Recherche Operationnelle

Prcis de Recherche Oprationnelle
et
Aide la Dcision
Cours IPST CNAM de Toulouse
Richard Loustau
Le 13 mars 2004
TABLE DES MATIRES iii
Table des matires
Introduction ix
A Elments de la thorie des graphes et applications 1
I Elments de la thorie des graphes 3
I.1 Le concept de graphe . . . . . . . . . . . . . . . . . . . . . . . . . 3
I.1 .a Graphes orients . . . . . . . . . . . . . . . . . . . . . . . 3
I.1 .b Graphes non orients . . . . . . . . . . . . . . . . . . . . . 4
I.2 Principales dnitions . . . . . . . . . . . . . . . . . . . . . . . . 4
I.3 Matrices associes un graphe . . . . . . . . . . . . . . . . . . . 5
I.3 .a Matrices dadjacence . . . . . . . . . . . . . . . . . . . . . 5
I.3 .b Matrices dincidence sommets-arcs . . . . . . . . . . . . . 6
I.4 Fermeture transitive dun graphe . . . . . . . . . . . . . . . . . . 7
I.4 .a Dnition . . . . . . . . . . . . . . . . . . . . . . . . . . . 7
I.4 .b Matrice de fermeture transitive . . . . . . . . . . . . . . . 7
I.4 .c Algorithme de Roy-Warshall . . . . . . . . . . . . . . . . 7
I.5 Graphes et connexit . . . . . . . . . . . . . . . . . . . . . . . . . 8
I.5 .a Composantes connexes . . . . . . . . . . . . . . . . . . . . 9
I.5 .b Composantes fortement connexes . . . . . . . . . . . . . . 9
I.6 Mise en ordre dun graphe . . . . . . . . . . . . . . . . . . . . . . 10
II Chemins optimaux 15
II.1 Lalgorithme de Ford . . . . . . . . . . . . . . . . . . . . . . . . . 15
II.2 Algorithme de Dijkstra . . . . . . . . . . . . . . . . . . . . . . . . 17
II.3 Graphes sans circuit . . . . . . . . . . . . . . . . . . . . . . . . . 17
II.4 Algorithmes matriciels . . . . . . . . . . . . . . . . . . . . . . . . 18
II.4 .a Algorithme de Floyd . . . . . . . . . . . . . . . . . . . . . 19
III Ordonnancement 23
III.1 Position du problme . . . . . . . . . . . . . . . . . . . . . . . . . 23
III.2 Principaux types de contraintes . . . . . . . . . . . . . . . . . . . 24
III.2 .a Contraintes de type potentiel . . . . . . . . . . . . . . . . 24
III.2 .bContraintes de type disjonctif . . . . . . . . . . . . . . . . 25
III.3 Exemple de problme : . . . . . . . . . . . . . . . . . . . . . . . . 25
III.4 La mthode MPM . . . . . . . . . . . . . . . . . . . . . . . . . . 26
III.4 .a Construction du graphe MPM . . . . . . . . . . . . . . . 26
III.4 .bDtermination du calendrier au plus tt . . . . . . . . . . 26
iv TABLE DES MATIRES
III.4 .c Dtermination du calendrier au plus tard . . . . . . . . . 27
III.4 .dMarge totale . . . . . . . . . . . . . . . . . . . . . . . . . 27
III.4 .e Marge libre . . . . . . . . . . . . . . . . . . . . . . . . . . 27
III.4 .f Synthse . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
III.5 La mthode PERT . . . . . . . . . . . . . . . . . . . . . . . . . . 30
III.5 .a Construction du graphe PERT . . . . . . . . . . . . . . . 30
III.5 .bCalendrier au plus tt . . . . . . . . . . . . . . . . . . . . 30
III.5 .c Calendrier au plus tard . . . . . . . . . . . . . . . . . . . 30
III.5 .dMarges totales : . . . . . . . . . . . . . . . . . . . . . . . 30
III.5 .e Marges libres : . . . . . . . . . . . . . . . . . . . . . . . . 30
B Programmation Linaire 33
I Prsentation 35
I.1 Prsentation dun exemple : . . . . . . . . . . . . . . . . . . . . . 35
I.2 Forme standard des problmes de PL . . . . . . . . . . . . . . . . 36
I.2 .a Prsentation gnrale : . . . . . . . . . . . . . . . . . . . 36
I.2 .b Forme matricielle : . . . . . . . . . . . . . . . . . . . . . . 37
I.3 Rsolution dun systme dquations par la mthode du pivot de
Gauss : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
I.4 Dnitions : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
I.5 Rsolution graphique dun PL: . . . . . . . . . . . . . . . . . . . 39
I.5 .a Exemples : . . . . . . . . . . . . . . . . . . . . . . . . . . 39
I.6 Cas gnral : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
II La mthode du simplexe 47
II.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
II.1 .a Etude dun exemple : . . . . . . . . . . . . . . . . . . . . . 47
II.1 .b Disposition pratique des calculs : . . . . . . . . . . . . . . 48
II.2 Lalgorithme du simplexe : . . . . . . . . . . . . . . . . . . . . . . 49
II.2 .a Passage dun extrme lautre . . . . . . . . . . . . . . . 49
II.2 .b Choix de la variable entrante . . . . . . . . . . . . . . . . 50
II.3 Lalgorithme du simplexe : . . . . . . . . . . . . . . . . . . . . . . 50
II.3 .a Lalgorithme : . . . . . . . . . . . . . . . . . . . . . . . . . 51
II.3 .b Disposition pratique : . . . . . . . . . . . . . . . . . . . . . 51
II.3 .c Traitement dun exemple : . . . . . . . . . . . . . . . . . . 52
II.4 Obtention dune base ralisable de dpart : . . . . . . . . . . . . . 53
II.4 .a Mthode en deux phases : . . . . . . . . . . . . . . . . . . 53
II.4 .b Exemple : . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
IIIDual 57
III.1 Introduction : . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
III.2 Dnitions et exemples : . . . . . . . . . . . . . . . . . . . . . . . 58
III.2 .a Primal et Dual : . . . . . . . . . . . . . . . . . . . . . . . 58
III.2 .bExemples : . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
III.3 Proprits de la dualit : . . . . . . . . . . . . . . . . . . . . . . . 59
III.4 Passage du dernier tableau simplexe du primal au dernier tableau
simplexe du dual : . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
TABLE DES MATIRES v
IVAnalyse de sensibilit, PL paramtrique 63
IV.1 Paramtrisation de la fonction conomique . . . . . . . . . . . . . 63
IV.2 Paramtrisation du second membre des contraintes . . . . . . . . 64
IV.3 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65
C Processus Stochastiques et applications 69
I Prsentation des processus stochastiques 71
I.1 Dnition des processus stochastiques . . . . . . . . . . . . . . . 71
I.2 Processus de Poisson . . . . . . . . . . . . . . . . . . . . . . . . . 73
I.2 .a Prsentation . . . . . . . . . . . . . . . . . . . . . . . . . 73
I.2 .b Modlisation . . . . . . . . . . . . . . . . . . . . . . . . . 73
I.3 Temps dattente . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
I.4 Dtermination exprimentale . . . . . . . . . . . . . . . . . . . . 74
I.4 .a Thorme . . . . . . . . . . . . . . . . . . . . . . . . . . . 74
I.4 .b Application . . . . . . . . . . . . . . . . . . . . . . . . . . 74
I.5 Graphes associs une loi de Poisson . . . . . . . . . . . . . . . . 75
I.6 Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
II Processus de naissance et de mort 77
II.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
II.2 Dnition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 77
II.3 Modlisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
II.3 .a Processus de naissance pur . . . . . . . . . . . . . . . . . 79
II.3 .b Processus de mort pur . . . . . . . . . . . . . . . . . . . . 79
II.4 Probabilits long terme . . . . . . . . . . . . . . . . . . . . . . 79
III Chanes de Markov 83
III.1 Dnition . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 83
III.2 Probabilits de transition . . . . . . . . . . . . . . . . . . . . . . 83
III.2 .a Transition dordre 1 . . . . . . . . . . . . . . . . . . . . . 83
III.2 .bTransitions dordre n . . . . . . . . . . . . . . . . . . . . . 84
III.2 .c Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . 84
III.3 Classication des tats dune chane . . . . . . . . . . . . . . . . 85
III.4 Proprits des chanes de Markov . . . . . . . . . . . . . . . . . . 85
III.4 .a relation dquivalence sur lensemble des tats . . . . . . . 85
III.4 .bExemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
III.4 .c Thorme 1 . . . . . . . . . . . . . . . . . . . . . . . . . . 86
III.4 .dThorme 2 . . . . . . . . . . . . . . . . . . . . . . . . . . 87
III.4 .e Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87
IVFiles dattente 89
IV.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
IV.2 Evaluation du systme, mesures long terme . . . . . . . . . . . 90
IV.2 .a Lois de Little . . . . . . . . . . . . . . . . . . . . . . . . . 90
IV.3 Files dattente M/M/1 . . . . . . . . . . . . . . . . . . . . . . . . 91
IV.3 .a Probabilits associes . . . . . . . . . . . . . . . . . . . . 91
IV.3 .bExemple n1 . . . . . . . . . . . . . . . . . . . . . . . . . 92
IV.4 Files M/M/1 (N) . . . . . . . . . . . . . . . . . . . . . . . . . . . 92
vi TABLE DES MATIRES
D Elments de Fiabilit 95
I Prsentation 97
I.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
I.2 Gnralits, terminologie . . . . . . . . . . . . . . . . . . . . . . . 97
I.2 .a Fonctions de dfaillance et de abilit . . . . . . . . . . . 97
I.3 Dtermination exprimentale . . . . . . . . . . . . . . . . . . . . 98
I.3 .a Estimation des fonctions R et T . . . . . . . . . . . . . . 98
I.4 Principales lois utilises . . . . . . . . . . . . . . . . . . . . . . . 100
I.4 .a La loi exponentielle . . . . . . . . . . . . . . . . . . . . . . 100
I.4 .b Loi de Weibull . . . . . . . . . . . . . . . . . . . . . . . . 100
II Fiabilit dun systme et de ses composants 101
II.1 Systme structure en srie . . . . . . . . . . . . . . . . . . . . . 101
II.1 .a Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . 101
II.2 Systme structure parallle . . . . . . . . . . . . . . . . . . . . 102
II.2 .a Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . 102
II.3 Systmes structure mixte . . . . . . . . . . . . . . . . . . . . . 102
II.3 .a Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
E Annexes 105
A Elments de probabilits 107
A.1 Vocabulaire des probabilits . . . . . . . . . . . . . . . . . . . . . 107
A.2 Espaces probabiliss . . . . . . . . . . . . . . . . . . . . . . . . . 107
A.2 .a Dnition des probabilits . . . . . . . . . . . . . . . . . . 108
A.2 .b Probabilits conditionnelles . . . . . . . . . . . . . . . . . 108
A.3 Variables alatoires . . . . . . . . . . . . . . . . . . . . . . . . . . 109
A.3 .a Dnitions . . . . . . . . . . . . . . . . . . . . . . . . . . 109
A.3 .b Variables alatoires discrtes . . . . . . . . . . . . . . . . 109
A.3 .c Variables alatoires continues . . . . . . . . . . . . . . . . 109
A.4 Lois usuelles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 110
A.4 .a Loi binmiale . . . . . . . . . . . . . . . . . . . . . . . . . 110
A.4 .b Loi de Poisson . . . . . . . . . . . . . . . . . . . . . . . . 110
A.4 .c Loi gomtrique . . . . . . . . . . . . . . . . . . . . . . . 110
A.4 .d Loi uniforme . . . . . . . . . . . . . . . . . . . . . . . . . 110
A.4 .e Loi exponentielle . . . . . . . . . . . . . . . . . . . . . . . 111
A.4 .f Loi de Weibull . . . . . . . . . . . . . . . . . . . . . . . . 111
A.4 .g Exemple . . . . . . . . . . . . . . . . . . . . . . . . . . . . 111
B TABLES 113
B.1 Table de la loi de Poisson . . . . . . . . . . . . . . . . . . . . . . 113
B.2 TABLE DE LA LOI DE WEIBULL . . . . . . . . . . . . . . . . 114
C conclusion 115
TABLE DES FIGURES vii
Table des gures
I.1 Arc u =(x
i
, x
j
) . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3
I.2 Exemple de graphe orient . . . . . . . . . . . . . . . . . . . . . . 3
I.3 Incidence sommets-arcs . . . . . . . . . . . . . . . . . . . . . . . 7
I.4 algorithme de Roy-Warshall . . . . . . . . . . . . . . . . . . . . . 8
I.5 Composantes fortement connexes . . . . . . . . . . . . . . . . . . 9
I.6 Mise en ordre dun graphe . . . . . . . . . . . . . . . . . . . . . . 11
II.1 Algorithme de Ford . . . . . . . . . . . . . . . . . . . . . . . . . . 16
II.2 Algorithme de Dijkstra . . . . . . . . . . . . . . . . . . . . . . . . 17
II.3 Graphe sans circuit . . . . . . . . . . . . . . . . . . . . . . . . . . 18
II.4 Algorithme de Floyd . . . . . . . . . . . . . . . . . . . . . . . . . 19
III.1 Graphe MPM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
III.2 Graphe PERT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
I.1 Reprsentation graphique en 2D, solution unique . . . . . . . . . 44
I.2 Reprsentation graphique en 2D, innit de solutions . . . . . . . 44
I.3 Problme non born, pas de solution . . . . . . . . . . . . . . . . 45
I.4 Problme non born, solution unique . . . . . . . . . . . . . . . . 45
IV.1 Intervalles de stabilit . . . . . . . . . . . . . . . . . . . . . . . . 66
I.1 Exemple de processus en temps discret . . . . . . . . . . . . . . . 72
I.2 Exemple de trajectoire : le CAC40 . . . . . . . . . . . . . . . . . 72
I.3 Graphe du processus de Poisson . . . . . . . . . . . . . . . . . . . 75
II.1 Graphe du processus de Naissance et de mort . . . . . . . . . . . 80
I.1 Allure de la courbe du taux davarie . . . . . . . . . . . . . . . . 99
A.1 Quelques densits de la loi de Weibull ( = 1, = 0, =
0.3, 0.6, 1, 1.5, 2, 3.) . . . . . . . . . . . . . . . . . . . . . . . . . 112
viii TABLE DES FIGURES
ix
Introduction
Ce prcis est le contenu du cours dispens au CNAM de Toulouse dans la
demi-valeur intitule TL 18967. Les domaines abords sont trs varis et pr-
sents de manire lmentaire pour que les tudiants sachent avant tout de quoi
lon parle et par la suite utiliser de manire adquate les outils informatiques
dont ils peuvent disposer.
Quelques pr-requis en mathmatiques sont ncessaires la comprhension
du cours et quelques rappels sont prsents en annexe :
Connaissance des fonctions usuelles.
Notions de calcul intgral et sur les sries.
Notions dalgbre linaire et de calcul matriciel.
Bases du calcul de probabilits et de statistiques.
x
1
Premire partie
Elments de la thorie des
graphes et applications
3
Chapitre I
Elments de la thorie des
graphes
On considre un ensemble ni E = x
1
, ,x
n
o n est un entier naturel
et une relation binaire sur E, assimile une partie U de E E cest dire un
ensemble de couples (x
i
, x
j
) o i, j 1, ,n. On se bornera ltude de ce
que la thorie gnrale appelle des 1-graphes.
I.1 Le concept de graphe
I.1 .a Graphes orients
La donne du couple (E, U) dnit un graphe orient, les lments de E
sont appels des sommets , et ceux de U des arcs et sont reprsents par
des ches. Dans un arc (x
i
, x
j
), x
i
est appel extrmit initiale , et x
j
,
extrmit nale. Un arc (x
i
, x
i
) est appel une boucle.
x
i
u
x
j
Fig. I.1 Arc u =(x
i
, x
j
)
Exemple :
E = A, B, C, D, E, F,
G = (A, B), (A, D), (B, C), (C, B), (C, E), (D, C), (D, D), (D, E)
?>=< 89:;
A
u1
u2
?>=< 89:;
B
u3
?>=< 89:;
C
u4
u5
.
?>=< 89:;
D
u7
u8
u6
?>=< 89:;
E
?>=< 89:;
F
Fig. I.2 Exemple de graphe orient
4 CHAPITRE I. ELMENTS DE LA THORIE DES GRAPHES
Au lieu de formuler explicitement G, on utilise souvent lapplication : E
T(E), qui associe chaque sommet lensemble des extrmits nales des arcs
partant de ce sommet. Cest ainsi que dans lexemple prcdent, est dnie
par :
(A) = B, D, (B) = C, (C) = B, E, (D) = C, D, E,
(E) = (F) = .
Un graphe est donc entirement dtermin par la donne de E et , on notera
dsormais un graphe G = (E, ) ou G = (E, U) suivant quil est dni par la
donne de ses arcs ou de lapplication .
Dans la suite on utilisera aussi lapplication, note
1
(attention, il ne sagit
pas de lapplication rciproque de !) qui chaque sommet du graphe associe
lensemble des extrmits initiales des arcs aboutissant ce sommet.
Toujours dans lexemple prcdent, on a :
1
(A) = ,
1
(B) = A, C,
1
(C) = B, D,
1
(D) = A, D,
1
(E) = C, D,
1
(F) = .
I.1 .b Graphes non orients
Dans certaines applications, seule la liaison entre de sommets importe, et
non le sens de la liaison. On parlera alors dartes,nots [x
i
, x
j
] et non plus
darcs. Un tel graphe est dit non orient.
I.2 Principales dnitions
Soit G = (E, U) ou (E, ) un graphe, on a les dnitions suivantes :
Graphe rexif : x
i
E, (x
i
, x
i
) U.
Graphe symtrique : x
i
, x
j
E, (x
i
, x
j
) U => (x
j
, x
i
) U.
Graphe transitif : x
i
, x
j
, x
k
E, (x
i
, x
j
) U, (x
j
, x
k
) U => (x
i
, x
k
)
U.
Graphe partiel : Soit U
U, G
= (E, U
) est un sous-graphe. Lapplication
associe est une restriction de , i.e. x E,
(x) (x).
Sous-graphe : Soit E
E et U
U lensemble des arcs obtenu en ne

conservant dans U que les arcs dont les extrmits sont dans E
, G
=
(E
, U
) est un sous-graphe de G.
Exemple :
G est le rseau routier franais, E est constitu des direntes localits
et U est lensemble des routes et autoroutes (entre deux villes v1 et v2,
sil existe au moins une route directe entre les deux, on aura les arcs
(v1, v2) et (v2, v1) (le graphe est symtrique). Si on restreint le rseau
aux autoroutes, on obtient un graphe partiel, si on restreint le rseau la
rgion Midi-Pyrnes, on obtient un sous-graphe, tandis que les autoroutes
de Midi-Pyrnes constituent un sous-graphe partiel.
Adjacence : Deux sommets sont dits adjacents sils sont relis par un arc ou
une arte. Deux arcs sont adjacents sils ont une extrmit commune.
Chemins et chanes : Un chemin est constitu dune squence darcs adja-
cents dont lextrmit nale de lun est lextrmit initiale du suivant, sauf
I.3. MATRICES ASSOCIES UN GRAPHE 5
pour le dernier. Dans le cas dun graphe non orient, on parlera de chane.
Un chemin est :
simple sil ne passe pas deux fois par le mme arc.
lmentaire sil ne passe pas deux fois par le mme sommet.
un circuit si lextrmit nale concide avec lextrmit initiale. Dans
le cas dune chane on parlera de cycle.
hamiltonien sil passe une fois et une seule par chacun de ses som-
mets. Si cest de plus un circuit cest un circuit hamiltonien.
Degrs :
Le demi-degr extrieur du sommet x
i
est le nombre darcs du
graphe issus de x
i
, on le note d
+
(x
i
), on a d
+
(x
i
) = [(x
i
)[. Dans le
cas o d
+
(x
i
) = 0, on dit que x
i
est une sortie du graphe.
Le demi-degr intrieur du sommet x
i
est le nombre darcs du
graphe aboutissant x
i
, on le note d
(x
i
), on a d
(x
i
) =
1
(x
i
)
.
Dans le cas o d
(x
i
) = 0, on dit que x
i
est une entre du graphe.
Le degr du sommet x
i
est d(x
i
) = d
+
(x
i
) + d
(x
i
). Dans le cas
dune boucle, on augmente de 2 le degr.
Exemple : [cf g. I.2]
d
(D) = 2, d
+
(D) = 3, d(D) = 5.
I.3 Matrices associes un graphe
Soit G = (E, U) un graphe.
I.3 .a Matrices dadjacence
Au graphe G, on fait correspondre une matrice dadjacence (considre
comme boolenne ou entire, suivant lutilisation), de la manire suivante :
Les lignes et les colonnes sont indexes par les sommets du graphe (en gnral
numrots de 1 n), llment de la ligne i et de la colonne j vaut 1 si larc
(i, j) U, 0 sinon.
M =
_
_
_
_
_
_
_
_
0 1 0 1 0 0
0 0 1 0 0 0
0 1 0 0 1 0
0 0 1 1 1 0
0 0 0 0 0 0
0 0 0 0 0 0
_
_
_
_
_
_
_
_
Concatnation de chemins
Soient (A
1
, , A
m
) et (B
1
, , B
n
) deux chemins du graphe G donns
par la liste de leurs sommets successifs. Si A
m
= B
1
(et seulement cette
condition) on peut dnir la concatnation des deux chemins de la manire
suivante : (A
1
, , A
m
).(B
1
, , B
n
) = (A
1
, , A
m
, B
2
, B
n
). On peut
galement dnir la somme de deux chemins qui correspond la runion (au
sens ensembliste) des deux chemins. Ces deux oprations permettent de donner
une interprtation pour les produits et sommes de matrices dadjacence. M
k
donnera le nombre de chemins de longueur k partant dun sommet i un som-
met j (M
[k]
indiquera lexistence dun tel chemin en mode boolen).
M
5
=
_
_
_
_
_
_
_
_
0 3 2 1 4 0
0 0 1 0 0 0
0 1 0 0 1 0
0 2 3 1 3 0
0 0 0 0 0 0
0 0 0 0 0 0
_
_
_
_
_
_
_
_
Il y a, par exemple, 4 chemins de longueur 5 de A vers E, 3 de D vers C. Si lon
considre les matrices boolennes, on trouve :
M
[2]
=
_
_
_
_
_
_
_
_
0 0 1 1 1 0
0 1 0 0 1 0
0 0 1 0 0 0
0 1 1 1 1 0
0 0 0 0 0 0
0 0 0 0 0 0
_
_
_
_
_
_
_
_
et
M
[4]
=
_
_
_
_
_
_
_
_
0 1 1 1 1 0
0 0 1 0 1 0
0 0 1 0 1 0
0 1 1 1 1 0
0 0 0 0 0 0
0 0 0 0 0 0
_
_
_
_
_
_
_
_
Il existe au moins un chemin de longueur 2 de D vers E, et au moins un de
longueur 4 de D vers B.
I.3 .b Matrices dincidence sommets-arcs
Les lignes sont indexes par les sommets du graphe tandis que les colonnes
sont indexes par la liste ordonne (u
1
, , u
m
) des arcs. Si x
i
est lorigine de
larc u
k
, on a a
ik
= 1, si x
j
est lextrmit du mme arc, a
jk
= 1, pour les
autres cas on obtient 0, o a
ik
est llment gnrique de la matrice dincidence.
On remarque que la somme de chaque colonne est gale 0, par ailleurs cette
reprsentation nest valable que pour les graphes sans boucle.
Exemple : Pour le graphe de la gure [I.3], on obtient :
M =
_
_
_
_
1 1 0 0 0 0
1 0 1 1 0 1
0 1 0 1 1 0
0 0 1 0 1 1
_
_
_
_
I.4. FERMETURE TRANSITIVE DUN GRAPHE 7
?>=< 89:;
A
u1
u2
?>=< 89:;
B
u3
?>=< 89:;
C
u5
u4
?>=< 89:;
D
u6
Fig. I.3 Incidence sommets-arcs

