Vous êtes sur la page 1sur 167

Gestion des stocks

Notes de cours, exercices, projets et annales

Jean-Philippe Gayon (Grenoble INP - G´enie industriel)
15 juin 2015

2

Table des mati`
eres
I

Notes de cours

7

1 Demande continue et constante
1.1 Sans rupture de stock . . . . . . . . . . . . . . . . . . . . . .
1.1.1 Hypoth`eses . . . . . . . . . . . . . . . . . . . . . . . .
1.1.2 Politiques d’approvisionnement . . . . . . . . . . . . .
1.1.3 Politiques ZIO . . . . . . . . . . . . . . . . . . . . . .
1.1.4 Dynamique du syst`eme . . . . . . . . . . . . . . . . .
1.1.5 Param`etres de performance . . . . . . . . . . . . . . .
1.1.6 Quantit´e ´economique de commande . . . . . . . . . .
1.1.7 Analyse de sensibilit´e . . . . . . . . . . . . . . . . . .
1.1.8 Robustesse `
a des erreurs d’estimation des param`etres
1.2 Ventes diff´er´ees . . . . . . . . . . . . . . . . . . . . . . . . . .
1.2.1 Hypoth`eses du mod`ele . . . . . . . . . . . . . . . . . .
1.2.2 Param`etres de performance . . . . . . . . . . . . . . .
1.2.3 Politique optimale . . . . . . . . . . . . . . . . . . . .
1.2.4 Analyse de sensibilit´e et de robustesse . . . . . . . . .
1.3 Ventes perdues . . . . . . . . . . . . . . . . . . . . . . . . . .

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

11
11
11
12
14
15
15
16
18
19
21
21
21
23
24
25

.
.
.
.
.
.
.
.

27
27
28
29
30
32
32
35
36

3 Demande variable et d´
eterministe
3.1 Sans rupture de stock . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .
3.2 Variantes et extensions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

39
39
42

4 Demande al´
eatoire (plusieurs
4.1 Mod`ele . . . . . . . . . . . .
4.2 Dynamique . . . . . . . . .
4.2.1 Ventes diff´er´ees . . .
4.2.2 Ventes perdues . . .

45
45
46
46
46

2 Demande al´
eatoire (une p´
eriode)
2.1 Mod`ele . . . . . . . . . . . . . . .
2.2 Demande continue . . . . . . . .
2.3 Demande discr`ete . . . . . . . . .
2.4 Qualit´e de service . . . . . . . . .
2.5 Stock de s´ecurit´e . . . . . . . . .
2.6 Cas particulier de la loi normale
2.7 Maximisation du profit . . . . . .
2.8 Variantes . . . . . . . . . . . . .

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.


eriodes)
. . . . . . .
. . . . . . .
. . . . . . .
. . . . . . .
3

.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.
.
.
.
.
.
.
.
.
.
.
.

.
.
.
.
.
.
.
.

.
.
.
.

.
.
.
.

77 77 83 86 87 88 89 89 89 90 90 90 . . . . . . . . . . . . . . . . . . . . . . . .1 Quantit´e optimale avec ou sans coˆ ut fixe . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 Vendeur de skis . . ´ 5 Elasticit´ e . . . . .3 Stock ´echelon . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63 63 65 70 72 74 . . . . . . . . . . . . .3. . . . . . . . . . . . . 51 51 52 52 53 54 55 56 . . . . . . . . .1 Param`etres non stationnaires . . . . . . . 3 Vendeur de journaux avec deux classes de clients 4 Surbooking . . . 6. 6. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2. . . . . . . . . . . . . 4. . . 2 Soldes . . . . . . . . . .3 Programmation dynamique stochastique II . . . . . . . . . . . . . . 6. . . . .` TABLE DES MATIERES 4 4. . . . . . . . . . 6 Contrˆ ole continu . . . . . . . . . . . . . .3 4. . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3. . . . . . . . . . . . . . . .2. . . . . . . . . . . . . . . 6. . . . . . . . . . . . . . . . 5. . . . . . . . . . . . . .1 Fonction objectif . . . . . . . . .1 Repr´esentation d’un r´eseau logistique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .4. . . . . . . . . . . . . . . . . . . . 46 48 48 48 . . . 5 Syst` emes multi-´ echelon 5. .2 Param`etres ind´ependants du temps . . . . . . . . . . . 57 57 58 59 59 59 60 Exercices corrig´ es 1 Demande constante et continue 1 Horizon fini . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .1 Simulation . . . . . . . . . . 5. . . . . . . . . . . 2 Capacit´e de production limit´ee 3 Produits p´erissables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 . . . . . .4. . . . 6. . . . . . . . . . 2 Demande al´ eatoire (une p´ eriode) 1 Demande uniform´ement distribu´ee . . . . . . . . . . . . . . . . . . . . . 5. . . . . . . . . . . . . . . 7 Programmation dynamique stochastique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .3 Politique optimale . . . . . . Evaluation des performances d’une politique 4. . . . . . . 6 Programmation dynamique stochastique 6.2 Structure de la politique optimale 5. . . . . . . . . 5. . . .4 Politiques d’approvisionnement . . . . . . . . .2. . . .5 Optimisation .4 Coˆ ut d’une politique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .2 Chaˆınes de Markov `a temps discret . . . . . . . . . . . . . . . . . . . .3 Stock de s´ecurit´e . . . . . .2. . . . .1 Mod`ele . . . . . . . . . . . . . . . . . . . . 5. . . . . . . 5 Vendeur de journaux avec coˆ uts fixes . . . 6. . . . . . . . . . . . . . . . .4 Loi normale . . . . . . . . .2 Politiques myopes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6. . . . . . . . . . . .2. . . . . . . . .2 Syst`eme s´erie . . . . . . . . . . . . . .3. . 4 Maximisation du profit . . . . . . . . . 6. . . . . 6. . . . . . .

. . 3 Rapport ` a rendre . . . . . . . 2 Questions pr´eliminaires . 3 Simulation et optimisation sur la base de l’historique des demandes 4 Simulation en utilisant un g´en´erateur al´eatoire de demandes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .` TABLE DES MATIERES 5 3 Demande al´ eatoire (plusieurs p´ eriodes) 1 Le contrat de confiance . . . . . . . . . . . . . . . . . . . . . . . . 93 93 98 99 100 4 Syst` emes multi-´ echelon 103 1 Gestion conjointe de r´ef´erences . . . . . . . . . . . . . . . . . . 4 Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 106 III Projets 113 1 Simulation et optimisation de politiques de gestion des stocks 1 Probl´ematique . . . . . . 2 File d’attente avec stock : ventes diff´er´ees 3 File d’attente avec stock : ventes perdues 4 Production . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . IV . . . . 103 2 Syst`eme ` a deux ´etages . . . . . . . . . . 2 Beer game 1 Questions pr´eliminaires 2 Jeu de la bi`ere . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123 124 125 126 126 Annales 2009-2015 129 A Rappels de probabilit´ e 161 B Minimum d’une fonction convexe d´ efini sur l’ensemble des entiers 163 C Chaˆınes de Markov ` a temps discret 165 . . . . . . . . . . . . . . . . . . . . . . . 115 115 115 116 120 . . .

6 ` TABLE DES MATIERES .

Premi` ere partie Notes de cours 7 .

.

Malheureusement. La sp´eculation peut aussi ˆetre une autre bonne raison de constituer des stocks. La constitution de stocks permet enfin d’anticiper des al´eas sur les demandes. voire la perte d’un client. Mais est-il capable de r´epondre dans un d´elai raisonnable ` a une commande de 1000 t´el´eviseurs ? C’est `a priori possible de fabriquer 1000 t´el´eviseurs en une demi-journ´ee si l’on peut en fabriquer un en une demi-journ´ee. des feuilles de papier. Prenons l’exemple d’un fabriquant de t´el´eviseurs `a ´ecran plat qui ne constituerait pas de stocks et qui recevrait des commandes d’un distributeur. Dans un environnement concurrentiel. une rupture de stock signifie un manque `a gagner. Nous les stockons afin d’y recourir d´es que n´ecessaire . de l’argent. il faudrait ˆetre capable de livrer ou de produire instantan´ement un produit. `a partir des ouvrages de Zipkin (2000). il est capable d’assembler un t´el´eviseur en une demi-journ´ee.Introduction Ces notes de cours a ont ´et´e r´ealis´ees. cela n´ecessiterait des moyens de production et une main d’oeuvre consid´erables. pour l’instant du moins. Les stocks semblent in´evitables dans de nombreuses situations. Les entreprises stockent des feuilles de papier mais ´egalement des produits plus techniques tels que roulements `a billes. Une production rapide coˆ ute cher et il en est de mˆeme pour une livraison rapide. En cas de rupture de stock. les livraisons ou encore la production. Sur un plan technique. Du point de vue du boulanger. Prenons l’exemple des feuilles de papier qui semblent ˆetre un besoin universel. Cette solution est malheureusement impossible ou trop coˆ uteuse dans la majorit´e des situations. Toute personne ou entreprise constitue des stocks de natures vari´ees. La premi`ere question l´egitime a` se poser est celle de leurs fonctions. La deuxi`eme question a. Ainsi. ce serait une perte de temps consid´erable que d’acheter une feuille de papier chaque fois que n´ecessaire. 9 . Les stocks sont pr´esents partout. Afin de se passer totalement de stocks. il doit attendre la prochaine fourn´ee de pain. Le march´e des mati`eres premi`eres telles que l’or. Notes du cours de gestion des stocks a ` Grenoble INP . il appr´ecie de pouvoir repartir avec sa baguette. du produit lessive ou encore des stylos. Acheter un produit en grande quantit´e permet en outre de r´ealiser des ´economies d’´echelle en diminuant le coˆ ut unitaire d’achat. Les particuliers stockent de la nourriture. Giard (2003).G´enie Industriel. lorsqu’un client se rend chez son boulanger. le p´etrole en sont de frappants exemples. r´edig´ees par Jean-Philippe Gayon. moteurs. les fournisseurs doivent r´epondre rapidement `a la demande de leurs clients et la constitution de stocks leur permet de r´epondre `a cette contrainte. circuits imprim´es. entre autres. d´elai raisonnable pour son client. Porteus (2002) et Vallin (2001). La fonction la plus ´evidente d’un stock est de pouvoir disposer rapidement d’un produit. ce qui l’encourage ` a aller voir ` a la concurrence ou le d´ecourage d’acheter du pain ce soir-l`a.

. Si on ne dispose que de peu d’argent. nous tenterons de r´epondre `a ces questions `a l’aide de mod`eles plus ou moins ´elabor´es. on ne peut constituer que des stocks limit´es. A travers ce cours. nous d´eveloppons des strat´egies afin d’optimiser les quantit´es que nous stockons. Dans un couple. l’un voudra constituer des stocks ´enormes de nourriture afin de faire les courses le moins souvent possible tandis que l’autre voudra le moins de stocks possibles afin d’´eviter de jeter des produits p´erim´es ou encore pour ne pas encombrer les placards. nous pouvons lister un certain nombre de raisons encourageant le stockage : — Satisfaction rapide des demandes — Anticipation des al´eas (demande. Nous n’achetons pas des rames de papier par camions par manque de place ou encore du lait frais en grandes quantit´es car il risque de se p´erimer.10 qui vient alors ` a l’esprit est : pourquoi ne pas constituer des stocks tr`es importants afin d’´eviter toute rupture ? Les raisons de ne pas stocker de grandes quantit´es sont nombreuses. voire uniques. il peut ˆetre plus int´eressant de placer cet argent plutˆot que de constituer de gros stocks. production) ´ — Economies d’´echelle — Capacit´e de production adapt´ee et non surdimensionn´ee — Sp´eculation (anticipation d’une hausse des prix) D’autres raisons poussant au contraire `a limiter ses stocks : — Immobilisation d’argent — Immobilisation d’espace — P´eremption et obsolescence des produits — Fabrication de produits tr`es sp´ecifiques. Une autre raison pour ne pas stocker de grandes quantit´es est d’ordre financier. Les strat´egies diff`erent d’un individu `a l’autre et d’une entreprise `a l’autre et d´ependent de l’objectif recherch´e. livraison. difficiles `a anticiper — Sp´eculation (anticipation d’une baisse des prix) — Fournisseur en situation de monopole Sans forc´ement le formaliser. Si l’on dispose de beaucoup d’argent. La question qui se pose alors est de savoir quand se r´eapprovisionner et en quelles quantit´es. Pour r´esumer.

) mais l’est moins pour des produits discrets. Revenons maintenant un peu plus en d´etail sur certaines hypoth`eses et introduisons quelques notations.Chapitre 1 Demande continue et constante 1.1. Ainsi. de taux λ . si les quantit´es de r´eapprovisionnement sont suffisamment importantes. pourra-t-on avoir 5. c’est `a dire non s´ecables (stylo.). Ainsi. Une telle hypoth`ese peut ˆetre une bonne approximation pour des produits discrets. sous la contrainte de satisfaire toutes les demandes sans d´elai Ce mod`ele est souvent appel´e mod`ele de Wilson. Demande La demande pour ce produit est continue et constante.1 Sans rupture de stock Hypoth` eses Les principales hypoth`eses du mod`ele le plus simple sont les suivantes : — Un seul produit — Demande continue de taux λ — L = D´elai d’approvisionnement — h = Coˆ ut de possession d’une unit´e de stock pendant une unit´e de temps (h pour holding en anglais) — k = Coˆ ut fixe d’approvisionnement — c = Coˆ ut variable d’approvisionnement — Objectif : Trouver une politique d’approvisionnement qui minimise les coˆ uts moyens `a horizon infini. la demande est de λ∆t. Il a ´et´e introduit au d´ebut du 20`eme si`ecle et constitue l’une des pierres angulaires de la gestion des stocks ainsi que de la recherche op´erationnelle. c’est-`a-dire que les demandes doivent toutes ˆetre satisfaites imm´ediatement. pendant un intervalle de temps ∆t. La demande est d´eterministe car connue `a l’avance. ind´efiniment divisible. etc.1 1. Cette hypoth`ese semble r´ealiste pour des mati`eres liquides (jus d’orange. Produit Nous consid´erons un produit unique. p´etrole.37 unit´es. quel que soit la longueur de l’intervalle ∆t. 11 . etc. Nous dirons que ce produit est continu. Nous supposerons par ailleurs qu’il ne peut y avoir de rupture de stock. voiture.

2 Politiques d’approvisionnement Une politique d’approvisionnement est un ensemble de r`egles qui sp´ecifient `a chaque instant quelle quantit´e commander. En effet. En utilisant la fonction indicatrice. On peut r´esumer une politique d’approvisionnement par deux suites de nombres : — {ti }i≥1 : les instants o` u des commandes sont pass´es — {qi }i≥1 : quantit´es command´ees `a ces instants Un exemple illustratif est donn´e sur la figure 1.12 CHAPITRE 1. Si aucune commande n’est pass´ee (q = 0). Lorsque le d´elai d’approvisionnement L est nul.[produit]−1 ) Ainsi. SB(t) q1 q2 t t1 t2 t3 ´ Figure 1.[s]−1 ) — k : coˆ ut fixe pour passer une commande (unit´e : [euro]) — c : coˆ ut variable pour chaque produit command´e (unit´e : [euro]. le coˆ ut de commande est nul. le stock physique est toujours ´egal au stock brut. L q3 Stock physique. on peut r´esumer le coˆ ut d’une commande ainsi : ( 0 si q = 0 k1lq>0 + qc = k + qc si q > 0 Stock physique et stock brut Quelques notations : — SP (t) = Stock physique disponible `a l’instant t — SC(t) = Stock command´e jusqu’`a t mais non encore re¸cu — SB(t) = Stock brut = SP (t) + SC(t) La notion de stock brut est essentielle en gestion des stocks. SP(t) L L Stock brut. une quantit´e command´ee arrive imm´ediatement et SC(t) = 0 pour tout t.1. lorsque lorsqu’une commande de q > 0 unit´es est pass´ee. 1. DEMANDE CONTINUE ET CONSTANTE Structure des coˆ uts Nous consid´erons trois types de coˆ uts : — h : coˆ ut de possession du stock par produit stock´e et par unit´e de temps (unit´e : [euro].[produit]−1 . Les d´ecisions doivent ˆetre en prises en fonction du stock brut et non du stock physique.1 – Evolution des stocks pour une politique quelconque Pr´esentons maintenant quelques politiques classiques.1. . il en coˆ ute k + qc.

(T. une politique (rt . Le param`etre r sera appel´e le point de commande(ou seuil d’alerte). Dans le tableau 1. SANS RUPTURE DE STOCK 13 Gestion ` a point de commande Une gestion ` a point de commande consiste `a passer commande lorsque le stock brut SB(t) atteint r.2. les quatre types de politique sont ´equivalentes. (r. les politiques sont class´ees suivant deux crit`eres : — Les quantit´es command´ees sont-elles fixes ou variables ? — Les intervalles de temps entre deux commandes sont-ils fixes ou variables ? COMBIEN ? quantit´e fixe quantit´e variable QUAND ? Intervalle fixe Intervalle variable (T. . q). r. S) Table 1. q) et (T. d’apr`es Vallin (2001) Il existe de nombreuses variantes de ces politiques. Par exemple. S) ont alors la mˆeme ´evolution de stock et donc le mˆeme coˆ ut moyen. Ainsi. il peut ˆetre judicieux de consid´erer des politiques non stationnaires. On peut aussi combiner plusieurs politiques. une politique (T. S) (r. q) commande une quantit´e q lorsque SB(t) ≤ r. — Une politique (T. Le param`etre S est appel´e stock nominal (ou niveau de recompl`etement). On peut distinguer plusieurs classes de politiques `a point de commande : — Une politique (r. q) commande toutes les T p´eriodes une quantit´e q. S) consiste ` a recompl´eter le stock brut ` a S toutes les T unit´es de temps. q) (r.1. S). — Une politique (T. S) commande toutes les T p´eriodes une quantit´e (S − SB(t)). S) recompl`ete le stock brut `a S `a chaque fois qu’il tombe en-dessous de r.1. q) (T. uniquement si le stock brut tombe `a r. les commandes sont pass´ees `a intervalle de temps fixe. Lorsque les param`etres sont non stationnaires (par exemple la demande augmente dans le temps). les politiques (r. St ) consiste ` a recompl´eter le stock ` a St lorsque le stock brut atteint rt `a l’instant t. Ainsi. afin de recompl´eter le stock brut `a S. En posant T = q/λ et S = r + q. S) commande S − SB(t) lorsque SB(t) ≤ r. On supposera que r ≤ S.1. toutes les u unit´es de temps. — Une politique (r. Gestion calendaire Dans une politique ` a gestion calendaire.1.1).1 – Classification des politiques. une politique (r. Equivalence des politiques Pour le probl`eme qui nous int´eresse (d´ecrit `a la section 1.

14

CHAPITRE 1. DEMANDE CONTINUE ET CONSTANTE

S
Stock physique, SP(t)

q
L

L

Stock brut, SB(t)

r
t
T

T

T

Figure 1.2 – Equivalence entre les politiques
Cette ´equivalence n’est en g´en´eral pas vraie, notamment lorsque l’on consid`ere des demandes al´eatoires.

1.1.3

Politiques ZIO

Une politique d’approvisionnement est dite Zero Inventory Ordering (ZIO) si les commandes arrivent exactement quand le stock physique s’annule. La figure 1.3 donne un
exemple de l’´evolution du stock physique pour une politique ZIO.

SP(t)

Temps
Figure 1.3 – Exemple de politique ZIO
Nous allons montrer que la politique optimale est n´ecessairement ZIO. Cette propri´et´e
n’est plus vraie lorsque l’on consid`ere d’autres mod`eles de gestion des stocks (typiquement
une demande al´eatoire).
Th´
eor`
eme 1.1. La propri´et´e ZIO est dominante : pour toute politique non ZIO, il existe
une politique ZIO de coˆ
ut inf´erieur.
D´emonstration. Soit une politique π qui ne soit pas ZIO et caract´eris´ee par des instants
d’approvisionnement {ti }i≥1 et des quantit´es command´ees {qi }i≥1 . Soit tj le premier instant
o`
u une commande est pass´ee alors que le stock n’est pas nul. Nous allons construire une
politique π 0 , caract´eris´ee par {t0i }i≥1 et {qi0 }i≥1 (figure 1.4) tels que
— t0i = ti , qi0 = qi pour i < j (l’´evolution du stock est la mˆeme pour t < tj )

t0j

= tj +

SP (t−
j )

, qj0 =

P

i:tj ≤ti ≤t0j qi (attendre que le stock atteigne 0 pour passer
λ
la j-i`eme commande)
— t0i = ti+k , qi0 = qi+k pour i > j et avec k le nombre de commandes pass´ees par la
politique π sur l’intervalle [tj , t0j ] (l’´evolution du stock est la mˆeme pour t ≥ tj )

1.1. SANS RUPTURE DE STOCK

15

La politique π 0 a un coˆ
ut fixe inf´erieur (nombre de commandes inf´erieur) mais aussi un
coˆ
ut de possession strictement inf´erieur. En it´erant la mˆeme proc´edure, on r´eussit ainsi `
a
construire une politique ZIO de coˆ
ut moyen strictement inf´erieur `a la politique π.
SPπ(t)
SPπ’(t)

t
tj

t j’

Figure 1.4 – Construction d’une politique ZIO (π 0 ) meilleure qu’une politique non ZIO (π)

1.1.4

Dynamique du syst`
eme

Consid´erons une politiques (r, q) et ZIO. La consommation pendant le d´elai d’approvisionnement doit ˆetre ´egale `
a r car la politique est ZIO. Nous avons donc la relation
r = λL.
Le point de commande r est donc le mˆeme pour toute politique ZIO r´ealisable. On peut
donc dire que le param`etre q suffit `a caract´eriser une politique (r, q) et ZIO.
Nous allons exprimer le niveau de stock SP (t) `a l’instant t en supposant qu’une commande de taille q a ´et´e pass´ee `
a t = −L et est arriv´ee `a t = 0+ . Notons u la date `a laquelle
tout le stock initial est consomm´e :
u=

q
λ

Nous pouvons alors exprimer SP (t) entre les instants 0 et u :
(
(
SP (t + dt) = SP (t) − λdt pour 0 ≤ t < u
SP 0 (t) = −λ pour 0 ≤ t < u

SP (0+ ) = q
SP (0+ ) = q
⇒ SP (t) = q − λt pour 0 ≤ t < u
Le probl`eme est u-p´eriodique et on en d´eduit ais´ement le niveau de stock `a tout instant :
SP (t) = q − λ(t − nu)

1.1.5

pour

nu ≤ t < (n + 1)u, n ∈ IN

Param`
etres de performance

Nous allons exprimer diff´erents param`etres de performance en fonction des donn´ees du
probl`eme (λ, k, h, c, L) et de q. Le niveau de stock moyen, not´e SP , vaut :
SP =

1
u

Z

u

SP (t)dt =
0

1
u

×

qu
2

=

q
2

16

CHAPITRE 1. DEMANDE CONTINUE ET CONSTANTE
SB(t)
q
L

SP(t)

L

L

r
u

2u

3u

t

Figure 1.5 – Evolution du stock physique et du stock brut pour une politique (r, q) et ZIO
On obtient le temps moyen pass´e en stock par un produit (ou temps d’´ecoulement d’un
produit ou temps de rotation d’un stock ), not´e SW (W pour waiting), en appliquant la loi
de Little a :
SW =

SP

q

=

λ

(Loi de Little)

On aurait pu aussi obtenir ce r´esultat par un calcul direct :
SW =

1
u

Z

u

tdt =

u
2

0

=

q

Le rotation des stocks (ou turnover ) est d´efinie comme le nombre de fois o`
u les stocks
sont renouvel´es par unit´e de temps :
1
SW

=


q

Une faible rotation signifie que les pi`eces restent longtemps en stock. En entreprise, la
p´eriode de r´ef´erence sera souvent l’ann´ee et la rotation du stock sera alors :
Rotation des stocks (par ann´ee) =

Consommation annuelle
Stock moyen

Une rotation de 3 signifie alors que les stocks sont renouvel´es enti`erement 3 fois dans l’ann´ee.
La couverture de stock est, `
a l’instant t, la dur´ee pendant laquelle on peut satisfaire
la demande avec le stock physique `a t. Ainsi, la couverture de stock est de u en d´ebut de
p´eriode (lorsqu’une commande vient d’arriver) et de 0 en fin de p´eriode.

1.1.6

Quantit´

economique de commande

Notons C(q) le coˆ
ut par unit´e de temps (ou coˆ
ut moyen) sur un horizon infini. C(q) est la
somme du coˆ
ut de possession par unit´e de temps, Ch (q), du coˆ
ut fixe d’approvisionnement
a. La loi de Little dit que le nombre moyen de clients dans un syst`eme stable est ´egal a
` leur fr´equence
moyenne d’arriv´ee multipli´ee par leur temps moyen pass´e dans le syst`eme (voir n’importe cours de file
d’attente, par exemple celui de Baynat (2000) disponible a
` la biblioth`eque de GI). Ici les clients consid´er´es
sont les produits en stock. La fr´equence de sortie (et d’arriv´ee) des produits est λ, le nombre moyen de
produits dans le syst`eme est SP et le temps moyen pass´e par par un produit dans le syst`eme est SW . La
loi de Little nous dit alors que S = λSW .

1) q Coûts moyens 100 80 Cout de possession Cout de commande 60 40 Cout total 20 0 0 10 20 30 40 50 Quantité commandée (q) Figure 1. Pour cela. Ce coˆ ut est ind´ependant de la quantit´e command´ee car toute politique r´ealisable satisfait toute la demande. h = 2. Donn´ees : λ = 10. q Le coˆ ut de possession par unit´e de temps est donn´e par Ch (q) = 1 u Z hSP (t)dt = hSP = u hq . il suffit de se placer sur une p´eriode car le probl`eme est u-p´eriodique. Son unique minimum . Le coˆ ut fixe sur une p´eriode est de k.1.6. Cc (q). 2 0 Toute la demande ´etant satisfaite. Nous allons maintenant chercher la quantit´e ´economique de commande q ∗ . k = 10.6 – Coˆ uts moyens en fonction de la quantit´e command´ee. le coˆ ut variable par unit´e de temps vaut Cc (q) = λc. Pour calculer ces quantit´es. ce qui donne un coˆ ut par unit´e de temps Ck (q) = k/u = λk . Finalement : C(q) = Ch (q) + Ck (q) + Cc (q) = hq + 2 λk + λc (1. la valeur de q qui minimise le coˆ ut moyen C(q). Ck (q) et du coˆ ut variable d’approvisionnement par unit´e de temps. calculons les d´eriv´ees premi`ere et seconde de C : C 0 (q) = h/2 − λk q2 C 00 (q) = 2λk q3 C(q) est une fonction strictement convexe pour q > 0 (C 00 (q) > 0).1. SANS RUPTURE DE STOCK 17 par unit´e de temps. c = 0. L’influence de q sur les diff´erents coˆ uts est repr´esent´ee sur la figure 1.

Si on suppose un coˆ ut variable nul (c = 0). une augmentation de 100% du coˆ ut de possession (h0 = 2h) conduit `a une √ augmentation de 41% du coˆ ut optimal (C ∗ (2h) = 2C ∗ (h)) et `a une diminution de 29% de √ la quantit´e ´economique de commande (q ∗ (2h) = q ∗ (h)/ 2). On peut aussi ´etudier la sensibilit´e d’une fonction `a une petite variation d’un param`etre `a l’aide de la fonction d’´elasticit´e. Finalement. h. c. La quantit´e ´economique de commande passe alors de q ∗ (α) ` a q ∗ (α0 ). on obtient : v v v u 0 u 0 u 0 ∗ 0 ∗ 0 ∗ 0 u u C (λ ) tλ C (k ) tk C (h ) u h = = =t ∗ ∗ ∗ C (λ) λ C (k) k C (h) h Par exemple. On d´efinit l’´elasticit´e d’une fonction f par rapport `a un param`etre α par : θ= α f × ∂f ∂α . ´ Etudions maintenant la sensibilit´e de q ∗ et C ∗ `a des variations des param`etres. Ainsi : v v v u 0 u 0 u ∗ 0 ∗ 0 ∗ 0 u u q (k ) tk q (h ) u h q (λ ) tλ = = =t (1.18 CHAPITRE 1.3) La quantit´e q ∗ est souvent appel´ee quantit´e ´economique de commande. Supposons que la valeur du param`etre α passe `a α0 . croissante en λ. On peut observer qu’` a l’optimal les coˆ uts fixes ´egalent les coˆ uts de possession : v u uλkh ∗ ∗ Ch (q ) = Ck (q ) = t 2 Si la quantit´e command´ee est q et que les coˆ uts de possession sont inf´erieurs aux coˆ uts fixes (Ch (q) < Ck (q)). k et d´ecroissante en h. 1. le coˆ ut moyen optimal passe de C ∗ (α) `a C ∗ (α0 ). k. — Le coˆ ut moyen optimal est ind´ependant de L et croissant en λ. cela signifie que l’on commande trop souvent (et inversement). DEMANDE CONTINUE ET CONSTANTE satisfait C 0 (q) = 0 et nous obtenons : v u u2λk ∗ q =t h (Formule de Wilson) C ∗ ≡ C(q ∗ ) = λc + v u ∗ u 2k q ∗ u = =t λ λh (1.7 Analyse de sensibilit´ e Nous allons regarder l’influence des diff´erents param`etre sur q ∗ et C ∗ : — La quantit´e ´economique de commande est ind´ependante de c et de L. La formule de Wilson a ´et´e propos´ee par Harris (1913) et popularis´ee par Wilson (1934). on peut dire que q ∗ et C ∗ sont relativement peu sensibles `a des variations des param`etres.1.4) ∗ ∗ ∗ q (λ) λ q (k) k q (h) h0 De son cˆ ot´e.2) √ 2λkh (1.

On lira. il suffit d’´ecrire un d´eveloppement limit´e `a l’ordre 1 de f : ∂f f [(1 + )α] = f (α) + α (α) + o() ∂α α ∂f = (1 +  × )f (α) + o() f (α) ∂α = (1 + θ)f (α) + o() Exercice 1. D’apr`es l’´equation 1.8 Robustesse ` a des erreurs d’estimation des param` etres Dans un probl`eme r´eel. r´esum´ees dans le tableau 1. Que se passe-t-il si un param`etre est mal estim´e ? Par exemple.1.4. Retrouver les ´elasticit´es de C ∗ et q ∗ aux diff´erents param`etres. Supposons que λ0 = λ(1 + ). que l’´elasticit´e de q ∗ par rapport ` a h vaut −1/2. c’est` a-dire qu’une augmentation de 1% de h entraˆıne une diminution de 0.5% de la quantit´e ´economique de commande q V´erifions que ces r´esultats sont bien coh´erents avec l’analyse de sensibilit´e pr´ec´edente. nous allons regarder la robustesse du coˆ ut moyen `a une erreur sur la quantit´e command´ee. .5% de q ∗ . que se passe-t-il si le coˆ ut fixe est ˆ estim´e `a K = 40 euros alors que le vrai coˆ ut fixe est de K = 10 euros ? Dans un premier temps. l’estimation des param`etres est souvent compliqu´ee. Pour montrer cela rigoureusement.1. SANS RUPTURE DE STOCK 19 L’interpr´etation de l’´elasticit´e est la suivante : si α augmente de  % (avec  petit) alors f (α) augmente de θ %. par exemple. une augmentation de 1% de h entraˆıne une augmentation de 0. il vient : √ q ∗ (λ(1 + )) = 1 + q ∗ (λ) C∗ = (1 + /2)q ∗ (λ) + o() et on retrouve bien une ´elasticit´e de 1/2 de q ∗ par rapport `a λ. L c λ k h C ∗ (avec c = 0) 0 N. Supposons que la quantit´e command´ee est aq ∗ (a > 0) alors que la quantit´e optimale est q ∗ .5% du coˆ ut optimal ∗ et une diminution de 0.2.A.2 – Elasticit´ e de C ∗ . 1/2 1/2 1/2 q∗ 0 0 1/2 1/2 −1/2 ´ Table 1. 1. q ∗ et β ∗ aux diff´erents param`etres Ainsi. Il fallait se rappeler du d´eveloppement limit´e suivant : (1 + x)α = 1 + αx + o(x). De mˆeme : q ∗ (h(1 + )) = (1 + )−1/2 q ∗ (h) = (1 − /2)q ∗ (h) + o() et on retrouve bien une ´elasticit´e de -1/2 de q ∗ par rapport `a h.1.

4. D’apr`es l’´equation 1. .04 1. on commande 2 fois plus que la quantit´e optimale q ∗ .75 0.00 1. une erreur d’estimation de +300% sur le coˆ ut fixe n’a entraˆın´e qu’une augmentation de 25% du coˆ ut moyen. commander 2 fois trop entraˆıne un surcoˆ ut de 25%.25 1. z positifs). nous avons ∗ C(aq ) = = λk aq ∗ +h 1√ aq ∗ 2 a C(aq ∗ ) C∗ = p a 2λk/h 2λkh + 2a λk a√ a +h √ 2λhk et q ∗ = p 2λk/h 2 2λkh = (a)C ∗ 2 0.50 2. En effet. y. nous avons suppos´e que le coˆ ut variable ´etait nul (c > 0). nous avons : C(aq ∗ ) C(q ∗ ) = λc + λk/aq ∗ + haq ∗ /2 λk/aq ∗ + haq ∗ /2 ≤ √ √ λc + 2λhK 2λhK Montrer l’in´egalit´e ci-dessus revient `a montrer que x+y x+z ≤ y (1. Jusqu’` a pr´esent.25 1. Nous avons vu que q ∗ ´etait peu sensible ` a une variation des param`etres. On dira que le coˆ ut moyen est robuste `a une erreur sur la quantit´e command´ee.03 1. dans la mesure o` u le coˆ ut variable moyen est λc. d’apr`es l’´equation (1.25 2.1.3). le coˆ ut moyen sera aussi robuste `a une erreur d’estimation d’un param`etre.01 1.00 4. Par ailleurs.20 CHAPITRE 1.13 1.1).2).10 1. nous avons C ∗ = p 2λk/h.13 Table 1. D’apr`es les ´equations (1. nous avons C(aq ∗ ) = (a)C ∗ avec (a) = a+ 1 a 2 D´emonstration. si l’on commande deux fois trop (a = 2).25 0. Reprenons l’exemple du d´ebut. on peut montrer que le coˆ ut moyen est encore plus robuste `a une erreur sur la quantit´e command´ee.90 1. Lorsque c > 0. le coˆ ut moyen est augment´e de 25% seulement (tableau 1.00 2.3 – Robustesse du coˆ ut moyen `a une erreur sur la quantit´e command´ee Ainsi.3. D’apr`es le tableau 1.08 1. quelle que soit la politique.5) si z ≤ y (`a v´erifier pour trois z r´eels x. Supposons que le coˆ ut fixe est estim´e ` a 40 euros alors que le vrai coˆ ut fixe est de 10 euros. Supposons maintenant qu’un param`etre est mal estim´e. Comme le coˆ ut moyen est lui-mˆeme peut sensible `a une erreur sur la quantit´e command´ee.50 0. DEMANDE CONTINUE ET CONSTANTE Propri´ et´ e 1.00 1.00 1. Lorsque c = 0.3) et (1. Au final.

9). ce qui serait clairement sous-optimal. nous allons exprimer les param`etres de performance en fonction de β et de q. Nous pouvons utiliser de mani`ere ´equivalente les param`etres (r.´ EES ´ 1.2. VENTES DIFFER 1. Nous utiliserons aussi les notations suivantes : — SP (t) = Stock physique ` a l’instant t — B(t)= Nombre de demandes en attente `a l’instant t — SN (t) = Stock net ` a l’instant t = SP (t) − B(t) — SC(t) = Stock command´e ` a l’instant t mais non encore re¸cu — SB(t) = Stock brut = SN (t) + SC(t) Si l’on suppose que l’on ne peut pas avoir `a la fois du stock physique et des demandes en attente (i.[s] ). Exprimons quelques relations utiles en utilisant.2.8) repr´esente l’´evolution des stocks pour une politique (r. le param`etre r peut prendre des valeurs positives o` u n´egatives. nous avons la propri´et´e suivante : Propri´ et´ e 1. β) le stock net minimal (resp. x] d´esigne la partie positive de x et [x]− = max[0. −x] d´esigne la partie n´egative de x. q) ou les param`etres (β. pour une politique quelconque. entre autres.7 – Evolution des stock net et brut pour une politique quelconque 1. SP (t) = [SN (t)]+ et B(t) = [SN (t)]− o` u [x]+ = max[0. maximal) quand une politique (r.2 1. Pour simplifier les calculs. SB(t) SN(t) q3 q2 t q1 L L L ´ Figure 1. q). On note b (pour backorder en anglais) le coˆ ut −1 d’attente d’une unit´e de demande pendant une unit´e de temps (unit´e : [euros]. est repr´esent´ee sur la figure 1. L’´evolution du stock net et du stock brut. q) est mise en oeuvre (figure 1. La figure 1.9 : α = r − λL = β − q .7.2. Dans le cas de demandes diff´er´ees.e. `a la diff´erence pr`es que les demandes peuvent ˆetre mises en attente.1 21 Ventes diff´ er´ ees Hypoth` eses du mod` ele Les hypoth`eses sont les mˆemes que pour le mod`ele de Wilson.2 Param` etres de performance Soit α (resp. q) pour d´efinir une politique. SP (t) > 0 et B(t) > 0).1. la figure 1. Nous devrions avoir α ≥ 0 et β ≤ 0.

22 CHAPITRE 1.8 – Evolution des stock net et brut pour une politique (r. q) u1 = u β et q u2 −α = u = q−β q (Thal`es) q β SN(t) q u2 0 t u1 α u = u1+u2 Figure 1.9 – Quelques notations Exprimons maintenant quelques param`etres de performance en fonction de β et q : — Stock moyen : 1 SP = Z u1 SP (t)dt = u u1 β 2u 0 β2 = 2q — Nombre moyen de demandes en attente : B= 1 u = Z u B(t)dt = u1 −u2 α 2u = α2 2q (q − β)2 2q — Temps moyen pass´e en stock par un produit : SW = SP λ (Loi de Little appliqu´ee au syst`eme ”Stock physique”) . DEMANDE CONTINUE ET CONSTANTE SB(t) q q SN(t) r t u u u ´ Figure 1.

