Recherche Operationnelle

REPUBLIQUE DU BENIN
Ministre de lEnseignement Suprieur et de la

Recherche Scientifique
Universit dAbomey Calavi
Ecole Polytechnique dAbomey Calavi
MANUEL DE COURS
Notes de Cours :
RECHERCHE OPERATIONNELLE
Enseignant :
Jol M. ZINSALO
1e Edition
Recherche Oprationnelle
CONTENU
Chapitre 1 : INTRODUCTION A LA RECHERCHE OPERATIONNELLE
Chapitre 2 : PROGRAMMATION LINEAIRE : RESOLTION PAR LA MRTHODE
GRAPHIQUE
Chapitre 3 : METHODE DU SIMPLEXE ET DUALITE
Chapitre 4 : UTILISATION DES VARIABLES ARTIFICIELLES
Chapitre 5 : NOTIONS ELEMENTAIRES SUR LES GRAPHES
Chapitre 6 : ORDONNANCEMENT MPM - PERT
Chapitre 7 : PERT PROBABILISTE
Chapitre 8 : PROBLEMES DE TRANSPORT ET DAFFECTATION
Professeur : Jol Mtogb ZINSALO/EPAC-UAC
Page 2
CHAPITRE 1
INTRODUCTION A LA RECHERCHE OPERATIONNELLE
La recherche oprationnelle (aussi appele aide la dcision) peut tre dfinie

comme l'ensemble des mthodes et techniques rationnelles orientes vers la
recherche de la meilleure faon d'oprer des choix en vue d'aboutir au rsultat
vis ou au meilleur rsultat possible. Elle fait partie des aides la dcision
dans la mesure o elle propose des modles conceptuels en vue d'analyser et de
maitriser des situations complexes pour permettre aux dcideurs de comprendre
et d'valuer les enjeux et d'arbitrer et/ou de faire les choix les plus efficaces.
Le domaine fait largement appel au raisonnement mathmatique ( logique,
probabilits, analyse de donnes ) et la modlisation des processus. Il est
fortement li l'ingnierie des systmes, ainsi qu'au management du systme
d'information.
1. Historique
Ds le XVIIe sicle, des mathmaticiens comme Blaise Pascal tentent de rsoudre
des problmes de dcision dans l'incertain avec l'esprance mathmatique.
D'autres, au XVIIIe et XIXe sicle, rsolvent des problmes combinatoires. Au
dbut du XXe sicle, l'tude de la gestion de stock peut tre considre comme
tant l'origine de la recherche oprationnelle moderne avec la formule du lot
conomique (dite formule de Wilson) propose par Harris en 1913.
Mais ce n'est qu'avec la Seconde Guerre mondiale que la pratique va s'organiser
pour la premire fois et acqurir son nom. En 1940, Patrick Blackett est appel
par l'tat-major anglais diriger la premire quipe de recherche oprationnelle,
pour rsoudre certains problmes tels que l'implantation optimale de radars de
surveillance ou la gestion des convois d'approvisionnement. Le qualificatif
oprationnelle vient du fait que la premire application d'un groupe de travail
organis
dans
cette
discipline
avait
trait
aux
oprations
militaires.
La
dnomination est reste par la suite, mme si le domaine militaire n'est plus le
principal champ d'application de cette discipline.
Page 3
Aprs la guerre, les techniques se sont considrablement dveloppes, grce,
notamment, l'explosion des capacits de calcul des ordinateurs. Les domaines
d'application se sont galement multiplis.
2. Types de problmes traits
La recherche oprationnelle peut aider le dcideur lorsque celui-ci est confront
un problme combinatoire, alatoire ou concurrentiel.
Un problme est dit combinatoire lorsqu'il comprend un grand nombre de
solutions admissibles parmi lesquelles on cherche une solution optimale ou
proche de l'optimum. Exemple typique : dterminer o installer 5 centres de
distribution parmi 30 sites d'implantation possibles, de sorte que les cots de
transport entre ces centres et les clients soient minimum. Ce problme ne peut
tre rsolu par une simple numration des solutions possibles par l'esprit
humain, puisqu'il en existe (30 x 29 x 28 x 27 x 26) / (1 x 2 x 3 x 4 x 5) =
142 506 (!). Et mme si un problme de cette taille peut tre rsolu par
numration par un ordinateur, les dcideurs sont rgulirement confronts
des problmes infiniment plus complexes, o le nombre de solutions acceptables
se compte en milliards de milliards (voir explosion combinatoire).
Un problme est dit alatoire s'il consiste trouver une solution optimale face
un problme qui se pose en termes incertains. Exemple typique : connaissant la
distribution alatoire du nombre de personnes entrant dans une administration
communale en une minute et la distribution alatoire de la dure de traitement
du cas d'une personne, dterminer le nombre minimum de guichets ouvrir pour
qu'une personne ait moins de 5% de chances de devoir attendre plus de 15
minutes.
Un problme est dit concurrentiel s'il consiste trouver une solution optimale
face un problme dont les termes dpendent de l'interrelation entre ses propres
agissements et ceux d'autres dcideurs. Exemple typique : fixer une politique de
prix de vente, sachant que les rsultats d'une telle politique dpendent de la
politique que les concurrents adopteront.
3. Applications pratiques
Les problmes que la R.O. peut aider rsoudre sont soit stratgiques (on peut
citer le choix d'investir ou pas, le choix d'une implantation, le dimensionnement
Page 4
d'une flotte de vhicules ou d'un parc immobilier) ou oprationnelles
(notamment l'ordonnancement, la gestion de stock, l'affectation de moyens
(humains ou matriels) des tches, les prvisions de ventes).
La gestion de projets est une composante trs importante de la communaut de
recherche oprationnelle. De nombreux travaux traitent de l'ordonnancement et
de la gestion de projets, mais aussi de logistique (tournes de vhicule,
conditionnement), de planification, et de problmes d'emploi du temps.
Dans le cadre de l'industrie manufacturire, la recherche oprationnelle permet
notamment
de
trouver
des
plans
de
productions
(ordonnancement
de
production), de disposer au mieux les machines dans un atelier, de diminuer le

gaspillage des matires premires (problmes de dcoupe) ou de l'nergie ou bien
encore d'optimiser le conditionnement et la livraison des produits intermdiaires
ou finis.
Dans le domaine de la finance, les problmes d'investissement sont des
problmes classiques de recherche oprationnelle. Ils consistent en gnral
maximiser le profit (ou l'esprance de profit) obtenu partir d'un montant donn
en combinant au mieux les diffrentes possibilits offertes l'investisseur.
La recherche oprationnelle a aussi des applications dans le domaine de l'nergie.
Elle est couramment utilise dans l'industrie ptrolire, principalement dans
l'tablissement
des
plans
de
production,
l'approvisionnement
des
bruts,
l'utilisation des units de raffinage, et le choix des canaux de distribution les plus
rentables. De mme, les oprateurs du March de l'lectricit font largement
appel la recherche oprationnelle tant pour des problmes stratgiques (par
exemple des investissements sur le rseau) que pour des questions plus
oprationnelles (stabilit du rseau, prvisions). Pour plus de dtails, voir Plans
d'approvisionnement, de production et de distribution du ptrole
Les applications dans le domaine de l'informatique sont trs nombreuses elles
aussi. On peut citer, entre autres, le choix de la localisation et du nombre de
serveurs mettre en place, de la capacit de stockage, de la puissance de calcul
et du dbit du rseau, le choix d'une architecture informatique (application
centralise / distribue, traitements en temps rel ou en diffr, rseau maill ou
en toile, etc.), et l'ordonnancement dans les systmes d'exploitation.
Page 5
4. Implantation dans le monde des entreprises
Trs peu d'entreprises emploient des chercheurs oprationnels pour aider le
dcideur rsoudre ses problmes. Lorsque de tels problmes se posent, ils sont
gnralement soumis un gros cabinet de conseil ou au dpartement de
recherche oprationnelle d'une universit (bien que la tendance actuelle soit
l'externalisation de ces comptences universitaires via de petites socits prives
appeles spin-off, rpondant mieux aux besoins du monde industriel). Certains
problmes simples peuvent tre rsolus au sein mme de l'entreprise, la plupart
des
universits
ayant
intgr
des
cours
d'introduction
la
recherche
oprationnelle dans les programmes des ingnieurs, des mathmaticiens, des

informaticiens, des contrleurs de gestion et, moins souvent, des conomistes.
Malgr son importance intrinsque, la R.O. est encore peu utilise dans le monde
industriel, soit cause du manque d'(in)formation des dcideurs, soit par le
manque de pertinence de l'outil ou sa difficult de mise en uvre. Les principales
craintes mises par le dcideur quant l'application de modles R.O. dans son
entreprise sont :
Une prise en compte limite des facteurs

Pour les questions stratgiques, la rponse pure et parfaite d'une
solution mathmatique semble rarement applicable de facto. Mme si la
recherche oprationnelle intgre beaucoup de facteurs, si certains aspects
sont relativement faciles modliser au sens mathmatique du terme (le
cot, la rentabilit, la distance, la dure, la cadence, par exemple), d'autres
lments sont en revanche plus difficiles modliser : contraintes lgales,
volont commerciale de faire barrage un concurrent, importance des
relations avec les lus, climat social, etc. Le poids de ces lments dans la
dcision est pourtant important, parfois dterminant.
Un investissement important
L'outil mathmatique lui-mme exige un niveau lev de connaissances
mathmatiques, une bonne aptitude modliser les problmes et dcrire
les facteurs ; ces contraintes sont consommatrices de temps et d'argent
(que ce soit par dveloppement interne, qui consomme des ressources; ou
par dveloppement externe, qui consomme de l'argent). Il est alors
Page 6
ncessaire de trouver un quilibre entre l'investissement ncessaire et les
retombes prvues.
Pour des vnements peu frquents

L'entreprise ne bnficie pas de l'effet d'exprience : d'une fois sur l'autre, le
problme concerne un service diffrent, ou les responsables ont chang
entre deux tudes. Il est donc difficile d'entretenir les comptences R.O.
l'intrieur de l'entreprise.
Le dcideur devra prendre ces diffrents aspects en compte lorsqu'il dcidera ou

non de mettre en uvre des modles de recherche oprationnelle dans son
entreprise.
5. Relations avec d'autres disciplines

La recherche oprationnelle se situe au carrefour de diffrentes sciences et
technologies. Par exemple, l'analyse conomique est souvent ncessaire pour
dfinir l'objectif atteindre ou pour identifier les contraintes d'un problme.
Elle est aussi lie l'ingnierie des systmes. Par rapport celle-ci, le champ
d'application de la recherche oprationnelle est historiquement plus ax sur les
vnements incertains et l'industrie, et ses mthodes plus particulirement
mathmatiques.
La recherche oprationnelle utilise de nombreuses mthodes issues de thories
mathmatiques diverses. En ce sens, une partie de la recherche oprationnelle
peut tre considre comme une branche des mathmatiques appliques. Les
mathmatiques,
notamment
les
statistiques,
contribuent
aussi
poser
efficacement les termes d'un problme.

La thorie des graphes sert de support la rsolution d'un vaste chantillon de
problmes, notamment certains issus de l'algorithmique classique, tels que les
problmes de plus court chemin, le problme du voyageur de commerce, les
problmes d'ordonnancement de tches, les problmes de planning ou encore les
problmes d'optimisation de flux.
Les progrs de l'informatique sont intimement lis l'accroissement des
applications de la recherche oprationnelle. Une puissance de calcul importante
est ncessaire la rsolution de problmes de grande taille. Cette puissance est
cependant loin de constituer une panace : la thorie de la complexit des
Page 7
algorithmes nous apprend que certains problmes ne peuvent pas tre rsolus de
manire optimale dans un temps raisonnable, mme si l'on considre des
ordinateurs un milliard de fois plus puissants que ceux d'aujourd'hui.
Plusieurs mthodes de rsolution de problmes sont issues de l'intelligence
artificielle. Alors que l'approche de l'intelligence artificielle est de proposer des
mthodes de rsolution gnriques, la recherche oprationnelle utilise ces
mthodes en les spcialisant pour les rendre plus efficaces rsoudre des classes
plus restreintes de problmes.
On peut aussi citer la thorie des jeux, bien connue des conomistes, qui aide
rsoudre les problmes concurrentiels.
6. Principales (classes de) mthodes
Algorithmes polynomiaux
Certains problmes de recherche oprationnelle ne sont pas NP-complets.
Dans ce cas, on utilise un algorithme polynomial pour le rsoudre, si le
polynme est de degr raisonnable.
Programmation dynamique
Certains problmes ont de bonnes caractristiques qui permettent de les
rsoudre
l'aide
d'une
formule
de
rcurrence.
Les
mthodes
de
programmation dynamique peuvent alors ventuellement permettre de

rsoudre le problme avec une complexit polynomiale ou pseudopolynomiale.
Processus stochastiques
Les processus stochastiques concernent tous les problmes alatoires, en
particulier des problmes de fiabilit (de systmes, de composants
lectroniques) et des phnomnes d'attente.
Simulation informatique
La simulation est souvent employe pour rsoudre des problmes de RO,
notamment dans le milieu non acadmique.
Optimisation linaire et non linaire

L'optimisation linaire est trs souvent utilise pour rsoudre des
problmes combinatoires. Elle permet de rsoudre trs efficacement les
problmes dans lesquels les variables sont continues. Lorsqu'il y a des
Page 8
variables discrtes, optimisation linaire et mthodes arborescentes (voir ciaprs) peuvent tre combines.
L'optimisation non linaire peut aussi tre utilise. La possibilit d'utiliser
des contraintes ou des fonctions objectifs non linaires offre une puissance
de modlisation trs importante mais les algorithmes de rsolution des
problmes
d'optimisation
non
linaire
sont
significativement
moins
efficaces que ceux de l'optimisation linaire.
Mthodes de complmentarit linaire et non linaire
Mthodes arborescentes
Les mthodes de type A* ou branch and bound sont couramment utilises
pour trouver la solution exacte d'un problme de recherche oprationnelle.
Pour une rsolution efficace, un soin particulier est apport au calcul de
bornes suprieures ou infrieures pour la valeur de la solution.
La programmation par contraintes permet de mettre en uvre rapidement
et efficacement de telles mthodes de recherche arborescente. Plusieurs
bibliothques (logiciels) d'optimisation commerciales ou non reposent sur
cette approche (ILOG Solver, Chip, Mozart/Oz, FaCiLe). De nombreux
logiciels d'optimisation de problmes rels utilisent ainsi cette technologie.
Heuristiques et mtaheuristiques
Lorsque la solution optimale ne peut tre obtenue en un temps
raisonnable, on a souvent recours des mthodes approches de type
heuristique ou mtaheuristique.
Page 9
CHAPITRE 2 :
PROGRAMMATION LINEAIRE : RESOLTION
PAR LA MRTHODE GRAPHIQUE
partir de la fin de la Seconde Guerre mondiale, de nouvelles mthodes

permirent de rsoudre des problmes complexes l o les mthodes classiques
chouaient. Ces mthodes furent connues sous le nom de programmation
linaire, dveloppes principalement par George B. Dantzig (n le 8 novembre
1914), mathmaticien amricain et crateur de la mthode du Simplexe, et L.
Kantorovich (1912-1986).
Danzig, outre la programmation linaire, tudia entre autres la programmation
mathmatique, la prise de dcision et les modles de planification large chelle.
Limpact de son uvre fut considrable en gestion et en conomie et ses
mthodes restent totalement dactualit.
De
manire
gnrale,
la
rsolution
de
problmes
de
programmation
mathmatique vise dterminer lallocation optimale (cest--dire la meilleure

combinaison possible) de ressources limites pour atteindre certains objectifs. Les
allocations doivent minimiser ou maximiser une fonction dite objectif. En
conomie, ces fonctions sont par exemple le profit ou le cot. Ces problmes,
traits par la programmation mathmatique, se distinguent des problmes
doptimisation classique par le fait que leurs solutions sont dordre numrique.
Celles-ci sont obtenues par une technique numrique itrative, alors que les
solutions un problme classique sont en gnral donnes sous forme de
formules fermes.
1. Dfinitions
On appelle Programmation Linaire, le problme mathmatique qui consiste
optimiser (maximiser ou minimiser) une fonction linaire de plusieurs variables
qui sont relies par des relations linaires appeles contraintes. Les problmes de
programmations linaires sont gnralement lis des problmes dallocations de
ressources limites, de la meilleure faon possible, afin de maximiser un profit ou
de minimiser un cot. Le terme meilleur fait rfrence la possibilit davoir un
ensemble de dcisions possibles qui ralisent la mme satisfaction ou le mme
Page 10
profit. Ces dcisions sont en gnral le rsultat dun problme mathmatique. La
programmation linaire est dfinie donc comme tant un cas particulier de la
programmation mathmatique pour laquelle la fonction objectif et les contraintes
sont linaires.
2. Formulation dun programme linaire
Exercice introductif :
Soit rsoudre le problme suivant :
Une usine fabrique 2 pices P1 et P2 usines dans deux ateliers A1 et A2. Les
temps
d'usinage
sont
pour P1: de 3 heures dans l'atelier A1 et de 6 heures dans l'atelier A2

pour P2: de 4 heures dans l'atelier A1 et de 3 heures dans l'atelier A2.
Le temps de disponibilit hebdomadaire de l'atelier A1 est de 160 heures et celui
de l'atelier A2 de 180 heures.
La marge bnficiaire est de 1200 F pour une pice P1 et 1000 F pour une pice
P2.
Quelle production de chaque type doit-on fabriquer pour maximiser la marge
hebdomadaire?
Le problme peut se formaliser de la faon suivante :
variables conomiques ou d'activit: ce sont les inconnues
x1 = quantit de pices P1 fabriquer
x2 = quantit de pices P2 fabriquer
contraintes conomiques
3 x1 + 4 x2 160 contrainte due l'atelier A1

6 x1 + 3 x2 180 contrainte due l'atelier A2
contraintes de signe
x1 0
; x2 0
fonction conomique ou objectif
z = 1200 x1 + 1000 x2 maximiser
Les conditions de formulation dun Programme Linaire

La programmation linaire comme tant un modle admet des hypothses (des
conditions) que le dcideur doit valider avant de pouvoir les utiliser pour
modliser son problme. Ces hypothses sont :
Page 11
a) Les variables de dcision du problme sont positives
b) Le critre de slection de la meilleure dcision
est dcrit par une
fonction linaire de ces variables, cest dire, que la fonction ne peut

pas contenir par exemple un produit crois de deux de ces variables. La
fonction qui reprsente le critre de slection est dite fonction objectif
(ou fonction conomique).
c) Les restrictions relatives aux variables de dcision (exemple: limitations
des ressources) peuvent tre exprimes par un ensemble dquations
linaires. Ces quations forment lensemble des contraintes.
Les paramtres du problme en dehors des variables de dcisions ont une valeur
connue avec certitude.
Gnralement il y a trois tapes suivre pour pouvoir construire le modle d'un
programme linaire :
a) Identifier les variables du problme valeur non connues (variable de
dcision) et les reprsenter sous forme symbolique (exp. x1, y1 ).
b) Identifier les restrictions (les contraintes) du problme et les exprimer
par un systme dquations linaires.
c) Identifier lobjectif ou le critre de slection et le reprsenter sous une
forme linaire en fonction des variables de dcision. Spcifier si le critre
de slection est maximiser ou minimiser.
Exemple 2 : Problme de mdecine

Un spcialiste en mdecine a fabriqu un mdicament (des pilules) pour gurir les
sujets atteints dun rhume. Ces pilules sont fabriques selon deux formats :
Petite taille : elle contient 2 grains daspirine, 5 grains de bicarbonate et 1

grain de codine.
Grande taille : elle contient 1 grain daspirine, 8 grains de bicarbonate et 6

grains de codine.
Pour gurir la maladie, le sujet a besoin de 12 grains daspirine, 74 grains de

bicarbonate et 24 grains de codine. Dterminer le nombre de pilules minimales
prescrire au sujet pour quil soit gurit.
Page 12
Formulation du problme en un PL :
Le problme de mdecine prsente certaines ressemblances avec le problme de
lagriculture, dans les deux cas cest un problme dallocation de ressources.
Les variables de dcision qui reprsentent des valeurs inconnues par le dcideur
qui est dans ce cas le spcialiste en mdecine sont :
x1 : le nombre de pilules de petite taille prescrire.
x2 : le nombre de pilules de grande taille prescrire.
On vrifie bien que les variables de dcision x1 et x2 sont positives : x1 0, x2 0 .

