Théorie Des Graphes
Théorie Des Graphes
Théorie Des Graphes
&&
PROGRAMMATION LINÉAIRE
Mme Hajer Ayadi
Plan
2
TG/PL- 2017/2018
3 TG: Histoire
TG/PL- 2017/2018
Histoire
4
La théorie des graphes débute avec les travaux d’Euler au XVIIIe siècle
Origine: l’étude de certains problèmes, tels que celui des ponts de Königsberg
Les habitants de Königsberg se demandaient s’il était possible, en partant d’un quartier quelconque
de la ville, de traverser tous les ponts sans passer deux fois par le même et de revenir à leur point
de départ
Les graphes constituent une méthode de pensée qui permet de modéliser une
grande variété de problèmes en se ramenant à l’étude de sommets et d’arcs
Les derniers travaux en théorie des graphes sont souvent effectués par des
informaticiens, du fait de l’importance qu’y revêt l’aspect algorithmique
TG/PL- 2017/2018
5 TG: Définitions et Concepts de base
TG/PL- 2017/2018
Graphe Orienté
6
TG/PL- 2017/2018
Graphe Orienté
7
TG/PL- 2017/2018
Graphe Orienté
8
Adjacence:
Deux arcs sont dits adjacents s’ils ont une extrémité commune
Exemple:
Déterminer les degrés et les demi-degrés des
sommets suivants:
1 2 3 4 5 6 7 8 9 10
d+(x)
d-(x)
d(x) ∑=
TG/PL- 2017/2018
Graphe Orienté
10
Théorème:
Soit G(X,U) un graphe, Démonstration:
d
xX
( x ) ( x) U
xX
d
d ( x) 2 * U
xX
Corollaire:
Le nombre de sommets de degré impair est pair
Démonstration:
TG/PL- 2017/2018
Graphe Non Orienté
11
TG/PL- 2017/2018
Graphe Non Orienté
12
TG/PL- 2017/2018
Graphe Non Orienté
13
Ordre de multiplicité:
Si une arêtes u est représentée p fois dans un graphe, on dit
que l’ordre de multiplicité de u est p, et on note m(u)=p
Graphe simple:
Un graphe est dit simple si pour tout arête u du graphe
m(u)=1
Il ne possède pas de boucle
Graphe multiple:
Un graphe est dit multiple ou multi-graphe s'il possède au
moins une arête u telle que m(u)>1
TG/PL- 2017/2018
Isomorphisme
14
Exemple2
TG/PL- 2017/2018
Chemins, chaînes, cycles et circuits
16
TG/PL- 2017/2018
Chemins, chaînes, cycles et circuits
17
TG/PL- 2017/2018
Connexité
19
TG/PL- 2017/2018
Forte Connexité
20
TG/PL- 2017/2018
Forte Connexité
21
TG/PL- 2017/2018
Forte Connexité
22
Exemple1:
TG/PL- 2017/2018
Forte Connexité
23
Exemple2:
Donner l’ensemble des successeurs et des
prédécesseurs de chaque sommet.
Calculer les demi-degrés intérieurs et
extérieurs de chaque sommet.
Donner un exemple de chemin simple
mais non élémentaire.
Existe-t-il un circuit hamiltonien dans G?
Tracer le graphe non orienté déduit de
G.
G est-il connexe ? Fortement connexe?
