Module : La programmation mathématique

Chargé de cour : Rezazi Omar

1. Introduction:

Un programme linéaire (PL) est un problème consistant à

maximiser ( ou minimiser) une fonction objective linéaire de n
variables de décision, soumises à un ensemble de contraintes
exprimées sous fourme d'équations ou d'inéquations linéaires.

A l'origine le terme programme a le sens de planification

opérationnelle, mais il est aujourd'hui employé comme synonyme de
problème d'optimisation. La terminologie de programmation
linéaire est due à G.B.Dantzig, inventeur de l'algorithme du
simplexe ( en 1947 ).

2. Les différentes formes d'un programme linéaire

Un P.L. prend généralement deux formes essentielles :
A ) la forme canonique :
n
Max Z = C j XJ
j 1
n
s.c. a ij X J  bi i  I  1,...., m
j 1

Xj 0 j  1,......, n
Ou bien :
n
Min Z = C j XJ
j 1
n
s.c. a ij X J  bi i  I  1,...., m
j 1

Xj 0 j  1,......, n

1
 B ) la forme Standard :
n
Max (Min) Z = C j XJ
j 1
n
s.c. a ij X J  bi i  I  1,...., m
j 1

Xj 0 j  1,......, n
3. Terminologie
 Les variables x1,… xj…, xn sont appelées variables de décision
du problème.
 La fonction linéaire à optimiser est appelée fonction
objectif.
 Les contraintes prennent la forme d'équations et
d'inéquations linéaires.
 Les contraintes de bornes se résument souvent à des
contraintes de non-négativité X j  0 . Elles sont généralement
traitées de manière spéciale par les algorithmes de
résolution.

4. Exemples de formulation des programmes linéaires

Exemple n°1: à l'approche des fêtes, un artisan chocolatier décide

de confectionner des œufs en chocolat. En allant inspecter ses
réserves, il constate qu'il lui reste 18 kg de cacao, 8 kg de
noisettes et 14 kg de lait. Il a deux spécialités: l'œuf Extra et
l'œuf Sublime.
Un œuf Extra nécessite 1kg de cacao, 1kg de noisettes et 2kg de
lait. Un œuf Sublime nécessite 3kg de cacao, 1kg de noisettes et
1kg de lait. Il fera un profit de 20 DA, en vendant un œuf Extra et
de 30 DA en vendant un œuf Sublime.
Combien d'œufs Extra et Sublime doit-il fabriquer pour faire le
plus grand bénéfice possible ?

Formulation du problème :
 Définition des variables de décision: notons x1 le nombre
d'œufs Extra et x2 le nombre d'œufs Sublime à produire.

2
  Détermination de la fonction objectif: le chocolatier cherche
à maximiser son profit. Max Z = 20 x1 + 30 x2
 Les contraintes: étant donnée les réserves du chocolatier,
les contraintes suivantes devront être satisfaites, l'artisan
ne pas utiliser plus de:
18 kg de cacao x1 + 3 x2 ≤ 18
8 kg de noisettes x1 + x2 ≤ 8
14 kg de lait 2 x1 + x2 ≤ 14
 La contrainte de la non- négativité des variables de décision:
il ne peut pas produire un nombre négatif d'œufs !; on a
encore la contrainte : x1  0 et x2  0.

Exemple n°2: pour produire des pièces de fonte, un entreprise

dispose d'une fonderie et d'un atelier de mécanique. On donne le
tableau des consommations suivant:
Fonderie Atelier Energie Recette par tonne
Une tonne de pièces de type 1 10 h 5h 14 kw/h 2000 DA
Une tonne de pièces de type 2 12 h 4h 30 kw/h 3000 DA
Quantités disponibles 100 h 45 h 210 kw/h -

Combien de tonnes de pièces de chaque type faut-il fabriquer pour

maximiser la recette ?

Formulation du problème :
 Définition des variables de décision:
x1 : la quantité en tonne de pièces de type 1 à fabriquer.
x2 : la quantité en tonne de pièces de type 1 à fabriquer.

 La fonction objectif:
Max Z = 2000 x1 + 3000 x2
 Les contraintes à respecter :
( Fonderie ) 10 x1 + 12 x2 ≤ 100
( Atelier ) 5 x1 + 4 x2 ≤ 45
( Energie ) 14 x1 + 30 x2 ≤ 210
 La contrainte de la non- négativité des variables de décision:
x1  0 et x2  0.

3
Exemple n°3: pour nourrir sa vache, un paysan dispose de deux
poudre alimentaires P1 et P2 composées d'ingrédients A, B et C. un
sac de poudre P1 pèse 900g et contient 100g d'ingrédients A,
200g d'ingrédients B et 600g d'ingrédients C. Un sac de poudre
P2 pèse 600g et contient 200g de chacun des trois ingrédients.
Quotidiennement, la vache doit consommer au mois 300g de A,
500g de B et 700g de C. les prix respectifs par kg de P1 et P2
sont 3 € et 2 € .
Quelle dépense journalière minimale le paysan doit-il envisager, de
sorte que sa vache reçoive une nourriture suffisante ?

