Plan global

1. Introduction générale
2. Introduction à la théorie des graphes
3. Complexité des problèmes, méthodes de résolution
4. Programmation linéaire

2
Introduction générale
Introduction générale

1. Motivation
2. Définitions
3. Formalisation
4. Domaines d’application

4
Motivation
 Un voyageur de commerce, basé à
Toulon, doit visiter ses clients à travers
la France
𝐷𝐷

 Il souhaite effectuer la tournée la plus

courte possible

5
Motivation
 Données:
 𝑛𝑛 villes avec une matrice de distances
𝐷𝐷
 Solution:
 Tournée visitant chaque ville et revenant
au point de départ

6
Motivation

7
Motivation
 Pouvons-nous fournir des méthodes pour répondre à un type
précis de problème, c’est-à-dire à élaborer une démarche universelle
pour un type de problème qui aboutit à la ou les solutions les plus
efficaces?

8
Définitions
 Operational research UK, US operations research, Or simply OR
 Cambridge Dictionary:
 The systematic study of how best to solve problems in business and industry

 Wikipedia:
 Is the use of mathematical models, statistics and algorithms to aid in decision-
making

 Roadef (société française de recherche opérationnelle et d’aide à la décision):

 Approche scientifique pour la résolution de problèmes de gestion de systèmes
complexes

9
Formalisation
Face à un problème pratique de décision
 Aspects mathématiques
 Contraintes, objectifs, simplifications
 Modélisation
 Graphes, programmation linéaire, PPC...
 Analyse des modèles et résolution
 Etude de complexité: que peut-on espérer pour le temps disponible?

10
Formalisation
Face à un problème pratique de décision
 Mise au point d'algorithmes
 Implémentation et analyse des résultats
 Valider par rapport à la demande
 Itérer avec le demandeur si nécessaire
 Déploiement des solutions
 Intégration logicielle

11
Domaines d’application
 Conception, configuration et exploitation de systèmes techniques
complexes (réseaux de communication, systèmes d'information…)
 Gestion de la chaîne logistique (transports, production, stocks...)
 Gestion stratégique d'investissements
 Et aussi: santé, instruction publique, voirie, ramassage et
distribution de courrier, production et transport d‘énergie,
télécommunications, banques, assurances...

12
Domaines d’application
 Production: maximiser le profit selon la disponibilité de la main
d‘œuvre, demande du marché, capacité de production, prix de
revient du matériau brut…

 Transport: minimiser la distance totale parcourue selon les

quantités de matériaux à transporter, capacité des transporteurs,
points de ravitaillement en carburant…

13
Introduction à la théorie des graphes
Introduction à la théorie des graphes
1. Introduction
2. Notions fondamentales sur les graphes
3. Représentation d’un graphe
4. Arbres, forêts et arborescences
5. Problèmes
1. Le problème du plus court chemin
2. Le problème de l’arbre couvrant minimum
3. Le problème de flot maximum

15
Introduction

 XVIIIème siècle
 Ville de Königsberg

16
Introduction
 Peut-on traverser d'une seule traite les 7 ponts de la ville sans
avoir à repasser par l'un d'entre eux ?

17
Introduction

 Euler (1707-1783)
 Résolution de l’énigme en 1736
 Représentation de cette situation à l'aide d'un « dessin »

18
Introduction

19
Introduction

 Les sommets représentent les terres et les arêtes les ponts

20
Introduction

21
Notions fondamentales sur les graphes

 Un graphe 𝐺𝐺 = (𝑋𝑋, 𝑈𝑈) est déterminé par la donnée :

 D’un ensemble 𝑋𝑋 non vide et fini dont les éléments sont appelés sommets
ou nœuds. Si 𝑛𝑛 = |𝑋𝑋| est leur nombre, on dira que 𝐺𝐺 est d’ordre 𝒏𝒏
 D’un ensemble 𝑈𝑈 ⊆ 𝑋𝑋 × 𝑋𝑋 dont les éléments sont des couples ordonnés
de sommets appelées arcs ou arêtes. On notera souvent 𝑈𝑈 = 𝒎𝒎

22
Notions fondamentales sur les graphes
 Si 𝑢𝑢 = 𝑖𝑖, 𝑗𝑗 est un arc de 𝐺𝐺, 𝑖𝑖 et 𝑗𝑗 sont les extrémités de 𝑢𝑢 et sont dites
adjacentes. Si 𝑢𝑢 est orienté de 𝑖𝑖 vers 𝑗𝑗, alors 𝑖𝑖 est l’extrémité initiale de 𝑢𝑢 et 𝑗𝑗 est
l’extrémité terminale de 𝑢𝑢
𝑛𝑛 𝑛𝑛−1
 Si tous les nœuds de 𝐺𝐺 sont mutuellement connectés, on aura 𝑚𝑚 = et
2
G sera dit complet
 Le degré 𝑑𝑑 𝑖𝑖 d’un sommet 𝑖𝑖 est égal au nombre d’arcs dont 𝑖𝑖 est une
extrémité

23
Notions fondamentales sur les graphes
 Dans un graphe orienté, le demi-degré entrant 𝑑𝑑 + (𝑖𝑖) (resp. sortant 𝑑𝑑 − (𝑖𝑖)d’un
sommet 𝑖𝑖 est égal au nombre d’arcs dont 𝑖𝑖 est une extrémité terminale ( resp.
initiale) et nous avons 𝑑𝑑(𝑖𝑖) = 𝑑𝑑 + (𝑖𝑖) + 𝑑𝑑 − (𝑖𝑖)
 Un graphe est simple s'il ne contient ni boucle ni arêtes multiples, par boucle
on sous-entend une arête dont ses deux extrémités sont identiques et par
arêtes multiples les différentes arêtes reliant les mêmes extrémités initiale et
terminale

24
Notions fondamentales sur les graphes
 On dira aussi qu’un graphe 𝐺𝐺 ′ = 𝑋𝑋 ′ , 𝑈𝑈𝑈 est un sous-graphe d’un graphe 𝐺𝐺 =
𝑋𝑋, 𝑈𝑈 lorsque 𝑋𝑋𝑋 ⊆ 𝑋𝑋 et 𝑈𝑈𝑈 ⊆ 𝑈𝑈
 Un sous-graphe recouvrant d’un graphe 𝐺𝐺 = 𝑋𝑋, 𝑈𝑈 est un sous-graphe 𝐺𝐺 ′ =
𝑋𝑋, 𝑈𝑈𝑈 c’est-à-dire un sous-graphe dont sont sommets tous les sommets de G
 Une chaine de longueur q (de cardinalité q) est une séquence de q arcs : 𝐿𝐿 =
𝑢𝑢1 , 𝑢𝑢2 , … , 𝑢𝑢𝑞𝑞 telle que chaque arc 𝑈𝑈𝑟𝑟 de la séquence 2 ≤ 𝑟𝑟 ≤ 𝑞𝑞 − 1 ait une
extrémité commune avec l’arc 𝑢𝑢𝑟𝑟−1 𝑢𝑢𝑟𝑟−1 ≠ 𝑢𝑢𝑟𝑟 et l’autre extrémité commune
avec l’arc 𝑢𝑢𝑟𝑟+1 𝑢𝑢𝑟𝑟+1 ≠ 𝑢𝑢𝑟𝑟

25
Notions fondamentales sur les graphes
 L’extrémité i de 𝑢𝑢1 non adjacente à 𝑢𝑢2 , et l’extrémité j de 𝑢𝑢𝑞𝑞 non adjacente à
𝑢𝑢𝑞𝑞−1 sont appelées les extrémités de la chaine L
 Une chaîne dont le nœud de départ et le nœud d'arrivée sont identiques
s’appelle cycle
 Un chemin est une séquence finie et alternée de sommets et d’arcs, débutant
et finissant par des sommets, telle que chaque arc est sortant d’un sommet et
incident au sommet suivant dans la séquence
 Un chemin dont le nœud de départ et le nœud d'arrivée sont identiques
s’appelle circuit

26
Notions fondamentales sur les graphes

 Un graphe est dit connexe si, pour tout couple de sommets i et j, il existe une
chaine joignant i et j. La relation:
𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑖𝑖 = 𝑗𝑗
𝑖𝑖 ℛ 𝑗𝑗 ⇔ �
𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑖𝑖𝑖𝑖 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑢𝑢𝑢𝑢𝑢𝑢 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗𝑗 𝑖𝑖 𝑒𝑒𝑒𝑒 𝑗𝑗
est une relation d’équivalence (réflexive, symétrique, transitive)

27
Notions fondamentales sur les graphes
 Les classes d’équivalence induites sur X par cette relation forment une
partition de X en : 𝑋𝑋1 , 𝑋𝑋2 , … , 𝑋𝑋𝑝𝑝 . Le nombre de classes d’équivalence distinctes,
noté p, est appelé le nombre de connexité du graphe. Un graphe est dit connexe
si et seulement si son nombre de connexité p est égal à 1.
 Un sous-graphe GA engendré par 𝐴𝐴 ⊂ 𝑋𝑋 dont les sommets sont les éléments
de A, et les arêtes sont les arêtes de G ayant leurs deux extrémités dans A, les
sous-graphes 𝐺𝐺1 , 𝐺𝐺2 , … , 𝐺𝐺𝑝𝑝 engendrés par les sous-ensembles 𝑋𝑋1 , 𝑋𝑋2 , … , 𝑋𝑋𝑝𝑝 sont
appelés composantes connexes (CC) du graphe G

28
Notions fondamentales sur les graphes

29
Notions fondamentales sur les graphes
 Un graphe est fortement connexe est un graphe orienté dont toutes les paires
de sommets peuvent être reliées par un chemin. La relation:
𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑖𝑖 = 𝑗𝑗
𝑖𝑖 ℛ 𝑗𝑗 ⇔ �𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑖𝑖𝑖𝑖 𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒𝑒 𝑢𝑢𝑢𝑢 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎 𝑑𝑑𝑑𝑑 𝑖𝑖 à 𝑗𝑗
𝒆𝒆𝒆𝒆 𝑢𝑢𝑢𝑢 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑑𝑑𝑑𝑑 𝑗𝑗 à 𝑖𝑖
est une relation d’équivalence.
 Les classes d’équivalence induites sur X par cette relation forment une
partition de X en : 𝑋𝑋1 , 𝑋𝑋2 , … , 𝑋𝑋𝑝𝑝 . Les sous-graphes 𝐺𝐺1 , 𝐺𝐺2 , … , 𝐺𝐺𝑝𝑝 engendrés par
les sous-ensembles 𝑋𝑋1 , 𝑋𝑋2 , … , 𝑋𝑋𝑝𝑝 sont appelés les composantes fortement
connexes (CFC) de G

30
Notions fondamentales sur les graphes

31
Notions fondamentales sur les graphes

 La distance entre deux sommets d'un graphe connexe (ou entre 2 sommets
d'une même composante connexe) est égale à la longueur (nombre d’arêtes) de
la plus courte chaine les reliant

 On appelle ainsi diamètre d’un graphe G, noté 𝛿𝛿 𝐺𝐺 , la distance maximale

entre deux sommets du graphe G

32
Représentation d’un graphe

 Comment stocker un graphe d’une manière efficace ?

