Cours de Recherche

Opérationnelle

Mme BARACHE épouse DJOUADI Fatiha

 Chapitre IV
Programmation Linéaire (PL)
Partie Méthode du simplexe
IV. 1. Introduction
Nous avons résolu des cas de programmes linéaires simples : deux variables et trois
ou cinq contraintes. Au fur et à mesure que le nombre des contraintes s’accroît, la
méthode graphique s’avère de plus en plus difficile à mettre en œuvre. En présence
de trois variables, nous devons faire appel à une représentation graphique dans
l’espace, exercice très délicat . . . Or, dans la pratique, les programmes linéaires
comportent plusieurs dizaines de variables et de contraintes. Ainsi, le recours à
une méthode générale devient indispensable.

L’algorithme du simplexe a été développé par George Dantzig en 1947, il permet de

résoudre un programme linéaire (PL) dans lequel il existe un nombre important de
variables de décision. Depuis, cet algorithme a fait l’objet de certaines d’articles
scientifiques et a servi à la résolution de nombreux modèles linéaires
IV. 2. Principe de l’algorithme du simplexe
1) Principe de l’algorithme :
Le principe de l’algorithme du simplexe est résumé dans les étapes suivantes :

Etape 1 : Démarrer à partir d’une solution de base réalisable de départ.

Etape 2 : Se déplacer d’un sommet vers un autre sommet du polyèdre convexe.

(Le déplacement permet un changement de base, chaque itération

de l’algorithme améliore la valeur de la fonction objectif)

Etape 3 : On répète l’étape 2 jusqu’à ce qu’il ne soit plus possible d’améliorer la

valeur de la fonction objectif.

Etape 4 : La dernière solution de base réalisable obtenue constitue la solution

optimale du PL.
IV. 2. Principe de l’algorithme du simplexe
2) Importance de l’algorithme :

L’importance de l’algorithme du simplexe réside dans le faite que

 Il permet de détecter si la solution optimale est unique.

 Il permet de détecter le fait qu’il n’existe pas des valeurs finies pour la fonction
objectif.

 Il permet de détecter les solutions optimales multiples.

 IV. 3. Concepts de base
On considère le PL sous forme standard, on le note (PLS).

𝑀𝑎𝑥 𝑍 = 𝑐1 𝑥1 + 𝑐2 𝑥2 + … + 𝑐𝑛 𝑥𝑛
𝑀𝑎𝑥 𝑍 = 𝐶 𝑋
𝑎11 𝑥1 + 𝑎12 𝑥2 + … + 𝑎1𝑛 𝑥𝑛 = 𝑏1
𝑎21 𝑥1 + 𝑎22 𝑥2 + … + 𝑎2𝑛 𝑥𝑛 = 𝑏2 AX= b
S/C X≥ 0
.
b≥ 0
.
S/C
𝑎𝑚1 𝑥1 + 𝑎𝑚2 𝑥2 + … + 𝑎𝑚𝑛 𝑥𝑛 = 𝑏𝑚
𝑥𝑗 ≥ 0, ∀ 𝑗 = 1, 𝑛
𝑏𝑖 ≥ 0, ∀ 𝑖 = 1, 𝑚
Remarque :
Avec la matrice A d’ordre 𝑚 × 𝑛
et rang(A) = m
IV. 3. Concepts de base
Notations

 B : l’ensemble des indices des variables de base.