TG/PL- 2017/2018
Graphe particuliers
24
Graphe hamiltonien:
Chemin hamiltonien (chaine hamiltonienne): s’il passe une et une
seule fois par chaque sommet du graphe
Graphe hamiltonien s’il contient un circuit (cycle) hamiltonien
Graphe eulérien:
Une chemin eulérien (chaine eulérienne): s’il passe une et une
seule fois par chaque arc (arête) du graphe
Graphe eulérien s’il contient un circuit (cycle) eulérien
TG/PL- 2017/2018
Graphe particuliers
25
TG/PL- 2017/2018
Matrices d’incidences et d’adjacences
26
Matrice d’adjacence:
SoitG=(X,A) un graphe orienté simple comportant n
sommets
La matrice d’adjacence de G est une matrice booléenne
U=(uij) de dimension n*n telle que:
Exemple:
TG/PL- 2017/2018
Matrices d’incidences et d’adjacences
27
Matrice d’adjacence:
Propriétés:
La somme des éléments de la ième ligne de U est égale au degré sortant
d+(xi) du sommet xi de G
TG/PL- 2017/2018
Matrices d’incidences et d’adjacences
28
Matrice d’adjacence:
Propriétés:
La somme des éléments de la ième ligne de U est égale au degré sortant
d+(xi) du sommet xi de G
La somme des éléments de la jème colonne de U est égale au degré
entrant d-(xj) du sommet xj de G
TG/PL- 2017/2018
Matrices d’incidences et d’adjacences
29
Matrice d’incidence:
SoitG=(X,A) un graphe orienté sans boucle comportant
n sommets X={x1,…,xn} et m arcs A={a1,…, am}
Matrice d’incidence (aux arcs) de G: matrice M=(mij)
de dimension n*m telle que:
TG/PL- 2017/2018
Matrices d’incidences et d’adjacences
30
Matrice d’incidence:
TG/PL- 2017/2018
31 TG: Coloration des graphes
Dans ce chapitre le graphe G(X,E) est supposé
non orienté
TG/PL- 2017/2018
Coloration des sommets d’un graphe
32
Exemple:
On veut transporter des produits chimiques par des camion.
A, B, C, D, E, F, G et H désignent huit produits chimiques.
Certains produits (par paires) ne peuvent pas être transportés dans un même camion à
cause du risque d'explosion.
Objectif: Transporter les différents produits sans risque et au moindre coût (c.à.d. en
utilisant le moins de camions possible).
Dans le tableau ci-dessous, une croix signifie que les produits ne peuvent pas être
transportés dans le même camion, car il y aurait risque d’explosion :
Coloration des sommets d’un graphe
33
Exemple:
Solution:
Construire un graphe dont les sommets sont les produits chimiques:
deux produits chimiques (nœuds) sont reliés si et seulement s'ils ne peuvent pas
être transportés ensemble.
Transporter un des produits dans un camion revient à attribuer une couleur à ce produit
(celui du camion correspondant).
Les conditions de sécurité imposent d'attribuer ces couleurs de sorte que deux produits
adjacents n'aient pas la même couleur.
Coloration des sommets d’un graphe
34
Exemple:
Sur le graphe ci-dessous, on a trois stables : {v1, v2}, {v3, v5} et {v4}.
On a besoin de trois couleurs (notées 1, 2 et 3) pour colorer les sommets de sorte que
deux sommets adjacents aient des couleurs différentes.
