Gestion de Production PDF

UNIVERSITE DE LIEGE
Licence en sciences de gestion

et ingenieurs de gestion
Gestion de la Production
Daniel DE WOLF
Liège, Septembre 2005

Table des matières
1 Introduction 9
1.1 Objectifs du cours . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.2 Denition de la gestion de production . . . . . . . . . . . . . . . 10
1.3 Classication des systèmes productifs . . . . . . . . . . . . . . . 12
1.3.1 Organisation de type serie unitaire . . . . . . . . . . . . . 12
1.3.2 Organisation en ateliers specialises . . . . . . . . . . . . 13
1.3.3 Organisation en lignes de production . . . . . . . . . . . 13
1.3.4 Les industries de process . . . . . . . . . . . . . . . . . 14
1.4 Formulation en modèles mathematiques . . . . . . . . . . . . . . 14
1.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
I Les decisions operationnelles 21
2 Ordonnancement en ateliers specialises 23

2.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2 Ordonnancement sur une machine . . . . . . . . . . . . . . . . . 24
2.2.1 Le diagramme de Gantt . . . . . . . . . . . . . . . . . . 24
2.2.2 La règle T.O.M. . . . . . . . . . . . . . . . . . . . . . . 25
2.3 Ordonnancement avec deux centres de production . . . . . . . . . 26
2.3.1 Cas où toutes les taches sont a` executer sur A puis B . . . 26
2.3.2 Cas de taches ne seffectuant pas dans le meme ordre . . . 28
2.4 Ordonnancement sur trois machines . . . . . . . . . . . . . . . . 29
2.5 Ordonnancement de n taches sur m centres de production . . . . . 31
3
4 Table des matières
2.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
3 La gestion calendaire de stock 35

3.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.2 Les politiques de gestion de stock . . . . . . . . . . . . . . . . . 36
3.3 Les couts associes aux stocks . . . . . . . . . . . . . . . . . . . 37
3.3.1 Les couts de possession . . . . . . . . . . . . . . . . . . 37
3.3.2 Les couts de rupture . . . . . . . . . . . . . . . . . . . . 39
3.3.3 Les couts de commande . . . . . . . . . . . . . . . . . . 39
3.4 Gestion calendaire de stock a` rotation nulle . . . . . . . . . . . . 40
3.5 Cas dune loi de demande continue . . . . . . . . . . . . . . . . 46
3.6 Les consequences e conomiques de la solution optimale . . . . . . 48
3.7 Cas de stocks a` rotation non nulle . . . . . . . . . . . . . . . . . 51
3.7.1 Determination de la solution optimale . . . . . . . . . . . 54
3.7.2 Cas dune loi de demande discrète . . . . . . . . . . . . . 56
3.8 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
4 La gestion par point de commande 59

4.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
4.2 Determination du point de commande en univers certain . . . . . 60
4.3 Determination de la quantite e conomique de commande . . . . . . 61
4.4 Cas dune demande aleatoire . . . . . . . . . . . . . . . . . . . . 64
4.4.1 Determination de q et s . . . . . . . . . . . . . . . . . . 65
4.4.2 Consequences e conomiques du choix . . . . . . . . . . . 67
4.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69
II Les decisions tactiques 71
5 La planication de la production 73
5.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73
5.2 La planication des besoins en composants . . . . . . . . . . . . 74
Table des matières 5
5.3 Determination des besoins nets dun composant . . . . . . . . . . 78

5.3.1 Determination de la couverture des besoins nets . . . . . . 80
5.3.2 Utilisation en cascade de la logique de calcul . . . . . . . 80
5.4 Ajustement charge-capacite . . . . . . . . . . . . . . . . . . . . 84
5.5 Autres règles de calcul des lancements de production . . . . . . . 87
5.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 89
6 Les techniques de juste a` temps 91

6.1 Origine et principe du JAT . . . . . . . . . . . . . . . . . . . . . 91
6.2 Les deux approches du JAT . . . . . . . . . . . . . . . . . . . . 93
6.2.1 Augmenter la reactivite du système logistique . . . . . . . 93
6.2.2 La rationalisation de la production . . . . . . . . . . . . . 93
6.3 Les facteurs cles du JAT . . . . . . . . . . . . . . . . . . . . . . 94
6.3.1 Recherche dun plus grande reactivite . . . . . . . . . . . 94
6.3.2 Matrise des aleas . . . . . . . . . . . . . . . . . . . . . 94
6.4 La methode Kanban . . . . . . . . . . . . . . . . . . . . . . . . 95
6.4.1 Système Kanban a` une boucle . . . . . . . . . . . . . . . 95
6.4.2 Determination du nombre detiquettes . . . . . . . . . . . 96
6.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
III Les decisions strategiques 101
7 Lordonnancement de projets 103

7.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
7.2 Formulation du problème . . . . . . . . . . . . . . . . . . . . . 105
7.3 Representation graphique du problème . . . . . . . . . . . . . . 105
7.4 Existence dune solution . . . . . . . . . . . . . . . . . . . . . . 108
7.5 Calcul de lordonnancement au plus tot . . . . . . . . . . . . . . 109
7.6 Ordonnancement au plus tard . . . . . . . . . . . . . . . . . . . 109
7.7 Chemin critique et calcul des marges . . . . . . . . . . . . . . . 111
7.8 Lordonnancement par la methode PERT . . . . . . . . . . . . . 112
7.9 La minimisation des couts . . . . . . . . . . . . . . . . . . . . . 115

7.10 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119
8 Conception dun centre de production 123

8.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 123
8.2 Conguration dun centre de production . . . . . . . . . . . . . . 124
8.2.1 Conguration en ateliers specialises . . . . . . . . . . . . 124
8.2.2 Conguration en ligne de production . . . . . . . . . . . 128
8.2.3 Conguration a` poste xe . . . . . . . . . . . . . . . . . 133
8.3 Decisions de capacite . . . . . . . . . . . . . . . . . . . . . . . 134
8.4 Decisions de localisation . . . . . . . . . . . . . . . . . . . . . . 138
8.5 Utilisation de la programmation mathematique . . . . . . . . . . 141
8.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 145
IV Les techniques doptimisation 149
9 La programmation dynamique. 151

9.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 151
9.2 Le problème du voyageur . . . . . . . . . . . . . . . . . . . . . 152
9.2.1 Formulation en un problème dynamique . . . . . . . . . . 153
9.3 Procedure de resolution . . . . . . . . . . . . . . . . . . . . . . 154
9.4 Un problème daffectation de ressources rares . . . . . . . . . . . 156
9.4.1 Formulation comme un problème dynamique . . . . . . . 156
9.4.2 Resolution par la programmation dynamique . . . . . . . 158
9.5 Application a` la planication de la production. . . . . . . . . . . 159
9.5.1 Formulation en un problème dynamique . . . . . . . . . . 159
9.5.2 Resolution par la programmation dynamique . . . . . . . 161
9.5.3 Algorithme en cas de cout convexe . . . . . . . . . . . . 163
9.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165
10 La programmation lineaire. 167