33
Représentation d’un graphe

espace mémoire la complexité d’accès

34
Représentation d’un graphe

 Aucune représentation n’est parfaite

 Choix de la structure à adopter en fonction du graphe et l’algorithme
 Trois structures très utilisées:
 Matrice d’incidence nœud-arc
 Matrice d’adjacence nœud-nœud
 Liste d’adjacence

35
Représentation d’un graphe
Matrice d’incidence nœud-arc:
 Matrice 𝒜𝒜 𝐺𝐺 de taille 𝑛𝑛 × 𝑚𝑚

1 𝑠𝑠𝑠𝑠 𝑙𝑙𝑙𝑙 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑖𝑖 𝑒𝑒𝑒𝑒𝑒𝑒 𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙𝑙 𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑎𝑎𝑎𝑎𝑎𝑎 𝑘𝑘

𝑎𝑎𝑖𝑖𝑖𝑖 = �−1 𝑠𝑠𝑠𝑠 𝑙𝑙𝑙𝑙 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑖𝑖 𝑒𝑒𝑒𝑒𝑒𝑒 𝑙𝑙𝑙𝑙 𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑𝑑 𝑑𝑑𝑑𝑑 𝑙𝑙𝑙𝑎𝑎𝑎𝑎𝑎𝑎 𝑘𝑘
0 𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝𝑝 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎

 Dans le cas non orienté, les coefficients valent 1 si

le sommet en est une extrémité de l’arête et 0 sinon

36
Représentation d’un graphe
Matrice d’incidence nœud-arc:
 Cas orienté: u1 u2 u3 u4 u5 u6
1 0 0 -1 -1 0 0
2 1 1 0 0 0 0
3 -1 0 1 0 0 0
4 0 0 0 0 -1 1
5 0 0 0 0 1 -1
6 0 -1 0 1 0 0

37
Représentation d’un graphe
Matrice d’incidence nœud-arc:
 Cas non orienté: u1 u2 u3 u4 u5
1 1 1 0 0 0
2 0 0 1 1 0
3 1 0 1 0 0
4 0 0 0 0 1
5 0 0 0 0 1
6 0 1 0 1 0

38
Représentation d’un graphe
Matrice d’adjacence nœud-noeud:
 Matrice ℬ(𝐺𝐺) de taille 𝑛𝑛 × 𝑛𝑛

𝑏𝑏𝑖𝑖𝑖𝑖 = 1 𝑠𝑠𝑠𝑠 𝑒𝑒𝑒𝑒 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑠𝑠𝑠𝑠 𝑖𝑖, 𝑗𝑗 ∈ 𝑈𝑈 (𝑏𝑏𝑖𝑖𝑖𝑖 = 0 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠)

 Remarque: 𝐺𝐺 ne peut contenir ni d’arêtes

multiples, ni plus d’une boucle par sommet

39
Représentation d’un graphe
Matrice d’adjacence nœud-noeud:
 Cas orienté:
1 2 3 4 5 6
1 0 0 0 0 0 0
2 0 0 1 0 0 1
3 1 0 0 0 0 0
4 0 0 0 0 1 0
5 0 0 0 1 0 0
6 1 0 0 0 0 0

40
Représentation d’un graphe
Matrice d’adjacence nœud-noeud:
 Cas non orienté:
1 2 3 4 5 6
1 0
2 0 0
3 1 1 0
4 0 0 0 0
5 0 0 0 1 0
6 1 1 0 0 0 0

41
Représentation d’un graphe
Liste d’adjacence:

 Chaque élément de la première représente un

nœud qui à son tour comporte une structure à une
dimension qui énumèrera les successeurs du
sommet en question

42
Représentation d’un graphe
Liste d’adjacence:
 Cas orienté: 1 → ∅
2 → 3 6
3 → 1
4 → 5
5 → 4
6 → 1

43
Représentation d’un graphe
Liste d’adjacence:
 Cas non orienté: 1 → 3 6
2 → 3 6
3 → 1 2
4 → 5
5 → 4
6 → 1 2

44
Arbres, forêts et arborescences
 Un arbre peut être définit de plusieurs manières, nous citons quelques unes.
Un graphe G est un arbre si et seulement si:
 Il est connexe et sans cycle
 Il est connexe minimum au sens des arêtes, c’est-à-dire qu’il n’est plus
connexe si on lui supprime l’une quelconque de ses arêtes
 Il est sans cycles et maximum au sens des arêtes, c’est-à-dire qu’on crée un
cycle en ajoutant une arête rendant adjacents deux quelconques de ses
sommets qui ne l’étaient pas
 Il est connexe (ou sans cycles) et possède 𝑛𝑛 − 1 arêtes

45
Arbres, forêts et arborescences

46
Arbres, forêts et arborescences
 Une forêt est un graphe sans cycle (ou un ensemble d’arbre)

47
Arbres, forêts et arborescences
 Un graphe 𝐺𝐺 est une arborescence s’il existe un sommet 𝑟𝑟 appelé racine de 𝐺𝐺
tel que pour tout sommet 𝑠𝑠 de 𝐺𝐺, il existe un chemin et un seul de 𝑟𝑟 vers 𝑠𝑠

48
Problèmes: Le problème du plus court
chemin

 Définition: Soit 𝐺𝐺 = (𝑋𝑋, 𝑈𝑈) un graphe valué; on associe à chaque arc 𝑢𝑢 = (𝑖𝑖, 𝑗𝑗)
une longueur 𝑙𝑙(𝑢𝑢) ou 𝑙𝑙𝑖𝑖𝑖𝑖 . Le problème du plus chemin entre 𝑖𝑖 et 𝑗𝑗 consiste à
trouver un chemin 𝜇𝜇(𝑖𝑖, . . , 𝑗𝑗) de 𝑖𝑖 à 𝑗𝑗 tel que:

𝑙𝑙 𝜇𝜇 = ∑𝑢𝑢∈𝜇𝜇 𝑙𝑙(𝑢𝑢) soit minimale

49
Problèmes: Le problème du plus court
chemin
 Lemme de Koenig: Un plus court chemin entre 2 sommets est élémentaire
 Nombre de chemins devient fini
 De l’ordre de 𝑛𝑛!

 Principe de sous-optimalité: Si 𝜇𝜇 = (𝑖𝑖, . . , 𝑗𝑗) est un plus court chemin entre 𝑖𝑖 et 𝑗𝑗,
alors pour tout sommet 𝑥𝑥 sur le chemin 𝜇𝜇:
 Le sous-chemin de 𝜇𝜇 jusqu’à 𝑥𝑥, (𝑖𝑖, . . , 𝑥𝑥), est le plus court chemin de 𝑖𝑖 à 𝑥𝑥
 Le sous-chemin de 𝜇𝜇 depuis 𝑥𝑥, (𝑥𝑥, . . , 𝑗𝑗), est le plus court chemin de 𝑥𝑥 à 𝑗𝑗

50
Problèmes: Le problème du plus court
chemin
 Lemme de Koenig: Un plus court chemin entre 2 sommets est élémentaire
 Nombre de chemins devient fini
 De l’ordre de 𝑛𝑛!

 Principe de sous-optimalité: Si 𝜇𝜇 = (𝑖𝑖, . . , 𝑗𝑗) est un plus court chemin entre 𝑖𝑖 et 𝑗𝑗,
alors pour tout sommet 𝑥𝑥 sur le chemin 𝜇𝜇:
 Le sous-chemin de 𝜇𝜇 jusqu’à 𝑥𝑥, (𝑖𝑖, . . , 𝑥𝑥), est le plus court chemin de 𝑖𝑖 à 𝑥𝑥
 Le sous-chemin de 𝜇𝜇 depuis 𝑥𝑥, (𝑥𝑥, . . , 𝑗𝑗), est le plus court chemin de 𝑥𝑥 à 𝑗𝑗

51
Problèmes: Le problème du plus court
chemin
Algorithme de Dijkstra:
 Permet de calculer le plus court chemin entre un sommet et tous les autres
 Graphe 𝐺𝐺 à longueurs positives
 Numérotation des sommets de 𝐺𝐺 de 1 à 𝑛𝑛
 Recherche des chemins partant du sommet 1
 Construction d’un vecteur 𝜆𝜆 = (𝜆𝜆 1 ; 𝜆𝜆 2 ; … ; 𝜆𝜆(𝑛𝑛)) tel que 𝜆𝜆 𝑗𝑗 soit égale à la
longueur du plus court chemin allant de 1 au sommet 𝑗𝑗
 Construction d’un vecteur 𝑝𝑝 pour mémoriser le chemin pour aller du sommet 1 au
sommet voulu. La valeur 𝑝𝑝(𝑗𝑗) donne le sommet qui précède 𝑗𝑗 dans le chemin

52
Problèmes: Le problème du plus court
chemin
Algorithme de Dijkstra:
 𝜆𝜆 est initialisé à 𝑐𝑐1𝑗𝑗 , tel que:
0 𝑠𝑠𝑖𝑖 𝑖𝑖 = 𝑗𝑗
𝑐𝑐𝑖𝑖𝑖𝑖 = �∞ 𝑠𝑠𝑠𝑠 𝑖𝑖 ≠ 𝑗𝑗 𝑒𝑒𝑒𝑒 (𝑖𝑖, 𝑗𝑗) ∉ 𝐸𝐸
𝑙𝑙 𝑖𝑖, 𝑗𝑗 𝑠𝑠𝑠𝑠 𝑖𝑖 ≠ 𝑗𝑗 𝑒𝑒𝑒𝑒 (𝑖𝑖, 𝑗𝑗) ∈ 𝐸𝐸
 𝑝𝑝(𝑗𝑗) initialement est égal à NULL, ou 1 si (1, 𝑗𝑗) ∈ 𝐸𝐸
 Deux ensembles de sommets sont considérés, 𝑆𝑆 initialisé à {1} et 𝑇𝑇 à 2, … , 𝑛𝑛
 À chaque itération, on ajoute à 𝑆𝑆 un sommet de 𝑇𝑇 de telle sorte que le vecteur 𝜆𝜆
donne à chaque étape la longueur minimale des chemins de 1 aux sommets de 𝑆𝑆

53
Problèmes: Le problème du plus court
chemin
Algorithme de Dijkstra:
Initialisations
𝜆𝜆 𝑗𝑗 = 𝑐𝑐1𝑗𝑗 et 𝑝𝑝 𝑗𝑗 = 𝑁𝑁𝑁𝑁𝑁𝑁𝑁𝑁, pour 1 ≤ 𝑗𝑗 ≤ 𝑛𝑛
Pour 2 ≤ 𝑗𝑗 ≤ 𝑛𝑛 faire
Si 𝑐𝑐1𝑗𝑗 < ∞ alors
𝑝𝑝 𝑗𝑗 = 1
𝑆𝑆 = {1} ; 𝑇𝑇 = {2, … , 𝑛𝑛}

54
Problèmes: Le problème du plus court
chemin
Algorithme de Dijkstra:
Itérations
Tant que 𝑇𝑇 n’est pas vide faire
choisir 𝑖𝑖 dans 𝑇𝑇 tel que 𝜆𝜆(𝑖𝑖) est minimum
retirer 𝑖𝑖 de 𝑇𝑇 et l’ajouter à 𝑆𝑆
Pour chaque successeur 𝑗𝑗 de 𝑖𝑖, avec 𝑗𝑗 dans 𝑇𝑇, faire
Si 𝜆𝜆 𝑗𝑗 > 𝜆𝜆 𝑖𝑖 + 𝑙𝑙(𝑖𝑖, 𝑗𝑗) alors
𝜆𝜆 𝑗𝑗 = 𝜆𝜆 𝑖𝑖 + 𝑙𝑙(𝑖𝑖, 𝑗𝑗)
𝑝𝑝 𝑗𝑗 = 𝑖𝑖

55
Problèmes: Le problème du plus court
chemin
Algorithme de Dijkstra:
Exp:

56
Problèmes: Le problème de l’arbre
couvrant minimum
 On souhaite connecter des villes entre
elles avec un nouveau réseau très haut
débit
 Un certains nombre de connexions
directes point à point entre les villes
sont techniquement possibles
 Il nous faut choisir lesquelles parmi
ces connexions nous allons
effectivement mettre en place

57
Problèmes: Le problème de l’arbre
couvrant minimum
 La distance entre 2 villes dans le
réseau final a peu d'importance au vu
des débits prévus
 Les coûts d'installation des liaisons ne
sont pas les mêmes

 Comment connecter toutes les villes

en minimisant le coût total du réseau?