Une condition n´ecessaire et suffisante d’optimalit´e est alors : ∇C = 0 ⇔ ∂C = 0 et ∂q ⇔β= ∂C =0 ∂β b q et bq 2 = (b + h)β 2 + 2λk h+b b. la stricte convexit´e equivaut a ` ce que la matrice hessienne ∇2 f (x) soit d´efinie positive pour tout x (valeurs propres strictement positives). 1] f est dite strictement convexe si l’in´egalit´e pr´ec´edente est stricte. y ∈ E. Une fonction f a ` n variables. .2.´ EES ´ 1. q) est deux fois diff´erentiable et strictement convexe b (admis) sur son domaine de d´efinition. est dite convexe si f (αx + (1 − α)y) ≤ αf (x) + (1 − α)f (y). ∀x. ∀α ∈ [0. ∂C = −2λk + bq 2 − (b + h)β 2 2q 2 ∂q ∂C = (h + b)β − bq ∂β q C(β. Pour une fonction f deux fois diff´erentiable. VENTES DIFFER 23 — Rotation du stock : 1 = SW — Attente moyenne : BW = B (Loi de Little appliqu´ee au syst`eme ”Nombre de demandes en attente”) λ — % des demandes satisfaites sans d´elai : QoS = u1 = u β q — Coˆ ut moyen : C(β.3 β2 (q − β)2 +h +b q 2q 2q λk Politique optimale D´erivons la fonction de coˆ ut par rapport `a q et β. d´efinie sur un ensemble convexe E ⊂ IRn .2. q) = λc + k + hSP + bB u = λc + 1.

En d´eduire la sensibilit´e du coˆ ut moyen a ` une erreur sur chaque param`etre. Si l’on regarde la valeur de la qualit´e de service `a l’optimal. le point de commande et la p´eriode : h ∗ α∗ = β ∗ − q ∗ = − q <0 h+b r∗ = α∗ + λL u∗ = q ∗ /λ Si b tend vers l’infini. on r´e-obtient bien les ´elasticit´es du mod`ele de Wilson sans attente (tableau 1. Un coˆ ut d’attente infini revient en effet `a interdire les attentes des clients. il vient : q∗ = v v u u ub + hu2λk t t b > h v u u2λk t h v v v u u u u b u2λk u2λk ∗ t t β = <t h+b h h v u u b √ √ ∗ ∗ ∗ 2λkh < λc + 2λkh C = C(β . DEMANDE CONTINUE ET CONSTANTE En r´esolvant ce syst`eme ` a deux ´equations.4 Analyse de sensibilit´ e et de robustesse Les ´elasticit´es de C ∗ . le stock net minimal. la politique optimale tend vers celle du mod`ele de Wilson sans attente. Exercice 2.24 CHAPITRE 1. Cela signifie que q ∗ et C ∗ sont encore moins sensibles `a des variations des param`etres que dans le mod`ele de Wilson sans attente. que dans le mod`ele de Wilson sans attente. q ∗ et β ∗ par rapport aux diff´erents param`etres sont r´esum´ees dans le tableau 1. . En faisant tendre b vers l’infini. 1.2).2. plus grande que celle mod`ele de Wilson sans attente. Etudier la sensibilit´e du coˆ ut moyen a ` une erreur sur β ∗ ou q ∗ . La quantit´e ´economique de commande est. en valeur absolue. Ceci est logique dans la mesure o` u toute solution r´ealisable du mod`ele de Wilson sans attente est aussi r´ealisable dans le mod`ele avec attente. on obtient une expression tr`es simple : QoS ∗ = β∗ q∗ = b h+b qui tend vers 1 lorsque b tend vers l’infini ou lorsque h tend vers 0. Montrer que les coˆ uts fixes sont ´egaux ` a la somme des coˆ uts de possession et d’attente lorsque l’on adopte la politique optimale. On peut aussi calculer. ´ Exercice 3. En outre. q ) = λc + t h+b On remarque au passage que le coˆ ut moyen optimal est inf´erieur au coˆ ut moyen optimal du mod`ele de Wilson sans attente. `a l’optimal.4. pour sa part. on remarque que les ´elasticit´es de C ∗ et q ∗ sont sont plus faibles.

Consid´erons deux politiques totalement oppos´ees : — Politique π1 : satisfaire toutes les demandes et adopter la politique optimale (r∗ . Le coˆ ut moyen est alors C1 = λc + 2λkh . nous avons C π ≥ C1 . La politique π2 atteint la borne inf´erieure et est donc optimale. Il vient alors : C π = pC1π + (1 − p)C2π ≥ pC1 + (1 − p)C2 = p(C1 − C2 ) + C2 Si C1 ≥ C2 .2. Th´ eor` eme 1. La politique π1 atteint la borne inf´erieure et est donc optimale.3 Ventes perdues Dans le mod`ele avec ventes perdues. On peut imaginer que cl repr´esente la marge r´ealis´ee sur la vente d’une unit´e de produit ou encore le coˆ ut additionnel pour procurer rapidement une unit´e de produit au client en cas de rupture de stock. Il est clair que si cl ≤ c. si C1 ≤ C2 . D’autre part. Soit π une politique quelconque telle que une proportion p des demandes est satisfaite et une proportion (1 − p) des demandes n’est pas satisfaite. Nous nous int´eressons toujours au probl`eme de minimiser les coˆ uts moyens sur un horizon infini. . nous avons C π ≥ C2 . Si C1 < C2 .A. les ruptures de stock sont toujours autoris´ees mais leur traitement est diff´erent. nous avons C2π = C2 = λcl .4 – Elasticit´ e de C ∗ .1. Nous montrons dans le th´eor`eme suivant que soit la politique π1 est optimale. 1/2 1/2 b 1 h 2h + b h 1 b 2h + b q∗ 0 0 1/2 1/2 1 h − 2h + b 1 b − 2h + b β∗ 0 0 1/2 1/2 1 h 2h + b 1 h + b/2 − 2 h+b ´ Table 1. q ∗ ) √ du mod`ele de Wilson standard. On suppose qu’une demande qui n’est pas satisfaite imm´ediatement est perdue et entraˆıne un coˆ ut cl (l pour lost en anglais). Par un raisonnement analogue. Si C1 > C2 . Le coˆ ut moyen vaut alors C2 = λcl . VENTES PERDUES L c λ k 25 C ∗ (avec c = 0) 0 N. les 2 politiques sont ´equivalentes et optimales. il n’y a aucun int´erˆet `a maintenir l’activit´e et donc `a avoir du stock. Si C1 = C2 . Nous avons d’une part C1π ≥ C1 . ∞] = A1 ∪ A2 o` u A1 d´esigne l’ensemble des p´eriodes o` u la demande est satisfaite et A2 l’ensemble des p´eriodes o` u la demande n’est pas satisfaite. la politique π1 est optimale. On peut diviser l’horizon de temps en deux : [0. — Politique π2 : ne jamais commander et ne jamais satisfaire de demande.3. soit la politique π2 est optimale. q ∗ et β ∗ aux diff´erents param`etres 1. la politique π2 est optimale. D´emonstration. Notons C π le coˆ ut moyen de la politique π et Ciπ le coˆ ut moyen restreint `a l’intervalle Ai .

26 CHAPITRE 1. DEMANDE CONTINUE ET CONSTANTE .

elle sera caract´eris´ee par sa fonction de r´epartition FX (x) = P (X ≤ x) ou par ses probabilit´es p(x) = P (X = x). proportionnel aux nombres de ventes perdues. Dans un chapitre ult´erieur. nous verrons le cas o` u plusieurs approvisionnements sont possibles. discr`ete. Vous trouverez quelques rappels de probabilit´e en annexe A.) repr´esentant la demande au cours de la p´eriode — b = Coˆ ut unitaire de rupture de stock — h = Coˆ ut unitaire d’invendu L’objectif est de d´eterminer la quantit´e `a commander qui minimise l’esp´erance des coˆ uts. si elle existe. Un vendeur de journaux commande la veille pour le lendemain matin un certain nombre de journaux. N´eanmoins.a. On distinguera les cas o` u la demande est discr`ete et continue : — Si X est une v. il perd des ventes et a donc un manque a` gagner.a. Ce probl`eme de gestion de stock ne se pose bien ´evidemment pas qu’aux vendeurs de journaux mais ` a toute personne ou entreprise cherchant `a g´erer un stock p´erissable. L’id´ee g´en´erale est la suivante. continue. 2. Si il ne commande pas assez de journaux. 27 .Chapitre 2 Demande al´ eatoire (une p´ eriode) Nous allons examiner dans ce chapitre le probl`eme dit du ”vendeur de journaux” (newsboy problem ou encore newsvendor problem en anglais). sans r´eapprovisionnement possible. Si il lui reste des journaux en fin de journ´ee. Le probl`eme est de d´eterminer la quantit´e `a commander afin de minimiser l’esp´erance des coˆ uts. au vu de l’historique des ventes pass´ees. La demande journali`ere est al´eatoire et le vendeur ne sait donc pas combien de journaux il peut esp´erer vendre. elle sera caract´eris´ee par par sa fonction de r´epartition FX (x) = P (X ≤ x) ou par sa densit´e fX (x) = F 0 (x). il connaˆıt la distribution de cette demande.a.1 Mod` ele Les principales hypoth`eses sont les suivantes : — Probl`eme mono-p´eriode — q = Stock en d´ebut de p´eriode (variable de d´ecision) — X = Variable al´eatoire (v. ∗ On notera q la quantit´e optimale. — Si X est une v. il doit les jeter et a un coˆ ut d’invendu proportionnel au nombre de journaux jet´e.

Afin de trouver la quantit´e qui minimise l’esp´erance du coˆ ut. y)a01 (y) . X) = h(q − X)+ + b(X − q)+ = | {z } | {z } b(X − q). X)] = hE[(q − X)+ ] + bE[(X − q)+ ] On peut tout de suite remarquer que l’esp´erance des coˆ uts d’invendu. q minimise l’esp´erance des coˆ uts C(q) si et seulement si FX (q) = b h+b D´emonstration. y) ∂y dx + h(a2 (y). DEMANDE ALEATOIRE (UNE PERIODE) 28 Notons C(q. Nous avons C(q) = E[C(q. si X ≤ q C(q. la fonction (q − x) est croissante et convexe en q et l’esp´erance pr´eserve ces deux propri´et´es. est crois+ sante et convexe en q. est d´ecroissante et convexe en q. On en conclut que la fonction C(q) est convexe en q. Nous avons alors C(q) = hE[(q − X)+ ] + bE[(X − q)+ ] Z ∞ Z ∞ + (x − q)+ fX (x)dx (q − x) fX (x)dx + b =h Z0 q Z ∞0 =h (q − x)fX (x)dx + b (x − q)fX (x)dx. ∂ ∂y Z a2 (y) Z a2 (y) h(x. y)a02 (y) − h(a1 (y). Notons maintenant C(q) l’esp´erance du coˆ ut total lorsque la quantit´e command´ee est q. Nous avons ( h(q − X). X) le coˆ ut total si la quantit´e command´ee est q et la demande est X.1. nous allons d´eriver C(q) ` a l’aide de la formule de Leibniz a : Z q Z ∞ 0 C (q) = h fX (x)dx − b fX (x)dx 0 q = hFX (q) − b(1 − FX (q)) = (h + b)FX (q) − b a. 0 q Th´ eor` eme 2. De mˆeme l’esp´erance des coˆ uts de rupture. si X ≥ q Coˆ ut d’invendu Coˆ ut de rupture avec x+ ≡ max[0. En effet. 2. y)dx = a1 (y) a1 (y) ∂h(x. x]. Ch (q).2 Demande continue On suppose dans cette partie que la demande X est continue de densit´e fX et de fonction de r´epartition FX .´ ´ CHAPITRE 2. Cb (q).

3. Si les coˆ uts b et h sont ´egaux.3 Demande discr` ete D´esormais on suppose que la demande X est une variable al´eatoire discr`ete et on note p(x) = P (X = x).2. La quantit´e suivante est optimale : " ∗ q = min q ∈ IN|FX (q) ≥ b # b+h D´emonstration. il est facile de calculer par dichotomie la quantit´e optimale en utilisant le fait que FX est croissante. Afin de trouver le minimum de cette fonction. nous avons alors FX (q ∗ ) = 1/2 et il est optimal de commander la m´ediane de la demande. Quelle est la quantit´e optimale ` a commander ? 2. Si la fonction de r´epartition FX est connue. Si b < h. DEMANDE DISCRETE 29 De plus. nous allons d’abord montrer que ∆C(q) ≡ C(q +1)−C(q) est croissant en q (´equivalent de la convexit´e pour une fonction . Exercice 4. on commande plus que la m´ediane. la d´eriv´ee seconde est positive : C 00 (q) = (h + b)F 0 (q) = (h + b)fX (q) ≥ 0 La fonction C(q) est donc convexe et est minimale si et seulement si : b C 0 (q) = 0 ⇔ FX (q) = h+b Une preuve alternative n’utilisant pas la formule de Leibniz consiste `a int´egrer par partie la fonction de coˆ ut : Z ∞ Z q (1 − FX (x))dx FX (x)dx + b C(q) = h q 0 puis `a d´eriver simplement : C 0 (q) = (h + b)FX (q) − b. que le coˆ ut de fabrication est de 0. 5)). Un boulanger se pose la question suivante : combien de baguettes fabriquer en d´ebut de journ´ee ? On suppose que le prix de la baguette est de 1 euro.2 euros et que la demande est distribu´ee suivant une loi normale d’esp´erance 100 et d’´ecart-type 5 (X ∼ N (100. on commande moins que la m´ediane tandis que si b > h.` 2. On supposera que les quantit´es command´ees sont aussi enti`eres. Remarquons que la quantit´e optimale n’est pas forc´ement unique car FX peut ˆetre constante sur un intervalle. L’esp´erance du coˆ ut est alors : C(q) = h q X (q − x)p(x) + b ∞ X (x − q)p(x) q 0 Th´ eor` eme 2.

DEMANDE ALEATOIRE (UNE PERIODE) 30 discr`ete). Distribution de la demande : p(0) = p(2) = p(3) = 0.4 Qualit´ e de service Nous allons maintenant voir comment ´evaluer la qualit´e de service de deux mani`eres.´ ´ CHAPITRE 2. Exercice 6. Si X suit une distribution g´eom´etrique. Montrer que  !   h     ln ∗  q = h+b  .d. P (X = k) = pk (1 − p) pour k ≥ 0. — Taux de service en temps : quel pourcentage du temps suis-je capable de satisfaire toute la demande ? — Taux de service en quantit´e : quel pourcentage des pi`eces demand´ees suis-je capable de fournir ? Nous utiliserons les notations suivantes : — α1 (q) = Probabilit´e qu’il y ait rupture de stock si la quantit´e command´ee est q — α2 (q) = Pourcentage des demandes qui ne sont pas satisfaites si la quantit´e command´ee est q Le taux de service en temps (respectivement en quantit´e) est alors 1 − α1 (respectivement 1 − α2 ). Coˆ uts unitaires : b = 3. p(1) = 0. Calculer la quantit´e optimale et le coˆ ut optimal. h = 1.4.a. c. ln p 2. ∆C(q) = h " q+1 X (q + 1 − x)p(x) − q X 0 =h q X 0   ∞ ∞ X X (q − x)p(x) + b  (x − q − 1)p(x) − (x − q)p(x) # 0 p(x) − b ∞ X q+1 q p(x) q+1 = hFX (q) − b(1 − FX (q)) = (h + b)FX (q) − b La fonction de r´epartition FX (q) ´etant croissante en q. ∆C(q) l’est aussi. Illustrons ces notions ` a partir de l’exemple du tableau 2.1.2. . nous montrons en annexe B que le minimum de C(q) est atteint en : q ∗ = min[q ∈ IN|∆C(q) ≥ 0] Exercice 5. Si C est convexe.

Regardons maintenant comment calculer E(Y ) lorsque la demande X est discr`ete. Taux de service en temps De mani`ere g´en´erale.´ DE SERVICE 2. Le chapeauˆ indique que ces quantit´es sont des estimations empiriques des probabilit´es. Notons X1 . Nous avons P (Y = y) = P (X = y) pour 0 ≤ y < q et P (Y = q) = P (X ≥ q). la proportion de demandes satisfaites vaut 1 Pn Pn i=1 Yi Pn i=1 Xi = n i=1 Yi −→ 1 Pn n n→∞ i=1 Xi E(Y ) E(X) Cette derni`ere limite n’est rien d’autre que la loi des grands nombres. invendues et demande satisfaite pour une quantit´e command´ee q = 10 Nous pouvons estimer α1 (q) et α2 (q) `a partir de cet ´echantillon : α ˆ 1 (q) = 40% et α ˆ 2 (q) = 11. Sur cet ´echantillon.4. q). Pour ce faire. nous avons pour une demande continue : α1∗ ≡ α1 (q ∗ ) = h h+b Taux de service en quantit´ e La deuxi`eme qualit´e de service est moins imm´ediate `a calculer. α1 (q) = P (X > q) = 1 − FX (q) A l’optimal. Elle peut s’exprimer comme Yi = min(Xi . Il vient alors : E(Y ) = q X y=0 yP (Y = y) = q−1 X y=0 yP (X = y) + qP (X ≥ q) . QUALITE 31 Demande x Ruptures = (x − q)+ Invendus = (q − x)+ Demande satisfaite = min(x. Soit Yi la quantit´e vendue (= demande satisfaite) correspondant `a la demande Xi .1 – Exemple : Ruptures. · · · . q) Lundi 6 0 4 6 Mardi 12 2 0 10 Mercredi 14 4 0 10 Jeudi 9 0 1 9 Vendredi 10 0 0 10 Table 2. on peut facilement calculer le taux de service en temps si l’on connaˆıt la distribution de la demande. commen¸cons par d´eterminer la distribution de Y .7%. Xn un ´echantillon de demandes.

Nous utiliserons les notations FZ .6 Cas particulier de la loi normale Supposons dans cette partie que X suit une loi normale d’esp´erance µ et d’´ecart-type σ X ∼ N (µ. Nous avons alors Z q xfX (x)dx + qP (Y = q) E(Y ) = 0 Z q = xfX (x)dx + qP (X ≥ q) 0 2. la quantit´e vendue Y est une variable al´eatoire mixte (voir annexe A). On notera ν le stock de s´ecurit´e.5 Stock de s´ ecurit´ e On appellera stock de s´ecurit´e ce qui est command´e en plus de l’esp´erance de la demande. qZ∗ = FZ−1 X h+b h+b ii) CX (q) = σCZ (z) avec q = µ + σz ∗ = µ + σq ∗ iii) qX Z ∗ = σq ∗ iv) νX Z ∗ = σC ∗ v) CX Z . montrer que le stock de s´ecurit´e est positif (respectivement n´egatif ) si b ≥ h (respectivement b ≤ h). ν = q − E(X) Le stock de s´ecurit´e peut ˆetre n´egatif si on commande moins que l’esp´erance de la demande. DEMANDE ALEATOIRE (UNE PERIODE) 32 Lorsque la demande X est une variable al´eatoire continue. ∗ q ∗ et ν ∗ quand la demande est Z.´ ´ CHAPITRE 2. Exercice 7.3. 2. σ) Nous utiliserons les notations suivantes pour une demande X : — FX : fonction de r´epartition de la demande — CX (q) = hE(q − X)+ + bE(X − q)+ ∗ ≡ min C (q) — CX q X ∗ — qX : quantit´e optimale ∗ = q ∗ − E(X) : stock de s´ — νX ecurit´e `a l’optimal X La variable X −µ Z= σ suit alors une loi normale centr´ee r´eduite (Z ∼ N (0. Supposons que la m´ediane de X est ´egale ` a l’esp´erance de X. En effet. Cz . 1)). CX X X Th´ eor` eme 2. Y prend la valeur q avec une probabilit´e non nulle : P (Y = q) = P (X ≥ q) = 1 − FX (q). Nous avons les propri´et´es suivantes : ! ! b b ∗ = F −1 i) qX . Lorsque l’on commande la quantit´e optimale.

nσ). La demande totale Tn vaut : n X T = Xi i=1 √ et est distribu´ee suivant une loi normale N (nµ. la demande est distribu´ee suivant une loi normale N (µ. nous avons par ailleurs les relations suivantes : ∗ νX =0⇔b=h ∗ νX >0⇔b>h ∗ νX <0⇔b<h Mutualisation des stocks Supposons qu’il y ait n clients de demandes ind´ependantes X1 . l’´ecart-type a une influence lin´eaire sur le stock de s´ecurit´e et le coˆ ut optimal. le coˆ ut optimal ainsi que le stock de s´ecurit´e sont nuls car la demande est ´egale E(X) avec une probabilit´e 1 et il est optimal de commander exactement E(X) (cela revient `a un probl`eme d´eterministe). . Nous obtenons : √ qT∗ = nqZ∗ + nµ √ νT∗ = nσqZ∗ √ CT∗ = nσCZ∗ Ainsi. Plus la demande est variable. On suppose que pour chaque client i. la demande moyenne double.4. le √ stock de s´ecurit´e ainsi que le coˆ ut moyen ne sont multipli´es que par 2 ' 1. 33 i) Cons´equence directe du th´eor`eme 2. nous avons ∗ FX (qX ) b = ⇔ P (X ≤ h+b ⇔ FZ ∗ qX ) b = ⇔P Z≤ h+b ∗ −µ qX ! = σ b h+b ∗ −µ qX σ ⇔ qZ∗ = ! = b h+b ∗ −µ qX σ iv) R´esulte de iii. σ). Ainsi. · · · . ii) CX (q) = hE(q − X)+ + bE(X − q)+ = hE(µ + σz − X)+ + bE(X − µ − σz)+ = hE[σ(z − Z)]+ + bE[σ(Z − z)]+ = σ[hE(z − Z)+ + bE(Z − z)+ ] = σCZ (z) iii) D’apr`es le th´eor`eme 2. La m´ediane ´etant ´egale `a l’esp´erance pour une loi normale.6. CAS PARTICULIER DE LA LOI NORMALE D´emonstration. v) Impliqu´e par ii et iii. plus le coˆ ut optimal est ´elev´e. Xn .1. lorsque le nombre de clients double. En revanche.1. Si l’´ecart-type est nul.2.

On supposera que les coˆ uts de rupture sont identiques pour tous les clients et que les coˆ uts d’invendu (ou de possession) sont les mˆemes pour tous les stocks.2). N´eanmoins.3 – Gain relatif β(n) en fonction de n Pourquoi la loi normale est-elle si importante ? La loi normale est tr`es importante car la demande peut souvent ˆetre approch´ee par une loi normale. On notera l’esp´erance et l’´ecart-type de Ai comme suit : E(Ai ) = µi .3 repr´esente β(n) en fonction de n. la r´eduction des coˆ uts tend vers 100%.1 – Stocks distincts versus stock commun Stocks distincts Stock unique Coˆ ut optimal C1 = nσCZ∗ √ C2 = nσCZ∗ Quantit´e totale command´ee nµ + nσqZ∗ √ nµ + nσqZ∗ Stock de s´ecurit´e total nσq ∗ √ Z∗ nσqZ Table 2. de distribution quelconque (discr`ete ou continue).´ ´ CHAPITRE 2. DEMANDE ALEATOIRE (UNE PERIODE) 34 Comparons maintenant un syst`eme avec un stock pour chaque client au syst`eme avec un stock commun pour tous les clients (figure 2.2 – Stocks distincts versus stock commun Les stocks de s´ecurit´e et les coˆ uts sont nettement inf´erieures pour la solution avec un stock commun. Notons β(n) la r´eduction de coˆ ut relative (en %) si l’on utilise un seul stock au lieu de n stocks : C2 = C1 − β(n)C1 ⇔ β(n) = C1 − C2 C1 1 =1−√ n Le tableau 2.1 et tableau 2. l’essentiel des gains a lieu pour de petites valeurs de n. En effet. X1 … X1 … 1 1 Xn Xn n Figure 2. n β(n) 1 0% 2 29% 3 42% 4 50% 10 68% 100 86% Table 2. σ(Ai ) = σi . supposons que la demande X soit la somme des demandes ind´ependantes de n clients (ce qui est le cas en pratique !) : X= n X Ai i=1 o` u Ai est la demande du client i. Lorsque n tend vers l’infini.

· · · .7. An sont ind´ependantes et que n est suffisamment grand g´en´eraln > 20). le coˆ ut associ´e `a l’achat d’une unit´e. Ainsi. σ(X) = t σ2 i i=1 i=1 Une version g´en´eralis´ee du th´eor`eme centrale limite nous dit que si les demandes A1 . Si il lui reste des produits en fin de saison. alors on peut approP (enq P 2 σi . densit´e f ) — r : prix de vente normal — s : prix de vente en solde — w : coˆ ut d’achat unitaire — p : p´enalit´e par unit´e de demande non satisfaite (pendant la saison) — v : coˆ ut unitaire en magasin (mise en rayon. Les param`etres du mod`ele sont les suivants : — X : demande al´eatoire continue (fonction de r´epartition F . Nous allons montrer comment ramener ce probl`eme `a un probl`eme de vendeur de journaux classique o` u les param`etres du mod`ele sont : h = w0 − s b = p + r − w − v. applications. La quantit´e q peut se d´ecomposer comme suit : q= min(X. la loi normale apparaˆıt tout naturellement. X) le profit associ´e ` a une quantit´e q et `a une demande X et G(q) = E[G(q.) L’objectif est de d´eterminer la quantit´e qui maximise le profit du vendeur. etc. q) | {z } quantit´ e vendue au prix fort (q − X)+ | {z } + quantit´ e vendue au prix sold´ e Nous allons utiliser la propri´et´e suivante : min(q. q) + (s − w0 )(q − X)+ − p(X − q)+ | {z } P´ enalit´ es pour les ruptures 0 0 = (r − w )X − [(w − s)(q − X) + (p + r − w0 )(X − q)+ ] | {z } | {z } + h b puis G(q) = (r − w0 )E(X) − [hE(q − X)+ + bE(X − q)+ ] | {z } =C(q) . MAXIMISATION DU PROFIT 35 Nous avons alors : E(X) = n X v u n uX µi . X) = (r − w0 ) min(X. 2. 0 Par ailleurs notons w = w + v.7 Maximisation du profit On consid`ere un vendeur devant acheter q produits en d´ebut de saison et ne pouvant pas r´eapprovisionner son stock en cours de saison (par exemple des articles de mode). X) = X − (X − q)+ Nous avons alors G(q. Notons G(q. il pourra tous les ´ecouler au moment des soldes en proposant un prix sold´e au client.2. dans de nombreuses cher la distribution de X par la loi normale N µi . X)].

Nous proposons une premi`ere variante o` u le coˆ ut de rupture est ind´ependant du nombre de ruptures. (I) + Z min C(q) = hE(q − X) + bP (X > q) = h q q (q − x)fX (x)dx + b(1 − FX (q)) 0 Nous avons en utilisant la formule de d´erivation de Leibniz : C 0 (q) = hFX (q) − bfX (q) La fonction C(q) n’est pas n´ecessairement convexe. la quantit´e q est optimale si et seulement si FX (q) = b/(h + b). . L’estimation des coˆ uts de rupture pouvant se r´ev´eler complexe dans certaines situation. DEMANDE ALEATOIRE (UNE PERIODE) 36 et max G(q) ⇔ min C(q) q q Nous nous sommes ramen´e au probl`eme du vendeur de journaux classique et toute quantit´e optimale q ∗ satisfait : FX (q ∗ ) = 2.4 – Diff´erentes mod´elisations de la qualit´e de service Les probl`emes d’optimisation associ´es sont les suivants.8 b h+b Variantes Dans le probl`eme du vendeur de journaux. nous discuterons uniquement le cas o` u la demande et la quantit´e command´ee sont continues.1. nous proposons des variantes o` u l’on se fixe une qualit´e de service. Il est n´ecessaire de connaˆıtre plus pr´ecis´ement la distribution de la demande pour pouvoir r´esoudre ce probl`eme d’optimisation. Coˆ uts (I) P´enalit´e fixe b si il y a rupture de stock au cours de la p´eriode (II) P´enalit´e proportionnelle au nombre de demandes non satisfaites (b=coˆ ut de rupture unitaire) Cycle Quantit´e Contrainte sur la qualit´e de service (III) Probabilit´e de rupture de stock α1 (q) ≤ β (IV) Proportion de demandes non satisfaites α2 (q) ≤ β Table 2. Pour simplifier.´ ´ CHAPITRE 2. (II) min hE(q − X)+ + bE(X − q)+ q Comme nous l’avons vu dans le th´eor`eme 2. nous avons suppos´e que le coˆ ut de rupture de stock ´etait proportionnel au nombre de ruptures.

c. X)) E(X) =β . il suffit donc de trouver la quantit´e q qui satisfait α2 (q) = β ⇔ 1 − E(min(q. VARIANTES 37 (III) min C(q) = hE(q − X)+ q s. Il suffit donc de trouver la quantit´e q qui satisfait α1 (q) = β ⇔ FX (q) = 1 − β (IV) min hE(q − X)+ q s.c. α1 (q) ≤ β Les fonctions C(q) et α1 (q) sont respectivement croissante et d´ecroissante en q. α2 (q) ≤ β Les fonctions C(q) et α1 (q) sont respectivement croissante et d´ecroissante en q.2. A nouveau.8.

DEMANDE ALEATOIRE (UNE PERIODE) .38 ´ ´ CHAPITRE 2.

par semaine ou par mois. · · · . . Dans la suite de ce chapitre.1) Entre deux instants de commande s1 et s2 . il faut d´ecider des instants de commande et des quantit´es de commande ` a ces instants.). Une autre approche consiste ` a discr´etiser le temps et les instants de d´ecision. 1. Un probl`eme plus r´ealiste consiste `a consid´erer que la demande varie dans le temps.. Ainsi. la demande cumul´ee de s ` a t. en particulier le taux de la demande. T − 1 P — dt = demande ` a l’instant t. t ∈ [s1 . (3.1) ne va pas avoir de solution analytique simple. puis : x0 (t) = −λ(t). Par ailleurs. 3. nous adopterons cette mod´elisation o` u les d´ecisions de r´eapprovisionnement ne peuvent intervenir qu’` a des instants pr´ed´efinis. nous avons x(t + dt) = x(t) − λ(t)dt entre deux commandes.1 Sans rupture de stock On consid`ere le mod`ele DEL (Dynamic Economic Lotsize) : — T = horizon de temps — t = instant de d´ecision t = 0. Dans la pratique. On notera D[s. Si on note x(t) le stock `a l’instant t. l’´equation (3. sauf pour des fonctions de demande simples (lin´eaire ou exponentielle par exemple). Ce probl`eme d’optimisation est complexe..t] = ti=s di . cette mod´elisation s’adapte bien ` a des situations o` u les commandes ne peuvent ˆetre pass´ees qu’une fois par jour. Une premi`ere approche consiste ` a supposer que le taux de la demande λ(t) d´epend de l’instant t consid´er´e. la demande pendant dt vaut λ(t)dt. nous avons consid´er´e un mod`ele stationnaire o` u les param`etres sont ind´ependants du temps. — L = d´elai d’approvisionnement — kt = coˆ ut fixe d’approvisionnement `a l’instant t — ct = coˆ ut lin´eaire d’approvisionnement `a l’instant t 39 . d´es que l’on va consid´erer des hypoth`eses suppl´ementaires (p´erissabilit´e.Chapitre 3 Demande variable et d´ eterministe Dans les mod`eles de type Wilson (chapitre 1). s2 [ s Afin de caract´eriser la politique optimale. le stock ´evolue comme suit Z t x(t) = x(s1 ) − λ(u)du.

nous en resterons `a la mod´elisation du probl`eme.3) xt ≥ 0 pour t = 1.1. · · · . x0 = x (3. induisant un coˆ ut ct qt + kt 1l{qt >0} ) — La demande dt se produit et est satisfaite avec le stock xt + qt . sans perte de g´en´eralit´e. DEMANDE VARIABLE ET DETERMINISTE 40 — ht = coˆ ut de possession ` a l’instant t — x0 = x stock en d´ebut de p´eriode t = 0 L’objectif est de d´eterminer une politique qui satisfait toutes les demandes et qui minimise les coˆ uts sur l’horizon [0. nous r´ef´erons le lecteur au cours de ”Recherche op´erationnelle et planification” (semestre 3 de la fili`ere ICL) ou encore `a l’ouvrage de Zipkin (2000).1 – Dynamique du syst`eme Dans le cadre de ce cours.c. Les demandes ´etant d´eterministes. q1 . on observe le stock disponible xt et on encourt un coˆ ut de possession ht xt — Une commande qt est pass´ee et arrive imm´ediatement. · · · . q0 x0 qt x1 0 xt … d0 qT-1 xt+1 t xT-1 … dt xT T-1 T dT-1 Figure 3. il suffit d’avancer les commandes de L. T qt ≥ 0 pour t = 1. En effet. On peut la lin´eariser en introduisant la variable binaire zt (= 1 si on commande ` a t. lorsque L > 0. T − 1 (3.´ CHAPITRE 3. Pour plus de d´etails sur sa r´esolution. Notre obtenons alors un programme lin´eaire . on peut supposer que le d´elai L est nul. On peut formuler ce probl`eme d’optimisation comme suit : min T −1 X  ht xt + ct qt + kt 1l{qt >0} + hT xT t=0 s. La s´equence exacte des ´ev´enements est la suivante : — A l’instant t. Quelques notations : — xt = stock en d´ebut de p´eriode t — qt = quantit´e command´ee en d´ebut de p´eriode t Une politique de r´eapprovisionnement est caract´eris´ee par les quantit´es command´ees ` a chaque instant : (q0 . · · · . T ]. La dynamique du syst`eme est alors : xt+1 = xt + qt − dt Une repr´esentation possible de la dynamique est donn´ee sur la figure 3. Ce probl`eme a ´et´e r´esolu pour la premi`ere fois par Wagner and Whitin (1958). T − 1 La quantit´e 1l{qt >0} n’est pas lin´eaire en qt . 0 sinon).2) xt+1 = xt + qt − dt pour t = 0. · · · . qT −1 ).

On peut donc repr´esenter une politique ZIO comme ´etant un chemin dans un graphe dont les sommets sont les instants t = 0. min T −1 X (ht xt + ct qt + kt zt ) + hT xT t=0 s. · · · . il nous suffit de connaˆıtre les instants de commande pour caract´eriser enti`erement une politique ZIO. 2. not´ee D[t. ce chemin dans le graphe repr´esente une politique o` u l’on commande aux instants t = 0. T qt ≥ 0 pour t = 0. t[ (l’exclusion de t de l’intervalle vient de la s´equence des ´ev´enements) : qs = t−1 X di i=s Ainsi. Notons tout d’abord que la politique optimale est ZIO (Zero Inventory Ordering). 5. t0 ). 0 1 2 3 4 5 6 7 8 Figure 3. t0 [. pour tout t < t0 . Le poids d’un arc (t. Signalons enfin quelques heuristiques pour le probl`eme DEL : . 6. T − 1 xt ≥ 0 pour t = 1. Consid´erons deux instants de commandes cons´ecutifs s et t d’une politique ZIO. t0 [. On peut par exemple utiliser l’algorithme de Dijkstra qui calcule en O(|V |2 ) le plus court chemin dans un graphe G = (V. t0 [. Une autre approche consiste ` a formuler le probl`eme sous la forme d’un plus court chemin dans un graphe orient´e.4) Mt zt ≥ qt pour t = 0. SANS RUPTURE DE STOCK 41 en nombres entiers (PLNE). 1} pour t = 0. nous avons qt = 0 si xt > 0 (on ne commande que si le stock est nul). on peut prendre Mt = D[t. La r´esolution de ce PLNE peut ˆetre longue si le nombre de variables devient important (ici. Nous avons : 0 0 0 k[t. t0 [ s=t+1 Le probl`eme revient alors ` a trouver un plus court chemin du sommet 0 au sommet T . t [= k(t) + c(t)D[t. Pour le probl`eme qui nous int´eresse. · · · . Pour toute politique ZIO. E l’ensemble des arcs et |V | la cardinalit´e de V .3. T − 1 (3.1. correspond au coˆ ut induit par une commande pass´ee `a t afin de couvrir la demande cumul´ee sur l’intervalle [t. La quantit´e command´ee `a s doit couvrir exactement la demande sur l’intervalle [s. T .c.2 – Pour un horizon T = 8. not´e k[t. T − 1 zt ∈ {0. x0 = x xt+1 = xt + qt − dt pour t = 0. T − 1 Les param`etres Mt doivent ˆetre choisis suffisamment grands. La quantit´e optimale command´ee ` a t ´etant n´ecessairement inf´erieure `a la demande cumul´ee de 0 `a T . le nombre de sommets du graphe est T et nous avons donc un algorithme en O(T 2 ). t [+ t X h(s)D[s. · · · .T [ . Un arc relie le sommet t ` a t0 . · · · . · · · . · · · . E) o` u V d´esigne l’ensemble des sommets du graphe. si T est grand).

Commander v u u 2k tous les TEOQ = t (en arrondissant `a l’entier le plus proche strictement positif). Ventes perdues On suppose qu’une demande non satisfaite instantan´ement est d´efinitivement perdue. T − 1 Ce probl`eme peut aussi ˆetre mod´elis´e comme un plus court chemin dans un graphe (Zipkin. · · · . 2000) mais c’est un peu plus compliqu´e. · · · .2 Variantes et extensions De nombreuses variantes et extensions du probl`eme pr´ec´edent ont ´et´e consid´er´ees dans la litt´erature. le coˆ ut encouru moyen est k[0. avec une p´enalit´e bt par unit´e de demande non satisfaite. 1} pour t = 0. · · · . · · · . hD La quantit´e command´ee est choisie de mani`ere `a satisfaire exactement la demande sur la p´eriode. DEMANDE VARIABLE ET DETERMINISTE 42 — Utiliser la formule de Wilson avec la demande moyenne D = 1 PT T i=1 di . Il suffit d’enlever la contrainte xt ≥ 0 et de rajouter les coˆ uts d’attente : min T −1 X  − − + ht x + t + bt xt + ct qt + kt zt + hT xT + bT xT t=0 s. u[/u. La formulation est proche de celle de (3.´ CHAPITRE 3. 3. x0 = x xt+1 = xt + qt − dt pour t = 0. T − 1 zt ∈ {0. Nous en pr´esentons ici trois. u[. T − 1 qt ≥ 0 pour t = 0.4). Ventes diff´ er´ ees Supposons d´esormais que les demandes peuvent ˆetre mises en attente et que le coˆ ut d’attente unitaire ` a la p´eriode t est bt .c. T − 1 M zt ≥ qt pour t = 0. Si on commande `a t = 0 de mani`ere `a couvrir la demande sur [0. . — Minimiser le coˆ ut moyen localement. On va chercher `a minimiser localement cette quantit´e. Ces heuristiques peuvent cependant se r´eveler tr`es mauvaises dans certaines situations.