Formulation du problème :
 Définition des variables de décision :
x1 : la quantité en gramme de poudre P1 à acheter.
x2 : la quantité en gramme de poudre P2 à acheter.

 La fonction objectif: ( minimisation des dépenses)

Min Z = 3 x1 + 2 x2
 Les contraintes à respecter :
( l'ingrédient A ) 100 x1 + 200 x2 ≥ 300
(l'ingrédient B) 200 x1 + 200 x2 ≥ 500
(l'ingrédient C) 600 x1 + 200 x2 ≥ 700
 La contrainte de la non- négativité des variables de décision:
x1  0 et x2  0.

5. La résolution du problème (écrit sous forme d'un P.L.)

5.1. terminologie : tout programme linéaire écrit sous forme

standard peut avoir :

a) Une solution admissible ( possible ) : une solution est admissible

si elle satisfait toutes les contraintes du problème, sans respecter
la fonction objectif. Le domaine des solutions admissible ( D ) d'un
P.L. est l'ensemble des solutions admissibles du problème.
b) Une solution basique : c'est la solution qui admet au moins une
variable de décision nulle parmi les solutions admissibles.

4
c) Une solution dégénérée : un solution basique est dit dégénérée
si le vecteur des solutions ( bi ) contient des valeurs nulles. c.à.d
des variables basiques nulles.
d) Une solution optimale : la solution optimale d'un P.L. est formée
des valeurs optimales des variables du problème et de la valeur
associée de la fonction objectif.

5.2. La résolution graphique dans le plan

On peut résoudre graphiquement un programme linéaire si le
problème contient uniquement deux variables de décision.

5.2.1. La démarche de résolution graphique:

pour déterminer la solution d'un P.L. graphiquement, il faut suivre
les étapes suivantes :
 On passe de la forme canonique à la forme standard ( en
remplaçant  et ≤ par = ).
 On dessine les demi-plans des contraintes. On trace la droite
frontière et on indique par un petit triangle le demi-plan
l'équation.
 On détermine le domaine des solutions possible (D)
définissant l'ensemble des points satisfaisant toutes les
contraintes. Le domaine ( D ) est l'intersection de tout les demi-
plans.
 On trace la droite représentant la fonction objectif et
passant par l'origine.
 On translate la droite de la fonction objectif vers le haut
(pour le cas de maximisation) ou vers le bas (pour le cas de
minimisation).
 Le point optimal est le dernier point du domaine (D), que la
droite de la fonction objectif touchera lors de son déplacement.

5
 5.3. La résolution par la méthode de simplexe
Dans le cas où le nombre de variables de décision dépasse 2 on
peut pas appliquer la méthode graphique pour résoudre un P.L ;
donc on utilise l’algorithme de simplexe selon les étapes suivantes :

 Le passage de la forme standard vers la forme canonique

Les contraintes dans La forme Dans la fonction

la forme standard canonique objective
≤ bi + S = bi Max.Z → + 0.S
Min .Z→ + 0.S
≥ bi -S + R = bi Max.Z → + 0.S-MR
Min .Z→ + 0.S+MR
= bi +R = bi Max.Z → -MR
Min .Z→ +MR

La forme standard :
nnM )Z(=c1x1 + c2 x2 +......cn xn
a11 x1 + a12 x2 +........a1n xn ≥ b1
a21 x1 + a22 x2 +........a2n xn ≥ b2
a31 x1 + a32 x2 +........a3n xn = b3
x1,x2 ...........xn ≤ 0
La forme canonique:
Mnn )Z(=c1x1 + c2 x2 +......cn xn+ 0 s1 - 0 s2 +MR2+ MR 3

a11 x1 + a12 x2 +........a1n xn+s1 = b1

a21 x1 + a22 x2 +........a2n xn- s2 +R2 = b2
a31 x1 + a32 x2 +........a3n xn+ R3 = b3
x1,x2 ...........xn ≤ 0
.un grand nombre : M، R1,R2 ≤ 0 ، s1,s2 ≤ 0

6
 L’élaboration du tableau initial de simplexe (solution de base)

Variables de X1 x₂ . . . xn S₁ S₂. . . . .Sm Les Bi

base
S1 a11 a₁ ₂ . a₁n 1 0 B1
S₂ a₁ ₁ a₁ ₂ . a₁n 0 1 0 B2
. . . . . .
. . . . . .
Sm a₁ ₁ a₁ ₂ . a₁n 0 1
bm
ZP C1 c₂ . cn 0 . 0 0