Les contraintes imposes par le problme sur les valeurs possibles de x1 et x2
sont :
La prescription doit contenir des pilules avec au moins 12 grains daspirine.

Sachant quune petite pilule contient 2 grains daspirine et quune grande
pilule contient un seul grain daspirine, on obtient la contrainte suivante :
2 x1 + x2 12 .
De la mme faon que pour laspirine, la prescription du spcialiste en

mdecine doit contenir au moins 74 grains de bicarbonate. Ainsi la contrainte
suivante doit tre satisfaite : 5 x1 + 8 x2 74 .
Finalement la contrainte impose par le fait que la prescription doit contenir

au moins 24 grains de codine est x1 + 6 x2 24 .
Etape 3 : Identification de la fonction objectif. On remarque quil y a plusieurs

couples de solutions ( x1 , x2 ) qui peuvent satisfaire les contraintes spcifies
ltape 2. La prescription doit contenir le minimum possible de pilules. Donc le
critre de slection de la quantit de pilules prescrire est celle qui minimise le
nombre total des pilules z = x1 + x 2 .
Le programme linaire qui modlise ce problme mdical est donc le suivant :
Min
x1 + x 2
s .c .
2 x 1 + x 2 12
5 x 1 + 8 x 2 74
x 1 + 6 x 2 24
x1 0 , x 2 0
Page 13
3. Mthodologie
Cette mthode n'est applicable que dans le cas o il n'y a que deux variables. Son
avantage est de pouvoir comprendre ce que fait la mthode gnrale du Simplexe,
sans entrer dans la technique purement mathmatique.
Les contraintes conomiques et de signe sont reprsentes graphiquement par
des demi-plans dont l'intersection est un ensemble convexe (c..d. tout segment
de droite dont les extrmits appartiennent l'ensemble est entirement inclus
dans cet ensemble). Les solutions, si elles existent appartiennent donc cet
ensemble appel rgion des solutions admissibles.
Il s'agit donc de chercher l'intrieur de ce domaine, le couple (x1, x2)

maximisant la fonction objectif.
Or l'quation 1200 x1 + 1000 x2 = z0 est reprsente par une droite de pente
constante (-1,2) dont tous les points (x1 , x2) fournissent la mme valeur z0 pour
la fonction conomique. En particulier, la droite 1200 x1 + 1000 x2 = 0 passe par
l'origine et donne une valeur nulle la fonction conomique. Pour augmenter la
valeur de z0 et donc la fonction conomique, il suffit d'loigner de l'origine (dans
le quart de plan x1 0 ; x2 0) la droite de pente -1,2. Pour respecter les
Page 14
contraintes, cette droite sera dplace jusqu' l'extrme limite o il n'y aura plus
qu'un point d'intersection (ventuellement un segment) avec la rgion des
solutions admissibles.
On remarquera que la solution optimale se trouve ncessairement sur le pourtour

de la rgion des solutions admissibles.
La solution se trouvant sur les deux droites d'quation
3 x1 + 4 x2 = 160
6 x1 + 3 x2 = 180
la rsolution de ce systme conduit la solution x1 =16 , x2 = 28, d'o z = 47200.
Prenons lexemple 2 relatif au problme de mdecine. Le programme linaire est
le suivant :
Min
x1 + x2
s.c.
2 x1 + x2 12
5 x1 + 8 x2 74
x1 + 6 x2 24
x1 0, x2 0
Page 15
Un bon choix se base sur une lecture des diffrents paramtres du programme
linaire. Dans notre cas, on ne peut qualifier de bon, le choix de 20 comme unit
dans les deux axes.
Pour lexemple, on peut choisir le systme daxes suivant :
x2
12
6
3
6
12
24
x1
Parmi les solutions possibles dun problme, il y a ceux qui vont satisfaire toutes
les contraintes du programme, appels solutions ralisables, et ceux qui vont
satisfaire une partie ou aucune de ces contraintes, appels solutions non
ralisables.
Une reprsentation graphique des ingalits (des contraintes) va nous permettre
de dterminer lensemble des solutions ralisables.
Revenons lexemple 2 du problme de mdecine.
Une des contraintes de ce problme est celle relative au grain daspirine :
2 x1 + x2 12 .
Lensemble des solutions qui vrifient cette ingalit est le mme que celui qui
vrifie 2 x1 + x2 = 12 et 2 x1 + x2 > 12 .
x2
12
6
3
6
12
24
x1
Lensemble des solutions qui correspond lquation est lensemble des points de
la droite l dfinie par x2 = 2 x1 + 12 . Cette droite admet une valeur de la pente gale
2 et intercepte laxe des ordonnes en 12 (voir figure ci-dessus).
Lingalit 2 x1 + x2 > 12 correspond un demi-plan limit par la droite x2 = 2 x1 + 12
. Or cette droite divise le plan en deux demi-plans ouverts donc quel est le demiplan choisir ?
Page 16
x2
12
6
3
6
12
24
x1
Pour ce faire, il suffit de prendre un point de lun des demi-plans (cest dire
nappartenant pas la droite x2 = 2 x1 + 12 ) et voir sil vrifie lingalit 2 x1 + x2 > 12 .
Par exemple le point de coordonnes (0,0) ne vrifie pas lingalit 2 x1 + x2 > 12
donc le demi-plan 1 au-dessus de la droite est celui recherch (voir figure cidessus).
Lespace hachur reprsente le demi-plan ferm des solutions qui vrifient la
contrainte 2 x1 + x2 > 12 .
Si on fait de mme pour les deux autres contraintes du problme (voir figures
ci-dessous), on obtient les deux autres demi-plans 2 et 3 relatifs aux solutions
vrifiant respectivement les contraintes 5 x1 + 8 x2 74 et x1 + 6 x2 24 .
2
9.25
6
3
12
24
x1
14,8
24
x1
Une solution possible du problme est dite ralisable si et seulement si elle vrifie
toutes les contraintes, cest dire si elle appartient aux trois demi-plans relatifs
chaque
contrainte
du
programme
linaire,
en
dautre
terme
1 2 3 (voir figure).
x2
E nse m b le d es
so lu t io n s
ra lisa b le s
12
12
24
x1
Page 17
4. Cas particuliers
Problme solutions multiples
Max
x1 + 3 x 2
s.c.
2 x1 + 6 x 2 30
(1)
x1 10
(2)
x2 4
(3)
x2
(2 )
(1 )
A
(3 )
B
10
x1 0, x 2 0
x1
Z= 0
Lensemble des points dcrit par le segment [AB] reprsente les solutions optimales du
problme linaire
Problme avec solution non borne
Max
- 2 x1 + 3 x 2
s.c.
x1 5
(1)
2 x1 3x 2 6
(2)
x2
(2 )
x1 0, x 2 0
Z=0
x1
(1 )
On peut augmenter la valeur de la fonction objectif dans la direction des flches indfiniment
donc la solution est non borne
Problme impossible
Min
3 x1 + 2 x 2
s.c.
x1 + 2 x 2 2
(1)
2 x1 + 4 x 2 8
(2)
x2
x1 0, x 2 0
(2 )
x1
(1)
Lespace des solutions ralisables est vide, il est lintersection des deux zones grises de la
figure ci-dessus
Page 18
Problme de dgnerescence
Max
x1 + x 2
s.c.
3 x1 + 2 x 2 40
x2
(1)
x1 10
(2)
x2 5
(3)
x1 0, x 2 0
(2 )
(1 )
B
(3 )
x1
Z=0
La solution optimale B(10,5) est dite dgnre si trois contraintes concourent en ce point.
Page 19
TRAVAUX DIRRIGES
Exercice 1 :
a) Dterminer le maximum de (x + 3y) sous les contraintes suivantes :
x > 0 et y > 0
2x + 5y
10
3x + 4y
12
b) Dterminer le maximum de (x - y) sous les contraintes suivantes :

x+y
-3
2x + y
10
x + 2y
10
c) Dterminer le minimum de (x + 2y) sous les contraintes suivantes :

x et y
x + 6y
12
6x + y
12
d) Dterminer le minimum de (2x + 3y) sous les contraintes suivantes :

2x + y
x-y
x-y
-5
Exercice 2
Le grant d'un htel souhaite renouveler le linge de toilette de son tablissement. Il a besoin de : 90
draps de bain, 240 serviettes et 240 gants de toilette. Une premire entreprise de vente lui propose
un lot A comprenant 2 draps de bain, 4 serviettes et 8 gants pour 200 francs. Une deuxime
entreprise vend pour 400 francs un lot B de 3 draps de bains, 12 serviettes et 6 gants de toilettes.
Pour rpondre ses besoins, le grant achte x lots A et y lots B.
1. Traduire par un systme d'inquations les contraintes auxquelles satisfont x et y.
2. On considre un plan P rapport un repre orthonorm (O ; i, j ). A tout couple (x ; y) on
associe le point M de P de coordonnes (x ; y), en prenant comme unit 2 cm pour 5 lots.
Reprsentez dans P l'ensemble des points M(x ; y) satisfaisant aux inquations :
X 0 et y 0
2x + 3y 90
x + 3y 60
4x + 3y 120
Page 20
3. a) Exprimez en fonction de x et de y la dpense en francs occasionne par l'achat de x lots A et
de y lots B.
b) Est-il possible de procder aux achats ncessaires avec 5 000 francs? Justifiez votre rponse.
4. a) Dterminez graphiquement, en prcisant la dmarche suivie, le nombre de lots A et de lots B
acheter pour avoir une dpense minimale.
b) Quelle est cette dpense minimale?
Exercice 3
Dans un lyce, un groupe d'lves se charge de la distribution de pains au chocolat et de croissants
lors de la rcration de dix heures.
Pour pouvoir satisfaire la demande, ils doivent disposer au minimum de 108 pains au chocolat et
de 96 croissants. Deux boulangers proposent pour le mme prix :
* l'un le lot A comprenant 12 pains au chocolat et 8 croissants;
* l'autre le lot B compos de 9 pains au chocolat et 12 croissants.
Le but de l'exercice est de dterminer le nombre de lots A et le nombre de lots B qui doivent tre
achets pour satisfaire la demande au moindre cot. On souhaite d'aider d'un graphique.
Pour cela, on rapporte le plan un repre orthonorm (unit: graphique = 1cm) et, l'achat de x
lots A et de y lots B, on associe le point de coordonnes (x, y).
1. Placer
* le point E associ l'achat de 13 lots A et de 14 lots B;
* Le point F associ l'achat de 10 lots A et de 1 lot B.
Les achats associs aux points E et F permettent-ils de satisfaire la demande?
2. On s'intresse la satisfaction de la demande.
a) Montrer que, pour que l'achat correspondant au point de coordonnes (x, y) permette de
satisfaire la demande, les nombres x et y doivent vrifier le systme suivant:
4x + 3y 36
2x + 3y 24
b) Colorier ou hachurer la rgion du plan dans laquelle se trouvent les points dont les
coordonnes (x, y) ne sont pas solutions du systme :
x et y f 0
4x + 3y 36
2x + 3y 24
3. On cherche minimiser le cot, c'est dire le nombre (x + y) de lots achets. Les points
associs des achats d'un nombre de n lots sont situs sur la droite Dn d'quation : Dn : x + y = n
Page 21
a) Tracer D9 et D11.
b) D'aprs le graphique, peut-on satisfaire la demande en achetant au total seulement 9 lots ?
En achetant au total 11 lots ? Expliquer les rponses fournies.
c) En utilisant le graphique, dterminer l'achat qui permet de satisfaire la demande au moindre
cot. On ne demande d'expliquer la rponse fournie.
Page 22
CORRECTION
Exercice 1 :
a)
On reprsente l'ensemble des points vrifiant le systme.
Pour cela, on trace les droites:
D1 : "x = 0"
D2: "y = 0"
D3: "2x + 5y = 10 "
D4: "3x + 4y = 12 "
On prend un point test (par exemple le point A de coordonnes : A( 1; 1).

On obtient alors la figure suivante :
Puis, on trace une droite D (a) d'quation : "x + 3y = a" sur cette figure.
Par exemple, on trace D (1) d'quation : " x + 3y = 1"
On a alors la figure suivante :
Page 23
Puis on trace une autre droite D (a) pour une valeur diffrente de a.
Par exemple, la droite D (2) :
On constate que le fait d'augmenter la valeur de a dplace la droite D (a) dans le sens croissant des
abscisses.
On cherche alors la droite D (a) passant par un point de l'ensemble des contraintes et
correspondant la plus grande valeur possible de a.
Graphiquement, c'est le point A d'intersection des droites D1 et D3 de coordonnes A(0;2).
Page 24
Le maximum de (x + 3y) sous les contraintes (C) est donc atteint pour (x = 0) et (y = 2).
Ce maximum est : (0 + 2*3) = 6.
b)
On utilise les trois droites :
* D1 : " x + y = -3"
* D2 : " 2x + y =10 "
* D3 : "x + 2y = 10"
pour reprsenter l'ensembles des contraintes.
Puis, on introduit l'ensemble des droites (a) d'quation :
(a) : x- y = a
On trace alors, par exemple, les droites (0) et (5).
On constate si a croit, la droite (a) se dplace dans le sens des "x" croissant.
On constate alors que le point appartenant l'ensemble des contraintes et par o passe une droite
D(a) avec a maximum est le point appartenant l'intersection de D1 et D2.
C'est le point A de coordonnes A(13;-16) que l'on dtermine en prenant les quations de ces deux
droites.
Le maximum de (x-y) sous les contraintes (C) est donc atteint pour (x = 13)
et (y = - 16) et ce maximum est : Max = 29.
Page 25
c)
On reprsente les contraintes en utilisant les droites suivantes:
* D1 d'quation "x = 0", qui est l'axe des ordonnes
* D2 d'quation "y = 0", qui est l'axe des abscisses
* D3 d'quation "x + 6y = 12"
* D4 d'quation "6x + y =12"
Si on trace deux droites (a) d'quation " x + 2y = a", par exemple , sur la figure, on a trac (30)
et (10), on constate que la droite (a) qui passe par un point des contraintes et qui donne la plus
petite valeur possible de a est celle passant par le point A d'intersection entre D3 et D4.
Pour dterminer les coordonnes de A, on pose alors le systme d'quation suivant :
2x + y =10
x + 2y =10
Page 26
La solution de ce systme est: "x =
62
48
" et " y =
35
35
Les coordonnes de A sont donc : A(
62 48
;
).
35 35
Le minimum de (x + 2y) sous les contraintes (C) est donc :
Min =
62
48 158
+2
=
.
35
35 35
d)
On reprsente les contraintes (C) en utilisant les droites :
D1 :" 2x + y = 0"
D2 : " x - y = 3"
D3 : " x - y = -5"
Puis on utilise les droites a d'quation " 2x+ 3y = a".

Sur la figure, on a trac les droites 20 et 5.
On constate alors que le point de l'ensemble des contraintes par lequel passe la droite a avec la
valeur "a" minimale est le point A d'intersection entre D1 et D2.
Ce point a pour coordonnes : A(1 ; -2).
Le minimum de (2x + 3y) sous les contraintes (C) est donc :
Min = 2.(1) +3.(-2) = - 4
Exercice 2
1) Faisons un tableau pour rsumer les contraintes du grant de l'htel :
2)
Page 27
Draps
Serviettes
Gants de toilette
Prix du lot
Lot A x
2
4
8
200
Lot B y
3
12
6
400
Contraintes
90
240
240
200x + 400y
Comme x et y doivent tre positifs, l'ensemble des contraintes du grant peuvent alors s'crire :
x et y 0
2x + 3y 90
(C) :
4x + 12 y 240
8x + 6y 240
2)
Le systme dont on demande la reprsentation graphique est le systme prcdent aprs
simplification.
Considrons les droites suivantes:
D1 d'quation "x = 0"
D2 d'quation "y = 0"
D3 d'quation "2x + 3y = 90"
D4 d'quation "x + 3y = 60"
D5 d'quation "4x + 3y = 120"
La reprsentation graphique de ce systme donne alors:
3)
a) Comme le prix d'un lot A est de 200 francs et que le prix d'un lot B est de 400 francs, le prix total
pour x Lots A et y lots B est : (200x + 400y) francs
La dpense est donc : D(x, y) = 200x + 400y.
Page 28
b) On peut savoir simplement s'il est possible de procder aux achats ncessaires
avec 5 000 francs en traant sur la figure prcdente la droite D d'quation :
D : 200x + 400y = 5000
On obtient alors la figure suivante :
On constate alors cette droite n'a aucun point commun avec le polygone des contraintes.
Il n'est donc pas possible de procder aux achats avec 5 000 francs.
4)
Pour une dpense de N francs, les choix de x lots A et y lots B correspondent aux points de la droite
DN d'quation : DN : 200x + 400y = N
Pour N quelconque, cette droite est parallle la droite D. On remarque que pour N = 0, la droite
DN passe par l'origine du repre et est situe gauche de D. Donc, la valeur de N sera d'autant
plus grande que la droite DN sera loigne et droite de D. On cherche donc la droite DN parallle
D, ayant des points communs avec ( C ) et la plus proche possible de D. Graphiquement, on voit
alors que c'est la droite passant par le point A d'intersection des droites D3 et D4.
Page 29
En utilisant les quations de D3 et D4, on dtermine alors les coordonnes du point A.
On trouve alors A(30 ; 10). La dpense minimale du grant est donc de (200*30 + 400*10) francs,
c'est--dire :
Dpense minimale = 10 000 francs
obtenue pour 30 lots A et 10 Lots B
Pour finir, on peut aussi prciser que le grant, pour cette dpense aura:
90 draps de bain,
240 serviettes,
300 gants de toilettes.
Exercice 3
1) Placer les points E et F ne pose aucun problme.
Le point E a pour coordonnes (13 ; 14) et correspondant l'achat de 13 lots A et 14 lots B.
Le nombre de pains au chocolat est alors : 13*12 + 14*9 = 282
Le nombre de croissants est alors : 13*8 + 14*12 = 272
108.
96.
L'achat associ au point E permet de satisfaire la demande.

En revanche, le point F a pour coordonnes (10 ; 1).
Le nombre de pains au chocolat est alors : 10*12 + 1*9 = 129
108.
Le nombre de croissants est alors : 10*8 + 1*12 = 92 < 96.