T − 1 qt ≥ 0 pour t = 0.2. Coˆ uts actualis´ es Notons α le taux d’int´erˆet par p´eriode et posons γ = 1/(1 + α). Les caract´eristiques ` a l’´etage j et ` a l’instant t sont les suivantes : j — dt = : demande ` a l’instant t j — kt = coˆ ut fixe d’approvisionnement j — ct = coˆ ut lin´eaire d’approvisionnement — hjt = coˆ ut de possession j — x = stock initial 1 2 … J Figure 3. kt0 = γ t kt .5) xt+1 = (xt + qt − dt )+ pour xt ≥ 0 pour t = 1.3). T − 1 Si la p´enalit´e bt est ind´ependante du nombre de ruptures mais est appliqu´ee `a chaque fois qu’il y a rupture. 1 euro investi ` a t l’instant initial rapporte (1 + α) euros `a l’instant t. x0 = x (3.4). T − 1 zt ∈ {0. · · · .3. R´eciproquement. on se ram`ene au probl`eme (3.c. T − 1 (Contrainte inutile) M zt ≥ qt pour t = 0. il suffit de remplacer dans la fonction objectif bt [dt − (xt + qt )]+ par bt 1l{dt >xt +qt } . Syst` eme s´ erie Consid´erons une extension du mod`ele DEL `a un syst`eme s´erie `a J ´etages (figure 3. 1} pour t = 0. · · · . · · · . Ainsi. · · · . · · · . On supposera que qtJ+1 = 0 pour simplifier l’´ecriture du PLNE : .3 – Syst`eme s´erie Soit qtj la quantit´e command´ee en p´eriode t `a l’´etage j et ztj une variable binaire valant 1 si on commande en p´eriode t ` a l’´etage j et 0 sinon. T t = 0. un coˆ ut de 1 euro ` a t l’instant t correspond ` a un coˆ ut actualis´e `a l’instant t = 0 de 1/(1 + α) . La fonction objectif devient alors : T −1 X  T γ t ht x+ t + ct qt + kt 1l{qt >0} + γ hT XT t=0 En posant h0t = γ t ht . c0t = γ t ct . VARIANTES ET EXTENSIONS min T −1 X 43  ht xt + bt [dt − (xt + qt )]+ + ct qt + kt zt + hT xT t=0 s.

R´ediger le PLNE. . DEMANDE VARIABLE ET DETERMINISTE 44 min "T −1 J X X j=1 s. · · · . 1} pour t = 0. ∀j 0. ∀j qtj ≥ 0 pour t = 0.  # hjt xjt + cjt qtj + ktj ztj + hjT xjT t=0 xj0 = xj xjt+1 = xjt + qtj − djt − qtj+1 pour t = xjt ≥ 0 pour t = 1. Chaque stock i a un ensemble de successeurs suc(i) ⊂ I. On consid`ere un syst`eme g´en´eral avec un ensemble de stocks I. · · · . · · · . ∀j Exercice 8. ∀j ztj ∈ {0. T.c. ∀j M ztj ≥ qtj pour t = 0. T − 1. · · · . T − 1. Les autres hypoth`eses sont les mˆemes que pour le syst`eme s´erie.´ CHAPITRE 3. · · · . T − 1. T − 1.

2. nous ne sp´ecifions ni la structure des coˆ uts.1 Mod` ele Le — — — mod`ele ´etudi´e au cours de ce chapitre est le suivant : Horizon de temps infini t = instant de d´ecision t = 0. Remarque 1. Pour l’instant. Quelques notations : — Xt = Stock net ` a l’instant t (stock disponible moins le nombre de demandes en attente) — Qt = Quantit´e command´ee a` l’instant t — Yt = Stock brut ` a l’instant t (stock net + commandes en transit) Yt = Xt + Qt−1 + Qt−2 + · · · + Qt−L (4. P — DL = L ee pendant le d´elai de livraison L t=1 Dt = Demande cumul´ — Traitement des ruptures de stock : nous discuterons le cas des ventes diff´er´ees ainsi que le cas des ventes perdues. 45 . Les demandes ´etant al´eatoires.i.d.. — L = d´elai d’approvisionnement. Dans la pratique. Nous supposerons que les demandes sont i. ces variables al´eatoires d´ependent.1) Remarquons que Xt . Par exemple. nous ne pouvons pas nous ramener simplement au cas L = 0. 1. `a priori. 4.d. l’esp´erance de la demande E(Dt ) est en g´en´eral croissante puis d´ecroissante avec t. Yt et Qt sont des variables al´eatoires car les demandes sont al´eatoires. (ind´ependantes d’une p´eriode `a l’autre et identiquement distribu´ees). du stock initial X0 = x0 et de la politique d’approvisionnement choisie.i. En outre. · · · Dt = demande al´eatoire ` a l’instant t . si l’on consid`ere le cycle de vie d’un produit. ni la fonction objectif. les demandes ne sont en g´en´eral pas i.Chapitre 4 Demande al´ eatoire (plusieurs p´ eriodes) Ce chapitre est une extension du mod`ele du vendeur de journaux o` u l’on consid`ere plusieurs p´eriodes.

2 4. nous avons : Yt+1 = Yt + Qt − Dt En effet. ) sont d´ecid´ees `a l’instant t = 0. Ce type de politique est tr`es mal adapt´e `a un environnement al´eatoire car ne s’adapte absolument pas aux ´ev´enements. .3) Ventes perdues ` at En g´en´eral. . QT −L . q1 . . — La demande Dt se r´ealise entre t et t + 1 4. · · · . il n’y a pas de relation simple entre Yt+1 et Yt comme dans le cas avec ventes diff´er´ees : Yt+1 = Yt + Qt − Dt + [Dt − Xt − Qt−L ]+ | {z } (4. On peut distinguer deux types de politiques : — Les politiques statiques : les quantit´es command´ees (q0 .2 Ventes perdues Dans le cas de ventes perdues. On r´eceptionne Qt−L unit´es.1)) et en utilisant la relation (4. DEMANDE ALEATOIRE (PLUSIEURS PERIODES) 46 La — — — s´equence des ´ev´enements est la suivante : En d´ebut de p´eriode t.2) Si l’on raisonne en stocks bruts.3 Politiques d’approvisionnement Une politique π d’approvisionnement sp´ecifie `a chaque instant la quantit´e `a commander. nous avons : Xt+1 = Xt + Qt−L − Dt (4. le probl`eme avec ventes perdues est plus difficile `a ´etudier sur un plan th´eorique. nous avons : Yt+1 = Xt+1 + Qt + Qt−1 + · · · + Qt+1−L = (Xt + Qt−L − Dt ) + Qt + Qt−1 + · · · + Qt+1−L = (Xt + Qt−1 + · · · + Qt+1−L + Qt−L ) + Qt − Dt = Yt + Qt − Dt 4.2. la dynamique des stocks nets est l´eg`erement diff´erente : Xt+1 = max[Xt + Qt−L − Dt .2). 4. c’est-`a-dire la commande pass´ee L p´eriodes auparavant. .1 Dynamique Ventes diff´ er´ ees Dans le cas de ventes diff´er´ees. en partant de la d´efinition du stock brut (´equation (4.2. le stock net est Xt et les commandes en transit sont Qt−1 .´ ´ CHAPITRE 4. on passe une commande de taille Qt qui arrivera L p´eriodes apr`es. 0] = [Xt + Qt−L − Dt ]+ Malheureusement. Imm´ediatement apr`es.

S) avec r = S − 1 o` u encore comme une politique (T. S) avec T = 1. S). Le tableau 4. S.1 – Comparaison des politiques . Si l’on note Πs l’ensemble des politiques statiques et Πd l’ensemble des politiques dynamiques. T ). POLITIQUES D’APPROVISIONNEMENT 47 — Les politiques dynamiques : la d´ecision d’approvisionnement `a l’instant t est prise en fonction des informations dont on dispose (niveau de stock. Les d´efinitions des principales politiques donn´ees au chapitre 1. Ce type de politique est beaucoup plus adapt´e ` a des demandes al´eatoires. r´ealisations des demandes pass´ees. il est clair que Πs ⊂ Πd . q). q).4. Une politique base-stock (S) consiste ` a viser en permanence le stock S et revient `a commander (S − SB(t)) d´es que SB(t) < S. quantit´es command´ees pr´ec´edemment).1 pr´esente quelques avantages et inconv´enients des principales politiques. Avantages Gestion ` a point de commande (r) Gestion daire (T ) calen- Quantit´e variable (S) Quantit´e fixe (q) — Bonne r´eactivit´e `a des variations de la demande — Coˆ uts fixes peuvent ˆetre optimis´es Inconv´enients — N´ecessit´e d’un suivi permanent des stocks — Gestion administrative complexe — Difficult´e `a regrouper des commandes — Gestion administrative plus facile — Possibilit´e de regrouper des commandes aupr`es d’un fournisseur — Mal adapt´e `a des fortes variations de la demande — Stock de s´ecurit´e ´elev´e — Coˆ uts fixes ´elev´es si un seul produit — Bonne r´eactivit´e `a des variations de la demande — Pas de prise en compte des contraintes de conditionnement — Prise en compte de contraintes de conditionnement — Mal adapt´e `a des fortes variations de la demande car la quantit´e command´ee est toujours q Table 4. (r. Nous allons maintenant d´efinir une nouvelle politique : la politique base-stock. on peut voir la politique base-stock comme une politique (r. Lorsque la demande est enti`ere et le temps discr´etis´e.1. (r. S). (T.2 restent valables dans le contexte de ce chapitre : (T.3. (r.

1 Simulation La premi`ere approche pour ´evaluer les performances d’une politique est de la simuler (cf TP simulation). 4. probabilit´e de rupture.2 Chaˆınes de Markov ` a temps discret Une autre approche consiste ` a mod´eliser l’´evolution du syst`eme par une chaˆıne de Markov `a temps discret (CMTD). De brefs rappels sur les processus stochastiques et les chaˆınes de Markov sont donn´es dans l’annexe C. surtout si on souhaite une bonne pr´ecision — Analyse des r´esultats d´elicate M´ethodes analytiques — Permet de traiter uniquement certains probl`emes — Peu coˆ uteuses en temps de calcul — Bonne compr´ehension du syst`eme Table 4. Notons au passage que simulation et m´ethodes analytiques constituent des approches compl´ementaires (tableau 4. ` a l’aide de m´ethodes num´eriques ou analytiques. Simulation — Approche g´en´erique permettant d’aborder des probl`emes complexes — Gourmande en temps de calcul. nous avons : Xt+1 = Xt + Qt−L − Dt Lorsque L > 0. . d´es que l’on ajoute des hypoth`eses suppl´ementaires. le mod`ele de Wilson ou le mod`ele du vendeur de journaux permettent d’obtenir des formules analytiques faciles `a interpr´eter.4. le processus (Xt ) n’est pas une CMTD car Qt−L d´epend de Xt−L . On peut alors calculer les param`etres de performance d’une politique de mani`ere exacte.2).).4..´ ´ CHAPITRE 4.2 – Comparaison de la simulation et des m´ethodes analytiques 4..4 Evaluation des performances d’une politique Nous allons voir maintenant comment ´evaluer les performances d’une politique (stock moyen. La simulation permet alors de prendre le relais. . On peut distinguer deux approches. DEMANDE ALEATOIRE (PLUSIEURS PERIODES) 48 4. coˆ ut moyen. Ventes diff´ er´ ees Quelques hypoth`eses suppl´ementaires sont n´ecessaires pour d´ecrire l’´evolution du syst`eme par une CMTD : — Les demandes ainsi que les quantit´es command´ees prennent des valeurs enti`eres — La d´ecision d’approvisionnement Qt `a l’instant d´epend uniquement du stock brut Yt . obtenir des formules analytiques simples se r´ev`ele en g´en´eral impossible. Dans le cas de ventes diff´er´ees. Par exemple. N´eanmoins.

si Yt ≤ r pij (t) = P (Dt = i − j). si Yt ≤ r = Yt − Dt .4.4. Nous pouvons en effet exprimer le stock net en fonction du stock brut et de la demande cumul´ee sur un d´elai livraison : Xt = Yt−L − DL Si l’on connaˆıt la distribution de DL .. . si Yt > r Yt+1 = Yt − Dt + q1l{Yt ≤r} Probabilit´ es de transition ( P (Dt = S − j). le comportement futur ne d´epend que de l’´etat actuel : P (Yt+1 = yt+1 |Yt = yt . si Yt > r ( P (Dt = i − j + q). Quelques exemples : P — Stock moyen = ∞ i=0 iP (X = i) P — Nombre moyen de demandes en attente = . on connaˆıt alors les probabilit´es de transition de la CMTD et on peut calculer les probabilit´es en r´egime transitoire P (Yt = j) (probabilit´e que le stock brut vale j `a l’instant t). En effet.0i=−∞ iP (X = i) P — Pourcentage de jours sans rupture jour = P (X ≥ 0) = +∞ i=0 P (X = i) — .. Poisson. nous avons Yt+1 = Yt + Qt − Dt o` u Qt d´epend uniquement de Yt (par hypoth`ese). Yt−1 = yt−1 . on peut alors en d´eduire la distribution de Xt : P (Xt = k) = ∞ X P (Yt−L = k + i)P (DL = i) i=0 En r´egime stationnaire.). si Yt ≤ r pij (t) = P (Dt = i − j). si Yt > r Table 4. on peut en d´eduire ais´ement tous les param`etres de performance du syst`eme. Ainsi. Y0 = y0 ) = P (Yt+1 = yt+1 |Yt = yt ) Nous noterons pij = P (Yt+1 = j|Yt = i) la probabilit´e de passer d’un stock brut i ` a l’instant t ` a un stock brut j ` a l’instant t + 1. . S) (r. q) Yt+1 ( Dynamique S − Dt . Politique (r. cela se simplifie `a P (X = k) = ∞ X P (Y = k + i)P (DL = i) i=0 Une fois les probabilit´es stationnaires calcul´ees.. ainsi que les probabilit´es en r´egime stationnaire P (Y = j) = limt→∞ P (Yt = j)..3 donnent les probabilit´es de transition pour quelques politiques classiques. On peut alors en d´eduire les probabilit´es en r´egime transitoire et stationnaire des stocks nets. · · · . le processus (Yt ) est bien une CMTD.3 – Probabilit´es de transition pour quelques politiques classiques Si la distribution de la demande est connue (Bernouilli. EVALUATION DES PERFORMANCES D’UNE POLITIQUE 49 En revanche. Le tableau 4.

50 ´ ´ CHAPITRE 4. · · · . ni le stock net. le stock net est ´egal au stock brut et ´evolue suivant une chaˆıne de Markov : Xt+1 = [Xt + Qt − Dt ]+ On peut alors calculer ais´ement les probabilit´es en r´egime transitoire et en r´egime stationnaire. Qt−2 . DEMANDE ALEATOIRE (PLUSIEURS PERIODES) Ventes perdues Pour des ventes perdues. ` a condition que la quantit´e Qt soit bas´ee uniquement sur Zt . Qt . Qt−L ) Nous avons alors Zt+1 = (Xt + Qt−L − Dt . Il est n´eanmoins possible de repr´esenter l’´evolution du syst`eme par une autre chaˆıne de Markov en gardant en m´emoire les ordres pass´es au cours des L derni`eres p´eriodes. ni le stock brut n’´evoluent suivant une chaˆıne de Markov. on peut analyser facilement le probl`eme avec d´elai de livraison nul. Dans ce cas. · · · . Qt−L+1 ) qui ne d´epend que de Zt et Dt . Qt−1 . . Malheureusement. Qt−1 . l’espace d’´etat de cette chaˆıne de Markov explose lorsque le d´elai d’approvisionnement augmente et il devient vite difficile de calculer num´eriquement les probabilit´es transitoires et stationnaires. On peut alors dire que (Zt ) est une CMTD. pour un d´elai d’approvisionnement quelconque. En revanche. Consid´erons le processus stochastique (Zt ) suivant : Zt = (Xt .

1 Repr´ esentation d’un r´ eseau logistique Nous allons maintenant consid´erer un r´eseau logistique avec plusieurs stocks. — Assemblage (figure 4. j) est un arc du graphe. Stock Client final (transport.Chapitre 5 Multi´ echelon : demande constante 5.2) : un sommet poss`ede au plus un successeur imm´ediat et au plus un pr´ed´ecesseur imm´ediat. on dira que i est un pr´ed´ecesseur imm´ediat de j si (i. — G´en´eral (figure 5. j) est un arc du graphe. E) o` u V d´esigne l’ensemble des sommets du graphe et E l’ensemble des arcs orient´es du graphe.4) : un sommet poss`ede au plus un pr´ed´ecesseur imm´ediat mais peut poss´eder plusieurs successeurs imm´ediats. contrôle) Figure 5. — Arbre (figure 5. — Distribution (figure 5. notamment des cycles dans le graphe non orient´e associ´e. 51 . De mˆeme. Un sommet du graphe est un point de stockage et un arc relie le sommet i au sommet j si i est fournisseur de j. On dira que j est un successeur imm´ediat de i si (i.1) : le graphe peut avoir n’importe quelle structure.5) : il n’y a pas de cycles dans le graphe non-orient´e associ´e. Activité assemblage.2) : un sommet poss`ede au plus un successeur mais peut poss´eder plusieurs pr´ed´ecesseurs imm´ediats.1 – Repr´esentation graphique d’un r´eseau logistique On distingue diff´erents types de r´eseaux logistiques : — S´erie (figure 5. On peut repr´esenter un tel syst`eme par un graphe orient´e G = (V. transformation.

` ´ CHAPITRE 5.5 – Arbre 5.6 – Syst`eme s´erie Pour fabriquer 1 unit´e de stock j. Les caract´eristiques de l’´etage j sont les suivantes : — Lj = D´elai d’approvisionnement .6). Le stock 1 s’approvisionne ` a l’ext´erieur du syst`eme. 1 2 … J Figure 5. l’´etage j a besoin d’exactement 1 unit´e du stock j − 1 (αj > 0).2 5. sans contrainte de capacit´e.3 – Assemblage Figure 5. de telle sorte que l’´etage j soit le fournisseur de l’´etage j + 1 pour 1 ≤ j ≤ J − 1 (figure 5.4 – Distribution Figure 5. continue de taux λ.2.1 Syst` eme s´ erie Mod` ele Nous allons ´etendre dans cette section le mod`ele de Wilson (chapitre 1) `a un mod`ele s´erie. Le stock J sert ` a satisfaire la demande finale. Num´erotons de 1 ` a J les diff´erents ´etages.2 – S´erie Figure 5. SYSTEMES MULTI-ECHELON 52 Figure 5.

SYSTEME SERIE 53 — h0j = Coˆ ut de possession d’une unit´e de stock pendant une unit´e de temps — kj = Coˆ ut fixe d’approvisionnement j — cj = Coˆ ut variable d’approvisionnement On supposera que h01 < h02 < · · · < h0J .2. La relation suivante est valable `a chaque ´etage j : qj = λuj Th´ eor` eme 5. ` a chaque ´etage.` ´ 5. D´ efinition 5. 2000. Nous pourrons toujours ramener l’´etude d’un probl`eme avec des Lj > 0 au cas avec des Lj = 0. Cette hypoth`ese est r´ealiste. D´ efinition 5. les coˆ uts de manutention ont tendance aussi `a augmenter avec l’´etage. l’´etage J (qui voit la demande finale) est celui qui commande le plus souvent tandis que l’´etage 1.1. Une politique d’approvisionnement est dite imbriqu´ee si l’´etage j + 1 commande ` a chaque fois que l’´etage j commande. D´ efinition 5. En outre. les quantit´es command´ees sont n´ecessairement constantes et on les notera (q1 . sans ruptures de stock. voir par exemple (Zipkin. Pour une d´emonstration compl`ete. Il existe une politique optimale qui soit imbriqu´ee.2. pour tout j. il faut que les p´eriodes v´erifient : uj = aj uj+1 avec aj ∈ IN∗ . On peut d´ecrire une politique ` a intervalles stationnaires par le vecteur u = (u1 . uJ ) o` u uj est la p´eriode d’approvisionnement de l’´etage j. les commandes ne peuvent arriver que lorsque le stock est nul. 5. dans la mesure o` u la valeur des produits augmentent avec l’´etage (et donc les coˆ uts financiers). qJ ). ` a intervalles stationnaires et ZIO.  Nous allons maintenant nous restreindre `a l’´etude des politiques imbriqu´ees. L’objectif sera ` a nouveau de trouver une politique d’approvisionnement qui minimise les coˆ uts moyens ` a horizon infini. Une politique d’approvisionnement est dite ` a intervalles stationnaires si les commandes arrivent ` a intervalles r´eguliers ` a l’´etage j. · · · . `a intervalles stationnaires et ZIO.2. une commande `a l’´etage j d´eclenche automatiquement une commande ` a l’´etage j + 1. · · · . Pour qu’une telle politique soit r´ealisable. D´ emonstration : La d´emonstration de ce th´eor`eme sera admise dans le cadre de ce cours.135-136).1.3.2 Structure de la politique optimale Nous allons tout d’abord d´efinir les notions de politique imbriqu´ee. Une politique d’approvisionnement est dite ZIO (Zero Inventory Ordering) si. est celui qui commande le moins souvent. nous supposerons que les d´elais d’approvisionnement sont nuls (Lj = 0). Si une politique d’approvisionnement est ` a intervalles stationnaires et ZIO. Par ailleurs. p. Pour une politique imbriqu´ee. Ainsi. Les coˆ uts variables sont ind´ependants de la politique utilis´ee et nous les supposerons nuls par la suite (cj = 0). qui commande `a l’ext´erieur du syst`eme. de politique `a intervalles stationnaires et de politique ZIO.

Au dernier ´etage (´etage 3). il semble pertinent de regarder le stock total en aval de l’´etage j (Sj = Sj0 + · · · + SJ0 ) afin de prendre les d´ecisions de r´eapprovisionnement ` a l’´etage j. est d´efini comme la somme des stocks disponibles . 1 … j … J Figure 5. Nous avons suppos´e que l’´etage 3 commande trois fois plus souvent que l’´etage 2 qui commande lui-mˆeme deux fois plus souvent que l’´etage 1.8 – Echelon j Le stock ´echelon ` a l’´etage j.3 Stock ´ echelon Nous allons simplifier le probl`eme en introduisant la notion de stock ´echelon.8). Pour un syst`eme `a trois ´etages (J = 3). la figure 5. l’´evolution des stocks est plus complexe. il n’est sans doute pas int´eressant de r´eapprovisionner l’´etage j puisque il y a d´ej`a suffisamment de produits en transit ou en stock pour satisfaire la demande finale. imbriqu´ee et ZIO de p´eriodes u = (6. SYSTEMES MULTI-ECHELON 54 Notons Sj0 (t) le stock disponible `a l’´etage j.7 – Evolution des stocks Sj0 (t) et des stocks ´echelon Sj (t) pour une politique imbriqu´ee. 1).` ´ CHAPITRE 5. `a l’instant t. si il y a beaucoup de produits en stock (ou en transit) entre l’´etage j et le dernier ´etage J. not´e Sj (t).2. S3’(t) = S3(t) Étage 3 u3 S2’(t) Étage 2 S2(t) = S2’(t) + S3’(t) u2 = 3 u3 S1’(t) Étage 1 S1(t) = S1’(t) + S2’(t) + S3’(t) u1 = 2 u2 = 6 u3 Figure 5. ZIO et ` a intervalles stationnaires 5. Dans un syst`eme s´erie. Donnons d’abord quelques intuitions. 3. l’´evolution du stock est similaire ` a celle du mod`ele de Wilson. c’est `a dire les ´etages i ≥ j (voir figure 5. En effet. On d´efinit l’´echelon j comme l’ensemble des ´etages en aval de j. Aux autres ´etages.7 repr´esente l’´evolution des stocks disponibles (en trait plein) pour une politique stationnaire.

7. le stock ´echelon Sj n’est modifi´e que par des commandes pass´es par l’´etage j et par la demande finale λ. Nous avons alors la relation suivante entre les coˆ uts de possession (par unit´e de temps) classiques et ´echelon : X h0j Sj0 (t) = j 5.2. Sur la figure 5. Cette hypoth`ese est r´ealiste dans la mesure o` u les coˆ uts de possession tendent `a augmenter avec la valeur du produit et donc avec l’´etage. le stock ´echelon n’est pas modifi´e. dans la mesure o` u l’´evolution des stocks Sj0 (t) est relativement complexe (figure 5.7).2. c’est-`a-dire h0j > h0j−1 . En effet. On suppose que hj > 0. not´e hj . j=1 uj Le coˆ ut de possession par unit´e de temps peut se calculer sur la p´eriode u1 dans la mesure o` u les stocks Sj (t) sont tous u1 -p´eriodiques. nous avons repr´esent´es en pointill´es l’´evolution des stocks ´echelons pour un syst`eme ` a 3 ´etages. Les coˆ uts fixes par unit´e de temps valent tout simplement Ck (u) = J X kj .1) . (5. Lorsque qu’une commande est pass´e entre deux ´etages k et k + 1 (j ≤ k < J). Ch (u) = 1 u1 Z 0 u1   J X  h0j Sj0 (t) dt j=1 En l’´etat. uJ ) (stationnaire. Le coˆ ut de possession de l’´echelon j.` ´ 5. SYSTEME SERIE 55 de l’´etage j ` a l’´etage J : Sj (t) = J X Si0 (t) i=j L’´evolution d’un stock ´echelon est tr`es simple et correspond `a celle du mod`ele de Wilson de p´eriode uj et de demande de taux λ. imbriqu´ee et ZIO) en fonction des param`etres du syst`eme.4 X hj Sj (t). Nous allons utiliser la relation (5.1) j Coˆ ut d’une politique ´ Evaluons maintenant le coˆ ut par unit´e de temps d’une politique u = (u1 . le calcul des coˆ uts de possession n’est pas triviale. est d´efini par : hj = h0j − h0j−1 avec h00 = 0. · · · .

5 Optimisation Nous allons maintenant tenter de rechercher la meilleure politique (ou du moins une bonne politique) parmi les politiques imbriqu´ees.3) ` a (5. uJ ) s’exprime facilement en utilisant les coˆ uts de possession ´echelon : C(u) = J X Cj (uj ) avec j=1 Cj (uj ) = kj + uj λhj 2 uj La quantit´e Cj (uj ) repr´esente le coˆ ut moyen d’un mod`ele de Wilson `a un ´etage de param`etres hj . 2000) qui sont hors-programme cette ann´ee. Finalement.c.6) aj ∈ N ∗ pour 1 ≤ j < J uj ≥ 0 pour 1 ≤ j ≤ J Ce probl`eme est un probl`eme d’optimisation non-lin´eaire et mixte (variables enti`eres et r´eelles) qui est difficile ` a r´esoudre directement. kj . Cela revient au probl`eme d’optimisation suivant. Le passage de (5.2. `a intervalles stationnaires et ZIO. λ.3) avec p´eriode uj et demande de taux λ. C ∗ = min C(u) s.` ´ CHAPITRE 5. uj = aj uj+1 pour 1 ≤ j < J (5.3) 0 Z J X λhj 2 j=1 (5.4) 0 ! (5. SYSTEMES MULTI-ECHELON 56 pour simplifier le calcul : Ch (u) = = 1 u1 Z u1   J X  hj Sj (t) dt 0 J Z 1 X u1 j=1 = = = u1  hj Sj (t)dt 0 J X 1 j=1 u1 J X 1 j=1 uj Z ! u1 hj Sj (t)dt (5.4) ` a (5. · · · . le coˆ ut par unit´e de temps C(u) de la politique u = (u1 .5) uj Le passage de de (5.1. 5.2) j=1 ! uj hj Sj (t)dt (5.4) vient du fait que Sj (t) est u1 -p´eriodique mais aussi uj p´eriodique.5) vient du fait que l’´evolution du stock ´echelon Sj (t) est pr´ecis´ement celle du mod`ele de Wilson (cf chapitre 1. Il existe n´eanmoins des heuristiques avec de tr`es bonnes garanties de performance (Zipkin. .

Rappelons que la dynamique du syst`eme est la suivante : Xt+1 = Xt + Qt−L − Dt Notons v(π.1 Fonction objectif Revenons au probl`eme d´ecrit ` a la section ??. . 1.Chapitre 6 Programmation dynamique stochastique Les hypoth`eses sont les suivantes : — T = horizon de temps — t = instant de d´ecision t = 0. T ] est la variable al´eatoire suivante : T −1 X  ht Xt+ + bt Xt− + ct qt + kt 1l{Qt >0} + hT XT+ + bT XT− t=0 Notons que les processus stochastiques {Xt }t≥0 et {Qt }t≥0 d´ependent de la politique π mise en oeuvre ainsi que de l’´etat initial X0 = x0 . x0 ) = E ht Xt+ + bt Xt− + ct qt + kt 1l{Qt >0} + hT XT+ + bT XT− |π. x0 ) l’esp´erance du coˆ ut total lorsque la politique π est adopt´ee et le stock initial est x0 . T — Dt = demande ` a l’instant t (variable al´eatoire) — Une demande qui n’est pas satisfaite imm´ediatement est mise en attente — L = d´elai d’approvisionnement — kt = coˆ ut fixe d’approvisionnement `a l’instant t — ct = coˆ ut variable d’approvisionnement `a l’instant t — ht = coˆ ut de possession ` a l’instant t — bt = coˆ ut de mise en attente `a l’instant t — x0 = stock initial — Objectif : D´eterminer une politique d’approvisionnement qui minimise l’esp´erance des coˆ uts sur l’horizon de temps. X0 = x t=0 57 . · · · . Pour all´eger les notations. 6. Nous avons : # "T −1 X  v(π. nous n’indicerons pas Xt et Qt par π et x0 . Le coˆ ut total sur l’horizon de temps [0.

une politique myope peut se r´ev´eler optimale. PROGRAMMATION DYNAMIQUE STOCHASTIQUE L’objectif est de trouver une politique π ∗ qui minimise l’esp´erance des coˆ uts. Si l’on suppose que la demande Dt est une variable al´eatoire continue de fonction de r´epartition FDt . la politique myope est une politique base-stock (StM ) qui consiste ` a M recompl´eter le stock ` a un niveau St `a la p´eriode t. l’esp´erance des coˆ uts L + 1 p´eriodes plus tard. Sous certaines hypoth`eses. la politique myope consistera `a d´eterminer la quantit´e ` a commander qt ` a l’instant t qui minimise Ct (qt ).58 CHAPITRE 6. x) π∈Πd Sans hypoth`eses suppl´ementaires. Dans le cadre du probl`eme d’optimisation d´efini au d´ebut de ce chapitre (partie ??). vaut alors − + ) ) + bt+1 E(Xt+1 Ct (qt ) = ht+1 E(Xt+1 = ht+1 E(xt + qt − Dt )+ + bt+1 E(xt + qt − Dt )− = ht+1 E(zt − Dt )+ + bt+1 E(zt − Dt )− = Cˆt (z) Minimiser Ct (qt ) revient donc au probl`eme suivant min Cˆt (zt ) zt ≥xt (6. il peut se r´ev´eler impossible de d´eterminer la politique optimale (par exemple si les demandes sont corr´el´ees d’une p´eriode `a l’autre). parmi l’ensemble des politiques dynamiques : v ∗ (x) = min v(π. la position de stock est yt . Supposons qu’` a l’instant t. D´ elai d’approvisionnement nul (L = 0) Pla¸cons nous ` a l’instant t et supposons que le stock vaut xt et que l’on commande une quantit´e qt . Nous savons alors . 6. une politique myope possible consiste `a d´eterminer la quantit´e de r´eapprovisionnement qui minimise l’esp´erance des coˆ uts sur une p´eriode.2 Politiques myopes Une politique myope est une politique qui regarde uniquement les cons´equences imm´ediates des d´ecisions qu’elle prend. Ct (qt ). Nous allons voir comment ramener ce probl`eme ` a un probl`eme de vendeur de journaux. D´ elai d’approvisionnement positif (L > 0) Avec un d´elai d’approvisionnement positif. le th´eor`eme 2. Notons zt = xt + qt le stock juste apr`es le r´eapprovisionnement.1) La fonction objectif Cˆt est identique `a celle du probl`eme de vendeur de journaux (cf chapitre 2). L’esp´erance du coˆ ut sur la p´eriode `a venir.1 nous assure que Cˆt (zt ) est convexe et atteint son minimum en StM tel que bt+1 FDt (StM ) = ht+1 + bt+1 En conclusion.

Ainsi. L’objectif est de trouver une politique π ∗ qui minimise l’esp´erance des coˆ uts.1 Param` etres non stationnaires Avec coˆ uts fixes (kt > 0) Lorsque les param`etres varient dans le temps. la politique optimale est (r. que les demandes sont i.2 Param` etres ind´ ependants du temps Supposons dans cette partie que les param`etres sont ind´ependants du temps (ht = h. St ). . Nous renvoyons le lecteur `a Zipkin (2000) et Porteus (2002) pour une approche compl`ete et des d´emonstrations d´etaill´ees. Sous cette hypoth`ese. Sous ces hypoth`eses. St ) qui stipule de recompl´eter le stock brut `a un niveau St lorsque le stock brut est inf´erieur ou ´egal au point de commande rt . Si l’on note Yt le stock brut `a l’instant t. 6.3 Politique optimale Nous nous pla¸cons dans le cadre du mod`ele avec demandes diff´er´ees. La politique myope est une politique base-stock (StM ) o` u StM satisfait FDtL (StM ) = bt+1 ht+1 + bt+1 Remarquez que l’on doit alors piloter le syst`eme en fonction du stock brut et non du stock net.i. Pour d´eterminer les param`etres (rt . La politique optimale est donc une politique base-stock (St ). d´efini au d´ebut de ce chapitre.3. la politique optimale a une structure simple. cela revient `a commander (St − Yt ) lorsque Yt ≤ rt . parmi l’ensemble des politiques dynamiques : v ∗ (x) = min v(π. kt = k. la politique optimale consiste ` a recompl`eter le stock brut ` a chaque p´eriode `a un niveau St . POLITIQUE OPTIMALE 59 que toutes les commandes pass´ees avant t seront arriv´ees `a la p´eriode (t + L).d. S). la politique optimale est une politique (rt . bt = b. 6. 6.3.3. et que l’horizon de temps infini.6. nous pouvons relier le stock net ` a l’instant t + L + 1 `a la position de stock `a l’instant t : Xt+L+1 = yt + qt − (Dt + Dt+1 + · · · Dt+L ) | {z } =DtL Le probl`eme est alors identique au cas L = 0 en consid´erant la demande cumul´ee DtL au lieu de Dt . x) π∈Πd Les r´esultats de cette partie seront admis. ct = c). on peut recourir `a la programmation dynamique stochastique (hors-programme). Sans coˆ uts fixes (kt = 0) Dans le cas particulier o` u les coˆ uts fixes sont nuls.

On peut d´eterminer le niveau de recompl`etement optimal en se ramenant `a un probl`eme de vendeur de journaux o` u la demande consid´er´ee est la demande cumul´ee sur un d´elai de livraison : " # b S ∗ = min S ∈ IN : FDL (S) ≥ h+b 6. pour tout s. L’optimisation des param`etres r et S n’est pas triviale lorsque k > 0. Pour montrer que la politique optimale est base-stock. ∀s = 0. il suffit de montrer par r´ecurrence que vs∗ (x) est convexe en x. x) le coˆ ut total optimal (en esp´erance) sur l’horizon [s. X0 = x t=s puis : vs∗ (x) = min vs (π. T − 1. Notons vs (π.3. la politique myope est optimale. S)). PROGRAMMATION DYNAMIQUE STOCHASTIQUE Th´ eor` eme 6. les ´equations d’optimalit´e s’´ecrivent ainsi : vT∗ (x) = hT XT+ + bT XT− . Le cas d’un coˆ ut fixe non nul est nettement plus difficile et n´ecessite d’introduire la notion de k-convexit´e (voir Zipkin (2000) pour une preuve de l’optimalit´e d’une politique (r.3 Programmation dynamique stochastique Pour trouver la politique optimale. . T ] en partant d’un ´etat initial x ` a l’instant s : # "T −1 X  vs (π. 1. x) = E ht Xt+ + bt Xt− + ct Qt + kt 1l{Qt >0} + hT XT+ + bT XT− |π. Il existe diff´erentes m´ethodes que nous ne d´evelopperons pas ici. on peut proc´eder par programmation dynamique arri`ere. La politique optimale est de type (r. Lorsque les coˆ uts fixes sont nuls (k = 0). S). ∀x ∗ vs∗ (x) = min E[ht+1 (x + q − Dt )+ + bt+1 (x + q − Dt )− + ct q + vs+1 ((x + q − Dt )+ )] q≥0 ∀x. · · · . Lorsque k = 0. x) π∈Πd Sans coˆ uts fixes.1. Elle repose sur la programmation dynamique stochastique que nous introduisons bri`evement dans la section suivante.60 CHAPITRE 6. La preuve de ce th´eor`eme d´epasse le cadre de cours. la politique optimale se r´eduit ` a une politique de type base-stock (recompl`etement du stock brut ` aS ` a chaque p´eriode).

Deuxi` eme partie Exercices corrig´ es 61 .

.

Question 2. q = λu Question 4. vous ne consid´ererez que des politiques ZIO ayant un stock nul `a l’instant t = T . T ] (`a ne pas confondre avec le coˆ ut par unit´e de temps). R´ eponse : u = T /n. D´emontrer que la politique optimale est n´ecessairement ZIO. R´ eponse : 63 . Exprimer C(n) en fonction de h. On cherche d´esormais `a minimiser le coˆ ut total sur un horizon de temps fini [0. Dans la suite de l’exercice. λ. T ] (`a chaque fois la mˆeme quantit´e).Chapitre 1 Demande constante et continue 1 Horizon fini Adaptation examen 2012 Nous allons reprendre dans cet exercice le mod`ele classique de Wilson : — Un seul produit — Demande continue de taux λ — L = D´elai d’approvisionnement — h = Coˆ ut de possession d’une unit´e de stock pendant une unit´e de temps (h pour holding en anglais) — k = Coˆ ut fixe d’approvisionnement — c = Coˆ ut variable d’approvisionnement L’objectif est en revanche diff´erent de celui du cours. c. sur l’horizon [0. k. On supposera que le stock physique `a t = 0 est nul. n. Soit C(n) le coˆ ut total de la politique π(n) sur l’horizon [0. Repr´esenter graphiquement l’´evolution du stock physique et du stock brut pour une politique non ZIO. Soit la politique π(n) qui commande exactement n fois sur l’horizon [0. Question 3. Exprimer la quantit´e command´ee q et la p´eriode u en fonction de λ. Dans la suite de l’exercice. On peut avoir passer des commandes avant t = 0. vous supposerez que le d´elai de livraison est nul. T ]. T. Montrer que C(n) est une fonction convexe de n. D´emontrer par ailleurs que la politique optimale a n´ecessairement un stock nul `a l’instant final t = T . Question 1. n et T . Vous prendrez un d´elai de livraison strictement positif. T ].