Table des matières 7
10.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167

10.2 Un simple exemple . . . . . . . . . . . . . . . . . . . . . . . . . 167
10.3 Resolution graphique . . . . . . . . . . . . . . . . . . . . . . . 169
10.4 Le solveur dExcel . . . . . . . . . . . . . . . . . . . . . . . . . 172
10.5 Les rapports du solveur . . . . . . . . . . . . . . . . . . . . . . 175
10.5.1 Le rapport des reponses . . . . . . . . . . . . . . . . . . 176
10.5.2 Le rapport de sensibilite . . . . . . . . . . . . . . . . . . 177
10.5.3 Le rapport des limites . . . . . . . . . . . . . . . . . . . 178
10.6 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 179
11 Analyse postoptimale. 183

11.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 183
11.2 Variation par rapport au second membre . . . . . . . . . . . . . . 184
11.2.1 Calcul des prix caches . . . . . . . . . . . . . . . . . . . 184
11.2.2 Analyse de sensibilite au membre de droite . . . . . . . . 186
11.3 Variation des coefcients objectifs . . . . . . . . . . . . . . . . . 187
11.3.1 Analyse de sensibilite aux coefcients objectif . . . . . . 188
11.4 Cout reduit des variables hors base . . . . . . . . . . . . . . . . . 190
11.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 191
12 La programmation en nombres entiers. 193

12.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 193
12.2 Formulation des problèmes mixtes . . . . . . . . . . . . . . . . . 194
12.2.1 Problèmes avec couts xes . . . . . . . . . . . . . . . . . 194
12.2.2 Problèmes avec contrainte logique . . . . . . . . . . . . . 197
12.2.3 Melange avec nombre limite dingredients . . . . . . . . 198
12.2.4 Choix parmi un nombre discret de valeurs . . . . . . . . . 199
12.3 Principe de la methode de branch and bound . . . . . . . . . . . . 199
12.4 Application a` lexemple . . . . . . . . . . . . . . . . . . . . . . 201
12.5 Exercices . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 205
A Formulaire pour la gestion de production 211

A.1 La gestion calendaire de stock . . . . . . . . . . . . . . . . . . . 211

A.2 La gestion par point de commande . . . . . . . . . . . . . . . . . 212
A.3 Les techniques de juste a` temps . . . . . . . . . . . . . . . . . . 214

A.4 Equilibrage dune chane de production . . . . . . . . . . . . . . 214
A.5 Calcul dannuites . . . . . . . . . . . . . . . . . . . . . . . . . 214
B Tables pour la gestion de stocks 215

B.1 Table de la loi Poisson() . . . . . . . . . . . . . . . . . . . . . 215
B.2 Table de la loi normale Z N (0, 1) . . . . . . . . . . . . . . . . 220
B.3 Table pour le calcul de Ir (S) . . . . . . . . . . . . . . . . . . . . 221
A Solutions nales des exercices 223

A.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 223
A.2 Ordonnancement en ateliers specialises . . . . . . . . . . . . . . 225
A.3 Gestion calendaire de stock . . . . . . . . . . . . . . . . . . . . 226
A.4 Gestion de stock par point de commande . . . . . . . . . . . . . 228
A.5 La planication de la production . . . . . . . . . . . . . . . . . . 229
A.6 Les techniques de juste a` temps . . . . . . . . . . . . . . . . . . 230
A.7 Lordonancement de projets . . . . . . . . . . . . . . . . . . . . 231
A.8 Conception dun centre de production . . . . . . . . . . . . . . . 233
A.9 La programmation dynamique . . . . . . . . . . . . . . . . . . . 235
A.10 La programmation lineaire . . . . . . . . . . . . . . . . . . . . . 237
A.11 Analyse postoptimale . . . . . . . . . . . . . . . . . . . . . . . 238
A.12 La programmation en nombres entiers . . . . . . . . . . . . . . . 240
Chapitre 1
Introduction
1.1 Objectifs du cours
Lobjectif du cours est de donner une formation de base a` lapproche quantitative

des problèmes de gestion de lentreprise tels que :
la planication de la production;
lordonnancement de projets;
la gestion des stocks;
la gestion de la capacite,. . .
Pour cela, on essayer de developper une double competence :
La capacite de formuler ces problèmes en des modèles mathematiques :

cest-à-dire, partant de problèmes e nonces de manière litteraire, de les tra-
duire sous formes dequations mathematiques (cfr section 1.4 a` la n de ce
chapitre).
La connaissance doutils de resolution de ces problèmes : en effet, une

fois le problème formule, souvent on tombe sur un problème classique (tel
celui de la gestion de stock), pour lequel il existe des methodes de resolution
adaptees (voir chapitres 3 et 4).
Comme references, nous utiliserons les livres de Giard [4] et Baglin et al [1]
pour tous les modèles classiques de gestion de la production. Pour ce qui est de
la formulation en modèles mathematiques, une très bonne reference est le livre de
Williams [17].
9
10 Chapitre 1. Introduction
1.2 Denition de la gestion de production
Comme lindique Vincent Giard [4] dans son ouvrage, pour pouvoir donner une
denition de la gestion de production, il faut dabord denir ce que lon entend
par la production. La production consiste en une transformation de ressources
(humaines ou materielles) en vue de la creation de biens ou services :
La production dun bien seffectue par une succession doperations consom-

mant des ressources et transformant les caracteristiques de la matière. Un
exemple classique est la production de voitures.
La production dun service seffectue par une succession doperations con-
sommant des ressources sans quil ny ait necessairement transformation
de matière. Des exemples classiques sont la mise a` disposition de produits
aux consommateurs (la vente), le traitement de dossier (par un notaire), la
maintenance dequipements.
On peut alors denir la gestion de production comme suit.
Denition 1.1 La gestion de la production consiste en la recherche dune orga-

nisation efcace de la production des biens et services.
La gestion de production consiste donc a` lobtention dun produit donne dont les
caracteristiques sont connues en mettant en uvre un minimum de ressources.
En gestion de production, on considerera, generalement, comme donnees les ca-
racteristiques du produit que sont :
la denition du produit;
le processus de fabrication;
la demande a` satisfaire.
Ces trois caracteristiques du produit relèvent des sciences de lingenieur et de la

gestion commerciale. Nous verrons cependant au chapitre 7 la gestion de projets
qui est souvent utilisee pour optimiser le processus de conception dun nouveau
produit. Nous verrons aussi au chapitre 8 comment optimiser le processus de
fabrication.
Les outils de la gestion de la production sont un ensemble de techniques
danalyse et de resolution des problèmes de manière a` produire au moindre cout.
Nous verrons dans ce cours un certain nombre de problèmes types rencontres en
gestion de production. Pour situer ces differents problèmes entre eux, on classie
souvent les decisions de gestion en trois classes :
Section 1.2. Denition de la gestion de production 11
1. Les decisions strategiques : il sagit de la formulation de la politique a`