Le nombre de croissants n'est pas suffisant pour satisfaire la demande.
L'achat associ au point F ne permet pas de satisfaire la demande.
2) Formons le tableau des contraintes, en appelant x le nombre de lots A et y le nombre de lot B.
Lot A
Lot B
12
108
Croissants
12
96
Prix
Pains au
chocolat
Contraintes
Prix Total = p( x + y )
Les contraintes portant sur x et y sont alors :

12x + 9y
108
Page 30
8x + 12y
96
4x + 3y
36
2x + 3y
24
Ce systme se simplifie et donne :
L'ensemble des points M de coordonnes (x ; y) vrifiant ce systme et, de plus les contraintes : x
0 et y 0 est alors, en considrant les droites :
- D1 : " 4x + 3y = 36 "
- D2 : " 2x + 3y = 24 "
- Le point A est le point d'intersection de ces deux droites.
3)
Comme le prix des lots A et B est identiques, le cot total, en fonction de x et y est :
COUT TOTAL = p(x + y)
Minimiser le cot total revient donc minimiser (x + y). Le nombre (x + y) est le nombre de lots
achets au total.
a. Droites 9 et 11.
Page 31
On remarque que 9 a une intersection vide avec l'ensembles des points qui reprsentent les
contraintes portant sur x et y.
Donc, on ne peut pas satisfaire la demande en achetant 9 lots au total.
On remarque que 11 a une intersection non vide avec l'ensembles des points qui reprsentent les
contraintes portant sur x et y.
On peut donc satisfaire la demande en achetant 11 lots au total.
b)
La droite correspondant un achat au moindre cot est la droite parallle aux droites 9 et 11 et
passant par le point A appartenant aux droites 1 et 2.
Ce point a pour coordonnes (4 ; 6).
L'achat permettant de satisfaire la demande au moindre cot est donc :
4 lots A
6 lots B
Page 32
CHAPITRE 3
METHODE DU SIMPLEXE ET DUALITE
Ce chapitre est consacr ltude de la mthode du simplexe. Cette mthode est loutil principal de
rsolution des problmes de programmation linaire. Elle consiste suivre un certain nombre
dtapes avant dobtenir la solution dun problme donn. Il sagit dune mthode algbrique
itrative qui permet de trouver la solution exacte dun problme de programmation linaire en un
nombre fini dtapes.
La rsolution graphique est inapplicable au-del de deux variables. Il est aussi ncessaire de
recourir une autre mthode : la mthode du simplexe dite galement mthode des tableaux ou
mthode de Dantzig. Cette mthode, applicable quelque soit le nombre de variables, sera prsente
de type .
pour des problmes de maximisation dont toutes les contraintes (autres que celles de positivit) sont
1. METHODE DU SIMPLEXE
1.1. Forme canonique d'un Programme Linaire
Max z = c1 x1 + c2 x2 + .......... + cn xn
a11 x1 + a12 x2 + .......... + a1n xn b1
a21 x1 + a22 x2 + .......... + a2n xn b2
............................................................................
am1 x1 + am2 x2 + .......... + amn xn bm

x1 0 ; x2 0 ; .........; xn 0
type , on dit que le programme linaire se prsente sous une forme canonique.
Si la fonction objectif doit tre maximise et si toutes les contraintes sont des inquations du
1.2. Forme standard d'un Programme Linaire

On transforme les ingalits des contraintes conomiques en galits par introduction de variables
supplmentaires positives ou nulles appeles variables d'cart.
ai1 x1 + ai2 x2 + .......... + ain xn bi
devient
ai1 x1 + ai2 x2 + .......... + ain xn + ti = bi
d'o la forme standard :

Max z = c1 x1 + c2 x2 + ..........+ cn xn
a11 x1 + a12 x2 + .......... + a1n xn + t1 = b1
a21 x1 + a22 x2 + .......... + a2n xn + t2 = b2
............................................................................
am1 x1 + am2 x2 + .......... + amn xn + tm = bm

x1 0 ; x2 0 ; .........; xn 0 ; t1 0 ; t2 0 ; .........; tm 0
Page 33
Forme simpliciale : Un programme est dit sous forme simpliciale si :
-
elle est sous forme standard
et les constantes du second membre sont toutes positives.
Le programme doit tre mis sous forme simpliciale avant l'utilisation de l'algorithme de simplexe.
1.3.Rsolution
Afin de comparer avec la rsolution graphique, nous pouvons considrer que nous sommes dans un
espace n dimensions (nombre de variables d'activit). Les contraintes dlimitent un polydre
convexe, rgion des solutions admissibles; la fonction objectif est un hyperplan que l'on va dplacer
le plus loin possible de l'origine, jusqu' l'extrme limite o il n'y aura plus qu'un point
d'intersection (ventuellement un segment, un plan...) avec la rgion des solutions admissibles.
La solution se trouvant forcment sur le pourtour du polydre admissible, la mthode du simplexe
consiste en itrations qui font passer d'un sommet du polydre un autre en slectionnant le
sommet adjacent maximisant la fonction objectif. Pour dmarrer l'algorithme, il est ncessaire
d'avoir une solution initiale. Dans le cas simple, l'origine est solution, c..d. que la premire solution
est x1 = 0 ; x2 = 0 ; .........; xn = 0 ; t1 = b1 ; t2 = b2 ; .........; tm = bm (ceci suppose que les bi ne
soient pas ngatifs pour satisfaire les contraintes de signe).
L'algorithme, bas sur la mthode du pivot de Gauss pour la rsolution des systmes
d'quations linaires, est prsent sous forme de tableau.
Soit rsoudre le programme linaire suivant sous sa forme canonique :
Max
3 x1 +
4 x2
160
6 x1 +
3 x2
180
z = 1200 x1 +
1000
x2
x1 0 ; x2 0
* Forme standard
Max
3 x1 +
4 x2 +
1 t1 +
0 t2
= 160
6 x1 +
3 x2 +
0 t1 +
1 t2
= 180
0 t1
0 t2
z = 1200 x1 +
1000
x2 +
x1 0 ; x2 0
Page 34
* Tableau 0
en ne conservant que les coefficients des quations ci-dessus, on obtient le tableau de dpart
x1
x2
t1
t2
t1
160
t2
180
1200
1000
HB
B
Ce tableau nous donne la premire solution admissible :

- Les variables Hors Base (HB) (situes sur la premire ligne du tableau) sont nulles : x1 = 0 ;
x2 = 0 (t1 et t2 en rouge ne sont pas hors base; elles ne sont prsentes que pour rappeler qu'il s'agit
des colonnes des coefficients de ces deux variables ; lorsqu'on travaille sur papier, il est prfrable
d'indiquer la position de ces variables par des points pour bien montrer que seules x1 et x2 sont hors
base). Cela signifie qu'on fabrique 0 pices P1 et 0 pices P2.
- Les valeurs des variables dans la Base (B) (apparaissant dans la premire colonne) se lisent dans la
colonne C : t1 = 160 et t2 =180. Cela signifie qu'il reste 160 heures d'utilisation possible de l'atelier
A1 et 180 heures de l'atelier A2.
- La dernire cellule (intersection de C et ) donne la valeur de -z : -z = 0 donc z = 0. Cela signifie
que la marge est gale 0.
- La ligne donne les valeurs marginales ou taux marginal de substitution; elles s'interprtent de la
manire suivante: ce stade de la solution, une augmentation de 1 unit de x1 ferait crotre la
fonction objectif de 1200, et une augmentation de 1 unit de x2 ferait crotre la fonction objectif de
1000. Cela signifie qu' ce stade de la production si on augmente la production de 1 pice de P1, la
marge va augmenter de 1200 F et si on augmente la production de 1 pice de P2, la marge va
augmenter de 1000F.
En effet, la solution actuelle est x1 = 0 ; x2 = 0 ; t1 = 160 ; t2 =180
et
z =1200 . x1 + 1000 . x2 + 0 . t1 + 0 . t2 = 1200 . 0 + 1000 . 0 + 0 . 160 + 0 . 180 = 0
Si on augmente x1 de 1 unit,
z =1200 . 1 + 1000 . 0 + 0 . 0 . 160 + 0 . 180 = 1200
Page 35
Si on augmente x2 de 1 unit,
z =1200 . 0 + 1000 . 1 + 0 . 0 . 160 + 0 . 180 = 1000
* Tableau 1
On augmente la fonction objectif en faisant entrer une variable dans la base, prenant la place d'une
variable qui va sortir de la base.
Critre de slection de la variable entrant dans la base:
On slectionne la variable HB ayant le plus grand coefficient
positif dans la ligne .
x1 entre donc dans la base

x1
x2
t1
t2
t1
160
160/3
t2
180
30
1200
1000
HB
B
Pour slectionner la variable sortant de la base, il est ncessaire de rajouter une colonne R au
tableau, obtenue en faisant le rapport membre membre de la colonne C et de la colonne de la
variable entrant dans la base (x1).
Critre de slection de la variable sortant de la base:

On slectionne la variable dans la Base ayant le plus
petit coefficient positif dans la colonne R .
t2 sort donc de la base

x1
x2
t1
t2
t1
160
160/3
t2
180
30
1200
1000
HB
B
variable sortant
variable entrant
Page 36
On appelle pivot (gal 6) l'intersection de la variable entrante et de la variable sortante
Pour obtenir le tableau 1, on applique les rgles suivantes :
- Le pivot est gal 1

- Les coefficients de la ligne du pivot sont diviss par le pivot
- Les coefficients de la colonne du pivot sont nuls
- Les autres coefficients sont obtenus par la rgle du rectangle
La rgle du rectangle est la suivante :
Remarque importante : d = d' c b = 0 b = 0 ou c = 0

En consquence, si dans la colonne (resp. ligne) du pivot il y a un 0, toute la ligne (resp. colonne)
correspondante reste inchange.
En appliquant ces rgles on obtient le tableau 1 :
x1
x2
t1
t2
t1
5/2
-1/2
70
x1
1/2
1/6
30
400
-200
-36000
HB
B
Ce tableau nous donne la deuxime solution admissible :

- Les variables Hors Base (HB) sont nulles: x2 = 0 ; t2 = 0 (x1 et t1 en rouge ne sont pas hors base ;
elles ne sont prsentes que pour rappeler qu'il s'agit des colonnes des coefficients de ces deux
variables). Cela signifie qu'on fabrique 0 pices P2 et qu'il reste 0 heure d'utilisation disponible
l'atelier A2. La contrainte associe t2 est dite sature.
- Les valeurs des variables dans la Base (B) se lisent dans la colonne C: t1 = 70 et x1 =30. Cela
signifie qu'on fabrique 30 pices P1 et qu'il reste 70 heures d'utilisation disponible l'atelier A1.
Page 37
- La dernire cellule (intersection de C et ) donne la valeur de -z : -z = -36000 donc z = 36000.
Cela signifie que la marge est gale 36000 F.
manire suivante: ce stade de la solution, une augmentation de 1 unit de x2 ferait crotre la
fonction objectif de 400, et une augmentation de 1 unit de t2 ferait diminuer la fonction objectif de
200 (il est noter qu'une augmentation de 1 unit de la variable d'cart t2 revient diminuer le
second membre de l'quation correspondante de 1 unit).Cela signifie qu' ce stade de la production
si on augmente la production de 1 pice de P2, la marge va augmenter de 400 F et si on diminue la
disponibilit de 1 heure l'atelier A2, la marge va diminuer de 200 F.
En effet, la solution actuelle est x1 = 30 ; x2 = 0 ; t1 = 70 ; t2 = 0 et
z =1200 . x1 + 1000 . x2 + 0 . t1 + 0 . t2 = 1200 . 30 + 1000 . 0 + 0 . 70 + 0 . 0 = 36000.
Si on augmente x1 de 1 unit, on ne peut garder x1 = 30 car la 2 contrainte
6 x1 + 3 x2 + 0 t1 + 1 t2 = 180 est sature. On doit donc dterminer la valeur de x1 permettant
d'augmenter x2 de 1 unit :
6 . x1 + 3 . 1 + 0 . 70 + 1 . 0 = 180 6 x1 + 3 = 180 x1 = 29,5
d'o z =1200 . 29,5 + 1000 . 1 + 0 . 70 + 0 . 0 = 36400, c..d. une augmentation de 400 F par
rapport la solution prcdente.
Si on augmente t2 de 1 unit, la contrainte 6 x1 + 3 x2 + 0 t1 + 1 t2 = 180 devient 6 . x1 + 3 . x2 + 0
. 70 + 1 . 1 = 180 ou encore 6 x1 + 3 x2 = 179; on a donc bien 1 heure de disponibilit en moins
l'atelier A2.
De plus puisque x2 = 0, on aura x1 = 179/6 au lieu de 30
d'o z =1200 . 179/6 + 1000 . 1 + 0 . 70 + 0 . 1 = 35800, ce qui correspond une baisse de 200 F.
Tableau 2 :
x1
x2
t1
t2
t1
5/2
-1 2
70
28
x1
1/2
1/6
30
60
400
-200
- 36000
HB
B
variable sortant
variable entrant
Page 38
d'o le tableau 2
x1
x2
t1
t2
x2
2/5
-1/5
28
x1
-1/5
4/15
16
-160
-120
- 47200
HB
B
Ce tableau nous donne la troisime solution admissible :

- Les variables Hors Base (HB) sont nulles: t1 = 0 ; t2 = 0 (x1 et x2 en rouge ne sont pas hors base ;
elles ne sont prsentes que pour rappeler qu'il s'agit des colonnes des coefficients de ces deux
variables). Cela signifie qu'il reste 0 heure d'utilisation disponible aux ateliers A1 et A2. Les
contraintes associes t1 et t2 sont satures.
- Les valeurs des variables dans la Base (B) se lisent dans la colonne C : x2 = 28 et x1 =16.
Cela signifie qu'on fabrique 16 pices P1 et 28 pices P2.
- La dernire cellule (intersection de C et ) donne la valeur de -z : -z = - 47200 donc z = 47200.
Cela signifie que la marge est gale 47200 F.
manire suivante: ce stade de la solution, une augmentation de 1 unit de t1 ferait diminuer la
fonction objectif de 160, et une augmentation de 1 unit de t2 ferait diminuer la fonction objectif de
120 (il est noter qu'une augmentation de 1 unit d'une variable d'cart revient diminuer le second
membre de l'quation correspondante de 1 unit).
Critre d'arrt des itrations:

Si tous les coefficients de la ligne , relatifs aux variables HB,
sont ngatifs ou nuls, la solution trouve est optimale.
Nous avons donc ici atteint la solution optimale.
Remarques importantes :
-
S'il existe une variable HB ayant un coefficient positif dans la ligne et telle que tous les
coefficients correspondants dans le tableau soient nuls ou ngatifs, alors la solution est infinie.
- Si, la fin des itrations, une variable est HB avec un coefficient nul dans la ligne , alors on a
Page 39
une arte (plan,...) optimale. Les autres sommets solutions sont obtenus en faisant rentrer cette
variable dans la base.
-
La rsolution du problme Minimum ne pose pas de difficult; il suffit, dans le critre de

slection de la variable entrant dans la base, de remplacer "plus grand coefficient positif "par
"plus grand coefficient ngatif" et dans le critre d'arrt des itrations de remplacer "coefficients
ngatifs ou nuls " par "coefficients positifs ou nuls".
Interprtation graphique de la mthode du simplexe :

Les diffrentes solutions obtenues chaque tableau correspondent respectivement aux sommets O
(x1 = 0 ; x2 = 0), A (x1 = 30 ; x2 = 0), B (x1 = 16 ; x2 = 28) du graphique. On a chemin sur le
pourtour du polydre des solutions admissibles, en slectionnant parmi tous les sommets possibles
celui donnant la valeur maximale la fonction objectif.
RETENONS
positif le plus grand sur la ligne de la fonction conomique (appel ligne ci-aprs). Les
1) Pour un maximum, la variable entrante est celle qui, dans le tableau, a l'lment strictement
valeurs des variables de la base tant toujours positives, celle ayant le coefficient positif de Z le
* Si tous les lments de la ligne sont ngatifs ou nuls, le programme est optimal :
plus lev augmentera plus que les autres la valeur de la fonction conomique.
- si les seuls lments nuls de la ligne correspondent aux variables de base (ou d'cart),
alors le maximum est unique. C'est le cas lorsque la ligne de niveau la plus loigne de
l'origine est tangente en un seul sommet du polydre convexe.
Page 40
la ligne peut (ou aurait pu) entrer la place d'une variable de base affectant les valeurs
- sinon, il y a une infinit de solutions, car n'importe quelle autre variable ayant un 0 pour
des autres variables de base tout en gardant
constant. C'est le cas lorsque la ligne de
niveau la plus loigne de l'origine est confondue tout un segment de la frontire du

* S'il existe un lment de la ligne strictement positif tel que les lments de la colonne
polydre convexe.
correspondante sont tous ngatifs ou nuls, le problme n'a pas de solution optimale finie, car il ne
peut pas avoir de variable sortante. Ce cas "normalement" exclus du fait mme de la nature des
* S'il existe un ou plusieurs lments de la ligne strictement positifs, on poursuit le processus
programmes conomiques se produit quand il y a erreur de modlisation.
itratif, jusqu' aboutir l'un des deux cas ci-dessus.
) strictement ngatif le plus grand en valeur absolue. Les valeurs des variables de la base tant
2) Pour un minimum, la variable entrante est celle qui dans le tableau a le coefficient (sur la ligne
toujours positives, celle ayant le coefficient ngatif de le plus lev en valeur absolue diminuera
* Si tous les lments de la ligne sont positifs ou nul, le programme est optimal :
plus que les autres la valeur de la fonction conomique.
- si les seuls lments nuls de la ligne correspondent aux variables de base (ou d'cart), alors le
minimum est unique. C'est le cas lorsque la ligne de niveau la plus proche de l'origine est tangente
en un seul sommet du polydre convexe.
sur la ligne peut (ou aurait pu) entrer la place d'une variable de base affectant les valeurs des
- sinon, il y a une infinit de solutions, car n'importe quelle autre variable ayant un coefficient nul
autres variables de base tout en gardant Z constant. C'est le cas lorsque la ligne de niveau la plus
* S'il existe un lment de la ligne strictement ngatif tel que les lments de la colonne
proche de l'origine est confondue tout un segment de la frontire du polydre convexe.
correspondante sont tous ngatifs ou nuls, le problme n'a pas de solution optimale finie, car il ne
peut pas avoir de variable sortante. Ce cas "normalement" exclus du fait mme de la nature des
* S'il existe un ou plusieurs lments de la ligne strictement ngatifs, on poursuit le processus

programmes conomiques se produit quand il y a erreur de modlisation.
itratif, jusqu' aboutir l'un des deux cas ci-dessus.
La variable sortante est toujours celle qui correspond la valeur finie positive la plus petite de la
colonne C/k "colonne entrante", qu'il s'agisse de maximiser ou de minimiser la fonction
Page 41
conomique. Comme ce rapport doit toujours tre strictement positif, on comprend pourquoi il
- dans le cas du maximum, S'il existe un lment de la ligne strictement positif tel que les
ne peut avoir de variable sortante :
- dans le cas du minimum, S'il existe un lment de la ligne strictement ngatif tel que les
lments de la colonne correspondante sont tous ngatifs ou nuls.
lments de la colonne correspondante sont tous ngatifs ou nuls.
Le pivot est la valeur situe l'intersection de la variable entrante et la variable sortante de la base.
Le nouveau tableau est construit en rendant unitaire le pivot et en faisant les transformations de
la ligne de la fonction conomique.
Gauss (mthode du rectangle) ncessaires pour avoir partout 0 dans la colonne pivot y compris sur
Exercice
Une socit fabrique trois modles de meubles : classique, rustique, moderne. Les standards
unitaires de production sont rsums dans le tableau suivant :
Modle Modle Modle Capacits
classique rustique moderne maximales
Bois
900
Main duvre
516
Centre finition
200
1000
960
1200
Marges sur cots variables
Dterminer les quantits produire pour maximiser son rsultat.

Rsolution
Forme canonique de ce programme
Soit :
le nombre de modles classiques produire
le nombre de modles rustiques produire
5 + 8 + 5 900
+ 2 + 3 516
2 + 2 + 0 200
= 1000 + 960 + 1200
0 ; 0 ; 0.
le nombre de modles modernes produire
Forme standard
Page 42
La mthode du simplexe ncessite une mise sous forme standard : les ingalits sont transformes
en galits grce lintroduction des variables dcart positives ou nulles notes .
Il y a une variable pour chaque contrainte (autre que contrainte de positivit).
Exemple : Etude de la contrainte relative au facteur bois
5 +8 +5
Emploi du facteur bois
pour des niveaux de
production x, y et z
= 900
Ecart entre la capacit et la consommation du

facteur bois pour une production x, y, z. Cet cart
permet lgalit entre les deux membres
5 + 8 + 5 + = 900
+ 2 + 3 + = 516
2 + 2 + 0 + + = 200
= 1000 + 960 + 1200 + 0 + +
0 ; 0 ; 0.
On obtient donc la forme standard :
Tableau 0 :
HB
1 0 0 900
0 1 0 516
0 0 1 200
1000 960 1200 0 0 0 0
Interprtation de ce tableau :
= 0 ;
= 0 ; = 0! et la valeur de la fonction objectif est gale
Il sagit de la solution admissible de dpart qui respecte toutes les contraintes : ne rien produire.
La production est donc nulle
0.
de bois,
= 900 signifie quil reste 900 units
= 516 signifie quil reste 516 units de main duvre,
Les capacits disponibles des facteurs sont intactes. Ainsi
= 200 signifie quil reste 200
Cette solution peut tre amliore puisque les coefficients de la ligne ne sont pas ngatifs ou nuls.
units de centre finition.
Continuer lexemple en suivant lexemple prcdent.

