DUALIT CHAPITRE

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.

Parailleurs,unecompagnie fabriquedes aliments artificiels (quelefermierpeutacheter)et

chacundeces"aliments"contientunlmentnutritifl'tatpur.

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.

Onsupposeque ai= bj.

i j
Leproblmeestlesuivant:

Min ctx cijxij

i,j

sujet xij=ai i (P)

j

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.

Profitpotentiel: aiui+ bjvj.

i j

Leproblmes'crit:

Max aiui+ bjvj (D)

i j

sujet ui+vjcij i,j.

(D)estledualde(P)etviceversa.
4.2 Problmeprimaletproblmedual

Sileproblme deprogrammation linaire est exprim sous uneforme oseretrouvent des

contraintesd'ingalit,alorsapparatlecoupleprimaldualsuivant:

Problmeprimal Problmedual

Min ctx Max bty

sujet Axb (4.2.1) sujet Atyc (4.2.2)

x0 y0

oc,x n, etb,y m,

etAestunematricededimensionmxn.

Parcontre,sileproblmedeprogrammationlinairesetrouvesouslaformestandard,alorson
retrouvelecoupleprimaldualsuivant:

Problmeprimal Problmedual

Min ctx Max bty

sujet Ax=b (4.2.3) sujet Atyc (4.2.4)

x0

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

contraintei = variableyi libre

variablexj 0 contraintej

variablexj 0 contraintej

variablexj libre contraintej =

vecteurdescots termeconstant

termeconstant vecteurdescots

Figure4.2.1Tableaudecorrespondance
Exemple4.2.1

Considronsleproblmeprimalsuivantsoussaformegnrale:

Minz= 2x1 +x2 x3

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:

Minz= 2x1 +x2 x3 +x4

2x1 +x2 x3 +x4 +e1 =8

x1 +x3 x4 e2 =1
x1 +2x2 +3x3 3x4 =9
x1,x2,x3,x4,e1,e20.

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:

Eneffet,bty=xtAtyxtc puisqueAtyc etquex0.

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

Six* {x:Ax=b,x0}ety* {y:Atyc},etsibty*=ctx*,alorsx*ety*sontdes

solutionsoptimalespourlesproblmes(4.2.3)et(4.2.4)respectivement.

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.

Parconsquent, ta.jcj, j=1,2,...,n,cequipeuts'crire Atc.

Ainsi, {y: Atyc}.

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:

Min W= 20x +10y

sujet 5x +y 6
2x +2y 8
x, y 0.
Reprsentgraphiquement,nousavons:
 Z, W

(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)

Rgion ralisable de (P) Rgion ralisable de (D)

Rgion ralisable commune (P) et (D).

Parlebiaisdelapreuveduthorme4.3.2,onvoitquelevecteur desmultiplicateurs du
simplexe,disponiblelorsquenousrsolvonsleprimal,estsolutionoptimaledudual(lorsquele
primalestl'optimum).Nousrsolvonsdonclesdeuxproblmesdummecoup!

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:

Minz= x2y Max w= 2u+3v

sous xy=2 uv1

x+y=3 u+v2
x,y0 u,vlibres.

Onpeutrsumertouslesrsultatsprcdentsdansuntableaucommesuit:

Primal

n'admet pas de fonction solution

solutions objective non optimalefinie
ralisables borne

Dual n'admet pas de peutarriver thormefaible thorme

solutions fondamental
ralisables

fonction objective thormefaible thormefaible thormefaible

nonborne

solution optimale thorme thormefaible thorme

finie fondamental fondamental

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

x*+ Dx* = B1(b+Db)0 o Dx*=B1Db.

B B B

Lavaleurdel'objectifduproblmeperturbdevient:

t(x*+ Dx*)
B B

et,ainsi,lamodificationimpliquedanslavaleurdel'objectifdevient:

Dz*= tDx*= tB1Db= ytDb= Dbiyi.

B i=1,2,...,m

Doncyi indiquelechangementunitairedanslavaleurdel'objectiflorsqu'onmodifieb i d'une

quantit Dbi assezfaiblepours'assurerquelammebasedemeureoptimalepourleproblme
perturb.

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)

Soitx {x: Ax=b,x0} et y {y: Atyc}.

xetysontdessolutionsoptimalespour(4.2.3)et(4.2.4)respectivement
sietseulementsi
pourtoutj=1,2,...,n

i) xj>0 a.jty=cj

ii) a.jty<cj xj=0.

Note:Onqualifiesouventunecontrainte(ou)desaturelorsqu'elleestvrifieaveclesigne
=etdelchelorsqu'elleestvrifieaveclesigne>(ou<).