 HB: l’ensemble des indices des variables hors base.
 𝑋𝐵 : l’ensemble des variables de base {𝑥𝑖 , 𝑖 ∈ 𝐵}.
 𝑋𝐻𝐵 : l’ensemble des variables hors base {𝑥𝑗 , 𝑗 ∈ 𝐻𝐵}.
 𝐴𝐵 = (𝑎𝑖𝑗 )𝑖 ∈𝐵 : la matrice formée par des m vecteurs de base.
 𝐴𝐻𝐵 = (𝑎𝑖𝑗 )𝑗 ∈𝐻𝐵 : la matrice formée par des (n-m) vecteurs hors base.
 𝐶𝐵 : les coefficients économiques des variables de base.
 𝐶𝐻𝐵 : les coefficients économiques des variables hors base.
IV. 3. Concepts de base

𝑋𝐵 𝑋𝐵 ≥ 0
On note 𝐴𝑋 = 𝐴𝐵 , 𝐴𝐻𝐵 = 𝐴𝐵 𝑋𝐵 + 𝐴𝐻𝐵 𝑋𝐻𝐵
𝑋𝐻𝐵 𝑋𝐻𝐵 ≥ 0
𝐴 = 𝐴𝐵 , 𝐴𝐻𝐵
𝑋 = 𝑋𝐵 , 𝑋𝐻𝐵 𝑋𝐵
C = [ 𝐶𝐵 , 𝐶𝐻𝐵 ] Z = CX = [ 𝐶𝐵 , 𝐶𝐻𝐵 ] = 𝐶𝐵 𝑋𝐵 + 𝐶𝐻𝐵 𝑋𝐻𝐵
𝑋𝐻𝐵

Définition 3.1 :
Soit X une solution de base réalisable alors 𝑋𝐻𝐵 = 0.
IV. 3. Concepts de base
Théorème 3.1 :
Soit X une solution de base réalisable alors 𝑋𝐻𝐵 = 0, donc, 𝐴𝐵 𝑋𝐵 = 𝑏.
Si 𝐴𝐵 est inversible ⇒ {𝐴𝐵 𝑋𝐵 = 𝑏 ⇒𝑋𝐵 = 𝐴−1 𝐵 𝑏}.
On obtient alors une solution de base réalisable lorsque
 𝑋𝐻𝐵 = 0𝑅𝑛−𝑚
 𝑋𝐵 ≠ 0𝑅𝑚
 𝑋𝐵 ≥ 0
Théorème 3.2 :
Toute solutions de base réalisables du système AX=b est un sommet du polyèdre
convexe S= {X ∈ 𝑅𝑛 , AX=b, X≥ 0} et réciproquement.

Conséquence 3.1 :
Le polyèdre convexe S= {X∈ 𝑅 𝑛 , AX=b, X≥ 0} possède un nombre fini de points
extrêmes.
IV. 3. Concepts de base
Théorème 3.3 :
Soit S un polyèdre convexe fermé et borné S= {X∈ 𝑅𝑛 , AX=b, X≥ 0} ayant N points
extrêmes {𝑆1 , 𝑆2 , … , 𝑆𝑛 }, alors tout point x peut être écrit sous la forme d’une
combinaison linéaire convexe de points {𝑆𝑖 }𝑖=1,𝑛 .
Théorème 3.4 :
La fonction objectif Z atteint son maximum en un point extrême de l’ensemble des
solutions réalisables S. De plus, si la fonction atteint son maximum en plusieurs points
extrêmes, elle prendra cette même valeur maximale en tout point combinaison linéaire
convexe de ses points extrêmes.
Théorème 3.5 :
Si un PL possède une solution réalisable alors il possède une solution de base réalisable.
Théorème 3.5 : (Théorème fondamental de la programmation linéaire)
Si un PL possède une solution réalisable optimale alors il possède une solution de base
réalisable optimale.
IV. 4 . Méthode du simplexe (les tableaux)
On considère le PL sous forme standard, on le note (PLS).

𝑀𝑎𝑥 𝑍 = 𝐶 𝑋

AX=b Rang(A) = m
PLS S/C X≥ 0
b≥ 0
IV. 4 . Méthode du simplexe

Etape 1 : On construit à partir de la matrice A deux matrices 𝐴𝐵 , 𝐴𝐻𝐵 . On annule (n-

m) variables hors base (𝑋𝐻𝐵 ) pour obtenir les m variables de base (𝑋𝐵 ≥ 0). La
solution de base réalisable est X=(𝑋𝐵 , 𝑋𝐻𝐵 ).