On trouve :
Page 43
= 12 ;
= 0 ; = 168 " = 213 600.
NB : Quel que soit le tableau, les coefficients de la dernire ligne (ligne ) sont appels taux
marginaux de substitution. Chaque taux marginal de substitution mesure lapport la fonction

conomique de lentre dans la base dune unit dune variable hors base.
2. Cas particulier : changement de variable

2 + + 1550
5 + 2 + 2 3500
500
= 120 + 150 + 100
0 ; 0 ; 0.
Soit le programme linaire suivant :
500 montre que la mthode prsente nest pas applicable (en raison de la contrainte ).
La contrainte de signe
500.
0 est superflue en raison de la contrainte
500, et peut donc tre
supprime. Un changement de variable permet de rsoudre le problme pos par la contrainte

Cette contrainte peut scrire 500 0. Posons
500 et
+ 500.
2 + +
+ 500! 1550
+ 500! 3500
5 +2 +2
Le changement de variable donne le programme suivant :
Soit :
= 120 + 150 + 100

+ 500!
0 ; 0 ; 0.
2 + + 1050
5 + 2 + 2 3000
= 120 + 150 + 100 + 50000

0 ; 0 ; 0.
La forme standard de ce programme se prsente comme suit :
2 + + + = 1050
5 + 2 + 2 + = 3000
= 120 + 150 + 100 + 50000 + 0

0 ; 0 ; 0.
+0
Page 44
Tableau 0 :
.
HB
1 0
1050
0 1
2500
$%$
120 150 100 0 0 -50 000
= 1050
2500
= 1250
2
&'+ ," - . &"
) "* +" , *& - . &"
Tableau 1 :
HB

1050
-2
400
-180 0 -50 -150 0 -207 500
Loptimum est atteint puisque tous les coefficients de la ligne sont ngatifs ou nuls.
La production est
= 0 ;
= 1050 ;
= 0 &'( = 0 + 500 = 500.
Page 45
3. DUAL
La notion de dualit a t introduite par Von Neumann en 1947, puis dveloppe par Gale, Kuhn et
Tucker en 1951. Les proprits fondamentales des problmes de dualit ont t dfinies par
Goldman and Tucker en 1956.
A tout programme linaire appel PRIMAL correspond un programme linaire appel DUAL
obtenu de la manire suivante :
PRIMAL
m contraintes d'infriorit
n variables d'activit
m variables d'cart
criture en ligne
DUAL
n contraintes de supriorit
n variables d'cart
m variables d'activit
criture en colonne
La dualit permet de rsoudre les problmes de minimisation dont les contraintes (autres que
Le nombre de variables du dual est gal au nombre de contraintes du primal. Elles doivent tre
celles de positivit des signes) sont de sens .
diffrencies de celles du primal.
Le nombre de contraintes du dual est gal au nombre de variables du primal.
Les coefficients des colonnes (lignes) du primal sont les coefficients des lignes (colonnes) du
dual.
Les ingalits du dual sont de sens oppos celles du primal.
Les coefficients de la fonction conomique du primal sont les contraintes du dual.
Si le primal est une minimisation, le dual est une maximisation et inversement.
Les coefficients de la fonction conomique du dual sont les contraintes du primal.
Le dual du dual est le primal.
Un programme linaire possde une solution optimale finie si et seulement si lui et son dual
possdent des solutions ralisables.
Si le problme primal possde une solution optimale infinie, alors le dual na pas de solution
ralisable.
Si le dual ne possde pas de solution ralisable, alors que le primal en possde, alors la solution
du primal est une solution optimale infinie.
Une contrainte est dite sature lorsque la variable d'cart qui lui est associe est nulle
l'optimum.
Page 46
Si pour une solution optimale d'un programme linaire une contrainte n'est pas sature, alors la
valeur optimale (duale) correspondante est nulle. La rciproque n'est pas (ncessairement) vraie.
Si la valeur optimale d'une variable n'est pas nulle, alors la contrainte duale correspondante est
sature pour la solution optimale. Le corollaire est trs utile pour rsoudre un programme
partir de la solution de son dual.
Si pour une solution optimale d'un programme linaire une contrainte n'est pas sature, alors la
valeur optimale (duale) correspondante est nulle. En terme conomique, par exemple, si un bien
est abondant (il n'y en a plus qu'on ne peut utiliser efficacement), son cot marginal (une heure
de location supplmentaire) considr comme son prix d'quilibre (la variable duale associe)
est nul.
Exemple
PRIMAL
DUAL
3 x1 +
4 x2
160
3 y1 +
6 y2
1200
6 x1 +
3 x2
180
4 y1 +
3 y2
1000
Max z = 1200 x1 +
1000 x2
Min w = 160 y1 +
80 y2
x1 0 ; x2 0
y1 0 ; y2 0
A l'optimum, le primal et le dual sont lis par les rgles suivantes :

-
les fonctions objectifs z et w ont la mme valeur optimale
la valeur marginale d'une variable dans un programme est gale l'oppos de la valeur
optimale de la variable associe dans l'autre programme et rciproquement.
Exemple
PRIMAL
DUAL
z = 47200
x1
x2
t1
t2
valeurs optimales
valeurs marginales
16
0
28
0
0
-160
0
-120
w = 47200
u1
u2
y1
y2
valeurs optimales
160
Page 47
Une socit fabrique, entre autres, deux produits / et / dont les marges sur cots variables sont
Exercice dapplication
respectivement de 16kF et de 10 kF. La production de ces produits ncessite le passage dans trois
Capacit de latelier
Atelier 1
2,5
195
Atelier 2
160
Atelier 3
1,5
120
ateliers pendant les temps de fabrication exprims en heures dans le tableau suivant :
Un donneur dordres sadresse la socit pour un contrat de sous-traitance. Dterminer le prix de

location des ateliers pour que le cot soit minimal pour le donneur dordres et acceptable pour la
socit.
Rsolution
Soit :
le prix de location de latelier 1
La production dun produit / rapporte une marge sur cots variables de 16 kF pour une
consommation dune heure de latelier 1, de 2 heures de latelier 2 et dune heure de latelier 3. La

+2
16.
location des ateliers doit donc gnrer un gain au moins quivalent, do la contrainte :
Le mme raisonnement est appliqu au produit / . Et on a :
Do le programme linaire :
2,5

2,5
1
+ 1,5
10.
+ 2 2 + 3 16
1 + 2 + 1,5 3 10
1

(* = 195 1 + 160 2 + 120 3
0 ; 2 0 ; 3 0.
variables. La mthode du simplexe na t prsente que pour des contraintes .
La rsolution graphique nest pas applicable puisque le programme comporte plus de deux
de positivit des signes) sont de sens .
La dualit permet de rsoudre les problmes de minimisation dont les contraintes (autres que celles
Le dual est obtenu comme suit :
Page 48
+ 2,5 195
2 + 160
+ 1,5 120
1 = 16 + 10
0 ; 0 ; 0.
Il sagit de rsoudre le primal. Il faudra donc dterminer la solution du programme primal partir
de la rsolution du programme dual.
+ 2,5 + 2 = 195
2 + + 2 = 160
+ 1,5 + 2 = 120
1 = 16 + 10 + 02 + 02
0 ; 0 ; 0 ; 2 0; 2 0.
La forme standard se prsente comme suit :
Tableau 0 :
HB
2
B
1
1
16
0 1 0 160
10
0 0 0
3$
= 80
1,5 0 0 1 120 120

= 120
1
B
0
1
2
2 &'+ ," - . &"
)8 "* +" , *& - . &"
HB
2,5 1 0 0 195 195

= 195
1
Tableau 1 :
1 0
2
0 1 0
2
1 1
0
2
1
-8
115
80
40
R
115
= 57,5
2
80 2
= 160
1
6$
= 40
0 -1280
2 &'+ ," - . &"
)9 "* +" , *& - . &"
Page 49
Tableau 2 :
HB
2
1
-2
2
1
1 0 0 3
4
2
1 1
0 1 0
0 0 1
0 0 0
-7
-2
35
60
40
-1360
Loptimum du dual est atteint, mais il sagit de rsoudre le programme primal.
REGLE : SOLUTIONS DU PRIMAL

A loptimum, la solution du programme primale est, au signe prs, lue sur la dernire ligne du
tableau dans les colonnes des variables dcart.
A loptimum, la valeur de la fonction conomique du dual est gale celle du primal.
La solution du primal est donc :
=0
=7
:
=2
= 1360
Page 50
EXERCICES
Exercice 1 :
Une entreprise de menuiserie envisage de produire des bureaux. Elle peut en faire de deux types :
un bureau ordinaire quelle pourrait vendre avec un profit de 400 euros. Le march est de
800 units ;
un bureau de luxe pour lequel le profit serait de 1000 euros par unit vendue. Elle espre
pouvoir en vendre 700.
Les deux bureaux ncessitent une quantit gale de bois de 0,45 dm3 de pin. Le fournisseur habituel
de lentreprise ne peut en fournir, dans la qualit habituelle, que 600 dm3. Il faut galement utiliser
du latt de 15 mm : 0,5 m2 pour le bureau de luxe et 0,75 m2 pour le bureau ordinaire. Notre
fournisseur peut nous livrer concurrence de 1 000 m2.
Il faut 12 h de travail pour monter un bureau normal et 24 h pour monter celui de luxe. La capacit
annuelle est de 20 400 h de travail.
1) Vous tes appel en consultation pour dterminer le programme de fabrication optimum. Vous
utiliserez une mthode graphique.
2) Les capacits dabsorption du march restent les mmes. On envisage daugmenter la production
pour atteindre un profit de 900 000 euros. Quel est le programme de fabrication permettant
dobtenir ce rsultat ? De combien doivent tre augmentes la ou les ressources qui limitaient
prcdemment la production ?
Exercice 2 :
M. Martin, qui tient une boulangerie haut de gamme sur les Champs lyses vous signale quil est
roccup par la commercialisation des pains et des baguettes. Il souhaite savoir quel est le nombre
optimum fabriquer chaque jour de chacun de ces deux produits, qui constituent lessentiel de son
chiffre daffaires. Il vous a communiqu les informations suivantes :
Prix de vente hors taxe dun pain de 400 g : 3,25 euros
Prix de vente hors taxe dune baguette de 250 g : 2,20 euros
On admettra que le cot variable du pain (quelle que soit la prsentation, pain ou baguette) stablit
3euros le kg. Le maximum de pte pain fournie est de 225 kg. Le four permet de cuire en une
heure
100
baguettes
ou
75
pains,
et
peut
fonctionner
au
maximum.
Enfin, M. Martin estime quil ne peut pas vendre en une journe plus de 500 pains et plus de 500
baguettes.
1) Ecrire le programme linaire qui permet de maximiser le bnfice " Boulangerie " de M. Martin.
2) Donner une solution graphique
Page 51
Exercice 3 :
Reprendre l'exercice n1 et utiliser la mthode du simplexe.
Exercice 4 :
Un agriculteur dispose dune superficie cultivable de 50 ha. Il peut couler, au prix du march, tous
les produits quil obtient et qui sont essentiellement des tomates, des laitues et des radis. Les
tomates se vendent 5 F le kg, la laitue se vend 3,5 F le pied et la livre de radis 2,5 F. Les rendements
moyens par ha sont respectivement de 2 tonnes, 4 000 pieds et 1 tonne, pour les tomates, la laitue et
les radis. Pour obtenir ces rsultats, il faut employer des engrais raison de100 kg/ha pour les
tomates et pour les laitues et raison de 50 kg/ha pour les radis. Dautre part, les travaux
damnagement du sol, de semence et de rcolte demandent lemploi de dix hommes/jour par
hectare pour les tomates, de six hommes/jour par hectare pour les radis et de vingt hommes/jour par
hectare pour la laitue. Compte tenu des disponibilits locales en main-duvre, le cultivateur ne
peut employer que 400 hommes/jour. Lengrais revient 50 F le kg, le cot dun homme/jour est de
350 F. Il sagit de dterminer le meilleur programme de production.
Poser le problme sous forme de programme linaire.
1) Dterminer la solution optimale laide de la mthode du simplexe.
2) Peut-on amliorer le programme si on peut disposer de 200 hommes/jour de main duvre
supplmentaire au prix de 400 F par homme/jour ?
Exercice 5 :
Rsoudre le programme linaire suivant :
Exercice 6 :
Une socit des carrires a pour objet lextraction et la distribution de matriaux de carrire. Elle
doit assurer, pour des travaux routiers, la fourniture aux Ponts et Chausses de graviers en divers
calibres.
Un march portant sur les quantits suivantes :
Graviers calibre 1___________________13 500 tonnes
Page 52
Graviers calibre 2___________________11 200 tonnes
Graviers calibre 3___________________ 5 000 tonnes
a t adjug pour un prix global de facturation.
La socit exploite deux carrires P1 et P2 loues une socit civile qui peroit une redevance par
tonne de pierre extraite. Celle-ci est la suivante :
Pour P1____________19,40 euros par tonne
Pour P2____________20,00 euros par tonne
Aprs extraction la pierre et concasse. Les graviers ainsi obtenus sont tris selon leur calibre.
Chaque tonne de pierre fournit les quantits suivantes de gravier (exprimes en tonnes) :
Pierre de P1 : Pierre de P2 :
Graviers calibre 1 : 0,36 t Graviers calibre 1 : 0,45 t
(Le complment une tonne reprsente du sable, actuellement considr comme dchet sans valeur
marchande).
La direction souhaite dfinir son programme dextraction de pierre de P1 et de P2 de faon
minimiser le cot de redevances la socit civile.
1) Prsenter le programme linaire correspondant sous la forme canonique.
2) Donner la formulation du programme dual.
3) Rsoudre le programme dual par la mthode du simplexe. Loptimisation du programme
conduit-elle produire des graviers en excdent par rapport aux tonnages adjugs ?
Exercice 7 :
Reprendre l'exercice 2 et utiliser la mthode du simplexe.
Exercice 8 :
Lentreprise Duralumin fabrique pour des entreprises de quincaillerie, des pices en inox.
Ces pices sont de trois types : A,B,C. Elles sont fabriques par lots de 50 dans un grand atelier o
sont rassembles deux machines pour la dcoupe de linox, une machine pour lemboutissage, deux
machines pour le polissage et la finition. Chaque machine fonctionne 120 heures par mois.
Les caractristiques de fabrication sont rassembles dans le tableau suivant :
Page 53
Dcoupe
Emboutissage
Polissage et finition
Inox
Prix de vente (hors
taxe)
Cot de
lheure
20 euros
30 euros
40 euros
Lot A
Lot B
Lot C
1h
0,5 h
2h
50 euros
200 euros
1,5 h
1,5 h
1h
1h
68 euros
210 euros
1h
85 euros
200 euros
Quel est le programme de production optimal ? On utilisera la mthode du simplexe.

Exercice 9 :
Une entreprise chimique utilise la matire premire M. Lors de la premire transformation chimique
T1, on obtient 75% de produit fini B et 25 % de produit C. On peut retraiter tout ou partie des
produits C. On obtient lissue de cette transformation T2, 40% de produits B, 20% de produits C
et 20% de produits D.
Lentreprise utilise un minimum de 3 000 tonnes de produits B, de 500 tonnes de produits C et de
500 tonnes de produits D. La transformation T1 cote 100 euros par tonne. T2 cote 200 euros par
tonne.
1) Ecrire le programme linaire qui permet de minimiser le cot, en fonction de la quantit de
matire M qui est passe par T1, et de la quantit de produits C que lon transforme par T2.
2) Ecrire le programme dual et le rsoudre par la mthode du simplexe.
Page 54
CHAPITRE 4 :
UTILISATION DES VARIABLES ARTIFICIELLES
1.1. Apparition de signe dans les contraintes
1. Minimisation dune fonction objectif avec mlange de signes

Dans un programme linaire classique de minimum, les contraintes sont toutes avec le signe . Que
faire donc lorsquun signe caractristique des programmes linaires classiques de maximisation
apparat dans les contraintes ?
(* = 40 + 12 + 15
2 + + 150 1!
+ 2 + 200 2!
3 + + 180 3!
0; 0 ; 0
Exemple : Rsoudre
Dans ce cas, il faut ramener tous les signes avant dcrire le dual. Pour ce faire, il faut
multiplier dabord la troisime contrainte par (-1) pour la ramener 0, &'(
2
(* = 40 + 12 + 15
+ + 150 1!
+ 2 + 200 2!
180 3!
0; 0 ; 0
2
+ 3 40
+ 2 12
+ 15
1 = 150 + 200 180
0; 0 ; 0
A partir de l on peut crire le dual, soit :
+ 3 + 2 = 40
+ 2 + 2 = 12
+ + 2 = 15
1 = 150 + 200 180 + 02 + 02 + 02
0; 0 ; 0 ; 2 0 ; 2 0 ; 2 0
La forme standard se dduit :
Page 55
Tableau 0 :
.
HB
2
R
40
= 40
1
B
2
-3
1 0 0
40
-1
0 1 0
12
-1
0 0 1
15
150 200 -180 0 0 0
2
2
)9 "* +" , *& - . &"
Tableau 1 :
HB
2
8
9
1
2
50
1
0
0
1
2
1
2
-80
0
0
Tableau 2 :
.
0
1
0
.
3
2
1
2
0 100
7/4 1
1
0
-30
0
0
5
4
2 &'+ ," - . &"
15
= 15
1
34
136/4 = 45,3
0 -100 0
)8 "* +" , *& - . &"
HB
1
2
1
2
1
3/4 0 5/2 1
=6
12
18
&'+ ," - . &"
-1200
25
12
0 -150 0
-1800
Page 56
REGLE : SOLUTIONS DU PRIMAL
= 12
=0
:
=0
1 = 1800
La solution du dual est :
=0
= 150
:
=0
= 1800
1.2.
Apparition du signe (=)
classique avant dcrire le dual.
Presque de la mme manire que prcdemment, il faut ramener toutes les contraintes au signe
Exemple : Rsoudre
(* = 40 + 12 + 15
2 + + 150 1!
+ 2 + 200 2!
3 + + = 180 3!
0; 0 ; 0
La 3e contrainte devra tre transforme en double ingalit, sachant quune galit peut scrire en
double ingalit.
= . >
La 3e contrainte devient donc :
3
= 180 >
Le programme linaire complet donne :
.
.
+
+

+
+
180
180
Page 57
(* = 40 + 12 + 15
+ + 150 1!
+ 2 + 200 2!
3 + + 180 3!
3 + + 180 4!
0; 0 ; 0
La 4e contrainte devra tre multiplie par (-1) pour tre ramene et on pourra crire le dual.
(* = 40 + 12 + 15
2 + + 150 1!
+ 2 + 200 2!
3 + + 180 3!
3 180 4!
0; 0 ; 0
Soit :
Et le dual est le suivant :
+ + 3 3 6 40
+ 2 + 6 12
+ + 6 15
1 = 150 + 200 + 180 180 6
0 ; 0 ; 0 ; 6 0
2
+ + 3 3 6 + 2 = 40
+ 2 + 6 + 2 = 12
+ + 6 + 2 = 15
+ 200 + 180 180 6 + 02 + 02 + 02
0 ; 0 ; 6 0 ; 2 0 ; 2 0 ; 2 0.
1 = 150
0 ;
Tableau 0 :
HB
-3
1 0 0
40
-1
0 1 0
12
-1
0 0 1
15
150 200 180 -180 0 0 0
B
2
R
6$
= 40
=6
15
= 15
1
2 &'+ ," - . &"
)9 "* +" , *& - . &"
Page 58
.
Tableau 1 :
HB
2
3/4 0 5/2 5/2 1
1
2
1
2
50
Tableau 2 :
1
2
1
2
1
0
0
-80
0
0
.
7/4
-5
-1
-30
1 1 0
0
-160 0
1
2
1
2
1
34
68/5 = 13,6
0 -100 0
)? "* +" , *& - . &"
2
2
1
2
1
2
80
HB
B
3
1
18
&'+ ," - . &"
-1200
12
0 -180 0
12
- 2160
La solution du dual est :
=0
=0
= 12
6 =0
1 = 2160
= 0
= 180
:
= 0
= 2160
Page 59
2. Les programmes linaires de maximisation avec mlanges de signes : notions de variables
artificielles
par le fait que toutes les contraintes sont avec lingalit . Dans la pratique, cette forme classique
Dans les exemples traits jusquici, un programme linaire de maximum classique est caractris
nest pas toujours donne. Dans le systme des contraintes, il peut apparatre le signe ou = ct
des signes .
De plus la formulation de certains programmes est telle qu'il n'y a pas de solution de base vidente.
C'est le cas surtout pour les problmes de minimisation et de faon gnrale, quand des contraintes
sont sous forme soit d'galit, soit sous forme de supriorit. Les programmes de maximisation
peuvent donc aussi tre concerns.
Lintroduction de variables artificielles permet de rsoudre le problme pos par les contraintes .
2.1. Dfinition des variables artificielles
Quand un programme linaire comporte une contrainte , la contrainte de positivit lie la
variable dcart nest pas respecte pour la forme standard.
+ 2 + 16.
Exemple : Soit la contrainte :
Prenons une solution qui respecte la contrainte. Par exemple 5,5,5! donne 5+10+5 20. Dans la
forme standard, la variable dcart
ce qui ne respecte pas la contrainte
qui permet lgalit est telle que : 20 +

