3M239 : Optimisation linéaire et convexité 2018–2019

TP n◦ 4 : Méthode du simplexe pour les problèmes de première

espèce

Objectif : Dans cette séance on s’intéressera à l’application de la méthode du simplexe aux problèmes
de première espèce. On commencera par appliquer de manière extensive la transformation de Gauss-
Jordan, puis on utilisera le critère de Dantzig pour sélectionner les pivots. Enfin le phénomène de
cyclage est illustré.

1 Recherche extensive des solutions de base

Dans le TP précédent, il n’était pas encore question de la méthode du simplexe. On appliquait la
transformation de Gauss-Jordan à une matrice intégrant uniquement les contraintes. Lorsqu’on ajoute à
cette matrice une ligne associée à la fonction de coût, on obtient à chaque itération l’expression de celle-
ci en fonction des variables hors base. Il est dès lors possible d’identifier simplement le(s) sommet(s)
du convexe des contraintes correspondant au maximum.
Voici ici une implémentation possible de la fonction pivot

1 # la fonction pivot
2 def pivot(M,i,j):
3 # M est une np.array (2 dimensions )
4 # i indice de la ligne
5 # indice de la colonne
6 N = M.copy ()
7 l,c = np. shape(N)
8 for k in np. arange (l):
9 if k==i : # on est sur la ligne de i
10 N[k ,:] = M[k ,:]/M[k,j] # on normalise la ligne pour avoir 1 en (i,j
)
11 else:
12 # on soustrait aux lignes pour annuler au dessus et en dessous du
pivot
13 N[k ,:]=M[k ,:] - M[k,j]/M[i,j]*M[i ,:]
14 return N

Exercice 1 On s’intéresse au problème d’optimisation linéaire suivant :

Maximiser Z1 (x, y) = 2x + y,
 x + 2y 6 8
 x +

y 6 5


 (1)


 9x + 4y 6 36
x, y > 0.


1. Reformulation du problème
• Mettre ce problème sous forme standard AX = b en introduisant les variables d’écart
e1, e2, e3 .
• En déduire une solution de base. Est-elle réalisable ?
2. Construction avec python de la matrice intégrant contraintes et fonction objectif.
• Définir le vecteur v = (2, 1, 0, 0, 0) ∈ R5 .
• Construire la matrice M ∈ M4, 6 (R) définie par bloc de la manière suivante :
!
v 0
M=
A b
• La matrice M ainsi définie contient donc dans les lignes d’indices 2 6 i 6 4 la décomposition
des vecteurs (V1, V2,  1,  2,  3 ) dans la base canonique de R3 . Elle a pour première ligne les
prix marginaux associés aux variables hors-base. Remarque : Attention ! la convention change
donc par rapport au cours.

D’après un énoncé de Maxime Chupin Sorbonne Université

3M239 : Optimisation linéaire et convexité 2018–2019

3. Recherche d’optimum à tâtons.

• En utilisant la fonction pivot, définie dans le TP3, appliquer à la matrice M les transforma-
tions de Gauss-Jordan qui donnent la décomposition des vecteurs V1, V2,  1,  2,  3 dans les
bases successives :
{V2,  2,  3 }, {V2,  1,  3 }, {V2,  1,  2 }
{V1,  1,  2 }, {V1,  1,  3 }, {V1,  2,  3 }
{V1, V2,  3 }, {V1, V2,  2 }, {V1, V2,  1 } .
Il suffira d’identifier l’indice du pivot Mi j correspondant à cette transformation. Pour la déter-
mination de i, prendre garde au fait que l’on a ajouté une ligne.
• Après chaque transformation, donner une solution de base, préciser si elle est admissible ou
non, donner la valeur de Z associée.
• La manière de procéder vous semble-t-elle optimale ?