I.4 Fermeture transitive dun graphe
I.4 .a Dnition
Soit G = (E, ) un graphe et x un des ses sommets. On appelle fermeture
transitive de x, lensemble :
(x) = x (x)
k
(x) ,
o, pour k 1,
k
(x) = (
(k1)
)(x) est lensemble des sommets extrmits
dun chemin de longueur k issu de x, avec
0
(x) = x, par convention. Plus
gnralement, la fermeture transitive du graphe G est le plus petit graphe tran-
sitif et rexif contenant G. On le notera (G). Il est caractris par le fait que
(x, y) U si et seulement sil existe un chemin allant de x vers y dans G ou si
x = y.
I.4 .b Matrice de fermeture transitive
On lobtient en faisant la somme de toutes les matrices boolennes M
[k]
et
de la matrice identique. On la notera

(E).
(E) = I +M + M
[k]
+
Cette somme est nie car dans un graphe de n sommets il ne peut y avoir de
chemins de plus de n 1 arcs sans rptition darc, on a donc,

(E) = (I +
M)
[n1]
. Dans la pratique, on arrte le calcul ds que (I +M)
[k]
= (I +M)
[k+1]
.
Exemple : Dans le graphe de la gure [I.2], on obtient,
(E) =
_
_
_
_
_
_
_
_
1 1 1 1 1 0
0 1 1 0 1 0
0 1 1 0 1 0
0 1 1 1 1 0
0 0 0 0 1 0
0 0 0 0 0 1
_
_
_
_
_
_
_
_
= (I +M)
[2]
I.4 .c Algorithme de Roy-Warshall
Soit G = (E, U) un graphe de n sommets numrots de 1 n, M = (m
ij
)
la matrice boolenne associe G, avec m
ii
= 1 pour la rexivit. Pour r
1, ,n, on considre loprateur
r
qui G associe le graphe
r
(G) dni de
la manire suivante :
G est un graphe partiel de
r
(G)
(i, j) est un arc de
r
(G) soit sil est dans G, soit si les arcs (i, r) et (r, j)
sont dans G.
Lalgorithme de Roy-Warshall consiste appliquer successivement G lopra-
teur
1
,
1
(G) loprateur
2
, et ainsi de suite. On obtient
(G) =
n
(
n1
( (
1
(G)) )).
?>=< 89:;
1
?>=< 89:;
2

?>=< 89:;
3
?>=< 89:;
4

?>=< 89:;
5
?>=< 89:;
6
Fig. I.4 algorithme de Roy-Warshall

Exemple : Pour le graphe de la gure [I.4], on obtient successivement,
M+ I =
_
_
_
_
_
_
_
_
1 1 0 1 1 0
0 1 1 0 0 0
0 1 1 1 0 0
0 0 0 1 1 0
0 0 0 1 1 1
0 0 0 1 0 1
_
_
_
_
_
_
_
_
1
_
_
_
_
_
_
_
_
1 1 0 1 1 0
0 1 1 0 0 0
0 1 1 1 0 0
0 0 0 1 1 0
0 0 0 1 1 1
0 0 0 1 0 1
_
_
_
_
_
_
_
_
2
_
_
_
_
_
_
_
_
1 1 1 1 1 0
0 1 1 0 0 0
0 1 1 1 0 0
0 0 0 1 1 0
0 0 0 1 1 1
0 0 0 1 0 1
_
_
_
_
_
_
_
_
3
_
_
_
_
_
_
_
_
1 1 1 1 1 0
0 1 1 1 0 0
0 1 1 1 0 0
0 0 0 1 1 0
0 0 0 1 1 1
0 0 0 1 0 1
_
_
_
_
_
_
_
_
4
_
_
_
_
_
_
_
_
1 1 1 1 1 0
0 1 1 1 0 0
0 1 1 1 1 0
0 0 0 1 1 0
0 0 0 1 1 1
0 0 0 1 1 1
_
_
_
_
_
_
_
_
5
_
_
_
_
_
_
_
_
1 1 1 1 1 1
0 1 1 1 0 0
0 1 1 1 1 0
0 0 0 1 1 0
0 0 0 1 1 1
0 0 0 1 1 1
_
_
_
_
_
_
_
_
6
_
_
_
_
_
_
_
_
1 1 1 1 1 1
0 1 1 1 0 0
0 1 1 1 1 0
0 0 0 1 1 0
0 0 0 1 1 1
0 0 0 1 1 1
_
_
_
_
_
_
_
_
=

(E)
I.5 Graphes et connexit
Soit G = (E, ) un graphe orient, on introduit sur E une relation binaire
note _, on a x _ y si et seulement si y

(x) i.e. si x = y ou sil existe un
chemin de x vers y. On dira dans ce cas que x prcde y. La relation _ est
rexive et transitive. On dnit galement une relation dquivalence sur E
partir de la relation _, note : x y (x _ y et y _ x). Sur les graphes non
orients, on dnit la relation dquivalence dnie par x y si et seulement
si x et y sont relis par une chane.
I.5. GRAPHES ET CONNEXIT 9
I.5 .a Composantes connexes
Les classes dquivalence du graphe G pour la relation sont appeles com-
posantes connexes . Un graphe est dit connexe sil existe une seule composante
connexe i.e. i, j E il existe une chane entre x et y.
I.5 .b Composantes fortement connexes
Les classes dquivalence pour la relation _ sont appeles composantes
fortement connexes(cfc) . Un graphe est dit fortement connexe sil existe
une seule composante fortement connexe i.e. : i, j E il existe un chemin
entre x et y (donc un circuit contenant x et y). Une condition ncessaire et
susante (CNS) est que

(E) ne comporte que des 1. De la mme manire que
lon a dni

(x) pour x E, on dnit

1
(x) :
1
(x) = x
1
(x)
k
(x)
La composante fortement connexe (cfc) dun sommet x est gale

(x)
1
(x).
Cette remarque permet dobtenir un algorithme pour dterminer les cfc dans
un graphe :
Tant que il reste des sommets marqus Faire
Dbut
Prendre un sommet non marqu x ;
Calculer

(x)

1
(x) ;
Marquer les sommets obtenus ;
Passer au sommet non marqu suivant ;
Fin.
Exemple :
?>=< 89:;
B
?>=< 89:;
F
?>=< 89:;
E
?>=< 89:;
D
?>=< 89:;
A
?>=< 89:;
H
?>=< 89:;
C
?>=< 89:;
G
Fig. I.5 Composantes fortement connexes

Dans le graphe de la gure [I.5], on obtient :
A B C D E F G H

1
(A)

1
(C)
A 0 1 0 0 0 0 0 1 0 2
B 0 0 0 1 0 0 0 0 2 4
C 0 0 0 0 0 0 1 0 0
D 1 0 0 0 0 0 0 0 1 3
E 0 0 0 0 0 1 0 0 2
F 0 0 1 0 0 0 0 0 1
G 0 0 0 0 1 0 0 0 3
H 0 0 1 0 0 0 0 0 1
(A) 0 1 2 2 4 5 3 1
(C) 0 2 3 1
Do,
cfc(A) = {A, B, D} = cfc(B) = cfc(D),
cfc(C) = {C, E, F, G} = cfc(E) = cfc(F) = cfc(G),
cfc(H) = {H}.
I.6 Mise en ordre dun graphe
On considre un graphe G ne possdant que des chemins de longueur nie,
cela implique en particulier que le graphe ne possde pas de circuit. La mise en
ordre seectuera sur chacune des composantes connexes, on peut donc suppo-
ser le graphe connexe. La classe C
0
est constitue des entres de G = G
0
, on
considre alors G
1
sous-graphe de G obtenu en enlevant les lments de C
0
, les
entres de G
1
constituent la classe C
1
, on itre le processus jusqu puisement
des sommets.
Dbut
Pour i = 1 n Faire d
1
(i)
;
k 0 ; C[0] ;
Pour i = 1 n Faire
Si d
i
= 0 Alors C[0] C[0] {i} ;
{C[k] est lensemble des sommets i tels que d
i
= 0 la k
eme
itration.}
Tant que C[k] = Faire
Dbut
C[k + 1] = ;
Pour tout i C[k] Faire
Dbut ;
r[i] k ; {calcul du rang du sommet i}
Pour tout j (i) Faire
Dbut
d
j
d
j
1 ;
Si d
j
= 0 Alors C[k + 1] C[k + 1] {j} ;
Fin;
Fin;
k k + 1 ;
Fin;
Fin.
I.6. MISE EN ORDRE DUN GRAPHE 11
Exemple :
?>=< 89:;
2
?>=< 89:;
4
?>=< 89:;
7
?>=< 89:;
1
?>=< 89:;
3

?>=< 89:;
6
?>=< 89:;
5
Fig. I.6 Mise en ordre dun graphe

Dans lexemple de la gure [I.6], on obtient,
C[0] = 1, C[1] = 3, C[2] = 2, C[3] = 6, C[4] = 4, 5,C[5] = 7 et
r(1) = 0, r(2) = 2, r(3) = 1, r(4) = r(5) = 4, r(6) = 3, r(7) = 5.
12
Exercices du chapitre I
Exercice I.1
On considre un graphe G = (E, U) avec E = (A, B, C, D, E) et M sa matrice
associe :
M =
_
_
_
_
_
_
0 1 0 1 0
0 0 1 0 0
0 0 0 0 1
0 0 1 0 1
0 0 0 0 0
_
_
_
_
_
_
1. Tracer le graphe reprsentatif de cette matrice.
2. Dterminer la matrice dincidence de ce graphe.
3. Calculer M
i
, i 1, 2, 3. Rappeler la signication des coecients non
nuls de ces matrices.
4. Calculer M
[i]
, i 1, 2, 3.
5. Calculer A = I +M +M
[2]
+M
[3]
+M
[4]
. Donner une interprtation de
A.
6. Appliquer lagorithme de Roy-Warshall la matrice M. Que remarque-t-
on?
Exercice I.2
On considre le graphe G suivant :
?>=< 89:;
A

?>=< 89:;
F
?>=< 89:;
B
?>=< 89:;
E
?>=< 89:;
C
.
?>=< 89:;
D

1. Dterminer (A), . . . , (F) ainsi
que
1
(A), . . . ,
1
(F).
2. Calculer les demi-degrs int-
rieurs et extrieurs de chaque
sommet.
3. Donner un exemple de chemin
simple mais non lmentaire.
4. Existe-t-il un circuit hamiltonien
dans G?
5. Tracer le graphe non orient d-
duit de G.
6. G est-il connexe ? fortement
connexe?
Exercice I.3
Dcomposer le graphe G suivant en composantes fortement connexes. On rem-
place chaque cfc par un seul point et on garde un seul arc joignant une cfc
13
une autre, ordonner puis tracer le graphe G
ainsi obtenu.
?>=< 89:;
B

?>=< 89:;
E
?>=< 89:;
J
?>=< 89:;
A
?>=< 89:;
C

?>=< 89:;
F
GFED @ABC
K
?>=< 89:;
L
?>=< 89:;
D

?>=< 89:;
G

?>=< 89:;
I
Exercice I.4
Dnitions :
un graphe G = (E, U) est dit -minimal si, u U, si G
= (E,Uu)
alors (G
) ,= (G) o (X) reprsente la fermeture transitive de X.

Deux graphes G et G
sont dits -quivalents si (G) = (G
).
Soit G le graphe ci-dessous :
?>=< 89:;
B
?>=< 89:;
C
?>=< 89:;
D
?>=< 89:;
A

?>=< 89:;
E
1. Dterminer la fermeture (G) de G.

2. Dterminer le graphe G
-minimal -quivalent G.
Exercice I.5
Deux joueurs disposent de deux tas de trois allumettes, tour de rle chaque
joueur peut enlever une ou deux allumettes dans un des tas. Le joueur qui retire
la dernire allumette perd la partie.
1. Modliser le jeu laide dun graphe.
2. Que doit jouer le premier joueur pour gagner coup sr?
3. Reprendre lexercice avec trois tas de trois allumettes.
14
15
Chapitre II
Chemins optimaux
Dans les graphes utiliss dans la pratique, les arcs sont aects de valeur
numriques qui traduisent un cot de parcours. Il peut sagir dune distance
(rseau routier), dun cot nancier, dune dure, dun dbit, etc...
Les graphes considrs dsormais possdent une entre et une sortie uniques,
qui correspondent respectivement au dbut et la n du processus dcrit par le
graphe. Le problme se pose alors de dterminer le chemin optimum pour aller
de lentre du graphe vers sa sortie, les cots de parcours retant les direntes
contraintes du problme traiter. Loptimisation peut se faire dans le sens dun
cot maximum (par exemple recherche des dlais maximum dans un ensemble
de tches) ou dun cot minimum (par exemple le plus court trajet entre deux
localits). Il peut y avoir dautre contraintes du type passer par tous les som-
mets du graphe (chemin hamiltonien), etc...
II.1 Lalgorithme de Ford
On considre un graphe G = (E, U) n sommets, numrots de 1 n. Pour
simplier, on supposera que le sommet 1 est lentre du graphe et le sommet n
sa sortie. On va chercher un chemin de longueur minimum de 1 n, on suppose
pour ce faire que le graphe G ne comporte pas de circuit de longueur ngative.
Lalgorithme de Ford permet de calculer le plus court chemin du sommet 1
tous les sommets du graphe. Chaque sommet i du graphe est aect dune valeur
i
qui initialement vaut 0 pour le sommet 1 et + pour les autres sommets.
A la sortie,
i
contiendra la valeur du plus court chemin de 1 i. On utilisera
un tableau v : v
ij
est gal la longueur de larc (i, j) si (i, j) U, + sinon.
La stratgie utilise est la suivant : pour tout couple (i, j) de sommets trait,
si v
ij
<
j

i
, on remplace
j
par
i
+v
ij
. Les remplacements sont eectus
jusqu ce quon ne puisse en faire de nouveaux.
16 CHAPITRE II. CHEMINS OPTIMAUX
Dbut
Pour i = 1 n Faire
Pour j = 1 n Faire Lire(vij) ; {vij = + si (i, j) / U}
1 0 ;
Pour i = 2 n Faire i +;
i 1 ;
Tant que i n Faire
Dbut
j 2 ;
Tant que j n Faire
Dbut
Si vij < +
Alors
Si j i > vij
Alors
Dbut
j i + vij ;
Si i > j Alors i j Sinon j j + 1 ;
Fin
Sinon j j + 1
Sinon j j + 1
Fin;
i i + 1 ;
Fin;
Fin.
Pour trouver un chemin optimal, appel chemin critique on choisit un
prdcesseur de n, soit p
1
, tel que v
p1n
=
n

p1
, puis un prdcesseur p
2
de
p
1
tel que v
p2p1
=
p1
p2
, et ainsi de suite jusqu parvenir au sommet initial.
Le chemin (1,p
k
, , p
1
, ,n) est bien minimal (longueur =
n
).
Exemple :
?>=< 89:;
2
8
2
?>=< 89:;
5
8
?>=< 89:;
1
4
12
?>=< 89:;
6
?>=< 89:;
3
2
?>=< 89:;
4
5
Fig. II.1 Algorithme de Ford

Dans le graphe de la gure [II.1], on trouve,
1
= 0,
2
= 4,
3
= 8,
4
= 10,
5
= 6,
6
= 14.
Le chemin le plus court de lentre la sortie du graphe a pour longueur 14, le
chemin critique est (1, 2, 5, 6).
II.2. ALGORITHME DE DIJKSTRA 17
Lalgorithme de Ford est un algorithme gnral, il y a cependant des cas
particuliers o lon peut simplier la recherche de chemin optimum.
II.2 Algorithme de Dijkstra
Cet algorithme sapplique pour des arcs qui ont tous des longueurs positives
ou nulles.
Dbut
S
{2, , n} ;
1 0 ;
Pour i = 1 n Faire
Pour j = 1 n Faire Lire(vij) ; {vij = + si (i, j) / U}
Pour i = 2 n Faire i v1i ;
Tant que S
= Faire
Dbut
Soit j S
tel que j = min

iS
(i) ;
S
\{j} ;
Pour tout i (j) S
Faire i min(i, j + vji) ;

Si j = i + vji Alors Pred(i) j ;
Fin;
Fin.
Exemple :
?>=< 89:;
2
1
4
?>=< 89:;
4
?>=< 89:;
1
7
?>=< 89:;
5
5
?>=< 89:;
3
5
?>=< 89:;
6
3
Fig. II.2 Algorithme de Dijkstra

Dans le graphe de la gure [II.2], on trouve,
1
= 0,
2
= 5,
3
= 1,
4
= 8,
5
= 3,
6
= 6.
Pred(2) = 5, Pred(3) = 1, Pred(4) = 5, Pred(5) = 3, Pred(6) = 2.
II.3 Graphes sans circuit
Si un graphe ne possde pas de circuit, on peut lordonner en utilisant par
exemple lalgorithme [I.6], lalgorithme de recherche de chemin optimum est
alors trs simpli :
18 CHAPITRE II. CHEMINS OPTIMAUX
Dbut
S {1} ; Tant que |S| < n Faire
Dbut
Prendre un sommet j S
(complmentaire de S) tel que

1
(j) S ;
j min
i
1
(j)
(i + vij) ;
S S {j} ;
Fin;
Fin.
Exemple :
?>=< 89:;
2
3
?>=< 89:;
4
4
?>=< 89:;
7
?>=< 89:;
1
7
?>=< 89:;
3
5
?>=< 89:;
6
5
3
?>=< 89:;
5
10
Fig. II.3 Graphe sans circuit

Dans le graphe de la gure [II.3], on obtient, aprs lavoir ordonn (cf [I.6]) :

1
= 0

3
=
1
+v
13
= 1

2
= min(
1
+v
12
,
3
+v
32
) = 6

6
= min(
2
+v
26
,
3
+v
36
) = 3

4
= min(
2
+v
24
,
6
+v
64
) = 8

5
= min(
2
+v
25
,
3
+v
35
,
6
+v
65
) = 3

7
= min(
4
+v
47
,
5
+v
57
) = 12
II.4 Algorithmes matriciels
On considre un graphe G = (E, U) sans circuit de longueur ngative. On
considre les matrices L
(k)
= (l
(k)
ij
) pour k 1 en posant L
(0)
= (v
ij
) et o
l
(k)
ij
= min(l
(k1)
ij
, l
(k1)
ik
+l
(k1)
kj
) est la longueur du plus court chemin entre i et
j dont les sommets intermdiaires sont dans 1, , k. L
(n)
= L est la matrice
des plus courts chemins entre deux sommets.
II.4. ALGORITHMES MATRICIELS 19
II.4 .a Algorithme de Floyd
Dbut
Pour i = 1 n Faire
Pour j = 1 n Faire Lire(lij) ; {lij = vij, (+ si (i, j) / U)}
Pour k = 1 n Faire
Pour i = 1 n Faire
Si (l
ik
+ l
ki
) 0
Alors Pour j = 1 n Faire lij min(lij, l
ik
+ l
kj
)
Sinon Fin; {circuit de longueur ngative.}
Fin.
?>=< 89:;
1
3
?>=< 89:;
2 2
2
2
.
?>=< 89:;
3
2
1

