RÉPUBLIQUE ALGÉRIENNE DÉMOCRATIQUE ET POPULAIRE

MINISTÈRE DE L’ENSEIGNEMENT SUPÉRIEUR ET DE LA RECHERCHE

SCIENTIFIQUE
‫المدرسة الوطنية العليا لألشغال العمومية‬
‫فرنسيس جانسون‬
École Nationale Supérieure des Travaux Publics
Francis Jeanson

Rapport d’optimisation

Thème :
METHODE DE SIMPLEX

Département :
Matériaux et structures

Réalisé par : Encadré par :

SAHEL Samir [Link]

Année : 2023/2024
 SOMMAIRE

SOMMAIRE ......................................................................................................................... 1
I. Introduction ................................................................................................................... 2
II. L’optimisation dans le génie civil ................................................................................. 2
III. L’optimisation linéaire : ............................................................................................ 2
III.1 Définition de l’optimisation linéaire ................................................................... 2
III.2 Généralités sur l’optimisation linéaire ............................................................... 3
III.3 Exemple .............................................................................................................. 3
III.4 Domaine réalisable .............................................................................................. 3
IV. Présentation des méthodes ........................................................................................ 4
V. Algorithme de simplexe ................................................................................................. 4
V.1 Préambule ............................................................................................................ 4
V.2 Définition de l’algorithme de simplexe............................................................... 4
V.3 La méthode du simplexe et ses évolutions .......................................................... 4
V.3.1 Méthode basique du simplexe ....................................................................... 4
V.3.2 Méthode modifiée du simplexe...................................................................... 5
V.3.3 Méthodes super modifiées du simplexe ........................................................ 5
V.4 Intérêt de la méthode du simplexe ...................................................................... 5
V.5 Principe de l'algorithme du simplexe ................................................................. 5
V.6 Scenarios d’application et résolutions ................................................................ 6
V.7 Exemple 1 : Illustration du fonctionnement de la méthode pour déduire l’algorithme ......... 7
V.8 Exemple 2 ............................................................................................................ 9
V.9 Le critère d’arrêt ................................................................................................ 12
V.10 Principe de Recherche d’une solution de base réalisable ............................... 12
V.10.1 Modèle irréalisable ...................................................................................... 13
V.10.2 Modèle non borné ........................................................................................ 13
V.10.3 Modèle à infinité de solutions ..................................................................... 13
V.10.4 Modèle dégénéré .......................................................................................... 13
VI. Algorithme dual du simplexe .................................................................................. 13
VI.1 Principe .............................................................................................................. 13
VI.2 Avantage ............................................................................................................ 13
VII. Fonctions test ........................................................................................................... 14
VIII. Application d'algorithme du simplexe en génie civil ............................................ 14
Conclusion .......................................................................................................................... 15
Références bibliographiques .............................................................................................. 16

1
I. INTRODUCTION
Le développement de la programmation linéaire a été classé parmi les avancées scientifiques
les plus importantes du milieu du XXe siècle, et nous devons être d'accord avec cette évaluation.
Son impact depuis seulement 1950 a été extraordinaire. Aujourd'hui, c'est un outil standard qui
a permis d'économiser de nombreux milliers, voire des millions de dollars pour de nombreuses
entreprises ou sociétés, même de taille modérée, dans divers pays industrialisés du monde. Son
utilisation dans d'autres secteurs de la société se répand rapidement. Une proportion importante
de tous les calculs scientifiques effectués sur des ordinateurs est consacrée à l'utilisation de la
programmation linéaire.
Des dizaines de manuels ont été écrits sur la programmation linéaire, et le nombre d'articles
publiés décrivant d'importantes applications atteint maintenant les centaines.