 Exemple d’application de la méthode de simplexe :

Soit le programme linéaire suivat
)la forme standard(
Max Z = 9 x1 + 2 x2 + 3 x3
S.C :

x1 + x2 + 2 x3 ≤ 10

2 x1 + x2 - x3 ≤ 20

x1 + 2 x2 ≤ 10

x1  0 ; x2  0 ; x3  0

Tout d’abord on doit transformer ce P.L vers la forme canonique,

selon le tableau suivant :

la forme canonique la forme standard

+ Si = bi ) si: variable d'écart( ≥ bi
- Si + Ri = bi ≤ bi
+ R i = bi ) Ri: variable artificielle (
= bi

7
Donc la forme canonique:

Max Z = 9 x1 + 2 x2 + 3 x3 + 0 S1 + 0 S2 + 0 S3

S.C : x1 + x2 + 2 x3 + S1 = 10

2 x1 + x2 - x3 + S2 = 20

x1 + 2 x2 + S3 = 5

x1  0 ; x2  0 ; x3  0; S1  0 ; S1 0 ; S1 0

 Le tableau initial de simplexe

V.H.B X1 X2 X3 S1 S2 S3 Bi
Ci V.B (Solution)
0 S1 1 1 2 1 0 0 10
0 S2 2 1 -1 0 1 0 20
0 S3 1 1 2 0 0 1 5
Z = Zj - Cj -9 -2 -3 0 0 0 0
Cj 9 2 3 0 0 0
3
0 0 0 0 0 0
Zj = C
j
j  aij

 L’amélioration de la solution de base

Si tous les coefficients de la ligne Z sont ≤ 0 ; donc le tableau est

optimum
Si non ; on cherche le pivot ( la variable entrante et la variable
sortante de la base).
D’après les données du tableau initial on peut améliorer la solution de
base ; la variable entrante X1 et la variable sortante S3, donc le pivot = 1
V.H.B X1 X2 X3 S1 S2 S3 Bi
Ci V.B (Solution)
0 S1 1 1 2 1 0 0 10
0 S2 2 1 -1 0 1 0 20
0 S3 1 1 2 0 0 1 5
Z = Zj - Cj -9 -2 -3 0 0 0 0
Cj 9 2 3 0 0 0
3
0 0 0 0 0 0
Zj = C
j
j  aij

8
On fait la même chose pour les itérations suivantes jusqu’au dernier
tableau, où tous les coefficients de la ligne Z sont positifs, comme le tableau
suivant :

V.H.B X1 X2 X3 S1 S2 S3 Bi
Ci V.B (Solution)
0 S1 0 0 0 1 0 -1 5
0 S2 0 -1 -5 0 1 -2 10
9 X1 1 1 2 0 0 1 5
Z = Zj - Cj 0 7 15 0 0 9 45
Cj 9 2 3 0 0 0
3
9 9 18 0 0 9
Zj = C
j
j  aij

Ce tableau est optimum et la solution optimale est :

X1 = 5 ; X2 = 0 ; X3 = 0
S1 = 5 ; S2 = 10 ; S3= 0
Z = 45

9
6- la méthode Big-M

On applique la méthode Big-M pour résoudre un programme

linéaire dans le cas où la forme canonique du P.L contient des
variables artificielles (Ri).
Dans cette méthode on suit la même démarche que la méthode de
simplexe classique (traitée dans le point précédant ).

Exemple d’application ( méthode Big-M )

Trouver la solution optimale du Programme linéaire suivant par la
méthode de Big-M
Min Z = 500 X1 + 600 X2 + 550 X3 + 700 X4
2X1 + 3X2 ≤ 600
5X1 + 4X2 ≤ 750
X1 + X3 = 160
X2 + X4 = 200
Xi ≥ 0 i=1,2,3,4
Tout d’abord on doit écrire La forme canonique de P.L ; on va
introduire les variables d’écarts (Si) et les variables artificielles (Ri)
Comme suit :
Min Z = 500 X1 + 600 X2 + 550 X3 + 700 X4 +MR3 + MR4
2X1 + 3X2 + S1 = 600
5X1 + 4X2 + S2 = 750
X1 + X3 + R3 = 160
X2 + X4 + R4 = 200
Xi ≥ 0 i=1,2,3,4

10
Le tableau initial (solution de base)

Z X1 X2 X3 X4 S1 S2 R3 R4 Sol
Zi -500+m -600+m -550+m -700+m 0 0 0 0 0
S1 2 3 0 0 1 0 0 0 600
S2 5 4 0 0 0 1 0 0 750
R3 1 0 1 0 0 0 1 0 160
R4 0 1 0 1 0 0 0 1 200

On suite on améliore la solution de base par la même démarche

jusqu’au tableau optimum ; comme suit :