?>=< 89:;
4
4
Fig. II.4 Algorithme de Floyd

Exemple : Dans le graphe de la gure [II.4], on obtient successivement,
L
(0)
=
_
_
_
_
0 3 + 3
2 0 2 2
2 + 0 1
+ 4 4 0
_
_
_
_
, L
(1)
=
_
_
_
_
0 3 + 3
2 0 2 2
2 1 0 1
+ 4 4 0
_
_
_
_
,
L
(2)
=
_
_
_
_
0 3 5 3
2 0 2 2
2 1 0 1
6 4 4 0
_
_
_
_
, L
(3)
=
_
_
_
_
0 3 5 3
0 0 2 2
2 1 0 1
2 4 4 0
_
_
_
_
,
L = L
(4)
=
_
_
_
_
0 3 5 3
0 0 2 2
2 1 0 1
2 4 4 0
_
_
_
_
.
20
Exercices du chapitre II
Exercice II.1
A la date 1, une personne achte une voiture de 15 000 . Le cot de mainte-
nance annuelle du vhicule dpend de son ge pris au dbut de lanne :
ge de la voiture cot de maintenance
0 1 000
1 1 500
2 2 300
3 3 500
4 5 300
Pour minimiser les cots de maintenance, cette personne envisage dchanger sa
voiture contre une neuve. Elle doit alors payer la dirence entre le prix dune
voiture neuve (suppos de 15 000 ) et le cot de reprise de lancienne, donn
dans le tableau suivant :
ge de la voiture prix de reprise
1 12 000
2 7 500
3 6 000
4 3 500
5 2 000
Que doit faire la personne pour minimiser ses dpenses sachant quelle doit
vendre sa voiture la n de la 5
me
anne?
Exercice II.2
Excuter lalgorithme de Dijkstra sur le graphe ci-dessous en choisissant C puis
F comme sommets sources.
?>=< 89:;
B
1
?>=< 89:;
A
7
?>=< 89:;
F
8
?>=< 89:;
G
5
?>=< 89:;
C
13
?>=< 89:;
E
10
?>=< 89:;
D
2
21
Exercice II.3
Excuter lalgorithme de Floyd pour dterminer les chemins de valeur maximale
entre tout couple de sommets dans le graphe suivant :
?>=< 89:;
C
3
?>=< 89:;
A
4
?>=< 89:;
B
2
.
?>=< 89:;
D
6
1
?>=< 89:;
E
Peut-on appliquer lalgorithme pour la recherche de chemin de valeur minimale?
22
23
Chapitre III
Ordonnancement
III.1 Position du problme
On appelle problme dordonnancement un problme dans lequel les trois
conditions suivantes sont ralises :
Il sagit dtudier comment on doit raliser quelque chose.
Il peut sagir dun grand ensemble (maison, usine, navire, ), dune production
datelier (construction mcanique, imprimerie, . . .), dun ensemble doprations
dentretien eectuer priodiquement pour maintenir un matriel en tat de
fonctionnement, ou encore dun emploi du temps . . .
Ce quelque chose est dcomposable en tches.
Ces tches correspondent soit des oprations lmentaires, soit des groupe-
ments doprations selon que lon veut aller plus ou moins loin dans le dtail.
La dcomposition nest en gnral pas unique et demande une analyse minu-
tieuse. La dnition de chaque tche peut ncessiter de grandes connaissances
technologiques ainsi quune exprience des modles dordonnancement dont elle
constitue llment de base.
Si lon considre n tches numrotes de 1 n, (n pouvant varier de quelques di-
zaines quelques milliers), il est indispensable que pour chaque tche les notions
suivantes soient clairement dnies :
1. poque de dbut, note t
i
pour la tche i.
2. dure dexcution, note d
i
pour la tche i.
Si lon suppose que cette dure est convenablement value (en fait on sera sou-
vent amen considrer une valeur moyenne avec son cart type), et quaucune
interruption prvisible ne doive intervenir durant lexcution de la tche i, on
peut considrer que celle-ci sera acheve lpoque f
i
= t
i
+ d
i
. Souvent pour
dterminer cette poque on sintressera aux moyens quil faut aecter pour son
excution (moyens humains et matriels). Mais mme quand ces moyens jouent
un rle important cest toujours par lintermdiaire de ces deux nombres quils
se manifesteront dans les calculs.
Cette ralisation est soumise un ensemble de contraintes.
24 CHAPITRE III. ORDONNANCEMENT
Ces contraintes sont imposes par :
Le matriel.
La main doeuvre.
La technologie : une tche ne peut souvent dbuter que lorsque certaines
autres sont acheves.
Le commerce : certaines tches doivent tre termines avant un dlai x.
Les fournisseurs : la livraison de matires premires risque de limiter inf-
rieurement lpoque de dbut de certaines tches,
Le climat : il est des tches irralisables certaines poques de lanne.
Le choix de lordonnancement est gnralement guid par des critres tels
que :
cot ou dure totale minimaux.
immobilisation, attentes, pnalits minimales.
Production maximale.
Scurit ou souplesse maximales, . . .
Aprs avoir donn une formulation analytique convenable du problme, on
est conduit la recherche dun optimum. Lanalyse des contraintes permettra de
dterminer les tches clefs, cest dire celles qui ne supporteront que peu dcart
par rapport aux prvisions si lon ne veut pas introduire des perturbations graves
dans lexcution.
III.2 Principaux types de contraintes
III.2 .a Contraintes de type potentiel
Elles sont de deux types :
Localisation temporelle : elles imposent une tche i quelconque dtre si-
tue certains moments : ne pas dbuter avant une certaine poque (cli-
mat, matires premires non livres, . . .) ou, au contraire, dtre termines
au plus tard avant une poque donne (exigences commerciales, . . .).
On peut les mettre sous la forme suivante :
t
i
> e
i
t
i
< e
i
En eet, si lon veut exprimer quune tche i doit tre termine avant
lpoque limite L
i
, il vient :
t
i
+d
i
< L
i
succession: elles viennent limiter lintervalle de temps qui scoule entre les
dbuts de deux tches i et j. On peut les mettre sous la forme :
t
j
t
i
> a
ij
t
j
t
i
< a
ij
Par exemple si la tche j ne peut commencer avant que la tche i ne soit
termine on aura :
t
j
> t
i
+d
i
III.3. EXEMPLE DE PROBLME: 25
Plus gnralement si la tche j ne peut commencer avant que la tche i
nait atteint un certain degr davancement a on aura :
t
j
> t
i
+a.d
i
III.2 .b Contraintes de type disjonctif
Ce sont les contraintes traduisant que les intervalles de temps durant lesquels
doivent tre excutes deux tches i et j ne peuvent avoir de partie commune,
ce qui se traduit par :
[t
i
, t
i
+d
i
] [t
j
, t
j
+d
j
] =
Cela arrive,entre autres, quand les deux tches rclament lutilisation dun ma-
triel unique susceptible de nen accomplir quune seule la fois. Si lon connat
lordre de succession, par exemple i avant j, on traduira par :
t
j
> t
i
+d
i
III.3 Exemple de problme :
On sintresse la construction dun complexe hydro-lectrique. Aprs une
premire approche, on a rpertori les oprations suivantes :
1. Construction des voies daccs.
2. Travaux de terrassement.
3. Construction des btiments dadministration.
4. Commande du matriel lectrique.
5. Construction de la centrale.
6. Construction du barrage.
7. Construction des galeries et conduites.
8. Installation des machines.
9. Tests de fonctionnement.
On supposera que toutes les contraintes sont des contraintes de succession, r-
sumes dans le tableau ci-dessous :
Oprations Dure (mois) pr-requis
1 4 -
2 6 1
3 4 -
4 12 -
5 10 2, 3, 4
6 24 2, 3
7 7 1
8 10 5, 7
9 3 6, 8
Les deux principales mthodes pour rsoudre les problmes dordonnance-
ment sont les mthodes MPM et PERT . Elles sont exposes dans les deux
sections suivantes.
III.4 La mthode MPM
MPM signie "mthode des potentiels Mtra". Dans le graphe de reprsenta-
tion, un sommet correspond une tche, un arc dnit une relation dantriorit.
La longueur de larc donne le temps minimum qui doit scouler entre la tche
origine et le dbut de la tche extrmit. Lorsque les contraintes sont unique-
ment des contraintes de succession, la longueur de larc sera donc gale la
dure de la tche origine.
III.4 .a Construction du graphe MPM
On tablit dabord un tableau donnant les tches et, pour chacune dentre
elles, les oprations pr-requises. On ordonne les tches (qui seront les sommets
du graphe) en partant de la tche origine (dbut). Pour cela on se sert du tableau
initial :
La classe 0 est obtenue en prenant les tches sans pr-requis (sommets sans
prdcesseur). On raye ensuite les sommets ainsi obtenus, et la classe 1 est
obtenue en prenant les nouveaux sommets sans prdcesseur, on continue jusqu
puisement des tches.
Dans lexemple [III.3], on obtient ainsi les classes :
1, 3, 4, 2, 7, 5, 6, 8, 9.
Les sommets sont disposs de gauche droite de faon limiter le nombre din-
tersections entre les arcs. Un arc relie un sommet i un sommet j si i est un
pr-requis de j.
Chaque sommet est gur par un rectangle o gurent les informations sui-
vantes :
x : nom de la tche. (en bas)
T
x
: date de dbut au plus tt de la tche. (en haut gauche)
T
x
: date de dbut au plus tard de la tche. (en bas droite)
On introduit une tche supplmentaire ou tche n, Z et une tche initiale
W qui prcde toutes les autres. Elles sont videmment de dure nulle.
III.4 .b Dtermination du calendrier au plus tt
Pour chaque sommet x, on considre T
x
, chemin le plus long de 0 x; cela
garantit que toutes les contraintes dantriorit seront respectes. Lensemble
des arcs qui contribuent la dtermination de la date de n des travaux T
Z
constitue le chemin critique. Pour dterminer ce chemin, on peut utiliser
lalgorithme de Ford, modi pour la dtermination de chemin maximal.
Pour la tche W, on pose T
W
= 0. Pour une tche x quelconque, T
x
est la
longueur du plus long chemin conduisant de W x. La gure [III.1] correspond
au graphe de lexemple [III.3].
Disposition pratique
On utilise la disposition suivante pour eectuer les calculs :
III.4. LA MTHODE MPM 27
0 : 1 4 : 2 0 : 3 0 : 4 12 : 5 10 : 6 4 : 7
0 [ W : 0 0 [1 : 4 0 [W : 0 0 [W : 0 4 [2 : 6 4 [2 : 6 0 [1 : 4
0 [3 : 4 0 [3 : 4
0 [4 : 12
22 : 8 34 : 9 37 : Z
12 [5 : 10 10 [6 : 24 34 [9 : 3
4 [7 : 7 22 [8 : 10
Le chemin critique est ici, W, 1, 2, 6, 9, Z.
III.4 .c Dtermination du calendrier au plus tard
Il sagit de dterminer pour chaque tche x la date au plus tard T
x
telle
que la date de n des travaux T
Z
ne soit pas retarde. On utilise la procdure
suivante :
1. On pose T
Z
= T
Z
.
2. Soit x un sommet dont tous les suivants sont marqus (ce qui implique
que T
y
est connu), alors,
T
x
= min
y(x)
(T
y
d
x
).
En eet, les contraintes imposent que T
x
+d
x
T
y
.
III.4 .d Marge totale
Cest le retard maximum que lon peut prendre dans la mise en route dune
tche sans remettre en cause les dates au plus tard des tches suivantes et donc
retarder la n des travaux. Pour une tche x, elle est gale
T
x
T
x
.
III.4 .e Marge libre
Cest le retard maximum que lon peut prendre dans la mise en route dune
tche sans remettre en cause la date au plus tt daucune autre tche. Elle est
gale
min
y(x)
(T
y
T
x
d
x
).
III.4 .f Synthse
On runit les rsultats obtenus prcdemment dans un tableau rcapitulatif :
Tche Date au plus tt Date au plus tard Marge totale Marge libre
1 0 0 0 0
2 4 4 0 0
3 0 6 6 6
4 0 2 2 0
5 12 14 2 0
6 10 10 0 0
7 4 17 13 11
8 22 24 2 2
9 34 34 0 0
Z 37
III.4. LA MTHODE MPM 29
0 0
W
0 0
1
0 6
3
0 2
4
4 17
7
4 4
2
10 10
6
12 14
5
34 34
9
22 24
8
37 37
Z
0 0
0
4
4
4
4
12
6
6
7
10
10
24
3
Fig. III.1 Graphe MPM
III.5 La mthode PERT
Les principes dirent de ceux de la mthode MPM: chaque tche corres-
pond un arc du graphe dont la longueur est gale la dure de la tche. Chaque
sommet du graphe correspond une tape signiant :
Toutes les tches qui arrivent sont termines
Toutes les tches qui partent peuvent commencer
III.5 .a Construction du graphe PERT
Chaque sommet est reprsent par un cercle o gurent :
X : tape (en bas)
t
x
: date attendue de ltape X (en haut gauche).
t
x
: date au plus tard de ltape X (en haut droite).
On ajoute un sommet initial do partent toutes les tches dont la mise en
route nest soumise aucune contrainte dantriorit et un sommet nal auquel
aboutissent toutes les tches nayant pas de suivante. On est parfois oblig din-
troduire des tches ctives, ainsi dans lexemple [III.3], pour tenir compte du
fait que les tches 2, 3, 4 sont antrieures la tche 5 alors que seules les tches
2, 3 sont antrieure la tche 6, on introduit une tche ctive de longueur nulle
entre ltape 3 laquelle aboutissent les tches 3 et 2 et ltape 4 laquelle
aboutit galement la tche 4.
La gure [III.2] correspond au graphe de lexemple [III.3].
III.5 .b Calendrier au plus tt
A chaque sommet x on aecte une date t
x
gale la longueur du chemin le
plus long allant du sommet 1 au sommet x. t
x
est la date attendue de lvnement
x, elle est gale la date au plus tt de toutes les tches partant du sommet x.
III.5 .c Calendrier au plus tard
Pour chaque tape x, on dtermine t
x
date de ralisation de x telle que la
date au plus tt de la n des travaux ne soit pas retarde. On utilise la procdure
suivante :
1. On pose t
Z
= t
Z
.
2. Pour un sommet x ayant tous ses suivants marqus, on pose
t
x
= min
y(x)
(t
y
d
k
)
o k est une tche joignant x y.
III.5 .d Marges totales :
Idem que par la mthode MPM.
III.5 .e Marges libres :
Pour une tche k joignant un sommet x un sommet y, elle est gale
t
y
t
x
d
k
.
III.5. LA MTHODE PERT 31
0 0
1
0 0
1
4 4
2
10 10
3
22 24
5
34 34
6
37 37
7
12 14
4
12
{4}
{1}
4
{3}
4
{2}
6
{7}
7
{5}
10
{6}
24
{8}
10
{9}
3
Fig. III.2 Graphe PERT
32
Exercices du chapitre III
Exercice III.1
Un producteur de cinma a plani les tches suivantes pour son prochain lm:
Code de la tche Dnition Dure (en jours) Antriorits
A
Choix du scna-
rio
30 -
B
Choix et recrute-
ment des com-
diens
45
Ne peut com-
mencer que 20
jours aprs le
dbut de A
C
Choix des lieux
de tournage
30
Ne peut com-
mencer que 25
jours aprs le
dbut de A
D
Dcoupage des
scnes
15
A et C doivent
tre termines
E
Prparation des
dcors
21
C et D doivent
tre termines
F
Tournage des ex-
trieurs
35
A, B, C et D
doivent tre ter-
mines
G
Tournage des in-
trieurs
21
D, E et F doivent
tre termines
H Synchronisation 7
F et G doivent
tre termines
I Montage 21
H doit tre termi-
ne
J Bande sonore 14
H, ne peut com-
mencer que 7
jours aprs le
dbut de I
K Mixage 7
I et J doivent tre
termines
L
Tirage de la pre-
mire copie
1
K doit tre ter-
mine
1. Supprimer les contraintes obtenues par transitivit et ordonner les tches.
2. Dterminer par la mthode MPM lordonnancement au plus tt des di-
rentes tches et indiquer le chemin critique.
3. Tracer le graphe MPM.
4. Tracer le graphe PERT.
33
Deuxime partie
Programmation Linaire
35
Chapitre I
Prsentation
La programmation linaire est un des domaines les plus utiliss de la RO.
Elle permet de traiter un vaste ensemble de problmes doptimisation dans des
contextes divers comme la gestion de stocks, ux de transport, distribution de
tches des personnels, recherche de plans de fabrication etc. . . La modlisation
de ces problmes dbouche sur des quations ou inquations linaires (exprimant
les direntes contraintes) dont on cherche les solutions permettant doptimi-
ser une fonction conomique elle-mme linaire. De plus on supposera que les
variables considres sont astreintes tre positives (contraintes de positivit).
On appelle une telle formulation un programme linaire (PL).
I.1 Prsentation dun exemple :
Un industriel fabrique un engrais dans lequel interviennent trois composants
de base P
1
, P
2
, P
3
dont les cours sont uctuants et dont on suppose que les
quantits disponibles sont illimites. Suivant le prix de ces composants, lindus-
triel dtermine les pourcentages de chacun dentre eux x
1
, x
2
, x
3
devant entrer
dans la composition du produit nal, sachant que certaines normes de fabrica-
tion doivent tre respectes. On notera c
1
, c
2
, c
3
les cots respectifs dune unit
des produits P
1
, P
2
, P
3
. Le cot de fabrication dune unit dengrais est :
z = c
1
x
1
+c
2
x
2
+c
3
x
3
qui dnit la fonction conomique du problme et que lon doit minimiser. De
plus lengrais doit prsenter un taux de potasse minimum b
1
. Notons a
11
, a
12
, a
13
les taux de potasse minimum respectifs de P
1
, P
2
, P
3
, la proportion de potasse
dans le produit nal est : a
11
x
1
+a
12
x
2
+a
13
x
3
et lon doit avoir,
a
11
x
1
+a
12
x
2
+a
13
x
3
b
1
De la mme manire on suppose que la teneur en nitrate ne doit pas descendre en
dessous dune certaine valeur b
2
, en notant a
21
, a
22
, a
23
les teneurs respectives
en nitrate de P
1
, P
2
, P
3
, on doit donc avoir,
a
21
x
1
+a
22
x
2
+a
23
x
3
b
2
36 CHAPITRE I. PRSENTATION
De plus, comme les x
i
sont des pourcentages (exprim en centimes 100% est
ramen 1), on a lquation,
x
1
+x
2
+x
3
= 1.
Par ailleurs les contraintes de positivit impliquent que x
i
0, pour i = 1, 2, 3.
On obtient ainsi la formulation du problme rsoudre :
min(z) = c
1
x
1
+c
2
x
2
+c
3
x
3
(I.1)
_
_
a
11
x
1
+ a
12
x
2
+ a
13
x
3
b
1
a
21
x
1
+ a
22
x
2
+ a
23
x
3
b
2
x
1
+ x
2
+ x
3
= 1
x
i
0, pour i 1, 2, 3
(I.2)
lensemble ainsi form est un PL, la fonction conomique est donne par lqua-
tion (I.1), tandis que le systme (I.2) dtermine les contraintes du problme.
Les variables x
i
sont appeles variables structurelles ou variables de d-
cision. La rsolution du problme consiste dterminer les valeurs des x
i
qui
optimisent la fonction z (qui est une fonction des variables x
i
).
t
i
=
n
j=1
a
ij
x
j
b
i
est appele variable dcart, t
i
0. Son introduction dans
chacune des contraintes, hors celles de positivit, permet dobtenir des quations
et conduit une formulation dite standard du PL. Ici on obtient :
min(z) = c
1
x
1
+c
2
x
2
+c
3
x
3
(I.3)
_
_
a
11
x
1
+ a
12
x
2
+ a
13
x
3
+ t
1
= b
1
a
21
x
1
+ a
22
x
2
+ a
23
x
3
+ t
2
= b
2
x
1
+ x
2
+ x
3
= 1
x
i
0, pour i 1, 2, 3
(I.4)
I.2 Forme standard des problmes de PL
I.2 .a Prsentation gnrale :
Pour les problmes maximum de la fonction conomique, les contraintes
par rapport aux seconds membres b
i
seront de du type tandis que pour les pro-
blmes minimum elles seront du type . On obtient ainsi les deux formulation
suivantes appeles formes canoniques :
max(z) =
n
j=1
c
j
x
j
_
_
n
j=1
a
ij
x
j
b
i
, i 1, . . . ,m
x
j
0, pour j 1, . . . , n
min(z) =
n
j=1
c
j
x
j
_
_
n
j=1
a
ij
x
j
b
i
, i 1, . . . ,m
x
j
0, pour j 1, . . . , n
Remarques :
1. Minimiser la fonction conomique z revient maximiser z : on change c
i
en c
i
= ci.
I.2. FORME STANDARD DES PROBLMES DE PL 37
2. Les contraintes peuvent toujours se ramener des galits en introdui-
sant les variables dcarts t
i
gales t
i
= b
i