II. L’OPTIMISATION DANS LE GENIE CIVIL

L'optimisation occupe une place prépondérante dans le domaine du génie civil, où elle est
déterminante pour améliorer l'efficacité des processus, minimiser les coûts et garantir la
durabilité des infrastructures. Au cœur de cette discipline, l'optimisation est appliquée à divers
aspects, de la conception structurale à la gestion de projets en passant par la planification
logistique. La programmation linéaire, la programmation quadratique et d'autres méthodes
d'optimisation jouent un rôle essentiel dans la résolution de problèmes concrets, tels que
l'allocation optimale des ressources, la conception optimisée de structures, et la planification
efficace des itinéraires pour le transport des matériaux de construction. Les ingénieurs civils
utilisent ces approches pour optimiser les décisions liées à la conception des structures, à la
gestion des chantiers de construction et à la logistique, contribuant ainsi à l'efficacité globale
des projets. Toutefois, ils sont confrontés à des défis complexes, tels que la gestion de la
complexité des modèles, la prise en compte de l'incertitude dans les données et la gestion des
contraintes spécifiques au domaine.
À mesure que les technologies évoluent, les perspectives de l'optimisation en génie civil
incluent l'intégration de l'intelligence artificielle et le développement de méthodes
d'optimisation multi-objectif, permettant ainsi une approche plus holistique et avancée pour
relever les défis contemporains du domaine. En résumé, l'optimisation joue un rôle central dans
la réalisation d'infrastructures plus efficaces, durables et économiquement viables dans le
domaine du génie civil.

III. L’OPTIMISATION LINEAIRE :

III.1 Définition de l’optimisation linéaire
Un programme linéaire est un problème dans lequel on est amené à maximiser (ou
minimiser) une application linéaire, appelée fonction d'objectif ou fonction économique, sur un
ensemble d'équations et/ou d'inéquations linéaires, dites contraintes. Autrement dit,
la programmation linéaire est une branche des mathématiques qui a pour but de résoudre des
problèmes d'optimisation linéaire de type :

Les coefficients 𝑐𝑗 , 𝑎𝑖𝑗 et 𝑏𝑖 sont des réels fixés et les 𝑥𝑗 sont des variables réelles.

2
 Les contraintes d'inégalités éventuelles sont toutes larges et non strictes. Il se peut qu'une
contrainte d'inégalité soit de type '' ≥''. En multipliant chaque inégalité de type '' ≥'' par (−1),
on peut supposer que toutes les contraintes d'inégalité sont de type '' ≤''.
III.2 Généralités sur l’optimisation linéaire
Dans le contexte de la programmation linéaire, le terme programmation désigne
l'organisation des calculs et non la réalisation d'un programme informatique. Du point de vue
des applications, l'optimisation linéaire est d'une grande portée. Elle s'applique à des problèmes
très variés qui sont issus de l'économie, de l'ingénierie, de la physique ou encore des modèles
probabilistes. Dans ce cadre, on peut citer par exemple, les problèmes de type gestion de stock,
gestion de production, transport de marchandise, affectation du personnel, systèmes industriels,
réseaux de communication, etc…
Pour les modèles de programmation linéaire, on est souvent amené à maximiser un gain ou
minimiser un coût. Ceci explique d'ailleurs pourquoi la fonction à maximiser s'appelle fonction
d'objectif ou économique.
III.3 Exemple

III.4 Domaine réalisable

Pour un problème d'optimisation linéaire, tout point qui vérifie l'ensemble des contraintes
s'appelle point réalisable ou admissible. L'ensemble de tous les points réalisables
s'appelle domaine réalisable. Il est facile de vérifier que le domaine réalisable d'un programme
linéaire est convexe. On rappelle qu'un ensemble est dit convexe si à chaque fois qu'il contient
deux points 𝑥 et 𝑦, il contient le segment joignant 𝑥 et 𝑦. Ce segment est souvent noté par
[𝑥 ; 𝑦] et il est défini par :

3
 Un point est dit optimal s'il est admissible et s'il réalise l'optimum de la fonction d'objectif
sur le domaine réalisable. Par exemple, pour le problème :

D'autre part, le point (1,0) est réalisable et on a 𝑍(1,0) =1. Donc, la solution
réalisable (1,0) est optimale et la valeur maximale de 𝑍 sur le domaine réalisable est 𝑍 (1,0) =1.

IV. PRESENTATION DES METHODES

Nous allons présenter des techniques qui permettent de résoudre les programmes linéaires
que l'on convient désormais de noter (PL). Diverses méthodes ont été proposées dans la
littérature :
➢ La méthode graphique : l'utilisation de cette méthode est restreinte aux (PL) ayant un
nombre de variables au plus égal à 3.
➢ La méthode des sommets : le nombre de sommets étant prohibitif, cette méthode est
très coûteuse en temps de calcul.
➢ La méthode du simplexe : algorithme itératif mis au point par George Dantzig en
1947.

