Академический Документы
Профессиональный Документы
Культура Документы
Introduction :
Depuis toujours l’homme a eu conscience des avantages qu’il pouvait tirer de la prévision
d’une conjoncture (ensemble d’évènements/instances). Les moyens ont évolué, la complexité
des problèmes à résoudre est devenue telle qu’il n’est plus possible aujourd’hui de se fier au
seul bon sens et à l’intuition.
La solution est alors de substituer cette déduction qualitative par une analyse quantitative plus
rigoureuse permettant d’évaluer avec plus d’exactitude la décision à prendre.
a- Programmation linéaire :
La caractéristique principale des problèmes linéaires est que la fonction à maximiser (ou
minimiser) ainsi que les contraintes sont linéaires.
(linéaire : ; ).
Domaines d’application :
Phases de résolution
Introduction
; 1, …
au voisinage de
; 1, …
1- Il faut calculer les valeurs correspondant aux points stationnaires (extrema local ou
global)
0,
1
2- Il faut examiner la matrice Hessienne de la fonction Z.
… ; …
Est obtenu en ne gardant dans que les k premières lignes et les k premières
colonnes.
4- Discussion
• Si les mineurs principaux de H sont strictement positifs pour le point stationnaire
alors le point est un minimum local de Z.
• Si on a ∆ 0; ∆ 0; ∆ 0 ; … une alternance stricte du signe de type 1 ∆
pour le point stationnaire , alors dans ce cas, le point est un maximum local de
Z.
• Si ∆ ou bien ∆ 0; ∆ 0; ∆ 0 ; … alors on ne peut rien dire sur le
point , s’il s’agit d’un maximum ou d’un minimum, local ou global de Z.
• Si aucune des contraintes précédentes n’est vérifiée, le point n’est pas un extrémum.
Exemple :
Soit , 2 2
2
1
0 6 2 0
3
0 2 2 0
0
0
12 2
;
2 2
∆ 12
∆ 24 4
∆ ∆
, 0,0 0 4 N’est pas un extrémum
, , 4 4 4 Minimum local de Z
Conclusion , est un minimum local de Z, comme cet extremum est unique, il est donc un
minimum global de Z.
; 1, …
; 1, …
Définir le Lagrangien :
0; 1, … ,
0; 1, … ,
3
1- Calculer les points stationnaires
2- Etablir une matrice bordée
0
: J : matrice Jacobéenne des contraintes (matrice des dérivées premières)
3- Discussion
• Si les derniers mineurs principaux sont :
- Tous strictement positif quant m est pair
- Tous strictement négatif quant m est impair
Exemple :
, , 3
On considère :
, , 125 1
Le Lagrangien 125
0 1
0 2
1-
0 3
125 0 4
1 2 0
2 3 0
4
1 2
5
25 25 25
0 1 1
1 0 1
1 1 0
0
0 1 1
1 0 1
1 1 0
0 25 25 25
Δ 25 0 1 1 1875
25 1 0 1
25 1 1 0
0 25 25
Δ 25 0 1 1250
25 1 0
5
Conclusion : Δ 0 et Δ 0 et m est impaire 5 est un minimum local, et comme
5
il est unique donc c’est un minimum global.
5
Programmation linéaire
Méthode graphique
Introduction :
bénéfices ou minimisation des coûts ou des délais) sous des contraintes technique de
Etapes de résolutions :
Une des conditions de la réussite de notre représentation graphique est le choix d'un système
d’axes. Un mauvais choix peut rendre notre représentation non claire et imprécise.
A cause des contraintes de non-négativité des variables de décision, nous nous intéressons
Cadran
positif
1
Un bon choix se base sur une lecture des différents paramètres du programme linéaire à
résoudre.
