Cours 3
Transcription
Cours 3
H LA B D E BL ID A Cours de Programmation Linéaire donné par le Dr. Ali DERBALA D A Cours 03 : A D Interprétation géométrique de la U N IV ER SI TE SA programmation linéaire Cours 03 : Interprétation géométrique de la Programmation Linéaire 27 Cours de Programmation Linéaire donné par le Dr. Ali DERBALA On appelle " espace vectoriel V " un ensemble de vecteurs tel que la somme de vecteurs quelconques de V et le produit d'un vecteur quelconque par un scalaire appartiennent aussi à V ce qui s'exprime par : ∀ (x, x')∈ V2, ∀ (λ,λ')∈ 2 , λ.x + λ'.x' ∈ V. On appelle " variété linéaire " V dans n un ensemble de vecteurs de n tel que ∀ (x, y)∈ V2, ∀λ∈ , λ.x + (1 -λ).y ∈ V. Toute variété linéaire est de la forme V = x + M où M est un sous espace vectoriel de ID A n. Si x est un vecteur fixé, inversement x + M est une variété linéaire de n. BL Si x = On , V = M est un sous espace de n et dim V = dim M. D E Exemple 1. Dans 3, tout demi-plan et toute droite ne passant pas par l'origine sont des sous variétés linéaires. Tout demi-plan et toute demi-droite passant par l'origine LA B sont des sous espaces de n. H Définition 1: On appelle ensemble convexe C un ensemble tels que D A ∀ (x1, x2)∈ C2, ∀λ, 0 ≤ λ ≤ 1, ∈ , λ.x1 + (1 -λ).x2 ∈ C D Propositions 1 : A 1. Si C ⊆ n est convexe et β∈ alors l'ensemble β. C = { x / x = β.c, c ∈C}est SA convexe. SI TE 2. Si C et D sont convexes alors C + D = { x / x = c + d, c∈C et d∈D} est convexe. 3. L'intersection d'une collection d'ensembles convexes est convexe. IV ER Définitions 2 : soit A ⊆ n un sous ensemble quelconque de n. On appelle " enveloppe convexe " de A notée <A>, l'intersection de tous les <A> = { λ.x, λ ∈, x ∈A } U N ensembles convexes contenant A. Définition 3 : On appelle " cône " C un ensemble de points tel que ∀ x∈ C, ∀λ, λ ≥ 0, λ.x ∈ C. On appelle " cône convexe " C, un cône qui est un ensemble convexe. Cours 03 : Interprétation géométrique de la Programmation Linéaire 28 Cours de Programmation Linéaire donné par le Dr. Ali DERBALA Il se caractérise par le fait qu'il soit un ensemble qui s'il contient un point x, il contient aussi le rayon (demi-droite issue de l'origine) passant par x. Définitions 3 : Un hyperplan est une variété linéaire de dimension (n-1) (ou de codimension égale à un) A Proposition 2 (Caractérisation d'un hyperplan) : Soit H un hyperplan dans n. ID Il existe un vecteur a ∈n et une constante c tel que H = { x ∈n / a . x = c }. M est un sous espace vectoriel (s.e.v) de H et dim M = dim H ( à montrer!). E Soit a = (a1, a2, .., an) un vecteur orthogonal à M ⇔ ∀ x∈ M, a. x = 0. BL Preuve : Soit x1∈ H, posons M = H - x1. D Alors a. x1 = c car x1∈ H. H ⊆ { x / a . x = c }. LA a. (x - x1) = 0 ⇔ a . x = a . x1= c. ⇔ a . x = c ⇔ B ∀ x∈ H, x - x1 ∈ M car M = H - x1. H H est de dimension (n-1) et contenu dans l'espace { x / a . x = c }alors forcément A H = { x / a . x = c }. ( à la seule condition de montrer que {x / a . x = c } est de D dimension (n-1)!!!). En effet, la résolution de l'équation A a a c a2 λ1- 3 λ2-…- n λn-1, si on fixe x2 = λ1, x3 = λ2, …, xn = λn-1. a1 a1 a1 a1 SI TE D'où H = { x / a . x = c }. SA x1 = D a . x = a . x1 + a . x2 + …+ a . xn = c admet comme solution Définitions 5 : Soient a = ( a1, …, an) un vecteur de n et c∈. On appelle : demi espace positif fermé l'ensemble H+ = { x / a.x ≥ c} - demi espace négatif fermé l'ensemble H- = { x / a.x ≤ c} - IV ER - - demi espace positif ouvert l'ensemble H 0+ = { x / a.x > c} U N demi espace négatif ouvert l'ensemble H 0− = { x / a.x < c} H+ ∪ H - = n Tout hyperplan et tout demi espace sont convexes. Cours 03 : Interprétation géométrique de la Programmation Linéaire 29 Cours de Programmation Linéaire donné par le Dr. Ali DERBALA Définition 6 : On appelle polytôpe (ou tronçon) l'intersection d'un nombre fini de demi espaces fermés de n. Un polytôpe est un ensemble convexe fermé. On appelle " polyèdre " un polytôpe convexe borné (non vide). C'est un ensemble compact. On définit un produit scalaire, une forme bilinéaire définie positive par : n a. x = <a, x> = ∑ a i x i (1) x ∈C Preuve : Soit f(x) = | x - y | et supposons que C soit borné (un compact). D E F est continue sur C, atteint son minimum δ > 0 en un point x0∈ C. BL I alors il existe un vecteur a ∈n tel que <a, y> < inf < a , x > D Théorème 1 : Soient C un ensemble convexe fermé et y un point extérieur à C (y∉C) D'où, min x − y = x 0 − y = δ . Soit a = x0 - y et montrons que " a " satisfait (1). B x∈C LA Soit x∈ C et 0 ≤ α ≤ 1, on a z = α x + ( 1 - α ) x0 ∈ C d'où z = x0 + α ( x - x0 )∈ C. | x0 + α ( x - x0 ) - y | 2 ≥ | x0 - y | 2 H Calculons | z- y | ≥ | x0 - y | ⇔ A ⇔ < x0 - y + α ( x - x0 ), x0 - y + α ( x - x0 ) ≥ < x0 - y, x0 - y > D ⇔ α2 < x - x0, x - x0 > + 2 α < x0 - y, x - x0 > ≥ 0. D < x0 - y, x - x0 > ≥ 0 ⇔ < x0 - y, x > ≥ < x0 - y, x0 > A < x0 - y, x0 > = < x0 - y, x0 - y + y > = < x0 - y, y > +< x0 - y, x0 - y> SA < x0 - y, x > ≥ < x0 - y, y > + < x0 - y, x0 - y> inf < a , x > > <a, y>. TE x ∈C 2. Soit C non borné. Considérons { f(x) = | x - y |, x∈ C } borné inférieurement par 0. SI Soit Inf x − y = x 0 − y = δ et δ > 0 . ER x∈C Si δ 0 alors x0 - y = 0 ⇔ x0 = y. Ce qui est impossible car y∉C. IV Considérons une boule de centre y et de rayon 2δ. N B = { z / | x - y | ≤ 2δ2 } et l'ensemble C' = B ∩ C. U C' est convexe fermé et borné et y∉C. D'après le cas 1, on a inf < a , x > > <a, y>, C' ⊂ C. x ∈C' Si x∈ C - C' et x0∈ C' on a : x 0 − y = δ Cours 03 : Interprétation géométrique de la Programmation Linéaire A i =1 30 Cours de Programmation Linéaire donné par le Dr. Ali DERBALA | x0 + α ( x - x0 ) - y | 2 > | x0 - y | 2 inf x ∈C − C' < a , x > > <a, y> Ce théorème signifie que tout ensemble C convexe fermé et