Académique Documents
Professionnel Documents
Culture Documents
MATHEMATIQUE
PRINCIPES
ET
APPLICATIONS
Youssef
BENADADA
ENSIAS,
Universit
Mohammed
V
Souissi
Rabat
Edition
Kawtar
Print
-
Rabat
2012
ii
Avant
Propos
Aprs
le
succs
remarquable
qua
eu
la
Recherche
Oprationnelle
dans
le
domaine
militaire
lors
de
la
deuxime
guerre
mondiale,
ctait
au
tour
des
milieux
industriels
de
sintresser
cette
nouvelle
science.
Depuis,
la
recherche
oprationnelle
est
de
plus
en
plus
prsente
dans
le
quotidien
des
gestionnaires
:
planification
de
la
production,
affectation
du
personnel,
gestion
des
stocks,
problmes
de
transport
(routier,
ferroviaire,
arien),
laboration
dhoraires
Tous
ces
problmes
font
appel
explicitement
ou
implicitement
des
techniques
de
recherche
oprationnelle.
Cet
intrt
cette
science,
qui
a
t
frein
au
dbut
par
la
complexit
des
calculs
et
la
lenteur
des
ordinateurs
de
la
premire
gnration,
a
eu
un
essor
considrable
au
cours
des
dernires
dcennies
avec
la
puissance
remarquable
des
ordinateurs.
Mieux
encore,
les
dcideurs
et
les
gestionnaires
disposent
dsormais
de
plusieurs
logiciels
de
recherche
oprationnelle
et
daide
la
prise
de
dcision,
disponibles
sur
des
ordinateurs
personnels
de
plus
en
plus
rapides.
Cependant,
ces
logiciels
ne
peuvent
profiter
vraiment
qu
ceux
qui
en
comprennent
les
fondements
et
les
hypothses
avec
lesquels
ils
ont
t
conus.
En
effet,
pour
tre
en
mesure
dutiliser
efficacement
un
logiciel
de
recherche
oprationnelle,
il
faut
bien
respecter
les
conditions
dutilisation
et
rester
dans
les
limites
permises
pour
que
linterprtation
des
rsultats
reste
valide.
Les
utilisateurs
de
ces
logiciels
doivent
en
plus
sassurer
que
les
modles
mathmatiques
proposs
refltent
bien
la
ralit
des
problmes
rsoudre.
Lune
des
disciplines
les
plus
exploites
de
la
recherche
oprationnelle
est
celle
de
la
programmation
mathmatique
qui
a
comme
objet
ltude
thorique
des
problmes
doptimisation
ainsi
que
la
conception
et
lutilisation
dalgorithme
de
rsolution.
La
programmation
mathmatique
regroupe
plusieurs
classes
de
problmes
dont
:
- Programmation
linaire,
(G.B.
Dantzig
1949,
[1]),
pour
ltude
des
problmes
doptimisation
de
fonctions
linaires
sous
contraintes
linaires.
- Programmation
non
linaire,
(H.W.
Kuhn
et
A.W.
Tucker
1951,
[2]),
pour
ltude
des
problmes
doptimisation
non
linaires
avec
ou
sans
contraintes.
- Programmation
en
nombres
entiers,
(R.E.
Gomory,
1958
[3]),
pour
ltude
des
problmes
doptimisation
o
les
variables
sont
astreindre
ne
prendre
que
des
valeurs
entires
- Programmation
dynamique,
(R.
Bellman,
1957,
[4]),
qui
est
une
approche
gnrale
doptimisation
de
problmes
dynamiques
Ce
manuel
regroupe
les
principales
parties
de
ces
classes
de
problmes
enseignes
dans
les
grandes
coles
dingnieurs
et
les
facults
des
sciences
et
techniques
au
Maroc.
La
matire
de
cet
ouvrage
provient
en
grande
partie
des
diffrents
cours
dispenss
par
les
auteurs,
pendant
une
vingtaine
dannes,
dans
certains
tablissements
universitaires
marocains
et
particulirement
lEcole
Nationale
Suprieure
dInformatique
et
dAnalyse
des
Systmes
(ENSIAS)
de
Rabat,
la
facult
des
sciences
de
Ttouan
ou
la
facult
des
sciences
et
techniques
de
Fs.