Parmi les solutions possibles d’un problème, il y a ceux qui vont satisfaire toutes les
aussi ceux qui vont satisfaire une partie ou aucune de ces contraintes. Ces solutions sont
appelés solutions non réalisables. Une représentation graphique des contraintes va nous
L’ensemble des solutions qui vérifient cette inégalité est le même que celui qui vérifie
L’idée est de représenter la droite 2x1 + x2 = 12 . Cette droite va diviser le plan en deux
Pour ce faire, il suffit de prendre un point de l’un des demi-plans (c’est à dire n’appartenant
2
x2
P2
P1
2
2 x1
3
Nous pouvons tracer une infinité de droites qui représente les différentes valeurs de la
fonction objectif. Ces droites sont parallèles entres elles. Le problème est de connaitre qu’elle
réalisables de base (les points d’intersection des droites qui forment les contraintes) et à
calculer pour chaque point la valeur de la fonction objectif. La solution du programme linéaire
- Solution unique :
Le point de base à qui on associe la valeur optimale de la fonction objectif est unique.
x2
B C
2
D
A
E x1
2
4
- Solution non bornée :
On peut augmenter la valeur de la fonction objectif dans la direction des flèches indéfiniment
x2
x1
2
- Solution impossible :
5
- Solution multiple :
L’ensemble des points décrits par un segment qui représente des solutions optimales du
problème linéaire.
x2
B C
2
D
A
E x1
2
Z optimale
- Solution dégénérée :
La solution est dite dégénérée si trois contraintes concourent dans la solution optimale.
x2
B C
2
A D
x1
2
C : solution optimale
6
Exemple :
Une société fabrique du fil à tricoter à partir d’un mélange de laine et du fibre acrylique.
Selon la demande, il faut fabriquer au moins 600 tonnes de fils par semaine. La production
d’une tonne du fil nécessite la consommation d’une tonne de matière première. Le traitement
d’une tonne de laine exige 2 journées d’ouvriers, celui d’une tonne de fibre acrylique
nécessite une journée d’ouvrier. La capacité de travail dans les ateliers ne peut pas dépasser
1000 journées d’ouvriers par semaine (maximum de personnel) et ne peut être inférieure à
800 journées d’ouvriers par semaine (minimum de personnel). La qualité du fil fabriqué
impose l’emploi d’au moins 50% de fibre acrylique. Le coût d’une tonne de laine est de 70DT
et le coût d’une tonne de fibre acrylique est de 50DT. Les coûts finis de fabrication s’élèvent à
90000DT/ semaine.
Résolution :
- Variables de contrôles
- Fonction objectif
min
Z = 90000 + 70QL + 50QA
- Contraintes
QL + QA ≥ 600
7
Limite sur la capacité maximale de travail par semaine
2QL + QA ≤ 1000
2QL + QA ≥ 800
QA ≥ 0.5(QL + QA)
Contraintes de positivité
QA ≥ 0 et QL ≥ 0
QA
E
C
D
100
50 QL
8
A : (800 ; 0) 130000
B : (1000 ; 0) 140000
9
Programmation linéaire
Méthode algébrique
Exemple :
5 é
P1 est composé de 2 é
1 é
3 é
P2 est composé de 3 é
3 é
3000 é
Limitation hebdomadaire sur les composants au maximum 2400 é
1800 é
Résolution :
é
Variable de contrôle :
é
Contraintes :
- Contraintes de positivités : 0 0
1
Résolution avec la méthode graphique :
x2
100
A D
100 x1
A : (0 ; 0) 0
B : (0 ; 600) 3600
D : (600 ; 0) 4800
5 3 3000
2 3 2400
3 1800
2
Nous sommes en présence de 2 inconnues structurelles , et de 3 inconnus d’écart
, , .
3000 0
0
2400 0; 0
0
1800 0
5 3000 3000 /5
2 2400 ; 2400 /2
1800 1800
1 600 0
Limitation 2 1200 0 (choix).
1 1800 0
Les solutions
600
1200 é 1 à
1800 é 1 à
8 6
3000 3
Contrainte (1)
600
3
3
8 600 6
5 5
4800 6 4800
Contrainte 1 3 3000 5 0
3 2400 3000 3
3 1200
1200 ; 0 (choix)
666,66
3000 3
3 1800
5
3
3 1800 600
5
1200 ; 0 (choix)
500
4
La solution
2000
200, é 3
3
300, 500
8 6
3000 3 6
8 6 4800
5 5
5400 .
optimale.
5