Il est ´egal ` a la demande sur l’horizon [0. quel que soit le nombre de commandes.64 CHAPITRE 1.62. Cela est vrai si le stock final et le stock initial sont nuls. T ] ? R´ eponse : v u u λh En annulant la d´erivant de C(n). Question 7. Question 5. Les coˆ uts fixes ne d´ependent pas de la politique. la meilleur place des ordres de mˆeme taille. C(81) = 16323. sinon Question 6. k = 100 euros et c = 0. P Le coˆ ut variable d’une politique u = (u1 . On cherche donc `a r´esoudre le probl`eme suivant : .5 euros. C(n) est donc convexe En supposant que n ∈ IR+ . ( ∗ n = bn0 c. · · · .8 euros.1) T2 T2 et C 00 (n) = λh > 0. R´ eponse : Soit ui et qi la p´eriode et la quantit´e command´ee `a la i-`eme commande. h = 2 euros par jour et par unit´e en stock. La convexit´e de C(n) implique 2K ∗ que n est l’un des deux entiers les plus proches de n0 . on obtient n0 = T t . si C(bn0 c) < C(dn0 e) dn0 e. · · · . Consid´erons maintenant une politique placant n ordres de taille q1 . Nous avons consid´erer jusqu’`a pr´esent que la politique π(n) placait n ordres de mˆeme taille. lorsque le nombre de commandes n est fix´e. parmi ces politiques. qn . Calculer le nombre optimal de commandes pour les valeurs suivantes : T = 365 jours. `a une constante multiplicative pr`es. λ = 35 demandes par semaine. C 0 (n) = k −λh 2n2 n3 en n. R´ eponse : n0 = 81. un ) est alors ni=1 u2i . T ]. commencer par exprimer le coˆ ut total d’une telle politique sur l’horizon [0. Quel est le nombre optimal n∗ de commandes `a passer sur l’horizon [0. C(82) = 16323. Pour cela. Montrer que. DEMANDE CONSTANTE ET CONTINUE T2 C(n) = λcT + nk + λh 2n (1. Pourquoi le nombre optimal de commandes n∗ ne d´epend-il pas du coˆ ut variable d’approvisionnement c ? R´ eponse : Le coˆ ut variable d’approvisionnement sur [0. Les coˆ uts variables sont eux aussi ind´ependants de la politique. Question 8. non n´ecessairement ´egaux. Vous supposerez qu’une semaine est ´egale `a 7 jours. T ]. n∗ = 82. T ] est le mˆeme. Le coˆ ut de 2 possession ` a la p´eriode i est hui qi /2 = λhui /2.

Comme T = nu. · · · . alors la quantit´e optimale est inchang´ee lorsqu’on ajoute la contrainte (1. On peut agr´eger ces deux contraintes en : u ≤ umax = min[SPmax /λ. D´esormais. Dans le cas g´en´eral. Lmax ]. Pour que cette solution satisfasse la contrainte du programme. La deuxi`eme contrainte s’´ecrit u ≤ Lmax . on peut alors raisonner par l’absurde. Soit une politique ayant deux p´eriodes diff´erentes. CAPACITE minimiser 65 f (u) = n X u2i i=1 n X s.2).´ DE PRODUCTION LIMITEE ´ 2. Il s’effectue suivant un processus de production continu. Question 9. On ajoute deux contraintes `a notre probl`eme : le stock physique ne doit pas d´epasser SPmax et les produits ne doivent pas rester en stock plus de Lmax pour des raisons de p´erissabilit´e. Quelle est alors le nombre optimal n∗ de commandes ? Vous pourrez distinguer plusieurs cas de figures. On peut alors conclure que la politique optimale commande n´ecessairement `a intervalles r´eguliers. soit u = (T /n+1 . alors cette politique n’est pas optimale car on peut construire une politique de coˆ ut strictement inf´erieur en utilisant le r´esultat pour n = 2. alors la quantit´e optimale est dnmax e. ∀i Ce programme a pour minimum u∗ = (T /n. T /n+ n ) une autre solution. R´ eponse : La premi`ere contrainte s’´ecrit q ≤ SPmax ou encore u ≤ SPmax /λ. Si n∗ < nmax . · · · . T /n). En effet. il faut P que i = 0. l’approvisionnement n’est plus instantan´e. Ce r´esultat vient de la convexit´e en n de C(n).c. . 2 Capacit´ e de production limit´ ee On se place dans le cadre des mod`eles `a quantit´e ´economique de commande.2) Si n∗ ≥ nmax . Les principales hypoth`eses sont les suivantes : — La demande est continue de taux λ et doit ˆetre satisfaite imm´ediatement. ui = T i=1 ui > 0. Nous consid´erons une variante du mod`ele standard. Il vient alors : f (u) = n X T i=1 n !2 + i = n X T i=1 = f (u∗ ) + 0 + n X !2 + n n 2T X n i=1 i + n X 2i i=1 2i > f (u) i=1 Une preuve alternative consiste `a commencer par d´emontrer le r´esultat dans le cas particulier n = 2. la contrainte sur u se traduit par une contrainte sur n : n ≥ nmax = T /umax (1.

Soit C(q) le coˆ ut moyen d’une politique π(q). Question 1. Dessiner le graphique de l’´evolution du stock disponible dans le temps. Tout ce qui est produit sur l’intervalle [0. R´ eponse : En utilisant les r´esultats pr´ec´edents. est ´egal `a ce qui est consomm´e sur l’intervalle [u0 . DEMANDE CONSTANTE ET CONTINUE — La production de pi`eces peut ˆetre d´emarr´ee ou arrˆet´ee `a tout instant. Le symbole ”≡” signifie ici que ρ est d´efini comme ´etant ´egal ` a λ/µ. le taux d’utilisation. Exprimer C(q) en fonction des param`etres du mod`ele et de q.66 CHAPITRE 1. i. — Chaque lancement de production entraˆıne un coˆ ut fixe k. — Le coˆ ut unitaire de production est c. Montrer que le stock maximale atteint vaut Smax = q(1 − ρ). Soit ρ ≡ λ/µ. Les pi`eces sont produites continˆ ument suivant un taux µ . Question 2. — Arrˆeter la production ` a chaque fois que q unit´es ont ´et´e produites. Les pi`eces produites sont imm´ediatement disponibles pour satisfaire la demande. nous obtenons : C(q) = λc + = λc + k 1 + hSmax u 2 λk 1 + (1 − ρ)hq q 2 . Une politique de production sp´ecifie quand d´emarrer la machine et quand l’´eteindre. Smax . L’objectif est de d´eterminer la politique qui minimise le coˆ ut moyen sur un horizon infini. R´ eponse : Expliquons comment les valeurs ont ´et´e obtenues sur la figure 1. On notera cette politique π(q) et on se restreindra dans un premier temps `a des politiques de ce type. u0 ] est consomm´e sur l’intervalle [0. Ce mod`ele peut repr´esent´ee une ligne de production compos´ee de deux machines en s´erie s´epar´ees par un stock. µ pi`eces sont produites par unit´e de temps. On supposera que le stock `a l’instant initial est nul. Soit la politique de production de param`etre q suivante : — D´ebuter la production ` a chaque fois que le stock disponible devient nul.e. u] : q = µu0 = λu Le stock maximum atteint. Quelle condition doit satisfaire ρ afin que toute la demande puisse ˆetre satisfaite ? R´ eponse : On doit avoir ρ ≤ 1 (λ ≤ µ) pour pouvoir satisfaire toute la demande.1. u] : Smax = λ(u − u0 ) = λ q λ − q ! = q(1 − ρ) µ Question 3. — La possession d’une unit´e de stock pendant une unit´e de temps coˆ ute h.

nous avons : v u u2λk ∗ q −→ t = q ∗ (EOQ) µ→∞ h √ C ∗ −→ λc + 2λkh = C ∗ (EOQ) µ→∞ On r´e-obtient les formules du mod`ele EOQ standard. en prenant un coˆ ut de possession h0 = (1 − ρ)h. lorsque µ tend vers l’infini. ce qui est logique car. Soit q ∗ la taille de lot qui minimise le coˆ ut moyen. Par ailleurs : q ∗ −→ +∞ µ→λ+ . R´ eponse : Le coˆ ut moyen C(q) est le mˆeme que pour le mod`ele EOQ standard. Repr´esenter graphiquement q ∗ (µ) et C ∗ (µ) en fonction de µ et commenter. u∗ la dur´ee optimale entre deux lancements de production et C ∗ le coˆ ut moyen optimal. u∗ et C ∗ en fonction des param`etres du mod`ele.´ DE PRODUCTION LIMITEE ´ 2. Etudier l’influence de µ sur q ∗ et C ∗ en pr´ecisant les comportements limites (µ → λ et µ → ∞). Lorsque µ tend vers l’infini. on peut fabriquer instantan´ement n’importe quelle quantit´e. Exprimer q ∗ . Les quantit´es q ∗ (µ) et C ∗ (µ) sont elles sensibles `a des variations de µ ? R´ eponse : q ∗ est d´ecroissant en µ tandis que C ∗ est croissant en µ. On a donc : v u u 2λk ∗ q =t (1 − ρ)h v u ∗ u 2k q ∗ u = =t λ λ(1 − ρ)h p C ∗ = λc + 2λk(1 − ρ)h ´ Question 5.1 – Evolution du stock disponible Question 4. CAPACITE 67 S(t) q (1-ρ)q µ-λ 0 … -λ u=q/λ u’=q/µ 2u t τ Figure 1.

00 1. Les coˆ uts fixes moyens sont donc nuls.2 – Influence de la capacit´e de production sur le coˆ ut moyen optimale et sur la quantit´e ´economique de commande C ∗. DEMANDE CONSTANTE ET CONTINUE C ∗ −→ λc µ→λ+ Lorsque µ tend vers λ.00 1.68 CHAPITRE 1.00 1.25 1. µ = 3 unit´es par heure. u∗ = 7. le stock reste `a la valeur du stock initial. Calculer C ∗ . i. Les coˆ uts de possession sont donc nuls et il ne reste plus que les coˆ uts variables.13 C ∗ est donc robuste ` a une erreur sur la quantit´e command´ee.50 1.25 2. La production permettant exactement de satisfaire la demande. Question 6. R´ eponse : q ∗ = 15.25 0.50 1.00 1. On consid`ere les donn´ees suivantes : λ = 2 unit´es par heure. On peut montrer que (cf le cours) :   1 a +  ∗ C(aQ∗ ) =  a   C(Q ) 2 a C(aQ∗ )/C(Q∗ ) 0.25 4. C ∗ = 5.e.03 1. Ce n’est pas le cas de En effet.08 2. `a la valeur 0.10 1. k = 20 euros. Supposons que la quantit´e command´ee est aQ∗ avec a > 0.5 unit´es .00 2. nous avons : v u ∗ 0 q (µ ) u 1 − λ/µ −→ ∞ =t ∗ q (µ) 1 − λ/µ0 µ0 →λ et.13 0.75 1. On remarque que q ∗ est tr`es sensible `a µ lorsque λ est proche µ. Est-ce grave ? . c = 0.01 1.04 0. C*(eoq) C*(µ) q*(µ) q*(eoq) λcv µ λ µ λ Figure 1.16 euros par heure. Le manager s’aper¸coit qu’il se trompe depuis un an sur l’´evaluation du coˆ ut fixe qui vaut en r´ealit´e 10 euros.75 heures. il faut produire tout le temps pour pouvoir satisfaire la demande (q ∗ → ∞).90 1. en prenant c = 0 : C ∗ (µ0 ) C ∗ (µ) = v u u1 − λ/µ0 t 1 − λ/µ −→ 0 µ0 →λ R´ eponse : C’est exactement la mˆeme chose que pour le mod`ele EOQ standard. Question 7. h = 1 euro par heure et par unit´e.

´ DE PRODUCTION LIMITEE
´
2. CAPACITE

69


eponse :


D’apr`es les questions pr´ec´edentes, il a choisi une taille de lot 2 ' 1.41 fois la taille
p
de lot optimale (q ∗ (20)/q ∗ (10) = 20/10), ce qui entraˆıne un coˆ
ut moyen 1.06 fois plus
important que le coˆ
ut moyen optimal. Il a donc commis une erreur entraˆınant un surcoˆ
ut
de 6 %. La notion de gravit´e d´epend de la situation industrielle ...
Question 8. Nous avons suppos´e jusqu’`a pr´esent que la politique ´etait de la forme π(q).
Sans se restreindre `
a cette classe de politiques, montrer que la politique π(q ∗ ) est optimale.

eponse :
Le raisonnement est le mˆeme que pour le mod`ele EOQ standard (cf cours). Tout d’abord,
la politique optimale est zero-inventory-ordering (ZIO), `a savoir qu’on ne lance une production que si le stock est nul. En effet, si une politique n’est pas ZIO, alors on construit
facilement une politique ZIO avec un coˆ
ut de possession inf´erieur (un petit graphique est
suffisant pour le voir).
Restreignons nous d´esormais aux politiques de type ZIO. Il nous reste `a montrer que la
politique optimale consiste n´ecessairement `a lancer la production `a intervalles r´eguliers.
Cherchons la meilleure politique ZIO telle qu’il y ait exactement n lancements de production entre les instants 0 et t. Nous allons montrer que la meilleure politique consiste `
a
lancer la production `
a intervalles de temps r´eguliers de longueur t/n. On note ui la dur´ee
entre le i-`eme et le (i + 1)-`eme lancement de production (figure 1.3).

S(t)


t
u1

u2

un

Figure 1.3 – Evolution du stock disponible
Avec cette contrainte sur le nombre de lancements de production, on ne peut optimiser
que les coˆ
uts de possession. Le coˆ
ut de possession sur la i-`eme p´eriode vaut (1 − ρ)hqi ui /2 =
λ(1 − ρ)hu2i /2 et le probl`eme d’optimisation est le suivant :
minimiser

n
X

u2i

i=1

s.c.

n
X

ui = t

i=1

ui > 0
Nous avons vu en cours que ce probl`eme d’optimisation a pour solution optimale u1 = · · · =
t
un = . Il est donc optimal de lancer la production `a intervalles de temps r´egulier.
n

70

CHAPITRE 1. DEMANDE CONSTANTE ET CONTINUE

On rajoute maintenant un temps de set-up τ . Lorsque la production est arrˆet´ee, elle ne
peut ˆetre reprise qu’apr`es un d´elai minimum de τ . Ce temps de set-up peut par exemple
ˆetre li´e au nettoyage d’une machine ou `a un pr´e-chauffage.
Question 9. Intuitivement, quelle va ˆetre l’influence de τ sur les coˆ
uts ?

eponse :
Le temps de set-up est une contrainte suppl´ementaire, ce qui doit forc´ement augmenter
les coˆ
uts.
Question 10. Notons qˆ∗ la quantit´e optimale de commande dans le cas avec un temps de
set-up. D´eterminer qˆ∗ en fonction des param`etres du mod`ele. Il faudra distinguer deux cas
de figure.

eponse :
La politique (q) est r´ealisable ssi τ ≤ u − u0 = q/λ − q/µ, c’est-`a-dire si le temps entre la
fin d’une production et le d´ebut d’une autre production est sup´erieure au temps de set-up
λτ
(figure 1.1). Cette condition est ´equivalente `a q ≥ q0 ≡
.
1−ρ
Nous cherchons donc `
a r´esoudre le probl`eme suivant :
min C(q)
s.c.

q ≥ q0

Distinguons deux cas de figure. Si q ∗ ≥ q0 , alors qˆ∗ = q ∗ . Si q ∗ < q0 , alors la fonction
C(q) est croissant sur l’intervalle [q0 , ∞]. La fonction C(q) atteint dons son minimum en
qˆ∗ = q0 . Finalement :
v

u
u 2λk
λτ

qˆ∗ = max [q ∗ , q0 ] = max t
,
(1 − ρ)h 1 − ρ

3

Produits p´
erissables

On reprend le mod`ele EOQ standard en ajoutant l’hypoth`ese suivante. Les produits ne
peuvent plus servir `
a satisfaire la demande apr`es un d´elai de p´eremption U pass´ee en stock.
En outre, on supposera que tous les produits doivent ˆetre consomm´es avant leur d´elai de
p´eremption.
Question 1. D´eterminer la politique d’approvisionnement optimale. Il vous faudra distinguer deux cas de figure.

eponse :
Lorsque les produits sont p´erissables, il s’ajoute la contrainte que u ≤ U (u est le temps
´ecoul´e entre deux approvisionnements), i.e. q ≤ Q avec Q = λU .
Soit C(q) le coˆ
ut moyen du mod`ele EOQ standard pour une quantit´e command´ee de q.
Avec p´erissabilit´e, on cherche `
a minimiser C(q) sous la contrainte que q ≤ Q ≡ λU .
min C(q)
s.c.

0≤q≤Q

´
3. PRODUITS PERISSABLES

71

Soit q ∗ la quantit´e ´economique de commande pour le mod`ele standard sans p´erissabilit´e
et qˆ∗ la quantit´e ´economique de commande avec p´erissabilit´e. Si q ∗ ≤ Q, alors qˆ∗ = q ∗ .
Sinon, q ∗ = Q = λU car C(q) est convexe en q (voir figure 3).

C(q)

Q

q
q^*

Figure 1.4 – Courbe C(q)

D´esormais, il n’y a plus de d´elai de p´eremption. En revanche, on suppose que le stock
devient progressivement inutilisable avec un taux de d´eterioration δ. Pendant un intervalle
de temps dt, nous avons δS(t)dt unit´es de stock qui p´eriment avec S(t) le stock `a l’instant
t. On suppose que l’on commande q unit´es de produit `a chaque fois que le stock devient
nul. On notera u la p´eriode.
Question 2. Montrer que S(t) satisfait une ´equation diff´erentielle du premier ordre.

eponse :
Nous avons S(t + dt) = S(t) − λdt − δS(t)dt qui, apr`es r´e-arrangement, donne l’´equation
diff´erentielle suivante :
S 0 (t) + δS(t) = −λ
Question 3. R´esoudre cette ´equation diff´erentielle en supposant que S(0) = q. V´erifier que
l’expression obtenue est bien coh´erente avec celle obtenue en cours (quand δ = 0).

eponse :
La solution de l’´equation diff´erentielle s’´ecrit S(t) = S0 (t)+S1 (t) avec S0 (t) la solution de
l’´equation diff´erentielle sans second membre et S1 (t) une solution particuli`ere de l’´equation
diff´erentielle avec second membre.
Nous avons S0 (t) = αe−δt et par exemple S1 (t) = −λ/δ. La condition initiale S(0) = q
entraˆıne que α = q + λ/δ. Finalement :
S(t) = (q + λ/δ)e−δt − λ/δ
= qe−δt − (1 − e−δt )λ/δ
On obtient bien, lorsque δ tend vers 0, l’´evolution du stock du mod`ele EOQ standard (en
utilisant le d´eveloppement limit´e ex = 1 + x + o(x)) :
S(t) = q − λt
Question 4. Exprimer q en fonction de u et des param`etres du mod`ele. V´erifier que l’expression obtenue est bien coh´erente avec celle obtenue en cours (quand δ = 0).

h.L. DEMANDE CONSTANTE ET CONTINUE R´ eponse : Le stock s’annule ` at=u: λ q = (eδu − 1) δ ⇒ S(u) = 0 Un d´eveloppement limit´e de exp(δu) en δ = 0 donne imm´ediatement la relation q = λu valable pour un mod`ele sans p´erissabilit´e. R´ eponse : S= 1 u = 4 Z u S(t)dt 0 λ(eδu − δu − 1) δ2u Maximisation du profit Reprenons les hypoth`eses du mod`ele EOQ standard en ajoutant l’hypoth`ese qu’une unit´e de produit est vendu au prix p.3) λ . R´ eponse : ( G∗ = max G(q) = λp + max −λc − q>0 λk q>0 − hq/2 q ( = λp − min λc + q>0 ) λk ) + hq/2 q = λp − C ∗ Question 3. G(q) = λ(p − c) − λk − hq/2 q Question 2.c. R´ eponse : Le profit moyen est ´egal au revenu moyen moins le coˆ ut moyen.k. Exprimer G∗ (≡ maxq G(q)) en fonction de C ∗ (≡ minq C(q)).72 CHAPITRE 1. Montrer que la quantit´e command´ee q ∗ qui maximise le profit moyen G(q) est la mˆeme que celle qui minimise C(q). Exprimer le profit moyen (par unit´e de temps) G(q) pour une quantit´e command´ee q en fonction des param`etres p. le coˆ ut moyen. Montrer que la condition suivante est n´ecessaire pour que l’activit´e soit rentable : v u u2kh p>c+t (1. Calculer le stock moyen S en fonction des param`etres du syst`eme et de la p´eriode u. Question 5. Question 1.λ.

3) signifie que l’activit´e est rentable si et seulement si le prix unitaire de vente est sup´erieur au coˆ uts unitaires (achat. Le coˆ ut unitaire fixe d’approvisionnement est ´egal `a : v v u u u h uhk k t =k =t q∗ 2λk 2λ Le coˆ ut de possession unitaire vaut : v u uhk h =t 2 2λ u∗ La somme des deux coˆ ut unitaires donnent bien le r´esultat escompt´e. i. On d´efinit par ailleurs la fonction r(p) = pλ(p). la condition (1. Notons que. λ(p) = e−p (exponentiel) ( 1 − p si p ≤ 1 2. Parmi les 4 fonctions suivantes. Il est clair que le revenu moyen doit ˆetre nul si le prix de vente est nul ou infini ! Question 6.4. On suppose maintenant que le prix est une variable de d´ecision qui influence la demande. λ(p) est-elle une fonction croissante ou d´ecroissante de p ? R´ eponse : Dans la plupart des cas r´eels. il est raisonnable de supposer que la demande est d’autant plus forte que le prix propos´e est faible. Question 5. lesquelles satisfont les conditions pr´ec´edentes : 1. ce qui ´equivaut `a la condition donn´ee dans l’´enonc´e. λ(p) = (affine) 0 sinon √ 3. En effet. Question 4. il suffit que le prix unitaire de vente soit sup´erieur au prix d’achat pour que l’activit´e soit rentable. D´esormais le taux de la demande est not´e λ(p) et est une fonction continue de p (fonction donn´ee par le service marketing). sans coˆ uts fixes. MAXIMISATION DU PROFIT Montrer que 73 v u u2kh t correspond au coˆ ut de possession unitaire + le coˆ ut fixe d’approviλ sionnement unitaire. Que repr´esente r(p) ? Pourquoi faut-il supposer que r(p) tend vers 0 quand p tend vers 0 ou vers l’infini ? R´ eponse : r(p) repr´esente le revenu par unit´e de temps pour un prix p donn´e. λ(p) = 1/ p .e. A votre avis. λ(p) d´ecroissant en p. On aurait pu s’attendre ` a ce r´esultat. Pouvait-on s’y attendre ? R´ eponse : Le profit moyen optimal vaut : G∗ = λ(p − c) − √ 2λkh Une activit´e rentable signifie que G∗ > 0. possession et fixe).

lorsque λ(p) = 1/ p.74 CHAPITRE 1.cf . diminue) de  alors f (α) augmente (resp. diminue) de θ %. Pour un prix donn´e p. seules les deux premi`eres √ fonctions satisfont les conditions limites. nous savons calculer la quantit´e q ∗ (p) qui maximise le profit moyen : v u u2λ(p)k ∗ q (p) = t h G∗ (p) ≡ max G(p. Question 7. Question 1. si λ(p) = 1 p2 . R´ eponse : En d’autres termes. Justifier rigoureusement l’interpr´etation de θ.cv . q) le profit moyen pour un prix p et une quantit´e command´ee q. q) = λ(p)(p − c) + p q 2λ(p)kh Il ne reste plus qu’` a chercher p∗ .L. r(p) tend vers l’infini quand p tend vers 0. par des m´ethodes classiques d’optimisation. d´ependant de la forme de λ(p). Si le param`etre α augmente (resp. L’´elasticit´e θ d’une fonction f par rapport ` a un param`etre α est d´efinie par : θ≡ α f × ∂f ∂α L’interpr´etation de l’´elasticit´e θ est la suivante. on veut montrer que si α → α(1 + ) alors f (α) → (1 + θ)f (α). q ∗ (p∗ )).λ. 5 ´ Elasticit´ e On reprend le mod`ele EOQ standard avec les param`etres suivants : cp . Par ailleurs. r(p) tend vers l’infini quand p tend vers l’infini. En effet. En revanche. R´ eponse : Notons G(p. DEMANDE CONSTANTE ET CONTINUE 4. ´ Ecrivons un d´eveloppement limit´e `a l’ordre 1 de la fonction f : ∂f f [(1 + )α] = f (α) + α (α) + o() ∂α α ∂f = (1 +  × )f (α) + o() f (α) ∂α = (1 + θ)f (α) + o() . le prix qui maximise G∗ (p). Le couple optimal est alors (p∗ . λ(p) = 1 p2 R´ eponse : Les 4 premi`eres fonctions sont d´ecroissantes. Proposer une proc´edure permettant de calculer le prix p∗ et la quantit´e command´e q ∗ qui maximisent le revenu moyen.

le lien est clair. q ∗ (cv ) v v v u 0 ∗ 0 u u uλ q (cf ) uc0f q ∗ (c0p ) ucp t t . on a v u cp q ∗ (c0p ) u =t q ∗ (cp ) c0p qui implique. L est ´egale `a 0. R´ eponse : p Rappelons que C ∗ = 2λcf cp si cv = 0. = =t q ∗ (λ) λ q ∗ (cf ) cf q ∗ (cp ) c0p q ∗ (λ0 ) R´ eponse : Pour L et cv . Montrer que ces r´esultats sont coh´erents avec l’analyse de sensibilit´e conduite en cours et rappel´ee ci-dessous : q ∗ (L0 ) q ∗ (L) = q ∗ (c0v ) 1. en prenant cv = 0.e. cv et L n’ont pas d’influence sur q ∗ . R´ eponse : Rappelons que q ∗ = v u u2λcf t . . la relation v u 0 q ∗ (λ0 ) u λ =t q ∗ (λ) λ peut ˆetre r´e-´ecrite.´ ´ 5. i. Question 3. Pour λ. Interpr´eter les r´esultats obtenus. i. en posant c0p = cp (1 + ). — L’´elasticit´e de q ∗ par rapport `a cp est ´egale `a −1/2. q ∗ (cp (1 + )) = (1 + )−1/2 q ∗ (cp ) = (1 − /2)q ∗ (cp ) + o() et on retrouve bien une ´elasticit´e de −1/2 de q ∗ par rapport `a cp . L’´elasticit´e de C ∗ par rapport `a λ. cp — L’´elasticit´e de q ∗ par rapport `a λ. en posant λ0 = λ(1 + ). une augmentation de  % de λ ou cf conduit ` a une augmentation de /2 % de q ∗ . ELASTICIT E 75 L’interpr´etation n’est donc valable que si  est ”suffisamment” petit.e. Calculer l’´elasticit´e de q ∗ par rapport aux diff´erents param`etres du mod`ele. L) vaut 1/2 (resp. cf .e. = . √ q ∗ (λ(1 + )) = 1 + q ∗ (λ) = (1 + /2)q ∗ (λ) + o() et on retrouve bien une ´elasticit´e de 1/2 de q ∗ par rapport `a λ. Question 2. Pour cp . i. Question 4. — L’´elasticit´e de q ∗ par rapport `a cv . une augmentation de  % de cp conduit ` a une diminution de /2 % de q ∗ . cp (resp. Il fallait se rappeler du d´eveloppement limit´e suivant : (1 + x)α = 1 + αx + o(x). Les calculs sont strictement identiques pour cf . cf est de 1/2. 0). Calculer l’´elasticit´e de C ∗ par rapport aux diff´erents param`etres. = 1.

DEMANDE CONSTANTE ET CONTINUE .76 CHAPITRE 1.

Rappelons que : f (x) =     1 b−a    0   0     x−a F (x) =  b−a     1 si a ≤ x ≤ b sinon si x < a si a ≤ x ≤ b si x > b Exprimons maintenant l’esp´erance des coˆ uts : C(q) = ci E(q − X)+ + cr E(X − q)+ Z q Z ∞ = ci (q − x)f (x)dx + cr (x − q)f (x)dx 0 q On peut distinguer 3 cas de figure : 77 . R´ eponse : Soit f la densit´e de la loi X et F sa fonction de r´epartition. On note ci et cr les coˆ uts d’invendu et de rupture. Question 1. Exprimer C(q) en fonction des param`etres du mod`ele. Soit C(q) l’esp´erance des coˆ uts lorsque la quantit´e command´ee est q.Chapitre 2 Demande al´ eatoire (une p´ eriode) 1 Demande uniform´ ement distribu´ ee On se place dans le cadre du mod`ele du vendeur de journaux et on suppose que la demande X est une variable al´eatoire continue uniform´ement distribu´ee sur [a. b] avec b > a.

La fonction C(q) est alors strictement d´ecroissante en q pour q ≤ a et strictement croissante en q pour q ≥ b. nous avons toujours X > q (jamais d’invendu). DEMANDE ALEATOIRE (UNE PERIODE) 78 Cas 1 : a ≤ q ≤ b q Z C(q) = ci a " = ci = q−x b−a Z dx + cr bx b−a q (q − x)2 − 2(b − a) #q −q " + cr a dx (x − q)2 2(b − a) #b q ci (q − a)2 + cr (b − q)2 2(b − a) Cas 2 : q ≤ a Dans ce cas.a. R´ eponse : Supposons que ci > 0 et cr > 0. Soit q ∗ la quantit´e qui minimise C(q). On alors : C(q) = ci E(q − X) = ci [q − E(X)] Question 2. b]. ´ Etudions la fonction C(q) sur l’intervalle [a. En d´erivant C(q). ce qui implique que (q − X)+ = q − X et (X − q)+ = 0. d´eterminer q ∗ sans utiliser de th´eor`eme du cours. nous avons toujours X < q (jamais de rupture). b] : C 0 (q) = C 00 (q) = ci (q − a) + cr (q − b) b−a ci + cr b−a >0 . On a alors : C(q) = cr E(X − q) = cr [E(X) − q] On r´evise au passage le calcul de l’esp´erance d’une v. continue : Z +∞ E(X) = xf (x)dx −∞ b Z = a = x dx b−a b+a 2 Cas 3 : q ≥ b Dans ce cas. ce qui implique que (q − X)+ = 0 et (X − q)+ = X − q.´ ´ CHAPITRE 2. La quantit´e optimale q ∗ appartient donc n´ecessairement ` a [a.

quand sa d´eriv´ee s’annule : ci a + cr b q∗ = ci + cr Question 3. DEMANDE UNIFORMEMENT DISTRIBUEE 79 La fonction C(q) est strictement convexe et atteint son unique minimum. Notons α1 (q) la probabilit´e qu’il y ait rupture de stock lorsque la quantit´e command´ee est q. Retrouver l’expression de q ∗ en utilisant un th´eor`eme du cours. Notons α2 (q) la proportion des demandes qui ne sont pas satisfaites quand la quantit´e command´ee est q. R´ eponse : α2 (q) = 1 − E(Y ) E(X) Question 7. q ∗ satisfait est optimale si et seulement si : F (q ∗ ) = cr ⇔ q∗ − a cr + ci b−a cr = ⇔ q∗ = cr + ci ci a + cr b ci + cr Question 4. Exprimer α2 (q) en fonction de E(X) et de E(Y ) avec Y la demande satisfaite (ou quantit´e vendue).´ ´ 1. R´ eponse : α1 (q) = P (X > q) = 1 − F (q) = α1 (q ∗ ) = 1 − cr = ci + cr b−q b−a ci ci + cr Question 6. R´ eponse : . Quelle est la fonction de r´epartition de Y ? Y admet-elle une densit´e ? Calculer E(Y ) . Exprimer α1 (q) et α1∗ ≡ α1 (q ∗ ) en fonction des param`etres du mod`ele. R´ eponse : D’apr`es le cours. q ∗ . Quand la quantit´e command´ee optimale est-elle ´egale `a l’esp´erance de la demande ? sup´erieure ` a l’esp´erance de la demande ? Inf´erieure ? R´ eponse : q ∗ = E(X) ⇔ ci a + cr b = ci + cr a+b 2 ⇔ ci = cr q ∗ > E(X) ⇔ cr > ci q ∗ < E(X) ⇔ cr < ci Question 5.

b et q. q). En d´eduire une expression de α2 (q) en fonction de a. Il n’est donc pas possible de d´efinir une densit´e.´ ´ CHAPITRE 2. FY (x) = P (min(X. Nous avons en effet une probabilit´e non nulle d’avoir Y = q (c’est un dirac) : P (Y = q) = P (X ≥ q) = 1 − F (q) Nous avons : q Z xf (x)dx + qP (Y = q) E(Y ) = 0 q Z x dx + q(1 − F (q)) b−a " #q x2 b−q +q = 2(b − a) b−a = a a = 2qb − q 2 − a2 2(b − a) Autre m´ethode : E(Y ) = E(Y |X < q)P (X < q) + E(Y |X ≥ q)P (X ≥ q) = a+q F (q) + q(1 − F (q)) 2 = 2qb − q 2 − a2 2(b − a) Question 8. FY (q + ) = 1. Soit FY la fonction de r´epartition de Y . DEMANDE ALEATOIRE (UNE PERIODE) 80 Nous avons Y = min(X. R´ eponse : α2 (q) = E(X) − E(Y ) E(X) b+a = − 2 2qb − q 2 − a2 2(b − a) b+a 2 = (b − q)2 b2 − a2 . q) ≤ x) = P (X ≤ x ou q ≤ x) ( 1 si x ≥ q = P (X ≤ x) = F (x) si x < q La fonction de r´epartition est discontinue en q : FY (q − ) = F (q).

nous avons α2∗ = 1%. ci ci ci ci = 1. cr = 10 = 10. σ(X). R´ eponse : . b = 60. a = 10. Par exemple. q ∗ . b = 90. a = 40. ν ∗ (stock de s´ecurit´e `a l’optimal). cr = 10 = 1. α1∗ . R´ eponse : α2∗ = = (b − q ∗ )2 b2 − a2 b− !2 ci a + cr b ci + cr b2 − a2 !2 (b − a)ci = ci + cr b2 − a2 = b−a ci !2 b + a ci + cr = b−a ∗ 2 (α1 ) b+a On note tout d’abord que α2∗ < α1∗ . DEMANDE UNIFORMEMENT DISTRIBUEE 81 Question 9. la probabilit´e qu’une demande ne soit pas satisfaite est beaucoup plus faible que la probabilit´e qu’il y ait rupture de stock. cr = 1 Pour chaque instance. b = 90. a = 10. Soit α2∗ la probabilit´e qu’une demande ne soit pas satisfaite quand la quantit´e command´ee est q ∗ (α2∗ = α2 (q ∗ )). α2∗ . Application num´erique : — — — — Instance Instance Instance Instance 1 2 3 4 : : : : a = 40. Question 10.´ ´ 1. pour une loi uniforme sur [0. E(Y ). calculer E(X). b = 60. En outre. cr = 1 = 10. 1] et α1∗ = 10%. Commenter. Montrer que α2∗ = b−a b+a (α1∗ )2 et commenter ce r´esultat.

5% 66. Par ailleurs.1% On note tout d’abord que l’esp´erance de la demande est la mˆeme pour les 4 instances. en accord avec les r´esultats analytiques. Par ailleurs. DEMANDE ALEATOIRE (UNE PERIODE) 82 On r´evise au passage le calcul d’une variance : +∞ Z 2 x2 f (x)dx E(X ) = −∞ b Z = a = = x2 dx b−a b3 − a3 3(b − a) b2 + ab + a2 3 Il vient alors : V ar(X) = E(X 2 ) − [E(X)]2 = b2 + ab + a2 − b+a 3 = !2 2 (b − a)2 12 et σ(X) = p V ar(X). q3∗ < q4∗ car la variance de la demande est plus grande pour l’instance 4 que pour l’instance 3. le coˆ ut d’invendu est inf´erieur au coˆ ut de rupture.´ ´ CHAPITRE 2.3 ν∗ 8. On observe exactement l’inverse pour les instances 3 et 4 : le coˆ ut d’invendu est sup´erieur au coˆ ut de rupture. On note que α1∗ est toujours plus grand que α2∗ .1 5. Une application num´erique des diff´erentes formules vues pr´ec´edemment donne les r´esultats suivants : ci 1 1 10 10 cr 10 10 1 1 a 40 10 40 10 b 60 90 60 90 E(X) 50 50 50 50 σ(X) 5.1% 9.7 41. Par ailleurs. .7 -8.66% 16.7 16. ce qui induit des quantit´es optimales inf´erieures `a la demande moyenne.17% 0.9 49.1 q∗ 58.8 23.2 -32. α1∗ ne d´epend que des coˆ uts alors que α2∗ d´epend aussi de a et b et est croissant avec la variance de X.9% α2∗ 0.8 17. pour des coˆ uts ´equivalents.1% 90. Pour les instances 1 et 2.7 E(Y ) 49.9 α1∗ 9.9% 90. ce qui induit des quantit´es optimales sup´erieures `a la demande moyenne.2 32.8 23. on commande plus pour l’instance 2 que pour l’instance 1 car la variance de la demande est plus grande pour l’instance 2 que pour l’instance 1.2 82.7 41.

Ainsi : G(q. SOLDES 2 83 Soldes Cindy est propri´etaire d’une petite boutique qui vend des costumes. Cindy poss`ede encore des articles non vendus. elle commande aupr`es de son fournisseur. X et des param`etres du probl`eme. X) = X + min(q − X. Soit G(q. 0) = X − (X − q)+ il vient G(q. une quantit´e q au prix unitaire w. Question 1. On suppose que la demande X pendant la saison est une variable al´eatoire discr`ete dont on connaˆıt la distribution p(x) = P (X = x) pour tout x entier. Exprimer G(q. X)] = (r − w)E(X) − (r − w)E[(X − q)+ ] − (w − s)E[(q − X)+ ] . Au cours de la saison.2. 0) = X − max(X − q. Tous les articles non vendus pendant la saison trouvent acqu´ereur lors des soldes. elle les solde au prix s (s < w). R´ eponse : La quantit´e q peut se d´ecomposer comme suit : q= min(X. elle vend ses costumes au prix de vente r (r > w). X) = (r − w)X − (r − w)(X − q)+ − (w − s)(q − X)+ Question 2. Soit q ∗ la quantit´e qui maximise l’esp´erance du profit. Exprimer G(q) en fonction des p(x). En d´ebut de saison. X) = (r − w)X − (r − w)(X − q)+ − (w − s)(q − X)+ Question 4. X) le profit r´ealis´e par Cindy au cours de la saison si elle commande q unit´es et que la demande est X. de q et des param`etres de coˆ uts. x)p(x) − (w − s) ∞ X (q − x)+ p(x) x=0 Question 3. R´ eponse : G(q) = (r − w) ∞ X x=0 min(q. q) | {z } quantit´ e vendue au prix fort + (q − X)+ | {z } quantit´ e vendue au prix sold´ e Cindy r´ealise un profit de (r − w) sur chaque produit vendu au prix fort et un profit de w − s) sir chaque produit sold´e. X) = (r − w) min(q. Soit G(q) l’esp´erance du profit pour une quantit´e command´ee q. V´erifier que G(q. R´ eponse : On cherche ` a maximiser : G(q) = E[G(q. X) − (w − s)(q − X)+ En remarquant que min(q. X) en fonction de q. Si `a la fin de la saison. D´eduire de la question pr´ec´edente que l’on peut obtenir q ∗ r´esolvant un probl`eme de vendeur de journaux dont on pr´ecisera les param`etres.

