Documente Academic
Documente Profesional
Documente Cultură
IV
4.1 Introduction
Unedesprincipalesdcouvertesenprogrammationlinaireestladualit.chaqueproblmede
programmationlinaireestassociunautreproblmedeprogrammationlinaireappelledual.
Nousverronsdanscechapitreetlessubsquentsl'utilitdeladualit.Enparticulier,lathorie
deladualitestessentiellelapostoptimisationetl'analysedesensibilit.
Introduisonsd'abordceconcepttraversdeuxexemples.
Exemple4.1.1
Un fermier veut nourrir ses animaux au moindre cot en respectant des contraintes sur les
lmentsnutritifs.
Soient
xj = nombred'unitsd'alimentdetypejretenues,
cj = cotd'uneunitd'alimentdetypej,
aij = quantitd'lmentnutritifidansuneunitd'alimentdetypej
(naturelouartificiel),
aijxj bi ,i=1,2,...,m
j
aijxj estlaquantitd'lmentnutritifi.
j
Leproblmeduconsommateurs'crit:
Min ctx
sujet Ax b (P)
x 0.
Lacompagnieveutdterminerlesprixdeses"aliments",doncdechaquelmentnutritif,de
faondemeurercomptitiveaveclesautresalimentsetmaximisersonprofitpotentiel.
Soit
i = prixd'uneunitd'lmentnutritifi,
bt = profitpotentiel,
m
aiji = prixd'uneunitd'alimentdetypej,
i=1
m
aiji cj defaondemeurercomptitiveaveclesautresaliments,
i=1
leproblmeduproducteurs'crit:
Max bt
sujet At c (D)
0.
(D)estledualde(P) et
(P)estledualde(D).
Nousallonsvoirdanscechapitrequ'l'optimum,lesdeuxproblmes(P)et(D)ontlamme
valeurdel'objectif.Deplus,enrsolvantl'un,nousrsolvonsautomatiquementl'autre.
Exemple4.1.2(problmedetransport)
Unproduitestdisponibleauxendroits(sources)1,2,...,m,etondoitletransporterauxendroits
(destinations)1,2,...,npoursatisfairelesdemandes.
Soient
ai = quantitdisponiblelasourcei,
bj = quantitrequiseladestinationj,
cij = cotunitairedetransportdeij,
xij = quantittransportedeij.
xij=bj j
i
xij0 i,j.
Unentrepreneurveuts'occuperdutransport.Ildcided'acheterlesproduitsauxsourcesetdeles
revendreauxdestinations.
Soient
ui = prixd'achatlasourcei,
vj = prixdeventeladestinationj,
ildoitfixersesprixdefaontrecomptitifaveclescotsc ijexistantsetveutmaximiserson
profitpotentiel.
trecomptitifaveclescotscijexistants:ui+vj ciji,j.
Leproblmes'crit:
(D)estledualde(P)etviceversa.
4.2 Problmeprimaletproblmedual
Problmeprimal Problmedual
oc,x n, etb,y m,
etAestunematricededimensionmxn.
Parcontre,sileproblmedeprogrammationlinairesetrouvesouslaformestandard,alorson
retrouvelecoupleprimaldualsuivant:
Problmeprimal Problmedual
oc,x n, etb,y m,
etAestunematricededimensionmxn.
De faon gnrale, toute contrainte du primal correspond une variable du dual et toute
variableduprimalcorrespondunecontraintedudual;ainsi,
n
aijxj bi correspond yi
j=1
m
xj correspond aijyi cj.
i=1
De plus, une contrainte d'galit du primal correspond une variable du dual n'tant pas
contraintetrenonngativealorsqu'unecontrainted'ingalitduprimalcorrespondune
variabledudualrestreintetrenonngative.Demme,unevariablerestreintetrenon
ngativeduprimalcorrespondunecontrainted'ingalitdudualalorsqu'unevariablenon
restreinteduprimalcorrespondunecontrainted'galitdudual.Ainsi,
n
aijxj bi correspond yi0
j=1
n
aijxj = bi correspond yiquelconque
j=1
m
xj0 correspond aijyi cj
i=1
m
xjquelconque correspond aijyi =cj.
i=1
Problmedeminimisation(primal) Problmedemaximisation(dual)
contraintei variableyi 0
contraintei variableyi 0
variablexj 0 contraintej
variablexj 0 contraintej
vecteurdescots termeconstant
termeconstant vecteurdescots
Figure4.2.1Tableaudecorrespondance
Exemple4.2.1
Considronsleproblmeprimalsuivantsoussaformegnrale:
2x1 +x2 x3 8
x1 +x3 1
x1 +2x2 +3x3 =9
x1,x20,x3libre.
Pourdterminerledualdeceproblme,ilsuffitd'appliquerlesrglesquiprcdentdirectement
surletableauconstruitdelafaonsuivante:
Primal
Variables x10 x20 x3libre Relation Constantes
10 2 1 1 8
Dual 20 1 0 1 1
3libre
1 2 3 = 9
Relation = Maxv
Constantes 2 1 1 Minz
Leduals'criraalors:
Maxv= 81 +2 +93
21 2 +3 2
1 +23 1
1 +2 +33 =1
10,20,3libre.
Uneautreapprocheconsistetransformerleproblmeprimalsoussaformestandard:
Leduals'criraalorscommeauparavant:
Maxv= 81 +2 +93
21 2 +3 2
1 +23 1
1 +2 +33 =1
10,20,3libre.
Bref,chaqueprogrammelinaire(primal)estassociunprogrammedual.Onpeutvrifierque
ladfinitiondudualest"involutive";end'autrestermes,leproblmeduald'unproblmedualest
leproblmeprimal.Deplus,lepassaged'unprimalsondualpermuterespectivementlenombre
devariablesetlenombredecontraintes.
4.3 Thormesdedualit
L'tudethoriquequisuit,apourbutdemontrerquel'onpeutrsoudreauchoixl'unoul'autre
des deux problmes, le primal ou le dual, la connaissance de la solution optimale de l'un
entranantcelledel'autre.
tantdonnqu'onpeutpasserfacilementde(4.2.1)(4.2.3)l'aidedesvariablesd'cartetde
(4.2.3) (4.2.1) en remplaant une galit par deux ingalits, il suffit de dmontrer les
thormesdedualitpourl'unoul'autredescouplesprimaldual.