long terme pour lentreprise (cest-à-dire a` un horizon de plus de deux ans).
Entrent dans ces decisions :
la denition du portefeuille dactivites;
la denition des ressources stables : aussi bien humaines (engagements,
licenciements, preretraites, . . . ) que materielles (decisions dinvestis-
sement, de cession, de fermeture, . . . ).
2. Les decisions tactiques : il sagit des decisions a` moyen terme parmi les-
quelles on trouve la planication de la production a` 18 mois. Il sagit de
produire au moindre cout pour satisfaire la demande previsible en sinscri-
vant dans le cadre xe le plan strategique de lentreprise (donc a` ressources
materielles et humaines connues).
3. les decisions operationnelles : il sagit des decisions de gestion quotidienne
pour faire face a` la demande au jour le jour, dans le respect des decisions
tactiques. Parmi ces decisions, on trouve :
la gestion de stocks;
la gestion de la main duvre;
la gestion des e quipements.
Ces trois classes de decisions de gestion de production se differencient par au
moins trois e lements :
1. par lhorizon de temps considere :
les decisions operationnelles se prennent au jour le jour;
les decisions tactiques concernent la planication a` 18 mois;
les decisions strategiques concernent la planication a` long terme.
2. par le niveau dagregation :
les decisions operationnelles se prennent au niveau dun atelier;
les decisions tactiques se prennent au niveau dune usine;
les decisions strategiques se prennent au niveau de lensemble de len-
treprise.
3. par le niveau de responsabilite :
les decisions operationnelles sont prises par les agents de matrise;
les decisions tactiques sont prises par les cadres;
les decisions strategiques sont prises par la direction generale.
1.3 Classication des systèmes productifs
On peut classer les modes dorganisation de la production en quatre grandes

classes :
lorganisation en serie unitaire;

lorganisation en ateliers specialises;
lorganisation en ligne de production;
lorganisation en industries de process.
Nous examinerons, dans chaque cas, le type de ressources a` mettre en uvre

et le problème principal de leur utilisation.
1.3.1 Organisation de type serie unitaire
Denition 1.2 La production de type serie unitaire est une production mobili-
sant sur une periode assez longue lessentiel des ressources dune entreprise pour
realiser un nombre très limite de projets.
Comme exemples, on peut citer la construction de navires de grande taille (qui

se font, le plus souvent, en quelques exemplaires), les grands travaux publics (tel
que le creusement du tunnel sous la manche ou la construction dun pont suspendu).
En ce qui concerne les ressources mobilisees, on fait le plus souvent appel a`
un personnel hautement qualie vu le caractère non repetitif des taches.
En ce qui concerne le problème dordonnancement, le problème majeur est
larbitrage entre la recherche dun cout competitif et le respect des delais. En effet,
dune part, les commandes seront rapidement honorees si beaucoup de ressources
sont mises en uvre. Mais, dautre part, le cout des ressources est generalement
croissant avec leur niveau dutilisation : la location de machines supplementaires
et lengagement dinterimaires coutent generalement plus cher que lutilisation des
ressources propres de lentreprise (cfr le chapitre 7 consacre a` lordonnancement
de projets).
Dans les deux cas, lordonnancement des taches, cest-à-dire la determination
de lordre dexecution des taches) est essentiel. En effet, non seulement lordre
dexecution des taches determine la date de livraison, mais, comme nous le verrons
au chapitre 7, il inuence les couts dans la mesure où une mauvaise coordination
saccompagne souvent de chomage technique pour certaines ressources et du paie-
ment de penalites pour non respect des delais.
Section 1.3. Classication des systèmes productifs 13
1.3.2 Organisation en ateliers specialises
Denition 1.3 On parle dorganisation en ateliers specialises lorsque tous les

e quipements assurant une fonction specialisee sont reunis en un meme lieu.
Comme exemple, on peut citer un atelier demboutissage des toles de voitures ou

un atelier de peinture dans une usine dassemblage automobile.
En ce qui concerne les ressources mobilisees, la main duvre est plutot
qualiee et les e quipements sont polyvalents.
En ce qui concerne le problème de lorganisation efcace des ressources,
deux problèmes principaux sont a` considerer :
Lors de la conception de latelier, le problème principal est la gestion des

couts de manutention entre les differents postes de travail. An de diminuer
ces couts on determine la meilleure localisation des machines les unes par
rapport aux autres dans latelier. Ceci fait appel aux methodes dagencement
dans lespace (cfr chapitre 8 consacre a` la conguration dun centre de
production).
Lors de la gestion quotidienne de latelier, le problème principal est de

determiner lordre dexecution des diverses taches sur une ou plusieurs ma-
chines (cfr chapitre 2 consacre a` lordonnancement en ateliers specialises).
1.3.3 Organisation en lignes de production
Denition 1.4 On parle dorganisation en lignes de production lorsque quun

ux regulier de produits passe dun poste a` lautre, lordre de passage e tant xe.
Comme exemple, on peut citer les lignes dassemblage dautomobiles.

En ce qui concerne les ressources mises en uvre, les e quipements sont
generalement très specialises. En ce qui concerne lorganisation efcace des
ressources, le problème majeur consiste en lequilibrage de la chane : cest-à-
dire a` denir les taches a` realiser a` chaque poste de manière a` avoir le meme temps
de realisation a` chaque poste (cfr chapitre 8). En effet, un mauvais e quilibrage de
la chane entranera une sous-utilisation des ressources puisque la chane tourne a`
la vitesse de lelement le plus lent.
Deux autres problèmes sont très importants dans ce mode dorganisation de la
production. Il sagit de : la abilite de la chane (un maillon defectueux et toute
la chane sarrete) et de la abilite du système dinformations.
1.3.4 Les industries de process
Denition 1.5 On parle dindustries de process lorsque le mode dorganisation

est caracterise par un ux regulier et important de matières premières destinees a`
e tre transformees en matières plus e laborees.
Comme exemples, on peut citer la siderurgie, la petrochimie, le secteur de la chimie

lourde, le secteur agro-alimentaire, etc. . .
En ce qui concerne lorganisation efcace des ressources, vues limportance
et la regularite de la demande, le problème dorganisation au cout minimum est
generalement assez simple. Il peut e tre resolu par la programmation lineaire.
1.4 Formulation en modèles mathematiques
Terminons ce chapitre en introduisant la notion de modèle mathematique. Par

modèle mathematique, on entend la representation par des e quations mathema-
tiques dun problème de la vie reelle. Nous allons illustrer la construction dun
modèle mathematique sur un exemple très simplie de planication de la produc-
tion tire de Williams [17]. Une usine peut produire cinq produits (notes PROD1 a`
PROD5). La marge beneciaire unitaire, cest-à-dire la difference entre le prix de
vente et le cout de production dun produit, est donnee pour chacun des produits
au tableau 1.1. Chaque produit necessite le passage par trois e tapes de fabrication.
Produit PROD1 PROD2 PROD3 PROD4 PROD5