2 Utilisation du critère de Dantzig

Ainsi, lorsqu’on parcourt au hasard les solutions de base, on finit par tomber (sauf cas particulier)
sur l’optimum correspondant à un sommet du convexe des contraintes. Mais ce choix aléatoire du pivot
n’est pas satisfaisant. La méthode du simplexe repose sur deux critères de sélection, à savoir le choix
de la variable entrante et celle de la variable sortante. On note (D1) le premier critère, qui revient à
choisir la colonne du pivot à partir des prix marginaux des variables hors base. Le second critère est
noté (D2) , et permet de choisir la ligne du pivot.
On rappelle que le critère de Dantzig fournit deux tels critères :
(D1) on choisit la colonne i parmi celles associées à un prix marginal strictement positif ;
(D2) on choisit la colonne i parmi celles associées à une constante renormalisée positive minimale,
c’est-à-dire bi /ai, j positif et minimal.
Si plusieurs choix sont possibles, alors on considère le plus petit indice pour le choix de la ligne ;
pour le choix de la colonne, selon le critère de Bland on choisit à nouveau l’indice le plus petit, et
selon le critère naturel celui associé au prix marginal le plus élevé.

Exercice 2
On s’intéresse au problème d’optimisation linéaire suivant :

Maximiser Z(x, y, z) = 20x + 18y + 15z,

 2x + 2y + z 6 6000
+ +

x 2y 2z 6 7000


 (2)
+ +



 x y z 6 4000
x, y, z > 0.


1. Première itération
• Définir la matrice M suivant le même principe que dans l’exercice 1.
• À l’aide des critères (D1) et (D2) de Dantzig, déterminer les indices i et j du pivot préco-
nisés par la méthode du simplexe, correspondant respectivement à la ligne et à la colonne
du pivot.
• Appliquer la fonction pivot à la matrice M pour les indices i et j. En déduire une solution
de base. Correspond-elle au maximum de Z ? Pourquoi ?
2. Itérations suivantes
• Rappeler le critère d’arrêt permettant de terminer les itérations sur une solution optimale
du problème.
• Appliquer la fonction pivot jusqu’à ce que le critère d’arrêt soit satisfait.
• Donner la valeur du maximum. Pour quelle(s) valeur(s) des variables x, y, z est-il atteint ?
Combien d’itérations la procédure a-t-elle nécessité ?

D’après un énoncé de Maxime Chupin Sorbonne Université

3M239 : Optimisation linéaire et convexité 2018–2019

Exercice 3 Appliquer la méthode du simplexe au problème d’optimisation linéaire de première espèce

suivant :
Maximiser Z(x, y, z) = 8x + 5y + 7z,

 x + y 6 30
+



 x z 6 40

 2x + 3y +
 (3)
z 6 100
x + y −





 2z 6 60

 x, y, z > 0.

Exercice 4 Appliquer la méthode du simplexe au problème d’optimisation linéaire de première espèce

suivant :
Maximiser Z(x, y, z, t) = 20x + 27y + 5z + 6t,

 x + z + 1
2t 6 4
+ + 14



 2x y 5 z − 2t 6 5

 3x + 2y +
 (4)
z 6 6
+ + +

4x 3y 2z t 6 7






 x, y, z, t > 0.
On testera le critère naturel et le critère de Bland. Comparer le nombre d’itérations obtenus.

3 Cyclage

Exercice 5 On considère le problème d’optimisation linéaire suivant

Maximiser Z(x, y, z, t) = 10x − 52y − 9z − 24,

 x/2 − 11y/2 − 5z/2 +9t 6 0
+t 6 0

x/2 − 3y/2 − z/2



 (5)


 x 6 1
x, y, z, t > 0.


1. Effectuer avec python 7 itérations standards de l’algorithme du simplexe.
2. Poursuivre, en appliquant le critère naturel. Qu’observe-t-on ?
3. Reprendre la question précédente avec le critère de Bland. Conclure.

D’après un énoncé de Maxime Chupin Sorbonne Université