Modèles de Recherche Opérationnelle (RO)
2. Programmation linéaire
a. Modélisation
Programmation linéaire (PL)
Problème classique de planification : affecter des
ressources limitées à plusieurs activités concurrentes
Programme = Plan (solution de ce problème)
Programmation mathématique (RO) ≠ Programmation
informatique
Fonction linéaire: fonction dans laquelle chaque variable
évolue linéairement
f(x1, x2, …, xn) = c1 x1 + c2 x2 + … + cn xn
Modèle de PL = Modèle de programmation mathématique
dans lequel toutes les fonctions sont linéaires
2. Programmation linéaire 2
Exemple d’un modèle de PL
Données du problème (WyndorGlass)
Deux types de produits (produit 1, produit 2)
Trois usines (usine 1, usine 2, usine 3)
Capacité de production pour chaque usine (par semaine)
Profit par lot (20 unités) de chaque produit
Produit 1 (tps Produit 2 (tps
Capacité de
de production, de production,
production (h)
h/lot) h/lot)
Usine 1 1 0 4
Usine 2 0 2 12
Usine 3 3 2 18
Profit($)/lot 3000 5000
2. Programmation linéaire 3
Exemple d’un modèle de PL (suite)
Chaque lot du produit 1 (2) est le résultat combiné
de la production aux usines 1 et 3 (2 et 3)
Énoncé du problème: Déterminer le taux de
production pour chaque produit (nombre de
lots/semaine) de façon à maximiser le profit total
Variables de décision:
x1 = nombre de lots du produit 1
x2 = nombre de lots du produit 2
Fonction objectif:
Z = profit total
Z = 3 x1 + 5 x2 (profit total en milliers de $)
Maximiser Z
2. Programmation linéaire 4
Exemple d’un modèle de PL (suite)
Contraintes de capacité de production
x1 ≤ 4 (usine 1)
2 x2 ≤ 12 (usine 2)
3 x1 + 2 x2 ≤ 18 (usine 3)
Contraintes de non négativité
x1 ≥ 0, x2 ≥ 0 (nombre d’unités produites ≥ 0)
2. Programmation linéaire 5
Exemple d’un modèle de PL (suite)
Maximiser Z = 3 x1 + 5 x2
sous les contraintes:
x1 ≤ 4 (usine 1)
2 x2 ≤ 12 (usine 2)
3 x1 + 2 x2 ≤ 18 (usine 3)
x1 ≥ 0, x2 ≥ 0 (contraintes de non négativité)
2. Programmation linéaire 6
Résolution graphique
2. Programmation linéaire 7
Résolution graphique (suite)
2. Programmation linéaire 8
Méthode graphique
Tracer les droites correspondant aux contraintes
Déterminer le domaine réalisable en vérifiant le sens
des inégalités pour chaque contrainte
Tracer les droites correspondant à la variation de
l’objectif
Dans l’exemple:
Z = 3x1 + 5x2 ⇔ x2 = -(3/5) x1 + (1/5) Z
Ordonnée à l’origine (dépend de la valeur de Z): (1/5) Z
Pente: - 3/5
Maximiser: augmenter Z
2. Programmation linéaire 9
Méthode graphique (suite)
Uniquement pour les modèles à deux variables
Plus de deux variables: méthode du simplexe
Logiciels proposant la méthode du simplexe:
Excel Solver
Problème Wyndor Glass avec Excel Solver
2. Programmation linéaire 10
Excel Solver: conseils d’utilisation
Entrer d’abord les données
Les identifier clairement avec des noms d’intervalles
Entrer chaque donnée dans une seule cellule (ne pas
répéter la même donnée dans plusieurs formules)
Utiliser des couleurs et des bordures pour distinguer
les différents types de cellules:
Cellules données
Cellules variables
Cellules résultats
Cellule cible (objectif)
2. Programmation linéaire 11
Modèle général de PL
m ressources (3 usines)
n activités (2 produits)
Niveau de l’activité j (taux de production du produit j): xj
Mesure de performance globale (profit total): Z
Accroissement de Z résultant de l’augmentation d’une
unité du niveau de l’activité j : cj
Quantité disponible de la ressource i : bi
Quantité de ressource i consommée par l’activité j : aij
2. Programmation linéaire 12
Modèle général de PL (suite)
Objectif
Maximiser Z = c1 x1 + c2 x2 + … + cn xn
Contraintes fonctionnelles
a11 x1 + a12 x2 + … + a1n xn ≤ b1
a21 x1 + a22 x2 + … + a2n xn ≤ b2
…
am1 x1 + am2 x2 + … + amn xn ≤ bm
Contraintes de non négativité
x1 ≥ 0, x2 ≥ 0, …, xn ≥ 0
2. Programmation linéaire 13
Modèle général de PL (suite)
On appelle ce modèle forme standard
D’autres formes sont possibles et définissent aussi
des modèles de PL
Minimiser au lieu de Maximiser: min f(x) = - max – f(x)
≥, = dans certaines contraintes fonctionnelles au lieu de ≤
Certaines variables peuvent ne pas être forcées à être ≥ 0
x ≥ -4 ⇔ x + 4 ≥ 0
définir y = x + 4 , y ≥ 0
-10 ≤ x ≤ -2 ⇔ 0 ≤ x + 10 ≤ 8
définir y = x + 10 , y ≥ 0
2. Programmation linéaire 14
Terminologie de base en PL
Solution réalisable: solution pour laquelle toutes les
contraintes sont satisfaites: ∈ domaine réalisable
Solution non réalisable: solution pour laquelle au
moins une contrainte est violée:∉domaine réalisable
Solution optimale: solution ayant la meilleure valeur
possible de l’objectif
Modèle n’ayant aucune solution optimale:
Domaine réalisable vide
Objectif non borné
Modèle ayant une infinité de solutions optimales
2. Programmation linéaire 15
Domaine réalisable vide
2. Programmation linéaire 16
Objectif non borné
2. Programmation linéaire 17
Infinité de solutions optimales
2. Programmation linéaire 18
Interprétation géométrique
Point extrême du domaine réalisable : solution
réalisable correspondant à un coin du domaine
réalisable
En deux dimensions, un coin est la rencontre de deux
droites (ou plus) définies par les frontières des
contraintes
Théorème: Supposons qu’un modèle de PL a un
domaine réalisable non vide et borné; alors il existe
au moins une solution optimale correspondant à un
point extrême du domaine réalisable
2. Programmation linéaire 19
Points extrêmes
2. Programmation linéaire 20