Thorme4.3.1 (Thormefaiblededualit)
Six{x:Ax=b,x0}ety{y:Atyc},alorsbtyctx.
Dmonstration:
Parconsquent,d'aprslethormefaiblededualit,sionconnatparexempleunesolution
ralisable pour le primal, on connat immdiatement une borne suprieure pour le dual et
rciproquement, sionconnatunesolutionralisable pourledual,onaimmdiatement une
borneinfrieurepourleprimal.
Corollaire4.3.1
Dmonstration
Duthorme4.3.1,ildcouleque,pourtoutpointxdel'ensemble{x:Ax=b,x0},
ctxbty*=ctx*.
Demme,pourtoutpointydel'ensemble{y:Atyc},btyctx*=bty*.
Thorme4.3.2 (Thormededualitforte)
Siundesproblmes(4.2.3)ou(4.2.4)possdeunesolutionoptimalefinie,ilenestdemme
pourl'autreetlesvaleursoptimalesrespectivesdesobjectifsde(4.2.3)et(4.2.4)sontgales.
Siundesproblmes(4.2.3)ou(4.2.4)n'estpasborn,alorsl'ensembledespointsralisables
pourl'autreproblmeestvide.
Dmonstration
Lasecondepartiedel'noncdcouledirectementduthorme4.3.1.Eneffet,supposonsquele
problmeprimal(4.2.3)nesoitpasborninfrieurementc'estdire,supposonsquectx.
S'ilexistaitunpointy{y:Atyc},alors,parlethorme4.3.1,ilfaudraitquebtyctx
cequiestimpossible.Cetlmentdepreuvepourraittrereprisensupposantcettefoisquele
problme(4.2.4)n'estpasbornsuprieurement.Onaboutitaummersultat.
Pourdmontrerlapremirepartie,supposonsque(4.2.3)possdeunesolutionoptimalex*pour
laquellel'objectifprendlavaleurfiniez*=c tx*.Noussavonsdoncqu'ilexisteunesolutionde
baseoptimale pourlaquelle l'objectif prendlavaleurfiniez*.Soitx*j ,x*j ,...,x*j ,les
1 2 m
t
variablesdebasecorrespondantes.Siondnote =[cj ,cj ,...,cj ] ,rappelonslarelation
1 2 m
t
suivante:cj=cj a.j, j = 1, 2, ..., n, o a.j est la j ime colonne de la matrice des
contraintesA.
Or,puisquecettesolutiondebaseestoptimale,ildcouleque:
cj=cjta.j0 j=1,2,...,n.
t
D'autrepart,serfrantladfinition =B1 donneauchapitreprcdent,ils'ensuitque
t
bt= btB1 =(B1b)tz*.
Parconsquent,ildcouleducorollaire4.3.1que estunesolutionoptimaleduproblmedual
(4.2.4)etquetb=z*.
Exemple4.3.1
Considronsleproblmesuivant:
Max Z= 6x +8y
sujet 5x +2y 20 (P)
x +2y 10
x, y 0
Ledualdeceproblme(P)est:
(4,0,80)
(0,6,60)
(1/2,7/2,45)
OPTIMUM (5/2,15/4,45)
Surface W 40 (0,5,40)
Surface Z
20
(1/2,7/2,0)
(4,0,24)
(0,5,0) (0,6,0)
(0,0,0)
y
(4,0,0)
x
(5/2,15/4,0)
Thorme4.3.3
Soitx*unesolutiondebaseralisableoptimalepourleproblmeprimaletBlabaseoptimale
t
correspondante.Alorslevecteur=B1 o=[cj ,cj ,...,cj ]t,estunesolutionralisable
1 2 m
optimaleduproblmedual.Deplus,lesvaleursoptimalesdesdeuxfonctionsobjectivessont
gales.
Enparticulier,sionemploiel'algorithmedusimplexepourrsoudreunproblmedutype:
Tinitial = R I b
ct ct
R I
Letableaufinalseradelaforme:
1 1
Tfinal = x B B b
x ct ct B1 x
I B
cequipermetdedterminerfacilementlavaleurdesvariablesdualesoptimales:
ct (ct ct B1).
I I B
Exemple4.3.2
Min x4y3z
2x+2y+z 4
x+2y+2z 6
x,y,z0.
Aprs avoir introduit les variables d'cart, l'application de l'algorithme du simplexe donne
successivement:
x
y
z
u
v
2 2 1 1 0 4
1
2
2
0
1
6
1 4 3 0 0
x
y
z
u
v
1 1 1/2 1/2 0 2
1
0
1
1
1
2
3 0 1 2 0 8
x
y
z
u
v
3/2 1 0 1 1/2 1
1
0
1
1
1
2
2 0 0 1 1 10
Lasolutionoptimalepourceproblmeest:x=0,y=1,z=2.
Leproblmeduals'crit:
Max 4s+6t
2s +t 1
2s +2t 4
s +2t 3
s, t0.
Lesvaleursoptimalespour(s,t)sedduisentfacilementpartirdutableaufinalcidessus:
(s,t)= (0,0)(1,1)=(1,1).
Larciproquedelasecondepartieduthorme4.3.2n'estpasvrifie,c'estdirequesil'undes
problmesn'admetpasdesolutionsralisables,onnepeutpasconclurequelafonctionobjective
del'autreproblmeestnonborne.End'autrestermes,ilsepeutquenileprimal,niledualne
possdentdesolutionsralisables,parexemplelecoupledeproblmesprimaletdualsuivants:
Onpeutrsumertouslesrsultatsprcdentsdansuntableaucommesuit:
Primal
4.4 Cotsmarginauxassocisauxcontraintes("shadowprices")
Supposonsquex*soitunesolutiondebaseoptimaleduproblme(4.2.3)dontlesvariablesde
basesontlesmpremiresvariables,c'estdiresupposonsque,
x*= x*B
o x*=B1b.
B
Nousavonsdjdmontrqu'unesolutionoptimaleduproblmedual(4.2.4)estdonnepary=
t
B1 o=[c ,c ,...,c ]t.
1 2 m
Sousl'hypothsequeleproblmeprimal(4.2.3)estnondgnr,onpeutmodifierquelquepeu
lescomposantesdumembrededroitebdetellesortequelammebasedemeureoptimalepour
cenouveauproblmeperturb.Ainsi,sibdevientb+Db,lesvaleursdesvariablesdebasesont
modifiesetdeviennent
Lavaleurdel'objectifduproblmeperturbdevient:
t(x*+ Dx*)
B B
et,ainsi,lamodificationimpliquedanslavaleurdel'objectifdevient:
Ainsi,yidsigneletauxdevariationdelavaleurdel'objectifenfonctiondeb i.Onditquec'est
lecotmarginalassocilacontraintei.C'estleprixpayerpourfairediminuerb i,parunitde
diminution.