58
Problèmes: Le problème de l’arbre
couvrant minimum

 Arbre de recouvrement: Un arbre de recouvrement (AR) 𝐺𝐺𝐴𝐴𝐴𝐴 = 𝑋𝑋, 𝑈𝑈 ∗ de 𝐺𝐺

est un sous-graphe recouvrant de 𝐺𝐺 qui est un arbre, les arêtes de 𝐺𝐺𝐴𝐴𝐴𝐴 sont
appelées branches

59
Problèmes: Le problème de l’arbre
couvrant minimum

 Formulation: étant un graphe 𝐺𝐺 = 𝑋𝑋, 𝑈𝑈 non orienté, connexe et pondéré

par une fonction 𝑙𝑙 attachée aux arêtes. On souhaite trouver dans 𝐺𝐺 un AR de
poids total minimum

60
Problèmes: Le problème de l’arbre
couvrant minimum

61
Problèmes: Le problème de l’arbre
couvrant minimum
 Plusieurs algorithmes de résolution
 Exploitation des caractéristiques des arbres
 Graphes connexes minimaux
 Graphes acycliques (sans cycles) maximaux
 Les deux algorithmes les plus connus:
 Prim
 Kruskal

62
Problèmes: Le problème de l’arbre
couvrant minimum
Algorithme de Prim:
 Exploite la première caractéristique
 Dans un arbre couvrant 𝑇𝑇, il existe nécessairement une arête qui relie l'un des
sommets de 𝑇𝑇 avec un sommet en dehors de 𝑇𝑇
 L'idée est de maintenir un sous-graphe partiel connexe, en le connectant à un
nouveau sommet à chaque étape
 Pour construire un arbre couvrant de poids minimum, il suffirait de choisir à chaque
fois parmi les arêtes sortantes celle de poids le plus faible pour que l’augmentation soit
la plus économique possible

63
Problèmes: Le problème de l’arbre
couvrant minimum
Algorithme de Prim:
Initialisations
𝐹𝐹 = 𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 /* F est l’ensemble des arêtes de l’arbre */
marquer arbitrairement un sommet
Itérations
Tant Que il existe un sommet non marqué adjacent à un sommet marqué faire
Sélectionner un sommet 𝑦𝑦 non marqué adjacent à un sommet marqué 𝑥𝑥
tel que (𝑥𝑥, 𝑦𝑦) est l'arête sortante de plus faible poids
𝐹𝐹 = 𝐹𝐹 ∪ { 𝑥𝑥, 𝑦𝑦 }
marquer 𝑦𝑦

64
Problèmes: Le problème de l’arbre
couvrant minimum
Algorithme de Kruskal:
 Exploite la deuxième caractéristique
 L’ajout d’une arête à un arbre 𝑇𝑇 crée un cycle
 Construction de l’arbre couvrant en ne raisonnant que sur les arêtes
 Construction par ajout à chaque fois d’une arête, si et seulement si le graphe reste
acyclique
 On a intérêt à ajouter les arêtes de poids le plus faible
 Parcours d’une liste des arêtes triée dans l’ordre des poids croissants

65
Problèmes: Le problème de l’arbre
couvrant minimum
Algorithme de Kruskal:
Initialisations
trier 𝐿𝐿𝑈𝑈 dans l’ordre des poids croissants /* 𝐿𝐿𝑈𝑈 est l’ensemble des arêtes */
𝐹𝐹 = 𝑉𝑉𝑉𝑉𝑉𝑉𝑉𝑉 et 𝐾𝐾 = 0 /* F est l’ensemble des arêtes de l’arbre */
Itérations
Tant Que 𝑘𝑘 < 𝑚𝑚 et 𝐹𝐹 < 𝑛𝑛 − 1 faire
𝑘𝑘 = 𝑘𝑘 + 1
Si 𝑙𝑙𝑘𝑘 ne forme pas de cycle avec 𝐹𝐹 alors
𝐹𝐹 = 𝐹𝐹 ∪ {𝑙𝑙𝑘𝑘 }

66
Problèmes: Le problème de l’arbre
couvrant minimum

67
Problèmes: Le problème de flot
maximum

 Un réseau de transport est un graphe, sans boucle, où chaque arc est associé
à un nombre 𝑐𝑐(𝑢𝑢) ≥ 0, appelé "capacité" de l'arc 𝑢𝑢. En outre, un tel réseau
vérifie les hypothèses suivantes
 Il existe un seul nœud 𝑆𝑆 qui n'a pas de prédécesseurs, tous les autres en ont au
moins un. Ce nœud est appelé l'entrée du réseau, ou la source
 Il existe également un seul nœud 𝑃𝑃 qui n'a pas de successeurs, tous les autres en
ont au moins un. Ce nœud est appelé la sortie du réseau, ou le puits

68
Problèmes: Le problème de flot
maximum

𝑆𝑆 𝑃𝑃

69
Problèmes: Le problème de flot
maximum
 Définition: Un flot dans un graphe 𝐺𝐺 = (𝑋𝑋, 𝑈𝑈) est un vecteur
ϕ = [ϕ1, ϕ2, … , ϕ𝑚𝑚]
Problèmes: Le problème de flot
maximum

 Le problème du flot maximal consiste à déterminer un flot dont la

valeur en un certain lieu est maximale

 Mais comment sait-on si un flot est maximal?

71
Problèmes: Le problème de flot
maximum

 Pour un flot ϕ dans un réseau de transport 𝐺𝐺, on dit qu’un arc 𝑢𝑢

est saturé si l’on a 𝜑𝜑 𝑢𝑢 = 𝑐𝑐(𝑢𝑢)

 Un flot est dit complet si tout chemin allant de 𝑆𝑆 à 𝑃𝑃 contient au

moins un arc saturé

72
Problèmes: Le problème de flot
maximum
 Soit un réseau de transport 𝐺𝐺 = (𝑋𝑋, 𝑈𝑈, 𝐶𝐶) possédant un flot
complet ϕ. On appelle graphe d’écart ou réseau résiduel, le réseau
𝐺𝐺 ′ ϕ = (𝑋𝑋, 𝑈𝑈 ′ , 𝐶𝐶 ′ ) tel que:
 Si 𝑢𝑢 ∈ 𝑈𝑈 et ϕ(𝑢𝑢) < 𝐶𝐶(𝑢𝑢) alors 𝑢𝑢 ∈ 𝑈𝑈 ′ et 𝐶𝐶 ′ 𝑢𝑢 = 𝐶𝐶 𝑢𝑢 − ϕ(𝑢𝑢)
 Si 𝑢𝑢 ∈ 𝑈𝑈 et ϕ 𝑢𝑢 = 𝐶𝐶(𝑢𝑢) alors 𝑢𝑢 ∉ 𝑈𝑈 ′
 Si 𝑢𝑢 = (𝑥𝑥, 𝑦𝑦) ∈ 𝑈𝑈 et ϕ(𝑢𝑢) > 0 alors 𝑢𝑢−1 = (𝑦𝑦, 𝑥𝑥) ∈ 𝑈𝑈 ′ et 𝐶𝐶 ′ 𝑢𝑢−1 = ϕ(𝑢𝑢)

73
Problèmes: Le problème de flot
maximum

 Le réseau résiduel indique le long de quels arcs on peut augmenter

ou diminuer le flot.

 Théorème: Soit ϕ un flot de 𝐺𝐺 (de 𝑆𝑆 à 𝑃𝑃) et 𝐺𝐺 ′ (ϕ) le réseau

résiduel associé à ϕ. Une condition nécessaire et suffisante pour que
le flot ϕ soit maximal est qu’il n’existe pas de chemin de 𝑆𝑆 à 𝑃𝑃 dans
𝐺𝐺 ′ (ϕ)

74
Problèmes: Le problème de flot
maximum
Algorithme de Ford-Fulkerson:
Initialisations
Partir d’un flot initial 𝜑𝜑 0 compatible avec les contraintes de capacité
par exemple 𝜑𝜑 0 = (0,0,0, … , 0)
𝑘𝑘 = 0
Itérations /* soit 𝜑𝜑 𝑘𝑘 le flot courant */
Rechercher un chemin 𝜇𝜇𝑘𝑘 de 𝑆𝑆 à 𝑃𝑃 dans le graphe d’écart 𝐺𝐺 ′ (𝜑𝜑 𝑘𝑘 )
Si il n’en existe pas alors
FIN /* le flot 𝜑𝜑 𝑘𝑘 est maximal */
Soit 𝜀𝜀 𝑘𝑘 la capacité résiduelle du chemin 𝜇𝜇𝑘𝑘 (minimum des capacités résiduelles)

75
Problèmes: Le problème de flot
maximum
Algorithme de Ford-Fulkerson:
Définir le flot 𝜑𝜑 𝑘𝑘+1 par:
𝜑𝜑𝑢𝑢𝑘𝑘+1 = 𝜑𝜑𝑢𝑢𝑘𝑘 + 𝜀𝜀 𝑘𝑘 si 𝑢𝑢 ∈ 𝜇𝜇𝑘𝑘 et si 𝑢𝑢 est orientée dans le sens de 𝜇𝜇𝑘𝑘
𝜑𝜑𝑢𝑢𝑘𝑘+1 = 𝜑𝜑𝑢𝑢𝑘𝑘 − 𝜀𝜀 𝑘𝑘 si 𝑢𝑢 ∈ 𝜇𝜇𝑘𝑘 et si 𝑢𝑢 est orientée dans le sens contraire de 𝜇𝜇𝑘𝑘
𝑘𝑘 = 𝑘𝑘 + 1
Jump To Début itération

76
Problèmes: Le problème de flot
maximum

77
Complexité des problèmes, méthodes de
résolution
Complexité des problèmes, méthodes de
résolution

1. Introduction
2. Classification des problèmes
3. Recherche opérationnelle et optimisation
4. Méthodes de résolution

79
Introduction

 Malgré la révolution informatique de ces dernières années,

certains problèmes d’intérêt pratique demeurent hors de portée de
nos ordinateurs, même les plus rapides

 Pour certains problèmes, la difficulté est telle qu’il faut des siècles
pour que tous les ordinateurs modernes fonctionnant en parallèles
aboutissent à la solution

80
Introduction

 Ces problèmes sont-ils intrinsèquement difficiles ou y-a-t-il un

raccourci pour les résoudre?