On ne peut pas utiliser moins de couleurs, à cause des cliques {v1, v4, v5} et {v1, v3, v4}
TG/PL- 2017/2018
Coloration des sommets d’un graphe
36
TG/PL- 2017/2018
Coloration des sommets d’un graphe
39
Définition:
Une k-coloration des arêtes d'un graphe G: coloration de ses arêtes en
k couleurs de telle sorte que deux arêtes adjacents ne portent pas la
même couleur
le nombre chromatique du graphe G, noté (G ) : le nombre minimal
des k couleurs nécessaires
Si D(G) est le degré maximum de G alors (G ) D(G )
Si G’ est un sous graphe ou graphe partiel de G alors (G ' ) (G )
TG/PL- 2017/2018
41 TG: Arbre et arborescence
Dans ce chapitre le graphe est supposé non
orienté
TG/PL- 2017/2018
Arbre
42
TG/PL- 2017/2018
Arbre
43
Théorème :
Soit H=(X,E) un graphe d’ordre ≥ 2;
les propriétés suivantes sont équivalentes pour caractériser un arbre
H est connexe et sans cycle
H est sans cycle et admet n-1 arcs
H est connexe et admet n-1 arcs
H est connexe et en ajoutant un arc on crée un cycle (et un seul)
H est sans cycle et si on supprime un arc quelconque , il n’est plus connexe
Tout couple de sommets est relié par une chaîne et une seule
Corollaire1: toute arête d’un arbre est un isthme
Corollaire2: un arbre contient au moins 2 sommets pendants
Corollaire3: un arbre est un graphe biparti ( ( H ) 2 )
Corollaire4: tout graphe connexe possède un graphe partiel qui est un
arbre TG/PL- 2017/2018
Arbre couvrant
44
TG/PL- 2017/2018
Arbre couvrant de poids minimum
45
Soit le graphe G = (V,E) avec un poids associé à chacune de ses arêtes. On veut
trouver, dans G, un arbre couvrant A = (V,F) de poids total minimum
Algorithme de Kruskal (1956)
Données :
Graphe G = (V,E) (|V| = n, |E| = m)
Pour chaque arête e de E , son poids c(e).
Résultat :
Arbre ou forêt maximale A = (V,F) de poids minimum.
Trier et renuméroter les arêtes de G dans l’ordre croissant de leur poids :
c(e1) =< c(e2) =< . . . =< c(em).
Poser F :=Ф , k := 0
Tant que k < m et |F| < n−1 faire
Début
si ek+1 ne forme pas de cycle avec F alors F := F U {ek+1}
k := k+1
Fin
TG/PL- 2017/2018
Arbre couvrant de poids minimum
46
Exemple:
Trouver l’arbre couvrant de poids minimum du graphe ci-dessous
TG/PL- 2017/2018
Arbre couvrant de poids minimum
47
Solution:
Les arêtes de poids 3 n’ont pas pu être placées, car elles auraient formé un cycle.
L’algorithme s’est arrêté dès que cinq arêtes ont été placées.
Toute arête supplémentaire aurait créé un cycle.
S’il y a plusieurs arêtes de même poids, il peut y avoir plusieurs arbres couvrants de poids
minimum : tout dépend de l’ordre dans lequel ces arêtes ont été triées.
TG/PL- 2017/2018
Arborecence
48
TG/PL- 2017/2018
49 TG: Problème de plus courts chemins
Dans ce chapitre le graphe est supposé orienté
TG/PL- 2017/2018
Position du problème
50
TG/PL- 2017/2018
Position du problème
51
Définitions:
Un circuit C absorbant, noté CA, si l(C)<0
Dans un graphe G, un sommeta X est une racine, s’il existe dans G, un
chemin de a vers x,x X \ a
La distance d’un sommet x à y, noté d(x,y) est la longueur du plus court
chemin de x à y. Par convention, s’il n’existe pas de chemin de x à y,
d(x,y)=+∞
d(x,x)=0
Généralisation du problème:
Pb1: trouver le plus court chemin d’un sommet i vers un sommet j
Pb2: trouver le plus court chemin d’un sommet i vers tout sommet j du graphe
Pb3: trouver un plus court chemin de tout sommet i à tout sommet j
TG/PL- 2017/2018
Position du problème
52
Théorème1:
Les conditions nécessaires et suffisantes (CNS) pour que le problème pb1 (resp
pb2 et pb3) ait une solution sont:
L’ensemble des sommets qui sont à la fois des descendant de (i) (successeurs) et ascendant (
prédécesseur) de (j) soit non vide; autrement dit, il existe au moins un chemin de i à j.
Il n’existe pas de CA sur le chemin allant de i à j, si non la longueur de ce chemin ne sera pas
borné inférieurement.
Théorème 2:
Soit C un plus court de chemin de i à j et soit x et y deux sommets de C, le sous
chemin de C partant de x vers y, noté Cxy, est un plus court chemin de x à y.