0.
+2 +
= 4
= 16.
La forme standard de la contrainte est donc :
La variable
= 16, soit
est alors mise hors base et lintroduction dans la base dune variable artificielle
+2 +
= 16.
positive ou nulle, affecte du coefficient 1 permet dobtenir une solution de dpart admissible :
Les variables hors base sont :
et en base
= 16 ce qui respecte
0.
=0
Remarque : cas o le second membre ngatif

Le problme qui peut se poser est que lune des variables du second membre soit ngative. Par
exemple supposons que lors de la formulation on trouve une contrainte de ce type :
x1 - x2 -4
Page 60
La condition quil faut vrifier avant de se lancer dans la rcriture de cette contrainte, en vue de
construire le programme standard, est la non-ngativit du second membre. Si un second membre
est ngatif il suffit de multiplier la contrainte par -1. Ceci a pour effet de changer le sens de
l'ingalit.
Ainsi, on doit modifier la contrainte avant de commencer la standardisation et la rcrire comme
suit :
-x1 + x2 4.
REGLE
Il n'est ncessaire d'introduire de variable artificielle (toujours positive) que dans les cas o la
contrainte est sous forme d'galit (=) ou de supriorit (). Dans la nouvelle quation, la
1) Introduire une variable artificielle par contrainte . La variable dcart de la contrainte affecte
variable artificielle est affecte du signe du second membre.
du coefficient 1 est mise hors base.
2) Elles permettent simplement lgalit dans la forme standard et ne sont pas une donne du
problme. En consquence, elles doivent tre nulles loptimum. Pour cela, il faut les faire
sortir de la base en leur donnant un coefficient fortement pnalisant dans la fonction
conomique :
ngatif : @ o M est une constante positive arbitrairement grande qui tend rduire
a- Sil sagit dune maximisation, le coefficient affect la variable artificielle est trs
la fonction conomique, tant que les variables artificielles sont dans la base. On dit
qu'on pnalise la fonction objectif, d'o le nom de la mthode dite mthode des
pnalits
positif : +@ o M est une constante positive arbitrairement grande qui tend
b- Sil sagit dune minimisation, le coefficient affect la variable artificielle est trs
augmenter la fonction conomique, tant que les variables artificielles sont dans la base.
On dit qu'on pnalise la fonction objectif d'o le nom de la mthode dite mthode des
pnalits.
NB :
La variable artificielle sortant de la base, va se trouver dans la ligne avec un fort coefficient
positif et ne pourra donc plus y entrer ; on peut donc supprimer la colonne correspondante dans
la suite des itrations.
Page 61
2.2.1. Prsence de dans un programme linaire classique de maximisation
2.2. Rsolution dune maximisation

Maximiser :
=3
+2
=3
=4
+2
B-'+& = 3 +
HB
6!
+0
-2
1 0 0
0 0 1
3+
2+
+ 2+
Tableau 0 :
36
13
53
4
+0
+ 4 + = 36
2 + = 13
3 + + = 53
+ 6 + = 4
=3 +2 +0 +0 +0 +0 6
Forme standard
4!
+4
2
:
3 +
+
0 1 0
0 0 0
+0
36
13
36
53
53/3
+4
0 0 0
1!
2!
3!
4!
13
4
&'+ ," - . &"
"* +" , *& . &"
positif et ne pourra donc plus y entrer ; on peut donc supprimer la colonne correspondante dans
la suite des itrations.
Page 62
Tableau 1 :
HB
0 1 0
-3
1 0 0
-2
0 0 1
0 0 0 1
0 1 0 0 0
1
Tableau 2 :
HB
B
6
B
6
-3
41
41/3
1 0
14
13
0 3 0 0
-3
0 0
39
"* +" , *& . &"
1
0
0
0
0
0
0
"* +" , *& . &"
12
0 1
11/7
2/7
3/7
1/7
3/7
6/7
3/7
1/7
2/7
8/7
&'+ ," - . &"
23/6
-1
23
-3
1 2 0
32
-3
32
1 1 0 0
1
-1
"* +" , *& . &"
Tableau 3 :
HB
&'+ ," - . &"
13/2
11
1
0
0
0
15
2
17
55
105/2
14/3
&'+ ," - . &"
119
Page 63
.
Tableau 4 :
HB
B
6
On trouve
1
0
0
0
7/11
2/11
1C
11
3C
11
= 16 ;
6/11
3/11
3/11
= 5"
1
0
1C
11
4C
11
10C
11
0
0
7
17
16
58
= 58
Exercice
:
+ 3 + 10 000
2 + + 5 000
= 100 + 500 + 200
0; 0; 0
+ 3 + + = 10 000
2 + + + = 5 000
= 100 + 500 + 200 + 0 + 0
0; 0; 0; 0; 0;

:
Daprs la 2e contrainte, on a :
Do :
Soit
= 5000 2
= 100 + 500 + 200 + 0
= 100 + 2 ! + 500 +
+0
! + 200 +
0.
5000 2
! +0
5 000
Page 64
Tableau 0 :
.
HB
10 000
-1
5 000
500 200 0
100
+2M +M +M
-M
$ $$$
% $$$
= 10 000
&'+
," - . &"
= 2500
+5000 M
F "* +" , *& - . &" G + 2

"& -" H-2& I'+ G'"II(G("*
Tableau 1 :
HB
1
1
1
2
1
2
D
9
1
2
450
150
1
0
0
+0M +0M
C
1
2
1
2
50
1
2
1
2
7500
2500
-50
-250 000
+0M +0M
R
E %$$
,%
= 3 000
2 500
= 5 000
0,5
&'+
," - . &"
+0 M
) "* +" , *& - . &" G + 450

"& -" H-2& I'+ G'"II(G("* H'&( (I
Tableau 2 :
HB
B
0 8
1 0
1
5
2
5
2
5
1
1
5
3
0 0 60 180 40
"* +" , *& - . &"
3000
15.000
1000
1.600.000
2.500
&'+
," - . &"
Page 65
.
Tableau 3
HB
1
2
5
2
8 0
0 1
1
2
3
2
1
0
2
3
0
1
1
1
2.500
5.000
2.500
50
1.750.000
"* +" , *& - . &"
HB
1
2
1
150 0 0 150
Tableau 4
5000
-100 0 200 0
Loptimum est atteint et on trouve :
5000

3
&'+ ," - . &"
2.000.000
10000
>
= =0
= 10000
= 2 000 000
Page 66
2.2.2. Exemples avec le signe dgalit
Soit le programme linaire :
Maximiser :
=5
+6
=5 +6
+ 4
5 + 3 = 60
5
0 , 0
+ + = 4 1!
5 + 3 + = 60 2!
+
= 5 3!
=5 +6 +0 +0
Forme standard
2!
3!
= 60 5
=5
B-'+& = 5 + 5 !
.
HB
B
Tableau 0 :
-1
5+5
6+4
1
1
0
0
.
0
0
+ 6+2 !
.
0 0
60
0 0
+65
1 0
0 1
+0
12
65
&'+ ," - . &"
"* +" , *& . &"
La variable artificielle
sortant de la base, va se trouver dans la ligne avec un fort coefficient
positif et ne pourra donc plus y entrer; on peut donc supprimer la colonne correspondante dans la
suite des itrations.
Page 67
.
Tableau 1 :
HB
0
1
8/5
3/5
3+
1
0
0
1
0
0
1
16
10
12
20
5
60 + 5
&'+ ," - . &"
"* +" , *& - . &"
sortant de la base, va se trouver dans la ligne avec un fort coefficient
suite des itrations.
Tableau 2 :
HB
B
Tableau 3 :
HB
B
.
0
1 8/5
0 3/5
0
0
1
3
8/5
3/5
1
5 3
"* +" , *& - . &"
15
75
5/8
1
0
15/8
10
3/8
5/8
&'+ ," - . &"
90
Tous les coefficients sur la ligne sont ngatifs ou nuls. Loptimum de maximisation est ainsi
atteint.
Page 68
F8 = K
On trouve donc :
>
F9 = 8L
Exercice
= 20 20 10 + 10 6
= 20 20 10 + 10 6
+ 8 + 2 200 1!
4 + 8 + 2 200 1!
2 + 10 + 2 6 400 2!
2 + 10 + 2 6 400 2!
&'(

2 + 8 + 4 6 = 400 3!
2 + 8 + 4 6 = 400 3!
2 + 2 + 2 6 = 300 4!
2 + 2 + 2 6 = 300 4!
0; 0 ; 0; 6 0
0; 0 ; 0; 6 0
Soir rsoudre le programme linaire de maximisation suivant :

4
Par introduction des variables dcart
et
au niveau des contraintes (1) et (2), et des variables
artificielles au niveau des contraintes (1), (2), (3) et (4), nous avons :
= 20
20 10 + 10 6 + 0 + 0

4 + 8 + 2 + = 200 1!
2 + 10 + 2 6 + = 400 2!

2 + 8 + 4 6 + = 400 3!
2 + 2 + 2 6 +
= 300 4!
0; 0 ; 0; 6 0 ; 0 ; 0 ; 0 ; 0
Forme standard
3!
3!
= 400 2
= 300 2
B-'+& = 20 + 2 !
Tableau 0 :
2 4
+ 20 + 4 !
6
HB
B
10
20
10
10
20
+2
+4
+8
+6
"* +" , *& . &"
+ 10 + 8 !
.
1 0 0 0
0 0 1 0
200
100
0 1 0 0
400
0 0 0 1
400
0 0 0 0 +700
+ 10 + 6 !
300
50
40
700
&'+ ," - . &"
Page 69
grand coefficient positif qui est ici 10 + 8
. Ce qui ne
Lobjectif tant de sortir dabord les variables artificielles. En rgle gnrale, nous partons du plus
ce qui fait sortir une variable dcart
plus grand coefficient positif immdiatement infrieur soit 10 + 6 .
nous arrange pas car il faut faire sortir dabord les variables artificielles. Pour cela nous passons au
Tableau 0M :
10
20
10
10
20
+2
+4
Tableau 1 :
+8
0
2
20
+2
1
1/2
25
1
"* +" , *& . &"
1 0 0 0
0 0 1 0
200
0 1 0 0
400
0 0 0 1
400
0 0 0 0 +700
+6
300
100
200
150
&'+ ," - . &"
"* +" , *& . &"
sort de la base. Il faudra supprimer sa colonne dans le tableau suivant.
HB
HB
2
6
2
30
0 1 0
0 0 1
1 0 0
0 0 0
0 0 0
200
50
200
100
100
0 1000
100
+
50
&'+ ," - . &"
+100M
Page 70
.
Tableau 2 :
HB
B
0
6
10 0
0 2 10 0
2 1
0 1/2
1 1/2 2 0
0 35 10 0
Tableau 3 :
HB
B
6
1
0
0
0
0
0
1
0
0
0
0
0
0
100
100
0
50
1
0 2000
"* +" , *& - . &"
0 3/5 1
0
0
8
0 -7/10 0
1 17/10 0
0 41 0
0 1/10
0 1
1 1/5
0 1/5
0 1
0
1
0
0
0
&'+ ," - . &"
0
0
0
100
100
0
50
1
0 2000
= 50
=0
=0
6 = 100
= 2000
Loptimum est ainsi atteint. On trouve :
Exercice :
Forme standard :
= 6 + 10 + 12
+ 2 + 4 320
2 + + 2 200
3 + 2 + 2 300
120
0; 0 ; 0
+ 2 + 4 + = 320
2 + + 2 + = 200
3 + 2 + 2 + = 300
6 + = 120
= 6 + 10 + 12
0; 0 ; 0 ; 0 ; 0
Page 71
6
La variable
On tire :
doit tre mise hors base.
=6
Et :
Tableau 0 :
HB
10
+ 12
320
160
0 1 0
0
0
200
0 0 0
300
1 0 0
12 0 0 0
0
150
120
200
120
120
0 +120
&'+ ," - . &"
"* +" , *& - . &"
HB
+ 10 +
0 0 1
Tableau 1 :
= 120
1 0 0
0 12 0 0 0
0 1 0
0 0 1
80
80
20
60
10
120
0 0 0 1
"* +" , *& - base
1200
40
30
&'+ ," - . &"
Page 72
Tableau 2 :
HB
1/4 0 1
1/4
0 0 1/2
3/2 0 0 1/2 1 0
5/2 0 0 1/2 0 1
3
0
Tableau 3 :
HB
0 0
1 0
3
0
0 0
0 0
6
0 1
1/2
5/2 1 0 1/2 0
0 0
20
40
40
20
120
1440
"* +" , *& . &"
0 1/2 0
5/2 0 0 1/2 0
3/2 0 0 1/2 1
40
20
140
120
&'+ ," - . &"
10
20
1520
=0
= 140
= 10
Loptimum est ainsi atteint. On trouve :
= 1520
2.3.
Rsolution dune minimisation
Les principes de rsolution sont les mmes lexception du choix de la variable qui entre dans la
base : la variable entrante est celle dont le taux marginal de substitution sont positifs ou nuls.
Soit rsoudre le programme linaire suivant sous sa forme canonique
5 x1 + 6 x2 10
2 x1 + 7 x2 14
Min z = 3 x1 + 10 x2
x1 0 ; x2 0
Page 73
* Forme standard
5 x1 + 6 x2 - 1 t1 + 1 a1 + 0 a2 = 10
2 x1 + 7 x2 - 1 t2 + 0 a1 + 1 a2 = 14
Min Z = 3 x1 + 10 x2 + 0 t1 + 0 t2 + M a1 + M a2
x1 0 ; x2 0 ; t1 0 ; t2 0; e1 0 ; e2 0
On tire :
= 10 5
= 14 2
Et on a :
= 37 !
* Tableau 0
+ 10 13 !
+
+
+ 24
x1
x2
t1
t2
-1
10
-1
14
3-7M 10-13M M
-24 M
HB
B
Puisqu'on recherche un minimum, la variable entrante est celle qui a le plus grand coefficient
ngatif, c..d. x2. En fait il suffit de regarder le coefficient de M car M est trs grand ; le coefficient
indpendant de M n'intervient que dans le cas o plusieurs variables ont le mme coefficient pour
M.
x1
x2
t1
t2
e1
-1
10
5/3
e2
-1
14
3-7M
10-13M
-24M
HB
B
variable sortant
variable entrant
suite des itrations, d'o le tableau 1.
Page 74
Tableau 1 :
x1
t1
t2
x2
5/6
-1/6
5/3
e2
-23/6
7/6
-1
7/3
-16/3+(23/6)M
5/3-(7/6)M M
-50/3-(7/3)M
x1
t1
t2
x2
5/6
-1/6
5/3
-10
e2
-23/6
7/6
-1
7/3
16/3+(23/6)M
5/3(7/6)M
-50/3(7/3)M
HB
B
HB
B
variable sortant
variable entrant
d'o le tableau 2.
Tableau 2 :
x1
t2
x2
6/21
-1/7
t1
-23/7
-6/7
1/7
30/21
-20
HB
B
On a atteint la solution optimale qui est x1 = 0; x2 = 2; t1 = 2; t2 = 0; Z = 20.

Remarque: Dans le cas particulier de cet exemple qui tait sous forme standard, il aurait t plus
rapide de traiter le problme dual et d'en dduire la solution du problme primal initial.
REMARQUE
Avec la mthode de simplexe, on reconnat que le problme est impossible si une ou plusieurs
variables artificielles sont prsentes dans la base dans le tableau de simplexe optimal, ce qui
signifie que la solution donne par ce tableau nest pas rellement ralisable.
Page 75
Exemple:
Vrifier laide de la mthode de simplexe, que le problme suivant est rellement impossible :
Max
4 x1 + 3x2
Sc
x1 + x2 2
3x1 + x2 10
x1 , x2 0
REMARQUE
Les problmes solutions multiples
Graphiquement, ce problme est caractris par le fait que la pente de la droite reprsentant la
fonction objectif (z = 0) est gale la pente de lune des contraintes restrictives. Lorsquon utilise la
mthode de simplexe, on identifie ce problme lorsquun des effets nets (relatif une variable hors
base) est nul.
Les problmes solution infinie
Graphiquement, ce problme est caractris par le fait quon peut dplacer la droite de la fonction
objectif indfiniment de manire accrotre la valeur, en gardant toujours une intersection non vide
avec lensemble des solutions ralisables.
Avec la mthode de simplexe, on reconnat ce problme lorsque la variable entrante nadmet
aucune limite sur sa valeur dentre, cest dire que tous les ratios Qi/aijo sont ngatifs ou nuls.
Exemple
Max
x1 + 2x2
Sc
x1 + x2 2
x2 3
x1 , x2
Les problmes solution dgnre

Graphiquement, on appelle solution dgnre le point o plusieurs contraintes concourent (un
nombre suprieur ou gale trois contraintes). Un programme linaire est dit dgnr si une ou
plusieurs variables dans la base optimale sont nulles. Dans la rsolution graphique ce problme
nest pas difficile rsoudre, mais avec la mthode de simplexe il peut causer des difficults.
Page 76
Exemple
Max z = 2x1 + 0 x2 + 3/2 x3

x 1 - x2 2
s.c.
2x1 + x3 4
x1 + x2 + x3 3
x1, x2, x3 0
Exercice
Minimiser
=6
+ 3 , soumis aux contraintes suivantes :