81
Classification des problèmes
La classe P

 Un problème est dit polynomial (appartenant à la classe P) s’il peut

être résolu par un algorithme déterministe de complexité temporelle
polynomiale en la taille du problème

82
Classification des problèmes
La classe NP
 La classe NP possède une définition moins naturelle que celle de la
classe P (nom trompeur) NP signifie polynomial non déterministe
 Extension de la classe P en autorisant des choix non déterministes
 Pour ce type de problème il est possible de vérifier une solution
efficacement (en temps polynomial)

83
Classification des problèmes
La classe NP-complet (NP-Complete)
 La théorie de la NP-complétude concerne la reconnaissance des
problèmes les plus durs de la classe NP
 Un problème est dit NP-complet s’il vérifie les propriétés suivantes:
 Il est possible de vérifier une solution en temps polynomial
 Tout problème Q de NP lui est réductible; cela signifie que le problème
est au moins aussi difficile que tous les autres problèmes de la classe NP

84
Classification des problèmes
La classe NP-difficile (NP-Hard)
 Cette classe contient les problème les plus dur à résoudre (en
terme de complexité temporelle)
 Un problème est dit NP-difficile si tout problème Q de NP lui est
réductible
 Si on savait résoudre un quelconque de ces problèmes en temps
polynomial, alors on saurait résoudre tous les problèmes NP en
temps polynomial

85
Classification des problèmes

86
Recherche opérationnelle et
optimisation
 Un lien très étroit lie la recherche opérationnelle à l’optimisation

87
Recherche opérationnelle et
optimisation
 Très souvent, on ramène une aide à la décision à la résolution d’un
problème d’optimisation
 Définition: Soit 𝑛𝑛 un entier strictement positif et soient 𝐷𝐷 ⊂ ℝ𝑛𝑛 un
sous ensemble non vide de ℝ𝑛𝑛 et 𝑓𝑓: 𝐷𝐷 ⟶ ℝ une application sur 𝐷𝐷 à
valeurs réelles. Un problème d’optimisation (PO) consiste à
déterminer, lorsqu’il existe, un extremum (minimum ou maximum)
de 𝑓𝑓 sur 𝐷𝐷

88
Recherche opérationnelle et
optimisation
 Classification des PO selon la nature des variables de décision:
 Optimisation continue: 𝐷𝐷 est continu
 Optimisation discrète ou optimisation combinatoire: 𝐷𝐷 est discret (𝐷𝐷 ⊂ ℤ𝑛𝑛 , fini)
 Classification des PO selon la nature des contraintes:
 Optimisation sans contraintes: Pas de contraintes ou contraintes faciles à satisfaire
 Optimisation sous contraintes: il est difficile de trouver un point satisfaisant les
contraintes

89
Méthodes de résolution
 Le problème à résoudre est-il facile ou difficile?
 Si le problème est « facile »: exhiber un algorithme efficace
 Si le problème est « difficile »:
 Et de « petite taille »: chercher la solution optimale
 Et de « grande taille »: chercher une solution approchée et
essayer de garantir la valeur de cette solution

90
Méthodes de résolution

Exemples de PO faciles:
 Problème du plus court chemin
 Router un flot maximal entre 2 sommets sous des contraintes de
capacités
 Problème de recherche d’une chaîne eulérienne dans un graphe
 Ordonnancer des tâches sous des contraintes de précédence

91
Méthodes de résolution

Exemples de PO difficiles:
 Problème du voyageur de commerce
 Router un flot maximal entre plusieurs paires de sommets sous des
contraintes de capacités
 Problème de recherche d’une chaîne hamiltonienne dans un
graphe

92
Méthodes de résolution
Principales (classes de) méthodes de résolution:
 Algorithmes polynomiaux
 Programmation dynamique
 Certains problèmes ont de bonnes caractéristiques qui permettent de les
résoudre à l'aide d'une formule de récurrence. Les méthodes de
programmation dynamique peuvent alors éventuellement permettre de
résoudre le problème avec une complexité polynomiale ou pseudo-
polynomiale

93
Méthodes de résolution
Principales (classes de) méthodes de résolution:
 Théorie des graphes
 Processus stochastiques
 Les processus stochastiques concernent tous les problèmes aléatoires, en
particulier des problèmes de fiabilité (de systèmes, de composants
électroniques…) et des phénomènes d'attente
 Simulation informatique

94
Méthodes de résolution
Principales (classes de) méthodes de résolution:
 Programmation linéaire
 Programmation non-linéaire
 Méthodes arborescentes
 Les méthodes de type « A* » ou « branch and bound » sont couramment
utilisées pour trouver la solution exacte d'un problème de RO. Pour une
résolution efficace, un soin particulier est apporté au calcul de bornes
supérieures ou inférieures pour la valeur de la solution

95
Méthodes de résolution
Principales (classes de) méthodes de résolution:
 Heuristiques et métaheuristiques
 Lorsque la solution optimale ne peut être obtenue en un temps raisonnable,
on a souvent recours à des méthodes approchées de type heuristique ou
métaheuristique (Recuit simulé, Recherche locale, Algorithmes génétique,
Colonie de fourmis,…)

96
Programmation linéaire
Programmation linéaire
Modélisation:
 En Recherche Opérationnelle (RO), modéliser un problème
consiste à identifier:
 Les variables intrinsèques (inconnues)
 Les différentes contraintes auxquelles sont soumises ces variables
 L’objectif visé (optimisation)
 Dans un problème de programmation linéaire (PL) les contraintes
et l'objectif sont des fonctions linéaires des variables. On parle aussi
de programme linéaire

98
Programmation linéaire
Modélisation:
 Exemple d’un problème de production: Une usine fabrique 2
produits P1 et P2 nécessitant des ressources d’équipement, de main
d’œuvre et de matières premières disponibles en quantité limitée
P1 P2 Disponibilité
Équipement 3 9 81
Main d’œuvre 4 5 55
Matière première 2 1 20

P1 et P2 rapportent à la vente 6 euros et 4 euros par unité.

99
Programmation linéaire
Modélisation:

 Quelles quantités (non entières) de produits P1 et P2 doit produire

l’usine pour maximiser le bénéfice total venant de la vente des 2
produits???

100
Programmation linéaire
Modélisation:

 Variables: x1 et x2 sont les quantités des produits P1 et P2

fabriqués (𝑥𝑥1 , 𝑥𝑥2 ∈ ℝ)

 Fonction objectif à maximiser: La fonction objectif F correspond au

bénéfice total: 𝐹𝐹(𝑥𝑥1 , 𝑥𝑥2 ) = 6𝑥𝑥1 + 4𝑥𝑥2 . On cherche donc
max [𝐹𝐹(𝑥𝑥1 , 𝑥𝑥2 ) = 6𝑥𝑥1 + 4𝑥𝑥2 ]
(𝑥𝑥1 ,𝑥𝑥2 )

101
Programmation linéaire
Modélisation:

 Contraintes:
 Disponibilité de chacune des ressources:
3𝑥𝑥1 + 9𝑥𝑥2 ≤ 81
4𝑥𝑥1 + 5𝑥𝑥2 ≤ 55
2𝑥𝑥1 + 𝑥𝑥2 ≤ 20
 Positivité des variables: 𝑥𝑥1 , 𝑥𝑥2 ≥ 0.

102
Programmation linéaire
Modélisation:

 En résumé, le problème de production se modélise sous la forme

d’un programme linéaire:
max [𝐹𝐹(𝑥𝑥1 , 𝑥𝑥2 ) = 6𝑥𝑥1 + 4𝑥𝑥2 ]
(𝑥𝑥1 ,𝑥𝑥2 )
3𝑥𝑥1 + 9𝑥𝑥2 ≤ 81
� 4𝑥𝑥1 + 5𝑥𝑥2 ≤ 55
2𝑥𝑥1 + 𝑥𝑥2 ≤ 20
𝑥𝑥1 , 𝑥𝑥2 ≥ 0.

103
Programmation linéaire
Résolution graphique: (PL à 2 variables)

 Les contraintes où apparaissent des inégalités correspondent

géométriquement à des demi-plans.
 Intersection de ces demi-plans = ensemble des variables
satisfaisant à toutes les contraintes.
 L’ensemble des contraintes est un polygone convexe.

104
Programmation linéaire
Résolution graphique: (PL à 2 variables)

105
Programmation linéaire
Détermination du maximum de F:

 Fonction objectif 𝐹𝐹(𝑥𝑥1 , 𝑥𝑥2 ) = 6𝑥𝑥1 + 4𝑥𝑥2 ⇒ droite de coefficient

directeur −1, 6⁄4 .
 Pour déterminer max F, on fait « glisser » la droite (translation
parallèle à la direction de la droite) du haut vers le bas jusqu’à
rencontrer l’ensemble des variables satisfaisant les contraintes ⇒
solution optimale 𝑥𝑥1 , 𝑥𝑥2 = (15⁄2 , 5) avec max 𝐹𝐹 = 65.

106
Programmation linéaire
Détermination du maximum de F:

 Remarque: On remarque que le maximum de F est atteint en un

sommet du polygone convexe des contraintes.

107
Programmation linéaire
Forme canonique mixte:
𝑛𝑛

max 𝐹𝐹 𝑥𝑥1 , … , 𝑥𝑥𝑛𝑛 = 𝑐𝑐1 𝑥𝑥1 + ⋯ + 𝑐𝑐𝑛𝑛 𝑥𝑥𝑛𝑛 = � 𝑐𝑐𝑗𝑗 𝑥𝑥𝑗𝑗

(𝑥𝑥1 ,…,𝑥𝑥𝑛𝑛 )
𝑛𝑛 𝑗𝑗=1

𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖𝑖: ∀𝑖𝑖 ∈ 𝐼𝐼1 , � 𝑎𝑎𝑖𝑖𝑗𝑗 𝑥𝑥𝑗𝑗 = 𝑎𝑎𝑖𝑖𝑖 𝑥𝑥1 + ⋯ + 𝑎𝑎𝑖𝑖𝑖𝑖 𝑥𝑥𝑛𝑛 ≤ 𝑏𝑏𝑖𝑖
𝑗𝑗=1
𝑛𝑛

𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 é𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔𝑔: ∀𝑖𝑖 ∈ 𝐼𝐼2 , � 𝑎𝑎𝑖𝑖𝑖𝑖 𝑥𝑥𝑗𝑗 = 𝑏𝑏𝑖𝑖

𝑗𝑗=1
𝑐𝑐𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜𝑜 𝑑𝑑𝑑𝑑 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠: ∀𝑖𝑖 ∈ 𝐽𝐽1 , 𝑥𝑥𝑖𝑖 ≥ 0
∀𝑗𝑗 ∈ 𝐽𝐽2 , 𝑥𝑥𝑗𝑗 𝑑𝑑𝑑𝑑 𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠𝑠 𝑞𝑞𝑞𝑞𝑞𝑞𝑞𝑞𝑞𝑞𝑞𝑞𝑞𝑞𝑞𝑞𝑞𝑞𝑞𝑞

108
Programmation linéaire
Forme canonique mixte:

 𝐼𝐼 = 𝐼𝐼1 ∪ 𝐼𝐼2 : Ensemble des indices de contraintes 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝐼𝐼 = 𝑚𝑚

 𝐽𝐽 = 𝐽𝐽1 ∪ 𝐽𝐽2 : Ensemble des indices des variables 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝐽𝐽 = 𝑛𝑛

109
Programmation linéaire
Forme canonique mixte:
Notations:
 Vecteurs:
𝒙𝒙 = (𝑥𝑥1 , … , 𝑥𝑥𝑛𝑛 )𝑇𝑇 ∈ ℝ𝑛𝑛
𝐜𝐜 = (𝑐𝑐1 , … , 𝑐𝑐𝑛𝑛 )𝑇𝑇 ∈ ℝ𝑛𝑛
𝒃𝒃 = (𝑏𝑏1 , … , 𝑏𝑏𝑛𝑛 )𝑇𝑇 ∈ ℝ𝑚𝑚
 Matrice 𝐴𝐴 de taille 𝑚𝑚 × 𝑛𝑛:
𝑎𝑎11 ⋯ 𝑎𝑎1𝑛𝑛
⋮ ⋱ ⋮
𝑎𝑎𝑚𝑚1 ⋯ 𝑎𝑎𝑚𝑚𝑚𝑚

