Feuille de cours 1

1 La programmation linéaire
1.1 Introduction à la recherche opérationnelle
La recherche opérationnelle est un processus d’aide à la décision (c.f. figure
1) qui permet de trouver une solution optimale (si elle existe) grâce à la
modélisation mathématique.
La modélisation mathématique peut se décliner en plusieurs types d’optimisation:
la programmation linéaire, la programmation non linéaire, le contrôle opti-
mal... Nous traiterons ici la programmation linéaire, introduction au contrôle
optimal, cours de maîtrise. On aborde dans ce cours la recherche opéra-
tionnelle appliquée à l’économie et la gestion avec le but:

• de modéliser un problème économique en un problème de programma-

tion linéaire

• d’optimiser une fonction sous contraintes

• d’interpréter en terme économique les résultats fournis par la program-

mation linéaire

Un modèle est une représentation de la réalité qui capture "l’essence"

de la réalité, i.e. l’angle qui nous intéresse. La programmation linéaire est
un outil qui permet de résoudre les cas les plus simples. Le but essentiel
est d’introduire le principe de modélisation et le rôle de la programmation
mathématique. Dans la réalité, la programmation mathématique utilisée est
souvent plus complexe que la programmation linéaire (programmation non
linéaire, programmation probabiliste, contrôle optimal) et les calculs se font
informatiquement.

1
Figure 1: Les étapes de la modélisation: décrire le problème, prescrire une
solution, actualiser la solution

1.2 Formulation d’un problème de programmation linéaire

(P.L.):
En P.L. la fonction à optimiser et les contraintes à respecter sont linéaires
(variables au premier degré). La forme générale d’un problème de P.L. est
la suivante:
X
n
opt (z) = cj xj (1)
i=1
Xn
tij xj ≤≥ di i = 1, . . . , p (2)
i=1
Xn
tij xj = di i = p + 1, . . . , m (3)
i=1
xj ≥ 0 j = 1, . . . , q (4)
xj signe quelconque j = q + 1, . . . , n (5)

avec cj , tij , di constantes et xj variables.

La fonction 1 s’appelle la fonction économique ou fonction objectif.
Les équations 2 et 3 sont les contraintes réelles.
L’équation 4 est la contrainte de non-négativité.
La fonction à optimiser peut être soit une fonction à minimiser, soit une
fonction à maximiser. On présente ici les cas généraux de minimisation et

2
maximisation avec l’interprétation économique de chaque élément du pro-
gramme.

1.2.1 Minimisation d’un coût sous des obligations de fonction-

nement

X
n
min (z) = cj xj
i=1
Xn
tij xj ≥ di i = 1, . . . , m
i=1
xj ≥ 0 j = 1, . . . , q

1. Première interprétation:
i: bien produit
j: activité
di : demande de bien i à satisfaire
tij : taux de production du bien i par l’activité j
cj : coût unitaire de l’activité j
xj : niveau de l’activité j

2. Deuxième interprétation:
i: activité
j: bien consommé (matières premières)
di : niveau minimum de fonctionnemnt de l’activité i
tij : taux de fonctionnement de l’activité i pour la consommation du
bien j
cj : coût unitaire du bien j
xj : quantité consommée de bien j

1.2.2 Maximisation d’un gain sous des contraintes de capacité

X
n
max (z) = cj xj
i=1
Xn
tij xj ≤ di i = 1, ..., m
i=1
xj ≥ 0 j = 1, ..., q

1. Première interprétation:
i: bien consommé

3
 j: activité
di : quantité disponible de bien i
tij : taux d’utilisation du bien i par l’activité j
cj : gain unitaire de l’activité j
xj : niveau de l’activité j

2. Deuxième interprétation:
i: activité
j: bien produit
di : capacité maximum de fonctionnement de l’activité i
tij : taux de fonctionnement de l’activité i pour la production du bien
j
cj : gain unitaire du bien j
xj : quantité produite de bien j

1.3 Caractérisation des solutions admissibles

Une solution est admissible si elle satisfait toutes les contraintes. La région
admissible est l’ensemble D des solutions admissibles. Une solution optimale
est une solution admissible qui optimise la fonction d’optimisation.