´ ´ CHAPITRE 2. il vient d’apr`es un th´eor`eme du cours : " # b ∗ q = min q ∈ IN|F (q) ≥ b+h Question 5. en d´eduire la quantit´e optimale ` a commander si r = 60 euros. not´ee λ ˆ= λ P xi = 3+5+2+6+4 n =4 5 Nous avons b = 10. Le param`etre λ peut avoir ´et´e mal estim´e. En vous basant sur cette estimation. cela revient `a minimiser C(q) = bE[(X − q)+ ] + hE[(q − X)+ ] et on s’est ramen´e ` a un probl`eme du vendeur de journaux classique. R´ eponse : λ q∗ 1 0 1.5 3 4 3 4. Ceci s’explique par le fait que le coˆ ut d’invendu est sup´erieur au coˆ ut de rupture. DEMANDE ALEATOIRE (UNE PERIODE) 84 En posant (r − w) = b et (w − s) = h. w = 50 euros et s = 30 euros. La loi de Poisson est souvent appel´ee loi des ´ev´enements rares. R´ eponse : La moyenne empirique est un estimateur sans biais et convergeant de l’esp´erance d’une variable al´eatoire (cf cours de stats). h = 20 et la quantit´e optimale `a commander est : " # b q ∗ = min q ∈ IN|F (q) ≥ b+h = min [q ∈ IN|F (q) ≥ 0. On notera que l’on commande moins que l’esp´erance de la demande. Ici E(X) = λ et la moyenne empirique est donc un ˆ est alors : estimateur sans biais et convergeant de λ . Si on suppose que la demande est discr`ete. On rappelle que : P (X = k) = λk exp(−λ) pour k ≥ 0 k! E(X) = V ar(X) = λ Donner une estimation de λ. Question 6.5 3 5 4 . Une estimation de λ.333] =3 Il faut donc commander 3 costumes.5 2 3 2 3. par exemple en raison de variations de la demande d’une ann´ee ` a l’autre.5 1 2 1 2. On connaˆıt les demandes des ann´ees pr´ec´edentes : Ann´ee nombre de costumes demand´es 2010 3 2009 5 2008 2 2007 6 2006 4 On suppose que X suit une loi de Poisson de param`etre λ. Calculer q ∗ pour diff´erentes valeurs de λ et commenter.

Question 7.6 4 16. R´ eponse : Expliquons comment calculer G(q) : G(q) = bE(X) − bE[(X − q)]+ − hE[(q − X)]+ = bλ − b ∞ X q−1 X (q − x)p(x) (x − q)p(x) − h x=q+1 ≈ bλ − b 14 X x=0 q−1 X (x − q)p(x) − h (q − x)p(x) x=q+1 x=0 On connaˆıt tous les param`etres dans cette derni`ere expression de G(q) : nous avons λ = 4. Si la quantit´e q est command´ee au lieu de q ∗ .43 puis q = 40 + 40 × (−0. Le probl`eme ´etant discret.9 7 -22. en utilisant un tableur excel par exemple. On v´erifie avec une calculatrice ou un tableur excel que l’on obtient bien les r´esultats escompt´es. .333 ⇔ P (Z ≤ z) = 0. en euros 0 0 1 9. le profit baisse en pourcentages de : ∆G(q) = q ∆G(q) 1 52% G(q ∗ ) − G(q) 2 15% G(q ∗ ) 3 0% 4 15% 5 61% Mieux vaut ne pas se tromper dans la quantit´e command´ee ! Question 8. SOLDES 85 Si la demande est en moyenne de 1 costume.333 avec z = √ λ √ En utilisant la table de la loi normale.43) = 37.7 3 19. R´ eponse : Rappelons qu’une loi de Poisson de param`etre λ peut ˆetre approch´ee par une loi normale d’esp´erance λ et de variance λ (si λ > 25). on obtient z = −0. q−λ P (X ≤ q) = 0. Calculer la quantit´e optimale `a commander. On suppose d´esormais que λ = 4. il va falloir commander 38 costumes.4 ´ V´erifier les r´esultats du tableau.5.0 9 -60. h = 20. Etudier la sensibilit´e du profit ` a une erreur sur la quantit´e command´ee. il vaut mieux ne rien commander ! Avec notre estimation de λ ´egale ` a 3. On suppose maintenant que λ = 40.6 5 7.5 et 4.2.3.7 6 -5. Vous pourrez utiliser la table de la loi normale centr´ee r´eduite ci-jointe. L’esp´erance du profit est donn´ee dans le tableau ci-dessous pour diff´erentes quantit´es command´ees : q G(q). La somme infini converge rapidement et on peut tronquer la somme pour avoir une bonne approximation.5 2 16. on commande l’optimal si la vraie valeur de λ est comprise entre 3. b = 10 et p(x) = λx exp(−λ)/x!.5 8 -41. Ainsi la variable al´eatoire X −λ Z= √ λ peut ˆetre approch´ee par une loi normale centr´ee r´eduite.

333. Question 2. la commande est ”qpois(0. b = 1.a. c’est `a dire que les demandes de la classe 1 sont les plus importantes ` a servir. . X2 . Les hypoth`eses sont les suivantes : — Probl`eme mono-p´eriode — q = Stock en d´ebut de p´eriode (variable de d´ecision) — Xj = Variable al´eatoire (v. pour une instance donn´ee ? Question 5. En utilisant la simulation. 2) — La proportion de demandes satisfaites pour les clients de la classe j (pour j = 1. Sans approcher la loi de Poisson par une loi normale. q) si le stock en d´ebut de p´eriode est q et la demande pour la classe 1 (respectivement la classe 2) est de X1 (respectivement X2 ). DEMANDE ALEATOIRE (UNE PERIODE) Remarque 2. Exprimer le coˆ ut C(X1 . 2. Coˆ uts de rupture ´ egaux Dans un premier temps. nous allons supposer que b1 = b2 = b. Question 3. Vous justifierez soigneusement votre r´eponse en utilisant un th´eor`eme du cours. Nous supposerons que b1 ≥ b2 . Nous supposerons par ailleurs que les demandes X1 et X2 prennent des valeurs enti`eres et sont ind´ependantes. q) si le stock en d´ebut de p´eriode est q et la demande pour la classe 1 (respectivement la classe 2) est de X1 (respectivement X2 ).) repr´esentant la demande de la classe j au cours de la p´eriode — bj = Coˆ ut unitaire de rupture de stock pour les demandes de la classe j — h = Coˆ ut unitaire d’invendu L’objectif est de d´eterminer la quantit´e `a commander qui minimise l’esp´erance des coˆ uts.86 ´ ´ CHAPITRE 2. D´eterminer la quantit´e optimale q ∗ pour les donn´ees suivantes : P (Xj = 0) = P (Xj = 1) = 1/2 pour j = 1. La s´equence des ´ev´enements est la suivante : — Le manager d´ecide de la quantit´e q `a avoir en d´ebut de p´eriode — Les demandes X1 et X2 se r´ealisent et sont observ´ees par le manager — Le manager satisfait les demandes de type 1 en priorit´e. 2) Coˆ uts de rupture distincts Question 4. comment feriez-vous pour d´eterminer la quantit´e optimale. X2 . on aurait obtenu q ∗ = 37. puis les demandes de type 2. Avec R.40)”. 3 Vendeur de journaux avec deux classes de clients Adaptation examen 2012 On consid`ere un probl`eme de vendeur de journaux avec 2 classes de clients. h = 2. Exprimer le coˆ ut C(X1 . donner : — L’esp´erance du coˆ ut total — La probabilit´e de rupture pour les clients de la classe j (pour j = 1. Avec les mˆemes donn´ees qu’`a la question pr´ec´edente. Question 1. en supposant que la quantit´e command´ee est de 1. dans la mesure du stock disponible.

On consid`ere la diff´erence ∆π(q) = π(q + 1) − π(q). Si un client a achet´e un ticket mais annule ` a la derni`ere minute.4. peut s’exprimer ainsi : π(q) = pq − rE(X) − s q−n X (q − x − n)P (X = x) x=0 R´ eponse : La r´eponse est dans la question. Exprimer l’esp´erance des coˆ uts C(q) = E[C(X1 . Exprimer le profit r´ealis´e par la compagnie pour q tickets vendus (q ≥ n) et X annulations. b et des distributions de probabilit´e de X1 et X2 . not´e π(q). not´e X. X2 . on parle alors de surbooking ou de surr´eservation. 4 Surbooking Adaptation examen 2009 On consid`ere un vol transatlantique de la compagnie GI Airline planifi´e `a une date pr´ecise avec un nombre fixe de si`eges. la compagnie lui rembourse s (s > p). La compagnie a´erienne s’autorise `a mettre en vente plus de billets billets que le vol ne compte de places. q) = h(q − X1 − X2 )+ + b1 (X1 − q)+ + b2 (X2 − (q − X1 )+ )+ Question 6. Question 3. q)] en fonction de h. annulent `a la derni`ere minute leur vol. R´ eponse : π(q. Si un client a achet´e un ticket. nous faisons l’hypoth`ese que la distribution de X est ind´ependante du nombre q de billets vendus. Dans un premier temps. On suppose que tous les billets mis en vente sont achet´es par des clients et que la vente d’un billet rapporte un revenu p `a la compagnie. Montrer que l’esp´erance du profit. On notera p1 (x) = P (X1 = x) et p2 (x) = P (X2 = x). not´e n. Montrer que : ∆π(q) = p − sF (q − n) R´ eponse : . la compagnie a´erienne lui rembourse r (r < p). se pr´esente `a l’embarquement mais ne peut monter dans l’avion pour cause d’overbooking. Question 1. X). On suppose que X est une variable al´eatoire discr`ete de probabilit´es P (X = x) et de fonction de r´epartition F (x) = P (X ≤ x). SURBOOKING 87 R´ eponse : C(X1 . X2 . Si q > n. Un certain nombre de clients. X) = pq − rX − s(q − X − n)+ Question 2. On notera ce profit π(q. On notera q le nombre de billets vendus.

λ) = N (60. on obtient que F (q−300) = 0. soit 55 places en overbooking. fonction de r´epartition F et esp´erance E(X) suppos´ees connues) — cr = Coˆ ut unitaire de rupture de stock — ci = Coˆ ut unitaire d’invendu . p = 1000 euros. R´ eponse : q ∗ = min[q|∆π(q) ≤ 0] " = min q|F (q − n) ≥ # p s = min [q|F (q − 300) ≥ 0. 60) car λ est grand.7. 5 Vendeur de journaux avec coˆ uts fixes On reprend le mod`ele du cours : — Probl`eme mono-p´eriode — q = Stock en d´ebut d´e p´eriode (variable de d´ecision) — X = Variable al´eatoire (v. En utilisant la table de la loi normale.a.) repr´esentant la demande au cours de la p´eriode (densit´e f . Calculer q ∗ pour les donn´ees num´eriques suivantes : n = 300. Ainsi on doit commander q ∗ = 355 places. Ainsi π(q) est une fonction concave en q. On a alors : q ∗ = min[q|∆π(q) ≤ 0] Question 5. Montrer que : q ∗ = min[q|∆π(q) ≤ 0] R´ eponse : ∆π(q) est d´ecroissant en q car F (q − n) est croissant en q. s = 4000 euros. X distribu´e suivant une loi de Poisson de param`etres λ = 60.25] √ √ La variable al´eatoire X peut ˆetre approch´ee par une loi normale N (λ.25 ´equivaut `a q = 354. DEMANDE ALEATOIRE (UNE PERIODE) 88 ∆π(q) = p(q + 1) − pq − s q−n X x=0 x=0 (q + 1 − x − n)P (X = x) + s q−n X q−n X x=0 q−n X x=0 " =p−s s =p−s q+1−n X (q + 1 − x − n)P (X = x) − (q − x − n)P (X = x) # (q − x − n)P (X = x) P (X = x) x=0 = p − sF (q − n) Question 4.´ ´ CHAPITRE 2. r = 750 euros.

l’esp´erance du coˆ ut vaut C(0) = cr E(X) car aucune demande n’est satisfaite. Lorsque q > 0. Le coˆ ut unitaire de rupture est b. " # b ∗ Question 3. nous avons minq>0 C(q) = C0∗ + k.2 Vendeur de skis Un vendeur de skis doit d´ecider combien de paires de skis commander en d´ebut de saison. CONTROLE CONTINU 89 On ajoute une hypoth`ese suppl´ementaire. Le coˆ ut unitaire d’invendu est h. On supposera qu’on est capable. R´ eponse : Distinguons les cas o` u q = 0 et q > 0. Quelle est la distribution de Y en fonction des p(x) ? Question 2. On notera X la demande et F sa fonction de r´epartition. Soit Y la quantit´e vendue. Enfin C(q) repr´esente l’esp´erance du coˆ ut pour un stock initial q. Question 1. En effet. Si une commande non nulle est pass´ee (q > 0). 6. D´eterminer la quantit´e optimale de commande. un coˆ ut fixe k est encouru. D´emontrer que la quantit´e suivante est optimale : q = min q ∈ IN|F (q) ≥ . Le vendeur ach`ete 300 euros la paire de skis. On notera p(x) = P (X = x). Exprimer β(q) en fonction des p(x) et de q. Lorsque q = 0. 6. le coˆ ut fixe k est une constante que l’on peut sortir de la fonction objectif. On suppose d´esormais qu’un coˆ ut fixe K est encouru lorsqu’une commande de taille strictement positive est pass´ee. b+h Question 4. Soit β(q) le pourcentage des demandes satisfaites au cours de la p´eriode. de ∗ calculer le coˆ ut optimal C0 ainsi que la quantit´e ´economique de commande correspondante ∗ q0 . le coˆ ut fixe k est alors sup´erieur au coˆ ut de ne satisfaire aucune demande. D´eterminer quelle est la quantit´e ´economique de commande. 6 Contrˆ ole continu Adaptation contrˆ ole continu 2013 Dans tout l’examen. En effet. on se situera dans le cadre du probl`eme du vendeur de journaux . La demande pendant la saison est une variable al´eatoire suivant une loi uniforme .ˆ 6. dans le cas sans coˆ ut fixe de commande (k = 0). Question 1. on supposera que la demande est discr`ete (`a valeurs enti`eres positives).1 Quantit´ e optimale avec ou sans coˆ ut fixe Dans cette partie. Le prix de vente pendant la saison est de 500 euros. On peut conclure que la quantit´e ´economique de commande vaut : ( q0∗ si C0∗ + k < cr E(X) ∗ q = 0 sinon Notons que la condition cr E(X) < k implique de ne rien commander.

6. DT sont des variables al´eatoires ind´ependantes) — D´elai d’approvisionnement nul (L = 0) — kt = coˆ ut fixe d’approvisionnement `a l’instant t — ct = coˆ ut variable d’approvisionnement `a l’instant t — ht = coˆ ut de possession ` a l’instant t — bt = coˆ ut par unit´e de demande non satisfaite `a l’instant t — x = stock ` a l’instant t = 0 — Objectif : D´eterminer la politique qui minimise l’esp´erance des coˆ uts sur l’horizon [0. Question 12. D´emontrer que CX eor`eme du vendeur de Z journaux pour une loi continue. 10}. Comment varie selon vous le stock de s´ecurit´e (`a l’optimal) avec l’´ecart-type de la demande ? Avec h ? Avec b ? Question 9. · · · . Rappeler la d´efinition d’un stock de s´ecurit´e. T − 1) — Dt = demande al´eatoire a` l’instant t (D1 . R´ eponse : . Donner un exemple r´eel (industriel ou de la vie courante) o` u le stock de s´ecurit´e (` a l’optimal) sera positif et un autre exemple o` u il sera n´egatif.4 Loi normale Soit X ∼ N (µ. DEMANDE ALEATOIRE (UNE PERIODE) 90 discr`ete comprise entre 1 et 10. 6. Question 8. Question 1. 1. 7 Programmation dynamique stochastique On consid`ere le mˆeme mod`ele que dans le cours. Donner les ´equations d’optimalit´e permettant de calculer la politique optimale. Vous admettrez le th´ Question 13. le produit est sold´e `a moiti´e prix et on suppose que tous les produits sold´es sont vendus. D´emontrer que CX (q) = σCZ (z) si q = µ + σz. · · · . Une fois la saison termin´ee. Soit CX (q) le coˆ ut si la demande est X et la quantit´e command´ee est q. c’est-`a-dire P (X = i) = 1/10. le stock de s´ecurit´e est-il nul ? Question 10. · · · . Expliquer pourquoi la loi normale est importante. T ]. Quelle est la quantit´e optimale ? Question 6. 1). Mˆeme question si le vendeur ach`ete la paire de skis 200 euros. ∀i ∈ {1. Question 5. σ) et Z ∼ N (0. `a la nuance pr`es que les ventes sont perdues : — T = horizon de temps — t = instant de d´ecision (t = 0.´ ´ CHAPITRE 2. ∗ = σC ∗ . Pour quelle valeur de l’´ecart-type de la demande. Question 11.3 Stock de s´ ecurit´ e Question 7.

on peut proc´eder par programmation dynamique arri`ere. 1. : ∀x. s = 0. Ce type de politique est tr`es mal adapt´e ` a un environnement al´eatoire car ne s’adapte absolument pas aux ´ev´enements (niveau de stock. — Les politiques dynamiques : la d´ecision d’approvisionnement ` a l’instant t est prise en fonction des informations dont on dispose (niveau de stock. x) le coˆ ut total sur l’horizon [s. Dans le cours. nous avons vu le mod`ele avec ventes diff´er´ees o` u les hypoth`eses sont strictement identiques except´e la suivante : — bt = coˆ ut d’attente (par unit´e de de demande et par unit´e de temps) Tout le rappel a ´et´e vu en cours.7. — Qt = Qt (π. quantit´es command´ees pr´ec´edemment). 1. parmi l’ensemble des politiques dynamiques : v ∗ (x) = min v(π. ∀s = 0. X0 = x t=0 L’objectif est de trouver une politique π ∗ qui minimise l’esp´erance des coˆ uts. r´ealisations des Pt−1 P demandes pass´ees). x) = Esp´erance du coˆ ut sur l’horizon [0. ∗ vs∗ (x) = min E[ht+1 (x + q − Dt )+ + bt+1 (x + q − Dt )− + vs+1 ((x + q − Dt )+ )] q≥0 . Lorsque la politique π est mise en oeuvre et que le stock initial est x. x) π∈Πd Les ´equations d’optimalit´e s’´ecrivent alors : vT∗ (x) = hT XT+ + bT XT− ∀x ∗ vs∗ (x) = min E[ht+1 (Xt + q − Dt )+ + bt+1 (Xt + q − Dt )− + vs+1 (x + q − Dt )] q≥0 ∀x. T − 1 Les ´equations d’optimalit´e s’´ecrivent d´esormais. T ] Nous avons alors : # "T −1 X  + − + + v(π. Si l’on note Πs l’ensemble des politiques statiques et Πd l’ensemble des politiques dynamiques. vT∗ (x) = hT XT ∀x. qT −1 ) sont d´ecid´ees ` a l’instant t = 0. Le stock net ` a l’instant t vaut alors Xt = x0 + t−1 s=0 qs − s=0 Ds . x) = E ht Xt+ + bt Xt− + ct Qt + kt 1l{Qt >0} + hT XT+ + bT XT− |π. X0 = x t=s puis : vs∗ (x) = min vs (π. r´ealisations des demandes pass´ees. x) = Stock ` a l’instant t. · · · . On peut distinguer deux types de politiques : — Les politiques statiques : les quantit´es command´ees (q1 . x) = Quantit´e command´ee ` a l’instant t — v(π. notons : — Xt = Xt (π. · · · . Notons vs (π. Une politique π d’approvisionnement sp´ecifie ` a chaque instant la quantit´e ` a commander. T ] en partant d’un ´etat initial x ` a l’instant s : "T −1 # X  vs (π. x) π∈Πd Pour trouver la politique optimale. x) = E ht Xt + bt Xt + ct Qt + kt 1l{Qt >0} + hT X (T ) + bT XT |π. il est clair que Πs ⊂ Πd . T − 1. Ce type de politique est mieux adapt´e ` a des demandes al´eatoires. PROGRAMMATION DYNAMIQUE STOCHASTIQUE 91 Rappel 1. · · · .

DEMANDE ALEATOIRE (UNE PERIODE) .92 ´ ´ CHAPITRE 2.

d5 . Question 1. Question 3. 1). m∗ devrait ˆetre croissant en k. 0. cela induit un coˆ ut de rupture de stock c et la demande est d´efinitivement perdue. Si un client n’est pas satisfait. Le coˆ ut d’une commande. 1. Soit m∗ la quantit´e qui minimise le coˆ ut moyen sur un horizon infini. 93 . repr´esenter l’´evolution des stocks (en d´ebut de journ´ee) sur la semaine. d3 . d2 . p et c et d´ecroissant en h. est ind´ependant du nombre de machines command´ees. Nous avons donc P (Di = 1) = p et P (Di = 0) = q = 1 − p. Nous supposerons que (D1 . Le coˆ ut de stockage est de h par machine (et par jour).Chapitre 3 Demande al´ eatoire (plusieurs p´ eriodes) 1 Le contrat de confiance Le responsable du rayon arts m´enagers d’un grand magasin a constat´e que la demande journali`ere de machines ` a laver ´etait al´eatoire et bernouillienne. Plus pr´ecis´ement. on en commande m qui arrivent le lendemain soir. 1. k. D2 . Intuitivement. d6 ) = (1. On consid`ere la r´ealisation suivante de la demande sur une semaine de 6 jours ouvr´es : (d1 . · · · ) sont des variables al´eatoires ind´ependantes et distribu´ees suivant une loi de Bernouilli de param`etre p. D´es que la derni`ere machine est vendue. On note Xn le nombre de machines en stock au d´ebut du n-i`eme jour. En supposant que le stock le lundi matin est de 1 et que m = 2. R´ eponse : xn 2 1 n 1 2 3 4 5 6 7 Question 2. 0. notons Di la demande le i-`eme jour. d4 . quelle est l’influence des diff´erents param`etres sur m∗ ? R´ eponse : Intuitivement.

Ici :    π0 (n) = pπ1 (n − 1) πj (n) = qπj (n − 1) + pπj+1 (n − 1). On supposera que le param`etre m de la politique est quelconque. . .2.. Supposons que X1 = 0 et m ≥ 4.1 – Graphe Question 4.         q Remarque : les ´etats sont not´es 0. m dans la matrice. Exprimer πj (n) en fonction des πi (n − 1).94 ´ ´ CHAPITRE 3. La dynamique du syst`eme est la suivante : ( Xn+1 = 0 p 1 Xn − Dn si Xn > 0 m si Xn = 0 m-1 … p p 1-p m p 1-p 1-p Figure 3.. .1) Question 6. 2. .  . . . . · · · . R´ eponse : {Xn }n=1. 0 0 0 p 1 0 0 . Soit πi (n) = P (Xn = i) la probabilit´e que le stock vale i `a l’instant n. On note pij = P (Xn+1 = j|Xn = i) la probabilit´e de transition de l’´etat i ` a l’´etat j. 1. Calculer les probabilit´es d’´etat au d´ebut des 4 premiers jours. R´ eponse : P Nous avons de mani`ere g´en´erale πj (n) = i πi (n − 1)pij . si 1 ≤ j ≤ m − 1   π (n) = π (n − 1) + qπ (n − 1) m 0 m (3. . Donner la matrice de transition (pij ).. R´ eponse : La matrice de transition est la suivante :  0 0 0 ···  p q 0 ···    0 p q ···   . Question 5. R´ eponse : . Nous allons nous int´eresser dans un premier temps aux probabilit´es en r´egime transitoire de cette chaˆıne de Markov. DEMANDE ALEATOIRE (PLUSIEURS PERIODES) Repr´esenter le graphe de cette chaˆıne de Markov.1.··· est une CMTD (chaˆıne de Markov `a temps discret) irr´eductible et ap´eriodique dont le graphe est repr´esent´e sur la figure 3. .

+∞[. Le coˆ ut journalier moyen est constitu´e d’un coˆ ut moyen de commande kπ0 . LE CONTRAT DE CONFIANCE 95 P (X1 = 0) = 1 P (X2 = m) = 1 P (X3 = m) = q. on obtient : 0 C(m) = k π0 + m X hiπi = i=1 = k0 p p+m + k0 p + p+m m(m + 1) h 2 p+m m X hi i=1 p+m = hm2 + hm + 2k 0 p 2(p + m) Question 9. Soit C(m) l’esp´erance du coˆ ut journalier lorsque m machines sont command´ees. P (X5 = m − 3) = 3qp2 . P (X3 = m − 1) = p P (X4 = m) = q 2 . R´ eponse : ´ Reste ` a trouver la valeur m∗ qui minimise C(m) pour m ∈ IN. Soit πi la probabilit´e stationnaire d’ˆetre dans l’´etat i (πi = limn→∞ πi (n)). la fonction . il vient le syst`eme lin´eaire suivant :     π0 = pπ1 π0 = pπ1       π = pπ π = π 1≤i≤m−1 i i+1 + qπi 1 ≤ i ≤ m − 1 i i+1 ⇔   πm = π0 + qπm pπm = π0       P    m π =1 Pm π = 1 i=0 i i=0 i   p    π0 =   p+m ⇔  1     πi = p + m 1 ≤ i ≤ m Question 8. Exprimer m∗ en fonction des diff´erents param`etres. Par passage `a la limite dans (3. En posant k = k + cp. Exprimer C(m) en fonction des param`etres du syst`eme.1. Sur cet intervalle. et d’un coˆ ut moyen de rupture de stock cpπ0 .1) et en ajoutant la condition de normalisation. P (X5 = m − 4) = p3 Question 7. Donner un syst`eme lin´eaire satisfait par les πi et le r´esoudre. P (X5 = m − 1) = 3pq 2 . Etudions dans un premier temps les variations de C(m) sur l’intervalle r´eel ] − p. d’un coˆ ut moyen Pm 0 de stockage i=1 hiπi . P (X4 = m − 1) = 2pq. R´ eponse : Les probabilit´es stationnaires existent car la chaˆıne de Markov est irr´eductible et ap´eriodique (Cf cours de Mod`eles ` a Ev´enements Discrets). R´ eponse : Soit C(m) le coˆ ut journalier moyen correspondant `a une commande de m unit´es. P (X4 = m − 2) = p2 P (X5 = m) = q 3 .

Dans les notations qui suivent. Donner le graphe associ´e. Si m2 ≤ 0. alors m∗ = 0. on notera Yn = ∞ si il n’y a pas de commande en cours au d´ebut du jour n. alors il suffit de comparer C(bm2 c) et C(dm2 e) pour conclure. C 0 (m) = 2hmp + hm2 + hp − 2k 0 p 2(p + m)2 C 0 (m) = 0 ⇔ m2 + 2pm + p(1 − 2k 0 /h) = 0 C 0 (m) = 0 ⇔ m2 + 2pm + p(1 − 2k 0 /h) = 0 Le discriminant r´eduit de cette ´equation du second degr´e est ∆0 = k 2 − ac = p(2k 0 /h − q). Supposons que le d´elai de livraison est d´esormais de L. Calculer les probabilit´es stationnaires.∞ . nous noterons πi au lieu de πi. Remarque 3. nous avions consid´er´e le cas L = 1. Question 10. Si Yn = 0. cela signifie que la commande sera livr´ee dans L jours (toujours le soir). Lorsque le coˆ ut de possession devient trop grand ou la probabilit´e d’une demande trop faible. La variable Xn ne suffit plus `a repr´esenter l’´etat du syst`eme `a l’instant n. il n’y a plus d’int´erˆet ` a avoir le produit en magasin (on ne recommande jamais) car les coˆ uts de possession sont alors trop ´elev´es. R´ eponse : On peut noter Yn le nombre de jours restant avant la livraison. Cas 2 : 2k 0 < hq Dans ce cas. . Yn ) repr´esentant l’´etat du syst`eme `a l’instant n. DEMANDE ALEATOIRE (PLUSIEURS PERIODES) C(m) est continue et d´erivable. Cas 1 : 2k 0 ≥ hq Alors les racines m1 et m2 (´eventuellement ´egales) valent : p p m1 = −p − p(2k 0 /h − q) m2 = −p + p(2k 0 /h − q) Le tableau de variation de C(m) est alors : m −p C 0 (m) − +∞ C(m) m2 0 +∞ + +∞ @ @ R @  C(m2 ) C(m) atteint donc son minimum en m2 sur l’intervalle ] − p. Si m2 > 0. Si Yn = L. Proposer un couple de variable (Xn . Une commande est pass´ee d´es que la derni`ere machine est achet´ee et la commande arrive L jours plus tard. dans la soir´ee. exprimer le coˆ ut moyen en fonction des probabilit´es stationnaires. Enfin. +∞[. Enfin. Jusqu’`a pr´esent. C(m) est strictement croissante pour m > −p et on obtient m∗ = 0.96 ´ ´ CHAPITRE 3. cela signifie que la commande sera livr´ee dans la soir´ee du jour n.

∞ … p p 1-p Figure 3.2 – Graphe lorsque L > 1 π1 = · · · = πm = 1 Lp + m π0. Donner la d´emarche pour calculer les probabilit´es stationnaires.1.L-2 0.L-1 0. Exprimer les probabilit´es de transition en fonction des αi et de m.i + i=0 m X hiπi i=1 On reprend un d´elai de livraison L = 1 mais on suppose maintenant que la demande D est discr`ete et que l’on connaˆıt les probabilit´es αi = P (D = i).0 = · · · = π0.i−d = P (D = d) = αd pi.0 m. La politique de gestion des stocks consid´er´ee est la mˆeme.∞ p 97 0. Question 11. R´ eponse : . LE CONTRAT DE CONFIANCE 0.L−1 = p Lp + m Le coˆ ut moyen vaut alors : C(m) = kπ0.L−1 + cp L−1 X π0.0 = P (D ≥ i) = +∞ X si d < i αi i=d p0.m = 1 Question 12.L-3 0.1 … 1. R´ eponse : La dynamique du syst`eme est d´esormais la suivante : ( Xn+1 = max[Xn − Dn . 0] si Xn > 0 m si Xn = 0 et les probabilit´es de transition valent pi.

les commandes qui arrivent sont mises en attente jusqu’` a ce que de nouvelles pi`eces soient produites. Donner le graphe de la chaˆıne de Markov `a temps continu X(t). Si X(t) < 0. R´ eponse : . Si le stock n’est pas vide. on produit. Exprimer le coˆ ut moyen C(m) en fonction des αi . L’un des objectifs de cet exercice est de d´eterminer S ∗ .´ ´ CHAPITRE 3. la valeur du stock qui minimise l’esp´erance du coˆ ut global. R´ eponse : C(m) = kπ0 + m X + cπi E[(D − i) ] + i=0 m X hiπi i=1 avec E[(D − i)+ ] = ∞ X (j − i)αj j=i+1 2 File d’attente avec stock : ventes diff´ er´ ees On consid`ere une machine produisant des pi`eces unit´e par unit´e. on stoppe la production. On ne consid´erera dans ce mod`ele que 2 types de coˆ uts : — h : le coˆ ut unitaire de stockage (une pi`ece en stock coˆ ute h par unit´e de temps) — b : le coˆ ut unitaire d’attente (une commande en attente coˆ ute b par unit´e de temps) Question 1. alors [−X(t)] d´esigne le nombre de demandes en attente. Lorsque le stock atteint la valeur S. des πi . Si X(t) > 0. X(t) d´esigne le stock disponible. La politique de production adopt´ee est la suivante : tant que le stock net est strictement inf´erieur ` a une valeur seuil not´ee S. Lorsqu’il n’y a plus de stock. une commande qui arrive est satisfaite ` a partir du stock. de m et des param`etres de coˆ ut. On rappelle que la densit´e fY de Y est alors : fY (t) = µ exp(−µt) pour t ≥ 0 Une pi`ece termin´ee est plac´ee dans un stock. On suppose que l’on a calcul´e les probabilit´es stationnaires πi `a l’aide d’un solveur. DEMANDE ALEATOIRE (PLUSIEURS PERIODES) 98 Il suffit de r´esoudre le syst`eme lin´eaire suivant : πj = X pij πi i X πi = 1 i Question 13. La production d’une pi`ece n´ecessite un temps Y distribu´e suivant une loi exponentielle de taux µ. On note X(t) le stock net `a l’instant t. Les commandes unitaires arrivent suivant un processus de Poisson de taux λ.

Question 6. R´ eponse : Les ´equations de fronti`ere s’´ecrivent µπi = λπi+1 pour i < S. on peut ramener le calcul du base-stock optimal S ∗ ` a un probl`eme de vendeur de journaux. Soit πi la probabilit´e stationnaire d’ˆetre dans l’´etat i. Ainsi πi = ρπi+1 avec P ρ = λ/µ. En d´eduire que :  !   h     ln ∗ S = h+b    ln ρ o` u bxc d´esigne le plus grand entier plus petit que x. R´ eponse : P P−1 P C(S) = h Si=1 iπi − b i=−∞ iπi Question 4. . R´ eponse : C(S) = hE(X + ) + bE(X − ) = hE((S − N )+ + bE(N − S)+ Question 5.3. La condition de normalisation Si=−∞ πi = implique que : πS = PS 1 S−i i=−∞ ρ 1 = P∞ i i=0 ρ =1−ρ Au final. Exprimer les probabilit´es stationnaires en fonction de λ et de µ. Exprimer C(S) en fonction de h. Montrer que : ρS+1 ρ C(S) = (h + b) + h(S − ) 1−ρ 1−ρ 3 File d’attente avec stock : ventes perdues On consid`ere un syst`eme proche du probl`eme pr´ec´edent `a la diff´erence qu’il n’est plus possible de mettre de demandes en attente. On d´esigne par C(S) le coˆ ut total moyen par unit´e de temps. En faisant le changement de variable N = X − S. Le coˆ ut de stockage est identique au premier probl`eme. b. puis πi = ρS−i πS . Une demande non satisfaite directement par le stock est d´efinitivement perdue et induit un coˆ ut de rupture de stock c. S et des πi . associ´e `a un niveau de stock S. FILE D’ATTENTE AVEC STOCK : VENTES PERDUES λ S λ … S-1 µ λ λ λ 0 µ µ 99 -1 µ λ … -2 µ µ Question 2. πi = (1 − ρ)ρS−i Question 3.

λ.´ ´ CHAPITRE 3. Exprimer la probabilit´e stationnaire πi d’avoir i clients dans le syst¨ı¿ me en 2 fonction de λ et de µ. La CMTC sera repr´esent´ee par le triplet (x. 1) . 2 Question 4. 2 1 Question 3. Montrer que le stock moyen vaut I= 4 S + ρS+1 1 − ρS+1 − ρ 1−ρ Production 1. 100 µ1 µ3 µ3 µ1 110 µ2 1b 1 0 µ3 µ1 101 µ2 µ2 1 1b 1 111 µ1 1b 1 1 µ3 µ2 µ1 1b 1b 1 µ3 Figure 3. Exprimer le co¨ı¿ t moyen C(S) en fonction de h. y. 1b. 1) + π(1. R´ eponse : C(S) = h S X ip(i) + λcp(0) i=0 1 Question 2. DEMANDE ALEATOIRE (PLUSIEURS PERIODES) 100 1 Question 1. 1. 1. En utilisant par exemple Excel.9.3. z) o` u x. µ = 1. y et z peuvent avoir les valeurs suivantes : — 0 : libre — 1 : en train de traiter une pi`ece — 1b : bloqu´e Pour le graphe de la CMTC. 1) + π(1b. P = π(1b. ¨ı¿ valuer le stock nominal optimal S ∗ ainsi 2 1 que le co¨ı¿ t optimal C ∗ pour λ = 0. voir la figure 3. c. 0) + π(1b. h = 1 et c = 10. S et des πi . 1b.3 – Graphe exercice 4 2.

0) + 2 × [π(1. 1)] + 3 × π(1. 1. 0. 1) + π(1. X = µ3 [π(1b. 1) + π(1. 0) + π(1b. 1b. 0. 1b.4. 1) + π(1b. 1)] + 3 × [π(1. 1) + π(1. 0. 1)] + 2 × [π(1. 1) + π(1b. 1. PRODUCTION 101 3. 1) + π(1b. 1. 1. 1b. Q = 1 × π(1. 1)] 5. 0) + π(1. 0) + π(1b. 1. 1b. M =1 × [π(1. 1. 1) + π(1. 1b. 1) 6. 1. 1. 1)] 4. 1b. Calcul par la loi de Little pour une file d’attente stable : R= Q X . 1) + π(1. 1. 0. 0) + π(1b. 0. 1. 1) + π(1b. 0) + π(1.

102 ´ ´ CHAPITRE 3. DEMANDE ALEATOIRE (PLUSIEURS PERIODES) .

De plus un coˆ ut fixe de livraison K est ´egalement factur´e par le fournisseur quelles que soient les pi`eces command´ees. h2 = 2. Quelle est le coˆ ut moyen (par unit´e de temps) de la politique (T1EOQ . C2EOQ = 2 9 = 6 p p — Composant 3 : T3EOQ = 12/0. son volume. K2 = 9 — Composant 3 : λ3 = 1/6. Bien ´evidemment chaque composant diff`ere par son coˆ ut. Question 1. Il s’agira pour l’entreprise de choisir une politique d’approvisionnement de ses composants minimisant ses coˆ uts de commande et de stockage. R´ eponse : p √ Rappelons que CiEOQ = 2λi hi Ki et TiEOQ = 2Ki /(λi hi ) p √ — Composant 1 : T1EOQ = 2/0. Ainsi une commande de pi`eces 1 et 2 aura un coˆ ut fixe de K + K1 + K2 . son conditionnement. K3 = 12 On ne consid`ere dans la suite que des politiques ayant les propri´et´es suivantes : — ZIO — A t = 0. On supposera que les coˆ uts variables sont nuls. un coˆ ut de possession unitaire hi et un coˆ ut fixe d’approvisionnement Ki .5 = 2 p √ — Composant 2 : T2EOQ = 9/1 = 3. T2EOQ . C3EOQ = 2 12/3 = 4 Question 2. etc : un composant de type i a une demande continue et constante de taux λi . On s’int´eresse `a l’instance suivante avec 3 types de pi`eces et un coˆ ut de livraison K = 13 : — Composant 1 : λ1 = 1.5 = 2. h3 = 4. sa demande moyenne. on passe une commande pour tous les types de composants.33 = 6. h1 = 1. C1EOQ = 2 2 × 0.Chapitre 4 Syst` emes multi-´ echelon 1 Gestion conjointe de r´ ef´ erences Adaptation examen 2009 Une entreprise s’approvisionne aupr`es d’un mˆeme fournisseur pour tout un ensemble de composants. D´eterminer sur l’exemple la p´eriode ´economique de commande TiEOQ et le coˆ ut moyen optimal (par unit´e de temps) CiEOQ pour chacun des composants sans tenir compte du coˆ ut fixe de livraison K. T3EOQ ) obtenue en tenant compte maintenant des coˆ uts de livraison K (attention `a ne pas compter 103 . Une premi`ere approche consiste `a g´erer ind´ependamment les diff´erents composants selon leur quantit´e ´economique. K1 = 2 — Composant 2 : λ2 = 1.