110
Programmation linéaire
Forme canonique pure:

 Sous cette forme, pas de contraintes d’égalité 𝐼𝐼2 = ∅ et 𝐽𝐽2 = ∅

 Un programme linéaire (PL) est dit sous forme canonique pure s’il
s’écrit:
max[𝐹𝐹(𝑥𝑥) = 𝑐𝑐 𝑥𝑥 = 𝑐𝑐1 𝑥𝑥1 + ⋯ + 𝑐𝑐𝑛𝑛 𝑥𝑥𝑛𝑛 ]
𝑥𝑥
𝐴𝐴𝑥𝑥 ≤ 𝑏𝑏
�
𝑥𝑥 ≥ 0

111
Programmation linéaire
Forme standard:

 Sous cette forme, 𝐼𝐼1 = ∅ et 𝐽𝐽2 = ∅

 Un programme linéaire (PL) est dit sous forme standard s’il s’écrit:
max[𝐹𝐹(𝑥𝑥) = 𝑐𝑐 𝑇𝑇 𝑥𝑥]
𝑥𝑥
𝐴𝐴𝑥𝑥 = 𝑏𝑏
�
𝑥𝑥 ≥ 0

112
Programmation linéaire
Forme standard:

 On dit de plus que le PL est sous forme standard simpliciale si A de

taille 𝑚𝑚 × 𝑛𝑛 avec 𝑚𝑚 ≤ 𝑛𝑛, se décompose en:
𝐴𝐴 = (𝐼𝐼𝑚𝑚 |𝐻𝐻)
 𝐼𝐼𝑚𝑚 matrice identité de taille 𝑚𝑚 × 𝑚𝑚
 𝐻𝐻 matrice de taille 𝑚𝑚 × (𝑛𝑛 − 𝑚𝑚)

113
Programmation linéaire
Variables d’écarts:
Proposition:
 Tout PL sous forme standard s’écrit de façon équivalente en un PL sous
forme canonique pure et inversement.
Démonstration:
i. Soit PL sous forme canonique pure. On a
𝐴𝐴𝐴𝐴 ≤ 𝑏𝑏 ⇔ 𝐴𝐴𝐴𝐴 + 𝑒𝑒 = 𝑏𝑏, 𝑒𝑒 ≥ 0
où 𝑒𝑒 = (𝑒𝑒1 , … , 𝑒𝑒𝑚𝑚 )𝑇𝑇 sont appelées variables d’écart.

114
Programmation linéaire
Variables d’écarts:
Proposition:
 Tout PL sous forme standard s’écrit de façon équivalente en un PL sous
forme canonique pure et inversement.
Démonstration:
𝑥𝑥
𝐴𝐴𝐴𝐴 ≤ 𝑏𝑏 𝐴𝐴�𝐼𝐼𝑚𝑚 = 𝑏𝑏 ̃ 𝑥𝑥� = 𝑏𝑏
Ainsi � ⇔ � 𝑒𝑒 ⇔� 𝐴𝐴
𝑥𝑥 ≥ 0 𝑥𝑥 𝑥𝑥� ≥ 0
≥0
𝑒𝑒
avec 𝐴𝐴̃ = 𝐴𝐴�𝐼𝐼𝑚𝑚 matrice de taille 𝑚𝑚 × (𝑛𝑛 + 𝑚𝑚).

115
Programmation linéaire
Variables d’écarts:
Proposition:
 Tout PL sous forme standard s’écrit de façon équivalente en un PL sous
forme canonique pure et inversement.
Démonstration:
ii.(Réciproque) Soit PL sous forme standard. On a
𝐴𝐴𝐴𝐴 ≤ 𝑏𝑏 𝐴𝐴𝐴𝐴 ≤ 𝑏𝑏 𝐴𝐴 𝑏𝑏 ̃ ≤ 𝑏𝑏�
𝐴𝐴𝐴𝐴 = 𝑏𝑏 ⇔ � ⇔� ⇔ 𝑥𝑥 ≤ ⇔ 𝐴𝐴𝑥𝑥
𝐴𝐴𝐴𝐴 ≥ 𝑏𝑏 −𝐴𝐴𝐴𝐴 ≤ −𝑏𝑏 −𝐴𝐴 −𝑏𝑏
où 𝐴𝐴̃ est une matrice de taille 2𝑚𝑚 × 𝑛𝑛 et 𝑏𝑏� ∈ ℝ2𝑚𝑚 .

116
Programmation linéaire
Variables d’écarts:
 Exemple: Problème de production de l’introduction.
PL sous forme standard. On introduit 3 variables d’écarts 𝑒𝑒1 , 𝑒𝑒2 , 𝑒𝑒3 .
max [𝐹𝐹(𝑥𝑥1 , 𝑥𝑥2 ) = 6𝑥𝑥1 + 4𝑥𝑥2 ]
(𝑥𝑥1 ,𝑥𝑥2 )
3𝑥𝑥1 + 9𝑥𝑥2 + 𝑒𝑒1 = 81
� 4𝑥𝑥1 + 5𝑥𝑥2 + 𝑒𝑒2 = 55
2𝑥𝑥1 + 𝑥𝑥2 + 𝑒𝑒3 = 20
𝑥𝑥1 , 𝑥𝑥2 ≥ 0
�
𝑒𝑒1 , 𝑒𝑒2 , 𝑒𝑒3 ≥ 0
Les inconnues sont désormais 𝑥𝑥1 , 𝑥𝑥2 , 𝑒𝑒1 , 𝑒𝑒2 , 𝑒𝑒3 .

117
Programmation linéaire
Solutions de base réalisables:

 PL sous forme standard 𝐴𝐴𝐴𝐴 = 𝑏𝑏 .

 Hypothèse de rang plein: On suppose que la matrice 𝐴𝐴 est de taille
𝑚𝑚 × 𝑛𝑛 avec 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 𝐴𝐴 = 𝑚𝑚 ≤ 𝑛𝑛 .

 Rappel: 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 𝐴𝐴 = nombre maximal de lignes de 𝐴𝐴 linéairement

indépendantes (= nombre max. de colonnes linéairement
indépendantes).

118
Programmation linéaire
Solutions de base réalisables:
 Remarques: Sous l’hypothèse de rang plein:
 Le système 𝐴𝐴𝐴𝐴 = 𝑏𝑏 admet toujours des solutions.
 Si 𝑚𝑚 < 𝑛𝑛, le système 𝐴𝐴𝐴𝐴 = 𝑏𝑏 admet une infinité de solution.
 Si 𝑚𝑚 = 𝑛𝑛, la solution est unique et vaut 𝑥𝑥 = 𝐴𝐴−1 𝑏𝑏, dans ce cas, il n’y a rien à
maximiser….
Quelques définitions:
 Définition: On appelle solution réalisable tout vecteur 𝑥𝑥 qui satisfait les
contraintes du PL i.e tel que 𝐴𝐴𝐴𝐴 = 𝑏𝑏 et 𝑥𝑥 ≥ 0.

119
Programmation linéaire
Solutions de base réalisables:
 Définition: Soit 𝐵𝐵 ⊂ 1, … , 𝑛𝑛 un ensemble d’indices avec 𝑐𝑐𝑐𝑐𝑐𝑐𝑐𝑐 𝐵𝐵 = 𝑚𝑚
tel que les colonnes 𝐴𝐴𝑖𝑖 , 𝑗𝑗 ∈ 𝐵𝐵, est inversible. On dit que l’ensemble 𝐵𝐵 des
indices est une base.
 Les variables 𝑥𝑥𝐵𝐵 = (𝑥𝑥𝑗𝑗 , 𝑗𝑗 ∈ 𝐵𝐵) sont appelées variables de base.
 Les variables 𝑥𝑥𝐻𝐻 = (𝑥𝑥𝑗𝑗 , 𝑗𝑗 ∉ 𝐵𝐵) sont appelées variables hors-base.
 Remarques:
 Sous l’hypothèse de rang plein, il existe toujours une base non vide.

120
Programmation linéaire
Solutions de base réalisables:
 Quitte à renuméroter les indices, on peut toujours écrire les décompositions
par blocs:
𝐴𝐴 = (𝐴𝐴𝐵𝐵 |𝐴𝐴𝐻𝐻 ) où 𝐴𝐴𝐻𝐻 est la matrice formée des colonnes 𝐴𝐴 𝑗𝑗 , 𝑗𝑗 ∉ 𝐵𝐵
𝑥𝑥𝐵𝐵
𝑥𝑥 = 𝑥𝑥 .
𝐻𝐻
Le système 𝐴𝐴𝐴𝐴 = 𝑏𝑏 est équivalent à
𝐴𝐴𝐵𝐵 𝑥𝑥𝐵𝐵 + 𝐴𝐴𝐻𝐻 𝑥𝑥𝐻𝐻 = 𝑏𝑏.
⟹ on peut fixer les variables hors-base et les variables de base sont alors
complétement déterminées (la matrice 𝐴𝐴𝐵𝐵 est inversible)

121
Programmation linéaire
Solutions de base réalisables:
𝑥𝑥𝐵𝐵
 Définition: On dit que 𝑥𝑥 = 𝑥𝑥 est une solution de base associée à la
𝐻𝐻
base 𝐵𝐵 si 𝑥𝑥𝐻𝐻 = 0.
𝑥𝑥𝐵𝐵
 Propriétés des solutions de base réalisables: Si 𝑥𝑥 = 𝑥𝑥 est une solution
𝐻𝐻
−1
de base réalisable alors 𝑥𝑥𝐻𝐻 = 0 et 𝑥𝑥𝐵𝐵 = 𝐴𝐴𝐵𝐵 𝑏𝑏.
 Remarque: Il y a au plus 𝐶𝐶𝑛𝑛𝑚𝑚 solutions de base (toutes ne sont pas
réalisables).