Certains
exemples
ou
exercices
de
ce
livre
sont
des
exemples
classiques
et
peuvent
se
trouver
dans
dautres
ouvrages,
mais
la
plupart
sont
des
exemples
ou
exercices
originaux.
iii
Lobjectif de ce manuel Programmation Mathmatique, Principes et Applications est donc de dvelopper chez ltudiant, certaines habilets de formulation de modles mathmatiques, d'application de quelques techniques de recherche oprationnelle, dutilisation de certains logiciels daide la dcision et dinterprtation des rsultats obtenus. Ce manuel peut servir de support de cours la fois aux lves-ingnieurs des grandes coles, aux tudiants des licences sciences et techniques, des licences professionnelles, mais aussi tudiants des coles privs spcialiss en gestion (Cycle normal ou MBA). Il peut aussi servir dun guide aux enseignants de la recherche oprationnelle. Les notions de mathmatiques requises pour la comprhension des notions prsentes dans ce document est tout simplement celles dalgbre linaire du niveau baccalaurat. Une grande partie de ce manuel est ddie la modlisation mathmatique et la rsolution de modles linaires soit graphiquement soit par la mthode primale ou duale du Simplexe. Vue limportance de lanalyse de sensibilit un chapitre lui a t consacr. Une grande attention a t donne la rsolution des problmes doptimisation en nombres entiers. Comme applications, on a choisit deux problmes classiques : les problmes de transport et les problmes daffectation. Enfin, le dernier chapitre a t rserv linitiation la programmation non linaire. Les critiques et les propositions des utilisateurs de cet ouvrage seront les bienvenues et serviront, certainement, lamliorer pour les prochaines ditions. Nous tenons remercier tous les collgues et particulirement ceux avec qui jai eu des discussions fructueuses propos de cet ouvrage et qui nous ont fortement encourag le raliser. Quils trouvent tous dans ce travail nos sentiments de respect et de considrations. Les auteurs
CHAPITRE 1
reflte bien ltroite relation existante entre lactivit danalyse mathmatique dun problme et son interprtation conomique. Llaboration des concepts fondamentaux et la tendance lunification ont t constamment au centre des proccupations, et cest ainsi que lhistoire de cette discipline se trouve jalonne par un certain nombre de travaux de synthse remarquables, qui ont souvent t lorigine de courants de recherche nouveaux et fconds. Mais, avant de rsoudre un problme du monde de la gestion, il faut bien commencer par sa traduction par des relations mathmatiques. Or, selon les situations, cette traduction reflte plus ou moins la ralit. Souvent nous sommes obligs daccepter des compromis. Les relations mathmatiques que nous proposons ne constituent en gnral que des modles des problmes considrs. Mais les rsultats de ces modles permettent souvent aux gestionnaires de prendre des dcisions souvent efficaces pour mener bien leurs projets. Nous parlons alors de modlisation mathmatique pour caractriser cette traduction dinformations. Cest un processus qui relve la fois de lart, de lexprience, de la culture gnrale et des connaissances mathmatiques. Dans ce chapitre, avant de prsenter plusieurs exemples pdagogiques ainsi que leurs modles mathmatiques, nous allons prsenter quelques notions gnrales de programmation mathmatique. Certains de ces exemples sont des problmes classiques que lon retrouve dans la littrature scientifique. Cest le cas du problme de transport, du problme daffectation ou le problme du voyageur du commerce. 1.2 Prliminaires Les problmes de la programmation mathmatique se posent lorsquon cherche maximiser (ou minimiser) une fonction plusieurs variables, appeles fonction objectif. Ces variables sont soumises des inquations, appeles contraintes. Notons par X un sous ensemble de . Dans toute la suite
signifie que le minimum de f est atteint, c'est--dire : et il existe tel que , nous adoptons la
Dans ce cas, on dit que f na pas de minimum de valeur finie sur X ou que le problme est non- born infrieurement.
De mme,
signifie que le maximum de f est atteint c'est--dire : et il existe tel que , nous adoptons la
Dans ce cas, on dit que f na pas de maximum de valeur finie sur X ou que le problme est non- born suprieurement. 1.3 Programme Mathmatique 1.3.1 Dfinitions Soient (i=1,2,m) et un sous-ensemble de . Dfinition 1.1 Un programme mathmatique est un problme doptimisation de la forme :
ou
La fonction f est appele la fonction objectif ou fonction conomique. Lensemble C et les conditions sont appeles les contraintes de (P).
Remarques 1.1 1) Dans toute la suite nous ne considrons que le problme de type (P) ; en effet, , donc est quivalent
2) Dans
le
problme
(P),
il
ny
a
pas
de
contraintes
dgalits,
car
une
contrainte
de
type
h(x)
=
0
peut
tre
remplace
par
les
deux
contraintes
suivantes
:
h(x)
0
et
-h(x)
0.