un point y∉C, il existe un hyperplan passant par y et tel que C soit contenu dans l'un des demi espaces ouvert qu'il définit. Remarque 1 : On appelle projection d'un point y sur un ensemble C convexe fermé A un point x0 tel que x0 - y = inf x − y = δ. BL I Théorème 2 : " C " un ensemble convexe fermé et y un point frontière de C alors il D x ∈C existe un hyperplan passant par y et tel que C soit contenu dans l'un des demi espaces D E fermés qu'il définit. B Définition 7 : Un hyperplan H passant par un point frontière de " C " convexe fermé LA et contenant C dans l'un des demi espaces fermés est appelé hyperplan de support ou d'appui. H S'il existe en y un hyperplan tangent alors il coïncide avec l'hyperplan d'appui et dans A D D A ce cas, l'hyperplan d'appui est unique! y H1 C SA On a représenté le cas où il n'existe pas de tangente bien que les droites passent par ce TE point. Définition 8 : Soit " C " un ensemble convexe fermé. On appelle extrême x (point ER SI extrême, point angulaire) tout point x de C s'il n'existe pas deux points distincts de C, x1 et x2 tels que x = α x1 + ( 1 - α) x2 ; 0 < α < 1. Géométriquement, x est un sommet s'il ne peut être trouvé à l'intérieur d'un segment IV reliant deux points distincts x1 et x2 dans C. U N x2 x x1 x3 Dans la figure ci dessus " x " n'est pas un sommet. Par contre, x1, x2 et x3 le sont. Cours 03 : Interprétation géométrique de la Programmation Linéaire 31 Cours de Programmation Linéaire donné par le Dr. Ali DERBALA Théorème 3 : La fonction objectif du problème de la programmation linéaire définie sur le polyèdre K atteint son minimum(resp. son maximum) en un point extrême de K. D A (1) (2) (3) BL I min z = cx Preuve : soit un PL sous forme standard (P) Ax = d x≥0 Soient x1 , …, x p les points extrêmes de K et x0 une solution optimale de (1)-(3). p i =1 i =1 D p i =1 i =1 LA p B Alors x0 = ∑ λ i x i et où ∑ λ i = 1, avec λ i ≥ 0 p E Supposons le contraire, que x0 n'est pas un point extrême de K . Z(x0)= Z( ∑ λ i x i ) = ∑ λ i Z( x i ) H (4) A Déterminons la valeur minimale que prend la fonction objectif Z aux points extrêmes, D min Z( x i ) = Z( x r ) . D i∈{1,..., p} A Remplaçons dans (4) chaque Z( x i ) par Z( x r ). p i =1 i =1 SA p p D'où Z(x0)= Z( ∑ λ i x i ) = ∑ λ i Z( x i ) ≥ Z( x r ) ∑ λ i ≥ Z( x r ) i =1 TE Ou Z( x r )≤ Z(x0). Ce qui implique que x0 n'est pas une solution optimale. ER SI D'où x0 est un sommet de K . IV Théorème 4 : si la fonction objectif prend sa valeur minimale (ou maximale) en aux plus d'un point extrême alors toutes combinaison linéaire convexe de ces points donne U N la même valeur à la fonction objectif. Preuve: Soient x1 , …, x p les points extrêmes de K et Z( x1 ) = …= Z( x p ) = α, la p p i =1 i =1 valeur minimale (resp. maximale). Soit x = ∑ λ i x i et où ∑ λ i = 1, avec λ i ≥ 0 p p i =1 i =1 Z( x )= Z( ∑ λ i x i ) = α ∑ λ i = α = Z( x i ) Cours 03 : Interprétation géométrique de la Programmation Linéaire 32 Cours de Programmation Linéaire donné par le Dr. Ali DERBALA Remarque 2: Les problèmes de la programmation linéaire sous forme canonique peuvent être résolus graphiquement pour n = 2 ou n = 3. Théorème 5 : x est un point extrême si et seulement si il est une solution de base réalisable. Preuve : ⇐ Soit x = ( x1 , …, x m , 0, 0, …, 0) une solution de base réalisable. Montrons que x est un point extrême. Raisonnons par absurde. y et z sont nulles. E y = (y1, y2, …, ym, 0, …, 0); et z = y = (z1, z2, …, zm, 0, …, 0) LA (ai)i = 1,…,m sont L.I forment une base. A H Il en découlera y1- z1 = y2 - z2 = …. = ym- zm = 0 B y1.a1+ y2.a2 + …+ ym.am = b, et z1.a1+ z2.a2 + …+ zm.am = b D Du fait que y et z sont des solutions réalisables alors D'où (y1- z1) a1+ ( y2 - z2) a2 + …+ (ym- zm) am = 0 D BL I 0 ≤ α ≤ 1. Du fait que x ≥ 0 et 0 ≤ α ≤ 1, les " n - m " dernières composantes de A Supposons qu'il existent y et z deux sommets de K tel que : x = α y + ( 1 - α) z ; D y1 = z1 ; y2 = z2 ; …. ; ym = zm. et donc x = y = z . A D ⇒ soit x est un point extrême, montrons qu'il est une solution de base réalisable de K . x = (x1, …, xm, 0, …, 0) est une solution de K . SA m x = ∑ x i a i = b . Si a1, a2, …, am sont L.I alors x est de base. i =1 m TE Si a1, a2, …, am sont linéairements dépendants, alors ils existent des scalaires yi non ER SI tous nuls tel que ∑ y i a i = 0 i =1 m m i =1 i =1 Pour ε > 0, ∑ x i a i + ε ∑ y i a i = b IV m (1) . Mais ∑ x i a i = b i =1 m m i =1 i =1 (2) et ∑ x i a i − ε ∑ y i a i = b N Nous avons trouvé deux solutions (pas nécessairement réalisables) U y = (x1+ ε y1, …, xm + ε ym, 0, …, 0) et z = (x1- ε y1, …, xm- ε ym, 0, …, 0) Comme xi > 0, on peut choisir ε tel que y et z soient des solutions réalisables. Mais x = 1/2 y + 1/2 z . Absurde car x ne sera pas un sommet. Cours 03 : Interprétation géométrique de la Programmation Linéaire 33 Cours de Programmation Linéaire donné par le Dr. Ali DERBALA Corollaire 1 : si le polyèdre de réalisabilité K est non vide, alors il contient au moins une solution réalisable à partir de laquelle on peut construire une solution de base réalisable et donc il contient au moins un point extrême. Remarques 2: a. Un point extrême peut correspondre a plusieurs solutions de bases réalisables dégénérées. b. Les problèmes de la programmation linéaire sous forme canonique peuvent être BL ID polyèdre K , les solutions de base réalisable qui sont en nombre fini. Le minimum ou le maximum est atteint en un sommet de K . E Exemple 2 : soit à résoudre Max Z = 3 x1 + 2 x2 D - 2 x 1 + x2 ≤ 1 ≤2 x1 ≥ 0 ; x2 ≥ 0. LA B x1 + x2 ≤ 3 x1 D A H Représentons dans le plan l'ensemble des solutions de ce système (l'intersection de tous les demi espaces définis par ces équations). A D Considérons la famille d'hyperplan (de