Théorème 3:
Soit un graphe G(X,U,l), sans CA, admettant a comme racine.
On associe à chaque sommet x X , la valeur π(x) = π(a,x) représentant le
plus court chemin de a à x.
On au U , (T (u )) ( I (u )) l (u )
TG/PL- 2017/2018
Algorithmes de plus court chemin
53
Algorithme de Ford:
Etape 0: Le graphe ne contient pas de circuit absorbant
Numéroter les n sommets du graphe dans un ordre quelconque de x1 à xn-1 à
l’exception du sommet racine (sommet origine: x0, sommet destination: xn-1)
Initialisation: poser π(x0) =0, π(xj)=+∞ j 1,..., n 1 , i=0
Etape1:
u U / I (u) xi ,faire
Si π(xj)> π(i)+ l(xi,xj) alors
{ π(xj)= π(i)+ l(xi,xj)
Si j<i alors
{ i=j
Aller à (1)
}
}
Etape2:
i=i+1
Si i<n-1 aller à (1)
Sinon Fin
TG/PL- 2017/2018
Algorithmes de plus court chemin
54
Exemple
TG/PL- 2017/2018
Algorithmes de plus court chemin
55
Algorithme de Bellman:
Etape0: poser S={x0} et π(x0) =0
Etape1: si x S / T 1 ( x) S (tous les prédécesseurs de x sort dans S)
alors
{ π(x) = Min{π(I(u)+ l(u)} avec T(u)=x ( I ( x) S )
S=S U{x}
}
Sinon FIN
TG/PL- 2017/2018
Algorithmes de plus court chemin
56
Exemple
TG/PL- 2017/2018
Algorithmes de plus court chemin
57
TG/PL- 2017/2018
Algorithmes de plus court chemin
58
Algorithme de Dijkstra : u U , l (u ) 0
Etape0:
S={x0}; xp= x0; π(x0) =0; π(x) = +∞ x x0
Etape1:
Tant que (S X et π(xp) < +∞)
{ u U / I(u)=xp
Si T (u ) S alors
{ x= T(u)
Si π(x) > π(xp) +l(u) alors π(x) = π(xp) +l(u)
}
Choisir x S /Min π(x); xp= x; S=SU{x};
aller à (1);
}
TG/PL- 2017/2018
Algorithmes de plus court chemin
59
Exemple:
On cherche à déterminer le plus court chemin entre D et G.
TG/PL- 2017/2018
Algorithmes de plus court chemin
60
Exemple:
Voici le graphe obtenu après l'algorithme.
On écrit à côté de chaque sommet le poids (provisoire ou fixe), et le sommet précédent.
On peut présenter également le résultat dans un tableau ou chaque ligne représente une
étape de l'algorithme.
D A B C E F G
0 +∞ +∞ +∞ +∞ +∞ +∞
3, D 12,D +∞ +∞ +∞ +∞
3, D 12,D 8,A +∞ 38,A +∞
12,D 8,A 18,C 16,C +∞
12,D 18,C 16,C +∞
18,C 16,C 29,F
18,C 29,F
29,F
La chaine la plus courte est donc D-A-C-F-G
TG/PL- 2017/2018
61 Programmation Linéaire
Modélisation
TG/PL- 2017/2018
Introduction
62
Une usine de textile doit fabriquer dans une durée bien déterminée: 3 variétés de tissus à
partir de 3 variétés de fils.
Les stocks sont respectivement 4000kg, 800kg et1500kg pour les fils de qualité A, B et C.
Chaque tissu fabriqué doit respecter les proportions suivantes (le poids en gramme) de
chaque qualité de fils.
T1 T2 T3
g/m g/m g/m
A 375 500 500
B 125 50 200
C 100 200 150
La vente en gros est respectivement 2.6 unité monétaire, 4 unité monétaire et 3.6 unité
monétaire pour un mètre de tissus 1, 2 et 3.
les métiers à tisser, dont la production est 10m par heure, sont disponibles pour 800 heures.