Dfinitions
1.2
On appelle solution ralisable ou bonne solution ou solution efficace du problme (P), tout vecteur vrifiant toutes les contraintes de (P) :
Dfinitions 1.3 On appelle domaine ralisable de (P), lensemble de toutes les solutions ralisables de (P). Dfinitions 1.4 On appelle solution optimale ou optimum global de (P), une solution ralisable qui minimise f(x) sur lensemble de toutes les solutions. Dfinitions 1.5 On dit que est un minimum local de (P) sil existe un voisinage de tel que soit optimum global du problme (P1) suivant :
Exemple
1.1
minimum global minimum local minimum local
Figure 1.1. Les programmes mathmatiques peuvent tre classs selon lespace de recherche ou la nature de la fonction objectif et les contraintes. 1.3.2 Classification selon lespace de recherche 1) Si , alors nous noterons le problme
2) Si
3) Si
et
On dit quon a un problme sans contraintes. 1.3.3 Classification selon la nature de la fonction objectif et les contraintes Considrons le problme suivant :
Dans le cas o et o f et les fi, i = 1, , m, sont toutes des applications linaires, on dit quil sagit dun programme mathmatique linaire et on le note par (PL). Limportance de la classe des modles linaires est due, dune part, la multitude dalgorithmes efficaces de rsolution qui existent, et dautre part, au fait que les modles linaires se prsentent dans la modlisation de plusieurs situations de gestion. En gnral, un problme de programmation linaire scrit sous la forme suivante :
o, .
et o
signifie que
10
Ainsi, un modle linaire doit vrifier les conditions suivantes : 1. Le modle doit avoir une fonction objectif minimiser ou maximiser 2. La fonction objectif ainsi que les membres gauches de chacune des contraintes doivent tre des fonctions linaires. 3. Toutes les variables doivent tre non-ngatives 4. Toutes les contraintes scrivent avec des galits ou avec des ingalits larges. Nous parlons aussi de modles linaires continus. Les modles linaires dont les variables de dcision sont astreintes aux seules valeurs entires sont appels modles linaires en nombres entiers. (Voir Chapitre 4). Si f et/ou certaines des fi ne sont pas linaires, alors nous parlerons de programme mathmatique non linaire. Selon la nature de la fonction objectif f et/ou celle des contraintes fi, plusieurs classes de problmes de programmation mathmatique existent dans la littrature. Nous citons titre dexemples : 1) Si la fonction objectif f et les contraintes fi, i = 1, , m, sont des fonctions convexes, on dit quil sagit dun programme mathmatique convexe.
11
et les fi sont
aussi des fonctions quadratiques, on dit dans cas quil sagit dun programme mathmatique quadratique. 3) Si la fonction objectif f peut scrire comme diffrence de fonctions convexes (fonctions DC) et les fi, i = 1, , m, sont DC et lespace de recherche C est convexe, on dit quil sagit dun programme mathmatique DC. Plusieurs autres types de programme mathmatique non linaire, existent dans la littrature. Dans cet ouvrage, nous nous limitons ltude des programmes linaires et les programmes non linaires quadratiques. 1.4 Modlisation Mathmatique Avant de rsoudre un problme du monde de la gestion, il faut bien commencer par sa traduction par des relations mathmatiques. La recherche du modle mathmatique dun problme revient identifier certaines composantes relatives ce problme : 1. Lensemble des actions (activits ou variables) qui soffrent lagent de dcision, 2. Les contraintes dfinissant la nature du systme ltude, 3. Lobjectif vis exprim sous forme dune fonction mathmatique (fonction objectif ou fonction conomique) Dans ce paragraphe nous allons prsenter la modlisation mathmatique de plusieurs exemples dont certains problmes classiques se trouvent dans la littrature. Pour les premiers exemples, nous allons dtailler les diffrentes tapes de la modlisation alors que pour les derniers, nous allons seulement donner les modles mathmatiques associs. 1.4.1 Problme du fleuriste Un fleuriste dispose de 45 roses, 36 tulipes et 27 marguerites achetes M MAD. Il veut offrir ses clients deux types de bouquets de fleures : - Type 1 : bouquet 80 MAD compos de 10 roses, 4 tulipes et 2 marguerites. - Type 2 : bouquet 60 MAD compos de 6 roses, 6 tulipes et 6 marguerites. Le souci du fleuriste est de dterminer le nombre de bouquets de chaque type afin de maximiser son revenu total. Modlisation Quelles sont les informations dont doit disposer le fleuriste pour rsoudre son problme ? Il lui suffit de connatre le nombre de bouquets prparer de chaque type. (i) Variables Notons par : x1 = nombre bouquets prparer de type 1. x2 = nombre bouquets prparer de type 2.
Les variables x1 et x2 sont dites variables de dcision. (ii) Fonction objectif Quel revenu retirera le fleuriste de la vente de tous les bouquets prpars ?