V. ALGORITHME DE SIMPLEXE
V.1 Préambule
Dans ce titre, nous allons étudier une méthode qui évite de parcourir tous les sommets. Plus
précisément, le passage d'un sommet à un autre se fait en améliorant la valeur de la fonction à
optimiser. De plus, elle fournit un test qui permet d'affirmer le cas échéant que le problème
n'admette pas de solution. Nous verrons que les résultats concernant les problèmes de type
maximisation, comparés à ceux relatifs aux problèmes de minimisation, sont très similaires.
V.2 Définition de l’algorithme de simplexe
L'algorithme du simplexe est un procédé itératif qui progresse dans un sens évolutif : il passe
d'une solution de base réalisable non optimale à une autre solution ayant une meilleure valeur
d'objectif. De cette façon, on évite de parcourir toutes les solutions de base réalisable dont le
nombre est en général prohibitif. Pour vérifier la non-optimalité d'une solution, un simple test
sera effectué. De plus, grâce à l'algorithme du simplexe, on sera capable de détecter, le cas
échéant, que l'optimum est infini.
V.3 La méthode du simplexe et ses évolutions
La méthode du simplexe a connu une évolution rapide depuis l’article fondateur de
Spendley, Hext et Himsworth en 1962 [*]. Elle est basée sur des concepts très accessibles à
l’intuition, elle ne nécessite aucune connaissance a priori du terrain expérimental exploré, et se
prête particulièrement bien à un traitement informatique. Nous donnons maintenant les
principales étapes historiques de son développement.
V.3.1 Méthode basique du simplexe
Le collectif W. Spendley, G.R. Hext et F.R. Himsworth a proposé, dans son article de
1962[*], d’explorer un domaine expérimental pas à pas, en définissant des simplexes successifs
dans l’espace des paramètres de réglage, selon un mode d’évolution simple : à chaque étape, on
cherche à remplacer le point le plus mauvais (W) par un nouveau, symétrique de W par rapport
au centre des autres : on espère ainsi progresser vers l’optimum expérimental. À chaque étape,
la forme géométrique du simplexe est toujours la même (aux symétries près). La progression

4
se fait donc à pas constant. Cette méthode est appelée méthode basique du simplexe (basic
simplex method).
V.3.2 Méthode modifiée du simplexe
L’amélioration la plus déterminante de cette méthode est due à J. A. Nelder et R. Mead en
1965 [**] : elle permet d’agrandir le pas lorsqu’on est loin de l’optimum et de le réduire quand
on s’en rapproche. La valeur de pas est donc adaptée à chaque étape pour converger à la fois
plus rapidement et plus finement vers l’optimum. La progression se fait donc à pas variable.
Cette méthode est appelée méthode modifiée du simplexe (modified simplex method). Elle reste
à ce jour la plus utilisée.
V.3.3 Méthodes super modifiées du simplexe
Les améliorations suivantes sont toutes orientées vers le même objectif : remplacer le pas
hasardeux à l’opposé du point le plus mauvais (W) (pas constant dans la méthode basique, pas
variable dans la méthode modifiée) par un pas plus intelligent (au sens propre, qui comprend la
topographie de la surface de réponse), utilisant le plus possible l’information contenue dans les
valeurs du critère pour chacun des points du simplexe en cours :
La méthode du simplexe super modifiée (super modified simplex), proposée en 1977 par M.
W. Routh, P. A. Swartz et M. B. Denton
Une méthode alternative a donc été proposée en 1980 par P. F. A. Van der W.
V.4 Intérêt de la méthode du simplexe
➢ Converger vers une solution de base réalisable optimale si elle existe.
➢ Vérifier la compatibilité des équations ou la redondance du système
➢ Savoir si le problème est possible ou non et, dans l'affirmative.
➢ Trouver une solution réalisable de base initiale.
➢ Mettre en évidence l'absence de solution réalisable optimale finie.
Bien que la méthode du simplexe soit puissante et largement applicable, il est important de
noter qu'elle peut ne pas être la meilleure option pour tous les types de problèmes
d'optimisation, en particulier ceux qui ne sont pas linéaires. Dans de tels cas, d'autres méthodes
plus adaptées, telles que l’algorithme GRG « méthode du gradient réduit », pourraient être
préférées.
V.5 Principe de l'algorithme du simplexe
Le principe de l'algorithme du simplexe repose sur l'exploration systématique de solutions
admissibles dans l'espace des solutions du problème d'optimisation linéaire.
1. Initialisation : Commencer avec une solution de base réalisable (qui peut être trouvée
initialement). Cette solution de base doit satisfaire les contraintes du problème.
2. Évaluation de la solution actuelle : Calculer la valeur de la fonction objective pour la
solution de base actuelle. C'est la valeur que l'on cherche à minimiser ou maximiser.
3. Sélection d'une variable entrante : Identifier une variable qui peut être introduite dans
la solution de base pour améliorer la valeur de la fonction objective.
4. Détermination de la variable sortante : Trouver la variable actuelle qui doit sortir de
la solution de base pour faire place à la nouvelle variable entrante. Cela se fait en
utilisant des règles spécifiques pour garantir que la solution reste réalisable.
5. Mise à jour de la solution de base : Mettre à jour la solution de base en remplaçant la
variable sortante par la variable entrante.
6. Vérification de la convergence : Vérifier si la solution actuelle est optimale en
évaluant les critères d'arrêt prédéfinis. Si la solution n'est pas optimale, retourner à
l'étape 2.
7. Solution optimale trouvée : Si les critères d'arrêt sont satisfaits, la solution actuelle
est considérée comme optimale.
5
 8. Nouvelle itération : Si nécessaire, répéter le processus à partir de l'étape 2 pour
explorer davantage l'espace des solutions.
L'algorithme du simplexe continue à itérer entre ces étapes jusqu'à ce qu'une solution
optimale soit trouvée. L'essence du simplexe réside dans l'échange sélectif de variables pour
améliorer continuellement la valeur de la fonction objective tout en maintenant la faisabilité du
système de contraintes.
V.6 Scenarios d’application et résolutions
L'algorithme du simplexe suit un processus en quatre étapes avant de procéder à une
nouvelle itération :
A. Tableau initial
B. Choix de la variable entrante (dans la base)
C. Choix de la variable sortante
D. Pivotage