Etape 2 : Pour obtenir une autre solution de base réalisable qui améliore la valeur de
la fonction objectif Z, on transforme une variable hors base en une variable de base et
au même temps une variable de base actuelle en une variable hors base en utilisant la
formule de changement de base.

Etape 3 : Dans le cas où il est impossible d’améliorer la valeur de la fonction objectif

Z, la solution courante est optimale.
IV. 4 . Méthode du simplexe
Remarque :

 Dans chaque changement de base, le nombre de variables de base est constant. Il

est égale à m=rang(A).

 Pour appliquer cette méthode, il est impératif d’avoir une solution réalisable de
base de départ.
IV. 5 . Méthode du simplexe (Représentation par les
tableaux)
Pour simplifier et mieux organiser les calculs, on utilise une représentation des
différents systèmes par des tableaux dit tableaux du simplexe.

Soit le PL suivant

𝑀𝑎𝑥 𝑍 = 𝐶 𝑋 𝑀𝑎𝑥 𝑍 = 𝐶 𝑋
PL
AX≤b AX= b
PLS S/C X≥ 0
S/C X≥ 0
b≥ 0 b≥ 0

Rang(A) = m
Proposition 5 . 1 :

Tout programme linéaire peut se mettre sous forme standard ou sous forme
canonique à travers les transformations suivantes :

1. Si la fonction objectif est du type Min Z on résout le PL en posant

Min Z = Max (-Z)
2. Si un 𝑏𝑖 ≤ 0 on multiple la contrainte (i) par (-1).
3. Si la contrainte (i) est la forme supérieure ou égale à 𝑏𝑖 , on lui soustrait une
quantité 𝑒𝑖 (𝑒𝑖 ≥ 0, variable d’état).
4. Si la contrainte (i) est la forme inférieure ou égale à 𝑏𝑖 , on lui rajoute une
quantité 𝑒𝑖 (𝑒𝑖 ≥ 0, variable d’état).
5. Si une variable 𝑥𝑖 est quelconque, elle peut s’écrire sous la forme de 2
variables
𝑥𝑖 = 𝑥𝑖′ − 𝑥𝑖′′ tel que 𝑥𝑖′ , 𝑥𝑖′′ ≥ 0.
IV. 5 . Méthode du simplexe (Représentation par les
tableaux)
On suppose que les variables de de base sont {𝑥1 , 𝑥2 , … , 𝑥𝑚 } et les variables hors
base sont {𝑥𝑚+1 , … , 𝑥𝑛 }.

𝑏1 𝑎1𝑗
. .
On pose 𝑃0 = . , 𝑃𝑗 = . , ∀ 𝑗 = 1, … , 𝑛
𝑏𝑚 𝑎𝑚𝑗
𝑍0 = 𝑛𝑗=1 𝑐𝑗 𝑥𝑗 = 𝐶𝐵 𝑃0

𝑚
𝑍𝑗 = 𝑖=1 𝑐𝑖 𝑎𝑖𝑗 = 𝐶𝐵 𝑃𝑗

σj = 𝐶𝑗 − 𝑍𝑗
IV. 5 . Méthode du simplexe (Représentation par les tableaux)
Base 𝑪𝑩 𝑷𝟎 𝒙𝟏 𝒙𝟐 … 𝒙𝒎 𝒙𝒎+𝟏 … 𝒙𝒏