Dmonstration:

Supposonsquelesconditionsi)ouii)sontsatisfaitespourtoutj=1,2,...,n.Alors,

xj[a.jtycj] =0, j=1,2,...,n.

Donc,

xj[a.jtycj] =0.
j=1,2,...,n
Or,

xj[a.jtycj] = xja.jty cjxj

j=1,2,...,n j=1,2,...,n j=1,2,...,n

= 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

Soitx {x: Axb,x0} et y {y: Atyc,y0}.

xetysontdessolutionsoptimalespour(4.2.1)et(4.2.2)respectivement
sietseulementsi
pourtoutj=1,2,...,n

i) xj>0 a.jty=cj

ii) a.jty<cj xj=0

etpourtouti=1,2,...,m

iii) yi>0 ai.x=bi

iv) ai.x>bi yi=0.
Dmonstration:

Transformons le problme (4.2.1) sous une forme standard en introduisant des variables de
surplus:
Min ctx

sujet Axz=b (4.5.1.1)

x,z0.

Ledualestalors
Max bty

sujet Atyc (4.5.1.2)

y0.

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

ii) a.jty<cj xj=0

iii) zi>0 yi=0 ouencore

ai.x>bi yi=0

iv) yi>0 zi=0 ouencore

yi>0 ai.x=bi.

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:

L(x;, )=f(x)+tg(x)+th(x) avecxC, 0

og(x)=(g1(x),g2(x),...,gk(x)),h(x)=(h1(x),h2(x),...,hm(x)),m,k.

Dfinition4.5.2.1

tant donnun couple de problmes duals en programmation linaire, (4.2.1) et (4.2.2),on

appellelagrangienassocicesproblmeslafonctiondesvariablesxety

L(x,y) = ctx+btyytAx, x0ety0.

Analysonslespropritsdulagrangienenprogrammationmathmatiquepourendduirecertains
concepts de dualit en programmation linaire. Nous avons d'abord l'ingalit de dualit
suivante :1

sup inf L(x;, ) inf sup L(x;, )

, 0 xC xC , 0

car,onpeutconstaterfacilementque,pourtoutpointxCettoutepairedemultiplicateurs(,
)avec 0,ona: inf L(x;, ) L(x;, )
xC

et,parconsquent, sup inf L(x;, ) sup L(x;, )

, 0 xC , 0

Danscesingalits,ilestncessaired'utiliserlesconceptsd'infimumetdesupremum,carrien
1

nepermetd'affirmeraprioriquelesmaximumsoulesminimumsexistentousoientatteints.
delaquelleontirel'ingalitdedualitprcdente.

Remarquonsalorsque sup L(x;, ) = f(x) sih(x)=0etg(x)0

, 0 autrement.

desortequelemembrededroitedel'ingalitdedualitcorrespondexactementauproblme
d'optimisationoriginal.Pourcetteraison,onappelleceproblmeleprimal,soit:

(P) inf sup L(x;, )

xC , 0

Parsymtrie,onnommeduall'autreproblmed'optimisationformuldanslemembredegauche
del'ingalit,soit:

(D) sup inf L(x;, )

, 0 xC

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.

Dans le cas particulier de la programmation linaire, lorsque le primal (P) correspond au

programmelinairestandardquisuit:

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:

L(x,y) L(x,y) L(x,y)

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

Lacondition estncessaire:si x et y sontdesprogrammes dualsoptimaux,ona,d'aprsle

thorme4.5.1.1,

ctx=ytAx= ytb =L(x,y).

D'autrepart,pourtoutx0ety0,

L(x,y)=ctx+btyytAx ctx =L(x,y)

L(x,y)=ctx+btyytAx bty =L(x,y).

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(x,0) L(0,0) L(0,y)

pourobtenirctxbty,cequiprouvequexetysontdessolutionsoptimales(thorme4.3.1).

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=1,2,...,m (4.6.2)

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

cjta.j+akj0 sim<jn avec>0.

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

= Min {cjta.j :akj<0}= csta.s = cs(4.6.4)

m<jn _______ ________ ___
akj aks aks

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

Dterminonsunesolutiondebaseoxj ,xj ,...,xj sontlesvariablesdebasetellequecj

1 2 m
0pourtoutj=1,2,...,n.

tape1.

Sixj 0pourtouti=1,2,...,malorslasolutiondebaseestralisableetoptimaleet
i
l'algorithmesetermine.

S'ilexisteaumoinsunindiceitelquexj <0,onprocdel'tape2.
i
tape2. Critredesortie

Dterminonsl'indicertelque

xj =Min{xj :xj <0,i=1,2,...,m}.

r i i
tape3. Critred'entre

Si arj 0pourtoutj=1,2,...,nalors{x:Ax=b,x 0}estvideetl'algorithmese

termine.