Marge 550 600 350 400 200
Tableau 1.1: Marge par produit.
Les temps requis a` chaque e tape sont donnes en heures pour chaque produit au
tableau 1.2.
Produit PROD1 PROD2 PROD3 PROD4 PROD5

Etape 1 12 20 0 25 15
Etape 2 10 8 16 0 0

Etape 3 20 20 20 20 20
Tableau 1.2: Temps de fabrication (en heures par produit).
Enn, il faut tenir compte des ressources en facteurs disponibles donnees au

tableau 1.3. Les deux premières e tapes sont effectuees sur machine tandis que la
Section 1.4. Formulation en modèles mathematiques 15

Etape Ressources heures par jour jours par semaine
Etape 1 3 machines 16 6

Etape 2 2 machines 16 6

Etape 3 8 personnes 8 6
Tableau 1.3: Ressources en facteurs
troisième ne necessite que lintervention de main duvre. En ce qui concerne les

deux premières e tapes, lusine travaille en deux pauses de huit heures par jour, et
ceci, au maximum six jours par semaine. En ce qui concerne la troisième, chaque
personne travaille 8 heures par jour et, au maximum, 6 jours par semaine.
La question que se pose le gestionnaire de lusine est la suivante. Quelles sont
les quantites a` fabriquer de chaque produit pour maximiser le prot net ?
La construction dun modèle est, en general, une operation en trois e tapes :
1. le choix des variables de decisions,

2. lexpression de lobjectif en fonction de ces variables,
3. lexpression des contraintes en fonction de ces variables.
La première e tape consiste donc a` denir les variables de decision.
Denition 1.6 On appelle variable de decision toute quantite utile a` la resolution

du problème dont le modèle determine la valeur.
Generalement, elles sont notees par les lettres de la n de lalphabet (x, y, z, etc...).
Ici, on note simplement par xi , la quantite du produit i fabriquee par semaine, i
allant de un a` cinq.
Une première remarque importante simpose. Il est fondamental de bien
preciser les unites selon lesquelles sont exprimees les variables. En effet, lordre
de grandeur des coefcients de lobjectif et des contraintes depend de ces unites.
La deuxième e tape consiste en la formulation de lobjectif.
Denition 1.7 Lobjectif est la quantite que lon veut minimiser ou maximiser.
Ici, il sagit de la somme des contributions de chacune des productions au prot

net de lusine. Elle sexprime simplement par :
max z = 550x1 + 600x2 + 350x3 + 400x4 + 200x5
La troisième e tape consiste en la formulation des contraintes.

Denition 1.8 Les contraintes sont toutes les relations entre les variables qui
limitent les valeurs possibles que peuvent prendre ces variables.
La première concerne la limite dutilisation des machines a` letape 1. Il y

a trois machines, utilisees 16 heures par jour et, au maximum, six jours par
semaine, ce qui donne un nombre maximum dheures par semaine1 :
3 (2 8) 6 = 288 heures disponibles.
Une unite de produit 1 demande 12 heures sur machine a` letape 1. Si x1

unites de produit 1 sont produites par semaine, cela demande 12 x1 heures
sur la machine 1. Par un raisonnement semblable pour les autres produits,
on obtient nalement la contrainte :
12x1 + 20x2 + 0x3 + 25x4 + 15x5 288.
La deuxième contrainte concerne la limite dutilisation des machines a` la

deuxième e tape. Le nombre maximum dheures dutilisation vaut :
2 (2 8) 6 = 192 heures,
et la contrainte sexprime comme :
10x1 + 8x2 + 16x3 + 0x4 + 0x5 192.
La troisième contrainte concerne la limite dutilisation du personnel a` la

troisième e tape. Le nombre maximum dheures prestees en une semaine par
les 8 personnes est de :
8 (1 8) 6 = 384 heures.
Et donc la contrainte sexprime comme :
20x1 + 20x2 + 20x3 + 20x4 + 20x5 384.
Enn, il ne faut pas oublier les contraintes, presque toujours presentes, disant
que lon ne peut pas produire des quantites negatives :
x1 , x2 , . . .x5 0.
1
Remarquez ici limportance davoir precise que les quantites produites
letaient par semaine.
Section 1.5. Exercices 17
1.5 Exercices
On demande de formuler chacun des problèmes suivants.
1.1. Un problème de choix dinvestissements. Un e pargnant veut investir

1000 euros. Il a le choix entre trois investissements possibles : A, B et
C. Les valeurs attendues et les valeurs minimales garanties après un an sont
donnees au tableau 1.4 par euro investi. Lepargnant souhaite un interet mi-
Type valeur valeur

dinvestissement attendue garantie
A 1, 4 0, 9
B 1, 2 1, 2
C 1, 6 0, 5
Tableau 1.4: Valeurs attendue et minimum garantie.
nimum garanti de 5% sur un an. Cependant, il a promis dinvestir au moins

600 euros sur B et C ensemble. Comment lepargnant pourrait-il repartir
son investissement pour maximiser la valeur attendue globale après un an ?
On suppose que linvestisseur utilise toute la somme disponible.
1.2. Un problème de chargement dun haut fourneau. Une fonderie recoit

une commande de 1000 tonnes dacier. Cet acier doit repondre aux ca-
racteristiques suivantes : il doit contenir au moins 0,45 % de manganèse
(Mn) tandis que son pourcentage en silicium (Si) doit se situer entre 3,25
et 5,50. Pour couler cet acier, la fonderie dispose en quantites illimitees de
trois types de minerais : A, B et C. Leurs teneurs en Si et Mn sont reprises
au tableau 1.5. Le procede de production est tel quune addition directe
Minerai A B C
Si 4% 1% 0,6 %
Mn 0,45 % 0,5 % 0,4 %
Tableau 1.5: Teneurs en Silicium et Manganèse des differents minerais.
de manganèse est envisageable. Ce manganèse est disponible au prix de 8

millions la tonne. Les minerais coutent respectivement 21 millions les mille
tonnes pour le type A, 25 millions par mille tonnes pour B, et 15 millions par
mille tonnes pour C. Si la fonderie envisage de vendre lacier produit 450
millions les mille tonnes, quel doit e tre son plan de production pour maxi-
miser son prot, sachant que le cout de fonte de mille tonnes de minerai est
de 5 millions ? Le cout de fonte ne sapplique pas au manganèse ajoute.
1.3. Un problème de planication sur cout variable. Un industriel cherche a`

e tablir son plan de production pour les quatre mois a` venir, sachant que les
demandes sont dejà connues (voir tableau 1.6).
Mois 1 2 3 4
Demande 900 1100 1700 1300
Capacite en heures normales 1200 1200 1200 1200
Capacite en heures supplementaires 400 400 400 400
Tableau 1.6: Demande par mois
En regime normal, la capacite de production est de 1200 articles par mois.