droites) 3 x1 + 2 x2 = α. SA (3) ER SI TE B1 (1) A résolus graphiquement pour n = 2 ou n = 3. Il suffit de déterminer tous les sommets du A B2 (2) IV Lorsqu'on la déplace dans le sens du vecteur c = (3, 2), la valeur de la fonction N objective croit. La valeur maximale Z de Z sera atteinte si l'hyperplan (la droite) U 3 x1 + 2 x2 = Z est un hyperplan d'appui (droit). Z atteint son maximum au point A (2, 1) et Max Z = 8. Cours 03 : Interprétation géométrique de la Programmation Linéaire 34 Cours de Programmation Linéaire donné par le Dr. Ali DERBALA Ayant une solution sous la forme canonique, on peut avoir une solution maximale du problème sous forme standard. En effet le problème s'écrit: Max Z = 3 x1 + 2 x2 + 0 x3 + 0 x4 + 0 x5 - 2 x 1 + x2 + x3 x1 + x2 + = 1 x4 x1 + = 3 x5 = 2 x1 ≥ 0, .., x5 ≥ 0. D'où x 3 = 1 + 2 x1 - x 2 = 4, x 4 = 3 - x1 - x 2 = 0, x 5 = 2 - x1 = 0. A D'où x = (2, 1, 4, 0, 0) est une solution de base réalisable non dégénérée. BL ID Exemple 3 : soit à résoudre Max Z = 3 x1 + 2 x2 x1 - x2 ≤ 1 ≤2 x1 E x1 + x 2 ≤ 3 D x1 ≥ 0 ; x2 ≥ 0. LA B C'est l'exemple 2 où on a permuté les inéquations 2 et 3. (3) SA (1) A A D D A H (2) ER SI TE x1 − x 2 = 1 Le système x1 = 2 est redondant. x + x = 3 2 1 N IV x − x 2 = 1 Au moins un sous système de deux équations est régulier. 1 . x1 = 2 U La solution x = (2, 1) est l'intersection de trois hyperplans. Cours 03 : Interprétation géométrique de la Programmation Linéaire 35 Cours de Programmation Linéaire donné par le Dr. Ali DERBALA Sous forme standard le problème est : Max Z = 3 x1 + 2 x2 + 0 x3 + 0 x4 + 0 x5 x1 - x2 + x3 = 1 + x4 x1 x1 + x2 = 3 + x5 = 2 x1 ≥ 0, x5 ≥ 0. .., Le rang de ce système est trois. D'où x 3 = 1 - x1 + x 2 = 0; x 4 = 2 - x1 = 0, x 5 = 3 - x1 - x 2 = 0. A D'où x = (2, 1, , 0, 0) est une solution de base réalisable optimale dégénérée. ID x B = ( x1 , x 2 , x 3 ) = (2, 1, 0) est une autre solution de base réalisable. BL x B = ( x1 , x 2 , x 4 ) = (2, 1, 0). E x B = ( x1 , x 2 , x 5 ) = (2, 1, 0). D Remarque 3 : Un point extrême peut correspondre à plusieurs solutions de base LA B réalisables dégénérée si ce point représente l'intersection de plus de " n " hyperplans. H Exemple 4 : Soit à résoudre Max Z = 2 x1 + 2 x2 (1) ≤2 (2) D x1 A - 2 x 1 + x2 ≤ 1 x1 + x2 ≤ 3 D (3) SA A x1 ≥ 0 ; x2 ≥ 0. Associons à ces inéquations (1), (2) et (3), les droites qu'on numérotera de la même façon: - 2 x1 + x2 = 1 (1) ; x1 = 2 (2) et x1 + x2 = 3 (3). SI TE Les droites 2 x1 + 2 x2 = z ; x1 + x2 = 3 sont parallèles. ER La droite x1 + x2 = 3 est un hyperplan d'appui. (2) IV A B N U C (1) Cours 03 : Interprétation géométrique de la Programmation Linéaire (3) 36 Cours de Programmation Linéaire donné par le Dr. Ali DERBALA Le point d'intersection de la droite (1) et la droite (3) est le point A = (2/3, 7/3) Le point d'intersection de la droite (2) et (3) nous fournisse