Proposer une modélisation de ce problème de production de manière à satisfaire la demande,
à partir des quantités disponibles et en maximisant le profit de cette entreprise.
Exemple: Problème de production
64
Etapes de modélisation:
Déterminer les variables de décision (variables à
déterminer par le modèle)
X1: Quantité (en mètre) de tissu 1 produit
X2: Quantité (en mètre) de tissu 2 produit
X3: Quantité (en mètre) de tissu 3 produit
La fonction objective (maximisation du profit)
Max Z= 2.6*X1+4*X2+3.6*X3
Formulation des contraintes
0.375*X1+0.5*X2+0.5*X3<=4000 (Qte de stock du Fil A)
0.125*X1+0.05*X2+0.2*X3<=800 (Qte de stock du Fil B)
0.1*X1+0.2*X2+0.5*X3<=1500 (Qte de stock du Fil C)
Nombre total d’heures <=800
TG/PL- 2017/2018
Exemple: Problème de Transport
65
TG/PL- 2017/2018
Exemple: Problème de Transport
66
Etape de modélisation:
Déterminer les variables de décision
XAi: Quantité transportée du port A vers Ui, i=1,2,3
XBi : Quantité transportée du port B vers Ui, i=1,2,3
La fonction objective
MinZ= 5*XA1+6*XA2+3*XA3+3*XB1+5*XB2+4*XB3
Formulation des contraintes
XA1+XB1=400 (Qte transportée vers U1)
XA2+XB2=300 (Qte transportée vers U2)
XA3+XB3=200 (Qte transportée vers U3)
XA1+XA2+XA3<=550
XB3+XB2+XB1 <=350
XAi>=0, XBi >=0 / i=1,2, 3
TG/PL- 2017/2018
Exemple
67
TG/PL- 2017/2018
Rappel: La convexité
70
Propriétés:
L’ensemble de solution d’une inéquation linéaire est un ensemble
convexe
L’intersection de deux ou plusieurs ensembles convexes est un
ensemble convexe
L’ensemble de solution d’un système d’inéquation linéaire est un
ensemble convexe
TG/PL- 2017/2018
Rappel: Polyèdre Convexe
71
Définition:
L’intersection
d’un nombre fini d’un demi espace fermé
est appelé polyèdre convexe
Propriétés:
L’ensemble des solutions d’un système d’inéquation
linéaire forme un polyèdre convexe
Lorsque les demi espaces sont des demi-plans de R2
l’intersection est un polygone convexe
TG/PL- 2017/2018
Technique de résolution graphique d’un PL
72
Soit le PL suivant:
Max Z= 2*X1 + X2
S/C
X1<=10
X2<=7
X1+X2<=12
X1,X2>=0
Solution
C1, ∆1: X1=10
C2, ∆2: X2=7
C3, ∆3: X1+X2=12
TG/PL- 2017/2018
Technique de résolution graphique d’un PL
73
Définitions:
solution réalisable: le vecteur X(x1,x2,…x3) qui vérifie
toutes les contraintes
domaine de définition (ou l’ensemble des solutions
réalisables): la partie du plan qui représente
l’intersection de l’ensemble des solutions de l’inéquation
linéaire correspondant aux contraintes
solution optimale: la solution réalisable qui maximise (ou
minimise) la fonction objective
Remarque: la solution optimale n’est pas nécessairement
unique
TG/PL- 2017/2018
Technique de résolution graphique d’un PL
74
Solution optimale:
On pose ∆z= 2x1+X2
Pour ∆z =0 / A=(0,0) et B=(1,-2)
Pour ∆z =1/ A’=(1,-1) et B’=(0,1)
Pour maximiser Z, on va faire glisser la droite de l’équation
∆z=0 vers le sens qui maximise le Z, de façon à garder au
moins un point d’intersection entre ∆z et le domaine de
définition.