A laide dheures supplementaires, ce niveau peut e tre e leve jusquà 400
articles en plus, mais il faut compter, dans ce cas, un surcout de 7 euros par
article. La situation est telle quil peut se permettre en regime normal de
produire moins de 1200 articles par mois. Cela naura aucune incidence sur
les couts de production, ceux-ci e tant xes en regime normal, mais leffet
sur les couts de stockage peut e tre beneque. Les couts de stockage sont
de 3 euros par article en stock en n de mois. Comment lindustriel doit-il
planier sa production pour minimiser les couts variables, cest-à-dire les
couts occasionnes par les heures supplementaires et le stockage ?
1.4. Affectation davions a` des lignes aeriennes. Une compagnie aerienne

regionale desire affecter sa otte davions aux 4 lignes quelle exploite (lignes
A, B, C et D). Le nombre de passagers desirant effectuer chaque jour un
parcours sur chaque ligne est donne au tableau 1.7. La compagnie dispose
de deux types davions : 8 petits avions de 40 places et 3 avions moyens
de 180 places. Les avions, quils soient du modèle petit ou moyen, peuvent
effectuer un trajet aller-retour par jour. Le cout dexploitation journalier dun
avion depend de sa taille et de la ligne a` laquelle il est affecte. Ces couts
sont donnes au au tableau 1.7. On desire minimiser le cout dexploitation
en satisfaisant la demande.
(a) Faites un choix de variables.

Ligne A B C D
Demande 100 200 150 300
Cout dun petit avion 40 30 70 40
Cout dun moyen avion 200 100 300 350
Tableau 1.7: Demande et couts dexploitation des avions par ligne
(b) Donnez lexpression de lobjectif.

(c) Donnez lexpression des contraintes.
(d) Vos variables peuvent-elles prendre toutes les valeurs reelles non ne-
gatives ?
1.5. Production de denrees perissables. Une compagnie produit 2 denrees

perissables, P et Q, qui sont acheminees, chaque soir, chez le grossiste. Pour
le transport, la compagnie dispose dune camionnette dont la capacite permet
dacheminer 2000 kg par jour. Lorsque la production quotidienne excède
cette quantite, la compagnie fait appel a` un transporteur independant. Le
cout de transport est de 2 euros par kg avec la camionnette propre, tandis que
le transporteur independant demande 3 euros par kg. La marge beneciaire,
hors cout de transport, est 42 euros par unite de P et 48 euros lunite de Q.
Les produits P et Q sont fabriques a` partir de 2 composantes M et N selon
les proportions presentees au tableau 1.8. Considerons une journee où la
Produit Poids de M Poids de N Poids total

(kg par unite de (kg par unite de (kg par unite de
produit ni) produit ni) produit ni)
P 4 3 7
Q 2 1 3
Tableau 1.8: Composition des produits
compagnie dispose de 3 200 kg de M et de 2 400 kg de N. Formuler le

problème sachant que la compagnie cherche a` maximiser son prot net.
1.6. Ajout dun nouveau produit a` la gamme. Une societe envisage lajout
de deux nouveaux produits a` sa gamme : le modèle standard et le modèle
de luxe. Le modèle standard peut se fabriquer dans nimporte lequel des 3
ateliers (A, B ou C) de la societe. Une unite de modèle standard requiert en
main duvre soit 5 heures dans latelier A, soit 4 heures dans latelier B,
soit 5 heures dans C. Quant au modèle de luxe, latelier A ne dispose pas
de lequipement necessaire et sa fabrication devra e tre conee aux ateliers
B et C. Une unite du modèle de luxe requiert en main duvre 5 heures
dans latelier B, ou 8 heures dans C. Les capacites disponibles sont de 2 000
heures pour latelier A, 8 000 heures pour B et 4 000 heures pour C. Le
salaire horaire verse aux ouvriers est de 11,50 euros dans latelier A, de
13 euros dans B et de 12 euros dans C. Le cout des materiaux est e value
a` 10 euros pour lunite du modèle standard et a` 15 euros pour le modèle
de luxe. Lentreprise se propose de vendre le modèle standard a` 135 euros
lunite et le modèle de luxe a` 145 euros lunite. Le service marketing estime
quon ne peut esperer vendre plus de 2 500 unites du modèle standard ni
plus de 1 000 unites du modèle de luxe. On suppose que toutes les unites
produites jusquà ces niveaux trouvent acheteur.
Formuler le problème correspondant a` la maximisation du prot decoulant
du lancement de ce produit.
Partie I
Les decisions operationnelles
21
Chapitre 2
Ordonnancement en ateliers specialises
2.1 Introduction
Rappelons quon parle dateliers specialises lorsque lensemble des e quipements

necessaires pour assurer une fonction determinee sont rassembles dans un meme
atelier. Le problème de gestion quotidienne est de determiner lordre dexecution
dun certain nombre de taches, la realisation dune tache necessitant le passage sur
une ou plusieurs machines.
Par exemple, lemboutissage de plusieurs types de portières de voitures de-
mande le passage sur une meme presse, lordre de passage des differents types de
portières sur la presse netant pas determine a` lavance.
Parmi les modèles dordonnancement en ateliers specialises, on distingue
Les modèles statiques pour lesquels on recherche lordonnancement opti-

mal dun ensemble donne de taches sur une periode donnee : autrement dit,
au cours de la periode consideree, aucune nouvelle tache non prevue ne peut
e tre prise en compte dans lordonnancement;
Les modèles dynamiques dordonnancement qui se caracterisent par des

arrivees successives de taches, le plus souvent dans un univers aleatoire.
Dans ce chapitre, nous allons nous limiter aux modèles statiques et voir suc-
cessivement le problème dordonnancement sur 1 machine, sur 2 machines. Enn,
nous verrons la generalisation au problème sur m machines dont la resolution
demande le recours a` la programmation en nombres entiers.
23
24 Chapitre 2. Ordonnancement en ateliers specialises
2.2 Ordonnancement sur une machine
Illustrons le problème sur lexemple suivant tire de Giard [4]. On a cinq taches
a` effectuer sur la machine A. Le tableau 2.1 presente les differentes taches ainsi
que leurs temps operatoires. Il sagit de determiner lordre dans lequel on va
Tache (i) 1 2 3 4 5
Temps operatoire (ti ) 50 150 80 200 30
Tableau 2.1: Temps operatoires (en centièmes dheures).
effectuer ces differentes taches. Il est clair que, quel que soit lordre choisi, le
temps operatoire total est le meme : il sagit de la somme des temps operatoires.
Il faudra donc denir un autre critère de choix entre tous les ordonnancements
possibles. Un ordonnancement possible est illustre a` la table 2.2.
Ordre (j) 1 2 3 4 5
Tache programmee(i) 3 4 1 5 2
Temps dexecution (Tj ) 80 200 50 30 150
Tableau 2.2: Un ordonnancement possible.
2.2.1 Le diagramme de Gantt
Illustrons tout dabord une technique de visualisation dun ordonnancement, le