n
j=1
a
ij
x
j
dans le cas dun
maximum (resp. t
i
=
n
j=1
a
ij
x
j
b
i
dans le cas dun minimum).
On obtient la formule standard suivante :
max(z) =
n
j=1
c
j
x
j
(I.5)
_
_
n
j=1
a
ij
x
j
= b
i
, i 1, . . . ,m
x
j
0, pour j 1, . . . , n
(I.6)
I.2 .b Forme matricielle :
Soit, A =
_
_
_
a
11
a
1m
.
.
.
.
.
.
a
m1
a
mn
_
_
_ la matrice reprsentant les coecients des
contraintes (avec ladjonction des variables dcart, on a toujours n m).
X =
_
_
_
x
1
.
.
.
x
n
_
_
_, C =
_
_
_
c
1
.
.
.
c
n
_
_
_ respectivement le vecteur des solutions et des
coecients de la fonction conomique, et pour j 1, . . . , n, P
j
=
_
_
_
a
1
j
.
.
.
a
m
j
_
_
_
les vecteurs colonnes de la matrice A, B =
_
_
_
b
1
.
.
.
b
m
_
_
_. La formulation du PL se
rsume :
minz =
t
C.X [ A.X = B, X R
n
+
ou encore
n
j=1
P
j
x
j
= B (I.7)
I.3 Rsolution dun systme dquations par la
mthode du pivot de Gauss :
Partant dun systme dquations du type :
n
j=1
a
ij
x
j
= b
i
, i 1, . . . ,m,
on suppose que les direntes quations du systme sont linairement indpen-
dantes, ce qui revient dire que la matrice A, dnie la section prcdente, est
de rang m (ce qui est toujours acquis avec lintroduction des variables dcart).
Aprs rduction par lutilisation de la mthode du pivot, on arrive une formu-
lation du type,
_
_
x
1
+ a
1,m+1
x
m+1
+ . . . + a
1n
x
n
= b
1
x
2
+ a
2,m+1
x
m+1
+ . . . + a
2n
x
n
= b
2
.
.
. . . .
x
m
+ a
m,m+1
x
m+1
+ . . . + a
mn
x
n
= b
m
..
variables en base
..
variables hors base
Les variables x
1
, . . . , x
m
(on a ventuellement chang la numrotation au cours
des calculs pour quelles apparaissent dans cet ordre) sont appeles variables en
base. Les variables restantes i.e. x
m+1
, . . . , x
n
sont appeles variables hors
base. Dans cette conguration, une solution vidente du systme de dpart
sera :
x
i
= b
i, pour i 1, . . . , m et x
i
= 0, pour i m+ 1, . . . , n.
Cette solution est de base ralisable. Ce type de solution sera utilis ultrieu-
rement dans la mthode du simplexe.
I.4 Dnitions :
Solution ralisable :
On appelle ainsi toute solution du systme (I.6) (y compris donc les
contraintes de positivit).
Variables de base :
tout sous-ensemble x
i1
, . . . , x
im
de m variables prises parmi x
1
, . . . , x
n
et
telles que les vecteurs associs P
i1
, . . . , P
im
forment une base de R
m
donc
que la matrice quils forment, qui est carre dordre m, soit inversible.
Solution de base :
Toute solution comportant n m variables nulles et telles que les m res-
tantes soient des variables de base.
Solution de base ralisable :
Toute solution de base qui satisfait aux contraintes (I.6).
Solution optimale :
Toute solution ralisable qui optimise z. Si une telle solution existe, il y a
au moins une qui est de base et ralisable.
I.5. RSOLUTION GRAPHIQUE DUN PL: 39
I.5 Rsolution graphique dun PL:
I.5 .a Exemples :
1. Problme born solution unique (voir g.(I.1) :
max(z) = x
1
+ 3x
2
_
_
x
1
+ x
2
14
2x
1
+ 3x
2
12
2x
1
x
2
12
x
1
, x
2
0
2. Problme born avec innit de solutions (voir g.(I.2) :
max(z) = x
1
+x
2
_
_
x
1
+ x
2
14
2x
1
+ 3x
2
12
2x
1
x
2
12
x
1
, x
2
0
3. Problme non born sans solution (voir g.(I.3) :
max(z) = x
1
+x
2
_
_
_
x
1
+ x
2
1
x
1
+ 2x
2
4
x
1
, x
2
0
4. Problme non born avec une solution unique (voir g.(I.4) :
max(z) = 3x
1
+ 4x
2
_
_
_
x
1
+ x
2
1
x
1
+ 2x
2
4
x
1
, x
2
0
Dans le cas o il ny a que deux variables structurelles, on peut eectuer une
rsolution graphique. Lespace des dcisions est ici le plan (x
1
, x
2
). Lensemble
des solutions ralisables, dans le cas dun problme born, constitue un polygone
convexe : (O, A, B, C, D) dans lexemple 1 ci-dessus. Dans le cas gnral, si le
PL a des solutions, il en existe toujours au moins une qui est de base, cest un
sommet (ou point extrme) du polygone. Dans le PL de lexemple 1, le point
B(6, 8) pour lequel la fonction conomique z vaut 30 donne loptimum. Toutes
les droites dquation z = x
1
+3x
2
sont parallles, en les dplaant vers le haut,
tout en restant au contact du polygone convexe (O, A, B, C, D), on obtient
comme limite le point B. Dans lexemple 2, la fonction conomique z = x
1
+x
2
,
conduit une innit de solutions constitues par le segment [B, C], z vaut 14
sur ce segment. Dans les exemples 3 et 4, lensemble des solutions ralisables est
non born, dans ce cas la solution peut-tre innie (ex. 3) ou exister (ex. 4) cf
les gures la n du chapitre. Enn dans le cas de contraintes contradictoires,
lensemble est vide, il ny alors pas de solution.
I.6 Cas gnral :
Lensemble des solutions ralisables dun PL dtermine dans lespace des
dcisions (R
n
) un ensemble convexe appel domaine ralisable, qui est,
soit lensemble vide,
soit un ensemble polydrique convexe non born,
soit un polydre convexe.
Dans le cas o le PL admet des solutions, il existe toujours une solution situe
sur un des sommets, appels points extrmes, du polydre.
41
Exercice I.1
Une entreprise fabrique deux produits P
1
et P
2
qui ncssitent du temps de
travail(main duvre), du temps-machine et des matires premires. Les donnes
techniques de production ainsi que les prix de vente par unit sont donns dans
le tableau ci-dessous :
P
1
P
2
Quantit de travail (en
h) ncessaire la fabri-
cation dune unit
0.07 0.04
Quantit de temps-
machine (en h) nces-
saire la fabrication
dune unit
0.12 0.06
Quantit de matire
premire (en nombre
dunit u) ncessaire
la fabrication dune
unit de produit
2 1
Prix de vente par unit
(en )
15 8
Chaque semaine, au plus, 4000 units de matire premire sont disponibles au
prix de 1.5 par unit. Lentreprise emploie 4 ouvriers qui travaillent 35 heures
par semaine pour la main duvre. Ces personnes peuvent faire des heures sup-
plmentaires paye 10 lunit. La disponibilit hebdomadaire des machines
est de 320h. Sans publicit, la demande hebdomadaire du produit P
1
est de
500 units, celle de P
2
de 600. Chaque dpens en publicit pour P
1
(resp.
P
2
) augmente la demande hebdomadaire de 10 (resp. 15) units. Les frais de
publicit ne doivent pas dpasse 1000 et les quantits fabriques doivent res-
ter infrieures ou gales la demande relle (compte-tenu de la publicit). On
dnit les 6 variables suivantes :
X
1
: nombre dunits de P
1
fabriques par semaine.
X
2
: nombre dunits de P
2
fabriques par semaine.
HS: nombre total dheures supplmentaires eectues par semaine.
MP: nombre dunits de matire premire achetes par semaine.
PUB
1
: nombre d dpenss en publicit pour P
1
.
PUB
2
: nombre d dpenss en publicit pour P
2
.
Lentreprise dsire maximiser son prot sachant que,
Bnce = Chire des ventes - Somme des cots variables.
42
Les salaires (pour les heures normales) sont un cot xe pour lentreprise.
Question :
Modliser le problme sous forme dun PL que lon ne demande pas de
rsoudre.
Exercice I.2
On cherche comment approvisionner, au moindre cot, des clients en implantant
un nombre p, donn a priori, de dpts dans des sites pralablement recenss.
Chaque client sera rattach un seul dpt, un client quelconque pouvant tre
rattach nimporte quel dpt. Les donnes sont :
m le nombre de sites (m p).
n le nombre de clients.

i
le cot de construction dun dpt sur le site i (1 i m).
c
ij
le cot de rattachement du client j un dpt construit sur le site i
(1 i m, 1 j n).
On prend comme inconnues :
x
ij
=
_
1 si le client j est rattach au dpt i
0 sinon
y
i
=
_
1 si le dpt est construit sur le site i
0 sinon
Formuler :
1. La fonction conomique du problme (cot de construction des entrepts
+ cot de rattachement).
2. Les contraintes exprimant que chaque client est rattach un seul dpt.
3. La contrainte exprimant que lon doit construire exactement p dpts.
4. Que signient les contraintes supplmentaires :
x
ij
y
i
, (1 i m, 1 j n)
(interprter le cas y
i
= 1, puis y
i
= 0).
5. A la question prcdente, on a introduit m.n contraintes. Montrer que lon
peut remplacer celles-ci par seulement m contraintes du type :
n
j=1
x
ij
n.y
i
.
Exercice I.3
Rsoudre graphiquement le PL suivant :
max(z) = x
1
+ 2x
2
_
_
x
1
+ x
2
3
x
1
+ x
2
1
x
1
2
x
1
, x
2
0
43
Mme question pour le PL suivant :
max(z) = x
1
+ 2x
2
_
_
x
1
1
x
1
+ x
2
6
x
1
+ x
2
= 12
x
1
, x
2
0
Exercice I.4
Un fabricant daliment pour porcs, cherche optimiser la composition de celui-
ci sachant quil nentre dans sa composition que trois ingrdients : Bl, mas
et soja. Laliment devra comporter au moins 22% dun composant C
1
et 4%
dun composant C
2
pour se conformer aux normes en vigueur. Les donnes sont
rsumes dans le tableau ci-dessous :
Bl Soja Colza
Pourcentage
de C
1
12 52 42
Pourcentage
de C
2
2 2 10
Cot en
par tonne
25 41 39
1. Donner la formulation algbrique du PL en prenant comme variables struc-
turelles les dirents pourcentages requis pour obtenir une tonne dali-
ment.
2. Montrer que lon peut rduire deux variables le PL et le rsoudre gra-
phiquement.
44
3
0
=
z=
x1
+
3
x2
0=
z=
x
1 +
3
x
2
2
x
1

-

x
2

=

1
2
x
1

+

x
2

=

1
4
O
A
B
C
D
x2
x1
-
2
x
1
+
3
x
2
=
1
2
8
6
Opt
z cro
is
sa
n
t
Fig. I.1 Reprsentation graphique en 2D, solution unique
0
=
z
=
x
1

+

x
2
2
x
1

-

x
2

=

1
2
x
1

+

x
2

=

1
4
O
A
B
C
D
x2
x1
-2
x
1
+
3
x
2
=
1
2
z

c
r
o
i s
s
a
n
t
Fig. I.2 Reprsentation graphique en 2D, innit de solutions
45
x2
x1
-x1
+
2
x
2 =
4
-
x
1

+

x
2

=

1
O
A
B
z

=

x
1

+

x
2
z
c
r
o
is
s
a
n
t
Fig. I.3 Problme non born, pas de solution
x2
x1
-x1
+
2
x2
=
4
-
x
1

+

x
2

=

1
6
=

z
=

-
3
x
1

+
4
x
2
O
A
B
Opt
3
2
z
c
r
o
is
s
a
n
t
Fig. I.4 Problme non born, solution unique
46
47
Chapitre II
La mthode du simplexe
II.1 Introduction
II.1 .a Etude dun exemple :
Reprenons lexemple 1 de la section (III.2 .b) du chapitre prcdent :
max(z) = x
1
+ 3x
2
_
_
x
1
+ x
2
14
2x
1
+ 3x
2
12
2x
1
x
2
12
x
1
, x
2
0
Pour obtenir des galits, on introduit 3 variables dcart t
1
, t
2
, t
3
, qui seront les
variables de base initiales, avec x
1
, x
2
hors base et de valeur nulle. On obtient
le systme :
_
_
z x
1
3x
2
= 0
x
1
+ x
2
+ t
1
= 14
2x
1
+ 3x
2
+ t
2
= 12
2x
1
x
2
+ t
3
= 12
La solution de base associe est (x
1
, x
2
, t
1
, t
2
, t
3
) = (0, 0, 14, 12, 12) avec
z = 0. Le but est de maximiser z, on cherche si lon peut augmenter les valeurs
de x
1
ou x
2
en les faisant entrer en base et en faisant sortir lune des variables
t
i
(le nombre de variables en base est constant et gal m (3 ici)). x
2
a le plus
fort coecient dans la fonction conomique, il est donc naturel de la faire entrer
en base. Les direntes contraintes imposent, x
2
14, x
2

12
3
= 4, x
2
0,
obtenues par les trois dernires quations du systme. On retient la valeur x
2
=
4, de la deuxime quation, ce qui va entraner la sortie de t
2
, x
1
restant gale
0. On utilise la mthode du pivot de Gauss, pour obtenir le nouveau systme
(ici, on divise le coecient de x
2
par 3 dans la deuxime quation et on remplace
x
2
par
2
3
x
1

1
3
t
2
+ 4 dans les trois autres, on obtient le nouveau systme :
_
_
z 3x
1
+ t
2
= 12
5
3
x
1
+ t
1

1
3
t
2
= 10
2
3
x
1
+ x
2
+
1
3
t
2
= 4
4
3
x
1
+
1
3
t
2
+ t
3
= 16
48 CHAPITRE II. LA MTHODE DU SIMPLEXE
La nouvelle solution de base est (x
1
, x
2
, t
1
, t
2
, t
3
) = (0, 4, 10, 0, 16) avec z = 12.
On cherche si on peut amliorer la solution, la seule possibilit ici est de faire
entrer x
1
en base, les contraintes conduisent faire sortir t
1
de la base et on
obtient ainsi le nouveau systme :
_
_
z +
9
5
t
1
+
2
5
t
2
= 30
5
3
x
1
+ t
1

1
3
t
2
= 10
2
3
x
1
+ x
2
+
1
3
t
2
= 4
4
3
x
1
+
1
3
t
2
+ t
3
= 16
La nouvelle solution de base est (x
1
, x
2
, t
1
, t
2
, t
3
) = (6, 8, 0, 0, 8) avec z = 30.
Comme lon doit avoir z = 30
9
5
t
1
2
5
t
2
, avec t
1
, t
2
= 0, la solution obtenue est
bien optimale. La solution du problme initial est (x
1
, x
2
) = (6, 8), on retrouve
bien sr ce que lon avait obtenu par la rsolution graphique.
II.1 .b Disposition pratique des calculs :
On va reprsenter les donnes par un tableau (que lon enrichira par la suite)
comportant les colonnes :
(Variables en base, Seconds membres, Liste des variables)
Dans notre exemple, nous obtenons successivement,
Tableau initial :
Base B x
1
x
2
t
1
t
2
t
3
t
1
14 1 1 1 0 0
t
2
12 2
?>=< 89:;
3 0 1 0
t
3
12 2 1 0 0 1
Tableau n
2 :
Le nombre 3 en gras, est appel pivot, il est forcment strictement po-
sitif, on divise la ligne du pivot (dans lexemple, la ligne de la variable
t
2
) par le pivot pour que la valeur de celui-ci devienne gale 1, puis
par combinaison linaire, en ajoutant la ligne du pivot multiplie par un
coecient tel que les valeurs de la colonne du pivot deviennent gales 0
chacune des autres lignes, on obtient le tableau suivant, en remplaant
dans la premire colonne la variable sortante par la variable entrante. Ici,
on multiplie la ligne du pivot par 1 et on lajoute la premire ligne,
puis on multiplie la ligne du pivot par 1 (inchange) et on lajoute la
dernire ligne, pour obtenir les nouvelles lignes, cela donne :
Base B x
1
x
2
t
1
t
2
t
3
t
1
10
GFED @ABC
5
3
0 1
1
3
0
x
2
4
2
3
1 0
1
3
0
t
3
16
4
3
0 0
1
3
1
II.2. LALGORITHME DU SIMPLEXE: 49
Ici le pivot est
5
3
, on opre comme prcdemment.
Tableau nal :
Base B x
1
x
2
t
1
t
2
t
3
x
1
6 1 0
3
5

1
5
0
x
2
8 0 1
2
5
1
5
0
t
3
8 0 0
4
5
3
5
1
Dans la colonne du vecteur B du dernier tableau gurent les valeurs des
variables en base : x
1
= 6, x
2
= 8, t
3
= 8.
II.2 Lalgorithme du simplexe :
On part dun PL mis sous forme standard dans lequel on suppose que lon
dispose dune solution de base ralisable de dpart. En gnral celle-ci est ob-
tenue par les m variables dcart t
i
qui prennent respectivement les m valeurs
b
i
. Dans un problme maximum, on va successivement, chaque tape, faire
entrer une variable en base, de telle sorte que la valeur de la fonction cono-
mique z augmente. On cherche les solutions aux points extrmes de lensemble
convexe des solutions ralisables.
II.2 .a Passage dun extrme lautre
Considrons un point extrme (correspondant une solution de base du PL),
X = (x
1
, . . . , x
m
, 0, . . . , 0) o
m
i=1
x
i
P
i
= B, x
i
0 et P
1
, . . . , P
m
linairement
indpendants (base de R
m
). Les nmvecteurs P
m+1
, . . . , P
n
peuvent sexprimer
comme des combinaisons linaires des prcdents, on peut crire
P
j
=
m
i=1
x
ij
P
i
, j m+ 1, . . . , n (II.1)
Pour simplier, supposons que lon veuille faire entrer en base le vecteur P
m+1
.
Notons la valeur que lon va donner la variable x
m+1
qui devient de base.
On a P
m+1
=
m
i=1
x
i, m+1
P
i
, on peut donc crire,
m
i=1
(x
i
x
i, m+1
)P
i
+P
m+1
= B (II.2)
On va chercher un point extrme voisin du point prcdent. Pour cela, lun des
vecteurs P
i
initiaux doit sortir de base et un vecteur hors base doit y rentrer. Il
faut dterminer quel vecteur sortant on va choisir. On doit avoir obligatoirement
> 0, et x
i
x
i, m+1
0, i 1, . . . , m. Cette dernire condition est acquise
si x
i, m+1
0 pour les autres on doit avoir
x
i
x
i, m+1
. On va donc choisir :
=
s
= min
{i|xi,m+1>0}
_
x
i
x
i, m+1
_
(II.3)
Soit s lindice qui donne ce minimum, on a donc
s
=
x
s
x
s, m+1
. Le coecient
de P
s
est donc nul et cest le vecteur qui sort de base. La nouvelle base est
donc (P
i
), i 1, . . . , m + 1s. Si lon suppose que s = 1, le nouveau point
extrme serait,
X
= (0, x
2

s
x
2, m+1
, . . . , x
m

s
x
m, m+1
,
s
, 0, . . . , 0)
II.2 .b Choix de la variable entrante
On va sintresser la fonction conomique. Avec les notations prcdentes,
sa valeur pour le premier point extrme tait z
0
=
m
i=1
c
i
x
i
, pour le nouveau
point extrme X
on obtient, en posant z
j
=
m
i=1
c
i
x
ij
quantit appele cot
ctif,
z
0
=
m
i=1
i=s
c
i
(x
i

s
x
ij
) +
s
c
m+1
= z
0
+
s
(c
m+1
z
m+1
)
On va choisir comme vecteur entrant celui dont lindice e vrie
c
e
z
e
= max
{i|cizi>0}
(c
i
z
i
),
cest celui qui est susceptible de donner le plus grand accroissement la fonction
conomique. Dans le cas o tous les cots ctifs sont ngatifs ou nuls, on d-
montre que loptimum est atteint. De plus, si pour un cot ctif positif, toutes
les coordonnes x
ij
de la colonne correspondante sont ngatives ou nulles, on
montre que le problme nadmet pas de solution (problme non born).
II.3 Lalgorithme du simplexe :
Cet algorithme a t mis au point par George Dantzig en 1947. Il est bas
sur les considrations prcdentes.
II.3. LALGORITHME DU SIMPLEXE: 51
II.3 .a Lalgorithme :
PL maximum
Dbut
Mettre les contraintes sous forme dgalits ;
Rechercher une premire solution ralisable ;
Construire le premier tableau du simplexe ;
Tant que j {1, . . . , n} : (cj zj) > 0 Faire
Si k {1, . . . , n} : (c
k
z
k
) > 0 et xij < 0 i {1, . . . , m}
Alors max(z) = + {pas de solution}
Sinon
Dbut
{Recherche des variables entrante et sortante }
xe entre en base si ce ze = max(c
k
z
k
) ;
xs sort si
bs
xse
= min
x
ie
>0
(
bi
xie
) ;
{Construction du nouveau tableau, le pivot est xse}
{Ligne du pivot}
b
e

bs
xse
{dans la colonne de B};
x
ej

xsj
xse
{donc 1 pour x
es
} ;
{Autres lignes}
b
i
bi
xie
xse
xs ;
x
ij
xij
xie
xse
;
z
0
z0 +
xs
xse
(ce ze) ;
cj z
j
cj zj
xsj
xse
(ce ze) ;
Fin;
Fin.
II.3 .b Disposition pratique :
On suppose que les variables x
1
, . . . , x
m
sont en base.
c
1
c
2
. . . c
m
c
m+1
. . . c
n
Base C B x
1
x
2
. . . x
m
x
m+1
. . . x
n
x
1
c
1
b
1
1 0 . . . 0 x
1,m+1
. . . x
1,n
x
2
c
2
b
2
0 1 . . . 0 x
2,m+1
. . . x
2,n
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
.
x
m
c
m
b
m
0 0 . . . 1 x
m,m+1
. . . x
m,n
z
0
0 0 . . . 0 c
m+1
z
m+1
. . . c
n
z
n
II.3 .c Traitement dun exemple :
Soit le PL suivant :
min(z) = x
2
3x
3
+ 2x
5
_
_
x
1
+ 3x
2
x
3
+ 2x
5
= 7
2x
2
+ 4x
3
+ x
4
= 12
4x
2
+ 3x
3
+ 8x
5
+ x
6
= 10
x
j
0, j 1, . . . , 6
Les vecteurs P
i
et B correspondant aux variables x
i
sont les suivants :
P
1
_
_
1
0
0
_
_
P
2
_
_
3
2
4
_
_
P
3
_
_
1
4
3
_
_
P
4
_
_
0
1
0
_
_
P
5
_
_
2
0
8
_
_
P
6
_
_
0
0
1
_
_
B
_
_
7
12
10
_
_
Une base initiale est forme par P
1
P
4
, P
6
, avec 7P
1
+ 12P
4
+ 10P
6
= B,
X = (7, 0, 0, 12, 0, 10) est une solution de base ralisable. Relativement cette
base, on a,
P
2
= 3P
1
2P
4
4P
6
, P
3
= P
1
+ 4P
4
+ 3P
6
, P
5
= 2P
1
+ 8P
6
. Le problme
tant un problme minimum, on va maximiser z et donc remplacer dans
lalgorithme du simplexe c
i
par c
i
= c
i
. Pour obtenir les valeurs de z
i
, on
multiplie les valeurs de la colonne C par les valeurs correspondantes de la co-
lonne relative la variable x
i
, puis on calcule les valeurs c
i
z
i
, on obtient ainsi,
Tableau initial :
0 1 3 0 2 0
Base C B x
1
x
2
x
3
x
4
x
5
x
6
x
1
0 7 1 3 1 0 2 0
x
4
0 12 0 2
?>=< 89:;
4 1 0 0
x
6
0 10 0 4 3 0 8 1
0 0 1 3 0 2 0
Seul c
3
z
3
> 0, x
3
entre en base. Les valeurs pour lesquelles x
i3
> 0
sont x
43
, x
63
, on calcule les quotients :
x
4
x
43
=
12
4
= 3 et
x
6
x
63
=
10
3
, la
plus petite valeur est = 3, donc x
4
sort de base, on calcule le deuxime
tableau.
Tableau n
2 :
0 1 3 0 2 0
Base C B x
1
x
2
x
3
x
4
x
5
x
6
x
1
0 10 1
GFED @ABC
5
2
0
1
4
2 0
x
3
3 3 0
1
2
1
1
4
0 0
x
6
0 1 0
5
2
0
3
4
8 1
9 0
1
2
0
3
4
2 0
On a ici c
2
z
2
> 0 et x
2
entre en base tandis que x
1
sort, avec = 4.
II.4. OBTENTION DUNE BASE RALISABLE DE DPART: 53
Tableau n
3 :
0 1 3 0 2 0
Base C B x
1
x
2
x
3
x
4
x
5
x
6
x
2
1 4
2
5
1 0
1
10
4
5
0
x
3
3 5
1
5
0 1
3
10
2
5
0
x
6
0 11 1 0 0
1
2
10 1
11
1
5
0 0
4
5