12
Il s'agit d'additionner les revenus tirer de chacun des 2 types de bouquets : Un bouquet de fleures de type 1 est vendu 80 MAD, donc le revenu tirer de la vente de x1 bouquets de ce type est 80 x1. De mme, un bouquet de type 2 est vendu 60 MAD, donc le revenu tirer de la vente de x2 bouquets de ce type est 60 x2. Donc, le revenu total tirer de la vente de tous les bouquets prpars s'lve : (80 x1 + 60 x2) MAD. z = 80 x1 + 60 x2. Nous dnoterons ce revenu total par z et laisserons implicite l'unit montaire : Nous cherchons videmment rendre le revenu z aussi grand que possible en donnant x1 et x2 des valeurs appropries. Ici, z est une fonction qui, chaque plan de production (tant de bouquets de type 1, tant de bouquets de type 2), associe le nombre de MAD que le fleuriste toucherait comme recette s'il adoptait ce plan. Cette fonction z, qui traduit l'objectif de notre problme, s'appelle fonction objectif. Et, comme nous cherchons rendre z aussi grand que possible, nous crivons : o Maximiser z z = 80 x1 + 60 x2 Max z = 80 x1 + 60 x2.
ce quon convient d'abrger gnralement comme suit : S'il ne s'agissait pour le fleuriste que de maximiser z, il lui suffirait de laisser augmenter x1 ou x2 pour que z prenne une valeur aussi grande qu'il le souhaite. Il y a bien sr des empchements naturels, appels contraintes, qui freinent le rve d'un profit infini. Prenons en considration tour tour chacune des contraintes. (iii) Contraintes Dans cet exemple, nous disposons de deux types de contraintes, les Contraintes de non- ngativit et d'intgrit et les contraintes de disponibilit : Contraintes de disponibilit : Il faut que le nombre de fleures utiliss de chaque catgorie ne dpasse pas leur disponibilit : - Rose : le fleuriste dispose de 45 roses : 10 x1 + 6 x2 45 4 x1 + 6 x2 36 2x1 + 6 x2 27 - Tulipes : le fleuriste dispose de 36 tulipes : - Marguerites: le fleuriste dispose de 27 marguerites : Contraintes de non-ngativit et d'intgrit : Elles assurent que le nombre de bouquets composer de chaque type soit un entier positif ou nul :
13
x1, x2 0 et entiers.
Le modle obtenu est un problme linaire en nombres entiers. Des mthodes ont t mises au point pour rsoudre ce genre de modle, c'est--dire trouver des valeurs des variables de dcision qui, tout en respectant chacune des contraintes, optimisent la fonction objectif et constituent donc une solution optimale. Parmi ces mthodes, nous allons tudier, au chapitre 3, la mthode de rsolution graphique et la mthode du Simplexe. Solution optimale : x1 = 2,25 et x2 = 3,75 ; z =405. Cette solution recommande de prparer 2,25 bouquets du type 1 et 3,75 bouquets du type 2. Ce plan de production assurerait au fleuriste un revenu de 405 MAD. Si on savait que le nombre de bouquets prparer de chaque type doit tre entier, alors on conclura que cette solution nest pas ralisable. Cest un problme de programmation en nombres entiers dont on verra au chapitre 4 des mthodes de rsolution. 1.4.2 Problme des bibliothques Un artiste est spcialis dans le design du meuble de luxe, en particulier la production en courtes sries de deux modles de bibliothque muraille. Il s'est engag livrer, d'ici 5 semaines, 9 bibliothques du modle A et 6 bibliothques du modle B. Il estime 10 units le march potentiel pour chaque type de bibliothque. Lartiste se propose de consacrer la fabrication de ces bibliothques toutes les heures de main- duvre dont il disposera dans son atelier pendant les cinq prochaines semaines. Chaque bibliothque doit passer par trois oprations prparation, assemblage et finition. Le tableau suivant prsente les donnes affrentes ce problme de production : la bibliothque du modle A y est appele A et la bibliothque du modle B y est appele B. Dure de fabrication dune bibliothque (en heure) Nombre dheures Opration A B Disponibles Prparation Assemblage Profit par bibliothque 10 6 1450 MAD 8 4 1800 MAD 300 150
L'objectif que poursuit notre artiste est de maximiser le profit qu'il pourra tirer, au cours des cinq prochaines semaines, de ces 2 modles de bibliothque en utilisant au mieux les ressources de son atelier.
14
1.4.3 Problme de Transport Un industriel dsire transporter, moindre cot, un certain bien depuis m entrepts vers n magasins. La disponibilit de lentrept i (1im) est ai et la demande du magasin j (1jn) est bj. Nous supposons que ai>0 et bj>0. Le cot unitaire de transport de lentrept i vers le magasin j est Cij. En gnral, le problme de transport est rsum par un tableau de la forme : E1 E2 : Ei : Em M1 M2 Mj Mn Cij Disponibilit a1 a2 : ai : am
Demande
b1 b2 bj bn
Le
problme
de
lindustriel
est
de
dterminer
la
quantit
envoyer
de
chaque
entrept
vers
chacun
des
magasins
de
telle
manire
que
le
cot
total
de
transport
soit
le
plus
faible
possible.
1.4.4
Le
problme
dAffectation
Le
responsable
dune
unit
de
production
dsire
affecter
n
personnes
n
tches.