diagramme de Gantt. Celui-ci est construit a` la gure 2.1 pour lordonnancement
1 2 3 4 5 temps
(heures)
3 4 1 5 2 Z
machine A
0,8 2,8 3,3 3,6 5,1
Figure 2.1: Diagramme de Gantt.
du tableau 2.2. Le diagramme de Gantt permet de visualiser a` la fois :
lutilisation des moyens productifs;
lavancement de lexecution des taches.

Section 2.2. Ordonnancement sur une machine 25
En effet, une ligne horizontale illustre levolution du temps. Ensuite, pour chaque
moyen productif (ici, il y a seulement la machine A), on trace une ligne horizon-
tale en dessous de la ligne du temps. Chaque tache a` effectuer sur la machine
est representee par un segment dont la longueur est proportionnelle a` la duree
dexecution de la tache. On indiquera le numero de la tache au dessus du segment
tandis quune machine au repos est indiquee par un Z.
Si lon veille a` aligner verticalement lorigine du temps pour chaque machine,
une ligne verticale indique donc a` tout moment a` quelle tache est occupee chacune
des machines. Un tableau mural peut e tre ainsi dun grand recours pour les agents
de matrise responsable de laffectation des moyens humains et materiels.
2.2.2 La règle T.O.M.
Comme nous lavons indique plus haut, tous les ordonnancements possibles con-
duisent au meme temps total dexecution des taches. Dans lexemple, lexecution
des 5 taches necessite 510 centièmes dheure. La question qui se pose est alors :
comment choisir parmi les n! ordonnancements possibles ?
Notons Aj le temps dachèvement de la tache programmee en position j. Le
temps dachèvement dune tache est la somme des temps dexecution de la tache
avec ceux des taches precedentes. Par exemple,
A4 = T1 + T2 + T3 + T4
Le calcul des differents temps dachèvement des taches est repris au tableau 2.3.
Ordre (j) 1 2 3 4 5
Tj 80 200 50 30 150
Aj 80 280 330 360 510
Tableau 2.3: Temps dachèvement des taches.
Le temps dachèvement moyen vaut alors :

80 + 280 + 330 + 360 + 510
A = = 312
5
En general :
1 n
1
A = Aj = [T1 + (T1 + T2 ) + (T1 + T2 + T3 )
5 j=1 5
+(T1 + T2 + T3 + T4 ) + (T1 + T2 + T3 + T4 + T5 )]
1
= (5T1 + 4T2 + 3T3 + 2T4 + T5 )
5
Il sagit donc dune somme ponderee des temps operatoires, chaque temps opera-
toire e tant pondere par un facteur dautant plus grand quil se trouve execute plus
tot dans lordonnancement. La règle dordonnancement qui minimise le temps da-
chèvement moyen est celle du temps operatoire minimum : il sagit dexecuter
les taches par ordre croissant de duree :
T1 T2 . . . Tj . . . Tn
Lapplication de cette règle donne lordonnancement illustre au tableau 2.4. Cette
application donne le temps dachèvement moyen minimum :
A = 218.
Ordre (j) 1 2 3 4 5
Taches (i) 5 1 3 2 4
Tj 30 50 80 150 200
Aj 30 80 160 310 510
Tableau 2.4: Application de la règle TOM.
On peut montrer que la règle T.O.M. revient a` minimiser le retard moyen, le

retard dune tache e tant la difference entre le moment où la tache est terminee et
celui où elle aurait e te terminee si lon lavait commence en premier lieu.
2.3 Ordonnancement avec deux centres de production
Chaque tache necessite pour son execution le passage sur deux machines : les
machines A et B. Soient tiA et tiB , les temps dexecution de la tache i sur les
machines A et B respectivement. On va utiliser comme critère dordonnancement
la minimisation du temps total dexecution des taches sur les deux machines. On
va distinguer deux cas :
le cas où toutes les taches sont a` executer sur A puis B;

le cas où toutes les taches nont pas le meme ordre de passage sur les deux
machines.
2.3.1 Cas ou` toutes les taches sont a` executer sur A puis B
Supposons donc que cinq taches soient a` executer sur les machines A puis B. Les
temps operatoires (en centièmes dheure) sont repris au tableau 2.5.
Section 2.3. Ordonnancement avec deux centres de production 27
Taches (i) 1 2 3 4 5
tiA 50 150 80 200 30
tiB 60 50 150 70 200
Tableau 2.5: Ordonnancement sur deux machines.

5 1 3 4 2 Z
machine A
Z 5 1 3 4 2
machine B
0,3 0,8 1,6 2,3 2,9 3,6 4,4 5,1 5,6

1 2 3 4 5 temps
(heures)
Figure 2.2: Diagramme de Gantt.
Lordonnancement optimal est illustre a` la gure 2.2. Remarquez que durant

lexecution de la première tache sur A, la machine B dort. On a donc interet a`
mettre en tete la tache de temps tiA le plus faible. De facon similaire, lors de
lexecution de la dernière tache sur la machine B, la machine A dort. On a donc
interet a` mettre en n la tache de duree dexecution tiB minimum.
En se basant sur ces deux observations, lalgorithme Johnson (1954) calcule
lordonnancement minimisant le temps total dexecution des taches :
1. Rechercher la tache i de temps dexecution tim minimum.