𝒙𝟏 𝑪𝟏 𝒃𝟏 1 0 … 0 𝒂𝟏(𝒎+𝟏) … 𝒂𝟏𝒏

𝒙𝟐 𝑪𝟐 𝒃𝟐 0 1 … 0 𝒂𝟐(𝒎+𝟏) …

⋮ ⋮ ⋮ ⋮ ⋮ ⋱ ⋮ ⋮ ⋮ ⋮

𝒙𝒎 𝑪𝒎 𝒃𝒎 0 0 … 1 𝒂𝒎(𝒎+𝟏) … 𝒂𝒎𝒏
𝒁𝒋 - 𝒁𝟎 𝒁𝟏 𝒁𝟐 … 𝒁𝒎 𝒁𝒎+𝟏 … 𝒁𝒏
0 0 … 0 𝛔𝒎+𝟏 … 𝛔𝒏
𝛔𝐣
Remarque 5.1 :
Les itérations du simplexe représente le passage d’un tableau à un autre avec des critères
d’entrée, des critères de sortie et le changement de base jusqu’à ce qu’un critère d’arrêt
soit atteint.

A) Critère d’entrée :
La variable hors base 𝑥𝑟 candidate à entrée dans la base est celle qui possède le
coefficient économique le plus élevé dans la fonction objectif.
σ𝑟 = 𝐶𝑟 − 𝑍𝑟 = max {σj = 𝐶𝑗 − 𝑍𝑗 }
𝑗∈𝐻𝐵
HB: l’ensemble des indices des variables hors base.

B) Critère de sortie :
La variable hors base 𝑥𝑠 devant quitter la base est celle qui vérifie
𝑏𝑠 𝑏𝑖
= min{ /𝑎𝑖𝑟 > 0}
𝑎𝑠𝑟 𝑖∈𝐵 𝑎𝑖𝑟
B: l’ensemble des indices des variables de base.
C) Le changement de Base :
(𝑘)
Soient r et s les indices des variables entrante et sortante, on a 𝑎𝑠𝑟 est l’élément
pivot du tableau (k).
(𝑘)
(𝑘+1) 𝑎𝑠𝑗
Ligne Pivot : 𝑎𝑠𝑗 = (𝑘)
𝑎𝑠𝑟

Autre Ligne : Colonne j Colonne r

Ligne i (𝐤)
𝐚𝐢𝐣 - (𝐤)
𝐚𝐢𝐫

(𝐤)
* (𝐤)
Ligne s 𝐚𝐬𝐣 𝐚𝐬𝐫
÷
(𝐤) (𝐤)
(𝐤+𝟏) (𝐤)
𝐚𝐢𝒓 ∗ 𝐚𝐬𝐣
𝐚𝐢𝐣 = 𝐚𝐢𝐣 − (𝐤)
𝐚𝒔𝒓
D) Critère d’arrêt:

𝛔𝐣 = 0, j ∈ 𝐵.
On teste 𝛔𝐣 ≤ 𝟎, ∀ 𝑗 ⟹
𝛔𝐣 ≤ 0, 𝑗 ∈ 𝐻𝐵

E) Enoncé de l’algorithme:

Les étapes de l’algorithme du simplexe se résume dans les étapes suivantes :

Etape 1 : Mettre le programme sous forme standard.

Etape 2 : Recherche de la solution de base réalisable de départ.
Etape 3 : Construire le premier tableau du simplexe.
Etape 4 : Tester 𝛔𝐣 ≤ 𝟎, ∀ 𝑗 ∈ {1, … , 𝑛}.
Si oui la solution courante est optimale ⟹ Aller à 8)
Sinon Aller à 5)
Etape 5 :

Soit σ𝑟 = max {σj = 𝐶𝑗 − 𝑍𝑗 } . La variable 𝑥𝑟 entre dans la base.

