
~ij1 + ~l = 1
i =1,2
; j = 1, 2, 3
142
O
1 0
0
A 11
11
=
=
1 0
0
1 0
0 0
=
=0
A 12
1 0
A 113
3
1 0
0 0
0 0
=0 0
=
0 0
1 0
A 21
0 0
1 0
=
=1 0
0 0
0
0 00
0 0
1 0
A22
=0 0
=
1 00
A 23
23
== 0 00
1 0
0 00
0 0
1 00
7
13
bO =
= 7
8
5
sont les matrices de contraintes communes
C11
=
= (1, 0),
C12
=
= (-2,0),
(-2, 0),
C13
= (-1,
(-1,0),
=
0),
C21
= (-2,
(-2,0),
=
0),
C22
= (-3,
(-3,0)
= (0,
(0,0),
=
0) C23 =
0),
les
matrices des cots rduits
Initialisation:
On prend comme solution initiale de base
_
~s - (0.1
, 0.2,0.3, 0.4, 0.5,
= (7, 13, 7, 8, 5 ,1
2
2
2
2 1'<2
r<2 1'<2)
r<2)
f311' f312' f313' f321' 1-'22, 1-'23
,1 ,1 ,1 ,1 ,1)
La matrice des cots correspondants
Cs =
= (-1\111, -M 2, -M3, -M 4, -M 5, 0, 0, 0, 0, 0, 0)
1
L'inverse de la matrice de base courante B- =111 (matrice identit d'ordre 11)
Itration 1
-Rsolution des sous problmes

X11
A11 X
1
o
C11 (X11) =
= C S B-
o
o
o
C11X11
=
=-- (M 1+M 3 )X11
- X11
143
143
la solution est W 11 *
=- 8(M1+M3)
- 8 avec (X11 ,S11 ) =(8,0)
le second sous problme est:
=5
X12 + S12 =
la solution est W 12*
=- 5(M 1+M 4 ) + 10,
,S12))
avec (X12 ,S12
(5,0)
= (5,
0)
le troisime sous problme est :
=- (M 1+Ms)X13 + X13
X13 + S13 =4
Min W
la solution est W 13*
=- 4(M 1+Ms) + 4,
avec (X13 ,S13 ) =(4, 0)
le quatrime sous problme est:

Min W == - (M2+M3)X21 +2X21
X21 + S21 =
=6
SP21 {
la solution est W 21 *
=- 6(M1 +M3)
+12 avec (X11 ,S11 ) =(6, 0)
le cinquime sous problme est:
=- (M2 + M4 )X22 + 3X22

X22 + S22 =3
Min W
SP2 2 {
la solution est W 22 * =
= -3 (M 2 + M4 ) + 9; avec (X22 ,S22 ) ==(3, 0)
la solution est W 22 **
=- 6(M2 + Ms);
avec (X22 ,S22 ) =(3, 0)
Tous les optimums W( sont ngatifs; donc la solution n'est pas optimale.
144
144
On a
W11**
W11
< W 22 **
< W 23 * < W 211** < W 12 * < W 13** <
Les deux premires variables candidates l'entre dans la base

base ~~ 11 et
et ~13
~13
sont de rentres totalement indpendantes car leurs premiers
premiers indices
indices sont
sont
diffrents entre eux de mme que leur deuxime indice.
Leurs vecteurs colonnes respectifs et le vecteur solution sont respectivement:
respectivement:
8
o0
o0
13
o0
o0
o0
o0
P 1_
P
11 1 --
8
5
1
1
P23
=
= 0
~B
o0
o0
o0
o0
o0
o0
o0
o0
o0
1
1
1
1
1
On a Min {7/8, 1} =718, donc ~~ 1 peut remplacer a1

a1 ou a3
a3 ;; on
on choisit
choisit a1.
a1.
= 5/6,
D'autre part Min {13/5, 5/6, 1}
donc ~13 remplace as. En

En faisant
faisant entrer
entrer
ces deux variables, on obtient la nouvelle matrice
8-1
8-
1/8
0
- 1
0
0
0
0
- 1/8
0
0
0
0
0
0
0
1
0
0
0
0
- 1
0
0
1/6
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
0
- 1/6
0
0
0
0
00
00
00
00
0
0
0
0
00
00
0
0
00
00
00
00
00
00
0
0
0
0
0
0
00
00
0
0
0
00
00
00
00
00
00
00
00
00
00
00
00
11
00