122
Programmation linéaire
Solutions de base réalisables:
 Exemple: Problème de production de l’introduction.
PL sous forme standard.
max [𝐹𝐹(𝑥𝑥1 , 𝑥𝑥2 ) = 6𝑥𝑥1 + 4𝑥𝑥2 ]
(𝑥𝑥1 ,𝑥𝑥2 )
3𝑥𝑥1 + 9𝑥𝑥2 + 𝑒𝑒1 = 81
� 4𝑥𝑥1 + 5𝑥𝑥2 + 𝑒𝑒2 = 55
2𝑥𝑥1 + 𝑥𝑥2 + 𝑒𝑒3 = 20
𝑥𝑥1 , 𝑥𝑥2 ≥ 0
�
𝑒𝑒1 , 𝑒𝑒2 , 𝑒𝑒3 ≥ 0

123
Programmation linéaire
Solutions de base réalisable:

On a 𝑚𝑚 = 3, 𝑛𝑛 = 5, 𝑟𝑟𝑟𝑟𝑟𝑟𝑟𝑟 𝐴𝐴 = 𝑚𝑚 = 3.
1 0 0
Une base est donnée par 𝐵𝐵 = 3,4,5 avec 𝐴𝐴𝐵𝐵 = 0 1 0 .
0 0 1
La solution de base réalisable correspondante est:
𝑥𝑥 = (𝑥𝑥1 , 𝑥𝑥2 , 𝑒𝑒1 , 𝑒𝑒2 , 𝑒𝑒3 )𝑇𝑇 = (0,0,81,55,20)𝑇𝑇 .
𝑥𝑥𝐻𝐻 𝑥𝑥𝐵𝐵 = 𝐴𝐴−1
𝐵𝐵 𝑏𝑏

124
Programmation linéaire
Propriétés géométriques des solutions de base réalisables:
 On note
𝐷𝐷𝑅𝑅 = 𝑥𝑥 ∈ ℝ𝑛𝑛 | 𝐴𝐴𝐴𝐴 = 𝑏𝑏, 𝑥𝑥 ≥ 0
L’ensemble des solutions réalisables d’un PL sous forme standard.
 Définitions (rappels):
 Un polyèdre 𝑄𝑄 de ℝ𝑛𝑛 est défini par 𝑄𝑄 = 𝑥𝑥 ∈ ℝ𝑛𝑛 | 𝐴𝐴𝐴𝐴 = 𝑏𝑏 où 𝐴𝐴 est une
matrice 𝑚𝑚 × 𝑛𝑛.
 Un ensemble 𝐸𝐸 est dit convexe si ∀𝑥𝑥, 𝑦𝑦 ∈ 𝐸𝐸, 𝜆𝜆𝜆𝜆 + 1 − 𝜆𝜆 𝑦𝑦 ∈ 𝐸𝐸 pour
tout 0 ≤ 𝜆𝜆 ≤ 1.
 Proposition: L’ensemble 𝐷𝐷𝑅𝑅 est un polyèdre convexe, fermé.

125
Programmation linéaire
Propriétés géométriques des solutions de base réalisables:
3
 Exemple: 𝐷𝐷𝑅𝑅 = 𝑥𝑥 ∈ ℝ3 | 2𝑥𝑥1 + 2 𝑥𝑥2 + 𝑥𝑥3 = 3, 𝑥𝑥1 , 𝑥𝑥2 , 𝑥𝑥3 ≥ 0

126
Programmation linéaire
Propriétés géométriques des solutions de base réalisables:
Caractérisation de l’optimum:
 Définitions: Un point 𝑥𝑥 ∈ 𝐷𝐷𝑅𝑅 est un sommet (ou point extrême) si et
seulement s’il n’existe pas 𝑦𝑦, 𝑧𝑧 ∈ 𝐷𝐷𝑅𝑅 , 𝑦𝑦 ≠ 𝑧𝑧 tels que 𝑥𝑥 = 𝜆𝜆𝜆𝜆 + 1 − 𝜆𝜆 z avec
0 < 𝜆𝜆 < 1.
 Théorème:
 𝑥𝑥 est une solution de base réalisable si et seulement si x est un sommet
de 𝐷𝐷𝑅𝑅 .
 L’optimum de la fonction objectif F sur 𝐷𝐷𝑅𝑅 , s’il existe, est atteint en au
moins un sommet de 𝐷𝐷𝑅𝑅 .

127
Programmation linéaire
Propriétés géométriques des solutions de base réalisables:
 Tout se passe donc avec les solutions de base: pour résoudre un PL sous
forme standard, il suffit de se restreindre aux solutions de base réalisables
(les sommets de 𝐷𝐷𝑅𝑅 )
 3 situations possibles:
 𝐷𝐷𝑅𝑅 = ∅: le PL n’a pas de solution.
 𝐷𝐷𝑅𝑅 ≠ ∅ mais la fonction objectif 𝐹𝐹 n’est pas majorée sur 𝐷𝐷𝑅𝑅 : le maximum de F
vaut +∞ (cas exclu si 𝐷𝐷𝑅𝑅 est borné)
 𝐷𝐷𝑅𝑅 ≠ ∅ et 𝐹𝐹 est majorée sur 𝐷𝐷𝑅𝑅 : le PL admet une solution optimale (non
nécessairement unique)

128
Programmation linéaire
Propriétés géométriques des solutions de base réalisables:
 Remarques: Au plus 𝐶𝐶𝑛𝑛𝑚𝑚 solutions de base réalisables. Pour déterminer une
solution de base, on doit résoudre 𝐴𝐴𝐵𝐵 𝑥𝑥𝐵𝐵 = 𝑏𝑏. Par une méthode directe de
type Gauss/LU requière de l’ordre de 𝒪𝒪(𝑚𝑚3 ) opérations.

⟹ Exploration exhaustive de toutes les solutions de base (comparaison

des coûts correspondants): 𝒪𝒪(𝑚𝑚3 𝐶𝐶𝑛𝑛𝑚𝑚 ) opérations.
Ce nombre est vite très grand avec n et m. par exemple, avec 𝑛𝑛 = 20 et
𝑚𝑚 = 10, on a 3 × 108 opérations.

129
Programmation linéaire
Propriétés géométriques des solutions de base réalisables:

 Méthode du simplexe: On explore seulement les sommets qui

permettent d’augmenter la fonction objectif ⟹ on réduit le nombre de
solution de base à explorer.

130
 Introduction
Phase 2 – Progression
Méthode des dictionnaires
Algorithme du simplexe Finitude du simplexe
Phase 1 – Initialisation

 On a vu que pour résoudre un PL, il suffit de se restreindre aux

solutions de bases réalisables.
 Méthode du simplexe due à Dantzig (1947).

 Deux phases:
 Phase 1 – Initialisation: Trouver une solution de base réalisable (ou bien
détecter l’impossibilité).
 Phase 2 – Progression: On passe d’un sommet à un sommet voisin pour
augmenter la fonction objectif.

131
 Introduction
Phase 2 – Progression
Méthode des dictionnaires
Algorithme du simplexe Finitude du simplexe
Phase 1 – Initialisation

 PL sous forme standard:

max𝑛𝑛[𝐹𝐹(𝑥𝑥) = 𝑐𝑐 𝑇𝑇 𝑥𝑥]
𝑥𝑥∈ℝ
𝐴𝐴𝑥𝑥 = 𝑏𝑏
�
𝑥𝑥 ≥ 0
 On dispose d’une base 𝐵𝐵 et d’une solution de base réalisable 𝒙𝒙 avec
(à une permutation près des colonnes de 𝐴𝐴)
𝑥𝑥𝐵𝐵
𝐴𝐴 = 𝐴𝐴𝐵𝐵 𝐴𝐴𝐻𝐻 ) et 𝑥𝑥 = 𝑥𝑥
𝐻𝐻
 Où 𝐴𝐴𝐵𝐵 matrice 𝑚𝑚 × 𝑛𝑛, inversible (variables de base)
𝐴𝐴𝐻𝐻 matrice 𝑚𝑚 × (𝑛𝑛 − 𝑚𝑚) (variables hors base)

132
 Introduction
Phase 2 – Progression
Méthode des dictionnaires
Algorithme du simplexe Finitude du simplexe
Phase 1 – Initialisation

 But: On veut trouver une autre base 𝐵𝐵∗ et une solution de base
réalisable 𝒙𝒙∗ telles que 𝒙𝒙∗ est meilleure que 𝒙𝒙 c’est-à-dire:
𝐹𝐹(𝒙𝒙∗ ) > 𝐹𝐹(𝒙𝒙)

 Principe de la méthode du simplexe: Faire rentrer une variable hors-

base dans la nouvelle base (variable entrante) et faire sortir à la place
une variable de base (variable sortante).

133
 Introduction
Phase 2 – Progression
Méthode des dictionnaires
Algorithme du simplexe Finitude du simplexe
Phase 1 – Initialisation

Variable entrante - calcul des coûts réduits:

 Fonction objectif F exprimée en fonction des variables hors-base.
 Ensemble des solutions réalisables 𝐷𝐷𝑅𝑅 = 𝑥𝑥 ∈ ℝ𝑛𝑛 | 𝐴𝐴𝐴𝐴 = 𝑏𝑏, 𝑥𝑥 ≥ 0 .

 Proposition (Coûts réduits):

 Pour tout 𝑥𝑥 ∈ 𝐷𝐷𝑅𝑅 , on a
𝐹𝐹 𝑥𝑥 = 𝐹𝐹 𝑥𝑥 + 𝐿𝐿𝑇𝑇𝐻𝐻 𝑥𝑥𝐻𝐻
où 𝐿𝐿𝑇𝑇𝐻𝐻 = 𝑐𝑐𝐻𝐻𝑇𝑇 − 𝑐𝑐𝐵𝐵𝑇𝑇 𝐴𝐴−1
𝐵𝐵 𝐴𝐴𝐻𝐻 est le vecteur des coûts réduits.

134
 Introduction
Phase 2 – Progression
Méthode des dictionnaires
Algorithme du simplexe Finitude du simplexe
Phase 1 – Initialisation

Démonstration:
 On a 𝑏𝑏 = 𝐴𝐴𝐴𝐴 = 𝐴𝐴𝐵𝐵 𝑥𝑥𝐵𝐵 + 𝐴𝐴𝐻𝐻 𝑥𝑥𝐻𝐻 avec 𝐴𝐴𝐵𝐵 inversible, donc
𝑥𝑥𝐵𝐵 = 𝐴𝐴−1
𝐵𝐵 𝑏𝑏 − 𝐴𝐴𝐻𝐻 𝑥𝑥𝐻𝐻 . On obtient donc:
𝑐𝑐𝐵𝐵
𝐹𝐹 𝑥𝑥 = 𝑐𝑐 𝑇𝑇 𝑥𝑥 = 𝑐𝑐𝐵𝐵𝑇𝑇 𝑥𝑥𝐵𝐵 + 𝑐𝑐𝐻𝐻𝑇𝑇 𝑥𝑥𝐻𝐻
avec 𝑐𝑐 = 𝑐𝑐
𝐻𝐻
= 𝑐𝑐𝐵𝐵𝑇𝑇 𝐴𝐴−1
𝐵𝐵 𝑏𝑏 − 𝐴𝐴𝐻𝐻 𝑥𝑥𝐻𝐻
𝑇𝑇
+ 𝑐𝑐𝐻𝐻 𝑥𝑥𝐻𝐻
= 𝑐𝑐𝐵𝐵𝑇𝑇 𝐴𝐴−1
𝐵𝐵 𝑏𝑏 + 𝑐𝑐 𝑇𝑇
𝐻𝐻 − 𝑐𝑐 𝑇𝑇 −1
𝐵𝐵 𝐴𝐴𝐵𝐵 𝐴𝐴𝐻𝐻 𝑥𝑥𝐻𝐻

Or 𝑥𝑥𝐵𝐵 = 𝐴𝐴−1 𝑇𝑇 −1 𝑇𝑇
𝐵𝐵 𝑏𝑏 (car 𝑥𝑥𝐻𝐻 = 0) et 𝑐𝑐𝐵𝐵 𝐴𝐴𝐵𝐵 𝑏𝑏 = 𝑐𝑐 𝑥𝑥 = 𝐹𝐹(𝑥𝑥) donc

𝐹𝐹 𝑥𝑥 = 𝐹𝐹 𝑥𝑥 + 𝑐𝑐𝐻𝐻𝑇𝑇 − 𝑐𝑐𝐵𝐵𝑇𝑇 𝐴𝐴−1

𝐵𝐵 𝐴𝐴𝐻𝐻 𝑥𝑥𝐻𝐻

135
 Introduction
Phase 2 – Progression
Méthode des dictionnaires
Algorithme du simplexe Finitude du simplexe
Phase 1 – Initialisation