𝑗∈𝐻𝐵
Tester Si 𝑎𝑖𝑟 ≤ 0, 𝑖 = 1, … , 𝑚
Si oui : Le PL ne possède pas de solution optimale finie (Modèle non borné). ⟹ Aller à 8)
Sinon : Aller à 6)

Etape 6 :

On détermine la variable sortante 𝑥𝑠 par

𝑏𝑠 𝑏𝑖
= min{ /𝑎𝑖𝑟 > 0}
𝑎𝑠𝑟 𝑖∈𝐵 𝑎𝑖𝑟
Où 𝑎𝑠𝑟 est le pivot ⟹ Aller à 7)
Etape 7 :

Obtenir le nouveau tableau du simplexe

𝐤 𝐤
(𝐤+𝟏) (𝐤) 𝐚𝐢𝒓 ∗ 𝐚𝐬𝐣
𝐚𝐢𝐣 = 𝐚𝐢𝐣 − 𝐤 , 𝒊 ∈𝑺
𝐚𝒔𝒓
Aller à 4)

Etape 8 : Fin

Remarque 5. 2 :
 Si on a des contraintes mixtes on passe à la forme standard pour avoir AX=b.
 Pour reconnaitre les variables de base, on peut extraire une matrice identité d’ordre m
(𝐼𝑚 ) et prendre les variables correspondantes à l’identité comme variables de base
réalisable de départ.
Exemple 5.1 :
1) Déterminer le PL standard :

𝑀𝑎𝑥 𝑍 = 𝑥1 + 3𝑥2 𝑀𝑎𝑥 𝑍 = 𝑥1 + 3𝑥2 + 0 ∗ 𝑒1 + 0* 𝑒2 + 0*𝑒3

PL 𝑥1 + 𝑥2 ≤ 14 PLS 𝑥1 + 𝑥2 + 𝑒1 = 14
-2𝑥1 + 3𝑥2 ≤ 12 -2𝑥1 + 3𝑥2 + 𝑒2 = 12
S/C
2𝑥1 − 𝑥2 ≤ 12 S/C 2𝑥1 − 𝑥2 + 𝑒3 = 12 PLS (1)
𝑥1 ≥ 0, 𝑥2 ≥ 0 𝑥1 , 𝑥2 ≥ 0
𝑒1 , 𝑒2 , 𝑒3 ≥ 0

2) Recherche de la solution réalisable de départ :

La matrice A associé au PLS est

2) Recherche de la solution réalisable de départ :
M : le nombre de contraintes.
La matrice A associé au PLS est N : le nombre de variables.

𝑥1 𝑥2 𝑒1 𝑒2 𝑒3
𝑥1 , 𝑥2 ∶ représentent les variables de base.
1 1 1 0 0
𝐴 = −2 3 0 1 0 𝑒1 , 𝑒2 , 𝑒3 ∶ représentent les variables hors base.
2 −1 0 0 1
Puisqu’on peut extraire une matrice identité
d’ordre M=3,
Variables Variables 1 0 0
hors base de base 𝐼𝑚 = 0 1 0
Donc Le PL admet un solution de base de départ 0 0 1

𝑋 (0) = 𝑥1 , 𝑥2 , 𝑒1 , 𝑒2 , 𝑒3 = (0,0,14,12,12,12) Puisque 𝑋𝐻𝐵 = 0, donc 𝑥1 = 0, 𝑥2 = 0, et

𝑋𝐵 on les récupèrent à partir du système
𝑍 (0) = 0.
d’équations du PLS (1).
𝑒1 = 14, 𝑒2 = 12, 𝑒3 = 12.
2) Construction des tableaux du simplexe:
Critère d’entrée:
max {σj = 𝐶𝑗 − 𝑍𝑗 } = max 1,3 =
𝟏𝒆𝒓 Tableau : 1 3 0 0 0 𝑗∈𝐻𝐵
3 ⇒ 𝑥2 : entre en base
Base 𝑪𝑩 𝑷
𝑷𝟎𝟎 𝒙𝒙𝟏𝟏 𝒙𝟐 𝒆𝟏 𝒆𝟐 𝒆𝟑
Critère de sortie:
𝑏 14 12
min{𝑎 𝑖 /𝑎𝑖𝑟 > 0} = min , =
𝒆𝟏 0 14
14 11 1 1 𝟎 𝟎 𝑖∈𝐵 𝑖𝑟 1 3
12
⇒ 𝑒2 : sort de la base
3