` ´ CHAPITRE 4. A l’optimal. on obtient finalement : p √ T 0 = 2K 0 /(λ0 h0 ) = 4. on va commander 4 fois (`a t = 0. . on peut exprimer le coˆ ut moyen comme dans un mod`ele de Wilson classique : C(T 0 ) = = K + K1 + K2 + K3 T0 + X1 i 2 λi hi T 0 K0 1 + λ0 h0 T 0 T0 2 On a alors un mod`ele de Wilson avec un coˆ ut fixe K 0 = K + K1 + K2 + K3 = 36 et λ0 h0 = 2(0.66 A l’oppos´e on peut d´ecider de toujours grouper les commandes des diff´erents composants en prenant une p´eriode commune T 0 = T1 = T2 = T3 pour les 3 composants. t = 2. R´ eponse : . T2EOQ . 6[. 6) est stationnaire mais pas strictement cyclique car 3 n’est pas multiple de 2. .43 C 0 = 2λ0 h0 K 0 = 16. Question 3. T3EOQ ) et (T 0 .5 + 1 + 0. .43) est ´evidemment strictement cyclique puisque toutes les p´eriodes sont ´egales. Les 2 politiques pr´ec´edentes (T1EOQ . t = 3 et t = 4). .24 Une 3`eme approche consiste ` a se restreindre `a des politiques stationnaires strictement cycliques. Sur une p´eriode de temps [0. 4 C(T EOQ ) = C1EOQ + C2EOQ + C3EOQ + K 6 EOQ C(T ) = 12 + 2/3 × 13 = 20. T 0 ) sont-elles strictement cycliques ? Est-ce toujours le cas ? R´ eponse : La politique obtenue (2. Dans une politique strictement cyclique on passe donc une commande toutes les T0 unit´es de temps.666. Exprimer le coˆ ut moyen C(T ) d’une politique T strictement cyclique en fonction des diff´erents param`etres. 4. Question 5. 6). 3.43.333) = 3. SYSTEMES MULTI-ECHELON 104 plusieurs fois K au mˆeme instant !) ? R´ eponse : Les p´eriodes sont donc (2. Quelle est le coˆ ut moyen (par unit´e de temps) C(T 0 ) de cette politique ? Quelle 0 est la valeur de T qui minimise le coˆ ut moyen ? Quel est le coˆ ut moyen associ´e ? R´ eponse : P En posant K 0 = K + K1 + K2 + K3 et λ0 h0 = i λi hi . Le coˆ ut fixe est donc de 4K toutes les 6 unit´es de temps. Pour obtenir de cette mani`ere une politique strictement cyclique il faut beaucoup de chance ! Par contre (4. T 0 . Tn ) de p´eriodes. 3. Question 4. tel que Ti = ai T0 avec ai un entier ≥ 1 et T0 = mini Ti . 4.43. Une telle politique est d´ecrite par un vecteur T = (T1 .

TiEOQ } R´ eponse : Les variables Ti sont ind´ependantes dans la relaxation (fonction objectif s´eparable). Pour chaque variable on doit donc r´esoudre fi (Ti ) = min(Ki /Ti + 1/2λi hi Ti ) sous la contrainte Ti ≥ T0 . Son optimum sans contrainte est CiEOQ . +∞(. ∀i   T0 ∈ IR+ La fonction objectif C(T ) est non-lin´eaire. ´ Question 6. GESTION CONJOINTE DE REF C(T ) = K/T0 + P i 105 1 ! Ki /Ti + λi hi Ti 2 1 Le terme Ki /Ti + λi hi Ti est le coˆ ut moyen d’une politique ZIO stationnaire pour le com2 posant i command´e selon sa p´eriode Ti . les variables ai sont enti`eres tandis que les variables Ti sont r´eelles. Question 8. non-lin´eaire. Les contraintes sont lin´eaires. on paie en moyenne un coˆ ut de livraison de K/T0 . T2∗ (4) = 4 et T3∗ (4) = 6. La fonction ´etant strictement convexe : — Si TiEOQ ≥ T0 . de la fonction objectif (lin´eaire. Montrez que la p´eriode optimale Ti∗ (T0 ) pour le composant i dans la relaxation (R) si T0 est fix´e est alors Ti∗ (T0 ) = max{T0 . par exemple T0 = 4. convexe. Question 7. ai ∈ IN. atteinte en TiEOQ . Comme on commande exactement toutes les T0 unit´es de temps. L’objectif est une fonction ´economique classique du mod`ele de Wilson. alors Ti∗ (T0 ) = TiEOQ minimise (R) — Si TiEOQ < T0 . Pour cela imaginons que nous ayons d´ej`a d´ecid´e la p´eriode T0 d’approvisionnement. alors Ti∗ (T0 ) = T0 car fi est alors strictement croissante sur [T0 .5 × 4 + C3EOQ = 12 + 4 = 16 . etc. Ti = ao T0 . On consid`ere la relaxation continue suivante de la recherche de la meilleure politique strictement cyclique : ) C = min C(T ) (R) Ti ≥ T0 Nous allons essay´e ici de r´esoudre (R) `a l’optimum. non lin´eaire) R´ eponse :   C ∗ = min C(T )  (P ) s. Ecrire un programme math´ematique dont la solution est la meilleure politique strictement cyclique. Pr´eciser la nature des variables (enti`eres. r´eelles).´ ERENCES ´ 1. Quelles sont les p´eriodes optimales pour (R) et la valeur de la relaxation dans notre exemple si on fixe T0 = 4 ? R´ eponse : D’apr`es ce qui pr´ec`ede on a T1∗ (4) = 4. La valeur de la relaxation est C(4) = 24/4 + 1.) et des contraintes (lin´eaire.c.

nous avons : S1 = S10 + S20 . L’´etage 1 s’approvisionne en commandant a` l’ext´erieur du syst`eme et l’´etage 2 s’approvisionne en commandant `a l’´etage 1. Montrez que si la valeur optimale de T0 (not´ee T0∗ ) appartient `a l’intervalle [T2EOQ . Question 3.5) pour l’instance B. On ne consid´erera que des politiques d’approvisionnement `a la fois stationnaire. S2 = S20 . Dessiner l’´evolution des stocks disponibles et des stocks ´echelon ` a chaque ´etage. R´ eponse : Le stock ´echelon ` a l’´etage i vaut la somme du stock `a l’´etage i ainsi que des stocks de tous les ´etages en aval de l’´etage i. R´ eponse : Les p´eriodes sont les mˆemes aux deux ´etages. k2 = 100 e. h02 = 11 e/jour. 1) pour l’instance A. SYSTEMES MULTI-ECHELON 106 Question 9. u2 ) = (3. on trouve p √ la p´eriode ´economique T0 = 24/1. elle est envoy´ee ` a l’´etage 2 et les stocks disponibles `a l’´etage 1 restent nuls. En notant Si0 le stock disponible `a l’´etage i et Si le stock ´echelon ` a l’´etage i. Le dernier terme ne d´epend pas de T0 . λ = 1 par jour — Instance B : h01 = 1 e/jour. λ = 1 par jour Question 1.5 = 16 = 4. ZIO et imbriqu´ee. k1 = 1 e. On note uj la p´eriode de l’´etage j et qj la quantit´e command´ee ` a l’´etage j. h02 = 11 e/jour.5. 2 Syst` eme ` a deux ´ etages On consid`ere un syst`eme s´erie ` a deux ´etages. d´es qu’une commande arrive ` a l’´etage 1. Soit la politique (u1 . V´erifier que cette politique est imbriqu´ee. . On doit donc minimiser (K + K1 + K2 )/T0 + 0. Apr`es avoir rappel´e la d´efinition d’un stock ´echelon. L’´etage 2 voit une demande continue de taux λ. V´erifier que cette politique est imbriqu´ee. Soit la politique (u1 . Les notations `a l’´etage j sont les suivantes : — h0j = Coˆ ut de possession d’une unit´e pendant une unit´e de temps — kj = Coˆ ut fixe d’approvisionnement — cj = Coˆ ut variable unitaire d’approvisionnement — Lj = D´elai d’approvisionnement On supposera que cj = 0 et Lj = 0.` ´ CHAPITRE 4.5(h1 λ1 + h2 λ2 )T0 + C3EOQ . R´ eponse : Cette politique est imbriqu´ee car on peut ´ecrire u1 = au2 avec a entier strictement positif. k1 = 10 e. On supposera que les stocks disponibles sont nuls `a l’instant initial. alors elle doit minimiser (K + K1 + K2 )/T0 + 1/2(h1 λ1 + h2 λ2 )T0 . On supposera que les stocks disponibles `a l’instant initial sont nuls. k2 = 10 e. dessiner l’´evolution des stocks disponibles et des stocks ´echelon `a chaque ´etage (pour l’instance A et la politique (4. Sur l’exemple. d’apr`es les questions pr´ec´edentes on doit avoir T1∗ (T0 ) = T2∗ (T0 ) = T0 et T3∗ (T0 ) = T3EOQ . T3EOQ [. u2 ) = (4. Ici a = 4. Ainsi. Nous consid´ererons deux instances particuli`eres : — Instance A : h01 = 1 e/jour. 1)). Question 2. Quelle est cette valeur sur l’exemple ? R´ eponse : Si l’on sait que T2EOQ ≤ T0 < T3EOQ . 3.

5 ´ Figure 4.5 t u2=3.2 – Evolution des stocks pour l’instance B . SYSTEME A Étage 2 107 S2’(t) = S2(t) 1 t u2=1 4 S1’(t) S1(t) Étage 1 t u1 = 4 ´ Figure 4.` ` DEUX ETAGES ´ 2.1 – Evolution des stocks pour l’instance A Étage 2 S2’(t) = S2(t) 3.5 t S1(t) u1=3.5 Étage 1 S1’(t) 3.

u2 ) = k1 u1 + λh1 2 u1 + k2 + λh2 u2 2 u2 ´ Question 6. Rappeler par ailleurs 0 0 0 la relation qui lie hi . u1 = au2 (P1 ) a ∈ N∗ u1 ≥ 0. Le probl`eme relˆach´e sera not´e probl`eme (P2 ). SYSTEMES MULTI-ECHELON 108 Question 4. u2 ≥ 0 − Un solveur vous donne la solution optimale u− = (u− eme (P2 ) pour les 1 . 1.c. la solution (4. u2 ) d’une politique (u1 . u1 ≥ u2 (P2 ) u1 ≥ 0. R´ eponse : C ∗ = minimiser C(u1 .c. 4. u2 ≥ 0 ´ Question 7. R´ eponse : C(u1 .3. u2 ) en fonction de u1 . R´ eponse : C − = minimiser C(u1 . .3. R´ eponse : Pour l’instance B.41) — Instance B : u− = (4. hi . donner la solution optimale du probl`eme (P1 ). Ecrire le probl`eme d’optimisation permettant d’obtenir la politique optimale. Pour l’instance B. u2 ) du probl` deux instances : — Instance A : u− = (4.47.` ´ CHAPITRE 4. u2 ) s. 4. Nous avons la relation suivante : h01 S10 + h02 S20 = h1 S1 + h2 S2 ´ Question 5. R´ eponse : Les coˆ uts de possession ´echelon valent : h1 = h01 et h2 = h02 − h01 . Ecrire la relaxation continue de ce probl`eme. u2 .3) est r´ealisable pour le probl`eme (P1 ) et est donc une solution optimale du probl`eme (P1 ). Ecrire le coˆ ut moyen C(u1 . Si . Ce probl`eme sera not´e probl`eme (P1 ). u2 ) s. V´erifier que cette relation est correcte. Si o` u Si d´esigne le stock disponible `a l’´etage i et Si le stock ´echelon ` a l’´etage i. Rappeler la d´efinition du coˆ ut de possession ´echelon hi .3) Question 8.

Pour l’instance A. 1) et (22 . Notons u∗ = (u∗1 .c. 2) sont aussi garanties `a 6 %.08 u− × 2 = 1. − xj u− j = 2 α ⇒ xj = log2 (uj /α) Ainsi : 3. Indication : vous pourrez commencer par r´esoudre un probl`eme encore plus simple.75 u− × 1 = 4. Il vient : v v u u u 2k2 u 2k1 ∗ ∗ t u1 = u2 = t λh1 λh2 Si u∗1 ≥ u∗2 .41 = 20. On aurait pu aussi choisir une p´eriode de base α = 1 : 4. Nous noterons ce probl`eme simplifi´e probl`eme (P3 ). alors (u∗1 .5 est soit 0. SYSTEME A 109 Question 9. 1.75 est 4 tandis que l’entier le plus proche de 2.16 1. u∗2 ) la solution optimale du probl`eme (P3 ). u2 ≥ 0 On peut optimiser u1 et u2 s´epar´ement car la fonction C est s´eparable : C(u1 ) = C1 (u1 ) + C2 (u2 ) avec Ci (ui ) = ki ui + λhi 2 ui On peut alors r´e-utiliser les r´esultats du mod`ele EOQ standard.33.47 = 2 2. 20 ) = (4. Ainsi.` ` DEUX ETAGES ´ 2. les solutions (22 . en enlevant la contrainte u1 ≥ u2 .47 = 22. . u2 ) s. 21 ) = (4. R´ eponse : − xj Nous allons chercher ` a ´ecrire u− j sous la forme uj = 2 α. soit 1. donner une solution garantie `a 6 % pour le probl`eme (P1 ) avec une p´eriode de r´ef´erence choisie arbitrairement `a α = 1/3.08 est 2.5 L’entier le plus proche de 2. (P3 ) u1 ≥ 0. u∗2 ) est une solution r´ealisable du probl`eme (P2 ) et donc une solution optimale du probl`eme (P2 ). R´ eponse : Nous allons d’abord r´esoudre le probl`eme sans la contrainte u1 ≥ u2 : C = = minimiser C(u1 .33) est garantie `a 6 %. Nous n’avons plus de solveur `a notre disposition ! R´esoudre le probl`eme (P2 ) pour des param`etres quelconques. 22 × 1/3) = (5. Question 10.41 = 2 1 3 1 3 L’entier le plus proche de 3.16 est 2 tandis que l’entier le plus proche de 0. La solution (24 × 1/3.

u2 ) — u∗1 ≤ u∗2 ≤ u2 < u1 : la solution (u∗2 . le coˆ ut moyen se simplifie comme suit : C(u. C1(u) C2(u) u2* u2 u1* u u1 Figure 4. u) = k1 + k2 u + λ(h1 + h2 ) u 2 Le coˆ ut moyen C(u.3. u∗2 ) fait mieux que (u1 . u) telle que u2 < u < u1 fait mieux que (u1 . u2 ) — etc Pour une politique de la forme (u.3. u∗2 ) fait mieux que (u1 .3 – Coˆ uts moyens C1 et C2 On peut distinguer plusieurs cas de figure : — u∗1 ≤ u2 ≤ u∗2 ≤ u1 : la solution (u∗2 . regardons la figure 4.` ´ CHAPITRE 4.47. u∗1 = 20 > u∗2 = 2. u∗2 ) n’est plus une solution r´ealisable du probl`eme (P2 ). Il vient imm´ediatement : v v u u u 2k u 2(k1 + k2 ) u∗ = t = t λh λ(h1 + h2 ) Question 11. R´ eponse : p √ √ Pour l’instance B. Pour s’en convaincre. Le couple ( 20. V´erifier que l’on retrouve bien les r´esultats donn´es par le solveur. Montrons que toute solution optimale de (P2 ) est alors de la forme (u. nous avons u∗1 = 2 < u∗2 = 20 et u∗ = 202/11 ≈ 4. u2 ) — u∗1 ≤ u2 < u1 ≤ u∗2 : toute solution de la forme (u. 4.3) est solution optimale du probl`eme (P2 ).41) est solution optimale du probl`eme (P2 ). u) est celui d’un mod`ele EOQ avec les caract´eristiques suivantes : — Coˆ ut fixe k = (k1 + k2 ) — Coˆ ut unitaire de possession h = (h1 + h2 ) — Demande de taux λ — P´eriode u Notons (u∗ . u). Question 12. u). 1. SYSTEMES MULTI-ECHELON 110 Si u∗1 < u∗2 . on peut toujours construire une meilleure solution de la forme (u. Ainsi. u2 ) du probl`eme (P2 ) telle que u1 > u2 . (4. √ √ √ √ Pour l’instance A. u∗ ) la solution optimale du probl`eme (P2 ). Supposons que la condition suivante soit v´erifi´ee : k1 /h1 < k2 /h2 . alors (u∗1 .3. Soit une solution r´ealisable (u1 . 2)= (4. u).

(u∗ . on a alors u∗1 < u∗2 et la solution optimale du probl`eme (P2 ). est une solution r´ealisable du probl`eme non relˆach´e. . SYSTEME A 111 Quelle est la solution optimale du probl`eme (P1 ) ? R´ eponse : Si la condition est v´erifi´ee. C’est donc une solution optimale du probl`eme (P1 ).` ` DEUX ETAGES ´ 2. u∗ ).

SYSTEMES MULTI-ECHELON .112 ` ´ CHAPITRE 4.

Troisi` eme partie Projets 113 .

.

Le taux de service est d´efini comme le pourcentage des demandes satisfaites imm´ediatement. L’examen final portera. S). S) : recompl´eter le stock brut `a S lorsque le stock brut est ≤ `a r. A chaque commande pass´ee. Il n’y a pas de coˆ ut de rupture de stock mais on cherchera ` a satisfaire une certaine qualit´e de service. (T. R´ eponse : — Politique (r. Une demande est l’agr´egation des demandes de plusieurs clients. (T. Les objectifs de l’entreprise sont. Ainsi. S). Dans ce TP. — Politique (T. q). Tous documents seront autoris´es. (r. — Politique (r. Le d´elai d’approvisionnement de 5 jours est suppos´e fiable dans un premier temps. Cela revient ` a commander ` a l’instant t la quantit´e (S − Yt ). Votre mission de stage est de d´evelopper un outil d’aide `a la d´ecision afin de choisir une politique de gestion des stocks appropri´ee.Chapitre 1 Simulation et optimisation de politiques de gestion des stocks ´ Evaluation. une demande de trois signifie que trois clients ont pass´e une commande de 1. Une commande pass´ee en d´ebut du jour j est disponible en d´ebut du jour j + 5. entre autres. — de minimiser les coˆ uts Quatre politiques sont envisag´ees : (r. sur ce TP. Rappeler la d´efinition de 4 types de politiques envisag´ees. Les demandes non satisfaites sont mises en attente. nous allons essayer de simuler et optimiser ces politiques afin de les comparer. q). 2 Questions pr´ eliminaires Question 1. S) : recompl´eter le stock brut toutes les T p´eriodes 115 . La possession d’une pi`ece pendant un jour est de 1 e . q) : commander q unit´es lorsque le stock brut est ≤ `a r. 1 Probl´ ematique Une pi`ece dont vous avez la gestion a une demande journali`ere al´eatoire. vous avez un coˆ ut fixe s’´elevant ` a 100 e . entre autres : — d’avoir un bon taux de service (en quantit´e). Vous disposez d’un historique des ventes pour cette pi`ece sur l’ann´ee qui pr´ec`ede (cf fichier sur Dokeos).

le nombre de demandes satisfaites en p´eriode t vaut min(Xt− + Dt . En conclusion. Donner une ´equation qui relie les stocks bruts. combien de demandes sont satisfaites ? R´ eponse : Le nombre de demandes ` a satisfaire vaut Xt− + Dt . les quantit´es command´ees et les demandes. R´ eponse : Apr`es r´eception de la commande. les quantit´es command´ees et les demandes. premier servi (first come first served). Dt ] demandes satisfaites sans d´elai en p´eriode t. ayant lieu en d´ebut de matin´ee) — Yt = stock brut au d´ebut du jour t (avant que la commande du jour soit pass´ee) — Qt = quantit´e command´ee au d´ebut du jour t — Dt = demande le jour t — L = d´elai de livraison Question 2. vous prendrez comme demandes celles donn´ees par l’historique des ventes. soit le stock physique en d´ebut de p´eriode plus la quantit´e r´eceptionn´ee en d´ebut de p´eriode). combien de demandes sont satisfaites imm´ediatement ? On supposera que la politique est premier arriv´e. Donner une ´equation qui relie les stocks nets. En p´eriode t. Exprimer le stock brut en fonction du stock net et des commandes pass´ees. R´ eponse : Yt = Xt + Qt−1 + Qt−2 + · · · + Qt−L Question 4. c’est-`a-dire les demandes en attente plus les demandes de la p´eriode. SIMULATION ET OPTIMISATION DE POLITIQUES DE GESTION DES STOCKS Quelques notations utiles pour d´ecrire la dynamique des stocks : — Xt = stock net au d´ebut du jour t (avant r´eception de la livraison du jour. . R´ eponse : Yt+1 = Yt − Dt + Qt Question 5. Le nombre de demandes maximum que l’on peut satisfaire en p´eriode t vaut Xt+ + Qt−L . Xt+ + Qt−L ) Question 6. 3 Simulation et optimisation sur la base de l’historique des demandes Dans cette partie.116CHAPITRE 1. R´ eponse : Xt+1 = Xt − Dt + Qt−L Question 3. le stock physique vaut (Xt + Qt−L )+ . Il y a donc min[(Xt + Qt − L)+ . En p´eriode t.

Avec Excel. le stock initial est de 50 pi`eces et aucune commande n’est en transit. parmi ceux qui attendent au moins une p´eriode pour ˆetre servis — Rotation annuelle des stocks R´ eponse : P P Notons T = 365. total) — Proportion de jours sans rupture de stock — Taux de service en quantit´e : Proportion des pi`eces fournies `a temps par rapport au nombre de pi`eces demand´ees — Stock physique moyen — Temps moyen pass´e par une pi`ece en stock — Nombre moyen de clients en attente — D´elai moyen pour servir un client (inclure dans ce calcul les clients qui n’attendent pas) — D´elai moyen pour servir un client. q) Question 7. q) sur une ann´ee (365 jours ouvr´es). h = 1 et k = 100. r´ealiser un simulateur de politique (r.3. PT + t=1 xt + — Stock physique moyen : x = T PT x− − — Nombre moyen de clients en attente : x = t=1 t T PT x+ t — Temps moyen pass´e par une pi`ece en stock : tpiece = Pt=1 T t=1 qt — D´elai moyen pour servir un client (inclure dans ce calcul les clients qui n’attendent . Remarquons par ailleurs que Tt=1 dt ' Tt=1 qt . Repr´esenter l’´evolution du stock net et du stock brut en fonction du temps. SIMULATION ET OPTIMISATION SUR LA BASE DE L’HISTORIQUE DES DEMANDES117 Simulation de la politique (r. `a moins d’avoir choisi une quantit´e de commande q trop petite ou un horizon de temps T tr`es court. Vous supposerez que tous les jours de l’ann´ee sont ouvr´es. possession. Par ailleurs. Question 9. Vous pourrez par exemple remplir les colonnes suivantes : Jour 1 2 3 ··· 365 Demande ? ? ? ··· ? Stock net 50 ? ? ··· ? Stock brut 50 ? ? ··· ? Quantit´e command´ee ? ? ? ··· ? ··· ··· ··· ··· ··· ··· R´ eponse : Cf fichier Excel Question 8. Compl´eter le simulateur afin qu’il calcule les param`etres de performance suivants : — Coˆ ut moyen par jour (fixe. Vous utiliserez l’historique des demandes disponible sur Dokeos.

dt ]. Ainsi x+ tpiece = De Le temps tpiece obtenu sera exprim´e en jours. tclient = x− De Les clients se r´epartissent en deux cat´egories : ceux qui attendent (tclient > 0) et ceux qui n’attendent pas (tclient = 0). Le d´ebit entrant est De = ( Tt=1 dt )/T . Une d´efinition possible : il n’y a pas rupture de stock en p´eriode t si toute la demande de la p´eriode t est satisfaite imm´ediatement. — La rotation des stocks annuelle est d´efinie comme la consommation annuelle divis´ee par le stock moyen. on peut utiliser la loi de P Little appliqu´e au syst`eme ”Stock physique” qui voit un d´ebit entrant De = ( Tt=1 qt )/T . Au final. Le nombre moyen de demandes en attente vaut PT x− x− = t=1 t T On peut alors ` a nouveau appliquer la loi de Little au syst`eme ”Clients en attente” pour P calculer le temps moyen d’attente tclient d’un client. c’est-`a-dire si at = dt . Le nombre de demandes satisfaites imm´ediatement le jour t est ´egal `a at = min[(xt + qt−L )+ . Elle repr´esente le nombre de fois o` u les stocks sont renouvel´es au cours d’une ann´ee : PT dt Rotation = t=1 x+ Pour calculer le temps moyen tpiece pass´e par une pi`ece en stock.118CHAPITRE 1. Le d´ebit entrant et sortant sont approximativement ´egaux dans la mesure o` u les demandes sont satisfaites tˆ ot ou tard. la proportion de pi`eces fournies `a temps est : PT at (1 − α2 ) = Pt=1 T t=1 dt — Proportion de jours sans rupture de stock. parmi ceux qui attendent au moins une p´eriode pour ˆetre servis PT x− tclients qui attendent ' PT t=1 t t=1 (dt − at ) — — — — Coˆ ut moyen de possession par jour : H = hx+ Coˆ ut moyen fixe par jour : K = k × Nombre de commandes/T Coˆ ut total moyen par jour : C = H + K Proportion des pi`eces fournies `a temps par rapport au nombre de pi`eces demand´ees. Ainsi tclient = (1 − α2 ) ∗ 0 + α2 ∗ tclient qui attendent = α2 ∗ tclient qui attendent . SIMULATION ET OPTIMISATION DE POLITIQUES DE GESTION DES STOCKS PT pas) : tclient ' Pt=1 T x− t t=1 dt — D´elai moyen pour servir un client. La notion de journ´ee sans rupture de stock est elle aussi ambig¨ ue.

33) 27. q ∗ ) qui minimisent les coˆ uts tout en assurant que (1 − α)% des pi`eces sont satisfaites imm´ediatement. q EOQ ) en utilisant quelques principes simples : — Le taux de service est croissant avec r. — Le coˆ ut est ` a priori d´ecroissant puis croissant en q (on dit qu’il est unimodal en q). q EOQ ) pour les trois taux de service. q EOQ ) C(rEOQ . En prenant comme quantit´e de commande q EOQ . On peut aussi le solveur d’excel (`a activer dans Outils/Macros compl´ementaires) ou une macro VBA qui trouvera la solution optimale pour ce probl`eme simple. q EOQ ) 80 % (24. Pour ce faire. vous utiliserez 3 m´ethodes — Par tˆ atonnements — En utilisant le solveur d’Excel — En utilisant une macro Visual Basic Pour acc´el´erer vos recherches de l’optimum. SIMULATION ET OPTIMISATION SUR LA BASE DE L’HISTORIQUE DES DEMANDES119 Ainsi tclient qui attendent = tclient − t=1 xt PT t=1 dt PT = α2 PT × PT t=1 dt t=1 (dt − at ) − t=1 xt PT = PT t=1 (dt − at ) Optimisation de la politique (r. Une heuristique classique consiste `a utiliser la formule de Wilson pour approcher q ∗ . Question 10. q) Nous allons chercher ` a d´eterminer les param`etres optimaux (r∗ . pour les 3 taux de service. D´eterminer les param`etres optimaux (r∗ . R´ eponse : Le taux de service est croissant avec r. q ∗ ) ainsi que le coˆ ut journalier associ´e.3. On peut donc r´ealiser une dichotomie pour trouver la quantit´e optimale. R´ eponse : Proc´eder par tˆ atonnements en repartant de la solution (rEOQ . vous pouvez r´efl´echir `a l’influence de r et q sur le taux de service et le coˆ ut. Question 11. Au passage. 90 % et 100 %. pour r fix´e. . d´eterminer les points de commande rEOQ qui assure des taux de service de 80 %.33) 44.7 Question 12. Calculer la quantit´e qEOQ ainsi obtenu.6 90 % (29.63 100 % (43. Taux de service (rEOQ . on obtient q EOQ ' 33 pi`eces. On peut facilement trouver par dichotomie rEOQ .166 euro/jour/pi`ece et K = 100 euros. R´ eponse : Attention aux unit´es ! q EOQ v u u2DK =t h P Nous avons D = ( t Dt )/T = 5.33) 30. h = 5 euro/mois/pi`ece = 0. Au final. calculer le coˆ ut journalier C(rEOQ .32 pi`eces/jour = 160 pi`eces/mois.

selon vous ? R´ eponse : .72 Question 13.46) 25. S) Question 14. q) et (T. Question 15.33) 44.98 100 % (43. le d´elai de livraison L est une variable al´eatoire avec P (L = 4) = P (L = 6) = γ. R´ eponse : Oui. A partir de l’historique des ventes. sur cet exemple. L’utilisation des demandes pass´ees pour ´evaluer la qualit´e d’une politique est une approche pragmatique mais qui a deux limites : — Elle n’est valable que pour la r´ealisation des demandes. · · · . (T. D´eterminer maintenant les param`etres optimaux et les coˆ uts optimaux pour les politiques (r.86 90 % (27. Comparer les coˆ uts optimaux des 4 types de politiques. Question 18. SIMULATION ET OPTIMISATION DE POLITIQUES DE GESTION DES STOCKS Taux de service (r∗ . Question 16. P (L = 5) = 1 − 2γ Question 17. Expliquer les diff´erences. q). (T. Etudier l’influence de γ sur le coˆ ut optimal. Optimisation des politiques (r. q). Ce probl`eme est en fait dˆ u au d´elai de livraison qui n’est pas syst´ematiquement de 5 jours. par quelle distribution peut-on approcher la demande. D´esormais. On peut imaginer que les performances de la politique puissent se d´egrader pour une autre r´ealisation. pour les les 3 taux de service. R´ eponse : D´esormais. Reprendre la simulation et l’optimisation de la politique (r.44) 29. vous vous rendez compte que le taux de service observ´e est plus faible que celui que vous vous ´etiez fix´e. 4 Simulation en utilisant un g´ en´ erateur al´ eatoire de demandes On consid´erera dans toute cette partie une politique (r. S). D´ elai d’approvisionnement non fiable Apr`es quelques approvisionnements. 2T + 1. q ∗ ) C(r∗ . T + 1. q) et (T. q ∗ ) 80 % (20. S). vous supposerez que l’on peut commander uniquement aux p´eriodes t = 1. S). le d´elai de livraison L est une variable al´eatoire avec P (L = 4) = P (L = 6) = γ.120CHAPITRE 1. Pour les politiques calendaires. — Elle ne permet pas de simuler des demandes diff´erentes (plus ´elev´ees ou plus variables par exemple). P (L = 5) = 1 − 2γ. L’approximation de q ∗ par la formule de Wilson vous semble-t-elle bonne ? Proposez une explication ` a partir du graphique d’´evolution des stocks.

´ ERATEUR
´
´
4. SIMULATION EN UTILISANT UN GEN
ALEATOIRE
DE DEMANDES121
Cf correction excel. L’id´ee est de tracer un histogramme des ventes pour voir l’allure de la
distribution. A partir de l`
a, il semble r´ealiste de mod´eliser la distribution de la demande par
une loi normale N (µ, σ). Lorsque la demande est l’agr´egation de n demandes individuelles,
le th´eor`eme central limite soutient l’hypoth`ese d’une distribution gaussienne.
On peut estimer µ et σ `
a l’aide des estimateurs classiques pour l’esp´erance et la variance :
µ
ˆ=x=

n
1X

n i=1

xi = 5.32

v
u
q
n
u 1 X
ˆ
σ2 = t
(xi − x)2 = 3.03
n − 1 i=1
Avec Excel, il suffit d’utiliser les fonctions MOYENNE et ECARTYPE.
Il faudrait tronquer les valeurs n´egatives obtenues et ´eventuellement arrondir toutes les
valeurs `a l’entier le plus proche.
Question 19. Sous Excel, la fonction ALEA() g´en`ere un nombre r´eel al´eatoire U o`
u U suit
une loi uniforme sur [0, 1]. G´en´erez 10 nombres al´eatoires suivant une loi uniforme.
Rappel 2. Soit une variable al´eatoire X de fonction de r´epartition FX . On peut facilement
g´en´erer al´eatoirement X `
a partir de U . En effet la variable al´eatoire V = FX−1 (U ) a la
mˆeme distribution que X si FX−1 d´esigne la fonction inverse de FX . En effet :
FZ (x) = P (Z ≤ x) = P (FX−1 (U ) ≤ x) = P (U ≤ FX (x)) = FX (x)
Question 20. Sous Excel, g´en´erer 1000 nombres al´eatoires suivant une loi normale N (µ, σ)
o`
u vous choisirez arbitrairement µ et σ. Sur l’´echantillon obtenue, v´erifiez que l’esp´erance
et l’´ecart-type sont coh´erents avec le choix que vous avez faits pour µ et σ.

eponse :
La fonction LOI.NORMALE.INVERSE(ALEA() ;5 ;3) va g´en´erer un nombre al´eatoire
suivant une loi normale N (5.3, 3).
Question 21. Reprendre le simulateur de la politique (r, q) en g´en´erant d´esormais la demande al´eatoirement sur n jours, suivant la loi estim´ee pr´ec´edemment.
Question 22. Observer empiriquement que les param`etres de performance convergent
quand n tend vers l’infini. Pourquoi ?
´
Question 23. Etudier
maintenant l’influence de σ sur le coˆ
ut de la politique optimale. Vous
simulerez vos politiques sur 1000 jours. Pour ce faire, vous pourrez utiliser l’outil de votre
choix (Excel, Vba, Java, etc).

122CHAPITRE 1. SIMULATION ET OPTIMISATION DE POLITIQUES DE GESTION DES STOCKS

Chapitre 2

Beer game
Le jeu de la bi`ere (beer game) est un jeu qui a ´et´e d´evelopp´e au MIT (Massachusetts
Institute of Technology) dans les ann´ees 1960 afin d’appr´ehender les probl´ematiques de
centralisation/d´ecentralisation des d´ecisions et de partage d’informations dans les chaˆınes
logistiques (supply chains).
La chaˆıne logistique consid´er´ee est constitu´ee de quatre acteurs : une usine (factory), un
distributeur (distributor), un grossiste (wholesaler), un d´etaillant (retailer). Chaque acteur
de la chaˆıne logistique a un fournisseur en amont et un client en aval. Par exemple, le
distributeur a pour fournisseur l’usine et pour client le grossiste.
Usine

Distributeur

Grossiste

Détaillant

Matières
premières

3 sem

3 sem

3 sem

3 sem

0 sem

1 sem

1 sem

1 sem

1 sem

0 sem

Client final

Délai flux physiques
Délai flux d’information

Chaque semaine, chaque acteur de la chaˆıne logistique essaie de satisfaire la demande
provenant de son client. Les demandes non satisfaites sont mises en attente. Le coˆ
ut de
rupture de stock est b par unit´e en attente et par semaine. Par ailleurs, le coˆ
ut de possession
d’une unit´e en stock pendant une semaine est not´e h. Lorsqu’une commande de q > 0 unit´es
est pass´ee, il en coˆ
ute k + qc o`
u k est le coˆ
ut fixe et c le coˆ
ut variable. Si aucune commande
n’est pass´ee (q = 0), le coˆ
ut de commande est nul. En utilisant la fonction indicatrice, on
peut r´esumer le coˆ
ut d’une commande ainsi :
(
0
si q = 0
k1lq>0 + qc =
k + qc si q > 0
Afin de satisfaire les demandes, un acteur peut passer des ordres de commande `a son fournisseur. Un ordre met 1 semaine a parvenir au fournisseur. Si le fournisseur peut satisfaire la
commande, il l’exp´edie imm´ediatement. Le d´elai de transport est alors de 3 semaines. Ainsi
un acteur re¸coit ce qu’il a command´e 4 semaines apr`es avoir plac´e l’ordre de commande, si
son fournisseur n’est pas en rupture de stock. En cas de rupture de stock chez le fournisseur,
le fournisseur met en attente la commande et est tenu de la satisfaire ult´erieurement. Notons
qu’un fournisseur n’est pas autoris´e `a exp´edier `a son client des produits que ce dernier n’a
pas command´e. Par ailleurs, nous supposerons que chaque ´etage a une capacit´e de stockage
illimit´ee.
123

R´ eponse : E(t) = min[B(t) + D(t). c et k et des S(t). T ] en fonction de h. Par la suite. Attention. Exprimer E(t) en fonction de S(t). Mercredi : exp´edier ` a votre client les demandes en attente (comprenant l’ordre de commande du mardi). elle s’approvisionne en mati`eres premi`eres afin de fabriquer ses bi`eres et l’on consid`ere qu’il n’y a jamais de rupture de stock en mati`eres premi`eres. · · · . Pour le d´etaillant. Chaque semaine. Lundi : mettre ` a jour le niveau de stock et le nombre de demandes en attente d’ˆetre servies 2. dans la mesure du stock disponible. Exprimer le coˆ ut total Ci pour l’acteur i sur l’horizon [1. le d´elai de livraison et le d´elai d’information sont nuls. R´ eponse : .124 CHAPITRE 2. Mardi : r´eceptionner l’ordre de commande de votre client 3. Q(t) R´ eponse : Ci = T X hS(t) + t=1 T X t=1 T X bB(t) + (cQ(t) + k1lQ(t)>0 ) t=1 Question 2. Attention. c = 0. vous ne pouvez pas exp´ edier le mercredi ce que vous r´ eceptionnez le jeudi ! 5. les param`etres du probl`eme seront fix´es `a : T = 25. b. b = 2. Jeudi : r´eceptionner la livraison en provenance de votre fournisseur. B(t) et D(t). R(t) et D(t). B(t). E(t). k = 50. 1 Questions pr´ eliminaires Question 1. S(t)] Question 3. Exprimer S(t + 1) et B(t + 1) en fonction de S(t). BEER GAME Les acteurs aux extr´emit´es de la chaˆıne ont un rˆole un peu particulier. si vous le jugez n´ecessaire. Quant `a l’usine. vous n’avez pas le droit d’exp´ edier ` a votre client plus de produits que ce qu’il vous a command´ e! 4. Vendredi : passer une commande `a votre fournisseur. l’ordre des op´erations est le suivant pour chaque acteur : 1. Quelques notations en semaine t pour un acteur i (on omet l’indice i pour simplifier les notations ) : — S(t) = Stock disponible en d´ebut de semaine — B(t) = Nombre de demandes en attente en d´ebut de semaine — SN (t) = Stock net en d´ebut de semaine = S(t) − B(t) — E(t) = Quantit´e exp´edi´ee ` a votre client — R(t) = Quantit´e r´eceptionn´ee en provenance de votre fournisseur — D(t) = Quantit´e command´ee par votre client — Q(t) = Quantit´e que vous commandez `a votre fournisseur Le jeu se d´eroule sur T semaines. h = 1. B(t).