6
V.7 Exemple 1 : Illustration du fonctionnement de la méthode pour déduire
l’algorithme
La forme standard du PL est :
Max Z= 2 x1 + 3 x2
0,25x1+0,5 x2 + e1 = 40
0,4 x1 +0,2 x2 + e2 = 40
0,8 x2 + e3= 40
x1 , x2 , e1, e2 , e3  0
La solution de base réalisable de départ est : x1=x2=0 (VHB) e1=e2=e3=40 (VB) qui
correspond au point extrême O= (0,0) avec ZO=0

1ière itération :
Exprimons les variables de base VB et la fonction objectif en fonction des variables hors
base VHB
e1 = 40 - 0,25x1 - 0,5 x2
e2 = 40 - 0,4 x1 - 0,2 x2 …………………………(1)
e3= 40 - 0,8 x2
Z= 2 x1 + 3 x2
Pour augmenter la valeur de Z nous devons faire rentrer la variable hors base x2
(coefficient le plus élevé dans Z) dans la base et faire sortir une variable de base hors
base.
En gardant x1=0 et remplaçant sa valeur dans (1) et en utilisant la non-négativité des
variables, on obtient :
e1 = 40 - 0,5 x2  0 x2  80
e2 = 40 - 0,2 x2  0  x2  200  x2  50
e3= 40 - 0,8 x2  0 x2  50
On prendra x2 = Min {40/0,5 ; 40/0,2 ; 40/0,8} = 50
La nouvelle solution de base réalisable est obtenue en posant x2 = 50 qui est :
X1= 0 e3=0 (VHB) e1= 15 e2= 30 x2=50 (VB) qui correspond au point B=(0, 50) avec
ZB= 150.

2ième itération :
Exprimons les variables de base e1, e2 et x2 en fonction des variables hors base x1 et e3
on obtient-
x2 = 50 - 1,25e3
e1= 40 - 0,25x1 – 0,5 (50 - 1,25e3) = 15-0,25 x1 + 0,625 e3
e2 = 40 - 0,4 x1 - 0,2 (50 - 1,25e3) = 30-0,4 x1 + 0,25 e3 …………(2)
Z= 2 x1 + 3 (50 - 1,25e3) = 150+ 2 x1 - 3,75 e3
La variable candidate à entrer en base est x1.
En gardant e3=0 dans (2), on obtient :
x2 = 50
e1= 15 - 0,25x1  0  x1  60  x1 = Min{60, 75}= 60
e2 = 30-0,4 x1  0 x1  75
x1 entre en base et e1 sort de la base. On obtient la solution de base réalisable :
x1=60 x2 = 50 e2 = 6 (VB) e1= e3 = 0 (VHB) qui correspond au point B =(60, 50)
avec ZB= 270