Exemple4.4.1
Enserfrantl'exemple4.1.1,icorrespondauprixquelefermierestprtpayerpourune
unitd'lmentnutritifi(i.e.pourbaisserbide1).
4.5 cartscomplmentairesetdualitlagrangienne
Lethormededualitpeuts'noncersousd'autresformesquivalenteslaprcdente,etaidant
comprendrelastructuredescouplesdeprogrammesdualsoptimaux.
L'importancedecesrsultatsdeviendraapparentlorsqued'autresalgorithmesserontproposs
pourrsoudreleproblme(4.2.3).
Danscequisuit,a.jdnotelajimecolonnedelamatriceAetai.dnotelaiimelignedela
matriceA.
4.5.1cartscomplmentaires
Thorme4.5.1.1(Thormefaibledescartscomplmentaires)
xetysontdessolutionsoptimalespour(4.2.3)et(4.2.4)respectivement
sietseulementsi
pourtoutj=1,2,...,n
i) xj>0 a.jty=cj
Note:Onqualifiesouventunecontrainte(ou)desaturelorsqu'elleestvrifieaveclesigne
=etdelchelorsqu'elleestvrifieaveclesigne>(ou<).
Dmonstration:
Supposonsquelesconditionsi)ouii)sontsatisfaitespourtoutj=1,2,...,n.Alors,
Donc,
xj[a.jtycj] =0.
j=1,2,...,n
Or,
= xtAtyctx
= btyctx.
Parconsquent,bty=ctxetlecorollaire4.3.1impliquequexetysontdessolutionsoptimales
pour(4.2.3)et(4.2.4)respectivement.
Inversement, supposons que x et y sont des solutions optimales pour (4.2.3) et (4.2.4)
respectivement.Donc,lethorme4.3.2impliquequebty=ctx.Parconsquent,serfrantla
premirepartiedelapreuve
xj[a.jtycj] =btyctx=0.
j=1,2,...,n
Puisquexj0eta.jtycjpourtoutj=1,2,...,n,ils'ensuitque
xj[a.jtycj] =0 pourtoutj=1,2,...,n.
Corollaire4.5.1.1
xetysontdessolutionsoptimalespour(4.2.1)et(4.2.2)respectivement
sietseulementsi
pourtoutj=1,2,...,n
i) xj>0 a.jty=cj
etpourtouti=1,2,...,m
Transformons le problme (4.2.1) sous une forme standard en introduisant des variables de
surplus:
Min ctx
Ledualestalors
Max bty
Soit (x,z) une solution optimale pour le problme (4.5.1.1) et y une solution optimale de
(4.5.1.2),d'aprslethorme4.5.1.1,onaque:
(x,z)etysontdessolutionsoptimalespour(4.5.1.1)et(4.5.1.2)respectivement
pourtoutj=1,2,...,n, pourtouti=1,2,...,m,
i) xj>0 a.jty=cj
4.5.2Dualitlagrangienne
Pourtoutprogrammemathmatique,ilestcommoded'associerunlagrangienquiregroupe,dans
unemmerelation,lafonctiondecotetlescontraintes.Pourcefaire,onaffecte chaque
contrainte un coefficient appel multiplicateur. Ce dernier est non ngatif dans le cas d'une
contrainted'ingalit.
Pourunprogrammemathmatiquegnraldelaforme:
Min f(x)
gi(x)0, i=1,2,...,k
hj(x)=0, j=1,2,...,m,
xC
lelagrangienassocis'critcommesuit:
og(x)=(g1(x),g2(x),...,gk(x)),h(x)=(h1(x),h2(x),...,hm(x)),m,k.
Dfinition4.5.2.1
Analysonslespropritsdulagrangienenprogrammationmathmatiquepourendduirecertains
concepts de dualit en programmation linaire. Nous avons d'abord l'ingalit de dualit
suivante :1
car,onpeutconstaterfacilementque,pourtoutpointxCettoutepairedemultiplicateurs(,
)avec 0,ona: inf L(x;, ) L(x;, )
xC
Danscesingalits,ilestncessaired'utiliserlesconceptsd'infimumetdesupremum,carrien
1
nepermetd'affirmeraprioriquelesmaximumsoulesminimumsexistentousoientatteints.
delaquelleontirel'ingalitdedualitprcdente.
desortequelemembrededroitedel'ingalitdedualitcorrespondexactementauproblme
d'optimisationoriginal.Pourcetteraison,onappelleceproblmeleprimal,soit:
Parsymtrie,onnommeduall'autreproblmed'optimisationformuldanslemembredegauche
del'ingalit,soit:
lequel possde parfois une formulation quivalente sous la forme d'un autre programme
mathmatiqueliauproblmeoriginal.
L'ingalitdedualitpermetd'affirmerquelavaleurminimaleduprogrammeprimalatoujours
commeborneinfrieurelavaleurdudual,c'estdireque:
valeur(D)valeur(P).
Ladiffrenceentrecesdeuxvaleursestnommecartousautdedualit.
Min ctx
sujet Ax=b,x0
nouspouvonsvrifierqueledualcorrespondsontourauprogrammequisuit:
Max bty
sujet Atyc.
De plus, par l'ingalit de dualit, une solution ralisable y du dual nous donne une borne
infrieurebtypourlavaleuroptimaleduprimal.
Dfinition4.5.2.2
tantdonnuncoupledeproblmesdualsenprogrammationlinaire,(4.2.1)et(4.2.2),lecouple
devecteursx0ety0constituepardfinitionuncoldulagrangienL(x,y)lorsque,pourtout
coupledevecteursx0ety0,ona:
Thorme4.5.2.1(Thormedulagrangien)
tantdonnuncoupledeproblmesdualsenprogrammationlinaire,(4.2.1)et(4.2.2),une
conditionncessaireetsuffisantepourquelesdeuxvecteurs x 0et y 0constituentdes
programmesdualsoptimauxestque(x,y)soituncoldulagrangienL(x,y).Lavaleurcommune
desdeuxfonctionsconomiquesl'optimumestalorsL(x,y).