Itération n°1
Z X1 X2 X3 X4 S1 S2 R R4 Sol
3

Zi 0 -200+m -550+m/5 -700+m 0 100-m/5 0 0 75000 -

150m

S1 0 7/5 0 0 1 -2/5 0 0 300

X1 1 4/5 0 0 0 1/5 0 0 150

R3 0 -4/5 1 0 0 -1/5 1 0 10

R4 0 1 0 1 0 0 0 1 200

11
 Itération n°2
Z X1 X2 X3 X4 S1 S2 R3 R4 Sol
Zi 0 -640+m 0 -700+m 0 -10 -700+m 0 80500 -
160m

S1 0 7/5 0 0 1 -2/5 0 0 300

X1 1 4/5 0 0 0 1/5 0 0 150

X3 0 -4/5 1 0 0 -1/5 1 0 10

R4 0 1 0 1 0 0 0 1 200

Itération n°3
Z X 1 X2 X3 X4 S1 S2 R3 R4 Sol
Zi 0 0 0 -700+m 0 150-m/4 550-m 0 200500 -
347,5m

S1 -7/4 0 0 0 1 -3/4 0 0 150/4

X2 5/4 1 0 0 0 ¼ 0 0 750/4

X3 1 0 1 0 0 0 1 0 160

R4 -5/4 0 0 1 0 -1/4 0 1 50/4

12
 Itération n°4
Z X 1 X2 X3 X4 S1 S2 R3 R4 Sol
Zi -75 0 0 0 0 -25 550-m 700-m 209250 -
360m

S1 -7/4 0 0 0 1 -3/4 0 0 75/2

X2 5/4 1 0 0 0 ¼ 0 0 375/2

X3 1 0 1 0 0 0 1 0 160

X4 -5/4 0 0 1 0 -1/4 0 1 25/2

Puisque tout les coefficients de la ligne Zi sont négatifs, donc ce

tableau est optimum, et la solution optimale est comme suit :

X1=0 ; X2=375/2 ; X3=160 ; X4=25/2 ; S1= 75/2 ; S2=0 ;

Zmin=418500/2

Exemple n°2 : déterminer la solution optimale de P.L suivant

Min Z = 80 x1 + 60 x2
S.C :

18 x1 + 12 x2  180

6 x1 + 9 x2 ≤ 162

5 x1 + 10 x2 = 110

x1  0 ; x2  0

13
 la forme canonique:

Min Z = 80 x1 + 60 x2 – 0 S1 + 0 S2 + M R1 + M R2
S.C :

18 x1 + 12 x2 - S1 + R1 = 180

6 x1 + 9 x2 + S2 = 162

5 x1 + 10 x2 + R2 = 110

x1 ; x2 ; S1 ; S2 ; R1 ; R2  0

tableau de base
V.H.B X1 X2 S1 R1 S2 R2 Bi
Ci V.B (Solution)
M R1 18 12 -1 1 0 0 180
0 S2 6 9 0 0 1 0 162
M R2 5 10 0 0 0 1 110
Z = Zj - Cj 23M - 80 22M - 60 -M 0 0 0 290M
Cj 80 60 0 M 0 M
3
23M 22M -M M 0 M
Zj = C j
j  aij

Itération n°1
V.H.B X1 X2 S1 R1 S2 R2 Bi
Ci V.B (Solution)
80 X1 1 2/3 -1/18 1/18 0 0 10
0 S2 0 5 1/3 -1/3 1 0 102
M R2 0 20/3 5/18 -5/18 0 1 60
Z = Zj - Cj 0 20M/3 – -40/9 40/9 - 0 0 800+60
20/3 +5M/18 23M/18 M
Cj 80 60 0 M 0 M
3
80 160/3+ -40/9 40/9- 0 M
Zj = C j
j  aij
20M/3 +5M/18 5M/18

14
 Itération n°2
V.H.B X1 X2 S1 R1 S2 R2 Bi
Ci V.B (Solutio
n)
80 X1 1 0 -37/36 37/36 0 -1/10 4
0 S2 0 0 1/8 -1/8 1 ¾ 57
60 X2 0 1 1/24 -1/24 0 3/20 9
Z = Zj - Cj 0 0 -1435/18 1435/18 - M 0 1-M 860
Cj 80 60 0 M 0 M
3
80 60 -1435/18 1435/18 0 1
Zj = C
j
j  aij

Ce tableau est optimum, et la solution optimal est comme suit:

860 = *Z ‫ ؛‬57 = *S2 ‫ ؛‬0 = *S1 ‫ ؛‬60 = *X2 ‫ ؛‬4 = *X1

Exemple n°3 : déterminer la solution optimale de P.L suivant

Max Z = - x1 + x2

S.C : - 2 x1 + x2  4

- x1 + 2 x2  8

x1 + x2 ≤ 5

x1  0 ; x2  0

la forme canonique:

Max Z = - x1 + x2 – 0 S1 - 0 S2 - 0 S3 - M R1 - M R2
S.C :

- 2 x1 + x2 - S1 + R1 = 4

- x1 + 2 x2 - S2 + R2 = 8

x1 + x2 + S3 = 5

x1 ; x2 ; S1 ; S2 ; S3; R1 ; R2  0

15
 tableau de base
V.H.B X1 X2 S1 S2 S3 R1 R2 Bi
Ci V.B (Solution)
-M R1 -2 1 -1 0 0 1 0 4
-M R2 -1 2 0 -1 0 0 1 8
0 S3 1 1 0 0 1 0 0 5
Zj 3M+1 - 3M-1 M M 0 0 0 Z = - 12M

Itération n°1:
V.H.B X1 X2 S1 S2 S3 R1 R2 Bi
Ci V.B (Solution)
-M R1 -3/2 0 -1 1/2 0 1 0
1 X2 -1/2 1 0 -1/2 0 0 4
0 S3 3/2 0 0 1/2 1 0 1
Zj 3M+1/2 0 M -M+1/2 0 0 Z=4

Itération n°2
V.H.B X1 X2 S1 S2 S3 R1 R2 Bi
Ci V.B (Solution)
0 S2 -3 0 -2 1 0 0
1 X2 -2 1 -1 0 0 4
0 S3 3 0 1 0 1 1
Zj -1 0 -1 0 0 Z=4

Itération n°3
V.H.B X1 X2 S1 S2 S3 Bi
Ci V.B (Solution)
0 S2 3 0 0 1 2 2
1 X2 1 1 0 0 1 5
0 S1 3 0 1 0 1 1
Zj 2 0 0 0 1 Z =5

Ce tableau est optimum, donc la solution optimal est comme suit :

5 = *Z ‫ ؛‬0 = *S3 ‫ ؛‬2 = *S2 ‫ ؛‬1 = *S1 ‫ ؛‬5 = *X2 ‫ ؛‬0 = *X1

16
 7-la méthode de deux phases.

La méthode de deux phases a le même principe que les deux autres

méthodes, sauf que dans cette méthode on cherche la solution optimale d’un
programme linéaire par deux étapes ( deux phases).
 Phase 1 :
Dans la première phase on élimine les variables de décision dans la fonction
objectif, et on cherche l’optimalité, la fin de la première phase est
conditionné par 3 conditions :
- tous les variables artificielles quittent la base (Ri = 0)
- la valeur de Z = 0
- le dernier tableau vérifier la condition d’optimalité.

 Phase 2
Dans la deuxième phase on réintroduit les variables de décision dans la
fonction objectif au même temps dans le dernier tableau de la première
phase ; et on continue la recherche de la solution optimale.

8- la dualité
La dualité c’set le passage de la forme initiale d’un P.L à une autre forme
duale, par la démarche résumé dans le tableau suivant.

La forme initiale de P.L La forme Dual

1 - Maximization Minimization
2 - Le nombre de contraintes Le nombre de variables de décision ( Yi)
3 - Le nombre de variables de décision ( Xi) Le nombre de contraintes
4 - Les coefficients de la fonction objectif ( Ci) Les disponibilités ( Bi)
5 - Les disponibilités ( Bi) Les coefficients de la fonction objectif ( Ci)
6 - La solution optimal Z* = = la solution optimal W*
7 - Le sens de contrainte Le signe de la variable de décision
.

17
La forme initiale d’un P.L
Max (Z( =

ni ≤ 0
j=1.........n n=1.........m

La forme duale de P.L

MIN (W( =

𝑌j ≤ 0
i=1.........m
j=1.........n

Exemple: écrire la forme duale de P.L suivant:

Max (z)= 15 X1 + 12 X2
3X1 + 6X2 ≤ 54
6X1 + 3X2 ≤ 48
9X1 + 9X2 ≤ 90
X1; X2 ≥0

La forme duale de P.L

Min (z) = 54 y1 + 48y2 + 90 y3

3 y1 + 6 y2 + 9 y3 ≥ 15
6y1 + 3y2 + 9 y3 ≥ 12
Y1 ; y2 ; y3 ≥ 0

18
‫‪9 - l’analyse post optimale‬‬
‫إن الهدف من التطرق للنموذج المقابل و قواعد وسبل تحويل نموذج أولي‬
‫لنموذج مقابل يكمن في التوصل إلى كيفية تحليل الحساسية أو تحليل ما بعد‬
‫األمثلة‪ ،‬فالحلول المثلى لمشاكل البرمجة الخطية حتى اآلن كانت تحت‬
‫فرضيات مؤ َكدة‪ ،‬نعني بذلك ّ‬
‫أن العالقات والبيانات للمشكلة المطروحة أكيدة‬
‫بشكل كامل ‪ .‬أي أن األسعار ثابتة و كذلك المصادر معروفة‪ ،‬وكذا الوقت‬
‫الالزم إلنتاج وحدة واحدة محدد و بالضبط‪ .‬و لكن في الحياة الحقيقية الواقعية‬
‫تكون الشروط متغيرة وديناميكية‪ ،‬و محددات البرمجة الخطية من الممكن أن‬
‫تكون غير دقيقة‪ .‬لذا يمكننا طرح التساؤل التالي و هو كيف يمكننا أن نعالج هذا‬
‫التناقُض الظاهر ؟‬
‫هن اك طريق واحد يمكننا من خالله أن نعمل على مواصلة معالجة كل مشكلة‬
‫مؤكدة للبرمجة الخطية‪ ،‬وعلى أية حال عندما يوجد حل أمثل للبرنامج الخطي‪،‬‬
‫ندرك حينئذ أهمية رؤية مدى حساسية ذلك الحل بالنسبة لفرضيات بيانات‬
‫النّموذج‪.‬‬

‫‪.‬مثال تطبيقي لدراسة الحساسية‪ :‬بهدف شرح و توضيح عملية دراسة‬

‫الحساسية نعتمد على المثال التطبيقي التالي‪،‬‬
‫‪V.H.B‬‬ ‫‪X1‬‬ ‫‪X2‬‬ ‫‪S1‬‬ ‫‪S2‬‬ ‫‪S3‬‬ ‫)‪Bi (Solution‬‬
‫‪Ci‬‬ ‫‪V.B‬‬
‫‪0‬‬ ‫‪S1‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪1‬‬ ‫‪-9/2‬‬ ‫‪12‬‬
‫‪15‬‬ ‫‪X1‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪1/3‬‬ ‫‪-1/2‬‬ ‫‪6‬‬
‫‪12‬‬ ‫‪X2‬‬ ‫‪0‬‬ ‫‪1‬‬ ‫‪0‬‬ ‫‪-1/3‬‬ ‫‪1‬‬ ‫‪4‬‬
‫‪Zj‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪0‬‬ ‫‪-1‬‬ ‫‪-9/2‬‬ ‫‪Z =131‬‬

‫‪19‬‬
 ‫مع العلم بأن البرنامج الخطي للمشروع بصيغته األولية كان بالشكل التالي‪:‬‬
‫‪Max (Z) =15X1 + 12X2‬‬
‫‪3X1 +6X2 ≤ 54‬‬
‫‪6X1 +3X2 ≤ 48‬‬
‫‪9X1 +9X2 ≤ 90‬‬
‫‪X1 ; X2≥0‬‬
‫أسعار الظل‪ :‬لمعرفة أثر التغيرات التي ممكن أن تتركها زيادة وحدة واحدة‬
‫من المتغيرات الفنية المستخدمة في العملية اإلنتاجية على أرباح المشروع‪،‬‬
‫نعود إلى جدول الحل النهائي السابق الذي تم التوصل إليه من خالل عملية‬
‫تحسين الحل‪ .‬و عند مالحظتنا لقيم المعامالت الفرق (‪ )S3,S2,S1‬و هي (‪0,-‬‬
‫‪ )1,-9/2‬على التوالي‪ ،‬فقيمة المتغير الفرق ‪ S1‬تعني بأن هناك فائضا في‬
‫الطاقة اإلنتاجية لهذا القسم و التي مقدارها ‪ 12‬ساعة عمل‪ .‬و إذا أراد صاحب‬
‫المشروع زيادة الطاقة اإلنتاجية لهذا القسم‪ ،‬فإن ذلك سيؤدي إلى تراكم في‬
‫الطاقات اإلنتاجية المهدورة أي غير المستغلة‪.‬‬
‫في حين أن المتغير الفرق ‪ S2‬المرتبط بقسم النسيج أظهر قيمة مقدارها ‪ 1‬في‬
‫صف دالة الهدف )‪ (Z‬و هذا يعني بأن أي زيادة في طاقة اإلنتاج لهذا القسم‬
‫بمقدار ساعة عمل واحدة ستؤدي أيضا إلى زيادة في مقدار األرباح لصاحب‬
‫المشروع بنفس المقدار‪.‬‬
‫أما ‪ S3‬فقد أظهر قيمة مقدارها ‪ ، 9/2‬أي أن أي زيادة بمقدار ساعة عمل واحدة‬
‫ستؤدي إلى زيادة حجم األرباح لصاحب المشروع بمقدار ‪ 9/2‬وحدة نقدية‪.‬‬
‫إلن القيم الظاهرة في دالة الهدف (‪ )1 ; 9/2 ; 0‬هي التي يُطلق عليها أسعار‬
‫الظل‪ ،‬و التي تعني ‪ :‬العوائد اإلجمالية الناتجة عن اإلضافات الجديدة من‬
‫المصادر التي تم توظيفها في العملية اإلنتاجية‪.‬‬