Variable entrante:
 Si les coûts réduits sont tous négatifs i.e. 𝐿𝐿𝐻𝐻 ≤ 0, il n’est alors pas possible
d’augmenter la fonction objectif 𝐹𝐹: l’algorithme se termine normalement c’est-à-
dire qu’on a trouvé une solution de base réalisable 𝑥𝑥 optimale.
 Dans ce cas contraire (i.e. ∃ 𝐿𝐿𝐻𝐻 𝑖𝑖 ≥ 0), on a intérêt à faire entrer dans la base, la
variable hors-base qui a le coût réduit positif le plus grand possible.
 On note 𝑒𝑒 ∉ 𝐵𝐵 l’indice de la variable entrante. On choisit 𝑒𝑒 tel que:
𝐿𝐿𝐻𝐻 𝑒𝑒 = max 𝐿𝐿𝐻𝐻 𝑗𝑗 , 𝐿𝐿𝐻𝐻 𝑗𝑗 > 0
𝑗𝑗

ce qu’on note par 𝑒𝑒 = 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑗𝑗 𝐿𝐿𝐻𝐻 𝑗𝑗 , 𝐿𝐿𝐻𝐻 𝑗𝑗 >0

136
 Introduction
Phase 2 – Progression
Méthode des dictionnaires
Algorithme du simplexe Finitude du simplexe
Phase 1 – Initialisation

Remarque:
 Si on traite d’un problème de minimisation c’est-à-dire avec
min 𝐹𝐹(𝑥𝑥)
alors la variable entrante 𝑥𝑥𝑒𝑒 est déterminée par l’indice
𝑒𝑒 = 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑗𝑗 𝐿𝐿𝐻𝐻 𝑗𝑗 , 𝐿𝐿𝐻𝐻 𝑗𝑗 <0

137
 Introduction
Phase 2 – Progression
Méthode des dictionnaires
Algorithme du simplexe Finitude du simplexe
Phase 1 – Initialisation

Variable sortante:
 Une fois l’indice 𝑒𝑒 choisi, il faut déterminer la variable qui doit quitter
la base. En maintenant la relation 𝐴𝐴𝐴𝐴 = 𝑏𝑏 avec 𝑥𝑥 ≥ 0, on augmente la
variable entrante 𝑥𝑥𝑒𝑒 jusqu’à annuler une des variables de base. Cette
variable sera alors la variable sortante.
𝐴𝐴𝐴𝐴 = 𝑏𝑏 ⇔ 𝐴𝐴𝐵𝐵 𝑥𝑥𝐵𝐵 + 𝐴𝐴𝑒𝑒 𝑥𝑥𝑒𝑒 = 𝑏𝑏 où 𝐴𝐴𝑒𝑒 désigne la e-ième colonne de 𝐴𝐴
⇔ 𝑥𝑥𝐵𝐵 = 𝐴𝐴−1 𝑒𝑒
𝐵𝐵 𝑏𝑏 − 𝐴𝐴 𝑥𝑥𝑒𝑒
⇔ 𝑥𝑥𝐵𝐵 = 𝑥𝑥𝐵𝐵 − 𝐴𝐴−1 𝐵𝐵 𝐴𝐴𝑒𝑒
𝑥𝑥𝑒𝑒
⇔ 𝑥𝑥𝐵𝐵 = 𝑥𝑥𝐵𝐵 − 𝑧𝑧𝑥𝑥𝑒𝑒 avec 𝑧𝑧 = 𝐴𝐴−1 𝑒𝑒
𝐵𝐵 𝐴𝐴 ∈ ℝ
𝑚𝑚

138
 Introduction
Phase 2 – Progression
Méthode des dictionnaires
Algorithme du simplexe Finitude du simplexe
Phase 1 – Initialisation

 On doit avoir 𝑥𝑥𝐵𝐵 = 𝑥𝑥𝐵𝐵 − 𝑧𝑧𝑥𝑥𝑒𝑒 ≥ 0

 Si 𝑧𝑧 ≤ 0, on peut augmenter 𝑥𝑥𝑒𝑒 autant qu’on veut, on aura toujours la
positivité de la variable de base 𝑥𝑥𝐵𝐵 . La fonction objectif n’est pas majorée sur
𝐷𝐷𝑅𝑅 ma𝑥𝑥 𝐹𝐹 = +∞ ⟹ arrêt de l’algorithme.

 Sinon (i.e. il existe 𝑧𝑧𝑖𝑖 > 0), pour avoir la positivité (𝑥𝑥𝐵𝐵 )𝑖𝑖 − 𝑧𝑧𝑖𝑖 𝑥𝑥𝑒𝑒 ≥ 0 pour tout
𝑖𝑖, on choisit la variable sortante 𝑥𝑥𝑠𝑠 pour laquelle le rapport (𝑥𝑥𝐵𝐵 )𝑖𝑖 ⁄𝑧𝑧𝑖𝑖 pour 𝑖𝑖 =
1, … , 𝑚𝑚 avec 𝑧𝑧𝑖𝑖 > 0, est le plus petit possible:

139
 Introduction
Phase 2 – Progression
Méthode des dictionnaires
Algorithme du simplexe Finitude du simplexe
Phase 1 – Initialisation

Variable sortante (indice):

(𝑥𝑥𝐵𝐵 )𝑖𝑖
𝑠𝑠 = argmin , 𝑧𝑧𝑖𝑖 > 0
𝑖𝑖 𝑧𝑧𝑖𝑖
 On a, dans ce cas, 𝑥𝑥𝑠𝑠 = 0 et 𝑥𝑥𝐵𝐵 ≥ 0
Remarque:
 La valeur de la variable entrante est donnée par
(𝑥𝑥𝐵𝐵 )𝑖𝑖
𝑥𝑥𝑒𝑒 = min , 𝑧𝑧𝑖𝑖 > 0
𝑖𝑖 𝑧𝑧𝑖𝑖

140
 Introduction
Phase 2 – Progression
Méthode des dictionnaires
Algorithme du simplexe Finitude du simplexe
Phase 1 – Initialisation

Méthode du simplexe – Phase 2 – Progression:

1) - Calcul des variables de base réalisables:
Etant donné 𝐴𝐴 = 𝐴𝐴𝐵𝐵 |𝐴𝐴𝐻𝐻 , on calcule 𝑥𝑥𝐵𝐵 = 𝐴𝐴−1 𝐵𝐵 𝑏𝑏 ≥ 0.
- Calcul des coût réduits:
𝐿𝐿𝑇𝑇𝐻𝐻 = 𝑐𝑐𝐻𝐻𝑇𝑇 − 𝑐𝑐𝐵𝐵𝑇𝑇 𝐴𝐴−1
𝐵𝐵 𝐴𝐴𝐻𝐻 𝐹𝐹 𝑥𝑥 = 𝐹𝐹 𝑥𝑥 + 𝐿𝐿𝑇𝑇𝐻𝐻 𝑥𝑥𝐻𝐻
- Si 𝐿𝐿𝐻𝐻 ≤ 0 alors 𝑥𝑥𝐵𝐵 est une solution optimale (→arrêt de l’algorithme).
2) variable entrante: 𝑒𝑒 = 𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑎𝑗𝑗 𝐿𝐿𝐻𝐻 𝑗𝑗 , 𝐿𝐿𝐻𝐻 𝑗𝑗 > 0
3) variable sortante: - Calcul de 𝑧𝑧 = 𝐴𝐴−1 𝑒𝑒
𝐵𝐵 𝐴𝐴 puis
(𝑥𝑥𝐵𝐵 )𝑖𝑖
- 𝑠𝑠 = argmin , 𝑧𝑧𝑖𝑖 > 0
𝑖𝑖 𝑧𝑧𝑖𝑖
4) On obtient une nouvelle base 𝐵𝐵� et une nouvelle matrice 𝐴𝐴𝐵𝐵� dans laquelle la colonne 𝐴𝐴𝑒𝑒
remplace la colonne 𝐴𝐴𝑠𝑠 . Calcul de 𝐴𝐴−1
𝐵𝐵� et retour en 1.

141
 Introduction
Phase 2 – Progression
Méthode des dictionnaires
Algorithme du simplexe Finitude du simplexe
Phase 1 – Initialisation
 PL sous forme standard: max𝑛𝑛 [𝐹𝐹(𝑥𝑥) = 𝑐𝑐 𝑇𝑇 𝑥𝑥]
𝑥𝑥∈ℝ
𝐴𝐴𝑥𝑥 = 𝑏𝑏
�
𝑥𝑥 ≥ 0
 Principe: On exprime les variables de base 𝑥𝑥𝐵𝐵 ainsi que 𝐹𝐹 en fonction des
variables hors-base 𝑥𝑥𝐻𝐻 . On obtient un système linéaire qu’on appelle dictionnaire.
 Exemple du problème de production:
max [𝐹𝐹(𝑥𝑥1 , 𝑥𝑥2 ) = 6𝑥𝑥1 + 4𝑥𝑥2 ]
(𝑥𝑥1 ,𝑥𝑥2 )
3𝑥𝑥1 + 9𝑥𝑥2 + 𝑒𝑒1 = 81
4𝑥𝑥1 + 5𝑥𝑥2 + 𝑒𝑒2 = 55
2𝑥𝑥1 + 𝑥𝑥2 + 𝑒𝑒3 = 20
𝑥𝑥1 , 𝑥𝑥2 ≥ 0, 𝑒𝑒1 , 𝑒𝑒2 , 𝑒𝑒3 ≥ 0

142
 Introduction
Phase 2 – Progression
Méthode des dictionnaires
Algorithme du simplexe Finitude du simplexe
Phase 1 – Initialisation

Etape 1:
 Solution de base réalisable initiale: 𝑥𝑥1 = 0, 𝑥𝑥2 = 0, 𝑒𝑒1 = 81, 𝑒𝑒2 = 55, 𝑒𝑒3 = 20
avec 𝐹𝐹 = 0.
 Dictionnaire: On exprime les variables de base 𝑒𝑒1 , 𝑒𝑒2 , 𝑒𝑒3 en fonction des variables
hors-base 𝑥𝑥1 , 𝑥𝑥2 .

143
 Introduction
Phase 2 – Progression
Méthode des dictionnaires
Algorithme du simplexe Finitude du simplexe
Phase 1 – Initialisation

 Variable entrante 𝑥𝑥𝑒𝑒 : max 6,4 = 6 ⇒ 𝑥𝑥𝑒𝑒 = 𝑥𝑥1 .

>0
 Variable sortante 𝑥𝑥𝑠𝑠 : On maintient 𝑒𝑒1 ≥ 0, 𝑒𝑒2 ≥ 0, 𝑒𝑒3 ≥ 0
81 55 20
min , , = 10 ⇒ 𝑥𝑥𝑠𝑠 = 𝑒𝑒3
>0 3 4 2
 Nouvelle solution de base réalisable: 𝑥𝑥1 = 10, 𝑥𝑥2 = 0, 𝑒𝑒1 = 51,
𝑒𝑒2 = 15, 𝑒𝑒3 = 0 avec 𝐹𝐹 = 60

144
 Introduction
Phase 2 – Progression
Méthode des dictionnaires
Algorithme du simplexe Finitude du simplexe
Phase 1 – Initialisation

Etape 2:
 Dictionnaire: On exprime la nouvelle variable de base 𝑥𝑥1 en fonction de 𝑥𝑥2 et 𝑒𝑒3
(nouvelle variable hors-base). On utilise la 3ème équation du dictionnaire de l’étape
1 et on substitue 𝑥𝑥1 dans les autres relations.