Chaque
personne
doit
effectuer
une
et
une
seule
tche.
Soit
Cij
le
cot
de
formation
de
la
personne
i
la
tche
j.
Le
problme
daffectation
consiste
trouver
la
meilleure
affectation,
cest--dire
affecter
les
personnes
aux
tches
de
sorte
que
la
somme
des
cots
de
formation
soit
minimum.
Le
problme
daffectation
est
rsum
par
un
tableau
de
la
forme
:
P1
P2
:
Pi
:
Pn
T1
T2
Tj
Tn
Cij
Remarque 1.4 : Ce problme, dit Problme Standard dAffectation, peut tre vu comme un cas particulier du problme de transport avec n entrepts et n magasins, o ai = bj = 1 et o Cij reprsente le cot de transport de lentrept i vers le magasin j. 1.4.5 Problme de localisation Dans son prochain programme dinvestissement, la socit Cellulose du Maroc dsire construire 1 ou 2 usines et peut-tre un entrept, sachant que ce dernier ne peut se trouver que l o il y a une usine. La compagnie dispose dun budget dinvestissement de 15 millions de MAD et a le choix entre 3 villes pour installer ses usines et, ventuellement, son entrept. La compagnie dispose aussi des estimations du prix de construction et de la valeur nette actualise (VNA) de chaque
15
usine et de chaque entrept comme cest indiqu au tableau ci-dessous. Pour des raisons socio- conomiques, la compagnie ne peut pas installer plus dune usine dans la mme ville. Dcision Usine Fs Usine Tanger Usine Ttouan Entrept Fs Entrept Tanger Entrept Ttouan Prix de Construction (en MMAD) 6 3 5 1 2 3 VNA (en MMAD) 9 5 6 3 4 5
Le problme du responsable est de satisfaire les exigences de la compagnie, tout en maximisant la valeur nette actualise. 1.4.6 Problme dimplantation des dpts Considrons le problme dimplantation dun nombre de dpts dans un ensemble de sites potentiels afin de servir certains clients. Notons par : - J : ensemble de sites potentiels douverture de dpts - I : ensemble de clients - fj : cot fixe douverture du dpt j, - gij : le gain correspondant lapprovisionnement du client i par le dpt j (sil est ouvert). - di : la demande du client i satisfaire - qj : la capacit maximale du dpt j Le problme consiste dterminer : - Quels dpts ouvrir ? - Comment affecter les clients aux dpts ? 1.4.7 Planification de la production dans une entreprise Une entreprise fabrique deux produits A et B partir de trois matires M1, M2 et M3. Elle dispose dun stock de 300 tonnes de M1, 400 tonnes de M2 et 250 tonnes de M3. Pour fabriquer une tonne de A, il faut une tonne de M1 et deux tonnes de M2. Pour fabriquer une tonne de B, il faut une tonne de M1, une tonne de M2 et une tonne de M3. La vente dune tonne de A rapporte un profit de 50 MAD, celle de B, un profit de 100 MAD. Quelles quantits des produits A, B lentreprise doit-elle fabriquer pour maximiser son profit ? Les donnes peuvent tre prsentes par le tableau suivant : A B Stock en tonnes 1.4.8 Problme dlevage de volailles Un leveur de volailles dispose de sept types de grains pour nourrir ses volailles. Chaque type de grains comporte diffrentes quantits de cinq lments nutritifs tels que spcifies dans le M1 1 1 300 M2 2 1 400 M3 0 1 250 Profit en MAD 50 100
16
tableau.
L'leveur
spcifie
galement
la
quantit
mensuelle
minimale
de
chaque
lment
nutritif
requise
pour
nourrir
ses
volailles.
Le
cot
au
kilo
de
chacun
des
grains
est
spcifi.
Le
problme
de
l'leveur
est
de
dterminer
la
quantit
de
chaque
type
de
grains
pour
satisfaire
les
quantits
minimales
requises
d'lments
nutritifs
tout
en
minimisant
le
cot
total.