‫‪20‬‬
‫و في نفس الوقت يمكن تأويل سعر الظل في هذه الحالة إلى أن صاحب‬
‫المشروع ال يمكنه أن يدفع أكثر من وحدة نقدية واحدة للحصول على ساعة‬
‫عمل واحدة في قسم النسيج؛ و كذلك ال يمكنه أن يدفع أكثر من ‪ 2/9‬وحدة نقدية‬
‫للحصول على ساعة عمل‪ .‬وللتحقق من ذلك نعود إلى جدول الحل األمثل‬
‫السابق‪ ،‬حيث نالحظ تأثير ذلك بصفة سلبية على العملية اإلنتاجية‪ ،‬حيث أن‬
‫زيادة ساعة عمل واحدة من خالل العمود الذي يحمل متغير الفرق ‪ S2‬يؤدي‬
‫إلى زيادة في حجم اإلنتاج بمقدار ‪ 3/1‬وحدة؛ و في نفس الوقت يؤدي إلى نقص‬
‫بمقدار ‪ 3/1‬وحدة‪ ،‬و بالتالي سيكون سعر الظل في هذه الحالة يساوي ‪ ،1‬و‬
‫يمكن شرح العملية الحسابية على النحو التالي‪:‬‬
‫‪15*1/3 +12* (-1/3) =1‬‬
‫)‪15* (-1/2) + 12 * 1 = (-9/2‬‬

‫قياس مدى التغير في قيم الطرف األيمن ( القيود )‪ :‬لمعرفة مدى التغير في‬
‫قيم الطرف األيمن للقيود األصلية‪ ،‬ينبغي إتباع الخطوات التالية‪:‬‬
‫قسمة قيم الطرف األيمن ( عمود الكميات) على معامالت المتغيرات‬ ‫‪‬‬

‫الفرق المقابلة لها في جدول الحل النهائي ( األمثل)‪.‬‬

‫عند الحصول على ناتج قسمة سالب فإنه سيضاف إلى قيمة الكمية‬ ‫‪‬‬

‫األصلية للقيد‪ ،‬وفي حالة تعدد القيم السالبة الناتجة سنقوم بأخذ أكبر قيمة‪،‬‬
‫للكمية‪.‬‬ ‫و هذا بغرض الحصول على أعلى مدى‬

‫‪ ‬عند الحصول على ناتج قسمة موجب فإنه سيطرح من قيمة الكمية‬
‫األصلية للقيد‪ ،‬وفي حالة تعدد القيم الموجبة الناتجة سنقوم بأخذ أقل قيمة‪،‬‬
‫و هذا لغرض الحصول على أدنى مدى للكمية‪.‬‬

‫‪21‬‬
‫و إذا أردنا تطبيق الخطوات السابقة على المثال التطبيقي السابق الموضح في‬
‫الجدول النهائي‪ ،‬فسنتحصل على النتائج التالية‪:‬‬
‫النتيجة= العمود‪/1‬العمود‪2‬‬ ‫قيم عمود ‪S1‬‬ ‫قيم عمود الكميات‬
‫‪12‬‬ ‫‪1‬‬ ‫‪12‬‬
‫∞‬ ‫‪0‬‬ ‫‪6‬‬
‫∞‬ ‫‪0‬‬ ‫‪4‬‬

‫و بالتالي فإن مجال التغير أو المدى يتحدد على النحو التالي‪ 54-12=42 :‬و منه‬
‫فالمجال هو ‪ :‬بين ‪ 42‬إلى ∞ و هذا المجال سوف لن يؤثر على الحل األمثل‬
‫للمشكل‪.‬‬
‫النتيجة= العمود‪/1‬العمود‪2‬‬ ‫قيم عمود ‪S2‬‬ ‫قيم عمود الكميات‬
‫‪12‬‬ ‫‪1‬‬ ‫‪12‬‬
‫‪18‬‬ ‫‪1/3‬‬ ‫‪6‬‬
‫‪-12‬‬ ‫‪-1/3‬‬ ‫‪4‬‬

‫‪48-12=36‬‬ ‫‪: Borne inférieur‬‬

‫‪48+12=60‬‬ ‫‪: Borne supérieur‬‬
‫منه فالمجال التغير المسموح به لبقاء الحل أمثل هو ‪ :‬بين ‪ 36‬إلى ‪60‬‬
‫النتيجة= العمود‪/1‬العمود‪2‬‬ ‫قيم عمود ‪S2‬‬ ‫قيم عمود الكميات‬
‫‪-8/3‬‬ ‫‪-9/2‬‬ ‫‪12‬‬
‫‪-12‬‬ ‫‪-1/2‬‬ ‫‪6‬‬
‫‪4‬‬ ‫‪1‬‬ ‫‪4‬‬