5
> 9

Rponse :
+ 10
+ 13 74
+ 3 9
= 1 ;
= 5 ;
= 21
Exercice
Min Z = x1 + x2
Sc
2x1 + x2 12
5x1 + 8x2 74
x1 + 6x2 24
x1 0 , x2 0
Rponse :
x1 = 8
x2 = 2
Z = 10
Exercice
Min Z = 3x1 + 2x2 + 5 x 3
sous les contraintes
x 10 , x 20 , x 30
x 1 + x 2 + 2 x 3 15
x 1 + 3 x 2 + x 3 10
Rponse : x1=x3=0 et x2=15 et Z = 30.
Page 77
EXERCICES
Exercice 1
Maximiser z =
25
sous contraintes
-5
+6
9 -2
+
3
et
43
Exercice 2
Dans une exploitation agricole, on lve des vaches et des moutons. Les tables peuvent contenir un
maximum de 50 vaches et 200 moutons. De plus, 72 arpents de pturages sont disponibles. On a
besoin de 1 arpent par vache et de 0,2 arpent par mouton. Pour soccuper du btail, on dispose de
10000 heures de travail par anne. On estime quune vache ncessite 150 heures de travail par
anne et un mouton 25 heures. Le gain annuel net slve 250 kF par vache et 45 kF par mouton.
Combien doit-on lever de vaches et de moutons pour que le gain net soit maximal ?
Exercice 3
On nourrit des lapins exclusivement de carottes et de pommes de terre. Une mesure de carottes
fournit 1 kcal, 4 mg de vitamine B et 3 mg de vitamine A. Une mesure de pommes de terre fournit 2
kcal, 3 mg de vitamine B et 1 mg de vitamine A. Les besoins du lapin sont dau moins 2 kcal, 6 mg
de vitamine B et 3 mg de vitamine A. Une mesure de carottes cote autant que deux mesures de
pommes de terre. Quel menu cote le moins cher ?
Exercice 4
Une usine fabrique les produits P1 et P2. Elle utilise les matires premires M1, M2 et M3, raison
de 2 tonnes de M1, 1 tonne de M2 et 3 tonnes de M3 par unit produite de P1 et de 1 tonne de M1,
3 tonnes de M2 et 4 tonnes de M3 par unit produite de P2. Elle dispose mensuellement de 50
tonnes de M1, 25 tonnes de M2 et 60 tonnes de M3.
Le bnfice net est de 5 000 FCFAF par unit de P1 et de 2 000 FCFA par unit de P2.
Quelle quantit de chacun des deux produits lentreprise doit-elle fabriquer pour que le bnfice soit
maximal ?
Page 78
Exercice 5
Un industriel doit livrer trois biens A, B et C raison de 6 units de A, 11 units de B et 23 units
de C. ll dispose de deux facteurs de production X1 et X2. Lemploi dune unit de X1 permet de
raliser une unit de A, une de B et une de C. Une unit de X2 permet de raliser une unit de A, 2
de B et 5 de C. Le prix du facteur X1 est de 100 kF lunit, celui du facteur X2 de 400 kF.
Quelle quantit de chaque facteur lindustriel doit-il utiliser pour satisfaire la demande un cot
minimal ?
Page 79
CHAPITRE 5 :
NOTIONS ELEMENTAIRES SUR LES GRAPHES
1. GRAPHE ORIENT
Un graphe orient G est un couple (X,R) o X est un ensemble de sommets {x1,...,xn} et R un
ensemble de couples orients (xi,xj) appels arcs.
Pour un arc (xi,xj) d'origine xi et d'extrmit xj, xi est un prcdent de xj, et xj est un suivant de xi .
Un chemin est une suite ordonne (x1,...,xn) de sommets relis par des arcs. La longueur du chemin
est le nombre d'arcs qu'il contient.
Un circuit est un chemin (x1,...,xn) tel que x1 = xn.
2. REPRESENTATION D'UN GRAPHE

2.1.
Reprsentation sagittale
Les sommets sont reprsents par des points et les arcs par des flches.
2.2.
Reprsentation par un dictionnaire
Outre une reprsentation graphique sagittale, un graphe peut tre reprsent par un tableau, appel
dictionnaire, qui chaque sommet numre les suivants et les prcdents :
Sommets
Prcdents
Suivants
P(x)
S(x)
x1
x2 , x3
x2
x1 , x3
x4
x3
x1
x2 , x4
x4
x2 , x3
x5 , x6
x5
x4
x6
x6
x4 , x5
Page 80
L'existence d'un arc entre 2 sommets est reprsente par :
sommets extrmits
x1
Sommets
x1
origine
x2
x3
x4
x2
x3
x5
x6
x4
x5
x6
3. NIVEAUX
Dans un graphe sans circuit, le niveau d'un sommet x est la longueur du plus long chemin
d'extrmit x. La dtermination des niveaux de l'exemple prcdent se fait partir du dictionnaire
des prcdents :
Sommets
x
x1
x2
x3
x4
x5
x6
Sommets
x
x1
x2
x3
x4
x5
x6
Prcdents P(x)
x1 , x3
x1
x2 , x3
x4
x4 , x5
Prcdents
P(x)
x1 , x3
x1
x2 , x3
x4
x4 , x5
C0 = {sommets de niveau 0}
= {sommets n'ayant pas de prcdent}= { x1}
Tous les sommets x1 sont barrs (en rouge ici), d'o le tableau
ci-dessous
Les sommets barrs (en rouge) sont considrs comme

n'existant plus.
ci-dessous
Page 81
Sommets
x
x1
x2
x3
x4
x5
x6
Prcdents
P(x)
x1 , x3
x1
x2 , x3
x4
x4 , x5
Sommets
x
x1
x2
x3
x4
x5
x6
Prcdents
P(x)
x1 , x3
x1
x2 , x3
x4
x4 , x5
Sommets
x
x1
x2
x3
x4
x5
x6
Prcdents
P(x)
x1 , x3
x1
x2 , x3
x4
x4 , x5
Sommets
x
x1
x2
x3
x4
x5
x6
Prcdents
P(x)
x1 , x3
x1
x2 , x3
x4
x4 , x5

n'existant plus.
ci-dessous.

n'existant plus.
ci-dessous

n'existant plus.
ci-dessous

n'existant plus.
ci-dessous
Page 82
Sommets
x
x1
x2
x3
x4
x5
x6
Prcdents
P(x)
x1 , x3
x1
x2 , x3
x4
x4 , x5
Tous les sommets ayant t barrs, l'algorithme est termin.

Les niveaux sont donc
C0 = { x1}
C1 = { x3}
C2 = { x2}
C3 = { x4}
C4 = { x5}
C5 = { x6}
Pratiquement, il n'est pas indispensable de reproduire chaque fois le dictionnaire; il suffit de barrer
au fur et mesure les diffrents sommets sur le mme tableau du dictionnaire des prcdents.
La recherche des niveaux permet de construire le graphe ordonn par niveaux. Les axes verticaux et
les niveaux n'ont pas tre reprsents; ils apparaissent ci-dessous pour mettre en vidence le fait
que les sommets de mme niveau doivent tre aligns sur la mme verticale.
4. CHEMINS EXTREMAUX
A chaque arc (x,y) est associ un nombre positif V(x,y) appel la valeur de l'arc. L'algorithme de
Ford va nous permettre de dterminer le chemin de valeur maximale entre un sommet D (Dpart) et
un sommet F (Fin).
a) On ordonne le graphe par niveaux
b) On fait la reprsentation du graphe par niveaux.
A partir de cette reprsentation, on supprime les sommets et les arcs par lesquels on ne peut pas
passer pour aller de D F.
c) En partant du sommet D de niveau le plus faible (le plus gauche) jusqu'au sommet F de niveau
le plus fort (le plus droite), on associe chaque sommet x une marque m(x) correspondant la
valeur du chemin de valeur maximale aboutissant x.
m(D) = 0
m(x) = max [m(y) + V(y,x)] , le max tant pris sur tous les prcdents
y de x
Page 83
La marque de F donnera donc la valeur du chemin le valeur maximale entre D et F. Le chemin de
valeur maximale est le chemin qui a permis d'aboutir la marque de F. Il est obtenu en partant de F
et en regardant quel est le sommet prcdent qui a permis d'obtenir m(F), et ainsi de suite jusqu'
revenir en D.
Exemple : Considrons le graphe suivant ordonn par niveaux
On dsire chercher le chemin de valeur maximale entre le sommet 4 et le sommet 7. On supprime

donc les sommets et les arcs par lesquels on ne peut pas passer pour aller de 4 7, c..d.
les sommets 1 et 2, ainsi que les flches issues de ces sommets
les sommets 8 et 9, ainsi que les flches aboutissant ces sommets
m(4) = 0
m(3) = m(4) + V(4,3) = 0 + 5 = 5
m(5) = m(4) + V(4,5) = 0 + 2 = 2
m(6) = Max { m(3) + V(3,6) ; m(5) + V(5,6) } = Max { 5 + 5 ; 2 + 1 }= Max { 10 ; 3 } = 10
m(7) = Max { m(3) + V(3,7) ; m(6) + V(6,7) } = Max { 5 + 3 ; 10 + 6 }= Max { 8 ; 16 } =16
Le chemin de valeur maximale entre 4 et 7 a donc pour valeur 16. Pour dterminer quel est ce
chemin, en partant du sommet final, on regarde quel est le sommet prcdent qui a permis d'obtenir
la marque retenue. Ci-dessous est repris l'algorithme prcdent o le cheminement suivi est surlign
en rouge en partant du sommet final 7 :
m(7) = Max { m(3) + V(3,7) ; m(6) + V(6,7) } = Max { 5 + 3 ; 10 + 6 }= Max { 8 ; 16 } =16
Pour aboutir 7, on est pass par 6
Page 84
m(6) = Max { m(3) + V(3,6) ; m(5) + V(5,6) } = Max { 5 + 5 ; 2 + 1 }= Max { 10 ; 3 } = 10
m(3) = m(4) + V(4,3) = 0 + 5 = 5
m(4) = 0
4 est le sommet initial; d'o le chemin de valeur maximale (4,3,6,7).
5. RECHERCHE D'UN CHEMIN DE VALEUR MINIMALE

Pour un chemin de valeur minimale, il suffit de remplacer "max" par "min" dans l'algorithme.
EXERCICES
Exercice 1 :
Soit le dictionnaire des suivants:
Sommets
Sommets suivants
C,D
B,E,F
B,C
Dterminer le dictionnaire des prcdents et reprsenter le graphe associ.

Exercice 2 :
Soit le graphe valu suivant :
1) Ecrire le dictionnaire des prcdents.

2) Dterminer le niveau de chaque sommet.
3) Prsenter le graphe par niveaux.
4) Calculer les chemins extrmaux.
Page 85
CHAPITRE 6 :
ORDONNANCEMENT MPM - PERT
Un problme d'ordonnancement consiste ordonner dans le temps un ensemble de tches

contribuant la ralisation d'un mme projet. L'objectif est de minimiser la dure de ralisation du
projet compte tenu des contraintes d'antriorit reliant les diffrentes tches. De plus, on dtermine
les calendriers de ralisation de chacune de ces tches ainsi que les marges de manuvre associes.
Exemple : Les oprations mises en jeu dans la construction d'un ensemble hydro-lectrique sont les
suivantes :
a) Construction des voies d'accs
b) Travaux de terrassement
c) Construction des btiments administratifs
d) Commande du matriel lectrique
e) Construction de la centrale
f) Construction du barrage
g) Installation des galeries et conduites forces
h) Montage des machines
i) Essais de fonctionnement
Les contraintes d'antriorit sont les suivantes :

oprations
dure (mois)
oprations prrequises
12
10
b,c,d
24
b,c
10
e,g
f,h
Page 86
Deux mthodes sont classiquement utilises : la Mthode des Potentiels Metra (MPM), et la
mthode PERT (Programm Evaluation and Research Task). Toutes les deux utilisent des graphes
pour rsoudre le problme.
1. MPM
1.1. Construction du graphe
- un sommet correspond une tche
- un arc dfinit une relation d'antriorit
- la valeur de l'arc dfinit le temps minimum sparant deux tches successives.
- Chaque sommet de la reprsentation graphique est figur par un rectangle :
Tx
T*x
X
o :
x = nom de la tche
Tx = date de dbut au plus tt de la tche
T*x = date de dbut au plus tard de la tche.
- Un sommet terminal permettant de dater la fin des travaux est rajout au graphe.
- La reprsentation graphique est ordonne par niveaux des sommets, c..d. des tches.
Exemple:
* Dtermination des niveaux des sommets ou tches (voir chapitre sur les graphes)
P(x)
P(x)
P(x)
P(x)
P(x)
b,c,d
b,c,d
b,c,d
b,c,d
b,c,d
b,c
b,c
b,c
b,c
b,c
e,g
e,g
e,g
e,g
e,g
f,h
f,h
f,h
f,h
f,h
niveaux C0={a,c,d} niveaux C1={b,g} niveaux C2={e,f} niveaux C3={h} niveaux C4={i}
Page 87
* Reprsentation graphique
oprations
dure
oprations
(mois)
prrequises
12
10
b,c,d
24
b,c
10
e,g
f,h
1.2. Calendrier au plus tt

Une tche x ne pouvant dbuter que lorsque toutes les tches qui y aboutissent sont termines, Tx
correspond la valeur du chemin de valeur maximale aboutissant x. Ceci sera obtenu en utilisant
l'algorithme de Ford (voir chapitre sur les graphes), aprs avoir ordonn le graphe par niveaux des
tches.
Tx = max [Ty + V(y,x)] , le max tant pris sur les prcdents y de x.
Exemple:
Ta = Tc = Td = 0
Tb = Ta + 4 = 4
Page 88
Tg = Ta + 4 = 4
Tf = Max (Tb + 6 ; Tc + 4) = Max (10 ; 4) = 10
Te = Max (Tb + 6 ; Tc + 4 ; Td + 12 ) = Max (10 ; 4 ; 12) = 12
Th = Max (Te + 10 ; Tg + 7) = Max (22 ; 11) = 22
Ti = Max (Tf + 24 ; Th + 10) = Max (34 ; 32) = 34
Tz = Ti + 3 = 37
Ces rsultats peuvent tre reports sur le graphe
Pour le sommet terminal z, Tz correspond la dure minimale du projet (qui correspond au chemin
de valeur maximale aboutissant z). Le chemin de valeur maximale associ est appel chemin
critique, constitu de tches critiques : un retard sur l'une de tches critiques entranerait un
allongement de la dure du projet.
Exemple :
Le chemin de valeur maximale est le chemin a, b, f, i. (voir chapitre sur les graphes) et a pour dure
37.
1.3. Calendrier au plus tard
Il s'agit de la date au plus tard laquelle peut commencer une tche sans remettre en cause la date
de fin des travaux. Ceci sera obtenu en commenant par les sommets de niveau les plus levs
jusqu'aux sommets de niveau les plus faibles.
T*z = Tz
pour le sommet terminal
T*x = min [T*y - V(x,y)] , le min tant pris sur les suivants y de x.
Exemple :
T*i = T*z - V(i,z) = 37 - 3 = 34
T*h = T*i - V(h,i) = 34 - 10 = 24
T*f = T*i - V(f,i) = 34 - 24 = 10
Page 89
T*e = T*h - V(e,h) = 24 - 10 = 14
T*g = T*h - V(g,h) = 24 - 7 = 17
T*b = Min [T*e - V(b,e); T*f - V(b,f) = Min [14 - 6; 10 - 6 ] = 4
T*a = Min [T*b - V(a,b); T*g - V(a,g) = Min [4 - 4; 17 - 4 ] = 0
T*c = Min [T*f - V(c,f); T*e - V(c,e) = Min [10 - 4; 14 - 4 ] = 6
T*d = T*e - V(d,e) = 14 - 12 = 2
Ces rsultats peuvent tre reports sur le graphe
Remarque: sur les tches critiques a, b, f, i, on a T*x = Tx
1.4. Marges totales

C'est le retard maximum que l'on peut prendre dans la mise en route d'une tche sans remettre en
cause les dates au plus tard des tches suivantes (donc sans retarder la fin des travaux).
mt(x) = T*x - Tx
Exemple :
mt(a) = T*a - Ta = 0 - 0 = 0
mt(b) = T*b - Tb = 4 - 4 = 0
mt(c) = T*c - Tc = 6 - 0 = 6
mt(d) = T*d - Td = 2 - 0 = 2
mt(e) = T*e - Te = 14 - 12 = 2
mt(f) = T*f - Tf = 10 - 10 = 0
mt(g) = T*g - Tg = 17 - 4 = 13
mt(h) = T*h - Th = 24 - 22 = 2
Page 90
mt(i) = T*i - Ti = 34 - 34 = 0
1.5. Marges libres

C'est le retard maximum que l'on peut prendre dans la mise en route d'une tche sans remettre en
cause les dates au plus tt des tches suivantes (donc sans retarder la fin des travaux).
mL(x) = min [Ty - Tx - V(x,y)] , le min tant pris sur les suivants y de x.
Exemple :
mL(a) = Min [Tb - Ta - V(a,b) ; Tg - Ta V(a,b)] = Min (0 ; 0) = 0
mL(b) = Min [Tf - Tb - V(b,f) ; Te - Tb V(b,e)] = Min (0 ; 2) = 0
mL(c) = Min [Tf - Tc - V(c,f) ; Te - Tc V(c,e)] = Min (6 ; 8) = 6
mL(d) = Te - Td - V(d,e) = 0
mL(e) = Th - Te - V(e,h) = 0
mL(f) = Ti - Tf - V(f,i) = 0
mL(g) = Th - Tg - V(g,h) = 11
mL(h) = Ti - Th - V(h,i) = 2
mL(i) = Tz - Ti - V(i,z) = 0
2. PERT
Le PERT (Programm of Evaluation and Review Technic) est, comme la MPM, une technique
d'ordonnancement base sur la thorie des graphes, visant optimiser la planification des tches
d'un projet. Le P.E.R.T. est une mthode consistant mettre en ordre sous forme de rseau plusieurs
tches qui grce leur dpendance et leur chronologie concourent toutes lobtention dun
produit fini.
Cette technique aurait t conue sous l'appellation initiale de mthode CPM (Critical Method Path)
par la marine amricaine, en 1958, pour coordonner les tches des milliers d'entreprises impliques
dans son projet "Polaris" (programme de dveloppement de missiles ogive nuclaire).
Compte tenu de son efficacit (elle aurait permis de rduire de 14 7 ans la dure globale de
ralisation du projet Polaris) elle s'est rapidement impose dans les organisations, gouvernementales
ou non, ayant grer des projets importants (programme Apollo de la NASA, construction
d'autoroute, etc.) au dtriment du diagramme de Gantt. L'utilisation du PERT permet, notamment,
Page 91
de dterminer la dure minimum ncessaire pour mener bien un projet et les dates auxquelles
peuvent ou doivent dbuter les diffrentes tches ncessaires sa ralisation pour que cette dure
minimum soit respecte.
2.1. Construction du graphe

Le recours au PERT suppose qu'aient pralablement t identifies les diffrentes tches ncessaires
la ralisation d'un projet, leur dure et leurs relations d'antriorit. Gnralement ces informations
sont synthtises dans un tableau du type suivant dit tableau des tches et antriorit.
Tches
Dure
Antriorit(s)
Le PERT permet de reprsenter l'ensemble des tches sur un graphe orient, partir duquel il sera
possible d'identifier leurs dates au plus tt et au plus tard et de calculer leurs marges. Un graphe
orient est un rseau compos d'une entre et d'une sortie, ainsi que de points (appels "sommets")
relis entre eux par des flches (appeles "arcs").
Les principales conventions d'un rseau PERT sont les suivantes :
-
chaque tche est symbolise par un arc, auquel est associ une valeur numrique
correspondant sa dure.
les sommets auxquels aboutissent les arcs correspondent donc des tapes, qui marquent
l'aboutissement d'une ou plusieurs tches.
chaque tape est identifie par un numro d'ordre et renseigne sur la date laquelle elle
peut tre atteinte au plus tt ("date au plus tt") et au plus tard ("date au plus tard") pour
respecter le dlai optimal de ralisation du projet.
le graphe possde une entre (sommet sans antcdent) et une sortie (sommet sans
descendant) qui correspondent respectivement aux tapes "Dbut des oprations" et "Fin des
oprations".
Du fait de ses conventions, il est parfois ncessaire d'introduire des "tches fictives" de dure nulle
pour traduire correctement sur un graphe les relations d'antriorit de certaines tches, notamment
lorsque celles-ci partagent avec d'autres une partie de leurs antcdents.
Page 92
- Un arc correspond une tche
- la valeur de l'arc reprsente la dure de la tche.
- un sommet est une tape signifiant que :
toutes les tches qui y arrivent sont termines
toutes les tches qui en partent peuvent commencer
Un rseau est constitu par des tapes et des tches. On appelle tape le commencement ou la fin
dune tche symbolis par :
On appelle tche le droulement dans le temps dune opration symbolis par
sur laquelle seront indiqus laction effectuer et le temps de ralisation de cette tache.
Pour allger le rseau PERT on attribut chaque dfinition une lettre alphabtique.
Les tches suivant leur disposition dans un rseau peuvent tre :
successives
simultanes
convergentes
Les tches sont successives lorsquelles se droulent les unes aprs les autres, spares par des
tapes.
B
A
0
Les tches (A et B) sont simultanes lorsque plusieurs dentre elles peuvent commencer en
mme temps en partant dune mme tape.
1
A
0
(tche fictive ou contrainte de liaison)