12
5
0
La solution optimale est X = (0, 4, 5, 0, 0, 11) et z
0
= 11.
II.4 Obtention dune base ralisable de dpart :
Si le problme initial nest pas sous la forme canonique, mme en introdui-
sant des variables dcart, on nobtiendra pas aisment une solution de base de
dpart : en eet certaines des variables introduites gureront avec le coecient
1 du fait du changement du sens de lingalit dans la contrainte correspon-
dante. On sera donc amen introduire de nouvelles variables, dites variables
articielles qui gureront provisoirement dans la formulation du PL jusqu
lobtention, si elle est possible, dune base de dpart avec les variables initiales.
G. Dantzig et dautres chercheurs de RAND Corporation ont mis au point la :
II.4 .a Mthode en deux phases :
Dbut
Mettre les contraintes sous forme dgalits ;
Rendre positif le second membre des contraintes ;
Introduire les variables articielles vi dans les contraintes :
n
j=1
aijxj + vi = bi, xi, vj 0
Sous ces contraintes, rsoudre le PL:
max(z) =
m
i=1
vi
Si i {1, . . . , m}, vi = 0
Alors
Rsoudre le PL initial en prenant comme solution de base de dpart
la solution obtenue lissue de la premire phase
Sinon Il ny a pas de solution ralisable
Fin.
Remarques :
1. On nintroduira que le nombre ncessaire de variables articielles ( m),
cest dire dans les contraintes qui le ncessitent.
2. Lorsquune variable articielle sort de base, cette sortie est dnitive et
on la raye de la liste.
3. Le premier tableau du simplexe de la deuxime phase est identique au
dernier tableau de la premire phase, lexception de la dernire ligne o
lon reprend les coecients initiaux de la fonction conomique.
II.4 .b Exemple :
On veut rsoudre le PL suivant :
max(z) = 5x
1
+ 7x
2
_
_
x
1
+ x
2
6
x
1
4
x
2
3
x
1
, x
2
0
On introduit les variables dcart t
1
, t
2
, t
3
0 ce qui conduit :
max(z) = 5x
1
+ 7x
2
_
_
x
1
+ x
2
t
1
= 6
x
1
t
2
= 4
x
2
+ t
3
= 3
x
1
, x
2
, t
1
, t
2
, t
3
0
Les deux premires quations ncessitent lintroduction de deux variables arti-
cielles v
1
, v
2
, on obtient :
max(z) = v
1
v
2
_
_
x
1
+ x
2
t
1
+ v
1
= 6
x
1
t
2
+ v
2
= 4
x
2
+ t
3
= 3
x
1
, x
2
, t
1
, t
2
, t
3
, v
1
, v
2
0
Premire phase :
0 0 0 0 0 1 1
Base C B x
1
x
2
t
1
t
2
t
3
v
1
v
2
v
1
1 6 1 1 1 0 0 1 0
v
2
1 4
?>=< 89:;
1 0 0 1 0 0 1
t
3
0 3 0 1 0 0 1 0 0
10 2 1 1 1 0 0 0
v
2
sort et x
1
rentre en base, on limine v
2
du problme :
0 0 0 0 0 1
Base C B x
1
x
2
t
1
t
2
t
3
v
1
v
1
1 2 0
?>=< 89:;
1 1 1 0 1
x
1
0 4 1 0 0 1 0 0
t
3
0 3 0 1 0 0 1 0
2 0 1 1 1 0 0
II.4. OBTENTION DUNE BASE RALISABLE DE DPART: 55
v
1
sort et x
2
entre en base, on limine v
1
, ce qui achve la premire phase :
0 0 0 0 0
Base C B x
1
x
2
t
1
t
2
t
3
x
2
0 2 0 1 1 1 0
x
1
0 4 1 0 0 1 0
t
3
0 1 0 0 1 1 1
0 0 0 0 0
Une solution de base ralisable est donc :
X = (x
1
, x
2
, t
1
, t
2
, t
3
) = (4, 2, 0, 0, 1).
Deuxime phase :
Le PL se formule sous la forme quivalente suivante :
max(z) = 5x
1
+ 7x
2
_
_
x
2
t
1
+ t
2
= 2
x
1
t
2
= 4
t
1
t
2
+ t
3
= 1
x
1
, x
2
, t
1
, t
2
, t
3
0
5 7 0 0 0
Base C B x
1
x
2
t
1
t
2
t
3
x
2
7 2 0 1 1 1 0
x
1
5 4 1 0 0 1 0
t
3
0 1 0 0
?>=< 89:;
1 1 1
34 0 0 7 2 0
t
3
sort de base et t
1
entre, La colonne de t
2
ne comporte que des nombres
0, le problme est donc non born :
5 7 0 0 0
Base C B x
1
x
2
t
1
t
2
t
3
x
2
7 3 0 1 0 0 1
x
1
5 4 1 0 0 1 0
t
1
0 1 0 0 1 1 1
41 0 0 0 5 7
56
Exercice II.1
Un chalutier est quip pour la pche de trois sortes de crustacs, C
1
, C
2
, C
3
. La
capacit totale de pche est de 1000 tonnes. Au dbarquement, on eectue un
tri sur la cargaison et seuls 80% de C
1
, 95% de C
2
et 90% de C
3
sont utilisables
la vente. Par ailleurs la capacit de traitement est de 900 tonnes au maximum.
Pour prserver les espces, la dirence entre la quantit pche de C
1
et de la
totalit des deux autres espces, ne doit pas dpasser 100 tonnes. Le capitaine
veut maximiser le bnce sachant quune tonne de C
1
pch et conditionn
dgage un bnce de 125 de C
2
, 84 et de C
3
, 78 .
1. Formuler algbriquement le PL ainsi pos (on pourra arrondir aux entiers
les plus proches les coecients de la fonction conomique).
2. rsoudre le PL par la mthode du simplexe.
Exercice II.2
Rsoudre le PL suivant en utilisant la mthode des pnalits pour trouver une
premire solution de base ralisable.
max(z) = 3x
1
+ 4x
2
+x
3
_
_
_
x
1
+ 2x
2
+ 2x
3

8
3
x
1
+ 2x
2
+ 3x
3

7
3
x
1
, x
2
, x
3
0
57
Chapitre III
Dual
III.1 Introduction :
Etant donn un PL du type,
max(z) =
n
j=1
c
j
x
j
_
_
n
j=1
a
ij
x
j
b
i
, i 1, . . . ,m
x
j
0, pour j 1, . . . , n
(III.1)
on peut considrer quil concerne une entreprise E
1
fabricant n biens j, j
1, . . . , n et faisant intervenir m ressources i, i 1, . . . , m. Le problme que
peut se poser lentreprise est le suivant :
Etant donne la disponibilit b
i
pour chaque ressource i et le prot unitaire c
j
pour chacun des biens j, quel doit tre le niveau de production de chaque bien
j pour que la quantit de bien i consomme reste infrieure la disponibilit b
i
et que le prot total soit maximal ?
Supposons quune autre entreprise E
2
, en rupture de stock, dsire racheter les
ressources de la premire, le problme quelle va se poser et le suivant :
Etant donn un prix unitaire c
j
pour chacun n biens j et une disponibilit b
i
pour chacune des m ressources i, quel doit tre le prix unitaire minimum dachat
y
i
de chaque ressource i pour que la valeur totale des ressources consommes
par chaque bien j soit suprieure ou gale c
j
(pour que cela rester intressant
pour lentreprise E
1
et que le prix total dachat des ressources disponible soit
minimum?
Ce deuxime problme constitue le problme dual du premier, il peut se mettre
sous la forme :
min(z) =
m
i=1
b
i
y
i
_
_
m
i=1
a
ij
y
i
c
j
, j 1, . . . ,n
y
i
0, pour i 1, . . . , m
(III.2)
58 CHAPITRE III. DUAL
On voit aisment que les contraintes,
m
i=1
a
ij
y
i
c
j
, j 1, . . . ,n (III.3)
impliquent que le prix dachat des ressources par lentreprise E
2
reste suprieur
au prot que peut en tirer lentreprise E
1
, cest dire,
m
i=1
b
i
y
i

n
j=1
c
j
x
j
ce qui est conforme aux lois de lconomie, on voit donc intuitivement que le mi-
nimum atteint par le deuxime problme doit tre gal au maximum du premier
problme. La thorie montre que cest le cas quand le problme a des solutions.
III.2 Dnitions et exemples :
III.2 .a Primal et Dual :
Les PL standards (III.1) et (III.2) sont appels respectivement problmes
primal et dual :
Primal
max(z) =
n
j=1
c
j
x
j
_
_
n
j=1
a
ij
x
j
b
i
, i 1, . . . ,m
x
j
0, pour j 1, . . . , n
Dual
min(z) =
m
i=1
b
i
y
i
_
_
m
i=1
a
ij
y
i
c
j
, j 1, . . . ,n
y
i
0, pour i 1, . . . , m
III.2 .b Exemples :
Primal
max(z
1
) = x
1
+ 3x
2
_
_
x
1
+ x
2
14
2x
1
+ 3x
2
12
2x
1
x
2
12
x
1
, x
2
0
Dual
min(z
2
) = 14y
1
+ 12y
2
+ 12y
3
_
_
_
y
1
2y
2
+ 2y
3
1
y
1
+ 3y
2
y
3
3
y
1
, y
2
, y
3
0
Remarque : Le PL initial doit imprativement tre mis sous forme canonique
avant de dterminer son dual, ainsi dans lexemple qui suit,
III.3. PROPRITS DE LA DUALIT: 59
min(z
1
) = 2x
1
+ 4x
2
_
_
3x
1
+ x
2
10
4x
1
3x
2
8
x
1
x
2
6
x
1
, x
2
0
on crira :
Primal
min(z
1
) = 2x
1
+ 9x
2
_
_
3x
1
+ x
2
10
4x
1
+ 3x
2
8
x
1
+ x
2
6
x
1
, x
2
0
Dual
max(z
2
) = 10y
1
8y
2
6y
3
_
_
_
3y
1
4y
2
y
3
2
y
1
+ 3y
2
+ y
3
9
y
1
, y
2
, y
3
0
III.3 Proprits de la dualit :
On dmontre les thormes suivants :
Thormes :
Le dual du PL dual est le PL primal.
Si le primal est non born, le dual est contradictoire. Si le primal est
contradictoire, le dual est non born ou contradictoire. Si le primal admet
une solution nie x alors le dual admet une solution optimale nie y qui
vrie : z
1
( x) = z
2
( y).
A toute variable dcart primale (resp. duale) positive correspond une va-
riable structurelle duale (resp. primale) nulle. A toute variable structurelle
primale (resp. duale) positive correspond une variable dcart duale (resp.
primale) nulle. On note, x
j
(resp. y
i
)les variables structurelles du primal
(resp. dual) et t
i
(resp. u
j
) les variables dcart du primal (resp. dual).
_
_
x
j
= 0 u
j
> 0
x
j
> 0 u
j
= 0
t
i
= 0 y
i
> 0
t
i
> 0 y
i
= 0
_
_
III.4 Passage du dernier tableau simplexe du pri-
mal au dernier tableau simplexe du dual :
Au signe prs, on a les correspondances suivantes :
ligne x
j
(resp. t
i
) en base colonne u
j
(resp.y
i
) hors base.
colonne x
j
(resp. t
i
) hors base ligne u
j
(resp.y
i
) en base.
ligne c
j
z
j
(primal) ligne z
i
b
i
.
60 CHAPITRE III. DUAL
Exemple :
Base B x
1
x
2
t
1
t
2
t
3
x
1
6 1 0
3
5

1
5
0
x
2
8 0 1
2
5
1
5
0
t
3
8 0 0
4
5
3
5
1
30 0 0
9
5

2
5
0
En utilisant les proprits vues ci-dessus, on obtient le tableau nal simplexe
du dual :
Base B y
1
y
2
y
3
u
1
u
2
y
1
9
5
1 0
4
5

3
5

2
5
y
2
2
5
0 1
3
5
1
5

1
5
30 0 0 8 6 8
61
Exercice III.1
Une entreprise fabrique 3 produits A, B et C qui ncessitent matires premires
et main duvre qui sont disponibles en quantit limites suivant le tableau
ci-dessous :
Produits A B C Disponibilit
Matires premires(en kg) 4 2 1 6000
Main duvre (en h) 2 0.5 3 4000
Bnce par unit (en ) 60 20 40
De plus les capacits de stockage ne peuvent excder 2500 units.
1. Formuler algbriquement le PL ainsi pos.
On note x
i
, i 1, 2, 3 les variables structurelles du problme et t
i
, i
1, 2, 3 les variables dcarts. On considre le tableau du simplexe cor-
respondant notre PL:
60 20 40 0 0 0
Base C B x
1
x
2
x
3
t
1
t
2
t
3
x
1
60 1400 1
11
20
0
3
10

1
10
0
x
3
40 400 0

1
5
1

1
5
2
5
0
t
3
0 700 0
13
20
0

1
10

3
10
1
0 0 5 0 10 10 0
2. Dterminer un plan optimal de fabrication hebdomadaire.
3. Dterminer le PL dual, son dernier tableau par la mthode du simplexe
et sa solution optimale.
4. On envisage la fabrication dun nouveau produit, D, qui ncessite 1.5kg de
matires premires et 2.5h de main duvre par unit. La fabrication dune
unit de ce produit revient 70 . Quel est le prix de vente minimum
donner au produit pour quil soit intressant de le fabriquer? (on supposera
que le bnce net est gal la dirence du prix de vente et du cot de
fabrication, on notera p ce bnce.)
62
63
Chapitre IV
Analyse de sensibilit, PL
paramtrique
Dans la pratique, on a faire face aux situations suivantes :
Le prot unitaire de chaque activit peut varier soit cause de la conjonc-
ture, soit quil ait mal t estim.
Les disponibilits peuvent varier et ainsi modier les valeurs des seconds
membres des contraintes.
Grce la dualit on pourra se contenter de traiter le premier type de pro-
blme. On suppose que lon a aaire un PL sous forme standard admettant
des solutions optimales ralisables. Dans cette conguration, si lon remplace le
coecient c
i
dune variable hors base x
i
par c
i
= c
i
+, il se peut que la quantit
c
i
z
i
correspondante ne soit plus ngative et que la solution obtenue ne soit
plus optimale. La variable x
i
sera candidate pour entrer en base. La plus petite
valeur [[ telle que, lorsque c
i
est remplac par c
i
, la variable x
i
est candidate
rentrer en base, est appele cot rduit de la variable x
i
. La signication
conomique est que pour les variables hors base, la valeur est nulle, ce qui veut
dire que les activits correspondantes ne sont pas protables, le problme est
donc de savoir pour quelles valeurs des coecients de la fonction conomique
elles le deviennent.
IV.1 Paramtrisation de la fonction conomique
Considrons le PL suivant :
max(z) =
n
j=1
c
j
x
j
_
_
n
j=1
a
ij
x
j
= b
i
, i 1, . . . ,m
x
j
0, pour j 1, . . . , n
64 CHAPITRE IV. ANALYSE DE SENSIBILIT, PL PARAMTRIQUE
On va poser, c
j
= c
j
+ c
j
, i 1, . . . , n. La fonction conomique devient
une fonction de :
z() =
n
i=1
(c
i
+c
i
)x
i
Le domaine de variation de peut tre dcoup en un nombre ni dintervalles
pour chacun desquels correspond une solution optimale dirente. Ces intervalles
sont appels intervalles de stabilit .
Supposons quil existe une solution optimale x(
0
) du PL pour la valeur =
0
.
A cette solution correspond un tableau nal du simplexe pour lequel toutes les
quantits c
j
z
j
sont ngatives. Comme ici,
z
j
=
m
i=1
c
i
x
ij
=
m
i=1
(c
i
+
0
c
i
)x
ij
, j 1, . . . , n
On en dduit,
0
_
c
j

m
i=1
c
i
x
ij
_
+
_
c
j

m
i=1
c
i
x
ij
_
0, j 1, . . . , n
Posons C
j
= c
j

m
i=1
c
i
x
ij
et C
j
= c
j

m
i=1
c
i
x
ij
.
La solution x() restera optimale si toutes les quantits correspondantes z
j
c
j
restent ngatives, i.e. pour toutes les valeurs de qui vrient :
_
_
_

j
=
C
j
C
j
j 1, . . . , n,C
j
> 0

j
=
C
j
C
j
j 1, . . . , n,C
j
< 0
En posant a
0
= min
j

j
et b
0
= max
j

j
, lintervalle de stabilit de la solution
x(
0
) est [a
0
, b
0
]. Pour toute valeur de prise dans cet intervalle, x() reste
une solution optimale.
Dans la pratique, on construit les intervalles de stabilit de proche en proche
partir dune valeur
0
dtermine (souvent 0), qui correspond un PL sans
paramtre. On poursuit le processus jusqu ce que les intervalles de stabilit
recouvrent le domaine de variation de tout entier.
Remarque :
Le changement des cots c
i
ne modie pas la rgion admissible, seule la fonc-
tion conomique varie. Dans le cas dun problme deux variables, si un point
extrme P est solution optimale, on cherche la pente des droites dnies par la
fonction conomique pour lesquels P reste une solution optimale.
IV.2 Paramtrisation du second membre des contraintes
Considrons le PL suivant :
max(z) =
n
j=1
c
j
x
j
IV.3. EXEMPLE 65
_
_
n
j=1
a
ij
x
j
b
i
+ b
i
, i 1, . . . ,m, R
x
j
0, pour j 1, . . . , n
Par dualit on peut se ramener au cas de la paramtrisation de la fonction co-
nomique. Le dual scrit en eet :
min(z) =
m
i=1
(b
i
+b
i
)y
i
_
_
n
i=1
a
ij
y
i
c
j
, j 1, . . . ,n
y
i
0, pour i 1, . . . , m
que lon rsout comme la section prcdente.
IV.3 Exemple
max(z) = x
1
+ (3 3)x
2
_
_
x
1
+ x
2
14
2x
1
+ 3x
2
12
2x
1
x
2
12
x
1
, x
2
0
Pour = 0 la solution optimale a dj t calcule. Sur chaque intervalle de
stabilit, les valeurs de x
1
et x
2
sont xes, la valeur optimale de la fonction
conomique devient donc une fonction ane par morceaux de la variable .
1 3 3 0 0 0
Base C B x
1
x
2
t
1
t
2
t
3
x
1
1 6 1 0
3
5

1
5
0
x
2
3 3 8 0 1
2
5
1
5
0
t
3
0 8 0 0
4
5
GFED @ABC
3
5
1
30 24 0 0
9+6
5
2+3
5
0
_
_
9 + 6
5
0
2 + 3
5
0
=> 0
2
3
, (x
1
, x
2
) = (6, 8), z = 30 24.
Le premier intervalle de stabilit est donc :
_
0;
2
3
_
.
66 CHAPITRE IV. ANALYSE DE SENSIBILIT, PL PARAMTRIQUE
1 3 3 0 0 0
Base C B x
1
x
2
t
1
t
2
t
3
x
1
1
26
3
1 0
1
3
0
1
3
x
2
3 3
16
3
0 1
GFED @ABC
2
3
0
1
3
t
2
0
40
3
0 0
4
3
0
5
3
74
3
16 0 0
7
3
+ 2 0
2
3

_
7
3
+ 2 0
2
3
0
=>
2
3

7
6
, (x
1
, x
2
) =
_
26
3
,
16
3
_
, z =
74
3
16.
Le deuxime intervalle de stabilit est donc :
_
2
3
;
7
6
_
.
1 3 3 0 0 0
Base C B x
1
x
2
t
1
t
2
t
3
x
1
1 6 1
1
2
0 0
1
2
t
1
0 8 0
3
2
1 0
1
2
t
2
0 24 0 2 0 1 1
6 0
7
2
3 0 0
1
2