G1
Elment
nutritif
A
1
Elment
nutritif
B
2
Elment
nutritif
C
1
Elment
nutritif
D
3
Elment
nutritif
E
5
Un
Kilo
de
G2
G3
3
2
2
3
3
2
4
2
1
4
G4
4
2
5
3
2
G5
3
1
3
2
1
G6
7
0
2
2
5
G7
4
2
0
3
2
Quantit
Mensuelle
Minimale
Considrons le problme du chargement dun sous-ensemble parmi n objets. Chaque objet i a une valeur vi et un poids pi. Le chargement devra tre fait de manire maximiser la valeur totale des objets slectionns sans dpasser la capacit maximale W. 1.4.10 Problme du voyageur du commerce (TSP) Le problme du voyageur de commerce (Travel Salsmen Problem, TSP) consiste en la dtermination de litinraire de cot minimal (temps, distance,) dun voyageur partant dun point, visitant (n-1) autres points (villes, entrepts, usines, supermarchs, ) et revenant au mme point de dpart. Ce problme classique est une gnralisation du problme, plus simple, qui consiste trouver le plus court chemin entre deux points donns. 1.4.11 Problme de Tourne de Vhicule (VRP) La forme standard du Problme de Tourne de Vhicule (Vehicul Routing Problem, VRP) consiste livrer, moindre cot, des marchandises stockes dans un endroit, plusieurs clients (entrepts, entreprises, usines, localits, ...etc). Cette distribution va tre ralise par une flotte de K vhicules de capacits diffrentes mais limites, placs dans un entrept,. Chaque tourne commence et termine par cet entrept. Cest une extension du problme du voyageur de commerce. Dans le problme classique, le nombre de vhicules est fixe, et le cot dpend uniquement des kilomtres parcourus par ceux-ci. Lobjectif est de dfinir litinraire de chaque vhicule de manire satisfaire la demande des clients, ne pas dpasser les capacits des vhicules et minimiser la distance totale parcourue par les vhicules. 1.4.12 Rpartition des services aux infirmires dans un hpital Le docteur Zaid est charg dorganiser le planning des infirmires du service de cardiologie de lhpital ELGHASSANI de FES. Une journe de travail dans ce service est divise en douze tranches de 2 heures chacune. Les besoins de personnel varient dune tranche horaire lautre : par exemple, peu dinfirmires sont ncessaires pendant la nuit, par contre leffectif doit tre renforc le matin afin dassurer les diffrents soins apporter aux patients. Le tableau donne les besoins de personnel pour chacune des tranches horaires.
17
Tranches horaires Nombre minimal dinfirmires 06h 08h 35 08h 10h 40 10h 12h 40 12h 14h 35 14h 16h 30 16h 18h 30 18h 20h 35 20h 22h 30 22h 00h 20 00h 02h 15 02h 04h 15 04h 06h 15 Tableau 1.1. : Besoins en personnel par tranches horaires Le problme consiste trouver le nombre minimal dinfirmires ncessaires pour couvrir tous les besoins, sachant quune infirmire travaille huit heures par jour et quelle a droit une pause de deux heures au bout de quatre heures de travail.
18
1.5.
Exercices
Exercice1.1
:
Problme
de
production
Une
socit
de
production
utilise
3
types
de
matire
premire
M1,
M2
et
M3
pour
produire
2
biens
A
et
B.
Le
tableau
suivant
nous
donne
le
nombre
dunits
ne
pas
dpasser
de
chaque
matire
premire,
le
profit
unitaire
de
chaque
bien
construit
ainsi
que
le
nombre
dunits
des
matires
premires
utilises
dans
la
constitution
de
chaque
bien
:
M1
M2
M3
Profit
en
MAD
A
2
2
3
6
B
3
1
2.7
5
Nombre
dunits
ne
pas
dpasser
180000
120000
24000
Donner le modle mathmatique de ce problme doptimisation. Exercice1.2 : Problme de production Une entreprise dispose dune machine pouvant fabriquer deux types de fil de cuivre avec une grande prcision : un fil dont le diamtre de la section est gal 1 mm (fil de type 1) et un fil dont le diamtre de la section est gal 2 mm (fil de type 2). La fabrication dun mtre de fil de type 1 demande 7 minutes, et la fabrication dun mtre de fil de type 2 demande 5 minutes. Cette machine peut fonctionner au maximum 120 heures par semaine. Le bnfice ralis par lentreprise sur la vente dun mtre de fil type 1 et 2 est gal, respectivement, 25 et 35 MAD. Compte tenu de sa clientle, cette entreprise peut vendre, chaque semaine, jusqu 500 mtres de fil de type 1 et jusqu 1 000 mtres de fil de type 2 (si, toutefois, elle est en mesure de les fabriquer). Par ailleurs, elle dispose dj de commandes hebdomadaires de clients quelle doit imprativement satisfaire : 250 m de fil de type 1 et 350 m de fil de type 2. Enfin le volume de matire premire, c'est--dire de cuivre, quelle peut traiter chaque semaine est gal 3 dm3. On cherche dterminer le plan de fabrication hebdomadaire qui maximise le bnfice. Donner le modle mathmatique de ce problme doptimisation. Exercice 1.3 : Problme dittique Il sagit dun rgime alimentaire garantissant un apport suffisant en lments nutritifs. On considre : - n aliments au prix unitaire de cj (j = 1, , n), - m lments nutritifs, - qij = la quantit du ime lment nutritif contenue dans une unit du jme aliment, - di = quantit minimale requise de llment nutritif i (i = 1, , m), Le problme du responsable est de dterminer la quantitrequise pour le rgime de chaque aliment j (j = 1, , n). Donner le programme mathmatique convenable. Exercice 1.4 : Problme du mlange La table ci-dessous donne la composition et le cot de 9 alliages standards de plomb, zinc et tain.