Dmonstration
D'autrepart,pourtoutx0ety0,
Laconditionestsuffisante:
siL(x,y) L(x,y)alors
ctx+btyytAx ctx+btyytAx
ouencore (cAty)t(xx)0.
Enprenantsuccessivementx=x+ej,j=1,2,...,noejdsignelejimevecteurunit,onen
dduit
cjat.jy0, j=1,2,...,n
cequiprouvequeyestunesolutionde(4.2.2).Onpeutmontrer,defaonsemblable,quexest
unesolutionde(4.2.1).
Ilsuffitalorsdefaire
L'importanceduthormedulagrangienrsultedeceque,souslaformeprcdente,iln'estque
l'applicationauxprogrammeslinairesd'unepropritplusgnraledelaprogrammationnon
linaire,connuesouslenomdethormedeKuhnetTcker.
4.6 Algorithmedualdusimplexe
Nousallonsconsidrerunemthodedecalculfaisantappelladualit.
Lapremireideestd'essayerderemplacerlarsolutionduproblmeposparcelledesondual.
La dfinition mme des problmes duals montre que ce remplacement sera en gnral
avantageuxlorsqueleproblmepos,quiseraappelparconventionleprimal,comporteplusde
contraintesqued'inconnues:lesbasesdudualserontalorsd'ordreinfrieurcellesduprimal.
Remarquonsaussiquelarecherched'unesolutiondedpart,lorsqu'elleimposel'introductionde
variablesartificielles,intervientpourunepartimportantedansl'effortdecalcul:l'algorithmedu
simplexe,enpartantd'unesolutionprimaleralisabledebasedontl'obtentionpralableapparat
ainsi comme une condition initiale consiste calculer une suite de solutions aboutissant
l'optimum.
Ladmarchedualedecelleciserait,puisqueladualitchangelesrlesdebetc,departird'une
solutionprimale(irralisable)satisfaisantauxcritresd'optimalitetdecalculerunesuitede
solutionsprimalesirralisablesvrifiantconstammentcescritresetaboutissantventuellement
unesolutionprimaleralisablelaquelleseraoptimale.C'estcettedmarchequiestutilisedans
l'algorithmedualdusimplexe,algorithmedveloppparC.Lemkeen1954quis'appliqueau
problmeprimaletnonaudual.
Voyonsmaintenantlesdtailsdecettemthode.Considronsleproblmeprimalsousforme
standard:
Min ctx
sujet Ax = b (4.6.1)
x 0.
Soitx=[x1,x2,...,xm,0,0,...,0]tunesolutiondebaseduproblme(4.6.1)etdnotonsxB=
[x1,x2,...,xm]t=B1blevecteurdesvariablesdebase.Supposonsquelescotsrelatifspour
cettebasesonttousnonngatifsetque
cj=cjta.j>0, j=m+1,m+2,...,n.
Notonsd'abordquelesmultiplicateursdusimplexeassociscettebaseconstituentunesolution
ralisablepourledual.galementlefaitd'exigerl'ingalitstrictedans(4.6.2)correspondune
hypothsedenondgnrescencepourcettemthode.
xB estappelsolutiondualeralisabledebase.Sicettesolutiondebaseestaussiralisable
(c'estdireprimaleralisable:xB=B1b0),c'estunesolutionoptimaledebaseduprimal.
L'algorithmedualdusimplexepartd'unesolutiondebasedualeralisablemaisirralisable
pourleprimal,etfaitdcrotre,defaonitrative,lenombredesvariablesngativestouten
maintenantchaqueitrationlescritresd'optimalit.
Donc,supposonsquexk<0.
Dmontronsquesixk <0et(4.6.2)satisfaite,alorsilexisteunesolutionralisableypourle
problmedualtellequebty>bt.
Dnotonsk.,lakimelignedeB1etdfinissonsy=tk.,alors
bty=btk.b=btxk>bt,pourtout>0. (4.6.3)
Pourdterminerledomainedevariationde,nousfaisonsl'analysesuivante:
cjyta.j = cjta.j+k.a.j
0 si1jm,jk
= sij=k
cjta.j+akj sim<jn.
Or,pourqueysoitunesolutionralisablepourleproblmedual,ilfautque
cjyta.j 0 pourtoutj=1,2,...,n
c'estdire
Siakj0pourtoutj,m<jn,alorsyestunesolutionralisableduproblmedualpourtoute
valeurde >0etainsi,serfrant(4.6.3),lavaleurdel'objectifduproblmedualn'estpas
bornesuprieurement.Donc,onenconclutqueleproblmeprimalesttelquel'ensemble{x:Ax
=b,x0}estvide.
D'autrepart,s'ilexisteaumoinsunjtelqueakj <0,alorslaplusgrandevaleurdepossible,
disons,esttellequetk.demeureralisablepourleproblmedual;elleestdterminepar
laformule
Ainsi, l'ingalit stricte retrouve dans (4.6.2) est ncessaire pour s'assurer que la valeur de
l'objectifduproblmedualsoitcroissanted'uneitrationl'autre.
L'algorithmedualdusimplexesersumecommesuit:
Initialisation
tape1.
Sixj 0pourtouti=1,2,...,malorslasolutiondebaseestralisableetoptimaleet
i
l'algorithmesetermine.
S'ilexisteaumoinsunindiceitelquexj <0,onprocdel'tape2.
i
tape2. Critredesortie
Dterminonsl'indicertelque
S'ilexisteaumoinsunindicejtelquearj<0,alorsdterminonsl'indicestelque
Unpivotesteffectusurl'lment arsafindedterminerunenouvelleformecanonique
aveclaquellel'tape1estrpte.
Sousl'hypothsequel'ingalitstrictetientdanslarelation(4.6.2)chaqueitration,alorsla
valeurdedans(4.6.4)esttoujourspositivechaqueitrationet,ainsi,lavaleurdel'objectifdu
problmedualaugmented'uneitrationl'autre.Parconsquent,unemmebasenepeutse
rpteraucoursdesitrationsdel'algorithmeetcedernierdoittrecompltenunnombrefini
d'itrationsdufaitqu'ilyaunnombrefinidebases.
Danslecasol'ingalitstrictenetientpasncessairementdanslarelation(4.6.2)toutesles
itrationsalorsunepreuvedeconvergencepluslaboreestncessaire.