7
6
, (x
1
, x
2
) = (6, 0), z = 6.
Le dernier intervalle de stabilit est donc :
_
7
6
; +
_
.
6
14
30
2/3 7/6

z
O
Fig. IV.1 Intervalles de stabilit
67
Exercices du chapitre IV
Exercice IV.1
Une petite compagnie de taxis-bus possde 4 vhicules et emploie 6 chaueurs.
Les vhicules peuvent rouler de jour comme de nuit. Le rendement dun vhicule
circulant le jour est x 1 tandis que la nuit il vaut 1+. Dterminer le nombre
de vhicules devant circuler la nuit en fonction de .
Exercice IV.2
Quatre machines M
1
, M
2
, M
3
, M
4
servent fabriquer trois produits P
1
, P
2
, P
3
.
Le produit P
1
est compos de deux lments fabriqus respectivement par M
1
et M
3
, P
2
de trois lments fabriqus respectivement par M
2
, M
3
et M
4
, P
3
de trois lments fabriqus respectivement par M
1
, M
2
et M
4
. Les machines
M
1
, M
2
, M
3
, M
4
doivent produire quotidiennement respectivement au moins
10, 12, 8, 10 units pour tre rentables.
Dterminer les quantits minimales des trois produits fabriquer pour mi-
nimiser le cot total de production, si les cot unitaires de production valent
respectivement :
1. 2, 3 et 4 .
2. (2+3), (3+2) et (4+) , o est choisi de telle manire que les quan-
tits considres soient positives ou nulles. Reprsenter graphiquement la
fonction conomique pour les valeurs optimales, en fonction de .
68
69
Troisime partie
Processus Stochastiques et
applications
71
Chapitre I
Prsentation des processus
stochastiques
I.1 Dnition des processus stochastiques
On se souvient quune variable alatoire relle dnit une mise en corres-
pondance biunivoque entre les rsultats dune exprience et des valeurs prises
dans R ou un sous-ensemble de R. Un processus stochastique consiste en la
mise en correspondance biunivoque entre les rsultats dune exprience et une
fonction dun paramtre t (en gnral reprsentant le temps) ou dune ou plu-
sieurs autres variables indpendantes, prenant ses valeurs dans un ensemble T
et valeurs dans un ensemble not E, appel espaces des tats. Cette fonc-
tion du paramtre t est appele fonction alatoire . Pour chaque valeur de
t on dnit ainsi une variable alatoire relle . Si on appelle lensemble d-
nissant les rsultats de lexprience considre, on dnit donc une application
T V A(, E), t ( X
t
()). que lon notera pour simplier X. Si T est
un intervalle de R on parlera de processus stochastique, si T est discret (par
exemple N) on parlera de suite stochastique, tat dtat continu si E est
un intervalle de R, discret si E est discret. Pour x, lapplication t X
t
()
est appele trajectoire du processus X.
Exemple n
1 On mesure tous les jours du mois de janvier la pluviomtrie

en mm de direntes communes. Lensemble reprsente ici la mesure
de la pluviomtrie au mois de janvier dans lensemble des communes.
T = 1, . . . , 31 est discret, tandis que lespace dtats E, qui est un
intervalle de R, est continu. Si on choisit une commune particulire c
1
, on
obtient la ralisation dune courbe de pluviomtrie X
c1
(t) dautre part,
pour un jour donn t
1
, X
t1
reprsente une variable alatoire relle conti-
nue. Si lon choisit une autre commune c
2
, on obtient une autre ralisation
X
c2
(t).
Exemple n
2 Sur la carte mmoire dun appareil photo numrique on consi-

dre lensemble des photos qui sont stockes. Le choix dune photo don-
ne constitue une ralisation particulire de lexprience choisir une photo.
Si la photo est code en RVB, Chaque pixel de la photo est reprsent par
72 CHAPITRE I. PRSENTATION DES PROCESSUS STOCHASTIQUES
un triplet (R, V, B) appartenant 0, . . . , 255
3
. Lespace T est ici len-
semble (ni) des pixels pour le format choisi, et lespace E lensemble
des triplets possibles de couleurs. On a donc ici une suite stochastique
valeurs discrtes.
t
X
c
1
(
t
)

e
n

m
m
1 2 3 31 t 2 3 31 1
Commune n1 Commune n2
X
c
2
(
t
)

e
n

m
m
Fig. I.1 Exemple de processus en temps discret
Exemple n
3 La courbe dvolution du CAC40 constitue une trajectoire du

processus stochastique continu espace dtat continu, dont lespace est
form de portefeuilles dactions, le CAC40 tant constitu de lensemble
des 40 actions les plus reprsentatives de lconomie franaise. La courbe
est continue bien que trs perturbe, ce nest pas le cas pour toutes les
trajectoires.
Fig. I.2 Exemple de trajectoire : le CAC40
I.2. PROCESSUS DE POISSON 73
I.2 Processus de Poisson
I.2 .a Prsentation
Un processus de Poisson est un processus continu espace dtats discret.
Il sert dcrire de nombreuses situations, citons, le nombre dappels tlpho-
niques un standard, le nombre daccidents un carrefour, le nombre de pannes
sur des appareils, le nombre de clients dans un systme de service, etc . . .
I.2 .b Modlisation
Si on note X le processus, en partant de la valeur t = 0, X
t
dcrit le nombre
dvnements survenus dans lintervalle ]0, t], par hypothse X
0
= 0. Le proces-
sus X est dit de Poisson sil vrie les conditions suivantes :
1. Le processus est sans mmoire, ce qui revient dire que pour un instant
quelconque t, les occurences dvnements avant la date t ninuent pas sur
les occurences dvnements aprs t. De manire gnrale, si lon considre
deux intervalles [t
1
, t
2
] et [t
1
, t
2
] disjoints, le nombre dvnements qui se
produisent dans lun des intervalles est indpendant des vnements qui
se produisent dans lautre.
2. Si lon considre t > 0 et h > 0 quelconques, X
t+h
X
t
est une variable
alatoire dont les valeurs ne dpendent que de h. On dit que le processus
est homogne dans le temps. Puisque X
0
= 0, la loi de cette v.a. est la
mme que celle de X
h
.
3. La probabilit pour quau moins deux vnements se ralisent en mme
temps est ngligeable devant la probabilit quil ne sen produise quun.
Sous rserve de quelques hypothses supplmentaires, on montre quil existe une
constante telle que la v.a. X
t
suive une loi de Poisson de paramtre t. Cest
dire que,
t ]0, +[, n N, P(X
t
= n) =
(t)
n
n!
exp(t).
On a, E(X
t
) = V (X
t
) = t. On a donc =
E(X
t
)
t
, cest la taux darrive i.e. le
nombre moyen darrives par unit de temps. Cette remarque permettra de d-
terminer exprimentalement en faisant quelques hypothses supplmentaires.
Soient t, s > 0, le fait que le processus ne dpende pas de son pass implique
que :
P(X
t+s
X
t
= n[X
u
,u t) = P(X
t+s
X
t
= n) =
(s)
n
n!
exp(s)
I.3 Temps dattente
Etant donn un processus de Poisson X, on sintresse la suite stochastique
T espace dtats continu qui pour chaque valeur de n N dnit le temps
coul jusqu la n
eme
occurence de lvnement considr. La v.a. T
1
vrie :
P(T1 > t) = P(X
t
= 0) = e
t
.
74 CHAPITRE I. PRSENTATION DES PROCESSUS STOCHASTIQUES
En eet lvnement (T
1
> t) signie quaucun vnement ne sest produit sur
lintervalle [0, t]. T
1
suit donc une loi exponentielle de paramtre . Pour n N
,
intressons-nous la v.a. T
n+1
T
n
, qui dnit la loi dinter-arrives entre la
n
eme
et la (n + 1)
eme
occurence de lvnement.
(s R
+
), P(T
n+1
T
n
> t) = P(X
s+t
X
s
= 0) = P(X
t
= 0) = e
t
puisque dune part, si n vnements sont arrivs sur lintervalle ]0, s], il ny en
aucun sur lintervalle ]s, s + t], et que dautre part le processus X est sans
mmoire.
Remarque : X et T dcrivent le mme processus et lon a,
t R, n N, (T
n
t) (X
t
n).
On dduit des rsultats prcdents que la v.a. T
n
suit une loi dErlang de para-
mtres n, dnie par :
P(T
n
t) = 1
n
k=0
(t)
k
k!
e
t
.
I.4 Dtermination exprimentale
On a le rsultat suivant :
I.4 .a Thorme
Soit X un processus de Poisson. Si un vnement intervient dans lintervalle
]0, t], t > 0, la probabilit pour quil se produise dans un sous-intervalle de lon-
gueur x t est
x
t
cest dire que la v.a. Y
1
associe cet vnement suit une loi
uniforme sur ]0, t]. Plus gnralement, sil y a eu n vnements sur lintervalle
]0, t], les v.a. Y
1
, . . . , Y
n
sont indpendantes et de loi uniforme sur ]0, t]. Cela
implique que lors de la dtermination exprimentale de la loi on pourra choisir
des chantillons au hasard dans les intervalles concerns.
I.4 .b Application
Dans une banque ouvrant de 9h 17h en journe continue, on a choisi un
chantillon de 100 intervalles de 30 minutes durant lesquels on a relev le nombre
de clients dans la banque. On a fait lhypothse que durant la journe chaque
priode vrie les conditions du thoreme I.4 .a, ce qui signie que les direntes
plages horaires sont identiquement charges. On a tabli le tableau suivant :
Nombre darrives 0 1 2 3 4 5 6 7 8 9 10 11
Nombre de priodes 2 9 14 19 20 15 11 5 3 1 1 0
Calcul de la moyenne :
(0 2 + 1 9 +. . . + 10 1 + 11 0)
100
4.
On constate que lhistogramme est trs proche de celui dune loi de Poisson de
I.5. GRAPHES ASSOCIS UNE LOI DE POISSON 75
paramtre 4 :
k 0 1 2 3 4 5 6 7 8 9 10 11
100 p
k
1.83 7.33 14.6 19.6 19.6 15.6 10.4 6.0 3.0 1.3 0.0 0.0
On valide cette hypothse avec un test du
2
par exemple.
I.5 Graphes associs une loi de Poisson
Soit X un processus de Poisson de paramtre . Sur un petit intervalle
de temps t on peut considrer quil ny a que deux possibilits : soit il y a
une arrive, avec une probabilit proche de t, soit il ny en a aucune avec la
probabilit 1t. On obtient le graphe de transitions entre les dirents tats :
Fig. I.3 Graphe du processus de Poisson
I.6 Exemple
Dans une station de RER, les trains arrivent une gare selon un processus
de Poisson de paramtre 4 trains par heure en moyenne. Un voyageur arrive
la gare o un employ lui dclare que le prcdent train est pass il y a une
demi-heure. Quelle est la probabilit que le voyageur doive attendre plus de cinq
minutes le train suivant?
Rponse :
la dure dattente T entre deux trains suit une loi exponentielle de paramtre
= 4. On a
P
_
T >
1
2
+
1
12
[T >
1
2
_
= P
_
T >
1
12
_
= e
4
12
= e
1
3
.
En utilisant le processus de Poisson X de paramtre 4, on obtient :
P(X 1
12
= 0) =
(
4
12
)
0
0!
e
4
12
= e
1
3
.
76
Exercice I.1
Dans un standard tlphonique, on a constat que le nombre moyen dappels
arrivant par minute entre 14h et 18h est de 2.5. Sachant que les appels suivent
un processus de Poisson, trouver les probabilits pour que dans une minute
quelconque de lintervalle [14, 18],
1. Il ny ait pas dappel.
2. Il y ait deux appels exactement.
3. Il y ait quatre appels au moins.
Exercice I.2
Un laboratoire danalyses mdicales eectue rgulirement des contrles de fac-
teur rhsus sur des groupes de 30 personnes.
1. Sachant quen moyenne, 15 personnes sur 100 ont un rhsus ngatif, expri-
mer la loi de la variable X associant chacun de ces contrles le nombre
des personnes contrles ayant un rhsus ngatif. Calculer lesprance et
la variance de X.
2. On approche la loi de X par une loi de Poisson. Dterminer le paramtre
de cette loi et donner laide de cette loi les valeurs approches des v-
nements : (X < 2) et (X > 3).
Exercice I.3
Des bateaux arrivent dans un port de plaisance suivant un processus de Poisson
de paramtre = 2. Le port ne peut accueillir que 3 bateaux par jour. Sil arrive
plus de 3 bateaux, les navires en excs sont envoys dans un autre port.
1. Quelle est la probabilit pour quun jour donn, au moins un bateau soit
refus?
2. Combien de bateaux seront, en moyenne, accueillis dans une journe?
Exercice I.4
Les vhicules circulant dans une rue suivent un processus de Poisson de pa-
ramtre =
1
5
(en secondes). Pour traverser la rue un piton a besoin de 10
secondes. Quelle est la fraction des intervalles entre deux vhicules, assez grande
pour permettre au piton de traverser la rue?
77
Chapitre II
Processus de naissance et de
mort
II.1 Introduction
Dans un processus de Poisson, la probabilit de loccurence dun vnement
est indpendante des vnements qui se sont dj produits. Cela nest pas une
hypothse raliste quand on tudie, par exemple, lvolution dune population,
le nombre de naissances ou de morts dpendant de la taille de la population.
Dans le cas gnral, le taux de naissance dpendra de la taille n de la population,
on le notera
n
, de mme que lon notera
n
le taux de mort.
II.2 Dnition
Considrons un processus stochastique X espace dtats discret N. Ce
processus dcrit un systme qui est dans un tat not E
n
, n N au temps t si
et seulement si X
t
= n. On dira que ce systme est un processus de naissance
et de mort, sil existe des taux positifs ou nuls de naissance
n
, n N et des
taux positifs ou nuls de mort
n
, n N
tels que les conditions suivantes soient

satisfaites :
1. Les changements dtats sont seulement autoriss de ltat E
n
vers ltat
E
n+1
ou de ltat E
n
vers ltat E
n1
si n 1 mais seulement de ltat
E
0
ltat E
1
.
2. Si linstant t le systme est dans ltat E
n
, la probabilit quentre lins-
tant t et linstant t + h la transition se produise vers ltant E
n+1
est
n
h +o(h) (rappelons que o(h) signie que lim
h0
o(h)
h
= 0) et que la tran-
sition se produise vers ltat E
n1
(si n 1) est
n
h +o(h)
3. La probabilit que plus dune transition se produise dans lintervalle [t, t+
h] est o(h).
Exemple : dans la thorie des les dattente, on verra que lon peut considrer
lvolution de la le comme un processus de naissance et de mort o ltat E
n
correspond la prsence de n clients dans le systme dattente, attendant ou
recevant un service.
78 CHAPITRE II. PROCESSUS DE NAISSANCE ET DE MORT
II.3 Modlisation
Nous poserons dans la suite P
n
(t) = P(X
t
= n). Pour n 0 la probabilit
quau temps t +h le systme soit dans ltat E
n
a quatre composantes :
1. Il tait dans ltat E
n
linstant t et aucune transition ne sest produite.
Lvnement associ est :
(X
t
= n) (aucune naissance ni mort sur lintervalle) [t,t +h].
La probabilit associe est
P
n
(t)(1
n
h +o(h))(1
n
h +o(h).
La probabilit quil ny ait pas de transition tant gale 1 la probabilit
quil y ait une transition. En utilisant les proprits de o(h), on obtient :
P
n
(t)(1
n
h
n
h) +o(h).
n1
au temps t et se trouve dans ltat E
n
linstant
t +h. On obtient la probabilit :
P
n1
(t)
n1
h +o(h).
n+1
au temps t et se trouve dans ltat E
n
linstant
t +h. On obtient la probabilit :
P
n+1
(t)
n+1
h +o(h).
4. Plus dune transition sest produite : probabilit o(h) (ngligeable devant
h).
Au total on obtient :
P
n
(t +h) = [1
n
h
n
h]P
n
(t) +
n1
hP
n1
(t) +
n+1
hP
n+1
(t) +o(h).
En soustrayant P
n
(t), en divisant par h et en passant la limite, on obtient les
quations direntielles :
n N
, P
n
(t) = (
n
+
n
)P
n
(t) +
n1
P
n1
(t) +
n+1
P
n+1
(t).
Pour n = 0, on obtient,
P
0
(t) =
0
P
0
(t) +
1
P
1
(t).
Si le systme est dans ltat E
i
pour un certain i linstant t = 0, les conditions
initiales sont :
P
i
(0) = 1, P
j
(0) = 0 pour j ,= i.
Inutile de prciser que la rsolution de tels systmes est extrmement complexe.
Il y a cependant des cas particuliers o cela reste relativement ais. Voyons-en
quelques uns.
II.4. PROBABILITS LONG TERME 79
II.3 .a Processus de naissance pur
On a ici n N
n
= ,
n
= 0. On est conduit au systme :
_
_
_
P
n
(t) = P
n
(t) +P
n1
(t), pour n 1
P
0
(t) = P
0
(t)
P
0
(0) = 1, P
j
(0) = 0, pourj ,= 0
Les solutions de ce systme sont :
n N, t 0, P
n
(t) =
(t)
n
e
t
n!
.
On retrouve le processus de Poisson, ce qui permet den donner une nouvelle
interprtation : cest un processus de naissance pur taux constant.
II.3 .b Processus de mort pur
On part dun systme N + 1 tats possibles numrots de 0 N. Dans ce
processus nous avons,
n 0, . . . , N
n
= 0,
n
= si n 1,
0
= 0.
Intuitivement, il sagit ici dune population N individus dans laquelle il ny a
que des disparitions et pas de naissance. Ici P
n
(t) est la probabilit que N n
disparitions se soient produites dans lintervalle [0, t], on trouve,
P
n
(t) =
(t)
Nn
(N n)!
e
t
, n 1, . . . , N, et P
0
(t) = 1
N1
j=0
(t)
j
j!
e
t
II.4 Probabilits long terme
Dans le cas gnral, le calcul des probabilits P
n
(t) savre trs dicile,
voire impossible. Cependant, dans la plupart des cas, le processus atteint un
tat dquilibre appel rgime stationnaire o les probabilits P
n
(t) tendent
vers une limite p
n
qui ne dpend plus de t. Les drives P
n
(t) sannulent alors
on obtient les quations dquilibre suivantes :
_

0
p
0
=
1
p
1
n
p
n
=
n+1
p
n+1
pour n N
avec lquation de normalisation :

+
n=0
p
n
= 1
On obtient les solutions :
p
n
=

0
1
. . .
n1
2
. . .
n
p
0
.
Avec lquation de normalisation, on obtient p
0
et donc toutes les autres valeurs.
80 CHAPITRE II. PROCESSUS DE NAISSANCE ET DE MORT

n-1 n
n+1

n+1 n-1

n+1 n 1
Fig. II.1 Graphe du processus de Naissance et de mort
En rgime stationnaire, les quations obtenues signient que pour tout tat
E
n
on a :
Flux entrant = Flux sortant
81
Exercice II.1
On considre un processus de naissance et de mort pouvant prendre les tats
E
0
, E
1
, E
2
, E
3
caractris par les paramtres suivants :
0
= 4,
1
= 3,
2
= 2, ,
1
= 2,
2
= 4, et
3
= 4.
1. Construisez le diagramme de transition de ce processus.
2. Dterminer les probabilits en rgime stationnaire du processus.
Exercice II.2
On considre un processus de naissance et de mort dans lequel,
n
=