19
1 2 20 50 30 40 50 10 7.3 6.9
3 30 20 50 7.3
4 30 40 30 7.5
5 30 30 40 7.6
6 60 30 10 6.0
7 40 50 10 5.8
8 10 30 60 4.3
9 10 10 80 4.1
Le but est de trouver un mlange des 9 alliages qui permet de fabriquer cot minimal un alliage contenant : - 30 % de plomb ; - 30 % de zinc ; - 40 % dtain. Donner le programme mathmatique convenable. Exercice 1.5 : Problme du sac dos multidimensionnel Considrons le problme du chargement de m sacs dos de sous-ensembles parmi n objets. Chaque objet i un poids pi eta une valeur vijsil est mis dans le sac dos j, (i=1,2,,n et j=1,2,,m). Chaque sac dos j a une capacit vj, (j=1,2,,m). Un objet peut tre slectionn au plus une fois. Le chargement devra tre fait de manire maximiser la valeur totale des objets slectionns sans dpasser la capacit maximale des sacs dos. Donner le programme mathmatique convenable. Etude de cas n1 : Problme de coupe de bobines-mres Les papetiers fabriquent des rouleaux de papier dont la largeur est fixe par les caractristiques des machines qu'ils utilisent. Ils les dsignent sous le nom de bobines-mres. Par contre, leurs clients rclament des rouleaux de diverses largeurs et parfois de diverses longueurs. Comme il est frquent que ni la largeur ni la longueur des bobines-mres ne soient des multiples de celles des rouleaux commands, les papetiers encourent souvent, pour satisfaire les commandes de leur clientle, des pertes de papier qu'ils dsignent sous le nom de chutes. Supposons que toutes les bobines-mres dont dispose un papetier ont une largeur de 215 cm et une longueur de 250 m, et qu'il a accept les commandes donnes au tableau suivant : Largeur (en cm) 64 60 35 Longueur (en cm) 250 250 250 Nombre de rouleaux 360 180 180
Comme la longueur des rouleaux commands est identique celle des bobines-mres, il suffit d'assurer la coupe transversale d'un certain nombre de bobines-mres. Quel est l'objectif poursuivi par le papetier ? S'agit-il pour lui de satisfaire les commandes acceptes ? Si tel tait le cas, il lui suffirait de tailler tout bonnement un seul rouleau par bobine- mre : les commandes des clients seraient videmment satisfaites, mais exigeraient 720 bobines- mres, ce qui constituerait un gaspillage de papier. Il faut se rendre l'vidence : l'objectif poursuivi n'est pas uniquement de remplir les commandes. Si le papetier se propose d'utiliser le moins possible de bobines-mres pour s'acquitter des commandes, comment peut-il atteindre cet objectif ? Et s'il cherche plutt minimiser les chutes tout en remplissant les commandes, s'agit-il
20
du mme objectif, formul diffremment, ou d'un second objectif totalement distinct du premier ? Et si ces objectifs s'avrent distincts, lequel faut-il privilgier ? Voil des questions auxquelles nous vous proposons d'apporter rponse. Mettons nous en situation : si le papetier nous confiait la tche de remplir les commandes, que ferions-nous ? Commencerions-nous par tailler des bobines-mres sans avoir arrt au pralable un plan de dcoupe prcis ? L'objectif du papetier est de remplir les commandes soit en minimisant la longueur des chutes, soit en minimisant le nombre de bobines-mres utilises. Le papetier doit dterminer quels plans de coupe retenir et combien de fois mettre chacun en uvre de faon atteindre l'un ou l'autre de ces objectifs. 1. Donner les diffrents plans de coupes possibles engendrant des chutes infrieures 35 cm. On remplira le tableau suivant en ajoutant les colonnes ncessaires. Largeur 64 60 36 Chutes 1 3 0 0 23 2
2. Donner le modle mathmatique pour chacun des cas suivant : a) L'objectif du papetier est de remplir les commandes en minimisant la longueur des chutes. b) L'objectif du papetier est de remplir les commandes en minimisant le nombre de bobines- mres utilises. Etude de cas n2 : Problme de confection des horaires de cours Le problme de confection des horaires de cours dans les tablissements scolaires consiste fixer une srie de runions entre les enseignants et les tudiants dans un dlai prfix de temps (gnralement une semaine), en satisfaisant une srie de contraintes de divers types. Diffrentes variantes de ce problme ont t proposes dans la littrature ; elles diffrent les unes des autres en fonction du type d'institution concerne (lyce, facult, universit ). Dans cet tude de cas, nous allons proposer les diffrentes classes de contraintes qui peuvent tre prise en considration telles que la gestion des salles, les matires, les enseignants Ces contraintes sont divises en trois catgories, fortes, moyennes et lgres. 1. Contraintes fortes : Contraintes fortes (hard constraints), cest la catgorie de contraintes quil faut absolument satisfaire pour nimporte quelle solution donne et pour nimporte quel tablissement scolaire, car physiquement, ces contraintes ne peuvent pas tre violes. Nous pouvons rsumer ces contraintes ainsi : - Un enseignant ne doit pas enseigner plus quun cours la fois. - Un tudiant ne doit pas avoir plus quun cours la fois. - Un enseignant peut exister dans une salle au plus. On dit quil y a un conflit, lorsque lune de ces contraintes fortes est viole.