𝒆𝟐 0 𝟏𝟐
𝟏𝟐 -2
-2 3 0 𝟏 0
Solution courante:

𝒆𝟑 0 𝟏𝟐
𝟏𝟐 22 -1 0 𝟎 𝟏 𝑋 (1) = 𝑋 (0)
= 𝑥1 , 𝑥2 , 𝑒1 , 𝑒2 , 𝑒3
𝒁𝒋 -- 𝒁 𝒁𝟎𝟎 𝟎𝟎 𝟎 𝟎 𝟎 𝟎 = (0,0,14,12,12,12)
== 00 𝑍 (1) = 𝑍 (0) = 0.
11 3 0 𝟎 𝟎
𝛔𝐣

pivot
2) Construction des tableaux du simplexe:
Critère d’entrée:
max {σj = 𝐶𝑗 − 𝑍𝑗 } = max 3 =
𝟐è𝒎𝒆 Tableau : 1 3 0 0 0 𝑗∈𝐻𝐵
3 ⇒ 𝑥1 : entre en base
Base 𝑪𝑩 𝑷𝟎 𝒙𝟏 𝒙𝟐 𝒆𝟏 𝒆𝟐 𝒆𝟑
Critère de sortie:
𝑏
min{𝑎 𝑖 /𝑎𝑖𝑟 > 0} =
𝒆𝟏 0 14 1 1 1 𝟎 𝟎 𝑖∈𝐵 𝑖𝑟
𝒆𝟏 0 10 𝟓 0 1 −𝟏 𝟎 min
10 16
,
10
= 5/3 ⇒ 𝑒1 : sort de la
5/3 4/3
𝟑 𝟑 base
𝒆𝟐 0 𝟏𝟐 -2 3 0 𝟏 0
𝒙𝟐 3 𝟒 −𝟐 1 0 𝟏 0 Solution courante:
𝟑 𝟑
𝒆𝟑 0 𝟏𝟐 2 -1 0 𝟎 𝟏 𝑋 (2) = (0,4,10,0,16)
𝒆𝟑 0 𝟏𝟔 𝟒 0 0 𝟏 𝟏 𝑍 (2) = 12
𝒁𝒋 - 𝒁𝟎 𝟎𝟑 𝟎 𝟎 𝟎𝟑 𝟎
𝒁𝒋 -=𝒁0𝟎 −𝟐 𝟑 𝟎 1 𝟎
1 3 0 𝟎 𝟎
𝛔𝐣 = -12
3 0 0 −𝟏 𝟎
𝛔𝐣

pivot
2) Construction des tableaux du simplexe:
Critère d’arrêt: Puisque
𝛔𝐣 = 0, j ∈ 𝐵.
𝟑è𝒎𝒆 Tableau : 1 3 0 𝛔𝐣 ≤ 𝟎, ∀ 𝑗 ⟹
0 0 𝛔𝐣 ≤ 0, 𝑗 ∈ 𝐻𝐵
Base 𝑪𝑩 𝑷𝟎 𝒙𝟏 𝒙𝟐 𝒆𝟏 𝒆𝟐 𝒆𝟑 Le critère d’arrêt est atteint.

𝒆𝟏 0 14 1 1 1 𝟎 𝟎
𝒙𝟏 1 6 𝟏 0 𝟑 −𝟏 𝟎
𝟓 𝟓
𝒆𝟐 0 𝟏𝟐 -2 3 0 𝟏 0
𝒙𝟐 3 𝟖 𝟎 1 𝟐 𝟏 0 Solution optimale:
𝟓 𝟓
𝒆𝟑 0 𝟏𝟐 2 -1 0 𝟎 𝟏 𝑋 ∗ = 𝑋 (2) = (6,8,0,0,8)
𝒆𝟑 0 𝟖 𝟎 0 −𝟒 𝟏 𝟏
𝑍 ∗ = 𝑍 (2) = 30
𝒁𝒋 - 𝒁𝟎 𝟎 𝟎 𝟎
𝟓 𝟎𝟑 𝟎
𝒁𝒋 -=𝒁0𝟎 𝟏 𝟑 𝟗 𝟐 𝟎
1 3 0 𝟎 𝟎
𝛔𝐣 = -30 𝟓 𝟓
𝛔𝐣 0 0 −𝟗 −𝟐 𝟎
𝟓 𝟓
IV. 6 . Etude des cas particuliers d’un PL
A) Modèle irréalisable :