n + 1
, n
N pour un rel > 0 et
n
= , n N.
Montrer que p
n
=
(
)
n
n!
e
.
82
83
Chapitre III
Chanes de Markov
III.1 Dnition
Un processus stochastique X = X
t
, t T espace dtats E est un pro-
cessus de Markov sil est homogne dans le temps, i.e. si son comportement
sur un intervalle de T ne dpend que de la longueur de cet intervalle et non de
son origine, et si, t
1
, . . . , t
n+1
, n N
, t
1
< t
2
< . . . < t
n+1
et tout ensemble
dtats E
1
, . . . , E
n+1
, prenant respectivemet les valeurs x
1
, . . . , x
n+1
,
P(X
tn+1
= x
n+1
[X
t1
= x
1
, . . . , X
tn
= x
n
) = P(X
tn+1
= x
n+1
[X
tn
= x
n
)
Intuitivement, cela signie que le futur du processus ne dpend que de ltat
prsent E
n
et non de lhistoire du processus.
On sintressera ici aux processus espace dtats discret, appel chane de
Markov. Pour simplier les notations on supposera que la valeur prise dans
ltat E
n
, n N est n. De la mme manire, on supposera que T est discret
et on noter m, m N au lieu de t
m
, on aura donc considrer la suite X
n
, n N.
III.2 Probabilits de transition
III.2 .a Transition dordre 1
Si au temps 0 on est dans ltat E
i
, on va dnir les probabilits de passer
dans un autre tat E
j
linstant suivant :
p
ij
= P(X
1
= j[X
0
= i)
De manire gnrale on va sintresser aux probabilits :
P(X
n+1
= j[X
n
= i)
Ces probabilits appeles probabilits de transition dpendent en gnral de
ltat de dpart E
n
, mais comme on a suppos le processus homogne dans le
temps il nen est rien. On aura donc pour toute valeur de n,
P(X
n+1
= j[X
n
= i) = p
ij
84 CHAPITRE III. CHANES DE MARKOV
Ces quantits vrient les proprits suivantes :
_
_
0 p
ij
1, (i, j) N
2
+
j=0
p
ij
= 1, i N
La matrice ((p
ij
)) est appele matrice stochastique .
III.2 .b Transitions dordre n
On va sintresser maintenant au passage dun tat E
i
un tat E
j
en n
transitions. Le processus tant homogne, cela ne dpend pas de linstant initial.
On va donc poser :
p
n
ij
= P(X
n
= j[X
0
= i) = P(X
m+n
= j[X
m
= i), m 0, n > 0.
Pour passer de ltat E
i
ltat E
j
en m+n transitions, on peut passer par nim-
porte quel tat E
k
aprs m transitions et repartir vers ltat E
j
en n transitions.
On a donc,
(X
m+n
= j) (X
0
= i) =
_
k
((X
m+n
= j) (X
m
= k)) (X
0
= i)
Les vnements (X
m
= k, k N formant un systme complet dvnements. On
obtient donc,
P(X
m+n
= j[X
0
= i) =
+
k=0
P(X
m+n
= j[(X
m
= k) (X
0
= i))
=
+
k=0
P(X
m+n
= j[(X
m
= k))P(X
m
= k[X
0
= i),
et daprs les proprits dhomognit, P(X
m+n
= j[X
m
= k) = P(X
n
=
j[X
0
= k). On obtient ainsi les quations de Chapman-Kolmogorov :
p
m+n
ij
=
+
k=0
p
n
ik
p
m
kj
, n, m, i, j 0
En particulier, si E est ni, et si lon nomme P la matrice de transition dordre 1,
la matrice de n-transitions est gale P
n
. En eet, P
(2)
= P
2
et par rcurrence
P
(n)
= P
(n1)
P = P
n
.
III.2 .c Exemple
Un systme de communication transmet les bits 0 et 1 travers plusieurs
tapes. A chaque tape, la probabilit pour quun bit soit reu de manire iden-
tique ltape suivante est 0.75. Quelle est la probabilit quun 0 entr la
premire tape soit reu comme 0 la cinquime?
Rponse :
La matrice de transition dordre 1 est ici :
P =
_
0.75 0.25
0.25 0.75
_
III.3. CLASSIFICATION DES TATS DUNE CHANE 85
La probabilit cherche est obtenue en prenant llment P
4
00
de la matrice P
4
.
On a,
P
4
=
_
0.53125 0.46875
0.46875 0.53125
_
4
La probabilit cherche est donc gale 0.53125.
III.3 Classication des tats dune chane
Etats communicants : Deux tats E
i
et E
j
des tats communicants si et
seulement si il existe un entier m tel que p
m
ij
> 0 et un entier n tel que
p
n
ji
> 0.
Etat rcurrent : Si le retour un tat E
i
est certain, E
i
est dit rcurrent .
Ltat est dit rcurrent positif si le temps moyen pour y revenir est ni,
rcurrent nul si le temps est inni.
Etat priodique : Sil existe un entier d tel que ltat E
i
ne puisse tre atteint
quaux temps d, 2d, . . . , nd,. . . , E
i
est dit priodique de priode d.
Etat transitoire : Si le retour un tat E
i
nest pas certain, ltat est dit
transitoire.
Etat absorbant : Un tat E
i
est dit absorbant si une fois atteint il est im-
possible de le quitter, i.e. p
ii
= 1.
Dnition: Une chane est dite apriodique si elle ne possde aucun tat
priodique.
III.4 Proprits des chanes de Markov
III.4 .a relation dquivalence sur lensemble des tats
On dnit une relation, que lon notera entre deux tats E
i
et E
j
, E
i
E
j
si et seulement si E
i
et E
j
sont communicants. Cette relation est une relation
dquivalence. Ainsi les tats dune chane de Markov peuvent tre partitionns
en classes dquivalence dtats. Une chane sera dite irrductible si et seule-
ment si elle ne possde quune seule classe dquivalence pour cette relation.
Une chane irrductible peut traduire lvolution dun systme rparable et/ou
soumis une politique de maintenance prventive : le systme tant toujours rpar,
il nexiste pas dtat absorbant.
Dnition
Une chane de Markov irrductible et apriodique est dite ergodique.
Obention des classes dquivalence
Lobtention des classes dquivalence se fait en calculant la matrice de fer-
meture transitive du graphe associ la chane de Markov. On appelle classe
nale une classe forme dtats rcurrents et classe de transition une classe
forme dtats transitoires. Chaque trajectoire entre un moment donn dans
une classe nale et ne la quitte plus, il y a absorption.
86 CHAPITRE III. CHANES DE MARKOV
III.4 .b Exemple
Considrons un systme quatre tats E
1
, E
2
, E
3
, E
4
. Les probabilits de
transition dordre 1 sont donnes par la matrice suivante :
P =
_
_
_
_
0.6 0.3 0 0.1
0.1 0.4 0.5 0
0.75 0 0.2 0.05
0 0 0 1
_
_
_
_
Le graphe associ est :
?>=< 89:;
1
0.6
0.3
0.1
?>=< 89:;
2
0.4
0.1
0.5
?>=< 89:;
4
1
?>=< 89:;
3
0.05
0.75
0.2
La matrice associe ce graphe est :

M =
_
_
_
_
1 1 0 1
1 1 1 0
1 0 1 1
0 0 0 1
_
_
_
_
La matrice de fermeture transitive est :
=
_
_
_
_
1 1 1 1
1 1 1 1
1 1 1 1
0 0 0 1
_
_
_
_
Seul ltat E
4
est absorbant, les tats E
1
, E
2
, E
3
sont transitoires, on ny passe
jusqu ce que lon arrive ltat E
4
. Il y a deux classes dquivalence pour la
relation : la classe E
4
qui est nale, E
4
tant un tat rcurrent, et la classe
E
1
, E
2
, E
3
qui est une classe de transition (forme dtats transitoires).
III.4 .c Thorme 1
Soit (X) une chane de Markov irrductible. Une et une seule des assertions
suivantes est vrie :
1. Tous les tats sont rcurrents positifs.
2. Tous les tats sont rcurrents nuls.
3. Tous les tats sont transitoires.
Notons
(n)
i
la probabilit que la chane soit dans ltat E
i
au temps n,
(n)
i
=
P(X
n
= i). On va supposer ici que E est ni de taille N. Daprs les proprits
III.4. PROPRITS DES CHANES DE MARKOV 87
des chanes de Markov, o la prsence dans un tat donn ne dpend que du
prcdent, on dduit que
(n)
i
=
N
k=0
(n1)
k
p
ki
daprs le fait que les vnements (X
n1
= k), k 0, . . . , N forment un sys-
tme complet dvnement, en utilisant la formule des probabilits totales et le
fait que P(X
n
= i[X
n1
= k) = p
ki
.
Appelons
n
= (
(n)
0
,
(n)
1
, . . . ,
(n)
N
) le vecteur des probabilits dtats lins-
tant n, on a :
n
=
n1
P =
0
P
n
.
Dans certains cas, que nous allons voir,
(n)
admet une limite quand n +.
On la notera , elle vrie lquation :
= P.
III.4 .d Thorme 2
Si X est une chane de Markov ergodique, les probabilits limites =
lim
n+
(n)
existent toujours et sont indpendantes de la distribution initiale. Si
tous les tats ne sont pas pas rcurrents positifs alors = (0, . . . , 0) et il nexiste
pas de distribution stationnaire. Dans le cas contraire = (
0
,
1
, . . . ,
N
) forme
une distribution stationnaire et le temps moyen de retour ltat E
i
est
1
i
. On
a videmment :
N
i=0
i
= 1.
III.4 .e Exemple
Reprenons lexemple III.2 .c, il est clair que la chane est ergodique et possde
une distribution stationnaire = (
0
,
1
).
On obtient les quations :
_
_
_
0
+
1
= 1
0
= 0.75
0
+ 0.25
1
1
= 0.25
0
+ 0.75
1
Do
0
=
1
= 0.5.
88
Exercice III.1
La sociologie sintresse la question suivante : dans quelle mesure le statut
social des parents inue sur celui des enfants. On considre pour simplier trois
classes de population, "pauvre", "moyenne" et "riche" (tats E
1
, E
2
, E
3
), On
a la matrice de transition suivante :
P =
_
_
0.45 0.48 0.07
0.05 0.7 0.25
0.01 0.5 0.49
_
_
1. Calculer la probabilit de passer de la classe riche la classe pauvre en
deux gnrations.
2. Calculer la probabilit de passer de la classe pauvre la classe riche en
deux gnrations.
3. Dterminer les probabilits stationnaires.
Exercice III.2
Les vacanciers partent en gnral, soit la mer tat E
1
, soit la montagne, tat
E
2
, soit ltranger, tat E3. La matrice de transition est :
P =
_
_
0.3 0.1 0.6
0.5 0.3 0.2
0.2 0.6 0.2
_
_
Dterminer le t des congs en rgime stationnaire.
Exercice III.3
Dans des temps reculs, un tout petit village se compose dun paysan, dun
tailleur et dun charpentier. Largent ny a pas cours et il y rgne une conomie
de troc. Le paysan utilise
7
16
de sa production, le charpentier
5
16
et le tailleur
1
4
.
Le tailleur utilise la moiti de sa production, le paysan
3
16
et le charpentier
5
16
.
Le charpentier utilise
1
6
de sa production, le paysan la moiti et le tailleur
1
3
.
Des banquiers de passage veulent introduire largent. Pour cela ils estiment en
pourcentage les productions respectives de respectives p
1
, p
2
et p
3
de P, T, et C.
1. Tracer le graphe des changes de troc.
2. Dterminer p
1
, p
2
et p
3
de telle manire que lconomie de troc ne voit
pas son quilibre bris.
89
Chapitre IV
Files dattente
IV.1 Introduction
La thorie des les dattente a pour but de modliser les situations qui r-
pondent au schma suivant : des clients arrivent intervalles alatoires dans
un systme comportant un ou plusieurs serveurs auxquels ils vont adresser une
requte. La dure de service est galement alatoire. De nombreux cas de la
vie courante rpondent ce schma : service dans une banque ou un organisme
public, ateliers dusinage ou de production, ici les clients sont des ordres de pro-
duction excuter et les serveurs des machines, pages autoroutiers etc . . .
Les principales questions que lon se pose sont :
quel est le temps moyen avant quun client soit servi.
quel est le nombre moyen de clients dans le systme.
quel est le taux dutilisation moyen des serveurs.
Dans le cas gnral il y a de nombreux modles de description : des systmes
serveurs parallles ou en srie, de mme les arrives des clients peuvent tre
groupes ou individuelles et de la mme faon il peut y avoir dirents types de
service.
Les clients forment une ou plusieurs les dattente, et il y a des rgles de slec-
tion pour le service, cest ce que lon appelle la discipline de service la plus
courante tant la discipline FIFO . La capacit du systme , cest dire le
nombre de clients pouvant tre prsents dans le systme est limite ou non.
Dans le cadre de ce cours, nous nous bornerons un seul serveur et arrives et
services individuels.
Notation de Kendall on note A/B/S (N)une le dattente o A est le code
de la loi des arrives, B, celui de la loi des services et S le nombre des guichets
(tous identiques) fonctionnant en parallle, N dsigne le nombre maximal de
clients admis dans le systme (inni si lindication est omise).
Dans le cadre de ce cours, nous intresserons aux les M/M/1 et M/M/1
(N).
Dnitions :
On appelle le dattente lensemble des clients qui attendent dtre ser-
vis.
90 CHAPITRE IV. FILES DATTENTE
On appelle systme dattente lensemble des clients qui font la queue,
y compris ceux ou celui qui est en train dtre servi.
IV.2 Evaluation du systme, mesures long terme
On appellera tat du systme linstant t, le nombre N
t
de clients prsents
dans le systme dattente. On notera p
n
(t) la probabilit que n clients soient
prsents dans le systme linstant t i.e. P(N
t
= n) et p
n
= lim
t+
p
n
(t), n N,
ce sont les probabilits en rgime stationnaire, qui signient que dans le long
terme exactement n clients soient prsents dans le systme ou qui indiquent la
proportion du temps, en rgime stationnaire (avec quelques hypothses suppl-
mentaires), o le systme contient n clients, ce qui ne signie pas quil devient
parfaitement dterministe.
La connaissance de ces probabilits permet de calculer de nombreuses mesures
de performance du systme dattente que lon tudie. On considrera en parti-
culier les mesures suivantes :
L
s
: nombre de clients attendu dans le systme dattente (en rgime sta-
tionnaire).
L
q
: nombre de clients dans la le dattente (en rgime stationnaire).
W
s
: temps attendu pass par chaque client dans le systme (en rgime
stationnaire).
W
q
: temps attendu pass par chaque client dans la le dattente (en rgime
stationnaire).
Par dnition on a :
L
s
=
+
n=0
np
n
.
Si le systme comporte c serveurs,
L
q
=
+
n=c+1
(n c)p
n
.
En eet, il ya (n c) clients dans la le si et seulement sil y a n clients dans le
systme.
IV.2 .a Lois de Little
Appelons le taux dentre moyen de clients dans le systme dattente, on
a les formules de Little :
L
s
= W
s
et L
q
= W
q
.
La dure moyenne de service par client est : W
s
W
q
.
Le nombre moyen de serveurs occups est : L
s
L
q
.
IV.3. FILES DATTENTE M/M/1 91
IV.3 Files dattente M/M/1
Un systme M/M/1 est caractris par le fait que cest processus de nais-
sance et de mort, o les paramtres darrive sont :
n
= , n N et les
paramtres de sortie :
0
= 0,
n
= ,n N
. On supposera dans notre cas que

les clients arrivent suivant un processus de Poisson de paramtre et que le
temps de service suit une loi exponentielle de paramtre .
La signication de ces paramtres est la suivante : est le nombre moyen dar-
rives par unit de temps et , le nombre moyen de clients pouvant tre servis
par unit de temps. La dure moyenne dun service est donc
1
IV.3 .a Probabilits associes

Pour que le service puisse seectuer sans allongement indni de la le, il
faut que < , daprs les rsultats vus sur les processus de naissance et de
mort, on a :
p
n
=
_
_
n
p
0
De la condition,
+
k=0
p
k
= 1, on dduit que sous les conditions indiques, p
0
=
1

et nalement,
p
n
=
_
_
n
_
1

_
Posons =

, on obtient, en rgime stationnaire,

_
_
W
q
=
1
L
q
= W
q
=

2
1
W
s
=
1

L
s
= W
s
=

Posons =

.
La probabilit que le serveur soit occup est :
1 P(N = 0) = 1 (1 ) =
La probabilit quil y ait plus de n clients dans le systme est :
P(N n) = (1 )
kn
k
=
n
.
92 CHAPITRE IV. FILES DATTENTE
IV.3 .b Exemple n1
Chez un mdecin la dure moyenne dune consultation est de 15 minutes,
celui-ci prend des rendez-vous toutes les 20 minutes, les clients tant supposs
arriver de manire alatoire. Daprs le modle que nous utilisons nous avons
ici, lunit de temps tant lheure, = 3 et = 4. On obtient L
s
=
3
4 3
= 3 et
W
q
=
3
4(4 3)
=
3
4
. Cela signie que le nombre moyen de clients dans la salle
dattente et dans le cabinet du mdecin est de 3 et leur temps moyen dattente
dans la salle dattente est de
3
4
dheure, tandis que le temps moyen pass chez
le mdecin est de 1 heure.
La probabilit quil y ait plus de 4 clients dans le systme dattente est de
(
3
4
)
4
0.316, tandis que le mdecin est occup en moyenne
3
4
dheure par
heure.
On montre que la probabilit que lattente dans la le soit infrieure une dure
t est :
P(T
f
t) = 1
_
_
e
()t
De mme la probabilit que le temps pass dans le systme dattente soit inf-
rieur une dure t est :
P(T
s
t) = 1 e
()t
Dans lexemple IV.3 .b, la probabilit dattendre moins de 20 minutes chez le
mdecin avant la consultation est : 1
3
4
e
1
3
0.463 et la probabilit de passer
moins de 20 minutes chez le mdecin est 1 e
1
3
0.283. La probabilit quun
patient attende plus dune heure est P(T
f
> 1) = 1 P(T
f
1) =
3
4
e
1
0.276.
IV.4 Files M/M/1 (N)
Dans de nombreux cas le nombre de clients dans le systme dattente est
limit, soit N le nombre maximum de clients admissibles. Dans le systme de
naissance et de mort associ, on a maintenant :
n
= , n 0, . . . , N
1, 0 sinon et de mme
n
= , n 1, . . . , N, 0 sinon.
En rgime stationnaire, on a donc, en posant =

:
p
n
=
n
1
(1
N+1
)
, si ,=
p
n
=
1
N + 1
, si = .
On obtient
L
s
=

(1 )

(N + 1)
N+1
(1
N+1
)
si ,= .
IV.4. FILES M/M/1 (N) 93
et
L
s
=
N
2
si =
L
q
= L
s
(1 p
0
).
La probabilit pour que le serveur soit occup est :
(1 p
n
) =
(1
N
)
(1
N+1
)
.
W
s
=
L
s
( p
N
)
et
W
q
=
L
q
(1 p
N
)
.
94
Exercices du chapitre IV
Exercice IV.1
Chez un coieur, il entre = 5 clients lheure, et on sert = 6 clients
lheure. Des clients attendent en permanence.
1. Quelle est la fraction des clients qui naura pas besoin dattendre?
2. Calculer le nombre moyen de clients dans le systme et dans la le.
3. Dans le salon il y a quatre chaises rserves aux clients qui attendent.
Quelle est la probabilt pour quun nouveau client demeure debout.
4. Calculez la dure moyenne dattente dans le salon et dans la le.
Exercice IV.2
Une succursale de banque est ouverte chaque jour ouvrable, de 9h 17h en
journe continue. Elle accueille en moyenne 64 clients par jour. Il y a un guichet
unique, la dure moyenne de chaque traitement est de deux minutes et demie.
Les clients font la queue dans leur ordre darrive, aucun client ntant refus.
On suppose que lon fonctionne en rgime stationnaire.
1. Calculer le temps moyen pass attendre dans la queue, puis le temps
moyen pass dans la banque.
2. Quelles sont les probabilits pour quil narrive aucun client entre 15h et
16h? Que 6 clients arrivent entre 16h et 17h?
3. Quelle est, en moyenne et par heure, la dure pendant laquelle lemploy
du guichet ne soccupe pas des clients?
4. Quelle est la probabilit davoir quatre clients dans la le dattente?
5. Quelle est la probabilit quun client passe plus dun quart dheure dans
la banque?
On fait maintenant lhypothse que la banque ne peut accueillir plus de
cinq clients la fois, ce qui arrivent en surnombre repartent.
6. Tracer le graphe des transitions associ ce processus.
7. Dterminer les probabilits de chaque tat en rgime stationnaire et cal-
culer le nombre moyen de clients refuss par jour ainsi que le temps din-
activit de lemploy.
95
Quatrime partie
Elments de Fiabilit
97
Chapitre I
Prsentation
I.1 Introduction
La abilit est laptitude dun systme, dun matriel,. . . ) fonctionner sans
incident pendant un temps donn. Pour lAFNOR cest la caractristique dun
dispositif, qui sexprime par une probabilit, pour que celui-ci accomplisse la
fonction requise, dans des conditions dtermines, pendant une priode donne.
Prvoir la abilit est essentiel pour des raisons de scurit (systmes de freinage,
systme avioniques, systmes nuclaires, systmes informatiques, . . . ). La quasi-
impossibilit de rparer certains matriels (satellites par exemple), les problmes
conomiques (cots de dfaillances, gestion du personnel de maintenance, main-
tenance des stocks de pices de rechange, . . . ) rendent ncessaire la connaissance
de la abilit des systmes utiliss. Dans notre cas nous ne considrerons que
des situations simples.
I.2 Gnralits, terminologie
I.2 .a Fonctions de dfaillance et de abilit
On considre ici un dispositif unique, ou un groupe de dispositifs identiques
de mme provenance utiliss dans des conditions semblables, dont les proprits
sont susceptibles de se modier au cours du temps. Au bout dun certain temps
appel dure de vie , le systme cesse de satisfaire aux conditions dutilisation.
Dnitions
On appelle,
1. abilit dun systme S la probabilit note R(t) que le systme nait
aucune dfaillance sur lintervalle [0, t].
2. maintenabilit dun systme dun systme rparable S et on note M(t)
la probabilit pour que le systme soit rpar avant linstant t sachant quil
est dfaillant linstant 0, on M(t) = 1 P(S non rpar sur [0, t]).
3. MTTF (mean time to failure), la dure moyenne de bon fonctionnement
dun systme en tat de marche linstant initial.
4. MTBF (mean time between failure) la moyenne des temps entre deux
dfaillances dun systme rparable, en rgime stationnaire.
Si lon appelle T la v.a. mesurant la dure de bon fonctionnement du systme,
on a R(t) = P(T > t = 1 P(T t). Si T a pour densit f, on a presque
partout, f(t) = R
(t).
La MTTF est alors lesprance de T si elle existe et on a la relation,
MTTF = E(T) =
_
+
0
R(t)dt
On introduit le taux instantan de dfaillance (t), on obtient,
(t) = lim
t0
P(t < T t + t[T > t)
t
On voit que
(t) =
R
(t)
R(t)
et donc que
R(t) = exp
_
_
t
0
(u)du
_
.
do
T(t) = 1 exp
_
_
t
0
(u)du
_
On constate exprimentalement que dans la plupart des cas la courbe reprsen-
tative de cette fonction est une courbe en baignoire comportant trois priodes :
1. Priode (1) : le taux de dfaillance dcrot, il correspond des fautes de
jeunesse.
2. Priode (2) : cest la priode de vie utile, le taux reste peu prs constant,
les pannes semblent seulement dues au hasard.
3. Priode (3) : le taux davarie crot rapidement, les pannes sont dues aux
dfauts causs par lusure.
I.3 Dtermination exprimentale
I.3 .a Estimation des fonctions R et T
Sur un intervalle [0, t], une estimation de la fonction R(t est fournie par le
pourcentage des dispositifs nayant subi aucune dfaillance.
Exemple
On tudie la abilit dun ensemble de pices mcaniques. On a tudi pour
cela la dure de vie de 9 de ces pices. Les temps de bon fonctionnement (en
heures) jusqu dfaillance constats sont,
N pice 1 2 3 4 5 6 7 8 9
temps 90 350 950 1660 530 1260 2380 230 720
I.3. DTERMINATION EXPRIMENTALE 99
Fig. I.1 Allure de la courbe du taux davarie
On estime la valeur de R(t) en prenant le quotient par 9 du nombre de pices
en tat de marche linstant t, N(t) tant le nombre de pices en tat de marche
linstant t :. On obtient ainsi le tableau suivant :
t 90 230 530 720 950 1260 1660 2380
N(t) 8 7 6 5 4 3 2 1 0
R(t)
8
9
7
9
6
9
5
9
4
9
3
9
2
9
1
9
0
Cette mthode destimation est acceptable si le nombre des systmes mis
en service linstant 0 est susemment grand. Cest ainsi que lon adopte les
estimations suivantes pour R(t) :
i
n
si n > 50 (mthode des rangs bruts)
i
n + 1
si 20 < n 50 (mthode des rangs moyens)
(i 0.3
n + 0.4
si n 20 (mthode des rangs mdians)
Dans lexemple prcdent, on utilise la mthode des rangs mdians et on obtient :
i 1 2 3 4 5 6 7 8 9
t 90 230 530 720 950 1260 1660 2380
R(t) 0.93 0.82 0.71 0.61 0.5 0.39 0.28 0.18 0.07
I.4 Principales lois utilises
I.4 .a La loi exponentielle
Si on considre des systmes ne prsentant pas de phnomnes dusure (semi-
conducteurs, . . . ) et pour lesquels les dfauts de jeunesse sont ngligeables, il
faut envisager une loi dont le taux davarie est constant, on lutilise aussi pour
dcrire la priode de vie utile du systme. On a alors (t) = . On obtient ainsi,
R(t) = e
t
, MTTF = E(T) =
1
La probabilit pour que le systme fonctionne aprs un temps dutilisation gal

la MTTF est R(
1
=
1
e
0.368 soit environ 36.8%.
En reprenant lexemple ci-dessus, on peut approximer par une loi exponentielle
de paramtre
1
1660
0.00094. On en dduit que la probabilit que la pice
fonctionne peu prs 2000 heures est exp(
2000
1060
) 0.15.
I.4 .b Loi de Weibull
Dans la loi de Weibull J(, , ) la MTTF est gale
_
1 +
1
_
. Le
calcul pratique se fait grce des tables qui donne une valeur A =
_
1 +
1
_
suivant les valeurs de . De la mme manire on a des tables avec une valeur B
o V (T) = B
2
.
101
Chapitre II
Fiabilit dun systme et de
ses composants
II.1 Systme structure en srie
Un systme prsente une structure en srie si la dfaillance dun de ses
composants entrane celle du systme. Il est souvent reprsent par le schma :
C
1
C
2
C
3
Si T
i
, i 1, . . . , n dtermine le temps de bon fonctionnement du composant
ni, les vnements (T
i
> t) tant supposs indpendants, on a si T reprsente
le temps de bon fonctionnement du systme,
(T > t) =
n
i=1
(T
i
> t)
Do,
R(t) =
n
i=1
R
i
(t)
II.1 .a Exemple
Un systme structure en srie est constitu de n composants C
i
indpen-
dants dont la dure de vie T
i
suit une loi exponentielle de paramtre
i
. Pour
chaque composant, nous avons R
i
(t) = exp(
i
t) si t 0, 0 sinon.. La fonction
de abilit du systme est donc :
R(t) = exp(
1
t +. . . +
n
t) si t 0, 0 sinon .
On en dduit que le systme suit une loi exponentielle de paramtre =
1
+
. . . +
n
. On obtient,
MTTF =
1
n
i=1
i
102CHAPITRE II. FIABILIT DUN SYSTME ET DE SES COMPOSANTS
II.2 Systme structure parallle
Un systme prsente une structure parallle si ltat de marche dun seul
de ses composants entrane celle du systme. Le systme est dfaillant si chacun
de ses composants est dfaillant. On le reprsente par le type de schma suivant :
C
1