Lamthodequenousvenonsdedcrireestparticulirementutilisedanslecontexteoaprs
avoirdterminunesolutionoptimaled'unproblmedeprogrammationlinaire,onmodifiele
membrededroiteetonveutconnatreunesolutionoptimale(s'ilenexisteune)duproblme
perturb.Cettesituationserencontrelorsqu'onneconnatpasdefaonexactelesparamtresdu
problme et qu'on veut valuer l'influence de l'imprcision dans l'estimation du membre de
droite.
Exemple4.6.1
Utiliserl'algorithmedualdusimplexepourrsoudreleproblmesuivant:
Min z=4x1+x2+x3
sujet x1+x2 8
8x1x29x3 1
x10,x20,x30.
Aprsavoirintroduitlesvariablesd'cartx4 etx5,laformecanoniqueox4 etx5 sontles
variablesdebaseestformuleauTABLEAU4.6.1.
x1 x2 x3 x4 x5 z
1 1 0 1 0 0 8
8 1 9 0 1 0 1
4 1 1 0 0 1 0
TABLEAU4.6.1
Lecritredesortieappliqucetteformecanoniqueindiqueque x 4 estlavariabledesortie,
tandisquex2estlavariabled'entre.Parconsquent,lepivotsurl'lmentl'intersectiondela
premireligneetdeladeuximecolonneduTABLEAU4.6.1engendrelaformecanoniquedu
TABLEAU4.6.2olesvariablesdebasesontx2etx5.
x1 x2 x3 x4 x5 z
1 1 0 1 0 0 8
9 0 9 1 1 0 9
3 0 1 1 0 1 8
TABLEAU4.6.2
La variable de sortie est donc x5 et la variable d'entre est x1. Le pivot sur l'lment
l'intersectiondeladeuximeligneetdelapremirecolonneengendrelaformecanoniquedu
TABLEAU4.6.3olesvariablesdebasesontx1etx2.
x1 x2 x3 x4 x5 z
0 1 1 8/9 1/9 0 7
1 0 1 1/9 1/9 0 1
0 0 4 4/3 1/3 1 11
TABLEAU4.6.3
Lasolutionoptimaleestdoncx1=1,x2=7etx3=0etlavaleuroptimaleestgale11.
Exemple4.6.2
Utiliserl'algorithmedualdusimplexepourrsoudreleproblmesuivant:
Min z=3x1+4x2+5x3
sujet x1+2x2+3x3 5
2x1+2x2+x3 6
x10,x20,x30.
Onajoutedesvariablesdesurplusetonaffecteunchangementdesignes:
x1 x2 x3 x4 x5 z
1 2 3 1 0 0 5
2 2 1 0 1 0 6
3 4 5 0 0 1 0
x1 x2 x3 x4 x5 z
0 1 5/2 1 1/2 0 2
1 1 1/2 0 1/2 0 3
0 1 7/2 0 3/2 1 9
x1 x2 x3 x4 x5 z
0 1 5/2 1 1/2 0 2
1 0 2 1 1 0 1
0 0 1 1 1 1 11
Solutionoptimale: x1=1,x2=2etx3=0.
Exemple4.6.3
Voyonsunautreexempled'applicationdecetalgorithme.
Min w=x1+x2+2x3
sujet x1+x2+x3 50
x1+2x2 15
x1x2+2x3 10
x10,x20,x30
cequis'crit:
Max w=x1x22x3
sujet x1+x2+x3 +e1 =50
x12x2 +e2 =15
x1+x22x3 +e3 =10
x10,x20,x30
e10,e20,e30
x1 x2 x3 e1 e2 e3 w
1 1 1 1 0 0 0 50
1 2 0 0 1 0 0 15
1 1 2 0 0 1 0 10
1 1 2 0 0 0 1 0
x1 x2 x3 e1 e2 e3 w
.5 0 1 1 .5 0 0 42.5
.5 1 0 0 .5 0 0 7.5
1.5 0 2 0 .5 1 0 17.5
.5 0 2 0 .5 0 1 7.5
x1 x2 x3 e1 e2 e3 w
Donclasolutionoptimaleest:
x1=35/3,x2=5/3etx3=0,wmin=40/3.
4.7 Solutiondebasedualeralisablededpart
Trs souvent, on applique l'algorithme dual du simplexe parce que les conditions initiales
requisespourcetteapplicationsontralises(cj 0);c'estlecas,enparticulier,danscertains
problmesparamtriquesetdepostoptimisation.Ilpeutcependantexisterd'autrescirconstances
danslesquellesondsireutiliserl'algorithmedualalorsqu'onneconnatpasaprioridesolution
debasedualeralisable.Laprocduresuivantepeuttreapplique.
Cetteprocduresupposequel'onconnaisseunebaseduprimal.Nousfaisonsdoncl'hypothse
pralable que les m quations du primal (sous forme standard) sont compatibles et non
redondantes, et que l'on connat un ensemble de m vecteurs colonnes a j linairement
indpendants (c'est toujours le cas lorsque toutes les contraintes taient initialement des
inquations).
OnpeutconstruireletableaudusimplexerelatifcettebaseB,c'estdireexpliciterlesystme
parrapportauxmvariablesdebaseetliminercesvariablesdelaformelinaireoptimiser.
Aprs cette limination, certaines composantes de xB peuvent tre ngatives et certains
coefficientscjpeuventtrengatifs.
Lesystmeexplicitetlaformeminimisers'crivent:
cjxjz=z.
jJ
Ajoutonscesystmela(m+1)imecontrainte xjM,
jJ
oMestunnombrepositifaussigrandquel'onvoudra,c'estdiresuprieurtoutnombrefini
auquelilseracompardanslescalculs.
Cettecontrainteartificielleesttransformeenquationparadditiondelavariabled'cartx0,
nonngativeetaffected'uncotnuldanslaformeminimiser,soit
x0+ xj=M, x00. (4.7.2)
jJ
L'ensembledesvaleurs
xL=xL, LI
x0=M
constitueunesolutiondebaseduproblmeaugment(m+1contraintes).
Effectuonsmaintenantunchangementdebaseenprenantcommepivotlecoefficient(1)dela
variablexkdans(4.7.2),ktantdfiniparck=min{cj:jJ}.Cecirevientremplacerdansles
contraintes(4.7.1),xkpar M x0 xj.
jJ\{k}
Aprspivotage,ona:
c'j=cjck0, j J\{k}
c'0=0ck0, lecotrelatifassocix0.