~B
_1
--
(~11,
= (7/8,
a2,
a2, a3,
a3, a4,
a4,
1222222
~23 , ~11' ~12' ~13, ~21' ~22, ~23)
8, 0, 8, 516
11
1/8 , 1 , 1 ,
1,
1 , 1/6)
00
00
00
00
00
00
00
00
00
00
11
145
145
La matrice des cots correspondants est

Cs ::: 1(8, -M 2, -M 3, -M4, 0, 0, 0, 0, 0, 0)
Itration 2
Les optimums des sous problmes SP11 et SP23 associs aux variables
variables 1313
1313 et
et
13~ 1 sont positifs. Comme ces variables sont entres dans la base
base au
au niveau
niveau de
de
lignes o les variables
optimums des
des sous
sous
1311, 1312 sont libres, alors les optimums
rapport l'itration
l'itration
problmes SP 21 et SP 22 ne changent pas de valeur par rapport
prcdente. Ainsi il ne reste qu' rsoudre les sous problmes SP
SP12
et SP13
SP13
12 et
le deuxime sous problme:

La fonction des cots rduits est
A12 X 12
C 12(X12) ::: (1 +M 3, -M 2, -M 3, -M4,M 2,0,O, 0, 0,0,0)
+ 2X12
2X12
:::
:::
(3+M3
(3+M3 -M
-M44)X12
)X12
Min W::: (3+M3 -M4)X12

-M4)X12
SP 12 {
X12
+ S12 ::: 5
la solution est W12* ::: 1S+S(M3 -M4) avec (X12

(X12 ,S12 ) ::: (5, 0)
146
A13 X13
o
o
C13 (X 13 )
=(1 +M3, -M 2, -M 3, -M 4 ,M 2,O,O, 0, 0,0,0)
+ X13
=(2+M3 +M 2)X13
o
o
o
la solution est W 13' = 0,
avec (X13 ,S13 )
D'autre part on avait W 21 '
=- 6(M 1+M 3)
=(0, 4)
+12; W22'
=- 6(M 2 + Ms)
On a donc W 21 ' < W 22 ' < W 12' < O. La solution n'est pas optimale et
entrer dans la base.
Son vecteur colonne et le vecteur solution valent
respectivement:
0
1
(311
7/8
0
1
1
1
8- P21 = 8- 0
4
1
(323
~11 doit
~B
(3f1
5/6
(3f2
2
(313
2
(321
(3~2
(3~3
Min { 8/6, 0/6, 1} = 0 correspond 3. Alors ~11 remplace 3

D'autre part le vecteur colonne de ~12 vaut
1/8
1
1
1
1
1/
147
147
8-
P22
8- 1
0
3
3
0
3
0
0
0
0
0
0
3
0
0
0
0
0
libre,
On constate que [311 entre dans la base au niveau d'une ligne o [312 est libre,
alors ces deux variables peuvent rentrer ensemble dans la base dans cette
cette
itration.
qui
Dterminons la variable que [312 va remplacer. La matrice de mise jour qui
suit
l'~ntre de [311 est
E =
=
- 1
1/6
0
0
0
0
0
- 1/6
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
0
1
0
0
L'inverse de la matrice de la base courante vaut:
0
0
0
0
0
0
0
0
0
1
0
0
0
0
0
0
0
0
0
0
148
]48
S
Bnouv
nouv-1 --
ES-1
EB-
--
1/8
00
00
00
00
00
00
00
00
00
-- 11
-1
00
00
00
00
00
00
00
00
00
00
00
1/6
00
00
1/6
00
11
00
00
00
00
00
00
00
00
1/6
1/6
00
00
00
00
00
00
1/8
00
00
11
00
00
00
00
00
00
00
00
11
00
00
00
00
00
00
00
00
11
00
00
00
1/6
- 1/6
00
00
00
00
00
11
00
00
00
00
00
00
00
00
11
00
00
-- 1/6
1/6
00
00
00
00
00
11