R´ eponse : En soustrayant les deux ´egalit´es pr´ec´edentes. vous ne devez fournir la demande finale qu’au d´etaillant. -1 et -2. 6 La demande passe ` a 16. Une possibilit´e est de nommer un client par ´equipe en lui fournissant le profil de la demande. Chaque fournisseur a exp´edi´e 4 unit´es en semaines 0. Le meneur de jeu pourra fournir quelques semaines plus tard une raison (un ´ev´enement marketing important est intervenu. Attention. le meneur explique que si on continue ` a ne pas pouvoir fournir. Seul le d´etaillant voit la vraie demande. 7 ` a 8 La demande passe ` a 24 . Sem. 2. 1 ` a 5 La demande client est environ de 4 unit´es par semaine.` 2. Sem. Tous les acteurs devraient donc avoir une demande de 4 en semaine 1 et r´eceptionner physiquement 4 unit´es en semaines 1. Exprimer SN (t + 1) en fonction de SN (t). En outre. la bi`ere connaˆıt des effets de saisonnalit´e et la consommation est plus ´elev´ee lors de fortes chaleurs. Chaque acteur a 12 unit´es en stock et aucune demande en attente. JEU DE LA BIERE 125 S(t + 1) = S(t) + R(t) − E(t) B(t + 1) = B(t) + D(t) − E(t) Question 4. Compl´eter le tableau ci-joint. Chaque acteur a pass´e un ordre de commande de 4 ` a la semaine 0. R(t) et D(t). en semaine 1. Sem. Le meneur pourra fournir quelques semaines plus tard une raison (forte chaleur). il vient imm´ediatement SN (t + 1) = SN (t) + R(t) − D(t) Question 5. Sem. Vers la semaine 13. . Pr´ evision de la demande Le service marketing esp`ere que les efforts publicitaires consentis vont porter leurs fruits. R´ eponse : Voici un sc´enario possible que vous pourrez adapter. 2 Jeu de la bi` ere Historique de la demande La bi`ere vendue est un nouveau produit lanc´ee en janvier et on dispose de peu de donn´ees sur la demande. 9 ` a 14 La demande redescend a environ 16. L’objectif est de doubler les ventes d’ici l’´et´e. attendez bien que tous les acteurs est rempli leur tableau avant de changer de semaine. Par ailleurs. les clients vont se tourner vers un produit de substitution. et donc impr´evisible). L’objectif de chaque acteur i est de minimiser son coˆ ut Ci . et 3. La demande moyenne observ´ee de janvier ` a mars est de 4 avec une l´eg`ere tendance `a la hausse. Les diff´erents acteurs n’ont pas le droit de communiquer entre eux. Initialisation Le jeu d´ebute au d´ebut du printemps.

. 25 Le jeu s’arrˆete. Comment l’expliquez vous en vous appuyant sur la revue de litt´erature ? Partie III Proposer et comparer des strat´egies permettant de coordonner efficacement la chaˆıne logistique ´etudi´ee dans le Beer game. code.. sites web. Pour stimuler l’esprit de comp´etition entre les ´equipes. Le rapport devra comporter 4 `a 6 pages (police 11. il faudra adopter des indicateurs et graphiques pertinents. P Votre objectif sera de minimiser le coˆ ut total de la chaˆıne logistique i Ci . Partie I Expliquer le bullwhip effect (ou effet coup de fouet) en r´epondant aux questions : Qu’est-ce que le bullwhip effect (ou effet coup de fouet) ? Comment explique-t-on le bullwhip effect ? Quels sont les diff´erents facteurs qui amplifient le bullwhip effect ? Quelles sont les cons´equences du bullwhip effect ? Quels leviers peut-on utiliser pour tenter de limiter le bullwhip effect et ses cons´equences ? Votre expos´e devra s’appuyer sur la litt´erature (livres. .zip) et ne devra pas d´epasser une taille de 5 Mo. arial). Partie II Exploiter le jeu du beer game en r´epondant aux questions suivantes : Avez-vous observ´e un bullwhip effect ? Avec quelle amplitude ? Pour r´epondre `a ces questions. Vous vous placerez dans le cas d’une information parfaite sur la demande (demande connue sur tout l’horizon de temps) et de d´ecisions centralis´ees (les d´ecisions pour l’ensemble des acteurs sont coordonn´ees). le meneur explique que pour cause de non r´eponse `a la demande. Bien rappeler dans le rapport le nom des membres du groupe.) en veillant `a r´ef´erencer correctement vos sources. BEER GAME Sem. nous avons perdu des parts de march´e. Afin de vous aider `a d´emarrer vos recherches bibliographiques.126 CHAPITRE 2. vous trouverez sur Chamilo (rubrique Documents / Beer game) des articles sur le bullwhip effect... La revue de litt´erature pr´ec´edente peut vous y aider. vous pouvez reporter au tableau une synth`ese des coˆ uts pour chaque acteur au tableau (par exemple en semaine 8. Vous y exposerez vos premiers r´esultats et votre planning/organisation d’ici le . interligne simple. 3 Rapport ` a rendre Chaque groupe devra r´ediger un rapport en trois parties. 15 ` a 25 La demande repasse `a environ 4 jusqu’`a la fin du jeu. — Vous pouvez inclure dans le fichier zipp´e des annexes (Tableur Excel. articles. Sem.) si cela vous semble pertinent 4 Evaluation Point d’avancement Un point d’avancement avec chaque groupe aura lieu en TD le 4 mars d’une quinzaine de minutes. — Le rapport doit imp´erativement ˆetre au format PDF. Chaque groupe d´eposera un seul dossier zipp´e sur Chamilo `a la rubrique ”Travaux/Bear game” avant le 18 mars minuit : — Le dossier zipp´e sera intitul´e avec le nom du coordonnateur du groupe (Nom. . 16 et 25).

. coh´erence entre les diff´erentes parties Partie I Les r´eponses sont-elles correctes et ´etay´ees par des r´ef´erences ? Les r´ef´erences sont-elles pertinentes ? Les r´ef´erences sont-elles correctement cit´ees dans le texte et list´ees en fin de rapport ? Partie II Le bullwhip effect est-il mis en lumi`ere grˆace `a des indicateurs et graphiques pertinents ? Le lien avec la litt´erature est-il fait ? Partie III Les strat´egies choisies sont-elles compr´ehensibles par le lecteur ? Les strat´egies ont-elles ´et´e correctement impl´ement´ees ? Les strat´egies sont-elles pertinentes et efficaces ? Les performances des strat´egies sont-elles pr´esent´ees clairement `a travers un tableau de synth`ese ? Absences Une absence non justifi´ee d’un ´etudiant lors du jeu ou du point d’avancement entraˆıne la non ´evaluation du beer game pour cet ´etudiant. Ensemble du rapport Correction de la langue et de l’expression.4. Crit` eres Les crit`eres d’´evaluation sont les suivants. Investissement des ´ etudiants au sein du groupe Si d’aventure les investissements des ´etudiants diff`eraient notablement au sein d’un groupe. (−) Etudiant ´ s’´etant nettement moins investi que le reste du groupe. lisibilit´e des graphiques et tableaux. (+) Etudiant s’´etant plus investi que le reste ´ ´ du groupe. disposition typographique. ´ ´ (=) Etudiant s’´etant normalement investi. EVALUATION 127 18 mars. (−−) Etudiant ne s’´etant quasiment pas investi. (++) Etudiant s’´etant beaucoup plus investi que le reste du groupe. Ce sera aussi l’occasion d’´evoquer d’´eventuels probl`emes de collaboration dans un groupe. vous pourrez le mentionner au d´ebut du rapport avec les signes suivants.

128 CHAPITRE 2. BEER GAME .

Quatri` eme partie Annales 2009-2015 129 .

.

On s’int´eresse `a l’instance suivante avec 3 types de pi`eces et un coˆ ut de livraison K = 13 : — Composant 1 : λ1 = 1. Ainsi une commande de pi`eces 1 et 2 aura un coˆ ut fixe de K + K1 + K2 . Question 2. Quelle est la valeur de T 0 qui minimise le coˆ ut moyen ? Quel est le coˆ ut moyen associ´e ? Une 3`eme approche consiste ` a se restreindre `a des politiques stationnaires strictement cycliques. sa demande moyenne. Dans une politique strictement cyclique on passe donc une commande toutes les T0 unit´es de temps. etc : un composant de type i a une demande continue et constante de taux λi . T2EOQ . . Question 1. T3EOQ ) obtenue en tenant compte maintenant des coˆ uts de livraison K (attention `a ne pas compter plusieurs fois K au mˆeme instant !) ? A l’oppos´e on peut d´ecider de toujours grouper les commandes des diff´erents composants en prenant une p´eriode commune T 0 = T1 = T2 = T3 pour les 3 composants. GESTION CONJOINTE DE REF Gestion des stocks Examen Juin 2009 1 131 GI . Question 3.´ ERENCES ´ 1. Il s’agit pour l’entreprise de choisir une politique d’approvisionnement de ses composants minimisant ses coˆ uts de commande et de stockage. Les 2 politiques pr´ec´edentes (T1EOQ . K1 = 9 — Composant 3 : λ1 = 1/6. h1 = 1. on passe une commande pour tous les types de composants. K1 = 12 On ne consid`ere dans la suite que des politiques ayant les propri´et´es suivantes : — ZIO — A t = 0. h1 = 2. . h1 = 4. tel que Ti = ai T0 avec ai un entier ≥ 1 et T0 = mini Ti . Question 4. Une premi`ere approche consiste `a g´erer ind´ependamment les diff´erents composants selon leur quantit´e ´economique. Tn ) de p´eriodes. D´eterminer sur l’exemple la p´eriode ´economique de commande TiEOQ et le coˆ ut ´economique moyen CiEOQ pour chacun des composants sans tenir compte du coˆ ut fixe de livraison K. T 0 ) sont-elles strictement cyclique ? Est-ce toujours le cas ? . son volume. . .Fili`ere ICL Gestion conjointe de r´ ef´ erences Une entreprise s’approvisionne aupr`es d’un mˆeme fournisseur pour tout un ensemble de composants. un coˆ ut de possession unitaire hi et un coˆ ut fixe d’approvisionnement Ki . T3EOQ ) et (T 0 . K1 = 2 — Composant 2 : λ2 = 1. T2EOQ . Bien ´evidemment chaque composant diff`ere par son coˆ ut. son conditionnement. T 0 . De plus un coˆ ut fixe de livraison K est ´egalement factur´e par le fournisseur quelles que soient les pi`eces command´ees. Quelle est le coˆ ut moyen de la politique (T1EOQ . Une telle politique est d´ecrite par un vecteur T = (T1 .

Ti+1 [ . T3EOQ [. Quelles sont les p´eriodes optimales pour (R) et la valeur de la relaxation dans notre exemple si on fixe T0 = 4 ? Question 8. Si q > n. not´e n. Dans un premier temps. la compagnie a´erienne lui rembourse r (r < p). Montrez que si la valeur optimale de T0 (not´ee T0∗ ) appartient `a l’intervalle [T2EOQ . Si un client a achet´e un ticket.. X). Exprimer le profit r´ealis´e par la compagnie pour q tickets vendus (q ≥ n) et X annulations. Question 1. par exemple T0 = 4. On suppose que X est une variable al´eatoire discr`ete de probabilit´es P (X = x) et de fonction de r´epartition F (x) = P (X ≤ x). not´e π(q). Quelle est cette valeur sur l’exemple ? EOQ On peut ainsi d´eterminer la meilleure valeur de T0 sur chaque intervalle [TiEOQ .132 Question 5. On suppose que tous les billets mis en vente sont achet´es par des clients et que la vente d’un billet rapporte un revenu p `a la compagnie. la compagnie lui rembourse s (s > p). 2 Overbooking On consid`ere un vol transatlantique de la compagnie GI Airline planifi´e `a une date pr´ecise avec un nombre fixe de si`eges. Un certain nombre de clients. Montrez que le coˆ ut moyen C(T ) d’une politique T strictement cyclique est ! 1 P C(T ) = K/T0 + i Ki /Ti + λi hi Ti 2 On consid`ere la relaxation continue suivante de la recherche de la meilleure politique strictement cyclique : ) C = min C(T ) (R) Ti ≥ T0 Nous allons essay´e ici de r´esoudre (R) `a l’optimum. La compagnie a´erienne s’autorise `a mettre en vente q billets avec q ≥ n. not´e X. Pour cela imaginons que nous ayons d´ej`a d´ecid´e la p´eriode T0 d’approvisionnement. annulent `a la derni`ere minute leur vol. peut s’exprimer ainsi : π(q) = pq − rE(X) − s q−n X (q − x − n)P (X = x) x=0 . nous faisons l’hypoth`ese que la distribution de X est ind´ependante du nombre q de billets vendus.. Montrer que l’esp´erance du profit. CiEOQ } Question 7. Si un client a achet´e un ticket mais annule ` a la derni`ere minute. Question 2. Montrez que la p´eriode optimale Ti∗ (T0 ) pour le composant i dans la relaxation (R) si T0 est fix´e est alors Ti∗ (T0 ) = max{T0 . On notera ce profit π(q. on parle alors d’overbooking ou de surr´eservation. alors elle doit minimiser (K + K1 + K2 )/T0 + 1/2(h1 λ1 + h2 λ2 )T0 . se pr´esente `a l’embarquement mais ne peut monter dans l’avion pour cause d’overbooking. Question 6.

−0. Question 4. 3 Pr´ evision de la demande Une premi`ere analyse d’une s´erie temporelle montre que le processus est de type autor´egressif d’ordre 2 AR(2) : Xt = 1. 1.´ 3. Indication : 1 − 1. Exprimer limt→∞ E(Yt ) et limt→∞ V ar(Yt ). · · · Y5 ) = (−1. 0. En d´eduire σ 2 . PREVISION DE LA DEMANDE 133 Question 3. Question 5.2Xt−1 − 0. 0.2z).6. Quelles sont les pr´evisions YˆT +j|T pour j ≥ 1 ? (YˆT +j|T : estimation de Y ` a l’instant T + j sachant la valeur de Y `a l’instant T ) Application : (Y0 . quelles sont les valeurs num´eriques ˆ 6|5 et X ˆ 7|5 ? des pr´evisions Yˆ6|5 et Yˆ7|5 ? En d´eduire X . Montrer que : q ∗ = min[q|∆π(q) ≤ 0] Question 5.2z + 0.2Yt−1 + t Question 2. p = 1000 euros.3). Calculer q ∗ pour les donn´ees num´eriques suivantes : n = 300. On a observ´e Y0 .6. 0. · · · YT . s = 4000 euros. la tendance lin´eaire est ´elimin´ee par l’application des diff´erences successives : ∆Xt = Xt − Xt−1 = (I − L)Xt Nous obtenons alors une nouvelle s´erie temporelle Yt : Yt = 0.2. Une deuxi`eme ´etape d’analyse montre qu’une part de la corr´elation entre Xt et Xt−1 n’est autre que le signe de la pr´esence d’une tendance lin´eaire. Y1 . Exprimer le processus Xt `a l’aide de l’op´erateur retard L et montrer qu’il n’est pas stationnaire.2z 2 = (1 − z)(1 − 0. De quel type de processus s’agit il ? est-il stationnaire ? Question 3. Pour rendre le processus Xt stationnaire. X distribu´e suivant une loi de Poisson de param`etres λ = 60.2Xt−2 + t o` u t est un bruit blanc gaussien d’esp´erance 0 et d’´ecart-type σ (N (0. Supposons que limt→∞ V ar(Yt ) = 1. Illustrer graphiquement l’allure de la fonction d’autocorr´elation du processus Yt en justifiant votre choix. σ)) Question 1. Question 6. On consid`ere la diff´erence ∆π(q) = π(q + 1) − π(q). Montrer que : ∆π(q) = p − sF (q − n) Question 4. r = 750 euros.7.

on rappelle que la quantit´e optimale v´erifie b q ∗ = min q ∈ IN|F (q) ≥ . AR(1) de coefficient φ : M A(1) de coefficient θ : Question 7. Quelle sont les diff´erentes mesures des ´ecarts de pr´evision ? Int´erˆet ? Question 5. q) et ZIO. Les r´ eponses claires et concises seront appr´ eci´ ees. Rappeler les hypoth`eses du mod`ele de vendeur de journaux. Politique imbriqu´ee : Stock brut : Stock ´echelon : Stock de s´ecurit´e : Gestion ` a recompl`etement calendaire : Coefficient d’auto-corr´elation d’ordre h : Question 2. Une demande avec tendance lin´eaire : Une demande avec saisonnalit´e additive : Une demande quelconque : Question 4.Fili`ere ICL Questions diverses Attention ! R´ epondez exclusivement sur cette feuille pour cette partie. Quelles sont les fonctions d’un stock ? Question 3. Question 1. Rappeler l’expression du coˆ ut optimal C ∗ ainsi que la quantit´e ´economique de commande ∗ q . Donner les grandes ´etapes de la d´emonstration permettant b+h d’arriver ` a ce r´esultat. Donner le coˆ ut moyen C(q) lorsqu’une quantit´e q est command´ee. Lister au moins deux m´ethodes de pr´evision appropri´ees pour chacune des s´eries chronologiques repr´esentant. Quelles sont les conditions de stationnarit´e d’un processus al´eatoire ? Question 6. Lorsque la demande # est discr`ete. On consid`ere le mod`ele EOQ de base (sans rupture de stock) et on se restreint `a des politiques (r. Question" 9.134 Gestion des stocks Examen Juin 2010 1 GI . D´efinir pr´ecis´ement les termes suivants. . Donner la forme des auto-corr´elogrammes des processus stationnaires suivants. ! 1 1 ∗ ∗ Montrer que C(aq ) = (a)C avec (a) = a+ 2 a Quel est l’int´erˆet de cette derni`ere formule ? Question 8.

2. POLITIQUE BASE-STOCK

2

135

Politique base-stock
Attention ! Pour cette partie, r´
epondez sur une feuille `
a part.

Un fournisseur peut fabriquer jusqu’`a une pi`ece par jour. Lorsqu’il d´ebute la fabrication
d’une pi`ece le matin, il y a :
— Une probabilit´e p que la pi`ece soit bonne et mise en stock en fin de journ´ee.
— Le proc´ed´e de fabrication ´etant imparfait, il y a une probabilit´e (1 − p) que la pi`ece
fabriqu´ee soit jet´ee `
a la fin de la journ´ee, suite `a un contrˆole qualit´e.
La demande pour ce produit est relativement faible et on peut la mod´eliser par une
variable al´eatoire de Bernouilli. Chaque jour, la demande vaut 1 avec une probabilit´e q et
0 avec une probabilit´e (1 − q).
La politique de gestion des stocks est base-stock (S), c’est-`a-dire que le fournisseur
fabrique des pi`eces tant que le niveau de stock est strictement inf´erieur `a S. Lorsque le
niveau de stock atteint S, on stoppe la production.
Si le stock n’est pas vide, une demande qui arrive est satisfaite imm´ediatement `a partir
du stock. Lorsqu’il n’y a plus de stock, les demandes qui arrivent sont mises en attente
jusqu’`a ce que de nouvelles pi`eces soient produites. On note Xt le stock net le matin du
jour t.
On ne consid´ere dans ce mod`ele que 2 types de coˆ
uts :
— h : le coˆ
ut unitaire de stockage (une pi`ece en stock coˆ
ute h par unit´e de temps)
— b : le coˆ
ut unitaire d’attente (une demande en attente coˆ
ute b par unit´e de temps)

L’objectif de cet exercice est de d´eterminer S , la valeur du base-stock qui minimise
l’esp´erance du coˆ
ut moyen.
Question 1. On consid`ere la chaˆıne de Markov `a temps discret (Xt ). Donner les probabilit´es
de transition en fonction de α, β et γ o`
u:
α = p(1 − q), β = q(1 − p), γ = p(1 − q) + q(1 − p)
Dessiner le graphe de cette CMTD.
Question 2. On suppose qu’`
a l’instant t = 0, le stock est nul. Donner les probabilit´es d’´etat
aux instants t = 1, 2 en fonction de α, β et γ.
Question 3. Soit πi la probabilit´e stationnaire d’ˆetre dans l’´etat i. Donner un syst`eme
lin´eaire satisfait par les πi pour i ≤ S.
Question 4. On d´esigne par C(S) le coˆ
ut total moyen par unit´e de temps, associ´e `a un
niveau de stock S. Exprimer C(S) en fonction de h, b, S et des πi .
Question 5. On admet que πi = (1 − ρ)ρS−i avec ρ = β/α. Montrer que
C(S) = hE(S − D)+ + bE(D − S)+
avec D une variable al´eatoire distribu´ee suivant une loi g´eom´etrique :
P (D = k) = ρk (1 − ρ) pour k ≥ 0
Question 6. En d´eduire une expression de S ∗ en fonction de h, b et ρ.

136

Gestion des stocks
Examen Juin 2011

1

GI - Fili`ere ICL

Questions diverses

Question 1. D´efinir une politique (r, S).
Question 2. D´efinir un stock de s´ecurit´e.
Question 3. D´efinir un stock ´echelon.
Question 4. D´efinir la rotation d’un stock.
Question 5. En 3 lignes maximum, quelles sont les principales causes du Bullwhip effect ?

2

Vendeur de journaux

Nous allons consid´erer dans un premier temps le probl`eme classique du vendeur de
journaux. Nous supposerons dans tout l’exercice que la demande est discr`
ete.
Question 1. Rappeler les diff´erentes hypoth`eses du probl`eme du vendeur de journaux.
Question 2. Exprimer l’esp´erance du coˆ
ut C(q) lorsque le stock initial est q.
Question 3. Montrer que C(q) est convexe en ´etudiant la fonction ∆C(q) = C(q+1)−C(q).
Question 4. En d´eduire un th´eor`eme permettant de d´eterminer la quantit´e optimale, si
l’on connaˆıt la fonction de r´epartition de la demande.
On suppose d´esormais que les coˆ
uts de rupture sont diff´erents de ceux du mod`ele classique : un coˆ
ut c est encouru `
a chaque fois qu’il y a rupture, quelle que soit la taille de la
rupture.
Question 5. Exprimer l’esp´erance du coˆ
ut C(q) lorsque le stock initial est q.
Question 6. Supposons que la demande X a la distribution suivante : P (X = 0) = 0.25,
P (X = 1) = 0.5 et P (X = 2) = 0.25. Supposons en outre que c = 1 et que le coˆ
ut d’invendu
unitaire vaut 1. D´eterminer la quantit´e optimale ainsi que l’esp´erance du coˆ
ut `a l’optimal.

3
3.1

Variantes du mod`
ele de Wilson
Avec abandon

Nous allons consid´erer une extension du mod`ele de Wilson avec ventes diff´er´ees o`
u les
clients en attente peuvent abandonner (ou quitter le syst`eme). Les principales hypoth`eses
sont les suivantes :
— Un seul produit
— Demande continue de taux λ
— L = D´elai d’approvisionnement

4. GESTION CALENDAIRE

137

— h = Coˆ
ut de possession d’une unit´e de stock pendant une unit´e de temps
— b = Coˆ
ut d’attente d’une unit´e de demande pendant une unit´e de temps
— k = Coˆ
ut fixe d’approvisionnement
— c = Coˆ
ut variable d’approvisionnement
— γ = Taux d’abandon des clients
— a = Coˆ
ut d’abandon par unit´e de demande
Le taux d’abandon s’interpr`ete comme suit. Lorsque x demandes sont en attente `a l’instant
t, il y a γxdt abandons entre t et t + dt.
Question 1. Repr´esenter graphiquement sur un cycle d’approvisionnement l’allure de l’´evolution
du stock net et du stock brut pour une politique (r, q). Vous prendrez un exemple o`
u le
stock net prend des valeurs positives et n´egatives. En outre, vous supposerez que les stocks
net et brut sont nuls `
a l’instant t = 0 et que L > 0.
Question 2. Nous supposerons par la suite que le d´elai d’approvisionnement est nul et que
r < 0. Soit [0, u] le premier cycle d’approvisionnement. Dans ce cycle, soit [0, u1 ] l’intervalle
de temps o`
u le stock net est positif et [u1 , u] l’intervalle de temps o`
u le stock net est n´egatif.
Soit x(t) le stock net `
a l’instant t. Donner une ´equation diff´erentielle que satisfait x(t) sur
les intervalles [0, u1 ] et sur [u1 , u].
Question 3. Exprimer x(t) en fonction de t et des param`etres du mod`ele (et ´eventuellement
de r, q, u1 , u).

3.2

Sans abandon et make-to-stock

Dans cette partie, nous reprenons les hypoth`eses de d´epart en supposant qu’il n’y a plus
d’abandon (γ = 0). Vous supposerez par ailleurs que L = 0.
Question 4. Exprimer le coˆ
ut moyen par unit´e de temps d’une politique (r, q) en fonction
des param`etres du syst`eme.
Question 5. Expliquer comment calculer les param`etres optimaux, sans pour autant d´etailler
les calculs et les r´esultats.

3.3

Sans abandon et make-to-order

Jusqu’`
a la fin de cet exercice, nous allons supposer que le coˆ
ut de possession est tr`es
´elev´e et que le stock net est toujours n´egatif (production `a la commande uniquement). La
politique adopt´ee est (r, q) avec r = −q. Vous supposerez `a nouveau que L = 0.
Question 6. Repr´esenter graphiquement l’´evolution du stock net (L = 0).
Question 7. Exprimer le coˆ
ut par unit´e de temps d’une politique (−q, q).
Question 8. D´eterminer la quantit´e optimale ainsi que le coˆ
ut optimal par unit´e de temps.
Question 9. Exprimer le temps moyen d’attente.

4

Gestion calendaire
Soit le mod`ele suivant :
— Horizon de temps infini

2. · · · Y2T en fonction de S et de la demande cumul´ee. Donner l’allure de l’´evolution des stocks nets et brut pour cette politique. (ind´ependantes d’une p´eriode `a l’autre et identiquement distribu´ees). — Ventes diff´er´ees. Question 2. Nous supposerons que les demandes sont discr`etes et i.i. Supposons qu’une commande a ´et´e pass´ee `a T . Nous supposerons par la suite que la politique adopt´ee est une politique calendaire (T.d. — L = d´elai d’approvisionnement. les quantit´es command´ees et les demandes. Exprimer le stock net en fonction du stock brut et des demandes. Donner une ´equation qui relie les stocks bruts. 1. S).138 — t = instant de d´ecision (jour). · · · — Dt = demande al´eatoire ` a l’instant t . Exprimer YT +1 . Rappeler la d´efinition d’une politique (T. Question 3. . Si l’on connaˆıt la distribution de la demande cumul´ee. Question 5. S). t = 0. Question 4. expliquer comment peut-on en d´eduire la distribution de Yt puis la distribution de Xt . Quelques notations utiles pour d´ecrire la dynamique des stocks : — Xt = stock net au d´ebut du jour t (avant r´eception de la livraison du jour) — Yt = stock brut au d´ebut du jour t (avant que la commande du jour soit pass´ee) — Qt = quantit´e command´ee au d´ebut du jour t — Dt = demande le jour t P — Dt = ti=1 Di = demande cumul´ee sur t jours — L = d´elai de livraison Question 1. Question 6. YT +2 .

Soit la politique π(n) qui commande exactement n fois sur l’horizon [0. D´emontrer que la politique optimale est n´ecessairement ZIO. Question 1. sur l’horizon [0. vous supposerez que le d´elai de livraison est nul. Dans la suite de l’exercice. Montrer que C(n) est une fonction convexe de n. λ = 35 demandes par semaine. vous ne consid´ererez que des politiques ZIO ayant un stock nul a` l’instant t = T . Vous prendrez un d´elai de livraison strictement positif.Fili`ere ICL Mod` ele de Wilson avec horizon fini Nous allons reprendre dans cet exercice le mod`ele classique de Wilson : — — — — Un seul produit Demande continue de taux λ L = D´elai d’approvisionnement h = Coˆ ut de possession d’une unit´e de stock pendant une unit´e de temps (h pour holding en anglais) — k = Coˆ ut fixe d’approvisionnement — c = Coˆ ut variable d’approvisionnement L’objectif est en revanche diff´erent de celui du cours. Exprimer la quantit´e command´ee q et la p´eriode u en fonction de λ.` 1. n. . λ. Exprimer le coˆ ut total sur l’horizon [0. Vous supposerez qu’une semaine est ´egale `a 7 jours. Question 4. On supposera que le stock initial est nul. Dans la suite de l’exercice. Pourquoi le nombre optimal de commandes n∗ ne d´epend-il pas du coˆ ut variable d’approvisionnement c ? Question 7. D´emontrer par ailleurs que la politique optimale a n´ecessairement un stock nul `a l’instant final t = T . h = 2 euros par jour et par unit´e en stock. T ] en fonction de h. n et T . Question 3. Quelle est alors le nombre optimal n∗ de commandes ? Vous pourrez distinguer plusieurs cas de figures. T ] ? Question 6. Repr´esenter graphiquement l’´evolution du stock physique et du stock brut pour une politique non ZIO. T ]. k. k = 100 euros. T ] (`a chaque fois la mˆeme quantit´e). Question 2. Question 8. Quel est le nombre optimal n∗ de commandes `a passer sur l’horizon [0. Soit C(n) le coˆ ut total de la politique π(n). On ajoute deux contraintes `a notre probl`eme : le stock physique ne doit pas d´epasser SPmax et les produits ne doivent pas rester en stock plus de Umax pour des raisons de p´erissabilit´e. MODELE DE WILSON AVEC HORIZON FINI Gestion des stocks Examen Juin 2012 1 139 GI . c. T ]. Calculer le nombre optimal de commandes pour les valeurs suivantes : T = 365 jours. Question 5. T. On cherche d´esormais `a minimiser le coˆ ut total sur un horizon de temps fini [0.

2) Coˆ uts de rupture distincts Question 4. Exprimer l’esp´erance des coˆ uts C(q) = E[C(X1 . Question 2. comment feriez-vous pour d´eterminer la quantit´e optimale.) repr´esentant la demande de la classe j au cours de la p´eriode — bj = Coˆ ut unitaire de rupture de stock pour les demandes de la classe j — h = Coˆ ut unitaire d’invendu L’objectif est de d´eterminer la quantit´e `a commander qui minimise l’esp´erance des coˆ uts. X2 . q) si le stock en d´ebut de p´eriode est q et la demande pour la classe 1 (respectivement la classe 2) est de X1 (respectivement X2 ). Nous supposerons que b1 ≥ b2 . Question 1. Vous justifierez soigneusement votre r´eponse en utilisant un th´eor`eme du cours. en supposant que la quantit´e command´ee est de 1.140 2 Vendeur de journaux avec deux classes de clients On consid`ere un probl`eme de vendeur de journaux avec 2 classes de clients. Question 3. dans la mesure du stock disponible. Coˆ uts de rupture ´ egaux Dans un premier temps. c’est `a dire que les demandes de la classe 1 sont les plus importantes ` a servir. D´eterminer la quantit´e optimale q ∗ pour les donn´ees suivantes : P (Xj = 0) = P (Xj = 1) = 1/2 pour j = 1. On notera p1 (x) = P (X1 = x) et p2 (x) = P (X2 = x). 2) — La proportion de demandes satisfaites pour les clients de la classe j (pour j = 1. Exprimer le coˆ ut C(X1 . b = 1. b et des distributions de probabilit´e de X1 et X2 . Avec les mˆemes donn´ees qu’`a la question pr´ec´edente. 2. . Exprimer le coˆ ut C(X1 . La s´equence des ´ev´enements est la suivante : — Le manager d´ecide de la quantit´e q `a avoir en d´ebut de p´eriode — Les demandes X1 et X2 se r´ealisent et sont observ´ees par le manager — Le manager satisfait les demandes de type 1 en priorit´e. puis les demandes de type 2. Nous supposerons par ailleurs que les demandes X1 et X2 prennent des valeurs enti`eres et sont ind´ependantes. Les hypoth`eses sont les suivantes : — Probl`eme mono-p´eriode — q = Stock en d´ebut de p´eriode (variable de d´ecision) — Xj = Variable al´eatoire (v. q)] en fonction de h. pour une instance donn´ee ? Question 5. donner : — L’esp´erance du coˆ ut total — La probabilit´e de rupture pour les clients de la classe j (pour j = 1. nous allons supposer que b1 = b2 = b. X2 . En utilisant la simulation. h = 2.a. q) si le stock en d´ebut de p´eriode est q et la demande pour la classe 1 (respectivement la classe 2) est de X1 (respectivement X2 ). Question 6. X2 .

. . Afin de minimiser l’erreur de pr´evision carr´ee moyenne. Quel est le lien entre pr´evision de la demande et gestion des stocks ? Question 3. Expliquer pourquoi l’ajustement des pr´evisions des ventes `a chacun des maillons de la chaˆıne logistique pourrait ˆetre une cause principale de l’effet Bullwhip ? Question 4. . Pourquoi pr´ef`ere-t-on habituellement estimer les erreurs de pr´evision `a l’aide de l’erreur carr´ee moyenne plutˆ ot qu’`a l’aide de l’erreur absolue moyenne ? Question 8. Pour chacune des quatre s´eries suivantes. XT ? Doit-on en conclure qu’il est n´ecessaire de conserver toutes les valeurs X1 . . .´ 3. . XT pour calculer FT +1 ? Question 6. . ses composantes et param`etres ? (a) S´erie 1 (b) S´erie 2 (c) S´erie 3 (d) S´erie 4 . quelle sera la meilleure valeur du param`etre α si on tente d’appliquer un mod`ele de lissage exponentiel simple `a une s´erie chronologique dans laquelle chaque valeur observ´ee Xt+1 est strictement plus grande que la pr´ec´edente (c’est-` a-dire Xt+1 > Xt ) ? Qu’en est-il si la s´erie est plutˆot strictement d´ecroissante (c’est-` a-dire Xt+1 < Xt ) ? Question 7. Pourquoi peut-on affirmer que si 0 < α < 1. Quels sont les facteurs de choix de la technique de pr´evision la plus appropri´ee a` une situation donn´ee ? Question 5. . Expliquer la diff´erence entre ”Pr´evision de la demande” et ”Pr´evision des ventes” ? Question 2. PREVISION DE LA DEMANDE 3 141 Pr´ evision de la demande Question 1. la pr´evision FT +1 obtenue avec le lissage exponentiel simple tient compte de toutes les valeurs r´eelles X1 . d´ecrire le mod`ele qui vous semble convenir en pr´ecisant le type du mod`ele.

On supposera en outre que le d´elai d’approvisionnement est strictement positif (L > 0). Repr´esenter graphiquement l’´evolution du stock net pour une politique fabriquant des lots de taille q. (2pt) 2 Question 5. les demandes peuvent ˆetre mises en attente avec un coˆ ut b d’attente par unit´e de demande et par unit´e de temps. Pour une politique p´eriodique. (1pt) On reprend le mod`ele pr´ec´edent `a deux diff´erences pr`es. Question 7. de q et des param`etres du mod`ele. (1pt) Question 8. (1pt) Question 6. q) ZIO et C(r. Exprimer C(r. Exprimer C(q) en fonction de q et des param`etres du mod`ele. coˆ ut unitaire de possession h. Repr´esenter graphiquement l’´evolution du stock physique et du stock brut pour une telle politique. (1pt) Question 2. (1pt) Question 4. q) non ZIO. Question 3. alors C(aq ∗ ) = a + 1/a C(q ∗ ). q) le coˆ ut d’une politique (r. on note Smin le stock net minimum et q la quantit´e produite au cours d’une p´eriode. Soit C(Smin . Des r´esultats interm´ediaires proprement et rigoureusement pr´esent´es seront pris en consid´eration. demande continue de taux λ. q) en fonction de r et de q et des param`etres du mod`ele. coˆ ut fixe d’approvisionnement k. q) qui n’est plus ZIO. Vous indiquerez sur le graphique les valeurs minimales et maximales des courbes. D´efinir une politique `a gestion calendaire et une politique `a point de commande. On consid`ere maintenant une politique (r. coˆ ut variable d’approvisionnement c. pas de rupture de stock autoris´ee.Fili`ere ICL Questions diverses Question 1. Rappeler la d´efinition d’un stock net. Exprimer ce coˆ ut en fonction de Smin . le r´eapprovisionnement n’est pas instantan´e mais s’effectue avec un taux µ (comme dans le premier exercice de TD). (1pt) Soit le mod`ele de Wilson classique : un produit.142 Gestion des stocks Examen Avril 2013 1 GI . Montrer que si c = 0. D´esormais. Donner 4 raisons pouvant inciter `a stocker des produits. q) le coˆ ut d’une telle politique. d´elai L. (5pt) . De plus. Soit C(q) le coˆ ut total par unit´e de temps d’une politique (r. `a intervalles r´eguliers. Soit q ∗ la quantit´e ´economique de commande.

Exprimer β(q) en fonction des p(x) et de q. c’est-`a-dire P (X = i) = 1/10. On suppose d´esormais qu’un coˆ ut fixe K est encouru lorsqu’une commande de taille strictement positive est pass´ee.´ OPTIMALE AVEC OU SANS COUT ˆ FIXE 1. Le coˆ ut unitaire d’invendu est h. D´emontrer que la quantit´e suivante est optimale : q = min q ∈ IN|F (q) ≥ . b+h Question 4. on se situera dans le cadre du probl`eme du vendeur de journaux (chapitre 2). Question 8. Question 1. 10}. Comment varie selon vous le stock de s´ecurit´e (`a l’optimal) avec l’´ecart-type de la demande ? Avec h ? Avec b ? Question 9. Pour quelle valeur de l’´ecart-type de la demande. on supposera que la demande est discr`ete (`a valeurs enti`eres positives). Rappeler la d´efinition d’un stock de s´ecurit´e. Soit β(q) le pourcentage des demandes satisfaites au cours de la p´eriode. le produit est sold´e `a moiti´e prix et on suppose que tous les produits sold´es sont vendus. · · · . Quelle est la distribution de Y en fonction des p(x) ? Question 2. Le prix de vente pendant la saison est de 500 euros. le stock de s´ecurit´e est-il nul ? . D´eterminer la quantit´e optimale de commande. ∀i ∈ {1. 3 Stock de s´ ecurit´ e Question 7. Quelle est la quantit´e optimale ? Question 6. 1 Quantit´ e optimale avec ou sans coˆ ut fixe Dans cette partie. Le vendeur ach`ete 300 euros la paire de skis. Question 5. On notera X la demande et F sa fonction de r´epartition. QUANTITE Gestion des stocks Examen Mai 2013 143 GI . " # b ∗ Question 3.Fili`ere ICL Dans tout l’examen. Le coˆ ut unitaire de rupture est b. Une fois la saison termin´ee. Enfin C(q) repr´esente l’esp´erance du coˆ ut pour un stock initial q. La demande pendant la saison est une variable al´eatoire suivant une loi uniforme discr`ete comprise entre 1 et 10. Mˆeme question si le vendeur ach`ete la paire de skis 200 euros. On notera p(x) = P (X = x). 2 Vendeur de skis Un vendeur de skis doit d´ecider combien de paires de skis commander en d´ebut de saison. Soit Y la quantit´e vendue.