2. Si m = A, placer cette tache a` la première place disponible;
Si m = B, placer cette tache a` la dernière place disponible.
3. Supprimer la tache i des taches encore a` programmer, retour en 1.
Appliquons ceci a` lexemple. Dabord, la tache 5 (t5A = 30) est mise en

première position. Puis, la tache 1 (t1A = 50) est mise en deuxième position. Puis
la tache 2 (t2B = 50) est mise en dernière position. Puis la tache 4 (t2B = 70)
est mise en avant dernière position. Enn, la tache 3 est mise a` la dernière place
disponible.
5 1 3 4 2
On obtient le graphique de Gantt de la gure 2.2 où le passage dune tache dune
machine a` lautre est visualise a` laide dune èche verticale.
2.3.2 Cas de taches ne seffectuant pas dans le meme ordre
Dans ce cas plus general, certaines taches ne necessitent que le passage sur une
machine, dautres sur les deux dans un ordre ou lautre. Les donnees numeriques
sont reprises au tableau 2.6.
Taches a` effectuer sur A puis B

Taches (i) 1 2 3 4 5 6
tiA 50 80 10 50 30 70
tiB 30 60 30 0 0 0
Taches a` effectuer sur B puis A
Taches (i) 7 8 9 10 11
tiB 90 20 10 40 10
tiA 70 30 100 0 0
Tableau 2.6: Illustration de lalgorithme de Jackson.
Lordonnancement qui minimise le temps total dexecution des taches sur

les deux machines est obtenu par lalgorithme de Jackson (1957) qui est une
generalisation de lalgorithme de Johnson. Il consiste tout simplement a` :
1. Faire une partition de lensemble des n taches en

lensemble A des taches ne passant que sur A : A = {4, 5, 6};
lensemble B des taches ne passant que sur B : B = {10, 11};
lensemble AB des taches passant sur A puis B : AB = {1, 2, 3};
lensemble BA des taches passant sur B puis A : BA = {7, 8, 9}.
2. Calculer un ordonnancement pour chaque sous-ensemble :
lordonnancement optimal pour AB par Johnson : 3, 2, 1;
lordonnancement optimal pour BA par Johnson : 9, 8, 7;
un ordonnancement arbitraire pour A (par exemple, TOM) : 5, 4, 6;
un ordonnancement arbitraire pour B (par exemple, TOM) : 11, 10.
3. Remarquons que lon a interet a` debuter le plus vite possible sur A les taches
qui doivent ensuite aller sur B et a` mettre en dernière place sur A celles qui
doivent dabord aller sur B. Ceci conduit a` combiner ces ordonnancement
de la manière suivante :
Section 2.4. Ordonnancement sur trois machines 29
Pour la machine A : la sequence optimale pour le sous-ensemble AB,

puis les taches de A, puis la sequence optimale du sous-ensemble BA :
3, 2, 1, 5, 4, 6, 9, 8, 7.
Pour la machine B : la sequence optimale pour le sous-ensemble BA,

puis les taches de B, puis la sequence optimale du sous-ensemble AB :
9, 8, 7, 11, 10, 3, 2, 1.
On obtient le diagramme de Gantt de la gure 2.3.
3 2 1 5 4 6 9 8 7
machine A
10 90 140 170 220 290 390 420 490
98 7 11 10 3 2 1 Z
machine B
10 30 120 130 170 200 260 290
Figure 2.3: Algorithme de Jackson.
2.4 Ordonnancement sur trois machines
Lalgorithme de Johnson ne sapplique quen presence de deux machines. Cepen-

dant, le cas de trois machines peut se ramener au cas de deux machines si la machine
B est complètement dominee par la machine A ou par la machine C, cest-à-dire
si lon se trouve dans le cas où
minimum tiA maximum tiB ,
soit dans le cas où

minimum tiC maximum tiB .
Illustrons ceci sur lexemple du tableau 2.7. où lon constate que :
minimum tiA = 12 = maximum tiB .
On est donc bien dans les conditions dapplication e noncees ci-dessus. Remarquez
quil suft quune des deux conditions soit veriee. Ainsi dans lexemple, la
seconde condition nest pas veriee et lalgorithme sapplique bien.
taches 1 2 3 4 5 6 7
Assemblage 20 12 19 16 14 12 17
Inspection 4 1 9 12 5 7 8
Expedition 7 11 4 18 18 3 6
Tableau 2.7: Temps operatoires avec trois machines.
Lorsque lon se trouve dans un des deux cas, on reformule alors le problème en
un problème a` deux machines, la première groupant les machines A et B (tiAB =
tiA + tiB ) et la seconde groupant les machines B et C (tiBC = tiB + tiC ).
taches 1 2 3 4 5 6 7
Assemblage + Inspection 24 13 28 28 19 19 25
Inspection + Expedition 11 12 13 30 23 10 14
On applique alors lalgorithme de Johnson a` ce problème a` deux machines pour

determiner lordonnancement optimal.
Place 1 2 3 4 5 6 7
tache 5 4 7 3 2 1 6
On peut alors tracer le diagramme de Gantt correspondant au problème original,

cest-à-dire celui avec trois machines (voir gure 2.4).
5 4 7 3 2 1 6 Z
Assemblage
Z 5 Z 4 Z 7 Z 3 2 Z 1Z 6 Z
Inspection
Z 5 Z 4 7 Z 3 2 Z 1 Z 6
Expdition
14 19 30 37 42 47 55 60 66 75 78 79 90 98 102 109 110 117 120
Figure 2.4: Ordonnancements avec 3 machines.
Dans le cas où la machine centrale nest pas dominee par la première où la
troisième machine, le problème peut e tre modelise comme un problème en nombres
entiers et resolu par une technique de programmation en nombres entiers telle que
la methode de branch and bound.
Section 2.5. Ordonnancement de n taches sur m centres de production 31
2.5 Ordonnancement de n taches sur m centres de production
Comme lindique Giard [4], le problème combinatoire pose est formidable : il y

a en effet (n!)m ordonnancements possibles. Le problème general a e te formalise
en termes de programmation dynamique et en termes de programme lineaire en
nombres entiers. La formulation permet dintegrer des contraintes supplementaires
comme la date de livraison, une capacite de production, . . . etc.
Lorsque lordre de passage des taches est identique et que le nombre de centres
de production ne depasse pas quelques dizaines, une solution souvent proche de
la solution optimale peut e tre trouvee en utilisant lalgorithme de Johnson sur des
groupements de centres de production successifs exactement a` la manière de ce que
nous avons fait a` la section precedente pour le cas de trois centres de production
dont celui du milieu est domine.
Attention que, au contraire des cas precedents il ne sagit pas dun algorithme
donnant une solution optimale mais bien dune methode heuristique donnant une
solution approchee.
Prenons le cas de 5 centres de productions notes A, B, C, D et E. Il faut resoudre
les 4 problèmes suivants par lalgorithme de Johnson (des parenthèses signient
que lon somme les temps des centres) :
avec la première et la dernière machine :
{A} {E}
avec les deux premières et les deux dernières machines :
{AB} {DE}
avec les trois premières et les trois dernières machines :
{A, B, C} {C, D, E}
avec les quatre premières et les quatre dernières machines :
{A, B, C, D} {B, C, D, E}
On prend alors le meilleur des temps totaux dexecution des taches ainsi trouves.
Illustrons ceci sur un exemple a` 4 centres de production. Le tableau 2.8 reprend
les donnees du problème.
taches tiA tiB tiC tiD

1 50 43 15 4
2 89 99 95 77
3 7 47 20 98
4 8 64 12 94
5 61 19 65 14
6 1 80 66 78
Tableau 2.8: Temps operatoires avec quatre machines.
Le premier problème ctif consiste a` ne considerer que les machines A et D.