B = (2, 1). Z(A) = Z(B) = 6. Chaque point C = α A + (1 -α )B, 0 ≤ α ≤1, point du segment AB est une solution optimale mais non de base. Exemple 5 : Soit à résoudre Max Z = 3 x1 + 2 x2 x1 - x2 ≤ 1 (1) x1 + x2 ≤ 3 (2) BL I D A x1 ≥ 0 ; x2 ≥ 0. (1) A D D C'est un problème non borné et maxZ = + ∞. (2) A Ce problème n'a pas de solutions optimale finie. H LA B D E K Exemple 6 : soit à résoudre le problème à cinq variables. Il est résoluble Max Z = x1 - x2 SA géométriquement. ER SI TE 4 x1 - 3 x2 - x3 + x4 + x5 = 6 x1 + 4 x2 + x3 2 x1 - 4 x2 - x3 + x4 x1 ≥ 0, ..., + x5 = 15 = 3 x5 ≥ 0. Echelonnons à la forme diagonale par rapport aux variables x3, x4 et x5. N IV En notant L1, L2 et L3 les lignes 1, 2 et 3 de la matrice augmentée suivante de départ U 4 - 3 -1 1 1 6 1 4 1 0 1 15 . Utilisons les opérations élémentaires sur les lignes et notons 2 - 4 -1 1 0 3 Cours 03 : Interprétation géométrique de la Programmation Linéaire 37 Cours de Programmation Linéaire donné par le Dr. Ali DERBALA L'1 = L1 + (-1) L3 la nouvelle première ligne; L'2 = L2 la seconde nouvelle ligne D BL I 2 -1 0 0 1 3 nouvelle matrice 1 4 1 0 1 15 . Refaisons de nouvelles opérations 2 - 4 -1 1 0 3 A inchangée et L'3 = L3 la troisième nouvelle ligne qui reste inchangée. On obtient la D B LA 2 -1 0 0 1 3 1 - 5 - 1 0 0 - 12 . Refaisons de nouvelles opérations 2 - 4 -1 1 0 3 E L"1 = L'1 ; L"2 = L'1 - L'2 et L"3 = L'3. On obtiendra la matrice augmentée suivante: H L"'1 = L''1 ; L"'2 = L"2 et L"'3 = L"2 - L"3. On obtiendra la matrice augmentée D D A 2 -1 0 0 1 3 suivante: 1 - 5 - 1 0 0 - 12 . - 1 - 1 0 - 1 0 - 15 x2 + x5 = 3 SA 2 x1 - A Cette dernière matrice nous fournisse le système suivant : x1 - 5 x 2 - x 3 TE - x1 - x2 = -12 - x4 = -15 U N IV ER SI qui est équivalent à : Max Z = x1 - x2 2 x1 - x2 x1 - 5 x2 - x1 - ≤ 3 ≥ -12 x2 ≥ -15 x1 ≥ 0, x2 ≥ 0. On sait déterminer géométriquement une solution et après on résout le système sous forme standard. Exercice 7 : résoudre géométriquement et montrer que le point A = (1, 5) est une solution de base optimale et Z(A) = -3. Min Z = 2 x1 - x2 x1 - 2 x2 ≤ 4 - 4 x 1 + x2 ≤ 1 - 2 x 1 + x2 ≤ 3 x1 ≥ 0 ; x2 ≥ 0. Cours 03 : Interprétation géométrique de la Programmation Linéaire 38 Cours de Programmation Linéaire donné par le Dr. Ali DERBALA Définition 9 : On appelle " simplexe " un polyèdre convexe à (n+1) sommets dans l'espace à n dimensions (exemple de n), les (n+1) sommets n'étant pas dans la même variété linéaire à dimension (n-1). Exemple 8 : U N IV ER SI TE SA A D D A H LA B D E BL I D A H = { x = (x1, x2, x3)∈ 3 / x1 + x2 + x3 ≤ 1, x1 ≥ 0 ; x2 ≥ 0, x3 ≥ 0 }est un simplexe. Cours 03 : Interprétation géométrique de la Programmation Linéaire 39 U N IV ER SI TE SA A D D A H LA B D E BL I D A Cours de Programmation Linéaire donné par le Dr. Ali DERBALA Cours 03 : Interprétation géométrique de la Programmation Linéaire 40