Onpeutdoncappliquerl'algorithmedualdusimplexe.
L'applicationdel'algorithmedualconduitobligatoirementl'undestroisrsultatssuivants:
a) leproblmeaugmentn'apasdesolutionralisable.
C'estaussilecaspourleproblmeprimitif.
b) leproblmeaugmentaunesolutionoptimaleetx0 n'estpasunevariabledebasedu
systme.
Lacontrainte xjMestdoncvrifieaveclesigne=pourlasolutionoptimale
jJ
trouveetlesvaleursdesvariablesdebasedeceprogrammesontfonctiondeM.
Leproblmeprimitifn'aengnralpasdesolutionoptimalefinie.
Deuxcaspossibles:
i) lavaleurminimale zdezestexplicitementfonctiondeM(casgnral)pourtoutM
M(unevaleurdtermine).
SiM,alorsz(znepeutpastendrevers+puisqu'ilexistedessolutionsfinies
auproblmeprimitif)
Parconsquent,lesproblmesaugmentetprimitifn'ontpasdesolutionoptimalefinie.
ii) lavaleurminimalezdezestindpendantedeM(casexceptionnel),pourtoutevaleurde
MM.
Ilexisteunesolutionoptimalefinie.
c) leproblmeaugmentaunesolutionoptimaleetx0estunevariabledebase.
Nousavonsdoncunesolutionoptimalepourleproblmeprimitif.
Ilest noterque,ds que x0 entre dans la base,nous avons une solution de base duale
ralisableduprimal;onpeutdonc,partirdecemoment,supprimerlalignerelativex 0du
tableaudusimplexeetcontinuerl'applicationdel'algorithmedualdusimplexe.
Desprocduresparticuliresautresquecellecipeuventaussitreenvisages.Considronspar
exemplelecassimpleo,pourunproblmeprimaldeminimisationcritsousformestandard,le
vecteurcotcestnonngatifetolamatriceAduprimalcontientunesousmatriceB,carre,
d'ordrem,dontlescolonnescorrespondentei(i=1,2,...,m)etsontassociesdesvariables
xjdecotcj=0.
Onestdanscettesituation,enparticulier,lorsqu'unevariabled'cartoudesurplusadtre
ajoutechaquecontrainteduprimaletquec0.
4.8 Algorithmeprimaldualdusimplexe
Leprincipedelamthodeconsistetravaillersimultanmentsurlesproblmesprimaletdual:
partantd'unprogrammedualetd'unesolutionirralisableduprimal,choisiedefaonquele
thormedescartscomplmentairessoitsatisfait,cettemthodeamlioredefaonitrativela
solutionduprimal;lorsquecellecidevientprimaleralisable,lasolutionestoptimale.
a) dterminerunesolutiondualeralisable;
d) silasolutionoptimaleduprimalrestreintn'estpasunesolutionralisableduproblme
primal, on peut dterminer une nouvelle solution dualeralisable, et on applique de
nouveaul'algorithmepartirdeb).
Aprs un nombre fini d'itrations, la solution optimale du primal restreint est une solution
ralisable (donc optimale) du primal ou bien on met en vidence l'absence de solutions
ralisablesoul'absenced'optimumfinipourleprimal.
Considronsdoncleproblmedeprogrammationlinairesoussaformestandard:
Min ctx
etsonproblmedual
Max bty
Supposonsquey{y:Atyc}.Dfinissonslensemblencommesuit:
={j:yta.j=cj}.
Ainsi,puisqueyestunesolutiondualeralisable,yta.j<cjpourtoutjassocionsausous
ensembleleproblmeprimalrestreintsuivant:
Min etz
oe=[1,1,...,1]tm.
Leproblmedualdeceprimalrestreints'critalors:
Max btu
Thorme4.8.1
Soit y {y: Aty c},supposons que xet z constituent unpoint ralisable pourle primal
restreintoz=0.Alorsxetysontdessolutionsoptimalespour(4.8.1)et(4.8.2)respectivement.
Dmonstration
Si(x,z)constitueunpointralisablepourleprimalrestreintetquez=0,alorscettesolutionest
optimalepourleprimalrestreint.Deplus,ceciimpliquequexestunpointralisablepourle
problmeprimal.
Puisquexj=0sij={j:yta.j=cj},alors
xj[yta.jcj]=0pourtoutj=1,2,...,n.
Alorslaconclusionduthormedcouleduthormefaibledescartscomplmentaires.
Supposonsdoncquelaconditiond'optimalitn'estpassatisfaite.Alors,lasolutionoptimaledu
primalrestreintesttellequeetz>0.Rappelonsmaintenantquelevecteurdesmultiplicateursdu
simplexepourleprimalrestreintestunesolutionoptimaleudesondual(4.8.4)lorsquelabase
estoptimalepour(4.8.3)et,btu=etz>0.
Danslebutdedterminerunnouveaupointralisableduproblmedual(4.8.2),considronsle
vecteury+u.Deuxcasdoiventtreconsidrsindpendamment:
1ercas: uta.j0pourtoutj=1,2,...,n
Lepointy+uestunpointralisableduproblmedual(4.8.2)pourtoutevaleurde
Sionvaluel'objectifde(4.8.2),onobtient:
bt(y+u)=bty+btu lorsque
Par consquent, le problme dual (4.8.2) n'est pas born suprieurement; d'o, le problme
primal(4.8.1)n'apasdepointralisable.
2imecas: j(1jn)telqueuta.j>0.
Puisqueuestunpointralisableduproblmedualrestreint(4.8.4),alors
uta.j0, j
Parconsquent,(y+u)ta.jcjpourtoutj.
Pourquey+usoitunpointralisableduproblmedual(4.8.2),ilestdoncncessaireque
(y+u)ta.j=yta.j+uta.jcjpourtoutj.
Par consquent, la plus grande valeur que peut prendre pour que y + u soit un point
ralisablede(4.8.2)estdonneparlarelationsuivante:
Danscecas,onentreprendunenouvelleitrationdelamthodeavecy+u.
Ilimportedenoterquelavaleurdel'objectifduproblmedual(4.8.2)aaugmentpuisque
bt(y+u) = bty+btu>bty
tantdonnquebtu>0et>0.
L'algorithmeprimaldualdusimplexesersumecommesuit:
Initialisation.
Dterminonsunpointralisableduproblmedual(4.8.2).
tape1.
tape2.