S'ilexisteaumoinsunindicejtelquearj<0,alorsdterminonsl'indicestelque

crars = Min {cj/arj:arj<0}.

1jn
tape4.

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

0 0 1/3 1 2/3 1/3 0 110/3

0 1 2/3 0 1/3 1/3 0 5/3

1 0 4/3 0 1/3 2/3 0 35/3

0 0 4/3 0 1/3 1/3 1 40/3

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:

xL+ aLjxj=xL, LI (4.7.1)

jJ

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.

La composante x0 est la seule tre explicitement fonction de M et est strictement

positive.

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

Lamthode primaledualenedoitpas treconsidre commeentirement nouvelle, carelle

utilisel'algorithmedusimplexecommesousmthode.Lamthodenesemblepastellement
utilisepourrsoudredesproblmesgnrauxdeprogrammationlinaire.Unevariantedecette
mthodeesttrsutilisepourrsoudredesproblmesdeprogrammationlinairedfinissurdes
rseauxetestconnuesouslenomdelamthodedesarcsnonconformes(techniqueoutof
kitter).

Leprincipedelamthodeconsistetravaillersimultanmentsurlesproblmesprimaletdual:
partantd'unprogrammedualetd'unesolutionirralisableduprimal,choisiedefaonquele
thormedescartscomplmentairessoitsatisfait,cettemthodeamlioredefaonitrativela
solutionduprimal;lorsquecellecidevientprimaleralisable,lasolutionestoptimale.

Les diffrentes tapes de l'algorithme peuvent tre schmatiquement dcrites de la faon

suivante:

a) dterminerunesolutiondualeralisable;

b) associer cette solutiondualeralisableunproblmeprimalrestreint dduitduprimal

original enyannulantcertaines variables, defaon satisfaire authorme faibledes
carts complmentaires et enremplaant la formelinaire primitive parla somme des
variablesartificielles;

c) rsoudre le primal restreint, c'estdire minimiser la somme des variables artificielles;

cetteminimisationrequiertengnrall'applicationdel'algorithmedusimplexe;

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

sujet Ax=b (4.8.1)

x0

etsonproblmedual

Max bty

sujet Atyc. (4.8.2)

Supposonsquey{y:Atyc}.Dfinissonslensemblencommesuit:

={j:yta.j=cj}.
Ainsi,puisqueyestunesolutiondualeralisable,yta.j<cjpourtoutjassocionsausous
ensembleleproblmeprimalrestreintsuivant:
 Min etz

sujet Ax+ Iz=b (4.8.3)

x0, xj=0 sij
z0

oe=[1,1,...,1]tm.

Leproblmedualdeceprimalrestreints'critalors:

Max btu

sujet uta.j0, pourtoutj (4.8.4)

ue.

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:

= Min {(cjyta.j)/(uta.j): uta.j>0}= (ckyta.k)/(uta.k).

1jn

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.

Dterminons l'ensemble associ au point ralisable du problme dual (4.8.2) et le

problmeprimalrestreintassoci.

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).

La convergence de l'algorithme est tablie en observant que, sous l'hypothse de non

dgnrescence, chaque itration de l'algorithme ou bien la valeur de l'objectif du primal
restreintdiminueoubienondtectequeleproblmeprimal(4.8.1)n'apasdesolution.

Exemple4.8.1

Utiliserl'algorithmeprimaldualpourrsoudreleproblmesuivant:

Minz= 4x1+ x2+ x3

sujet x1+ x2 8
8x1 x2 9x3 1
x10
x20
x30.

Aprsavoirintroduitlesvariablesd'cartx4etx5,leproblmedevient:

Minz= 4x1+ x2+ x3

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

sujet x1+ x2+ z1 =8

8x1 x2 +z2 =1
x10
x20
z10
z20.
Enrutilisantletableauprcdentcommesuit:

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

sujet 2x +3y +4z 120

x +2y 50
x +2z 50
x, y, z 0.

Aprsl'introductiondesvariablesd'cart,onobtient:
 MinZ=2x y 3z

sujet 2x +3y +4z +e1 =120

x +2y +e2 =50 (P)
x +2z +e3 =50
x, y, z, e1, e2, e3 0.

Ledual(D)duproblme(P)est:

Max 120u +50v +50w

2u +v +w 2 (D)
3u +2v 1
4u +2w 3
u, v, w 0

Soit(1,0,0)unesolutionralisablede(D),alors1={1,5,6} l'ensembledesindicesdes
contraintessaturesdudual(D).

Associonscesousensemble1leproblmeprimalrestreintsuivant:

Min= a1 +a2 +a3

sujet 2x +a1 =120
x +e2 +a2 =50 (PR1)
x +e3 +a3 =50
x, e2, e3, a1, a2, a3 0.