~B
1
1
12
1 _
22
22
22
22
22
2
=BS-1b
bo - ([311, a2, [321, a4, [323, [311,
[311, [312,
[312, [313,
[313, [321,
[321, [322,
[322, [323
[323 ))
11 ,, 1/6)
=
= (7/8, 8, 0, 8, 516 , 1/8
1/8 ,, 11 ,, 11 ,, 11
1/6)
11
Comme le vecteur colonne de [312 est

est
B- 1P 22 1
S-
= (0,3,0,3,0,0, 0, 0, 0, 1,0)
1,0)
1
Alors Min {8/3, 1/1} =1 donc [322 remplace
remplace [3~2'
[3~2' La
La nouvelle
nouvelle matrice
matrice
1/8
1
-1 _
Bnouv
Snouv
0
1
0
-1
1/6
0
0
0
1/6
0
0
1/8
0
0
0
0
0
0
0
0
0
0
1/6
0
0
0
0
0
0
-- 1/6
1/6
00
0
0
0
0
00
00
-- 11
00
00
00
00
00
00
1/6
1/6
00
00
11
00
00
00
00
00
00
00
00
-- 1/6
1/6
00
0
0
1
0
0
0
0
00
00
00
00
00
00
00
00
00
11
00
00
00
00
00
00
00
00
00
-- 33
00
00
00
00
00
00
00
-- 33
00
00
00
00
00
00
00
00
00
00
00
11
00
00
00
00
00
00
00
00
11
00
00
11
00
00
00
00
00
11
La solution
La
correspondante est
est
1
~B =S-1
B- b
~B
bo
o
= ([3~
([3~ 1,
1, a2,
a2, [311,
[311, a4,
a4, [313,
[313, [3f1'
[3f1' [3f2'
[3f2' [3f3'
[3f3' [3~1'
[3~1' [312,
[312, [3~3)
[3~3)
11 ,, 1/6)
=
= (7/8,
(7/8, 5,
5, 0,
0, 5,
5, 516
516 ,, 1/8
1/8 ,, 11 ,, 11 ,, 11
1/6)
1
1
la matrice
matrice des
la
des cots
cots correspondants
correspondants est
est
CB =
= t(8,
t(8, -M2,
CB
-M2, -12,
-12, -M
-M4
0, 0,
0, 0,
0, 0,
0, -6,
-6, 0)
0)
4,, 0,
Itration 3
Itration
3
Les sous
sous problmes
Les
problmes SP21
SP21 et
et SP22
SP22 ont
ont des
des optimums
optimums positifs.
positifs.
149
149

La quantit CsSCsS-11 =
3N22 -- 66 ,0)
,0)
= (3-M 22,, -M 22,, M22 -- 2, -M 44, M22,, 0, 0, 0, 0, 3M 22 ++ 3N
A 11X 1 1
1
C(X
C S SSC(X 11
) =C
11 )=
11
o
--C11X11=0
C11X11 =0
o
o
o
Min W
SP11
SP11
=0
X11
+ S11 = 8
X11+S11=8
(X11 ,S11
,S11 )) = (8,0)
11 * = 0 avec (X11
le second sous problme est:
A12X12
A12X12
o
1
o
o
o
o
= - 5- (1VI
(M22+M 4 ) + 25, avec (X12
(X12 ,S12
,S12 )) =
= (5, 0)
12* =le troisime sous problme est :
Min W =
= 4X13
X13
13**
=0,
+ Sn
=4
avec (X13 ,Sn ) = (0, 4)
150
150

fMin W =
=0
S p 22
221 X23 + S23 =
=6
SP
=- 6(M2 + Ms);
avec (X22 ,S22 )
=(3, 0)
W 12' est ngatif; donc la solution n'est pas optimale et

et la
la variable
variable
f3b
doit
doit
entrer dans la base.

Le vecteur colonne de
S-1P12
8P12
S-1
= 8-
0
0
1
0
0
0
0
On a Min {515, 1}
et le vecteur solution valent respectivement:

respectivement:
5/8
5
5/6
5
0
5/8
1
0
5/6
0
0
5
0
0
5
1
f3l2
~B
=1 correspond
7/8
5
0
5
5/6
1/8
1
1
1
1
1/6
a2, a4 et
f3f2'
On choisit
choisit de
de faire
faire sortir
sortir a2.
a2.
La matrice de mise jour
1
0
0
0
0
0
0
0
0
0
- 1/8
1/5
1/6
-1
0
1/8
- 1/5
0
- 1/6
0
00
0
0
1
0
0
0
0
0
0
0
00
0
0
0
1
0
0
0
0
0
0
00
0
0
0
0
1
0
0
0
0
0
00
0
0
0
0
0
1
0
0
0
0
00
0
0
0
0
0
0
1
0
0
0
00
0
0
0
0
0
0
0
1
0
0
00
0
0
0
0
0
0
0
0
1
0
00
0
0
0
0
0
0
0
0
0
11
00
0
0
0
0
0
0
0
0
0
0
11
15.1
15.1
L'inverse de la matrice de base courante