Vous admettrez le th´ Question 13. ∗ = σC ∗ . Question 12. Soit CX (q) le coˆ ut si la demande est X et la quantit´e command´ee est q. 4 Loi normale Soit X ∼ N (µ. 1). Expliquer pourquoi la loi normale est importante. Donner un exemple r´eel (industriel ou de la vie courante) o` u le stock de s´ecurit´e (` a l’optimal) sera positif et un autre exemple o` u il sera n´egatif. D´emontrer que CX (q) = σCZ (z) si q = µ + σz.144 Question 10. σ) et Z ∼ N (0. . Question 11. D´emontrer que CX eor`eme du vendeur de Z journaux pour une loi continue.

une tendance lin´eaire 3. Par exemple. qui est concern´e par la pr´evision et `a quel titre ? qui est le mieux plac´e pour ´elaborer cette pr´evision ? Question 5. ´ PREVISION DE LA DEMANDE Gestion des stocks Examen Juin 2013 1 145 GI . Le gestionnaire passe ses commandes tous les matins `a l’entrepˆot.Fili`ere ICL Pr´ evision de la demande Question 1. On peut donc d´eduire de cette s´equence un besoin en composants par tranche horaire. quelconques Question 6. Lister cinq (5) causes d’´ecarts entre les pr´evisions et les ventes r´eelles ? Question 8. etc) va rentrer en ligne de montage `a 8h15 le vendredi 14. on sait ` a l’avance qu’une Twingo (avec diverses options : air conditionn´e. Comment prendre en compte les erreurs de pr´evision en gestion de stocks ? 2 Gestion des stock dans l’industrie automobile Dans une usine d’assemblage de voitures. Lister au moins deux (2) m´ethodes de pr´evision appropri´ees pour chacune des s´eries chronologiques repr´esentant : 1. une saisonnalit´e additive 4. Par exemple. Quelles sont les cons´equences de la saisonnalit´e des ventes sur la gestion des stocks ? Question 4. Le gestionnaire des stocks doit donc s’assurer que les composants sont disponibles en bord de la ligne d’assemblage. Les produits sont disponibles au bord de la ligne d’assemblage 24 h apr`es. une tendance constante 2. jantes alliage.1. Dans l’entreprise. D´efinir la notion de filtre ? donner deux (2) exemples de filtres ? Question 7. une saisonnalit´e multiplicative 5. on sait qu’on aura besoin d’exactement 20 pneus Michelin identiques dans la tranche horaire de 11h `a 12h le vendredi 14 juin. la s´equence d’assemblage des v´ehicules est connue de mani`ere d´eterministe sur un horizon ferme de 7 jours. Nous nous int´eressons `a une famille de 100 composants qui sont stock´es dans un entrepˆot chez un fournisseur situ´e `a 12 heures de l’usine en camion. Le transport est assur´e par une soci´et´e ext´erieure qui facture la location d’un camion avec chauffeur `a un . Pourquoi proc`ede-t-on au redressement d’une s´erie chronologique ? Question 3. La rupture de stock sur un composant est interdite car elle entraˆıne l’arrˆet de toute la ligne de production. peinture m´etalis´ee rouge. Qu’est ce qui d´etermine l’horizon et la p´eriode de pr´evision ? Question 2.

N’h´esitez pas `a pr´eciser les hypoth`eses qui pourraient vous manquer dans votre mod´elisation. Les composants sont pay´es au fournisseur d´es lors qu’ils sont livr´es `a l’usine. Expliquer comment pourrait-on ´evaluer ses performances et optimiser ses param`etres. Il ne doit pas y avoir plus de 0. Proposer une politique de gestion des stocks raisonnable en justifiant vos choix.1 pourcents de rupture sur chaque composant. Question 10. Un coˆ ut de possession proportionnel `a la valeur d’achat du composant est encouru en bord de ligne. . La demande est identiquement distribu´ee d’une heure ` a l’autre. Question 9.146 prix de 1000 euros. Le gestionnaire doit donc d´ecider chaque matin de faire appel ou non au transporteur. On reprend le contexte pr´ec´edent mais on se place maintenant dans le cas de composants dont on ne connaˆıt pas la demande pr´ecis´ement. Formuler le probl`eme d’optimisation sous la forme d’un programme lin´eaire en nombres entiers. On connaˆıt uniquement l’esp´erance et l’´ecart-type de la demande sur chaque cr´eneau horaire.

3 Vendeur de journaux Dans toute cette partie. Montrer qu’` a l’optimal. demande continue de taux λ. Exprimer C(q) en fonction de q et des param`etres du mod`ele. h Question 4. On ajoute au mod`ele de base la contrainte suivante : le stock ne doit pas d´epasser une valeur Smax . Question 1. . alors C(aq ∗ ) C∗ C(aq ∗ ) C∗ = a + 1/a (avec a > 0).Fili`ere ICL Gestion des stocks Examen Avril 2014 1 Demande continue et constante Soit le mod`ele de Wilson classique : un produit. q) ZIO. Soit C(q) le coˆ ut total par unit´e de temps d’une politique (r. La demande est une variable al´eatoire not´ee X. de fonction de r´epartition F . coˆ ut variable d’approvision∗ nement c. Repr´esenter graphiquement le stock physique et le stock brut pour une politique non ZIO et dont les intervalles de commande ne sont pas constants. Question 7. coˆ ut fixe d’approvisionnement k. Montrer rigoureusement que q = t et C ∗ = 2λhk + λc. 2 Question 6. Le coˆ ut de possession h est estim´e `a 1 alors que sa vraie valeur est de 10. alors Question 5. Question 2. les coˆ uts fixes sont ´egaux aux coˆ uts de possession. Soit q la quantit´e ´economique de commande et C ∗ le coˆ ut optimal. on se situera dans le cadre du probl`eme du vendeur de journaux. Question 8. coˆ ut unitaire de possession h. Le coˆ ut unitaire de rupture est b. Le coˆ ut unitaire d’invendu est h. pas de rupture de stock autoris´ee. Expliquer ce qu’est le Vendor Managed Inventory (VMI) en 3 lignes maximum. Montrer que si c = 0. Montrer que si c > 0. 2 < a + 1/a . Enfin C(q) repr´esente l’esp´erance du coˆ ut pour un stock initial q. Quel est le surcoˆ ut li´e ` a cette erreur d’estimation ? On supposera dans un premier temps que c = 0 puis vous discuterez bri`evement le cas c > 0.1. d´elai L. DEMANDE CONTINUE ET CONSTANTE 147 GI . v u u2λk √ ∗ Question 3. Quelle est alors la quantit´e optimale de commande ? 2 S´ eminaires Question 9.

Rappeler la d´efinition d’un stock de s´ecurit´e. Quel est le stock de s´ecurit´e ` a l’optimal ? 3.2 Quantit´ e optimale avec coˆ ut fixe On reprend les mˆemes hypoth`eses mais on suppose d´esormais qu’un coˆ ut fixe K est encouru lorsqu’une commande de taille strictement positive est pass´ee.148 3. K = 1. P (X = 1) = P (X = 2) = P (X = 3) = 1/3. 1). 3. · · · . Proposer une m´ethode pour d´eterminer la quantit´e optimale de commande. D´eterminer la quantit´e optimale et le coˆ ut optimal (en esp´erance) pour les param`etres suivants : h = 1. 2. D´eterminer la quantit´e optimale et le coˆ ut optimal (en esp´erance) pour les param`etres suivants : h = 1. Question 21. D´emontrer que CX (q) = σCZ (z) si q = µ + σz. le produit est sold´e `a moiti´e prix et on suppose que tous les produits sold´es sont vendus. Question 17. La demande X pendant la saison est une variable al´eatoire suivant une loi g´eom´etrique de param`etre 0. b = 1. h. Expliquer pourquoi la loi normale est importante. Le prix de vente pendant la saison est de 1000 euros. c’est `a dire P (X = i) = (1/2)i pour i = 1. 3. Question 20. Le vendeur ach`ete 700 euros la paire de skis. Question 13. On notera p(x) = P (X = x). on supposera que la demande est discr`ete (`a valeurs enti`eres positives). . σ) et Z ∼ N (0. Une fois la saison termin´ee. Quelle est le pourcentage de demandes satisfaites `a l’optimal ? Question 15. " Question 11. b et des p(x).4 Loi normale Soit X ∼ N (µ. Quelle est la quantit´e optimale ? Question 19. Question 16. Question 18. Mˆeme question si le vendeur ach`ete la paire de skis 400 euros. Montrer rigoureusement que la quantit´e suivante est optimale : q ∗ = min q ∈ IN|F (q) ≥ b b+h Question 12. P (X = 1) = P (X = 2) = P (X = 3) = 1/3. Soit CX (q) l’esp´erance du coˆ ut si la demande est une variable al´eatoire X et la quantit´e command´ee est q. Exprimer C(q) en fonction de q. Quelle est la probabilit´e de rupture de stock `a l’optimal ? Question 14.5.3 Vendeur de skis Un vendeur de skis doit d´ecider combien de paires de skis commander en d´ebut de saison. Question 10. b = 1.1 Quantit´ e optimale sans coˆ ut fixe Dans cette partie.

Question 5. Quelle relation a-t-on entre Xt et Yt lorsque L = 0 ? Question 3. time period = day) and complete the following table. Donner la formule th´eorique permettant de calculer les quantit´es suivantes ainsi qu’une application num´erique. S) avec r = 10 et S = 30. On consid`ere que la politique adopt´ee est une politique (r.Fili`ere ICL Gestion des stocks Examen Mai 2014 1 Simulation Les hypoth`eses sont similaires ` a celle du TP de simulation (mˆeme s´equence des ´ev´enements. Nous ferons cette hypoth`ese dans la suite de l’exercice. En r´ealit´e. Question 1. Question 2. The resulting Factory MPS is as follows : Propose a constrained manufacturing plan (MPS) when : — the safety stock of the plant must be enough to cover its daily average demand 12 Fr 13 Sa 14 Su . une commande pass´ee en d´ebut de p´eriode t peut servir `a satisfaire la demande Dt . le d´elai de livraison L est al´eatoire et vaut 1 avec probabilit´e 0. Rappeler la d´efinition d’une politique (r. 2 DRP et MPS Complementary data is on Chamilo. avec 3 chiffres apr`es la virgule. ventes diff´er´ees). On suppose que X1 = 0 et qu’aucune commande n’a ´et´e pass´ee avant l’instant t = 1. Question 1. Ainsi. Donner ci-dessous la fonction Excel permettant de g´en´erer la variable al´eatoire L. nous supposerons que le d´elai d’approvisionnement L est nul. Donner la valeur de la quantit´e suivante avec 3 chiffres apr`es la virgule.1. Dans un premier temps. Question 4. 1 Mo 2 Tu 3 We 4 Th 5 Fr 6 Sa days 7 8 Su Mo 9 Tu 10 We 11 Th Location : store 602 Planned orders Question 2. Un historique des demandes est fourni sur Chamilo sur un horizon de 100 p´eriodes.8 et 2 avec probabilit´e 0. SIMULATION 149 GI . On note Xt et Yt les stocks net et brut en d´ebut de p´eriode t. S).2. La demande en p´eriode t est not´ee Dt . Implement a DRP tool for calculating demand forecasts only for the logistic node Store 602 (horizon = 2 weeks.

150 Location : Factory Total demand MPS start days 7 8 Su Mo 1 Mo 2 Tu 3 We 4 Th 5 Fr 6 Sa 288 0 0 432 480 432 384 432 0 0 384 0 0 0 9 Tu 10 We 11 Th 12 Fr 13 Sa 14 Su 0 0 96 0 0 0 0 0 0 0 0 0 96 0 — the plant capacity is limited to its manufacturing lot size 1 Mo Location : Factory MPS start 2 Tu 3 We 4 Th 5 Fr 6 Sa days 7 8 Su Mo 9 Tu 10 We 11 Th 12 Fr 13 Sa 14 Su .

. quelle sera la meilleure valeur du param`etre α si on tente d’appliquer un mod`ele de lissage exponentiel simple ` a une s´erie chronologique dans laquelle chaque valeur observ´ee est strictement plus grande que la pr´ec´edente. c’est-` a -dire ∀t. Xt+1 < Xt ? 2 D´ elai d’approvisionnement positif On se place dans le cadre du chapitre 4 du cours (plusieurs p´eriodes. Pourquoi pr´ef`ere-t-on habituellement estimer les erreurs de pr´evision `a l’aide de l’erreur carr´ee moyenne plutˆ ot qu’`a l’aide de l’erreur absolue moyenne ? Illustrer avec un petit exemple num´erique. . la pr´evision FT +1 obtenue avec le lissage exponentiel simple tient compte de toutes les valeurs r´eelles X1 . . Question 7. Expliquer la diff´erence entre Pr´evision de la demande et Pr´evision des ventes ? Question 3. XT ? Doit-on en conclure qu’il est n´ecessaire de conserver toutes les valeurs X1 . une tendance lin´eaire 3. Lister au moins deux (2) m´ethodes de pr´evision appropri´ees pour chacune des s´eries chronologiques repr´esentant : 1. Expliquer le lien entre le DRP et le PDP (MPS) ? Question 4. Pourquoi peut-on affirmer que si 0 < α < 1. Expliquer pourquoi l’ajustement des pr´evisions des ventes `a chacun des maillons de la chaˆıne logistique pourrait ˆetre une cause principale de l’effet Bullwhip ? Question 5. c’est-` a -dire ∀t. demandes al´eatoires) avec ventes diff´er´ees. Quel est le lien entre pr´evision de la demande et gestion des stocks ? Question 2. Les hypoth`eses sont similaires `a celle du cours (mˆeme s´equence des . . . PREVISION DE LA DEMANDE Gestion des stocks Examen Juin 2014 1 151 GI . une tendance constante 2. . une saisonnalit´e additive 4. Afin de minimiser l’erreur de pr´evision carr´ee moyenne. une saisonnalit´e multiplicative 5. Question 9. Pourquoi est-il plus facile d’obtenir des pr´evisions de demande fiables pour une famille de 2 produits vendus par une entreprise que pour chaque produit consid´er´e individuellement ? Question 6.´ 1. quelconques Question 8. XT pour calculer FT +1 ? Question 10. . .Fili`ere ICL Pr´ evision de la demande Question 1. Xt+1 > Xt ? Qu’en est-il si la s´erie est plutˆot strictement d´ecroissante. Expliquer le cas α = 0 et le cas α = 1 pour la m´ethode du lissage exponentiel simple.

3 Syst` eme de distribution On consid`ere un syst`eme de distribution avec un entrepˆot central (´etage 0) approvisionnant directement N d´etaillants (´etages 1. Si le stock net initial X1 = r. N On supposera que le d´elai d’approvisionnement est nul et on notera xjt le stock net ` a l’´etage j. arc = relation client fournisseur). Donner le graphe de la chaˆıne de Markov {Xt } ainsi qu’un syst`eme lin´eaire permettant de calculer les probabilit´es stationnaires p(x) = limt→∞ P (Xt = x). T − 1.. 1. 3. le d´elai d’approvisionnement vaut 1 avec probabilit´e 0.152 ´ev´enements. Expliquer comment calculer les probabilit´es stationnaires de Xt `a partir de celles de Yt . Exprimer la probabilit´e de rupture de stock pendant un d´elai de livraison (L = 2) en fonction de r. Dans cette derni`ere question. N — hj = coˆ ut de possession aux ´etages j = 0. .1.9. Si p = 0. de r et de S. Question 17. On se place dans le cadre du chapitre 3 avec une demande d´eterministe et variable dans le temps. · · · . · · · . Expliquer comment calculer la distribution stationnaire de Yt puis celle de Xt . 4. N j — k = coˆ ut fixe d’approvisionnement aux ´etages j = 0. On suppose dans un premier temps que le d´elai d’approvisionnement L est nul. N j — x0 = stock initial aux ´etages j = 0. La demande en p´eriode t est not´ee Dt et distribu´ee suivant une loi de Bernouilli de param`etre p (q = 1 − p). Question 19. · · · . Question 12. N — cj = coˆ ut lin´eaire d’approvisionnement aux ´etages j = 0. Question 20. On supposera que S − r > 5. N ). donner les probabilit´es d’´etat en r´egime transitoire ` a t = 2. · · · . Question 15. Question 13. · · · . quelle est la valeur minimale de r afin d’avoir une probabilit´e de rupture de stock inf´erieure ` a 10 % ? Question 18. . un horizon de temps T d´ecoup´e en instants de d´ecision t = 0.). Exprimer le temps moyen pass´e pass´e par une pi`ece en stock en fonction du stock moyen et de p. Question 11. Question 16. 1.1 et 2 avec probabilit´e 0. p et q. Repr´esenter la structure de la chaˆıne logistique sous la forme d’un graphe (sommet = point de stockage. Exprimer le stock moyen (sur un horizon infini) en fonction des p(x). On notera ytj le stock ´echelon `a l’´etage j. S). · · · . 1. · · · .. On note Xt et Yt les stocks net et brut en d´ebut de p´eriode t (avant r´eception de la commande). On suppose d´esormais que le d´elai d’approvisionnement vaut L = 2. On consid`ere que la politique adopt´ee est une politique (r. 1. Donner le graphe de la chaˆıne de Markov {Yt }. Les caract´eristiques `a l’´etage j et `a l’instant t sont les suivantes : — djt = : demande ` a l’instant t aux ´etages j = 1. 1. On supposera que les demandes sont ind´ependantes d’une p´eriode `a l’autre. Donner un programme lin´eaire en nombre entiers permettant de d´eterminer la politique minimisant les coˆ uts sans rupture de stock. Question 14.

Si h0 sup´erieur ` a maxj hj . Quel est le risque de piloter les stocks sur la base des stocks ´echelon ? Donner un exemple illustratif. quelle propri´et´e aura la politique optimale ? . SYSTEME DE DISTRIBUTION 153 Question 21. Question 23. Exprimer les stock ´echelon yj en fonction des stock nets xj .` 3. Question 22.

Soit l’extension suivante du mod`ele de Wilson. S) : Question 2. Les param`etres du mod`ele sont les suivants : — X : demande al´eatoire continue . alors C(aq ∗ ) = a + 1/a C(q ∗ ). il pourra tous les ´ecouler au moment des soldes en proposant un prix sold´e au client. d´elai L. Le coˆ ut de possession vaut h = 1. Supposons que la quantit´e maximale que l’on peut stocker est Smax et que les produits ne doivent pas rester en stock plus de Umax pour des raisons de p´erissabilit´e. Definir les termes suivants. 2 Vendeur de journaux On consid`ere un vendeur devant acheter q produits en d´ebut de saison et ne pouvant pas r´eapprovisionner son stock en cours de saison. Question 4. Question 8. Il a ´et´e estim´e `a une valeur de h est le surcoˆ ut li´e ` a cette erreur d’estimation ? Question 6. En d´eduire la quantit´e optimale q ∗ .Fili`ere ICL Gestion des stocks Examen Avril 2015 Question 1. — Politique ZIO : — Couverture de stock : — Politique (T. le stock se p´erime avec un taux δS(t) lorsque le stock physique est S(t) `a l’instant t. q) ZIO. le r´eapprovisionnement n’est pas instantan´e mais s’effectue avec un taux µ. Quel Question 5. Donner 3 facteurs amplifiant le bullwhip effect. Repr´esenter l’allure de l’´evolution du stock net. Soit C(q) le coˆ ut total par unit´e de temps d’une politique (r. Donner une ´equation diff´erentielle satisfaite par le stock net. Exprimer C(q) en fonction de q et des param`etres du mod`ele. Montrer que si c = 0. coˆ ut unitaire de possession h. coˆ ut fixe d’approvisionnement k. Question 3. pas de rupture de stock autoris´ee). coˆ ut variable d’approvisionnement c. — 1: — 2: — 3: 1 Mod` ele de Wilson Soit le mod`ele de Wilson classique (taux λ. Question 7.154 GI . Si il lui reste des produits en fin de saison. 2 ˆ = 9. De plus. Enfin. Quelle est alors la quantit´e optimale ? On consid`ere une autre extension du mod`ele de Wilson o` u demandes peuvent ˆetre mises en attente avec un coˆ ut b par unit´e de demande et par unit´e de temps.

Exprimer h et b en fonction des param`etres du probl`eme. w = v = s = 1. L’objectif est de d´eterminer la quantit´e qui maximise G(q). Question 9. 1] et que p = r = 2. D´eterminer la quantit´e optimale `a l’aide d’un th´eor`eme du cours. Donner la valeur num´erique du profit optimal. VENDEUR DE JOURNAUX 155 — r = prix de vente normal. Question 11. Question 13. puis donner sa valeur num´erique ` a l’optimal. Question 14. etc. 2.2. On reprend les mˆemes valeurs pour les param`etres de coˆ uts. X)]. D´eterminer le taux de service en quantit´e `a l’optimal. Exprimer G(q. 1. Exprimer le taux de service en temps en fonction des param`etres du probl`eme. Supposons dans ce qui suit que la loi est uniforme et continue sur [0. X) en fonction des param`etres du probl`eme. D´eterminer la quantit´e optimale. Ce probl`eme peut se ramener `a un probl`eme de vendeur de journaux classique avec un coˆ ut de possession h et un coˆ ut de rupture b. w = coˆ ut d’achat unitaire. Supposons jusqu’` a la fin de l’exercice que la demande est discr`ete et prend la valeur i avec probabilit´e 1/5 pour i = 0. . s = prix de vente en solde. v = coˆ ut unitaire en magasin (mise en rayon. 3. Question 10.) Notons G(q. Question 15. X) le profit associ´e ` a une quantit´e q et `a une demande X et G(q) = E[G(q. 4. Question 12. p = p´enalit´e par unit´e de demande non satisfaite.

les produits en attente de r´eception et les commandes planifi´ees. On tient compte en plus d’un stock de s´ecurit´e. 1 Lu Magasin 1 Commandes planifi´ees 2 Ma 3 Me 4 Je 5 Ve 6 Sa days 7 8 Di Lu 9 Ma 10 Me 11 Je 12 Ve 13 Sa 14 Di . Figure 2.Fili`ere ICL Gestion des stocks Examen Mai 2015 1 DRP et MPS Soit une usine qui approvisionne en un seul produit un centre de distribution r´egional RDC1 et un magasin (Magasin 3).1 – Le r´eseau de distribution Le probl`eme consiste ` a planifier quotidiennement la distribution du produit sur deux semaines. fichier Excel). La direction prend la d´ecision de ne pas mettre de stock de s´ecurit´e sur le produit `a l’usine en appuyant ce choix sur l’existence de stocks de s´ecurit´e dans le r´eseau de distribution. Les commandes de clients peuvent ˆetre pass´ees tous les jours aupr`es des trois magasins. Pour chaque magasin on dispose de la pr´evision ajust´ee de la demande quotidienne (fichier Excel). Pour ce faire. Elles seront exp´edi´ees ` a partir du stock existant. 2 et 3 sur un horizon de 2 semaines : les stocks projet´es.156 GI . Le r´eseau de distribution est repr´esent´e par la figure suivante. Question 1. Les principaux clients sont la grande distribution. Le centre de distribution r´egional RDC1 approvisionne lui-mˆeme deux autres magasins (Magasins 1 et 2). Utilisez la technique du DRP pour g´en´erer le plan de r´eapprovisionnement des trois magasins 1. on dispose bien entendu de l’ensemble des donn´ees n´ecessaires (Annexes.

h = 1. proposer un plan de production contraint lorsque la capacit´e de l’usine est limit´ee `a la taille de lot de fabrication. SIMULATION ET OPTIMISATION D’UNE POLITIQUE 1 Lu 2 Ma 3 Me 4 Je 5 Ve 157 6 Sa days 7 8 Di Lu 9 Ma 10 Me 11 Je 12 Ve 13 Sa 14 Di 6 Sa days 7 8 Di Lu 9 Ma 10 Me 11 Je 12 Ve 13 Sa 14 Di 13 Sa 14 Di 13 Sa 14 Di Magasin 2 Commandes planifi´ees 1 Lu 2 Ma 3 Me 4 Je 5 Ve Magasin 3 Commandes planifi´ees Question 2. .2. ventes diff´er´ees. — Les stock net et brut initiaux sont nuls On consid`ere une politique (T. d´eterminer les besoins du centre de distribution r´egional RDC1. taux de service en quantit´e). Par consolidation des calculs pr´ec´edents. 1 Lu 2 Ma 3 Me 4 Je 5 Ve 6 Sa days 7 8 Di Lu 9 Ma 10 Me 11 Je 12 Ve RDC1 Commandes planifi´ees Question 3. Quelques diff´erences n´eanmoins : — L’horizon de simulation est de 100 jours (voir fichier de donn´ees sur Chamilo) — Le d´elai d’approvisionnement est de L = 1. 1 Lu 2 Ma 3 Me 4 Je 5 Ve 6 Sa days 7 8 Di Lu 9 Ma 10 Me 11 Je 12 Ve Usine Lancements planifi´ees 2 Simulation et optimisation d’une politique Les hypoth`eses sont similaires ` a celle du TP de simulation (mˆeme s´equence des ´ev´enements. k = 100. Par consolidation des calculs pr´ec´edents. S) qui commande `a t = 1.

hj = coˆ ut de possession — xj0 = stock initial . u3 = 1 et commandant aux 3 ´etages `a l’instant t = 0. u2 = 2. Ecrire un programme math´ematique. T − 1. D´eterminer les p´eriodes optimales aux 3 ´etages en r´esolvant (P1). Les coˆ uts de possession valent : h01 = 1. un horizon de temps T d´ecoup´e en instants de d´ecision t = 0. Les d´elais d’approvisionnement sont suppos´es nuls aux 3 ´etages. u3 ) avec u1 = 4. En d´eduire la politique optimale et son coˆ ut.2). On consid`ere une politique stationnaire u = (u1 .Fili`ere ICL Gestion des stocks Examen Juin 2015 1 Multi-´ echelon On consid`ere un syst`eme s´erie `a 3 ´etages (mˆemes hypoth`eses et notations que dans le chapitre 5). Question 5. u2 . La demande ` a l’´etage 3 est continue de taux λ = 1. Donner les coˆ uts de possession ´echelon h1 . Donner la valeur du coˆ ut par unit´e de temps de la politique u.B. sans tenir compte des contraintes reliant les p´eriodes de commande entre elles.C) et `a l’instant t sont les suivantes : j — dt : demande ext´erieure — k j = coˆ ut fixe d’approvisionnement. Question 3. · · · . Les coˆ uts fixes de commande valent k1 = k2 = k3 = 10 et les coˆ uts variables de commande valent c1 = c2 = c3 = 1. Question 2.158 GI . cj = coˆ ut lin´eaire d’approvisionnement. Pour fabriquer le produit C. A Assemblage C B Figure 2. h3 . h03 = 3. h02 = 2. 2 Syst` eme d’assemblage On consid`ere un syst`eme d’assemblage. Question 1. h2 . il faut 2 composants de type A et 3 composants de type B (voir figure 2. Repr´esenter l’´evolution des stocks physiques et ´echelons aux 3 ´etages.2 – Syst`eme d’assemblage On se place dans le cadre du chapitre 3 avec des demandes d´eterministes et variables dans le temps. Question 6. Question 4. Les caract´eristiques ` a l’´etage j (=A. permettant d’obtenir la politique optimale. 1. not´e (P1).

quelle propri´et´e aura la politique optimale ? 3 Politique (T. 3. 4. Question 13. On supposera que le d´elai d’approvisionnement L est nul. demandes al´eatoires) avec ventes diff´er´ees. Soit une politique (T. On notera xjt et qtj respectivement le stock net et la quantit´e command´ee (`a l’´etage j `a l’instant t). Les hypoth`eses sont similaires `a celle du cours (mˆeme s´equence des ´ev´enements. Question 8. Donner un programme lin´eaire en nombres entiers permettant de d´eterminer la politique minimisant les coˆ uts (sans rupture de stock). La demande en p´eriode t est not´ee Dt et a la distribution suivante : P (Dt = i) = 1/3 pour i = 0. 1.. Exprimer le stock moyen (sur un horizon infini) en fonction des p(x). Les demandes sont ind´ependantes d’une p´eriode `a l’autre. q) avec r = 1. Calculer les probabilit´es stationnaires p(x). . donner les probabilit´es d’´etat en r´egime transitoire ` a t = 2. Si hA > hC et hB > hC . Si le stock net initial vaut X1 = 0. 2. Question 12. Question 7. pour chaque ´etage.. De mˆeme les d´elais d’approvisionnement des composants A et B sont nuls. Question 10. On note Xt le stock net en d´ebut de p´eriode t (avant r´eception de la commande). Comment peut-on d´eterminer la politique optimale ? Question 9.).3. q = 2 Question 11. Exprimer le temps moyen pass´e par une pi`ece en stock en fonction du stock moyen. S) 159 On supposera que le d´elai d’assemblage du produit C est nul. Question 15. La politique adopt´ee est une politique (r. Exprimer les stock ´echelon en fonction des stock nets. S = 3. Question 14. . POLITIQUE (T. Supposons que le d´elai d’approvisionnement est d´esormais positif (Lj > 0). S) On se place dans le cadre du chapitre 4 du cours (plusieurs p´eriodes. S) avec T = 1. Donner le graphe de la chaˆıne de Markov {Xt }. Question 16. Donner un syst`eme lin´eaire permettant de calculer les probabilit´es stationnaires p(x) = limt→∞ P (Xt = i).

160 .

Nous avons ainsi fX (x) = lim ∆x→0 FX (x + ∆x) − FX (x) = lim ∆x→0 ∆x P (x < X ≤ x + ∆x) ∆x Ainsi la quantit´e fX (x)dx s’interpr`ete comme la probabilit´e que X appartienne `a l’intervalle ]x.Annexe A Rappels de probabilit´ e Densit´e Fonction de r´epartition FX (x) = P (X ≤ x) Esp´erance de X Esp´erance de g(X) Variance ´ Ecart-type Coefficient de variation X = v. Ainsi. x + dx] : P (x < X ≤ x + dx) = fX (x)dx + o(dx) On peut aussi d´efinir une variable al´eatoire mixte qui soit en partie continue. discr`ete X = v. et en partie discr`ete.a. Par ailleurs. · · · . continue p(x) = P (X = x) P FX (x) = xt=0 p(t) P E(X) = ∞ t=0 tp(t) P∞ E[g(X)] = t=0 g(t)p(t) V ar(X) = E(X 2 ) − [E(X)]2 p σ(X) = V ar(X) fX (x) Rx FX (x) = 0 fX (t)dt R∞ E(X) = 0 xfX (x)dx R∞ E[g(X)] = 0 g(x)fX (x)dx Idem Idem cv(X) = E(X) Idem σ(X) La densit´e d’une variable al´eatoire est la d´eriv´ee de la fonction de r´epartition.a. On peut alors d´efinir la densit´e de X comme fX (x) = afW (x) + (1 − a)fD (x) 161 . Une variable al´eatoire mixte X a une fonction de r´epartition FX qui peut s’´ecrire comme FX (x) = P (X ≤ x) = aFW (x) + (1 − a)FD (x) o` u FW est la fonction de r´epartition d’une variable al´eatoire continue W et FD la fonction de r´epartition d’une variable discr`ete D. xn ) les valeurs prises par D et pD (xi ) = P (D = xi ) la probabilit´e que D prenne la valeur xi . 0 la densit´ Notons fW = FW e de W . la fonction de r´epartition d’une variable al´eatoire mixte est croissante et continue par morceaux. soit (x1 .

Son int´egrale sur IR vaut 1. si 0 ≤ x ≤ 1 FX (x) =  0.25 × 1l{x∈[0.75 × 3 = 1/8 + 9/4 = 19/8 . 1] et qui prend la valeur discr`ete 3 avec une probabilit´e 3/4.´ ANNEXE A.1]} + 0. On peut voir cette fonction comme la limite de δa (x) = 1 1l{x∈[−a.25 R1 0 dx + 0. 2a On peut alors d´efinir l’esp´erance de X comme ´etant Z E(X) = aE(W ) + (1 − a)E(D) = a IR xfW (x)dx + (1 − a) n X pD (xi ) i=1 Prenons un exemple simple. RAPPELS DE PROBABILITE 162 o` u fD (x) = n X pD (xi )δ(x − xi ) i=1 La fonction δ est la fonction Dirac qui prend une valeur infinie en 0 et la valeur z´ero ailleurs.a]} quand a tend vers 0. Soit une variable al´eatoire X qui soit continue uniforme sur [0.75 × δ(x − 3)   0.25. si x ≥ 3 Puis E(X) = 0. si 1 < x < 3    1. Nous avons alors fX (x) = 0. si x < 0    x/4.

Alors.1. Soit une fonction discr`ete g : ZZ → IR. g(n + 1) − g(n) est croissant en n.Annexe B Minimum d’une fonction convexe d´ efini sur l’ensemble des entiers D´ efinition B. si n < p Supposons que n < p. alors : g(n) = [g(n) − g(n − 1)] + [g(n − 1) − g(n − 2)] + · · · + [g(p + 1) − g(p)] + g(p) ≥ g(p) On conclue donc que le minimum de g est bien atteint en p. si n ≥ p g(n + 1) − g(n) < 0. Soit g une fonction convexe et discr`ete et p = min[n ∈ IN|g(n + 1) − g(n) ≥ 0]. nous avons : ( ≥ 0. 163 . Soit g une fonction discr`ete et convexe. On dira que g est convexe si et seulement si. Comme g(n + 1) − g(n) est croissant en n. pour tout n ∈ IN. le minimum de g est atteint en : p = min[n ∈ IN|g(n + 1) − g(n) ≥ 0] D´emonstration. alors : g(n) = [g(n) − g(n + 1)] + [g(n + 1) − g(n + 2)] + · · · + [g(p − 1) − g(p)] + g(p) ≥ g(p) Supposons maintenant que n > p.1. c’est a ` dire que : g(n + 2) − g(n + 1) ≥ g(n + 1) − g(n) Propri´ et´ e B.

MINIMUM D’UNE FONCTION CONVEXE DEFINI SUR L’ENSEMBLE DES ENTIERS .´ 164ANNEXE B.

Xt−1 = xt−1 . Nous supposerons en outre qu’il y un nombre fini d’´etats. · · · . Les ´etats seront not´es de 1 ` a n. Dans ce qui suit. le comportement futur ne d´epend que de l’´etat actuel. 2 Analyse en r´ egime transitoire Nous allons rappeler comment calculer les probabilit´es d’´etat `a l’instant t. πn (t)) = vecteur des probabilit´es d’´etat — pij (t) = P (Xt+1 = j|Xt = i) = probabilit´e de transition de l’´etat i `a l’´etat j ` a l’instant t — P (t) = (pij (t)) = matrice de transition `a l’instant t Nous avons alors la relation suivante entre les probabilit´es d’´etat `a l’instant t et `a l’instant (t + 1) : n X πj (t + 1) = pij (t)πi (t) i=1 On peut ´ecrire la relation pr´ec´edente sous forme matricielle : π(t + 1) = π(t)P (t) 165 . Quelques notations : — πj (t) = P (Xt = j) = probabilit´e d’ˆetre dans l’´etat j `a l’instant t — π(t) = (π1 (t). disponible `a la biblioth`eque de GI. · · · . nous nous restreindrons aux processus stochastiques `a temps discret et `a ´etats discrets. Un processus stochastique ` a temps continu est une famille de variables al´eatoires (Xt )t∈IR . 1 D´ efinitions Un processus stochastique ` a temps discret est une suite de variables al´eatoires (Xt )t∈IN . Un processus stochastique ` a ´etats discrets est un processus stochastique qui prend un nombre discret de valeurs. Un processus stochastique ` a temps et ´etats discrets est une CMTD si et seulement si : P (Xt+1 = j|Xt = i. π2 (t).Annexe C Chaˆınes de Markov ` a temps discret Cette annexe pr´esente quelques rappels rapides sur les CMTD. nous renvoyons le lecteur au cours ”Mod`eles `a ´ev´enements discrets” de la fili`ere ICL ou encore `a l’excellent ouvrage de Baynat (2000). Pour plus de d´etails. X0 = x0 ) = P (Xt+1 = j|Xt = i) Dans une CMTD.

il faut que les probabilit´es d’´etat convergent quand t tend vers l’infini. on en d´eduit facilement les probabilit´es d’´etat ` a l’instant t : π(t) = π(0)P (0)P (1) · · · P (t − 1) Une CMTD est dite homog`ene si les probabilit´es de transition ne d´ependent pas du temps : pij (t) = pij . j) correspond `a la probabilit´e de passer de l’´etat i `a l’´etat j. CHAˆINES DE MARKOV A 166 Si l’on connaˆıt les probabilit´es d’´etat `a l’instant initial. Le th´eor`eme suivant ´enonce des conditions suffisantes pour l’existence des probabilit´es stationnaires.1. ∀t On peut repr´esenter une CMTD homog`ene par un graphe orient´e o` u les sommets correspondent aux ´etats et les arcs orient´es correspondent aux transitions entre deux ´etats (figure C.1).` TEMPS DISCRET ANNEXE C. πn ) = vecteur des probabilit´es stationnaires Pour que les probabilit´es stationnaires soient bien d´efinies. π1 . nous avons alors : π(t) = π(0)P t 3 Analyse en r´ egime stationnaire Notations : — πj = limt→∞ P (Xt = j) = probabilit´e stationnaire d’ˆetre dans l’´etat j — π = (π1 . alors les probabilit´es stationnaires existent et sont solutions du syst`eme lin´eaire suivant : ( π = πP Pn i=1 πi = 1 . Si une CMTD est irr´eductible (on peut atteindre tout ´etat i de tout ´etat j) et ap´eriodique.1 – Graphe d’une CMTD homog`ene Pour une CMTD homog`ene. Th´ eor` eme C. · · · . p12 p23 2 p11 p33 p21 p24 1 p41 3 p43 4 Figure C. La valuation de l’arc (i.

Wagner and Thomson M. 1934. F. R. Foundations of stochastic inventory theory.W. Whitin. 2000. the Magazine of management. Zipkin. 2000. Porteus. Foundations of inventory management. Th´eorie des files d’attente : des chaˆınes de Markov aux r´eseaux ` a forme produit. A scientific routine for stock control. La Logistique.H. 167 . Harvey M. Gestion de la production et des flux. 5(1) :89–96. Mod`eles et M´ethodes de Pilotage Des Flux.L. 2001. Economica. P. V. Harvard business review. 2003. Wilson. Stanford University Press. Baynat. 1913.H. Vallin. How many parts to make at once. Hermes science. ISBN 2717844988. 1958. Dynamic version of the economic lot size model. P. Giard. Harris. Management science. Collection Techniques de Gestion. 13 :116–128. McGraw-Hill. Factory. E. 2002. 10 : 135–136. Economica.Bibliographie B.