Ce dernier point de contact représente la solution optimale
Théorème:
La solution optimale d’un problème PL (lorsqu’elle existe) est
nécessairement dans l’un des sommets du polyèdre.
TG/PL- 2017/2018
Etapes de résolution graphique d’un PL
75
Première méthode:
Déterminer les points optimaux
Considérer la fonction objective Z= aX1+ bX2
Les droites représentant cette fonction objective sont tous des
droites de l’équation
aX1+bX2=k avec k R
Toutes ces droites sont parallèles à la droite ∆z: (ax1+bX2=0)
Dans un problème de maximisation, si:
A>0 alors plus X1 est grand plus Z est grand
Pour déterminer la valeur maximale de la fonction objective;
il suffit d’effectuer une translation parallèle de la direction de
∆z=0 dans le sens qui maximise X1
jusqu’au dernier points de contacte avec le domaine de définition
Les points de contactes ainsi obtenu correspond au solution optimal
du PL
Etapes de résolution graphique d’un PL
77
Deuxième méthode:
Sachant que la solution optimale d’un PL est représentée
par l’un des sommets du polygone dans R2, on peut
également trouver la solution optimale à partir du
graphique par recensement des sommets du polygone.
Il est alors inutile de tracer ∆z et ces parallèles et il suffit
de chercher la valeur de Z correspondant à chaque sommet.
Les points optimales dans un problème de maximisation est
le point pour lequel la valeur de la fonction objective est
maximale
TG/PL- 2017/2018
Exemple de Résolution graphique:
78
Problème non borné:
TG/PL- 2017/2018
79 Programmation Linéaire
Méthodes de Résolution d’un PL
TG/PL- 2017/2018
80 Programmation Linéaire
Méthode de simplexe
TG/PL- 2017/2018
Passage de la Forme Canonique à la
81
Forme Standard
Les Contraintes
Contraintes de type≤:
X1+X2 ≤5 X1+X2+ e1=5
On ajoute une variable d’écart: représente l’écart entre la
quantité disponible de la ressource et la quantité effectivement
utilisée
Si la contrainte relative exprime une contrainte de stock, la variable
d’écart introduite représentera alors la quantité de stock non
consommée
Cette quantité restante n’affecte pas la fonction objective
La variable d’écart est multipliée par un coefficient nul dans la
fonction objective
MaxZ= 2*X1+X2+0*e1
TG/PL- 2017/2018
Passage de la Forme Canonique à la
82
Forme Standard
Les Contraintes
Contraintes de type≥:
X1+X2 ≥ 5 X1+X2-S1=5
On ajoute une variable de surplus
Si la contrainte relative exprime une contrainte de demande, la
variable de surplus introduite représentera alors la quantité
excédentaire produite
Son coefficient, dans la fonction objective, est nul
MaxZ= 2*X1+X2-0*s1
TG/PL- 2017/2018
Passage de la Forme Canonique à la
83
Forme Standard
Les Variables:
Pour passer à la forme standard, il faut que toutes les variables doivent
être non-négative (positives ou nulles)
Cas d’une Variable Négative
Forme générale:
Max Z=4X1+5X2
S/C X1-X2 ≤ 7
3X1+2X2 ≤12
X1≥0, X2≤0
Si une variable Xi est négative dans la forme générale, on posera Xi’=-Xi et
on la remplace dans le PL.
On pose X2’=-X2; X2’ ≥0
Max Z=4X1-5X2’+0e1+ 0e2
S/C X1+X2’+e1 = 7
3X1-2X2’+e2 =12
X1 , X2’ , e1,e2≥0
TG/PL- 2017/2018
Passage de la Forme Canonique à la
84
Forme Standard
Les Variables:
Cas d’une Variable <>
Max Z=4X1+5X2
S/C X1-X2 ≤ 7
3X1+2X2 ≤12
X1≥0, X2 <>
Si une variable Xi est quelconque dans la forme générale, on
posera Xi= Xi+-Xi- tel que Xi+≥0 Xi- ≥0 et on la remplace dans le
PL.