7
3ième itération:
En exprimant dans (2) les variables de base et la fonction objectif en fonction des
variables hors base, on obtient:
x1= 60-4e1 + 2,5 e3
x2= 50 -1,25 e3 ……………..(3)
e2= 6 + 1,6 e1 - 0,75 e3
Z= 270-8e1 + 1,25 e3
La variable e3 entre en base. En gardant e1=0
x1= 60 +2,5 e3  0
x2= 50 -1,25 e3  0  e3 = Min {40, 8}=8
e2= 6 - 0,75 e3  0
e3 entre en base et e2 sort de la base. On obtient la solution de base réalisable suivante :
x1=80 x2 = 40 e8 = 8 (VB) e1= e2= 0 (VHB) qui correspond au point C =(80, 40) avec
ZB= 280

4ième Itération
En exprimant dans (3) les variables de base et la fonction objectif en fonction des
variables hors base on obtient :
e3= 8+ 2,13e1 - 1,33 e2
x1= 80 + 1,33 e1- 3,33 e2
x2= 40 - 2,67 e1 + 1,67 e3
Z= 280 - 5,33e1 - 1,67 e2
On ne peut plus augmenter la fonction objective. Terminer le point C est optimal

8
V.8 Exemple 2

9
10
11
V.9 Le critère d’arrêt

V.10 Principe de Recherche d’une solution de base réalisable

• Phase 1 : Résoudre le programme linéaire auxiliaire (PLA). Si ce problème
possède une solution optimale finie, alors cette une solution est de base
réalisable de départ pour le programme linéaire simple (PLS).
• Phase 2 : Résoudre (PLS) en utilisant comme solution de base réalisable celle
trouvée en phase 1.
Remarques :
1) Exprimer d’abord la fonction objective en termes de variables hors base uniquement
avant de commencer la résolution de (PLA).
2) A la fin de la phase 1, s’il existe une solution optimale finie, elle doit nécessairement
être nulle ; yi=0 i  I(A).

12
 3) Pour accroitre la rapidité de la résolution du problème, il est conseillé d’ajouter dans le
tableau du simple à la phase 1 la fonction objective de (PLS).
V.10.1 Modèle irréalisable
Un PL est dit irréalisable si certaine de ses contraintes se contredisent.
Lorsqu’un tel cas se présente, la formulation doit être revue.
V.10.2 Modèle non borné
Un PL est dit non borné si son optimum est infini. On reconnait un tel modèle lorsqu’à une
itération donnée, le vecteur colonne de la variable xr qui rentre en base est négatif ou nul.
En pratique, cette situation peut signifier une omission d’une contrainte vitale lors de la
formulation du problème
V.10.3 Modèle à infinité de solutions
Ce type de modèle apparaît lorsqu’à la fin de la résolution du PL par la méthode du simplexe
une variable hors base possède un coefficient nul dans la ligne de la fonction objectif. Dans ce
cas, une itération supplémentaire donnera une seconde solution optimale. Toute combinaison
convexe de ces 2 solutions optimales est aussi une solution optimale.
V.10.4 Modèle dégénéré
Un modèle PL est dit dégénéré si une variable de base est nulle. Dans ce cas, il est possible
qu’une itération du simplexe n’améliore pas la valeur de la fonction objective.
Supposons qu’un PL est délimité par les 3 contraintes A, B et C suivantes
Une itération du simplexe nous fait passer du sommet S1 au sommet S2 alors que nous
sommes restés au même point. Cette situation est appelée aussi cyclage. Il peut être infini.
Une solution possible consiste à perturber le modèle pour sortir de ce cyclage. Le problème
perturbé est obtenu en remplaçant le vecteur b par  >0 très petit et Pj représente le vecteur
coefficient dans le système des contraintes de la variable xj.
On résout le programme perturbé et on revient au programme initial en posant  = 0.

VI. ALGORITHME DUAL DU SIMPLEXE

En pratique, il existe des programmes linéaires dont la résolution nécessite un temps machine
et un espace mémoire considérable en raison du nombre important de variables et contraintes
du type «  ».
L’introduction de variables artificielles au PL complique d’avantage sa résolution.
L’algorithme dual permet d’éviter ces situations.
VI.1 Principe
Démarrer d’une solution de base non réalisable mais optimale et améliorer d’itérations en
itérations l’infaisabilité de la solution tout en gardant valide le critère d’optimalité.
VI.2 Avantage
Outre la résolution du problème primal (P) il résout également le programme dual (D).
En d’autres termes, les calculs se font sur le programme primal (P) mais les mêmes
raisonnements se font aussi sur le programme dual (D).
1) Démarrer d’une solution de base B du primal optimale
2) Tester si : x*B= B-1 b  0
➢ Si oui, terminer la solution est optimale.
➢ Sinon, aller en 3.