3
Les taches (A et B) sont convergentes lorsque plusieurs dentre elles aboutissent une mme
tape.
A
2
B
1
Page 93
Remarques
Remarque 1: il est quelque fois ncessaire d'introduire des tches fictives de dure nulle
a et b doivent tre termines pour

que c et d puissent commencer
Remarque 2 : Deux arcs ne peuvent avoir la fois la mme origine et la mme extrmit. Il est
ncessaire de rajouter une tche fictive dans ces conditions:
a et b doivent tre termines pour

que
puisse
commencer
et
uniquement b doit tre termine

pour que d commence
sera
transform
en
Chaque sommet de la reprsentation graphique est figur par un cercle
n = nom ou numro de l'tape

tn = date de dbut au plus tt de l'tape
t*n = date de dbut au plus tard de l'tape
Page 94
- Un sommet terminal et un sommet initial sont rajouts au graphe.
- La reprsentation graphique est ordonne par niveaux des sommets, c..d. des tapes.
Les tches nayant aucune antriorit sont reprsentes en premire position. Lutilisation de la
matrice des antriorits facilite la dtermination des niveaux dexcution des tches.
Le graphe se lit de gauche droite (de l'tape "DBUT" celle de "FIN").
Chaque arc symbolise une tche qui permet d'atteindre une nouvelle tape dans la ralisation du
projet. Une nouvelle tche ne peut commencer que lorsque toutes les tches pralables sa
ralisation sont termines. Chaque sommet correspond une tape qui est identifi par une
cartouche o sont prciss : son "numro d'ordre", la date laquelle elle peut tre atteinte au plus tt
("date au plus tt") et la date laquelle elle doit tre atteinte au plus tard pour respecter le dlai
optimal de ralisation du projet ("date au plus tard").
Le chemin de valeur maximale associ est appel chemin critique, constitu de tches critiques: un
retard sur l'une de tches critiques entranerait un allongement de la dure du projet.
2.2. Calcul des diffrentes marges d'une tche dans un rseau PERT
On appelle "marge" d'une tche le retard qu'il est possible de tolrer dans la ralisation de celle-ci,
sans que la dure optimale prvue du projet global en soit affecte. Il est possible de calculer trois
types de marges : la marge totale, la marge certaine et la marge libre.
La marge totale d'une tche indique le retard maximal que l'on peut admettre dans sa ralisation
(sous rserve qu'elle ait commenc sa date au plus tt) sans allonger la dure optimale du projet.
Elle se calcule en retirant la dure de la tche en question l'cart qu'il peut y avoir entre sa date de
au plus tt de dbut et sa date au plus tard de fin :
Marge totale tche "ij" = Date au plus tard "tape j" - Date au plus tt "tape i" - Dure tche
"ij"
Sauf cas particulier, un retard correspondant la marge totale d'une tche se traduit par une
modification des dates au plus tt des tches qui lui succdent et entrane, gnralement, l'apparition
d'un second chemin critique.
Il n'est donc pas possible de cumuler des retards correspondant leur marge totale sur plusieurs
tches successives, sans remettre en cause la dure optimale prvue pour le projet.
La marge libre d'une tche indique le retard que l'on peut admettre dans sa ralisation (sous rserve
qu'elle ait commenc sa date au plus tt) sans modifier les dates au plus tt des tches suivantes et
sans allonger la dure optimale du projet.
Elle se calcule en retirant la dure de la tche en question l'cart qu'il peut y avoir entre ses dates
au plus tt de dbut et de fin :
Page 95
Marge libre tche "ij" = Date au plus tt "tape j" - Date au plus tt "tape i" - Dure tche "ij"
Un retard correspondant la marge libre d'une tche reste sans consquence sur les marges des
tches qui lui succdent. Il est donc possible de cumuler des retards, s'inscrivant dans leur marge
libre, pour plusieurs tches successives, sans remettre en cause la dure optimale prvue pour le
projet.
La marge certaine d'une tche indique le retard que l'on peut admettre dans sa ralisation (quelle
que soit sa date de dbut) sans allonger la dure optimale du projet.
Elle se calcule en retirant la dure de la tche en question l'cart qu'il peut y avoir entre sa date au
plus tard de dbut et sa date au plus tt de fin :
Marge certaine tche "ij" = Max [ 0 , (Date au plus tt "tape j" - Date au plus tard "tape i" Dure tche "ij") ]
D'aprs cette formule, la marge certaine est considre comme nulle lorsque son calcul donne un
nombre ngatif
Un retard correspondant la marge certaine d'une tche reste sans consquence sur les marges des
tches qui lui succdent, mme si elle commence sa date au plus tard. Il est donc possible de
cumuler des retards, s'inscrivant dans leur marge certaine, pour plusieurs tches successives, mme
si elles commencent leur date au plus tard, sans remettre en cause la dure optimale prvue pour le
projet. On remarque que l'ensemble des marges des tches composant le chemin critique sont
ncessairement nulles, puisqu'il s'agit de tches pour lesquels, par dfinition, aucun retard n'est
possible sans remettre en cause la dure optimale prvue pour le projet.
Page 96
Exercice dapplication (Montrer par cet exercice la matrice des antriorits)
Le service de marketing de la Socit des Huileries du Bnin a projet entretenir les
diffrents
appareils utiliss dans la production dhuile de coton. Cet entretien consiste excuter un certain
nombre dactivits quil faut planifier. A cet effet, le tableau suivant a t dress :
Oprations
Antriorits
A
B
C
D
E
F
G
H
I
J
J
I, G, J
H
C, H, E
A, F
H
J
A, F, H
-
dure
(mois)
2
4
1
2
5
3
1
2
4
2
1. Tracer une esquisse du rseau PERT de la planification du projet dentretien (matrice des
antriorits et niveaux dexcution des tches).
2. Identifier le chemin critique et la dure du projet.
3. Dresser le tableau du programme du projet en y indiquant les marges totale, libre et lie de
chaque tche. Achever le trac du rseau PERT.
Exercice 1 :
Reprendre les questions de lexercice dapplication pour les contraintes suivantes :
Oprations
A
B
C
D
E
F
G
H
I
dure
(mois)
4
6
4
12
10
24
7
10
3
Oprations
pr-requises
A
B,C,D
B,C
A
E,G
F,H
Page 97
Exercice 2 :
On donne le tableau des tches et antriorits suivant.
Tches activit
Antriorits
dure (jours)
acceptation des plans
prparation terrain
commande matriaux
creusage fondations
A,B
commande portes, fentres
livraisons matriaux
coulage fondations
D,F
livraison portes, fentres
10
pose des murs, du toit
mise en place portes, fentre
H,I
1. Construire la matrice des antriorits. Vrifier que cette matrice est antisymtrique.
2. Utiliser cette matrice des antriorits pour dduire les niveaux du rseau PERT et tracer ce
rseau PERT.
3. Calculer le temps minimum de ralisation du projet.
4. Finaliser le trac du rseau PERT.
5. Dresser le tableau des marges des tches ou le programme du projet.
Page 98
Exercice 3 :
Un programme de construction comporte les oprations suivantes :
Tches
Tches antrieures
Dure (en jours)
J,K
14
G,M
10
12
C,L
18
11
A,B,H
13
B,K
15
D,E
En utilisant les mthodes PERT et MPM, dterminez la dure totale du projet, ainsi que, pour
chaque tche, la date de dbut au plus tt, la date de dbut au plus tard, la marge libre, la marge
totale. Quelles sont les tches critiques pour la ralisation du projet ?
La tche D est retarde de 3 jours. Cela implique-t-il un retard sur le dlai dexcution du
programme ?
Exercice 4 :
Lors dun stage, votre responsable en entreprise vous demande dexcuter un travail.
Aprs avoir recens les diffrentes tches que vous aurez raliser, vous estimez leur dure
dexcution et disposez du tableau suivant :
Page 99
Tches
Tches antrieures
dure
(en
jours)
A
A,G,J
14
12
D,K,J
J,K
10
E,D,F
A partir de la reprsentation MPM ou PERT, dfinir le calendrier au plus tt, au plus tard, les
marges totales et libres, ainsi que les tches critiques.
En fait vous ne disposez que de 30 jours effectifs de stage. Vous informez votre responsable que le
travail ne pourra tre achev pendant le stage.
Il examine votre planning et estime que la dure de certaines tches peut tre rduite (vos
estimations taient trop larges et on vous aidera dans la ralisation de certaines oprations).
Voici les rductions possibles :
Tches
A B
Rduction 0
C D
E F
G H
1 2
Quelles sont les tches que vous rduirez pour que le projet ne dure que 30 jours ? Dressez la liste
des tches critiques. (On sattachera rduire les tches critiques en commenant par les tches
finales.
Page 100
Chapitre 7
PERT probabiliste
1. Dfinitions
Dans lexcution dune tche beaucoup de difficults peuvent tre rencontres :
maladies grves approvisionnements, instabilit politique ou climatique, etc.
Cest pour cette raison que la dure dexcution dune tche devient une variable
alatoire.
Compte tenu du fait que beaucoup de paramtres sont pris en compte dans la
dfinition de la dure dexcution dune tche, lutilisation de la loi normale est
bien justifie.
2. Diffrents temps utiliss

Trois diffrents temps sont dfinir pour chaque tche :
-
le temps optimiste qui est le temps le plus court qui serait suffisant pour
excuter la tche : OP
le temps rel ou temps normal qui est le temps le plus probable ncessaire
le temps pessimiste qui est le temps le plus long requis pour excuter la
pour excuter la tche : OQ

tche : OR
A partir de ces trois donnes, on dtermine :

1
SO + 4OQ + OR T
6 P
le temps moyen dexcution de lactivit ou la tche :
lcart type de la tche :
O =
U =
1
SO OP T
6 R
Le chemin critique est dtermin partir des dures moyennes en sommant les
dures moyennes de toutes les tches critiques.
La dure du projet est la dure du chemin critique et son cart type est :
Y
o [ est lindice de la tche critique.
U = VW UX
XZ
Page 101
3. Probabilit de tenir le dlai
Gauss) de paramtres O\ la dure du projet dtermine partir du chemin
On suppose usuellement que la dure des chemins obit la loi normale (de
critique et lcart type U.
La probabilit ou les chances sur 100 de tenir le dlai est :

/ OQ^_ < a- (! = b
m_n
U2d
"
e f
gehi l
k
j
a- ( O\
U
On fait un changement de variable t en une variable centre rduite :

o=
/ OQ^_ < a- (! = p o!
F(U) est lu dans la table de Gauss.
Par ailleurs, on a :
/ a- ( 1 < OQ^_ < a- ( 2! = b
m_n
m_n
On a :
avec :
U2d
"e
gehi l
k
j
/ a- ( 1 < OQ^_ < a- ( 2! = p o ! p o !

o =
a- ( 2 O\
a- ( 1 O\
" o =
U
U
Notez que lorsque o = ' > 0 on a :
p o! = p ! = 1 p
La table de Gauss utilise aprs avoir calcul la variable centre rduite est la
suivante :
Page 102
Table de Gauss
U
0,0
0,1
0,2
0,3
0,4
0,5
0,6
0,7
0,8
0,9
1,0
1,1
1,2
1,3
1,4
1,5
1,6
1,7
1,8
1,9
2,0
2,1
2,2
2,3
2,4
2,5
2,6
2,7
2,8
2,9
3,0
3,1
3,2
3,3
3,4
3,5
3,6
3,7
3,8
3,9
0,00
0,50000
0,53983
0,57926
0,61791
0,65542
0,69146
0,72575
0,75804
0,78814
0,81594
0,84134
0,86433
0,88493
0,90320
0,91924
0,93319
0,94520
0,95543
0,96407
0,97128
0,97725
0,98214
0,98610
0,98928
0,99180
0,99379
0,99534
0,99653
0,99744
0,99813
0,99865
0,99903
0,99931
0,99952
0,99966
0,99977
0,99984
0,99999
0,99999
1,00000
0,01
0,50399
0,54380
0,58317
0,62172
0,65910
0,69497
0,72907
0,76115
0,79103
0,81859
0,84375
0,86650
0,88686
0,90490
0,92073
0,93448
0,94630
0,95637
0,96485
0,97193
0,97778
0,98257
0,98645
0,98956
0,99202
0,99396
0,99547
0,99664
0,99752
0,99819
0,99869
0,99906
0,99934
0,99953
0,99968
0,99978
0,99985
0,99999
0,99999
1,00000
0,02
0,50798
0,54776
0,58706
0,62552
0,66276
0,69847
0,73237
0,76424
0,79389
0,82121
0,84614
0,86864
0,88877
0,90658
0,92220
0,93574
0,94738
0,95728
0,96562
0,97257
0,97831
0,98300
0,98679
0,98983
0,99224
0,99413
0,99560
0,99674
0,99760
0,99825
0,99874
0,99910
0,99936
0,99955
0,99969
0,99978
0,99985
0,99999
0,99999
1,00000
0,03
0,51197
0,55172
0,59095
0,62930
0,66640
0,70194
0,73565
0,76730
0,79673
0,82381
0,84849
0,87076
0,89065
0,90824
0,92364
0,93699
0,94845
0,95818
0,96638
0,97320
0,97882
0,98341
0,98713
0,99010
0,99245
0,99430
0,99573
0,99683
0,99767
0,99831
0,99878
0,99913
0,99938
0,99957
0,99970
0,99979
0,99986
0,99999
0,99999
1,00000
0,04
0,51595
0,55567
0,59483
0,63307
0,67003
0,70540
0,73891
0,77035
0,79955
0,82639
0,85083
0,87286
0,89251
0,90988
0,92507
0,93822
0,94950
0,95907
0,96712
0,97381
0,97932
0,98382
0,98745
0,99036
0,99266
0,99446
0,99585
0,99693
0,99774
0,99836
0,99882
0,99916
0,99940
0,99958
0,99971
0,99980
0,99986
0,99999
0,99999
1,00000
0,05
0,51994
0,55962
0,59871
0,63683
0,67364
0,70884
0,74215
0,77337
0,80234
0,82894
0,85314
0,87493
0,89435
0,91149
0,92647
0,93943
0,95053
0,95994
0,96784
0,97441
0,97982
0,98422
0,98778
0,99061
0,99286
0,99461
0,99598
0,99702
0,99781
0,99841
0,99886
0,99918
0,99942
0,99960
0,99972
0,99981
0,99987
0,99999
0,99999
1,00000
0,06
0,52392
0,56356
0,60257
0,64058
0,67724
0,71226
0,74537
0,77637
0,80511
0,83147
0,85543
0,87698
0,89617
0,91309
0,92785
0,94062
0,95154
0,96080
0,96856
0,97500
0,98030
0,98461
0,98809
0,99086
0,99305
0,99477
0,99609
0,99711
0,99788
0,99846
0,99889
0,99921
0,99944
0,99961
0,99973
0,99981
0,99987
0,99999
0,99999
1,00000
0,07
0,52790
0,56749
0,60642
0,64431
0,68082
0,71566
0,74857
0,77935
0,80785
0,83398
0,85769
0,87900
0,89796
0,91466
0,92922
0,94179
0,95254
0,96164
0,96926
0,97558
0,98077
0,98500
0,98840
0,99111
0,99324
0,99492
0,99621
0,99720
0,99795
0,99851
0,99893
0,99924
0,99946
0,99962
0,99974
0,99982
0,99988
0,99999
0,99999
1,00000
0,08
0,53188
0,57142
0,61026
0,64803
0,68439
0,71904
0,75175
0,78230
0,81057
0,83646
0,85993
0,88100
0,89973
0,91621
0,93056
0,94295
0,95352
0,96246
0,96995
0,97615
0,98124
0,98537
0,98870
0,99134
0,99343
0,99506
0,99632
0,99728
0,99801
0,99856
0,99896
0,99926
0,99948
0,99964
0,99975
0,99983
0,99988
0,99999
0,99999
1,00000
0,09
0,53586
0,57535
0,61409
0,65173
0,68793
0,72240
0,75490
0,78524
0,81327
0,83891
0,86214
0,88298
0,90147
0,91774
0,93189
0,94408
0,95449
0,96327
0,97062
0,97670
0,98169
0,98574
0,98899
0,99158
0,99361
0,99520
0,99643
0,99736
0,99807
0,99861
0,99900
0,99929
0,99950
0,99965
0,99976
0,99983
0,99989
0,99999
0,99999
1,00000
Page 103
Exercice 1
Soit raliser un projet qui rpond aux contraintes dantriorits suivantes :
Tches Antriorits Dure (j)
T0 Tr
Tp
12
11
C, D
E, F
14 17
12 21
4
1) Calculer le temps moyen dexcution et lcart type de chaque tche.

2) Reprsenter le rseau PERT et dterminer la dure du projet et son cart type.
3) Calculer la probabilit pour que le projet se termine 3 jours plus tt qu prvu.
Exercice 2
Une socit dlevage dcide de construire un laboratoire pour son exploitation.
Les tches et antriorits sont regroupes dans le tableau suivant :
Tches Antriorits Dure (j)
T0 Tr Tp
A
F, E
1
2
3
B
A, G
1
3
5
C
B
1
3
4
D
E
12 13 14
E
J
3
5
8
F
I, J
2
6
8
G
H
7
8 10
H
I
6
9 12
I
L
1
2
3
J
L, K
4
5
6
K
3
6
9
L
1
3
5
1. Reprsentez le graphe PERT de ce projet.

2. Calculez la dure moyenne du projet.
Page 104
3. Trouvez la probabilit pour que ce projet soit termin en 32 jours (on
considrera que le nombre de tches est trs grand).
4. Dterminez la dure avec une probabilit de 98%.
5. Les dures de la tche H sont modifies. Des informations plus prcises
indiquent que la moyenne est 9 et l'cart type 5. Cette modification a-t-elle des
consquences sur les rsultats des questions 3 et 4 ?
Page 105
Chapitre 8 :
PROBLEMES DE TRANSPORT ET DAFFECTATION
1. Flot dans un rseau de transport

On appelle rseau de transport un graphe fini, sans boucle comportant une
entre
et une sortie
sommet
source et
telles que : depuis
et de tout sommet
R
est un puits.
il existe un chemin vers tout autre
il existe un chemin vers
R.
On dit que
est une
Tout arc 2 est valu par un entier positif G 2! nomm capacit de larc 2, qui
reprsente une capacit de transport associe la liaison figure par cet arc : ces
capacits de transport peuvent tre des tonnages disponibles sur des bateaux,
des camions, des wagons, ou encore des dbits dans des canalisations,
oloducs, voies de transmission, etc.
Etant donn un rseau de transport. Le problme rsoudre consiste
acheminer une quantit maximale de
en tenant compte des capacits de
transport. La quantit t 2! transporte sur chaque arc 2 est nomme flux sur
larc. Elle vrifie donc 0 t 2! G 2!.