21
2. Contraintes moyennes : Contraintes moyennes (medium contraints), est une catgorie de contraintes qui peuvent tre considres, comme contraintes fortes, pour certains tablissements ou lgres pour dautres. Cette catgorie inclue les contraintes suivantes : - Le type de salles (spcifique ou normale). - La capacit des salles. - La validit des salles. - La validit des enseignants. 3. Contraintes lgres : En plus de la satisfaction des contraintes fortes et moyennes, il y a dautres contraintes appeles contraintes lgres (soft constraints) qui influencent sur la qualit des solutions obtenues. Parmi ces contraintes nous citons : - Problme de regroupement des tudiants. - Problme de minimisation de sances isoles. - Problme de minimisation des repos isols. - Problme de choix de la dure dune sance. - Problme de maximisation du nombre de jour/demi-jour de repos. - Problme de prfrence des enseignants (chaque professeur prfre enseigner dans certains temps). - Problme de minimisation de distances entres chaque paire de salles dans lesquelles se droulent deux cours qui se suivent et qui sont, soit assures par un mme professeur, soit suivies par deux classes ayant des tudiants en commun. - Problme de minimisation de sances de cours magistraux durant les aprs-midi (pour des raisons pdagogiques). - Problme de minimisation de cumul de cours magistraux pour une mme classe pendant la mme journe. - Problme de choix dordre de sances de cours (ex : cours magistrale avant TD ou TP, cours avant sport). 1) Donner le modle mathmatique en prenant en considration les contraintes fortes et moyennes 2) Introduire cinq contraintes lgres de votre choix dans le modle obtenu en 1). Etude de cas n3 : Optimisation de la distribution du GPL en vrac Considrons le problme de distribution du Gaz Ptrolier Liqufi (GPL), sur un ensemble de clients rpartis sur un territoire, en utilisant une flotte htrogne de camions citernes non compartimentes quips de compteur de volume qui permettront de mesurer la quantit de gaz livre chaque client. Parmi les clients, nous trouvons des usines, des hpitaux, des htels, des clubs, des maisons, etc. La distribution se fait chaque jour pour servir les clients ayant effectu une commande la veille. La flotte est compose dun nombre limit de vhicules mais largement suffisant pour satisfaire toutes les commandes. Un ou plusieurs produits (Butane, Propane ou mlange) sont distribuer, mais vu que chaque camion ne peut transporter quun seul produit, on peut traiter le problme pour chaque produit indpendamment des autres. Gnralement toute la quantit commande est disponible, au
22
moment
de
la
planification
du
transport,
dans
des
lieux
denlvement
(L.E)
qui
servent
lapprovisionnement
des
camions.
Contrairement
aux
cas
classiques
o
le
chargement
se
fait
au
dpt,
notre
problme
se
caractrise
par
lexistence
dun
dpt
coucheur
qui
sert
pour
un
point
de
dpart
et
darrive
des
camions.
On
suppose
que
les
quantits
demandes
par
les
clients
sont
statiques
dans
le
sens
o
elles
sont
connues
avant
la
construction
des
tournes,
et
que
les
camions
ne
font
pas
de
longues
tournes
qui
peuvent
dpasser
le
nombre
dheures
de
travail
maximal.
Le
problme
est
soumis
un
certain
nombre
de
contraintes
lis
au
mtier
de
distribution
du
Gaz:
i. Toute
la
quantit
demande
par
un
client
doit
tre
livre
en
une
seule
visite,
ii. Chaque
camion
doit
partir
plein
du
L.E
et
revenir
vide
au
dpt
ou
un
L.E,
iii. Certains
clients
nont
pas
daccs
pour
les
camions
grands
porteurs,
iv. Les
conditions
de
travail
des
chauffeurs
doivent
tre
respectes,
v.
(1) On suppose quon a un seul lieu denlvement. Donner, pour chacun des cas suivants, le modle mathmatique de ce problme : 1er cas : le dpt coucheur est confondu avec le lieu denlvement. 2me cas : le dpt coucheur est spar des lieux denlvement. (2) Gnraliser le modle lorsquon un seul dpt et plusieurs lieux denlvement