Un modèle est irréalisable s’il n’admet pas de solution, c.-à-d. le domaine S=∅.
Dans ce cas, on peut pas avoir une solution de base réalisable de départ.
B) Modèle non borné :

Un PL est dit non borné si son optimum est infini. On reconnait ce problème si a
une itération donnée le vecteur colonne de la variable 𝑥𝑟 qui entre dans la base est
négatif ou nul (𝑎𝑖𝑟 ≤ 0).
C) Modèle dégénéré:
Un PL est dit dégénéré si à une itération donnée une ou plusieurs variables de base
sont nulles.
IV. 6 . Etude des cas particuliers d’un PL
D) Modèle à infinité de solution:

Lorsque le critère d’arrêt est atteint en apparence, tout 𝛔𝐣 ≤ 𝟎, mais 𝑥𝑗 hors base
possède un 𝛔𝐣 = 𝟎. La solution courante est optimale.
Dans ce cas, on faire encore une autre itération de l’algorithme, afin de trouver une
autre solution optimale.
On dit que le PL admet une infinité de solution optimale finie.
IV. 7. Résolution par énumération des solutions de base

Théorème 7.1 :
Toute solution de base réalisable correspond à un sommet de l’ensemble polyédrique
convexe des solutions réalisables.

Théorème 7.2 :
Le nombre de solution de base réalisables est fini. Un PL avec m contraintes et n
variables admet au plus 𝐶𝑛𝑛−𝑚 solutions de base.

Enumération des solutions : Les théorèmes précédent suggèrent la méthode de

résolution suivante :
1. Etape 1: Recherche toute les solutions de base du PL.
2. Etape 2 : Sélectionner celle qui sont solutions de base réalisables.
3. Etape 3 : Calculer pour chacune des solutions de base, la valeur de la fonction
objectif.
 Exemple 7.1 :

𝑀𝑎𝑥 𝑍 = 𝑥1 + 3𝑥2 𝑀𝑎𝑥 𝑍 = 𝑥1 + 3𝑥2 + 0 ∗ 𝑒1 + 0* 𝑒2 + 0*𝑒3

𝑥1 + 𝑥2 ≤ 14 𝑥1 + 𝑥2 + 𝑒1 = 14
S/C
-2𝑥1 + 3𝑥2 ≤ 12 -2𝑥1 + 3𝑥2 + 𝑒2 = 12
2𝑥1 − 𝑥2 ≤ 12 S/C 2𝑥1 − 𝑥2 + 𝑒3 = 12
𝑥1 ≥ 0, 𝑥2 ≥ 0 𝑥1 , 𝑥2 ≥ 0
𝑒1 , 𝑒2 , 𝑒3 ≥ 0

5!
Le nombre de solutions de base est 𝐶52 = = 10 solutions possibles.
2!(5−2)!
Points 𝒙𝟏 𝒙𝟐 𝒆𝟏 𝒆𝟐 𝒆𝟑
A 0 0 14 12 12 A, C, G, H, I sont des
B 0 14 0 -30 26 solutions de base réalisables
C 0 4 10 0 16
D 0 -12 26 48 0
E 14 0 0 40 -16 La valeur de Z optimale est
atteinte au point
F -6 0 20 0 24
H =(6,8,0,0,8), avec Z=30
G 6 0 8 24 0
H 6 8 0 0 8
I 26 16 0 40 0
3 3 3
J 12 12 -10 0 0