‫‪90-4=86 :Borne inférieur‬‬

‫‪90+12=102 :Borne‬‬ ‫‪supérieur‬‬

‫‪102‬‬ ‫منه فالمجال التغير المسموح به لبقاء الحل أمثل هو ‪ :‬بين ‪ 86‬إلى‬
‫مالحظة‪ :‬كما ينبغي اإلشارة هنا إلى أنه في حالة عدم الحصول على القيم‬
‫الموجبة أو السالبة‪ ،‬فإنها ستحصل على القيمة ما ال نهاية (∞)‪.‬‬

‫‪22‬‬
 ‫قياس مدى التغير في قيم معامالت دالة الهدف‪:‬‬
‫عند مالحظتنا لقيم معامالت دالة الهدف (‪ ،)Z‬في حالة تعظيم األرباح ( ‪Max‬‬
‫‪ )z‬فإن قيم المعامالت األساسية لدالة الهدف تكون أصفار و معامالت متغيرات‬
‫الفرق (‪ )S‬تكون سالبة‪ .‬و هذا يعني إمكانية زيادة الكميات المتوفرة من قيم‬
‫المعامالت األساسية المرتبطة بكل متغير فرق بوحدة إضافية واحدة‪.‬‬
‫و لغرض قياس مدى التغير في معامالت دالة الهدف نقوم بقسمة معامالت دالة‬
‫الهدف على معامالت المتغيرات األساسية في صفوف جدول الحل األمثل‬
‫المتوصل إليه‪ .‬و بعدها نقوم بإضافة أقل قيمة موجبة ناتجة عن عملية القسمة‬
‫إلى قيمة معامل المتغير األساسي في بداية المسألة لنحصل على الحد األعلى‬
‫لمجال التغير الذي يسمح ببقاء الحل األمثل ثابت‪.‬‬
‫و عند الحصول على أعلى قيمة سالبة ناتجة عن عملية القسمة نقوم بطرحها‬
‫من قيمة المتغير األساسي األصلية و ذلك لتحديد الحد األدنى لمجال التغير؛ و‬
‫بذلك نحصل على مقدار التغير الذي يمكن حصوله في األرباح المحققة من كل‬
‫وحدة مضافة دون المساس بالحل األمثل‪.‬‬
‫و لتوضيح هذه العملية‪ ،‬سنعتمد على نفس المثال السابق‪ ،‬حيث نقوم بحساب‬
‫مقادير الزيادة والنقصان في مستوى الربح المحقق من كل عنصر من ‪ X1‬فإن‬
‫ذلك يحصل من خالل ما يلي‪:‬‬
‫‪Z/X1 = -1 / 1/3 = -3‬‬
‫‪Z/X1 = -9/2 / -1/2 = 9‬‬

‫من خالل النتائج السابقة نالحظ بأن أقل قيمة موجبة هي ‪ 9‬و هي الوحيدة‬
‫المتوفرة في هذه الحالة‪ ،‬و هي تمثل قيمة الزيادة في الربح المحقق من ‪ X1‬؛ و‬
‫أن أقل قيمة سالبة هي ‪ 3-‬و هي الوحيدة في هذه الحالة‪ ،‬و هي تعكس مقدار‬

‫‪23‬‬
‫االنخفاض في حجم األرباح الناتجة من كل وحدة من ‪ X1‬و هذا دون إحداث أي‬
‫تغيير في الحل األمثل للمسألة‪.‬‬
‫أما بالنسبة لمجال التغير فإنه يتراوح بين ‪ 12‬و ‪ .24‬حيث تم حسابه على النحو‬
‫التالي ‪:‬‬
‫‪15-3=12‬‬ ‫الحد األدنى للمجال‪:‬‬
‫‪15+9=24‬‬ ‫الحد األعلى للمجال‪:‬‬
‫أما فيما يتعلق بالمتغير ‪ X2‬سنقوم بإتباع نفس األسلوب لقياس مقادير الزيادة أو‬
‫النقص في معامالت دالة الهدف على النحو التالي‪:‬‬
‫‪Z/X2 = -1 / -1/3 = 3‬‬
‫‪Z/X2 = -9/2 / 1 = -4.5‬‬

‫من خالل النتائج السابقة نالحظ أن القيمة ‪ 3‬تعبر عن مقدار الزيادة التي تحدثها‬
‫الوحدة في المتغير ‪ X2‬من زيادة في حجم األرباح دون إحداث أي تغيير في الحل‬
‫األمثل‪.‬‬

‫‪24‬‬