13
 3) Soit (I1  I) l’ensemble des indices des variables tel que xi < 0
Tester si: a’ij  0  i  I1, j  J
Si oui, le primal (P) n’a pas de solution
Si non,  j  J tel que  i  I1, a’ij <0
Critère de sortie : La variable sortante de la base est telle que:
xs= Min{xi/ i  I1}
Critère d’entrée : La variable à entrer en base est telle que:
r/ a’sr= Min { j / a’sj / a’sj <0}
Renouveler le tableau par les formules usuelles de la méthode du simplexe et aller en (2).

VII. FONCTIONS TEST

Une fonction test se présente comme une fonction de réponse simulée permettant d'évaluer
le comportement d'une méthode d'optimisation par le biais de la simulation d'une expérience
réelle. Divers types de fonctions test sont disponibles, certaines reflétant fidèlement différentes
réalités expérimentales. Ces fonctions test présentent généralement un unique point optimal
local qui coïncide avec l'optimum absolu du domaine.
D'autres fonctions test, souvent conçues par des utilisateurs expérimentés de logiciels
d'optimisation, sont élaborées dans le but de créer des pièges algorithmiques. En d'autres
termes, elles peuvent induire la méthode d'optimisation vers une série d'itérations qui
convergent après un certain nombre d'étapes, tout en demeurant éloignées de l'optimum
théorique.

VIII. APPLICATION D'ALGORITHME DU SIMPLEXE EN GENIE CIVIL

Dans le génie civil, l'algorithme du simplexe trouve des applications pratiques dans la
planification et la conception de projets. Par exemple, lors de l'optimisation de l'allocation de
ressources limitées pour la construction de structures, le simplexe peut être utilisé pour
maximiser l'efficacité tout en respectant des contraintes budgétaires et temporelles.
Par exemple :
➢ Optimisation des coûts de construction : En minimisant les coûts liés à l'achat de
matériaux, à la main-d'œuvre et à la logistique, le simplexe peut contribuer à la
conception économique de structures civiles.
➢ Gestion des réseaux de transport : En maximisant l'utilisation des infrastructures
routières existantes tout en minimisant les temps de trajet, le simplexe peut améliorer
la planification du réseau de transport.

14
 CONCLUSION
L'étude approfondie de l'algorithme du simplexe démontre clairement son importance et son
efficacité dans le domaine de l'optimisation linéaire, notamment dans le contexte du génie civil.
L'optimisation joue un rôle central dans la résolution de problèmes complexes, et
l'algorithme du simplexe se distingue comme une méthode robuste pour atteindre des solutions
optimales.
L'exploration des différentes variantes de l'algorithme du simplexe, allant de la méthode
basique à ses évolutions modifiées et super modifiées, révèle la flexibilité de cette approche
dans la résolution de divers problèmes d'optimisation. La méthode du simplexe, avec son
principe fondamental, offre des résultats prometteurs tout en offrant des scénarios d'application
variés et des exemples concrets qui attestent de son utilité pratique.
L'introduction de l'algorithme dual du simplexe enrichit davantage notre compréhension en
offrant une alternative précieuse pour certains types de problèmes. Ses avantages
complémentaires soulignent la pertinence de cette méthode dans des contextes variés, offrant
ainsi une perspective étendue sur l'optimisation linéaire.
Enfin, l'application concrète de l'algorithme du simplexe dans le domaine du génie civil
confirme son utilité pratique et sa capacité à résoudre des problèmes spécifiques rencontrés
dans ce secteur. En synthèse, cette étude approfondie sur l'algorithme du simplexe contribue à
renforcer son statut en tant qu'outil essentiel pour les professionnels et les chercheurs confrontés
à des défis d'optimisation linéaire dans le génie civil et au-delà.

15
REFERENCES BIBLIOGRAPHIQUES
✓ Frederick S. Hillier Gerald J. Lieberman “Introduction to Operations Research”
✓ [Link]
✓ [*] SPENDLEY W., HEXT G. R., HIMSWORTH F.R., Sequential Application of
Simplex Designs in Optimisation and Evolutionary Operation. Technometrics,
volume 4 (4), 441-461, 1962.
✓ [**] NELDER J. A., MEAD R., A simplex method for function minimization.
Computer Journal, volume 7, 308-313, 1965.
✓ Exemple 2 ; centre aide en mathématique exemple de simplex

16