On pose X2=X2+ - X2-≥0 avec X2+≥0 X2- ≥0
Max Z=4X1-5 X2+ -5 X2- -0e1+ 0e2
S/C X1+ X2+ - X2- +e1 = 7
3X1+2 X2+ - 2X2- +e2 =12
X1 , X2+,X2-, e1,e2≥0
TG/PL- 2017/2018
Résolution Algébrique
85
Notion de Base:
Pour un PL standard constitué de n variables et m contraintes avec n ≥ m
alors
une Solution de Base est obtenue en
annulant (n-m) variables et
en résolvant les m contraintes pour déterminer les valeurs des autres m variables
Les n-m variable nulles sont dite variables Hors Base et les autres variables
(pouvant être ≥0) sont dites variables de base
Une solution de base est une solution qui satisfait les contraintes et possède
au moins (n-m) variables
Une solution de base, qui n’est pas toujours réalisable, est dite Réalisable de
Base, elle satisfait:
Les contraintes de PL
Les contraintes de non négativité
Tout point extrême de l’ensemble des solutions réalisables, correspond à une
solution Réalisable de Base
TG/PL- 2017/2018
Résolution Graphique
86
TG/PL- 2017/2018
Résolution Graphique
87
Exécution
Max Z=5X1+4X2+3 X3
S/C 2X1+3X2+X3≤5
4X1+X2+2X3 ≤11
3X1+4X2+2X3≤8
X1,X2,X3≥0
TG/PL- 2017/2018
Résolution Par La Méthode De Simplexe
88
Exemple Introductif:
Max Z= 5X1+4X2+X3 +0e1+0e2+0e3
S/C: 2X1+3X2+X3+e1=5
4X1+X2+2X3+e2=11
3X1+4X2+2X3+e3=8
X1,X2,X3,e1,e2,e3≥0
TG/PL- 2017/2018
Résolution Par La Méthode De Simplexe
89
TG/PL- 2017/2018
Résolution Par La Méthode De Simplexe
90
FG FCB
Max Z= 2X1+X2 Max Z= 2X1+X2
S/C X1-3X2 ≤-3 S/C -X1+3X2 ≥ 3
X1,X2 ≥0 X1,X2 ≥0
Résolution Par La Méthode De Simplexe
91
TG/PL- 2017/2018
Résolution Par La Méthode De Simplexe
92
TG/PL- 2017/2018
Résolution Par La Méthode De Simplexe
93
TG/PL- 2017/2018
Dualité
100
TG/PL- 2017/2018
Dualité
101
Primal Dual
Fonction Objective à Maximiser Fonction objective à Minimiser
J ème contrainte de type ≥ J ème variable de type ≤ 0
J ème contrainte de type ≤ J ème variable de type ≥ 0
J ème contrainte de type = J ème variable de type < >
I ème variable de type ≥ 0 I ème contrainte de type ≥
I ème variable de type ≤ 0 I ème contrainte de type ≤
I ème variable de type < > I ème contrainte de type =
Exemple:
MaxZ=5X1+3X2+X3 Min Z=6y1+2y2
S/C 2X1+X2+X3 ≤6 S/C 2y1+2y2 ≥5
X1+2X2+X3≥2 Y1+2y2 ≥3
Y1+y2=1
X1≥0 X2≥0 X3<>
y1 ≥0 y2 ≤0
TG/PL- 2017/2018
Dualité
102
TG/PL- 2017/2018
Dualité
103
TG/PL- 2017/2018
Analyse de la poste optimalité
104
TG/PL- 2017/2018
Analyse de la poste optimalité
105
TG/PL- 2017/2018