courante est
est BB-11nouv
nouv
EB-11.. Soit
Soit
=EB-
.'
~
~....
B- 1nouv -
- 1/8
1/8
00
1/8
1/8
00
00
00
00
3/8
3/8
00
1/5
1/5
- 1/5
00
1/5
-- 1/5
00
00
00
00
3/5
-- 3/5
00
1/6
00
00
1/6
-- 1/6
00
00
00
00
3/6
-- 3/6
00
-1
-1
11
11
00
00
00
00
00
00
00
1/6
1/6
00
00
00
00
00
00
1/8
- 1/8
00
1/8
-- 1/8
11
00
00
00
3/8
-- 3/8
00
- 1/5
- 1/5
1/5
00
1/5
1/5
00
11
00
00
3/5
3/5
00
00
00
00
00
11
00
00
00
- 1/6
00
1/6
1/6
00
00
00
11
1/2
1/2
00
00
00
00
00
00
00
11
00
00
-- 1/6
1/6
00
00
00
00
00
11

111
1
12
22
22
22
21
12
2
~s =
=B-1bo -_ ([311,
[312, [321, a4, [323,
[323, [311,
[311, [312,
[312, [313,
[313, [321,
[321, [322,
[322, [323)
[323)
=
= (1/4,
1 , 516, 0, 5/6 , 3/4

3/4 ,, 0,
0, 11 ,,
1/6
1/6 ,,
11 ,, 1/6)
1/6)
La matrice des cots correspondants

correspondants est
est
=\8, -10, -12, -M 4, 0,0,0,0, -6,0)

Cs =
-6,0)
Itration 4
Le sous problme SP 12 un optimum
optimum positif.
positif.
1
La quantit C SS B- 1 =
= (M 4 -2, M
M4 -5, 3-M
3-M44,, -M4,
-M4, 5-M
5-M44,, 0,
0, 0,
0, 0,
0, 0,
0, 99 ,0)
,0)
Min
W
Min W
SP
SP11
11 {{
X11
X11
= (M
(M44-2
3-M44)X11
)X11 -- X11
X11 =
=00
-2 ++ 3-M
++ S11
S11 = 88
la solution
solution est
- =0
la
est W
W 11
11 - = 0
le troisime
troisime sous
le
sous problme
problme est
est ::
= (M
(M44-2
-M44)X13
)X13 ++ X13
X13 =
=4X13
4X13
-2 ++ 55 -M
X13
X13 +
+ S13
S13 =
= 44
Min
Min W
W
la solution
solution est
la
est
W13W13-
=
= 0,
0,
avec
avec (X13
(X13 ,S13
,S13 )) = (0,
(0, 4)
4)
152
152
le quatrime sous problme est:

-5 +3
+3 -M
-M44 )X21
)X21 ++ 2X21
2X21 =
= 00
Min W ==(M 4 -5
SP21 {
X21 + S21
=6
la solution est W 21 * =0
le cinquime sous problme est:

Min W
SP2t
la solution est W22*
=3;
=(M 4 -5 -
M
)X22 ++ 3X22
3X22 ++ 99 = -2X22
-2X22 +9
+9
M44 )X22
X22 + S22 =3
avec (X22 ,S22 ) =(3, 0)

Min W == - (M
(M4 -2 - M4
M4 +2)X23
+2)X23 ==00
SP 22 {
X23 + S23 =6
la solution est W 22 * =0
Tous les optimums W( sont positifs; donc la solution
solution optimale
optimale est
est atteinte
atteinte
La base optimale est
A fJB -
S-1b 0 -- (1<1
1<1
1<1 4, 1-'23,
1<1
1<2 1-'12,
1<2 1<2
1<2
1<1
1<2 1-'22,
1<1 1<2)
1<2)
1-'11, 1-'12,
1-'21,
1-'11,
1-'13 1-'21,
1-'23
1-'21,
1-'22,
1-'23
11
= (1/4,
1, 5/6, 0, 5/6 , 3/4
11
0,
1,
1/6,
1/6,
1,
1, 1/6)
1/6)
X11 = (X11, S11) = 13~1Y111 + I3f1 Y11 2 = X y 11 1+ % y 111122 =(