Utilisonsl'algorithmedusimplexepourrsoudreleproblmeprimalrestreint(4.8.3).
Silavaleuroptimaledel'objectifde(4.8.3)estgale0,alorslesvaleursqueprennentles
variables xj dans cette solution constituent une solution optimale du problme primal
(4.8.1).L'algorithmesetermine.
Autrement,onprocdel'tape3.
tape3.
Dterminonsunesolutionoptimaleuduproblmedualrestreint(4.8.4)enutilisantles
multiplicateursdusimplexeassocislabaseoptimalede(4.8.3).
Siuta.j0pourtoutj=1,2,...,n
alors leproblmeprimal(4.8.1)necomportepasdepointralisableet
l'algorithmesetermine.
S'ilexisteaumoinsunindicejtelqueuta.j>0
alors dfinissonsunnouveaupointralisabley+uduproblmedual
(4.8.2).
Onrptel'tape1aveccenouveaupointralisabley+u.
Quelquesremarquess'imposent.
Lapremireestlasuivante: k.
Laseconderemarqueserapportelarsolutionduprimalrestreintl'tape2.Notonsquetout
indice j pour lequel xj > 0 dans la solution optimale du primal restreint appartiendra
ncessairementl'ensemblequiseraconstruitl'itrationsuivante;c'estdireque(y+u)ta.j
=cj.Eneffet,grceauthormedescartscomplmentairesappliquaucoupleprimaldual
restreint(4.8.3)(4.8.4),ildcoulequexj>0impliqueuta.j=0et,parconsquent,
(y+u)ta.j=yta.j+uta.j=yta.j=cj.
Donc,lasolutionoptimaleduproblmeprimalrestreint(4.8.3)constitueunepremiresolution
de base ralisable pour le nouveau problme primal restreint associ au nouvel ensemble
correspondanty+ u.Ilsuffitd'exprimera.kentermedecettebasepouravoiruneforme
canoniquedunouveauproblmeprimalrestreint(c'estdirexkdevientunevariabledebase).
Finalement,ilconvientdenoterquelecotrelatifdelavariablex kdanscetteformecanonique
estdonnpar0uta.j<0,et,parconsquent,lavaleurdel'objectifdunouveauproblmeprimal
restreintdiminuelorsquelavaleurdexkaugmente(sousl'hypothsedenondgnrescence).
Exemple4.8.1
Utiliserl'algorithmeprimaldualpourrsoudreleproblmesuivant:
sujet x1+ x2 8
8x1 x2 9x3 1
x10
x20
x30.
Aprsavoirintroduitlesvariablesd'cartx4etx5,leproblmedevient:
sujet x1+ x2 x4 =8
8x1 x2 9x3 x5 =1
x10x20x30x40x50.
Notonsquey=(0,0.5)testunpointralisablepourledualdeceproblme.Alors,etle
primalrestreintassociest:
Min= z1+ z2
sujet x1 x4+ z1 =8
8x1 +z2 =1
x10
x40
z10
z20.
Unesolutionoptimaledeceproblmeestz1=77/8,x1=1/8,x4=z2=0:
x1 x4 z1 z2
0 1 1 1/8 0 77/8
1 0 0 1/8 0 1/8
0 1 0 9/8 1 77/8.
Unesolutionoptimalepourledualdeceproblmeest:
u = 1 0 1 = 1
1/8 1/8 0 1/8
Puisqueuta.2=(11/8)(11)t= 11/8>0,onpoursuitl'algorithmepourdterminery+ u,
unnouveaupointralisabledudualduproblmeoriginal.
Lavaleur
= { }
Min (1+1/2)/(9/8),(1+9/2)/(9/8),(0+1/2)/(1/8) =4/3
= (c2yta.2)/(uta.2).
Ainsi,y+u=(4/3,1/3)tet
Leprimalrestreintassociest:
Min= z1+ z2
x1 x2 z1 z2
0 9/8 1 1/8 0 77/8
1 1/8 0 1/8 0 1/8
0 9/8 0 9/8 1 77/8.
x1 x2 z1 z2
0 1 8/9 1/9 0 7
1 0 1/9 1/9 0 1
0 0 1 1 1 0.
onacommesolutionoptimaledeceproblmex1=1,x2=7.Puisque=0,ilendcoulequex1
=1,x2=7etx3=0estunesolutionoptimaleduproblmeoriginal.
Exemple4.8.2
Rsolvonsleproblmedeprogrammationlinairesuivant:
MinZ=2x y 3z
Aprsl'introductiondesvariablesd'cart,onobtient:
MinZ=2x y 3z
Ledual(D)duproblme(P)est:
Soit(1,0,0)unesolutionralisablede(D),alors1={1,5,6} l'ensembledesindicesdes
contraintessaturesdudual(D).
Associonscesousensemble1leproblmeprimalrestreintsuivant:
Enutilisantl'algorithmeprimaldusimplexe,nousrsolvonsleproblme(PR1),
x e2 e3 a1 a2 a3
2 0 0 1 0 0 0 120
1 1 0 0 1 0 0 50
1
0
1
0
0
1
0
50
4 1 1 0 0 0 1 220
x e2 e3 a1 a2 a3
0 2 0 1 2 0 0 20
1 1 0 0 1 0 0 50
0
1
1
0
1
1
0
0
0 3 1 0 4 0 1 20
x e2 e3 a1 a2 a3
0 2 0 1 2 0 0 20 (TO1)
1 1 0 0 1 0 0 50
0
1
1
0
1
1
0
0
0 2 0 0 3 1 1 20
Puisque=20>0,alorsdterminonsunesolutionoptimaleduproblmedualrestreint:
Ils'agitdecalculerlesmultiplicateursdusimplexeassocisautableauoptimal(TO1)prcdent:
1 2 0t 1 1
0 1 0 0= 2
0 1 1 0 0
onpoursuitl'algorithmepourdterminer(1,0,0)+(1,2,0)=(1+,2,0),unnouveaupoint
ralisabledudualduproblmeoriginal:
4+43et1+0 1/4
\ =1/4
Ainsi,lenouveaupointralisablepour(D)est:(3/4,1/2,0)et2={1,3,6}.