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:

Max 120u +50v +50w

2u +v +w 0 (DR1)
v 0
w 0
u, v, w 1.

Ils'agitdecalculerlesmultiplicateursdusimplexeassocisautableauoptimal(TO1)prcdent:

1 2 0t 1 1
0 1 0 0= 2
0 1 1 0 0

Puisque (1,2,0)a.1=0 (1,2,0)a.4=1>0

(1,2,0)a.2=10 (1,2,0)a.5=2
(1,2,0)a.3=4>0 (1,2,0)a.6=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:

Min= a1 +a2 +a3

sujet 2x +4z +a1 =120
x +a2 =50 (PR2)
x +2z +e3 +a3 =50
x, z, e3, a1, a2, a3 0.

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:

Max 120u +50v +50w

2u +v +w 0 (DR2)
4u +2w 0
w 0
u, v, w 1.
Ils'agitdecalculerlesmultiplicateursdusimplexeassocisautableauoptimal(TO2)prcdent:
1 0 2t 1 1
0 1 0 0= 0
0 1/2 1/2 0 2

Puisque (1,0,2)a.1=0 (1,0,2)a.2=3>0

(1,0,2)a.3=0 (1,0,2)a.4=1>0
(1,0,2)a.5=0 (1,0,2)a.6=2

onpoursuitl'algorithmepourdterminer(3/4,1/2,0)+ (1,0,2)=(3/4+ ,1/2,2),un

nouveaupointralisabledudualduproblmeoriginal:

9/4+311et3/4+0 3/4
\ =3/4

Ainsi,lenouveaupointralisablepour(D)est:(0,1/2,3/2)et3={1,2,3,4}.

Associonscesousensemble3leproblmeprimalrestreintsuivant:

Min= a1 +a2 +a3

sujet 2x +3y +4z +e1 +a1 =120
x +2y +a2 =50 (PR3)
x +2z +a3 =50
x, y, z, e1, a1, a2, a3 0.

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 1 0 1/3 1/3 0 2/3 0 20/3 (TO3)

1 0 0 2/3 2/3 1 4/3 0 110/3
0
0
1
1/3

1/3
1/2
1/6

0
20/3

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:

Min Z= 107x4 x5 2x6

sujet 3x1 +14x4 +x5 x6 = 7

x2 +16x4 +1/2x52x6 = 5
x3 +3x4 = 0
x1, x2, x3, x4, x5, x6 0

Aprsdivisiondelapremirequationpar3,lesystmeapparatsousformeexpliciteparrapport
auxvariablesdebasex1,x2,x3:

Min Z= 107x4 x5 2x6

sujet x1 +14/3x4 +1/3x5 1/3x6 =7/3

x2 +16x4 +1/2x5 2x6 =5
x3 +3x4 =0
x1, x2, x3, x4, x5, x6 0
Ledual(D)duproblme(P)est:

Max 7/3u +5v

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:

Min= a1 +a2 +a3

 sujet y +a1 =1
y +e2 +a2 =1 (PR1)
+a3 =3
y, e2, a1, a2, a3 0.

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

Puisque (1,0,1)a.1=2>0 (1,0,1)a.2=10

(1,0,1)a.3=1>0 (1,0,1)a.4=0
(1,0,1)a.5=1,

onpoursuitl'algorithmepourdterminer(1,0,1)+(1,0,1)=(1+ ,0,+1),unnouveau
pointralisabledudualduproblmeoriginal:

1++1+ 1et1+0 1/2

\ =1/2

Ainsi,lenouveaupointralisablepour(D)est:(1/2,0,3/2)et2={1,4}.
Associonscesousensemble2leproblmeprimalrestreintsuivant:

Min= a1 +a2 +a3

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

Puisque (1,0,1)a.1=0 (1,0,1)a.2=1>0

(1,0,1)a.3=1 (1,0,1)a.4=0 (1,0,1)a.5=1

onpoursuitl'algorithmepourdterminer(1/2,0,3/2)+ (1,0,1)=(1/2 ,0, +3/2),un

nouveaupointralisabledudualduproblmeoriginal:

+1/21 1/2
\ =1/2

Ainsi,lenouveaupointralisablepour(D)est:(1,0,2)et3={1,2,4}.

Associonscesousensemble3leproblmeprimalrestreintsuivant:

Min= a1 +a2 +a3

sujet x y +a1 =1
y +e2 +a2 =1 (PR3)
x +a3 =3
x, y, e2, a1, a2, a3 0.

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

Puisque (1,1,1)a.1=0 (1,1,1)a.2=0

(1,1,1)a.3=1 (1,1,1)a.4=1
(1,1,1)a.5=1

alorsleproblme(P)necomportepasdepointralisableetl'algorithmesetermine.