=( 2,6)
2,6)
X 12
=( X12 , S12) =
X 13 = (,X13 S13) =
11
1
1
I3h y 12 + I3f2 Y 1l = Y12 =( 5 , 0)
0)
2
13~3 y 131 + I3f3 y 13
13 = Y1/ =(0 , 4)
22
= 1311Y211 + 13~1Y212 = 5/6 y 21 1 + 1/6y
1/6y21
(5,1)
21 == (5,1)
X 22 =( X22 , S22) =
= 1312 y 221 + 13~2 y 222 =y 22 1 =(3 ,0)
,0)
. X21 = (X21 S21)

11
1
1
X23 =( X23 S23) =
= 1313 y 23 + 13~3 Y 2/ =
= 5/6 y 23 + 1/6Y2/
1/6Y2/ =(5
(5 1)
1)
1
1
La valeur optimale du problme

W* =
= -2 + 2x5 + 1xO + 2x5 + 3x3 +5xO ==27
1
1
153
Conclusion:
Dans ce chapitre, nous avons prsent une nouvelle mthode de
rsolution des problmes de transport capacit.
Cette approche
utilise la
gnralisation de la forme produit pour faire entrer simultanment plusieurs

variables dans une base donne et pour viter de faire beaucoup de calculs de
cots rduits et d'inverse de matrices; ce qui diminue considrablement le
nombre d'itrations qu'aurait fait la mthode usuelle de dcomposition pour
atteindre la solution optimale.
Cette mthode peut tre largie bon nombre de problmes de programmation
linaire qui font intervenir des variables bornes. C'est ainsi qu'elle est trs
adapte pour rsoudre les problmes de flots coup minimal dont la
formulation est la suivante:
n n
MinZ= LLCijXij
i=1 j=1
L Xij - L Xji =
j=1
b j , \j i
j=1
o:: ; X ij :::; Uij,
\j
S, \j j
O S est l'ensemble des sommets d'un rseau d'arcs donn.
154
Conclusion gnrale:
Dans cette thse, nous avons prsent une
nouvelle mthode de
rsolution des problmes linaires variables bornes. Cette mthode est

base sur deux principes fondamentaux: une gnralisation de l'criture de
l'inverse de la matrice de base courante de la mthode rvise du simplexe et
une adaptation de la mthode usuelle de dcomposition.
Nous avons montr que dans certains problmes de programmation linaire
dont les matrices des contraintes sont creuses, nous arrivons faire entrer
simultanment deux ou plusieurs variables la fois dans la base, dans une
seule itration. l\Ious dmontrons ensuite que l'inverse de la matrice de la base
rsultant
de
l'entre de
certains types
de variables est obtenue
automatiquement sans effectuer des produits de matrices ni d'inversion de

matrices.
L'adaptation de la mthode usuelle de dcomposition est ralise pour tenir en
compte l'entre simultane de variables dans la base. C'est ainsi qu'elle vite
les calculs de cots rduits de certaines variables et diminue considrablement
le nombre d'itrations que la mthode usuelle de dcomposition aurait faites
pour atteindre la solution optimale.
D'autre part, nous avons fait une application de cette approche pour donner une
nouvelle mthode de rsolution des problmes de transport capacit qui est
trs diffrente de l'algorithme primai dual usuellement utilis pour rsoudre ces
cas de problmes. Les applications de la mthode propose (comme
il est
dmontr dans cette thse) peuvent tre aussi largies plusieurs types de
problmes de programmation linaire qui font intervenir des variables bornes
tels que le problme de flots coup minimal, le problme du sac dos...
Toutefois, cette tude pourrait tre poursuivie dans le cadre d'un mmoire de
DEA pour en riger le programme informatique et faire une comparaison avec
les mthodes usuelles de 'rsolution des problmes linaires variables
bornes.
155
Bibliographie
Alj Abderrahmane., Guide de la Recherche oprationnelle Tome 1: Les

fondements, Ed. Masson, 1986
Camara 1., Etude des problmes de transport et d'affectation, Mmoire de
DEA de Maths Appliques, Universit Cheikh Anta Diop de Dakar, (Dakar)
(1998)
Diagne Coumba Kb., Flots dans les rseaux et Problmes de Transport,
Mmoire de DEA de Maths Appliques, Universit Cheikh Anta Diop de Dakar,
(Dakar) (1999)
Dantzig G.B., Maximization of a Linear Function of Variables subject to