Associonscesousensemble2leproblmeprimalrestreintsuivant:
Enrutilisantletableauprcdent(TO1),onobtientaprsavoircalcul
B1a.3 = 1 2 0 4 4
0 1 0 0= 0
0 1 1 2 2
et c3 = 0(1,2,0)a.3=4,
x z e3 a1 a2 a3
0 4 0 1 2 0 0 20
1 0 0 0 1 0 0 50
0
2
1
0
1
1
0
0
0 4 0 0 3 1 1 20
x z e3 a1 a2 a3
0 0 2 1 0 2 0 20 (TO2)
1 0 0 0 1 0 0 50
0
1
1/2
0
1/2
1/2
0
0
0 0 2 0 1 3 1 20
Puisque=20>0,alorsdterminonsunesolutionoptimaleduproblmedualrestreint:
9/4+311et3/4+0 3/4
\ =3/4
Ainsi,lenouveaupointralisablepour(D)est:(0,1/2,3/2)et3={1,2,3,4}.
Associonscesousensemble3leproblmeprimalrestreintsuivant:
Enrutilisantletableauprcdent(TO2),onobtientaprsavoircalcul
B1a.2= 1 0 2 3 3
0 1 0 2= 2
0 1/2 1/2 0 1
et c2 = 0(1,0,2)a.2=3,
B1a.4= 1 0 2 1 1
0 1 0 0= 0
0 1/2 1/2 0 0
et c4 = 0(1,0,2)a.4=1,
x y z e1 a1 a2 a3
0 3 0 1 1 0 2 0 20
1 2 0 0 0 1 0 0 50
0
1
1
0
0
1/2
1/2
0
0
0 3 0 1 0 1 3 1 20
x y z e1 a1 a2 a3
0 0 0 0 1 1 1 1 0
Puisque=0alorsl'algorithmetermineetlasolutionoptimalede(P)est:x=110/3,y=z=20/3,
e1=e2=e3=0avecZ=100.
Exemple4.8.3
Soitrsoudreleproblmesuivant:
Aprsdivisiondelapremirequationpar3,lesystmeapparatsousformeexpliciteparrapport
auxvariablesdebasex1,x2,x3:
u, v, w 0
14/3u +16v +3w 107
1/3u +1/2v 1
1/3u 2v 2
Ledual(D)nepossdepasdepointralisableetleprimal(P)possdedespointsralisables
alors(P)nepossdepasdesolutionoptimalefinie.
Exemple4.8.4
Soitrsoudreleproblmesuivant:
Min Z= x +y
sujet x y 1
y 1
x 3
x, y 0
ou,aprsintroductiondesvariablesd'cartetdesurplus,
Min Z= x +y
sujet x y +e1 = 1
y +e2 = 1 (P)
x s1 = 3
x, y, e1, e2, s1 0
Ledual(D)duproblme(P)est:
Max u +v +3w
u +w 1 (D)
u +v 1
u, v 0
w 0
Soit(1,0,1)unesolutionralisablede(D),alors1={2,4}.Associonscesousensemble1
leproblmeprimalrestreintsuivant:
Enutilisantl'algorithmeprimaldusimplexe,onrsoudleproblme(PR1),
y e2 a1 a2 a3
1 0 1 0 0 0 1
1 1 0 1 0 0 1
0
0
0
0
1
0
3
0 1 0 0 0 1 5
y e2 a1 a2 a3
1 0 1 0 0 0 1 (TO1)
1 1 0 1 0 0 1
0
0
0
0
1
0
3
1 0 0 1 0 1 4
Puisque=4>0alorsdterminerunesolutionoptimaleduproblmedualrestreint:
Max u +v +3w
sujet u +v 0 (DR1)
v 0
u, v, w 1
Ils'agitdecalculerlesmultiplicateursdusimplexeassocisautableauoptimal(TO1)prcdent:
1 0 0t 1 1
0 1 0 0= 0
0 0 1 1 1
onpoursuitl'algorithmepourdterminer(1,0,1)+(1,0,1)=(1+ ,0,+1),unnouveau
pointralisabledudualduproblmeoriginal:
\ =1/2
Ainsi,lenouveaupointralisablepour(D)est:(1/2,0,3/2)et2={1,4}.
Associonscesousensemble2leproblmeprimalrestreintsuivant:
sujet x +a1 =1
e2 +a2 =1 (PR2)
x +a3 =3
x, e2, a1, a2, a3 0.
Enrutilisantletableauprcdent(TO1),onobtientaprsavoircalcul
B1a.1 = 1 0 0 1 1
0 1 0 0= 0
0 0 1 1 1
et c1 = 0(1,0,1)a.1=2,
x e2 a1 a2 a3
1 0 1 0 0 0 1
0 1 0 1 0 0 1
1
0
0
0
1
0
3
2 0 0 1 0 1 4
x e2 a1 a2 a3
1 0 1 0 0 0 1 (TO2)
0 1 0 1 0 0 1
1
0
1
0
1
0
2
2 0 2 1 0 1 2
Puisque=2>0,alorsdterminonsunesolutionoptimaleduproblmedualrestreint:
Max u +v +3w
u +w 0 (DR2)
v 0
u, v, w 1.
Ils'agitdecalculerlesmultiplicateursdusimplexeassocisautableauoptimal(TO2)prcdent:
1 0 0t 0 1
0 1 0 0= 0
1 0 1 1 1
+1/21 1/2
\ =1/2
Ainsi,lenouveaupointralisablepour(D)est:(1,0,2)et3={1,2,4}.
Associonscesousensemble3leproblmeprimalrestreintsuivant:
Enrutilisantletableauprcdent(TO2),onobtientaprsavoircalcul
B1a.2 = 1 0 0 1 1
0 1 0 1= 1
1 0 1 0 1
et c2 = 0(1,0,1)a.2=1,
x y e2 a1 a2 a3
1 1 0 1 0 0 0 1
0 1 1 0 1 0 0 1
0
1
0
1
0
1
0
2
0 1 0 2 1 0 1 2
x y e2 a1 a2 a3
1 0 1 1 1 0 0 2 (TO3) 0
1 1 0 1 0 0 1
0
0
1
1
1
1
0
1
0 0 1 2 2 0 1 1
Puisque=1>0,alorsdterminonsunesolutionoptimaleduproblmedualrestreint:
Max u +v +3w
u +w 0 (DR3)
u +v 0
v 0
u, v, w 1.
Ils'agitdecalculerlesmultiplicateursdusimplexeassocisautableauoptimal(TO3)prcdent:
1 1 0t 0 1
0 1 0 0= 1
1 1 1 1 1
alorsleproblme(P)necomportepasdepointralisableetl'algorithmesetermine.