C
2

C
3
Si le systme comporte n lments en parallle, on a

(T t) =
n
i=1
(T
i
t).
Do,
R(t) = 1
n
i=1
(1 R
i
(t)).
II.2 .a Exemple
Dans un systme structure parallle de n composants, on suppose que la
dure de vie de chaque composant suit une loi exponentielle de paramtre .
Soit T
1
la dure dattente avant que le premier composant ne tombe en panne
et pour i > 1, T
i
le temps coul entre la mise hors service de llment i 1
et llment i (on suppose que lon ordonn les composants dans lordre de leur
dfaillance). On a alors,
T =
n
i=1
T
i
.
Entre la dfaillance de llment i 1 et celle du suivant, il reste n i + 1
appareils que lon peut traiter comme sils taient en srie (puisque lon at-
tend la dfaillance dun lment quelconque). On en dduit que T
i
suit une loi
exponentielle de paramtre
i
= (n i + 1) et E(T
i
) =
1
i
. Par suite,
E(T) =
n
i=1
1
i
=
1
(1 +
1
2
+. . . +
1
n
)
II.3 Systmes structure mixte
Si le systme combine les deux structures prcdentes est appel systme
structure mixte, on peut en gnral le dcomposer en sous-systmes qui sont
soit en srie soit en parallle.
II.3. SYSTMES STRUCTURE MIXTE 103
II.3 .a Exemple
Soit le systme suivant,
C
1

C
3

C
2
Le systme est une structure srie du composant C

3
et du sous-systme not
C
1,2
structure parallle. La dure de vie de ce sous-systme est :
R
1,2
= 1 (1 R
1
(t))(1 R
2
(t)) = R
1
(t) +R
2
(t) R
1
(t)R
2
(t).
Par suite,
R(t) = R
3
(t).(R
1
(t) +R
2
(t) R
1
(t)R
2
(t)).
104
Exercice II.1
On considre un systme S constitu de 5 composants, de fonctions de abilit
respectives R
i
, suivant le schma ci-dessous. Dterminer la fonction de abilit
R de ce systme.
C
1
C
3

C
4

C
2
C
5
Exercice II.2
La abilit dun type de machine a t ajuste par une loi de Weibull de para-
mtres = 40, = 60 et = 1.1
1. Dterminer la MTTF et calculer le temps de bon fonctionnement pour
une dfaillance admise de 50%.
2. Calculer le taux davarie pour les valeurs t = 45, 75, 105, 135 et 165.
105
Cinquime partie
Annexes
107
Annexe A
Elments de probabilits
A.1 Vocabulaire des probabilits
Exprience alatoire : une exprience dpendant du hasard. On la dcrit
par lensemble de ses rsultats possibles. Un rsultat possible est appel
ventualit. Lensemble des ventualits sera nomm qui est lunivers
des possibles.
Evnement alatoire : tout vnement li une exprience alatoire, il est
reprsent par le sous-ensemble des ventualits permettent sa ralisation
qui est une partie ou sous-ensemble de donc un lment de T(). Un
vnement lmentaire est un singleton de T(). est appel v-
nement certain . lvnement contraire dun vnement A est le com-
plmentaire dans de A, on le note

A. Etant donns deux vnement A et
B on note A ou B lensemble AB, vnement A et B lensemble AB.
On dit que deux vnements A et B sont incompatibles si A B = .
On dit que lvnement A implique lvnement B si A B.
Systme complet dvnements : Soit (A
i
)
iI
o I est une partie nie ou
dnombrable de N, une famille dvnements non vides de . On dit quelle
constitue un systme complet dvnements si :
(i, j) I
2
, (i ,= j) => (A
i
A
j
= ).
_
iI
A
i
= .
A.2 Espaces probabiliss
Soit Omega un ensemble, et B une partie de T() vriant :
B.
A B,

A B
Pour toute famille nie ou dnombrable (A
i
)
iI
dlments de B,
iI
A
i

B.
On a les proprits suivantes :
B.
B est stable par intersection dnombrable.
A, B B,A

B B
108 ANNEXE A. ELMENTS DE PROBABILITS
A, B B,AB B
A.2 .a Dnition des probabilits
On appelle probabilit sur lespace probabilisable (,B) toute application
P de B dans [0, 1] telle que :
1. P() = 1
2. Pour toute suite (A
n
) dvnements deux deux incompatibles de B, on
a,
P
_
_
nN
A
n
_
=
+
n=0
P(A
n
)
Le triplet (,B,P) est alors appel espace probabilis.
Proprit :
Si (A
i
]
iI
est un systme complet dvnements,
iI
P(A
i
) = 1.
Dnition:
Deux vnements A et B sont indpendants si P(A B) = P(A).P(B).
A.2 .b Probabilits conditionnelles
dnition:
Soient deux vnements A et B tels que P(A) ,= 0, on appelle proba-
bilit conditionnelle de B sachant que A est ralis (ou B sachant A) :
P(B[A) =
P(A B)
P(A)
.
Soient (A
i
), i 1, . . . , n, n N une famille de n vnements tels que
P
_
n
i=1
A
i
_
,= ., on a,
P
_
n
i=1
A
i
_
= P(A
1
)P(A
2
[A
1
) . . . P(A
n
[A
1
. . . A
n1
).
Si (A
i
)
iI
est un systme complet dvnements de probabilits non nulles, on
a la formule des probabilits totales
Pour tout vnement B,
P(B) =
iI
P(B[A
i
)P(A
i
).
De la mme faon, on obtient la formule de Bayes :
P
_
n
i=1
A
i
_
P(A
k
[B) =
P(B[A
k
)P(A
k
)
iI
P(B[A
i
)P(A
i
)
.
A.3. VARIABLES ALATOIRES 109
A.3 Variables alatoires
A.3 .a Dnitions
1. On appelle, de faon gnrale, variable alatoire relle (v.a.r. ou v.a.
dans la suite) sur lespace probabilis (, B, P) toute application X de
dans R telle que pour tout intervalle I de R, X
1
(I) B o X
1
(I) =
[X() I. On aura par dnition, P(X() I) = P(X
1
(I)).
que lon notera dsormais, P(X I)
2. On appelle fonction de rpartition de la v.a. x lapplication de Rdans
[0, 1] dnie par x P(X x).
A.3 .b Variables alatoires discrtes
On dira que X est une v.a. discrte si X() est ni ou dnombrable. Soit
x
1
, x
2
, . . . , x
n
, . . . les valeurs prises la v.a.
On appellera loi de v.a. discrte X, lensemble des couples (x
i
, P(X = x
i
)).
Dnitions
1. On appelle esprance de X la quantit :
E(X) =
iI
x
i
P(X = x
i
)
Elle existe sous rserve de convergence de cette srie.
2. On appelle variance de X la quantit
V (X) =
iI
(x
i
E(X))
2
P(X = x
i
)
sous rserve de convergence. On a, V (X) = E(X
2
) E(X)
2
.
3. Si la variance existe, on dnit lcart-type de X,
(X) =
_
V (X).
4. Si X admet une esprance et une variance, on dnit la variable centre
rduite
X
=
X E(X)
(X)
.
A.3 .c Variables alatoires continues
Dnitions
1. Si f est une fonction rlle dune variable relle, on dit que f est une
densit de probabilit si :
f est une fonction valeurs relles positives.
f est continue sur R (sauf ventuellement en un nombre ni de va-
leurs).
_
+
f(t)dt = 1.
2. Soit X une variable densit f, on dnit :
F(x) = P(X x) =
_
x
f(t)dt.
F est continue sur R et et drivable sauf ventuellement en un nombre
ni de points. De plus F est croissante et valeurs dans [0, 1]. De plus
lim
x
F(x) = 0 et lim
x+
F(x) = 1
Si a et b sont deux rels, on a P(a < X b) = F(b) F(a).
3. Si X est une variable densit f et sous rserve de convergence, on a
E(X) =
_
+
tf(t)dt.
V (X) =
_
+
(t E(X))
2
f(t)dt
A.4 Lois usuelles
A.4 .a Loi binmiale
La loi binmiale note B(n, p) o n N, p ]0, 1[ est dnie par :
P(X = k) = C
k
n
p
k
(1 p)
nk
, k0, . . . , n.
On a E(X) = np et V (X) = np(1 p).
A.4 .b Loi de Poisson
Soit un rel strictement positif, la loi de Poisson est dnie par
P(X = k) = e
k
k!
.
On a E(X) = et V (X) = .
A.4 .c Loi gomtrique
Soit p ]0, 1[, et q = 1p, une variable alatoire X suit une loi gomtrique
de paramtre p, si
P(X = k) = q
k
p, k N.
On a E(X) =
q
p
et V (X) =
q
p
2
.
A.4 .d Loi uniforme
X suit une loi uniforme sur un intervalle [a, b] de R, note |[,]
si sa
densit f est dnie par f(t) =
1
b a
si t [a, b], 0 sinon. On a
F(x) =
_
_
x a
b a
si x [a, b]
0 si x a
1 si x > b
A.4. LOIS USUELLES 111
E(X) =
a +b
2
et V (X) =
(b a)
2
12
.
A.4 .e Loi exponentielle
X suit une loi exponentielle de paramtre , note c() si sa densit est
f(x) =
_
e
x
si x 0
0 si x < 0
On a, On obtient, E(X) =
1
et V (X) =
1
2
.
A.4 .f Loi de Weibull
X suit une loi de Weibull de paramtres , , , note J(, , ). si,
f(x) =
_
.
_
x
_
1
exp
_
_
x
_
si x
0 si x <
On obtient,
F(x) =
_
_
1 exp
_
_
x
_
si x
0 si x <
E(X) =
_
1 +
1
_
o (x) =
_
+
0
e
t
t
x1
dt.
A.4 .g Exemple
Soit T une v.a. de distribution gomtrique, m et k deux entiers, on a P(T =
m+k[T m) = P(T = k). ( dmontrer) La distribution gomtrique est sans
mmoire, ce qui veut dire ici que le nombre dessais entre deux succs ne dpend
pas du nombre dessais qui prcdent (proprit de Markov).
De la mme manire, si X suit une loi exponentielle de paramtre ,
P(X > t +h[X > t) =
e
(t+h)
e
t
= e
h
= P(X > h), t, h > 0.
Si X reprsente le temps dattente avant quun vnement particulier ne se
produise, et que t units de temps nont produit aucun vnement, alors la
distribution avant quun vnement ne se produise partir de la date t est
la mme que si aucun temps ne stait coul. L aussi le processus est sans
mmoire.
Fig. A.1 Quelques densits de la loi de Weibull ( = 1, = 0, =
0.3, 0.6, 1, 1.5, 2, 3.)
113
Annexe B
TABLES
B.1 Table de la loi de Poisson
P(X = k) =

k
k!
e
E(X) = V (X) =
k 0.2 0.3 0.4 0.5 0.6 1 1.5 2 3 4 5
0 0.8187 0.7408 0.6703 0.6065 0.5488 0.368 0.223 0.135 0.0498 0.018 0.007
1 0.1637 0.2222 0.2681 0.3032 0.3293 0.368 0.335 0.271 0.149 0.073 0.034
2 0.0163 0.0333 0.0536 0.0758 0.0988 0.184 0.251 0.271 0.224 0.147 0.084
3 0.0011 0.0033 0.0536 0.0758 0.09988 0.061 0.126 0.180 0.224 0.195 0.140
4 0.000 0.0002 0.0007 0.0015 0.003 0.015 0.047 0.090 0.168 0.195 0.176
5 0.000 0.000 0.0001 0.0001 0.0003 0.003 0.014 0.036 0.101 0.156 0.176
114 ANNEXE B. TABLES
B.2 TABLE DE LA LOI DE WEIBULL
Tableau des coecients ncessaires aux calculs de E(X))A+ et de (X) =
B.
A B A B A B A B
0.20 120 1901 1.3 0.924 0.716 2.8 0.891 0.344 5 0.918 0.210
0.25 24 199 1.35 0.917 0.687 2.9 0.892 0.334 5.1 0.919 0.207
0.30 9.261 50.08 1.40 0.911 0.660 3 0.893 0.325 5.2 0.920 0.203
0.35 5.0291 19.98 1.45 0.907 0.635 3.1 0.894 0.316 5.3 0.921 0.200
0.40 3.323 10.44 1.5 0.903 0.613 3.2 0.896 0.307 5.4 0.922 0.197
0.45 2.479 6.46 1.55 0.899 0.593 3.3 0.897 0.299 5.5 0.923 0.194
0.50 2 4.47 1.6 0.897 0.574 3.4 0.898 0.292 5.6 0.924 0.191
0.55 1.702 3.35 1.65 0.894 0.556 3.5 0.900 0.285 5.7 0.925 0.188
0.60 1.505 2.65 1.7 0.892 0.540 3.6 0.901 0.278 5.8 0.926 0.185
0.65 1.366 2.18 1.75 0.8906 0.525 3.7 0.9025 0.272 5.9 0.927 0.183
0.70 1.264 1.85 1.8 0.889 0.511 3.8 0.904 0.266 6 0928 0.180
0.75 1.191 1.61 1.85 0.888 0.498 3.9 0.905 0.260 6.1 0.929 0.177
0.80 1.133 1.43 1.9 0.887 0.486 4 0.906 0.254 6.2 0.929 0.175
0.85 1.088 1.29 1.95 0.887 0.474 4.1 0.908 0.249 6.3 0.930 0.172
0.90 1.052 1.17 2 0.886 0.463 4.2 0.909 0.244 6.4 0.931 0.170
0.95 1.023 1.08 2.1 0.886 0.443 4.3 0.910 0.239 6.5 0.9318 0.168
1 1 1 2.2 0.8856 0.425 4.4 0.911 0.235 6.6 0.9325 0.166
1.05 0.960 0.934 2.3 0.886 0.409 4.5 0.913 0.230 6.7 0.933 0.163
1.1 0.965 0.878 2.4 0.887 0.393 4.6 0.914 0.226 6.8 0.934 0.161
1.15 0.952 0.830 2.5 0.887 0.380 4.7 0.915 0.222 6.9 0.935 1.160
1.20 0.941 0.787 2.6 0.888 0.367 4.8 0.916 0.218
1.25 0.931 0.750 2.7 0.889 0.716 4.9 0.971 0.214
115
Annexe C
conclusion
Jai eu beaucoup de plaisir crire ce modeste manuel qui jespre aidera
les tudiants qui ont le courage de reprendre le chemin des tudes aprs bien
souvent une dure journe de labeur. Je leur exprime toute mon admiration et
leur souhaite bon courage.
Richard Loustau
Index
adjacence, 4
algorithme de Dijkstra, 17
algorithme de Floyd, 19
algorithme de Ford, 16
algorithme du simplexe, 51
arcs, 3
artes, 4
boucle, 3
capacit du systme, 89
chane apriodique, 85
chane de Markov, 83
chane de Markov ergodique, 85
chane irrductible, 85
chanes, 4
chemin critique, 16
chemin lmentaire, 5
chemin hamiltonien, 5
chemin simple, 5
chemins, 4
circuit, 5
classe de transition, 85
classe nale, 85
composantes connexes, 9
composantes fortement connexes, 9
concatnation, 5
contraintes de positivit, 36
cot rduit, 63
cycle, 5
degr, 5
degrs, 5
demi-degr extrieur, 5
demi-degr intrieur, 5
densit de probabilit, 109
discipline de service, 89
domaine ralisable, 40
dual, 58
dure de vie, 97
cart-type, 109
quations dquilibre, 79
quations de Chapman-Kolmogorov,
84
quation de normalisation, 79
espace des dcisions, 40
espace des tats, 71
espace probabilis, 108
esprance dune v.a. discrte, 109
tat absorbant, 85
tats communicants, 85
tat du systme, 90
tat priodique, 85
tat rcurrent, 85
tat transitoire, 85
ventualit, 107
vnement alatoire, 107
vnement certain, 107
vnement contraire, 107
vnement lmentaire, 107
vnements incompatibles, 107
exprience alatoire, 107
extrmit nale, 3
extrmit initiale, 3
fermeture transitive, 7
abilit dun systme, 97
le dattente, 89
fonction alatoire, 71
fonction de rpartition, 109
fonction conomique, 35
formes canoniques, 36
formule de Bayes, 108
formule des probabilits totales, 108
formules de Little, 90
graphe orient, 3
graphe partiel, 4
graphe rexif, 4
graphe symtrique, 4
graphe transitif, 4
1-graphes, 3
INDEX 117
intervalle de stabilit, 64
loi binmiale, 110
loi de Poisson, 110
loi de Weibull, 111
loi exponentielle, 111
loi gomtrique, 110
loi uniforme, 110
maintenabilit dun systme, 97
matrice dadjacence, 5
matrice dincidence, 6
matrice stochastique, 84
MPM, 25
MTBF, 98
MTTF, 97
mthode des rangs bruts, 99
mthode des rangs moyens, 99
mthode des rangs mdians, 99
mthode en 2 phases, 53
mthode en deux phases, 53
notation de Kendall, 89
PERT, 25
pivot, 48
points extrmes, 40
polydre convexe, 40
primal, 58
probabilit, 108
probabilit conditionnelle, 108
probabilits de transition, 83
processus de Markov, 83
processus de naissance et de mort,
77
processus de Poisson, 73
processus stochastique, 71
relation binaire, 3
Roy-Warshall, 8
rgime stationnaire, 79
solution de base, 38
solution de base ralisable, 38
solution optimale, 38
solution ralisable, 38
sommets, 3
sous-graphe, 4
structure en srie, 101
structure mixte, 102
structure parallle, 102
suite stochastique, 71
systme complet dvnements, 107
systme dattente, 90
systme M/M/1, 91
trajectoire, 71
variable alatoire relle, 109
variable centre rduite, 109
variable dcart, 36
variables articielles, 53
variables de base, 38
variables de dcision, 36
variables en base, 38
variables hors base, 38
variables structurelles, 36
variance dune v.a. discrte, 109

Recherche Operationnelle

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Recherche Operationnelle

Transféré par

Droits d'auteur :

Formats disponibles

Prcis de Recherche Oprationnelle

) est un sous-graphe. Lapplication

associe est une restriction de , i.e. x E,

U lensemble des arcs obtenu en ne

Fig. I.3 Incidence sommets-arcs

Fig. I.4 algorithme de Roy-Warshall

Fig. I.5 Composantes fortement connexes

Fig. I.6 Mise en ordre dun graphe

) ,= (G) o (X) reprsente la fermeture transitive de X.

sont dits -quivalents si (G) = (G

1. Dterminer la fermeture (G) de G.

Fig. II.1 Algorithme de Ford

tel que j = min

Faire i min(i, j + vji) ;

Fig. II.2 Algorithme de Dijkstra

(complmentaire de S) tel que

Fig. II.3 Graphe sans circuit

Fig. II.4 Algorithme de Floyd

1 On mesure tous les jours du mois de janvier la pluviomtrie

2 Sur la carte mmoire dun appareil photo numrique on consi-

3 La courbe dvolution du CAC40 constitue une trajectoire du

tels que les conditions suivantes soient

avec lquation de normalisation :

La matrice associe ce graphe est :

. On supposera dans notre cas que

IV.3 .a Probabilits associes

, on obtient, en rgime stationnaire,

La probabilit pour que le systme fonctionne aprs un temps dutilisation gal

Si le systme comporte n lments en parallle, on a

Le systme est une structure srie du composant C

Vous aimerez peut-être aussi