145
 Introduction
Phase 2 – Progression
Méthode des dictionnaires
Algorithme du simplexe Finitude du simplexe
Phase 1 – Initialisation

 On obtient ainsi le dictionnaire (étape 2)

146
 Introduction
Phase 2 – Progression
Méthode des dictionnaires
Algorithme du simplexe Finitude du simplexe
Phase 1 – Initialisation

 Variable entrante 𝑥𝑥𝑒𝑒 : max 1, −3 = 1 ⇒ 𝑥𝑥𝑒𝑒 = 𝑥𝑥2 .

>0
 Variable sortante 𝑥𝑥𝑠𝑠 : On maintient 𝑥𝑥1 ≥ 0, 𝑒𝑒1 ≥ 0, 𝑒𝑒2 ≥ 0
10 51 15
⇒ 𝑥𝑥2 = min , , = 5 ⇒ 𝑥𝑥𝑠𝑠 = 𝑒𝑒2
>0 1⁄2 15⁄2 3
15
 Nouvelle solution de base réalisable (étape 2): 𝑥𝑥1 = , 𝑥𝑥2 = 5,
2
27
𝑒𝑒1 = , 𝑒𝑒2 = 0, 𝑒𝑒3 = 0 avec 𝐹𝐹 = 65.
2

147
 Introduction
Phase 2 – Progression
Méthode des dictionnaires
Algorithme du simplexe Finitude du simplexe
Phase 1 – Initialisation

Etape 3:
 Dictionnaire: On exprime la nouvelle variable de base 𝑥𝑥2 en fonction des
variables hors-base 𝑒𝑒2 et 𝑒𝑒3 . On utilise la 3ème équation du dictionnaire de l’étape 2
et on substitue 𝑥𝑥2 dans les autres relations.

148
 Introduction
Phase 2 – Progression
Méthode des dictionnaires
Algorithme du simplexe Finitude du simplexe
Phase 1 – Initialisation

 Tous les coûts réduits sont ≤ 0 donc on ne peut plus augmenter F:

l’optimum est atteint et la solution optimale est
15 27
𝑥𝑥1∗ = , 𝑥𝑥2∗ = 5, 𝑒𝑒1∗ = , 𝑒𝑒2∗ = 0, 𝑒𝑒3∗ = 0 avec 𝐹𝐹 = 65
2 2

149
 Introduction
Phase 2 – Progression
Méthode des dictionnaires
Algorithme du simplexe Finitude du simplexe
Phase 1 – Initialisation

 À chaque étape de l’algorithme du simplexe (en phase 2), il y a des

cas remarquables qui conduisent tous à l’arrêt de l’algorithme.
1. Si les coûts réduits 𝐿𝐿𝐻𝐻 < 0, alors la solution de base réalisable courante est
l’unique optimum.

150
 Introduction
Phase 2 – Progression
Méthode des dictionnaires
Algorithme du simplexe Finitude du simplexe
Phase 1 – Initialisation

2. Si les coûts réduits 𝐿𝐿𝐻𝐻 ≤ 0, alors il y a deux cas remarquables:

i. Si 𝐿𝐿𝐻𝐻 𝑒𝑒 = 0 et 𝑥𝑥𝑒𝑒 > 0, alors l’optimum n’est pas unique.

151
 Introduction
Phase 2 – Progression
Méthode des dictionnaires
Algorithme du simplexe Finitude du simplexe
Phase 1 – Initialisation

ii. Si 𝐿𝐿𝐻𝐻 𝑒𝑒 = 0 et 𝑥𝑥𝑒𝑒 = 0, alors l’optimum est unique (à priori). Dans ce

cas, la base est dite dégénérée c’est-à-dire qu’il existe une variable de
base nulle.

3. Si 𝐿𝐿𝐻𝐻 𝑒𝑒 > 0 et 𝑥𝑥𝑒𝑒 est non borné alors la fonction 𝐹𝐹 n’est pas majorée.

152
 Introduction
Phase 2 – Progression
Méthode des dictionnaires
Algorithme du simplexe Finitude du simplexe
Phase 1 – Initialisation

 Une solution de base réalisable est dite dégénérée si au moins une

des variables de base est nulle.
 Théorème: Si au cours de l'algorithme du simplexe, aucune base
rencontrée n'est dégénérée, alors l'algorithme se termine en un
nombre fini d'itérations.
 Par conséquent, on ne rencontre jamais une base déjà rencontrée à
une itération précédente. Le nombre de solution de base réalisable
étant fini ≤ 𝐶𝐶𝑛𝑛𝑚𝑚 , l’algorithme s’arrête nécessairement en un nombre
fini d’itérations.

153
 Introduction
Phase 2 – Progression
Méthode des dictionnaires
Algorithme du simplexe Finitude du simplexe
Phase 1 – Initialisation

 Remarque: S’il existe une base dégénérée, alors on peut rencontrer

un éventuel cyclage de l'algorithme: on retrouve une base déjà
rencontrée et on boucle indéfiniment. Pour traiter les cas de
dégénérescence, on peut appliquer la règle de Bland (1977) qui assure
l'arrêt de l'algorithme en un nombre fini d'itérations.

 Règle de Bland: Lorsque plusieurs variables sont susceptibles d'entrer

ou de sortir de la base, on choisit toujours celle qui a l'indice le plus
petit.

154
 Introduction
Phase 2 – Progression
Méthode des dictionnaires
Algorithme du simplexe Finitude du simplexe
Phase 1 – Initialisation

Introduction:
 PL sous forme canonique pure avec les contraintes: 𝐴𝐴𝑥𝑥 ≤ 𝑏𝑏, 𝑥𝑥 ≥ 0
 On peut déterminer facilement une solution de base réalisable dans le cas où
𝑏𝑏 ≥ 0. En effet, sous forme standard les contraintes deviennent 𝐴𝐴𝐴𝐴 + 𝑒𝑒 = 𝑏𝑏, avec
𝑥𝑥, 𝑒𝑒 ≥ 0 où e sont les variables d’écarts.
 Une solution de base réalisable évidente dans ce cas, est 𝑥𝑥 = 0, 𝑒𝑒 = 𝑏𝑏 ≥ 0.
 Mais pour un PL sous forme standard, il n’y a pas toujours de solution de base
réalisable évidente.

155
 Introduction
Phase 2 – Progression
Méthode des dictionnaires
Algorithme du simplexe Finitude du simplexe
Phase 1 – Initialisation

Variables auxiliaires:
 PL sous forme standard: max𝑛𝑛[𝐹𝐹(𝑥𝑥) = 𝑐𝑐 𝑇𝑇 𝑥𝑥]
𝑥𝑥∈ℝ
𝐴𝐴𝑥𝑥 = 𝑏𝑏
�
𝑥𝑥 ≥ 0
 On ne suppose pas que la matrice 𝐴𝐴 ∈ ℳ𝑚𝑚×𝑛𝑛 est de rang plein, ni qu’il existe
bien des solutions réalisables.
 Pour obtenir une solution de base réalisable ou bien pour détecter l'impossibilité,
on introduit un problème de programmation linéaire auxiliaire pour des variables
supplémentaires appelées variables artificielles.

156
 Introduction
Phase 2 – Progression
Méthode des dictionnaires
Algorithme du simplexe Finitude du simplexe
Phase 1 – Initialisation

Programme auxiliaire:
 Le programme auxiliaire associé à (PL) s’écrit:
𝑚𝑚

min � 𝑎𝑎𝑖𝑖
(𝑥𝑥,𝑎𝑎)
𝑃𝑃𝑃𝑃𝑃𝑃 𝑖𝑖=1
𝐴𝐴𝐴𝐴 + 𝑎𝑎 = 𝑏𝑏
𝑥𝑥 ≥ 0
𝑎𝑎 ≥ 0
où 𝑎𝑎 = 𝑎𝑎1 , … , 𝑎𝑎𝑚𝑚 sont appelées variables artificielles.

157
 Introduction
Phase 2 – Progression
Méthode des dictionnaires
Algorithme du simplexe Finitude du simplexe
Phase 1 – Initialisation
 Proposition (évidente): Un (PL) admet une solution réalisable si et seulement si le
problème auxiliaire (PLA) admet une solution de base optimale avec 𝑎𝑎 = 0.
 Détermination d’une solution de base réalisable via le problème auxiliaire: On
applique l'algorithme du simplexe au problème auxiliaire (PLA). À la fin du simplexe,
le coût minimal est nul sinon on a détecté l'impossibilité pour (PL) (i.e. 𝐷𝐷𝑅𝑅 = ∅). Si
tout s’est déroulé normalement (coût nul), on cherche à éliminer de la base toutes
les variables artificielles.
 Deux cas possibles:
 On a réussi à faire sortir toutes les variables artificielles. On passe à la phase 2.
 S’il reste des variables artificielles dans la base (base dégénérée) alors les lignes
associées à ces variables sont des contraintes redondantes qu’on élimine.

158
 Introduction
Phase 2 – Progression
Méthode des dictionnaires
Algorithme du simplexe Finitude du simplexe
Phase 1 – Initialisation

Phase d’initialisation du simplexe (phase 1):

 On note 𝐹𝐹𝑎𝑎𝑎𝑎𝑎𝑎 la valeur de la fonction objectif du problème auxiliaire
(PLA) à la fin du simplexe, c’est-à-dire 𝐹𝐹𝑎𝑎𝑎𝑎𝑎𝑎 = min ∑𝑚𝑚
𝑖𝑖=1 𝑎𝑎𝑖𝑖 .
(𝑥𝑥,𝑎𝑎)
1. Si 𝐹𝐹𝑎𝑎𝑎𝑎𝑎𝑎 = 0 et ∄𝑎𝑎𝑗𝑗 ∈ 𝑋𝑋𝐵𝐵 où 𝑋𝑋𝐵𝐵 désigne l’ensemble des variables de base pour
(PLA), alors fin normale de la phase 1. On passe à la phase 2 du simplexe.
2. Si 𝐹𝐹𝑎𝑎𝑎𝑎𝑎𝑎 = 0 et ∃𝑎𝑎𝑗𝑗 ∈ 𝑋𝑋𝐵𝐵 avec 𝑎𝑎𝑗𝑗 = 0, alors on supprime les lignes et colonnes
associées aux 𝑎𝑎𝑗𝑗 et on passe à la phase 2.
3. Si 𝐹𝐹𝑎𝑎𝑎𝑎𝑎𝑎 > 0 alors pas de solution réalisable 𝐷𝐷𝑅𝑅 = ∅ .

159
 Introduction
Phase 2 – Progression
Méthode des dictionnaires
Algorithme du simplexe Finitude du simplexe
Phase 1 – Initialisation

Complexité du simplexe:
 Complexité = nombre d’itération dans le simplexe (phase 2).
 On peut construire des exemples avec une complexité exponentielle en 𝒪𝒪 2𝑛𝑛
itérations (Klee-Minty, 1972).
 Mais dans la pratique la complexité du simplexe croît peu avec le nombre 𝑛𝑛 de
variables. En pratique, le nombre d'itérations est proportionnel au nombre 𝑚𝑚
de contraintes (de 𝑚𝑚 à 3𝑚𝑚 itérations).
 Si on tient compte de la résolution des systèmes linéaires avec une formule de
mise à jour de l’inverse (Shermann-Morrison), on a 𝒪𝒪(𝑚𝑚2 ) opérations pour
l’inverse.
160