En tout sommet
diffrent de la source
et du puits
R,
on a une loi de
La somme des flux arrivant sur le sommet F est gale la somme des flux
conservation :
partant du sommet F.
Un flot est dtermin par la donne du flux pour tout arc du rseau de
transport. La valeur v ! dun flot est, par dfinition, la somme des flux partant
de la source
puits
R.
ou bien elle gale la somme des flux des arcs arrivant sur le
Page 106
Exercice
On considre trois chteaux deau A, B et C grs par un syndicat
intercommunal, alimentant quatre villages D, E, F et G. Le chteau deau A
bnficie dune alimentation et dune rserve capables de dbiter 45 l/s ; le
chteau B peut seulement dbiter 25 l/s et le chteau deau C, 20 l/s. Plusieurs
canalisations existent et leur dbit en l/s, est mentionn pour chacune sur la
figure ci-aprs.
Le village D aurait besoin dun dbit de 30 l/s, le village E, 10 l/s, le village F,
20l/s et enfin le village G, 30 l/s.
On demande dtablir la meilleure alimentation possible.
45! B
25!
20! y
10
15
10
a 30!
20
z 10!
10
15
20
p 20!
{
30!
Solution
Constatons
dabord
que,
si
nous
ajoutons
au
graphe
reprsentant
les
deux fictives, on obtient un rseau de transport. On value les arcs w, B!, w, x! et
canalisations avec leur dbit, une entre (source) O et une sortie (puits) P, toutes
w, y! leur attribuant comme capacits les disponibilits respectives en A, B et C.
De mme, on value les arcs a, /!, z, /! et p, /! et {, /! par les besoins respectifs

en D, E, F et G.
Page 107
|45}
|25}
|20}
|10}
|15}
|20}
|10}
|15}
|30}
|5}
|10}
|20}
|10}
|20}
|30}
Le problme se ramne alors passer un flot de valeur maximale de O vers P (ou

Voici un flot sur ce rseau de transport :
si lon veut, sur un arc imaginaire, dit de retour , qui reviendrait de P vers O.
|45}
|25}
|20}
B
x
|10}
|15}
|10}
|10}
|20}
|5}
|15}
|20}
p
{
|30}
|10}
|20}
|30}
Page 108
2. Problme de transport
La gestion du problme de transport est parmi les proccupations majeures des
entreprises. La solution du problme de transport est celle qui permet de
transporter les flux du point de dpart au point darrive. La solution doit
galement tre la plus conomique.
2.1.
Algorithme de Balas-Hammer
Lalgorithme de Balas-Hammer, aussi appel mthode des diffrences

maximales ou mthode des regrets, est un algorithme permettant d'optimiser
un programme de transport (cas particulier d'un problme d'optimisation
linaire).
Le but de cet algorithme est d'assurer les transports moindre cot.
Principe
A partir d'une matrice des cots de transports entre sources et destinataires :
1. Calculer pour chaque ligne et chaque colonne la diffrence entre le cot le
plus faible et le cot immdiatement suprieur. Cette diffrence est appele
"regret".
2. Choisir l'affectation correspondant la range prsentant le regret
maximum (lignes et colonnes confondues), pour remplir une matrice de
transports.
3. Ritrer le processus.
Exemple
Donnes initiales
Tableau reprsentant les cots entre des sources et des destinataires, ainsi que
les stocks disponibles pour les sources et les demandes des destinataires :
Cots / Besoins / Stocks
Sources/Destinataires 1 2 3 4 5 Stocks
1
10 6 3 5 25
49
2
5
2 6 12 5
30
Demandes
15 20 5 25 14
Calcul des regrets
Page 109
Cots / Besoins / Stocks / Regrets
Sources/Destinataires
Stocks Regrets
10
25
49
5-3=2
12
30
5-2=3
Demandes
15
20
25
14
Regrets
10-
6-
6-
12-
25-
5=5
2=4
3=3
5=7
5=20
Le regret le plus important est celui de la colonne 5 : 20. Dans cette range, on
repre le cot minimal : C(2,5) = 5.
Remplissage de la matrice des transports
Transports
Sources/Destinataires 1 2 3 4
14
Ritration du principe
Cots / Besoins / Stocks / Regrets

1
2
3
4
Stocks
Regrets
1
10
6
3
5
49
5-3=2
2
5
2
6
12
30-14=16 5-2=3
Demandes
15
20
5
25
Regrets
10-5=5 6-2=4 6-3=3 12-5=7
ETC...
Rsultat
On en arrive tablir le tableau des transports :
Transports
19 5 25
15
14
Page 110
Le cot total se calcule par un produit scalaire entre les matrices des cots et des
transports.
Ici, le cot optimal est donc : 0*10 + 19*6 + 5*3 + 25*5 + 0*25 + 15*5 + 1*2 + 0*6
+ 0*12 + 14*5 = 401
Mthode de Balas-Hammer
Autre formulation
On calcule pour chaque range, ligne ou colonne, la diffrence entre le cot le
plus petit avec celui qui lui est immdiatement suprieur. Affecter la relation de
cot le plus petit correspondant la range prsentant la diffrence maximale la
quantit la plus leve possible. Ce qui sature une ligne ou une colonne.
Reprendre le processus jusqu ce que toutes les ranges soient satures.
a- : diffrence entre le cot mini et celui immdiatement suprieur sur une ligne
Algorithme
aG : diffrence entre le cot mini et celui immdiatement suprieur sur une

1. Calculer les diffrences a- et aG pour chaque ligne et colonnes
colonne :
2. Slectionner la ligne ou la colonne ayant le a- ou aG maximum

3. Choisir dans cette ligne ou colonne le cot le plus faible
4. Attribuer la relation (i,j) correspondante le maximum possible de matire

transportable de faon saturer soit la destination soit la disponibilit
5. calculer la quantit rsiduelle soit demande soit en disponibilit.
6. Eliminer la ligne ou la colonne ayant sa disponibilit ou demande satisfaite
7. SI nombre de lignes ou colonnes> 2 retour en 2. SINON affecter les
quantits restantes aux liaisons.
FIN
Exemple : Schma de dpart :

Tableaux des cots de chaque trajet :
Page 111
D1 D2 D3 D4 ai
A1 11
12
10
10
60
A2 17
16
15
18
30
A3 19
21
20
22
90
Bj
75
30
25
180
50
c 6
A1 vers D2 coute 12 units (par exemple 8 mille francs).

aj correspond aux capacit de production
bj correspond aux besoins
On calcule les deltaL et deltaC donc les regrets.
Les deltas :
c= diffrence entre les deux valeurs minimums
cD1=17-11
cD2=16-12
cD3=15-10
cD4=18-10
La meilleure solution coute 10 mais si je prends la seconde meilleure solution,
cela ne me coutera que 11.
i= 11-10 sur la ligne 1
donc le second choix me fait perdre 1
Le choix se fait en prenant le plus gros de tous les deltas, Ligne et colonne.
Dans cet exemple, cest D4 avec un delta de 8.
Maintenant on sature D4. D4 a besoin de 25 units. On choisi la ligne avec le

deltaL le plus haut. Ici ils sont tous gaux a 1 on prend au hasard, par exemple,
je mets 25 units sur A1 D4, on a satur D4 A1 qui produit 60 ne compte plus
que pour 60-25=35 et on recalcule les deltas.
Ce qui nous donne ce nouveau tableau :
Page 112
D1 D2 D3 D4 ai
A1 11
12
10
10
60
A2 17
16
15
18
30
A3 19
21
20
22
90
Bj
75
30
25
180
50
c 6
D1 D2 D3 D4 Ai
A1
25
A2
A3
On recommence, on prend le plus grand delta (Ligne et colonne). Cest en D1 qui

est gale 6.
On sature D1 avec le plus petit cot qui est A1D1. A dispose encore de 35. On
met 35 dans A1D1,
On recalcule les deltas
D1 D2 D3 D4 ai
A1
A2 17
16
15
30
A3 19
21
20
90
Bj
75
30
180
15
c 2
D1 D2 D3 D4 Ai
A1 35
25
A2
A3
Page 113
On recommence, on prend le plus grand delta (Ligne, colonne). Cest en D2 qui
est gale 5. On sature A2D2 qui est moins cher. A2 produit 30. On met 30 dans
A2D2.
D1 D2 D3 D4 ai
A1
A2
A3 19
21
20
90
Bj
15
45
30
180
c 19
21
20
D1 D2 D3 D4 Ai
A1 35
A2
25
30
A3
Avec A3, il ne reste plus qua satur le moins cher, cela revient mettre les
restes.
D1 a encore besoin de 15, on lui donne
D2 a besoin de 45, on lui donne
D3 a besoin de 30, on lui donne
et voil on a gagn
Solution final
D1 D2 D3 D4 ai
A1 35
25
A2
30
A3 15
45
30
Cot de la solution= 2945
Page 114
2.2.
Mthode du coin Nord-Ouest
La mthode du coin Nord-Ouest, ou MCNO (North-west Corner Method,

NWCM), est utilise pour trouver une solution un programme de transport
sans prise en compte du cot.
Il existe des algorithmes permettant de trouver une solution optimale en termes
de cots, comme l'algorithme de Balas-Hammer.
Principe
Cette mthode s'applique sur une matrice de cots de transports entre sources et
destinataires.
Elle consiste remplir une matrice de transports en parcourant linairement la
matrice des cots.
Exemple
Initialement
Sources/Destinataires 1
3 4
10 6
3 5
25 49
6 12 5
Demandes
15 20 5 25 14
Stocks
30
Transports
Sources/Destinataires 1 2 3 4 5
1
2
Etape 1
3 4
10 6
3 5
25 49
6 12 5
Demandes
15 20 5 25 14
Stocks
30
Page 115
Transports
1
15
2 3 4 5
Etape 2
3 4
Stocks
10 6
3 5
25 49-15= 34
6 12 5
Demandes
20 5 25 14
30
Transports
15 20
3 4 5
Etape 3
2 3 4
10 6 3 5
2 6 12 5
Demandes
0 5 25 14
Stocks
25 34-20= 14
30
Transports
3 4 5
15 20 5
Page 116
Etape 4
2 3 4
10 6 3 5
2 6 12 5
Demandes
0 0 25 14
Stocks
25 14-5= 9
30
Transports
3 4
15 20 5 9
0 16
Etape 5
2 3 4
10 6 3 5
2 6 12 5
Demandes
0 0 0
Stocks
25 0
30-16= 14
14
Transports
3 4
15 20 5 9
0 16 14
Cot de la solution
La solution trouve avec cette mthode n'est pas optimale en termes de cot.
On trouve ici :
15*10 + 20*6 + 5*3 + 9*5 + 0*25 + 0*5 + 0*2 + 0*6 + 16*12 + 14*5 = 592.
Page 117
3. Problme daffectation
Le
problme
d'affectation
est
un
problme
classique
de
recherche
oprationnelle. L'objectif est de dterminer un couplage maximum dans un graphe

biparti valu. Le problme d'affectation peut tre rsolu en temps polynomial par
l'algorithme hongrois.
Algorithme hongrois
L'algorithme hongrois ou mthode hongroise (parfois appel aussi algorithme
de Kuhn) est un algorithme d'optimisation combinatoire, qui rsout le problme
d'affectation en temps polynomial. Il a t propos en 1955 par le mathmaticien
amricain Harold Kuhn, qui l'a baptis mthode hongroise parce qu'il
s'appuyait sur des travaux antrieurs de deux mathmaticiens hongrois : Dnes
Knig et Jen Egervry .
Description de l'algorithme
Soit n projets et n quipes, et une matrice nn contenant le temps ncessaire
chaque quipe pour raliser chaque tche. On souhaite affecter chaque tche
une quipe afin de minimiser le temps total de ralisation.
La matrice est de la forme suivante :
tape 0
Pour chaque ligne de la matrice, on retire l'ensemble de la ligne la valeur
minimale de celle-ci. On obtient alors un problme quivalent au problme initial.
La matrice a au moins un zro par ligne. On rpte la mme opration sur les
colonnes. On obtient alors un problme quivalent avec une matrice ayant un
zro par ligne et par colonne.
Page 118
0
a2' a3' a4'
b1' b2' b3'
c1'
c2'
c3'
d1'
d4'
tape 1
Slectionnez le maximum de zros possible de faon ce qu'il n'y ait qu'un zro
slectionn par ligne et par colonne. Si l'on a slectionn n zros alors on a trouv
laffectation optimale, on arrte l'algorithme.
a2' a3' a4'
b1' b2' b3'
c1'
c2'
c3'
d1'
d4'
tape 2
Marquez chaque ligne n'ayant pas de zro slectionn. Marquez chaque colonne
ayant un zro sur une ligne marque. Marquez chaque ligne ayant un zro
marqu dans une colonne marque. Rptez cette opration jusqu' un tat
stable.
a2' a3' a4'
b1' b2' b3'
c1'
c2'
c3'
d1'
d4'
Slectionnez alors la sous-matrice forme par les lignes marques et par les
colonnes non marques.
0 a2' a3' a4'

b1' b2' b3' 0
c1' c2' c3' 0
d1' 0
0 d4'
Page 119
Cette tape permet de slectionner la plus grande sous-matrice n'ayant aucun
zro.
tape 3
Trouvez la valeur minimum de la sous-matrice trouve l'tape 2. Il faut alors
soustraire cette valeur toutes les lignes marques, et l'ajouter toutes les
colonnes marques.
Retournez l'tape 1.
Exercice :
Affecter 4 personnes 4 tches comment faire ? Soit 4 personnes A, B, C, D et 4
tches a, b, c, d.
La mthode hongroise : Autre formulation

Le tableau reprsentant les coefficients de prfrence des diffrentes personnes se
prsente comme suit :
A B C D E
a 9 6
b 2 1
4 3
d 9 1
1 7
La personne a veut vraiment aller sur le poste A ventuellement C voir B mais ne

veut pas aller en E ou D, etc...
La mthode hongroise est un algorithme de minimisation donc la premire tape
est de transformer la formulation du problme en introduisant _ la notion de
regret.
Le
regret
est
gal
au
max
moins
chaque
note
sur
tout
le
tableau.
Exemple de la ligne 1
Le max gale 9
Les valeurs dorigine : 9 6 7 3 4
On fait 9- a chaque valeur, ce qui nous donne :
Page 120
A
a 9-9 9-6 9-7 9-3 9-4

b 9-2 9-1 9-9 9-1 9-8
c
9-4 9-3 9-2 9-2 9-7
d 9-9 9-1 9-8 9-8 9-3

e
9-1 9-7 9-8 9-9 9-5
Ce qui nous donne le tableau final :

A B C D E
a 0 3
b 7 8
5 6
d 0 8
8 2
Ensuite pour les colonnes, il faut avoir un 0 dans chaque colonne :

Colonne B, on enlve 2 (le min sur cette colonne)
Colonne E, on enlve 1 (le min sur cette colonne)
A B C D E
a
0 3
7 8
5 6
0 8
8 2
vi 0 2
A
0
7
5
0
8
C
2
0
7
1
1
D
6
8
7
1
0
E
4
0
1
5
3
a
b
c
d
e
B
1
6
4
6
0
Page 121
Vi correspond au minimum de chaque colonne.
Idem pour les lignes :
A B C D E Vi
a 0 1
b 7 6
5 4
d 0 6
8 0
A B C D E
a 0 1
b 7 6
4 3
d 0 6
8 0
Vi correspond au minimum de chaque colonne.

Au final on doit avoir un 0 pour chaque ligne et chaque colonne
Algorithme daffectation des zros.
Considrer les lignes ayant le nombre minimum de zro (lignes a, c, d, dans notre
exemple comportent un zro)
1. Choisir la ligne ayant un nombre minimum de zros, affecter le zro la
liaison correspondante. Le zro est dit encadr.
Ex : Ligne, a, et affectons le zro correspondant la liaison aA, zro (aA)
encadr.
2. Du fait ce choix, il nest plus possible dutiliser le(s) zro(s), sil en existe, de
la colonne ou de la ligne correspondant ce zro encadr nous dirons que
ce(s) zro(s) est (sont barr(s). ex : zro (dA).
3. Retour en 1 tant quil existe des zros non encadrs ou non barrs.
Pour des raisons daffichage :
les valeurs encadres sont remplaces par du gras
Ligne a : aA, zro (aA) encadr
Les 0 de la ligne a et de la colonne A sont barrs
Page 122
A
B C D E
B 7
C 4
E 8
Ligne c : cE, zro (cE) encadr Les 0 de la ligne c et de la colonne E sont barrs
A
B C D E
B 7
0B
C 4
E 8
Ligne b : bC, zro (bC) encadr

les 0 de la ligne b et de la colonne C sont barrs.
A
B C D E
a 0
b 7
0 8
d
e
Ligne e : eB, zro (eB) encadr

Les 0 de la ligne e et de la colonne B sont barrs.
A
a 0
b 7
B C D
1 2 6
6 0 8
E
4
c 4
d
3
6
0
5
0 1
6
1
6
1
Page 123
Exercice
Une fabrique M a 4 machines et 4 tches complter. Chaque machine doit lui
voir assigner une tche. Le temps de mise en uvre est donn par la table
suivante :
T1 T2 T3 T4
Machine 1 14 5
Machine 2 2
12 6
Machine 3 7
Machine 4 2
10
La fabrique veut minimiser le temps total de mise en uvre.

Formuler et rsoudre.
Page 124

Recherche Operationnelle

Transféré par

Informations du document

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

REPUBLIQUE DU BENIN

Ministre de lEnseignement Suprieur et de la

Universit dAbomey Calavi

Ecole Polytechnique dAbomey Calavi

Professeur : Jol Mtogb ZINSALO/EPAC-UAC

La recherche oprationnelle (aussi appele aide la dcision) peut tre dfinie

Professeur : Jol Mtogb ZINSALO/EPAC-UAC

production), de disposer au mieux les machines dans un atelier, de diminuer le

Professeur : Jol Mtogb ZINSALO/EPAC-UAC

oprationnelle dans les programmes des ingnieurs, des mathmaticiens, des

Une prise en compte limite des facteurs

Professeur : Jol Mtogb ZINSALO/EPAC-UAC

Pour des vnements peu frquents

Le dcideur devra prendre ces diffrents aspects en compte lorsqu'il dcidera ou

5. Relations avec d'autres disciplines

efficacement les termes d'un problme.

6. Principales (classes de) mthodes

programmation dynamique peuvent alors ventuellement permettre de

Optimisation linaire et non linaire

Professeur : Jol Mtogb ZINSALO/EPAC-UAC

efficaces que ceux de l'optimisation linaire.

Mthodes de complmentarit linaire et non linaire

Professeur : Jol Mtogb ZINSALO/EPAC-UAC

partir de la fin de la Seconde Guerre mondiale, de nouvelles mthodes

mathmatique vise dterminer lallocation optimale (cest--dire la meilleure

2. Formulation dun programme linaire

pour P1: de 3 heures dans l'atelier A1 et de 6 heures dans l'atelier A2

3 x1 + 4 x2 160 contrainte due l'atelier A1

fonction conomique ou objectif

z = 1200 x1 + 1000 x2 maximiser

Les conditions de formulation dun Programme Linaire

est dcrit par une

fonction linaire de ces variables, cest dire, que la fonction ne peut

Exemple 2 : Problme de mdecine

Petite taille : elle contient 2 grains daspirine, 5 grains de bicarbonate et 1

Grande taille : elle contient 1 grain daspirine, 8 grains de bicarbonate et 6

Pour gurir la maladie, le sujet a besoin de 12 grains daspirine, 74 grains de

x1 : le nombre de pilules de petite taille prescrire.

x2 : le nombre de pilules de grande taille prescrire.

On vrifie bien que les variables de dcision x1 et x2 sont positives : x1 0, x2 0 .

La prescription doit contenir des pilules avec au moins 12 grains daspirine.

De la mme faon que pour laspirine, la prescription du spcialiste en

Finalement la contrainte impose par le fait que la prescription doit contenir

Etape 3 : Identification de la fonction objectif. On remarque quil y a plusieurs

Professeur : Jol Mtogb ZINSALO/EPAC-UAC

Il s'agit donc de chercher l'intrieur de ce domaine, le couple (x1, x2)

On remarquera que la solution optimale se trouve ncessairement sur le pourtour

Professeur : Jol Mtogb ZINSALO/EPAC-UAC

Professeur : Jol Mtogb ZINSALO/EPAC-UAC

Professeur : Jol Mtogb ZINSALO/EPAC-UAC

Professeur : Jol Mtogb ZINSALO/EPAC-UAC

b) Dterminer le maximum de (x - y) sous les contraintes suivantes :

c) Dterminer le minimum de (x + 2y) sous les contraintes suivantes :

d) Dterminer le minimum de (2x + 3y) sous les contraintes suivantes :

Professeur : Jol Mtogb ZINSALO/EPAC-UAC

Professeur : Jol Mtogb ZINSALO/EPAC-UAC

D2: "y = 0"

D3: "2x + 5y = 10 "

D4: "3x + 4y = 12 "

On prend un point test (par exemple le point A de coordonnes : A( 1; 1).

Professeur : Jol Mtogb ZINSALO/EPAC-UAC

Professeur : Jol Mtogb ZINSALO/EPAC-UAC

Professeur : Jol Mtogb ZINSALO/EPAC-UAC

La solution de ce systme est: "x =

Le nombre de croissants est alors : 108 + 112 = 92 < 96.