Théorème 1 L’ensemble des solutions D admissibles d’un problème de pro-

grammation linéaire est soit:

• un polytope, i.e. une figure bornée à plusieurs côtés

• un polyèdre convexe, non vide mais non borné

• un ensemble vide

Remarque:
Un polyèdre convexe est l’intersection (éventuellement vide) d’un nobre fini
de demi-espaces fermés et/ou d’hyperplans. Un polyèdre convexe, borné et
non vide, est appelé un polytope.

1.4 Caractérisation géométrique des solutions optimales

Théorème 2 1. Si D est un polytope:

• soit la solution optimale est unique et est située en un sommet de

D
• soit il existe une infinité de solutions optimales qui sont les points
d’une face de D; ces solutions optimales sont donc combinaisons
convexe d’un nombre fini de sommets

4
 2. Si D est un polyèdre convexe, non vide mais borné, en plus des sit-
uations décrites ci-dessus, il est possible que le problème n’ait pas de
solution optimale à distance finie; il existe alors une solution admissible
(à l’infini) telle que z = ∞.

3. Si D est un ensemble vide, le problème n’a pas de solution optimale

Vous trouverez sur la feuille des graphiques une illustration de chacun de

ces cas.

1.5 Résolution Graphique

La résolution graphique d’un programme linéaire ne peut se faire que pour la
dimension 2 et 3. Elle est donc peu efficace mais permet de bien comprendre
le rôle de la programmation linéaire. Les étapes sont:

1. Tracer le domaine des solutions admissibles

2. Tracer les droites isomarges (resp. isocoût si on est dans un prob-

lème de minimisation), i.e. les droites unissant les plans de production
conduisant à une même marge.

3. L’optimum est alors la solution réalisable située sur la droite isomarge

la plus haute (resp. sur la droite isocoût la plus basse).

Remarque:
Avec les notations introduites ci-dessus, l’équation de la droite isomarge est
:
Xn
cj xj = d d ≥ 0, n ≤ 3
i=1

1.6 Interprétation économique

Pour illustrer cette partie, on considère deux produits A1 et A2 que l’on
produit et vend dans des quantités x1 et x2 .
On veut trouver la solution optimale dans ce domaine. Pour cela, on peut
penser à maximiser le revenu tiré des productions, i.e. le chiffre d’affaire.
Soit p1 et p2 les prix de vente unitaire des produits x1 et x2 . Le chiffre
d’affaire est alors:
p1 x1 + p2 x2
Au niveau du chiffre d’affaire, on ne tient pas compte des coûts. Une en-
treprise peut faire un chiffre d’affaire important sans pour autant réaliser
de bénéfices. Si l’on veut maximiser le gain de l’entreprise, on cherche alors
à maximiser ses bénéfices, i.e. son chiffre d’affaire moins ses coûts. Les
coûts se distinguent en coûts fixes (frais administratifs, équipements,...) et
coûts variables ( coût des matières premières, coût de main d’oeuvre,...). On

5
représente les coûts fixes par la constante F et v1 et v2 les coûts variables
des deux biens. La fonction à maximiser est alors:

max(p1 − v1 )x1 + (p2 − v2 )x2 − F

Retrancher une constante ne change pas notre problème de maximisation.

On appelle marge sur coût variable la différence entre le chiffre d’affaire et
les coûts variables et marge sur coût variable unitaire la différence entre le
prix d’un bien et le coût variable unitaire de ce bien. Maximiser les bénéfices
revient donc à maximiser la marge sur coût variable:

max(p1 − v1 )x1 + (p2 − v2 )x2

puisque F ne dépend pas des variables x1 et x2 .