Linear Inequalities, (T. C Koopmans) ed., chapitre XXI, Activity Analysis of
Production and Allocation, Cowles, Commission Monographie n 13. John Wiley
and Sons, Inc. (New York), Chapman and Hall, iimited (London) (1951).
Dantzig G.B., Recent Advances in Linear Programming, Management Science,
2 (Jan. 1956) 131-144.
Dantzig G.B., Linear Programming and Extensions, Princeton University Press,
1963
De Werra D., Elments de programmation Lino.ire
Linaire avec application aux
graphes, Ed. Presses Polytechniques Romandes (1990)
Dro~sbeke
F.,Hallin M., Lefevre CL., Programmation Linaire par l'exemple,

Ed. Marketing Paris (1986)
Gningue Y., La programmation linaire avec application aux problmes de
transports (Elments de cours), Universit Laurentienne, (Universit Cheikh
Anta Diop de Dakar anne scolaire 1999-2000)
Lvy G., Algorithmique combinatoire, Edition: Peter Burch DUNOD, Paris

1994 ISBN 2 100021494
Simonnard MicheL, Programmation
conomique, tome 2 DUNOD, 1984
Linaire,
Technique
de
Calcul
Solnick H. B., LA PROGRAMMATION LINEAIRE dans la gestion de

l'entreprise, BORDAS, Paris (1975), Nouveau tirage 1982 ISBN2-04-004390-X
156
Taha Hamady A., Operations Reshearch : An introduction / Taha Hamady A

-6 th ed.ISBNO-13-272917-6

THS 7025 PDF

Transféré par

Droits d'auteur :

Formats disponibles

THS 7025 PDF

Transféré par

Informations du document

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

THS 7025 PDF

Transféré par

Droits d'auteur :

Formats disponibles

.

FACULTE DES SCIENCES ET TECHNIQUES

THESE DE DOCTORAT DE 3ine CYCLE DE MATHEMATIQUES APPLIQUEES

BORNEES PAR DECOMPOSITION

Universit Cheikh Anta Diop de Dakar

Universit Cheikh Anta Diop de Dakar

Universit Laurentiei1ne (Canada)

Universit Gaston Berger ( St Louis)

Universit Cheikh Anta Diop de Dakar

Universit Cheikh Anta Diop de Dakar

THIAM Sada Sory

Universit Cheikh Anta Diop de Dakar

Anne Universitaire 2003 - 2004 )

jl tous mes proches parents,

jl mes professeurs et encadreurs :Messieurs

jl tous [es professeurs mem6res de ce jury,

jl mes professeurs du (j)partement de !Matfimatiques

}lu:(secrtaires de ce (j)partement, :M.me

}lu chefdu CDpartement de nie Cfiimique et io[ogie

jl son prdcesseur, :M..

jl tous mes amis et co[Cgues du CDpartement de nie

}l tous ceu:( qui assistent ra prsentation de cette thse,

}l tous ceu:( qui ont particip de prs ou de Coin rraccomp[issement

Prsentation de la programmation Iinaire

l Formulation du problme de programmation linaire

2.1 Mthode d'numration

2.2 Mthode graphique

2.3 Mthode du simplexe ou mthode de G. B Dantzig

III La mthode du simplexe

3.2 Etapes de la mthode

3.3 Variantes de la mthode

IV Mthode du simplexe des PLVB

4.1 Principe de base de la mthode

4.2 Algorithme du simplexe des PLVB

1.2 Interprtation gomtrique de la programmation linaire

M'~hodes de rsolution des problmes de programmation linaire

5.1 Solution alternative

5.2 Solution infinie

5.3 Domaine vide

CHAPITRE II Mthode rvise du simplexe

l Forme matricielle de la mthode du simplexe

II Forme produit de "inverse

III Algorithme de la mthode rvise

CHAPITRE III Mthode de dcomposition

1.1 Cas des problmes sans contrainte commune

1.2 Cas gnral

CHAPITRE IV Gnralisation de la forme produit

l Variables de rentres totalement indpendantes

II Gnralisation de la forme produit

III. Variables de rentres croises

IV Gnralisation de la forme produit

V Variables de rentres lies

Nes de la recherche oprationnelle, les mthodes d'optimisation

est souvent considre

informatique standard. On trouve en effet de trs nombreux codes de

mthode base principalement sur une adaptation de la

les diffrentes mthodes de

rsolution que les mathmaticiens ont eu laborer. Dans ce mme chapitre,

simplexe qui constitue un raccourci du procd usuel du simplexe en ce sens