Il conduit a` lordonnancement suivant par la methode de Johnson :
1 2 3 4 5 6
6 3 4 2 5 1
qui conduit a` un temps de 51,2 heures.

Le deuxième problème ctif consiste a` considerer les machines A+B et C+D
comme illustre au tableau 2.9 . Il conduit a` lordonnancement suivant par la
taches tiA + tiB tiC + tiD

1 50 + 43 =93 15 + 4 = 19
2 89 + 99 = 188 95 + 77= 172
3 7 + 47 = 54 20 + 98 = 118
4 8 + 64 = 72 12 + 94 = 106
5 61 + 19 = 80 65 + 14 = 79
6 1 + 80 = 81 66 + 78 = 144
Tableau 2.9: Deuxième problème ctif.
methode de Johnson :
1 2 3 4 5 6
3 4 6 2 5 1
qui conduit a` un temps de 48,7 heures. Le troisième et dernier problème ctif
consiste a` considerer A+B+C et B+C+D. Il donne la meme solution que le problème
ctif 2. On a donc trouve une solution de temps e gal a` 48,7 heures alors que la
solution optimale (qui peut e tre calculee en faisant une e numeration explicite de
tous les ordonnancement possibles) conduit a` un temps de 48,5 heures.
2.6 Exercices
2.1. Batiments - travaux publics. Une entreprise de Batiments et Travaux

Publics est specialisee dans la realisation douvrages dart en beton arme.
Pour effectuer ses travaux, elle dispose de deux corps de metier, les coffreurs
et les macons. Cette entreprise doit faire les devis pour six realisations. Une
première analyse des travaux permet de determiner les temps suivants :
Fabrication No 25 Fabrication No 26 Fabrication No 27

Coffrage 2 jours Coffrage 1 jour Coffrage 5 jours
Beton 4 jours Beton 3 jours Beton 7 jours
Fabrication No 28 Fabrication No 29 Fabrication No 30

Coffrage 10 jours Coffrage 5 jours Coffrage 3 jours
Beton 8 jours Beton 2 jours Beton 6 jours
(a) Cherchant a` optimiser lemploi de tous les corps de metier, vous devez
proposer a` cette societe lordre de prise en compte des travaux.
(b) Avec cet ordre, est le nombre de jours e conomises par rapport a` une
prise en compte des fabrications dans lordre de leur arrivee ?
(c) Si on doit tenir compte dun temps inter-operatoire xe de deux jours
entre la n du coffrage et le debut du beton (1 jour imputable au coffrage
et lautre au beton), que devient lordre que vous avez propose ?
2.2. Usinage de pièces sur des machines. On veut organiser la production de

deux lots de pièces Pa et Pb qui doivent e tre usinees sur la machine M1 puis
sur la machine M2 . Avant dusiner chaque lot, il faut proceder au reglage de
chaque machine. Les durees des taches de reglage et dusinage de chacun
des lots sur les deux machines sont donnees au tableau ci-dessous en heures.
Machine Reglage A Usinage A Reglage B Usinage B
M1 1 2 2 2
M2 1 3 6 1
On veut minimiser le temps total dexecution des pièces.
(a) Expliquez pourquoi lalgorithme de Johnson ne sapplique pas.

(b) Faites une e numeration de tous les ordonnancements possibles.
(c) Tracez le diagramme de Gantt dans chacun des cas.
2.3. Gestion du temps pour la composition dun travail de groupe. Deux

e tudiants ingenieurs disposent de 10 jours pour realiser un travail de groupe.
Ce travail se compose de 4 taches independantes entre elles (lordre na
pas importance). Chacune de ces taches peut e tre divisee en une phase
danalyse, realisee par le premier e tudiant, et une phase de calculs, realisee
par le second. Lanalyse doit preceder les calculs. Les temps necessaires
(en jours) a` la realisation des taches sont donnes au tableau ci dessous.
Tache Phase danalyse (etudiant 1) Phase de calculs (etudiant 2)
A 2 2
B 0,8 1,5
C 1,5 0,5
D 2 1
(a) Quel est lordonnancement des taches qui minimise le temps de reali-
sation du travail ?
(b) Les deux ingenieurs aimeraient ajouter en annexe 3 autres parties :
E, F et G. Les deux premières (E et F) ne necessitent pas danalyse
prealable tandis que la dernière (G) comporte seulement une phase
danalyse. Les temps sont donnes au tableau ci-dessous.
Tache Analyse (etudiant 1) Calculs (etudiant 2)
E - 2
F - 1,5
G 1,5 -
La realisation des ces annexes ne necessite pas que les taches princi-
pales (A, B, C et D) soient nies. Avec ces donnees supplementaires,
determinez, pour chacun des ingenieurs, lordre dexecution des 7
taches qui minimise le temps total de realisation du travail.
(c) Illustrez a` laide dun diagramme de Gantt.
(d) Pourront-ils rendre le travail a` temps ?
2.4. Ordonnancement avec 3 ateliers. Cinq taches doivent passer par les ateliers
de montage, nition et expedition. Les temps operatoires sont les suivants.
Taches 1 2 3 4 5
Montage 7 2 4 3 5
Finition 1 1 2 2 1
Expedition 5 2 4 6 5
Determinez lordonnancement qui minimise le temps de realisation des
taches et calculez le temps total pour effectuer ces taches.
Chapitre 3
La gestion calendaire de stock
3.1 Introduction
Comme le souligne Giard [4], une production sans stock est quasi inconcevable
vu les nombreuses fonctions que remplissent les stocks. En effet, la constitution
de stocks est necessaire sil y a :
1. non concidence dans le temps et lespace de la production et de la

consommation : le stock est indispensable dans ce cas car il est impossible
de produire là et quand la demande se manifeste. Les exemples classiques
sont les jouets et la conserie pour la non concidence dans le temps, et les
supermarches pour la non concidence dans lespace.
2. incertitude sur le niveau de demande ou sur le prix : sil y a incertitude
sur la quantite demandee, on va constituer un stock de securite qui permet
de faire face a` une pointe de demande. Sil y a incertitude sur le prix, on va
constituer un stock de speculation. Par exemple, les compagnies petrolières
achètent plus que necessaire en petrole brut lorsque le prix de celui-ci est
relativement bas.
3. risque de problèmes en chane : il sagit ici deviter quune panne a` un poste
ne se repercute sur toute la chane : un retard dexecution au poste precedent
ou une grève des transports narretera pas immediatement lensemble du
processus de production sil y a des stocks tampons.
4. presence de couts
de lancement : dans ce cas, travailler par lots permet une
e conomie dechelle sur les couts de lancement mais, en revanche, provoque
une augmentation des couts de possession du stock.
La gestion des stocks pose cependant de multiples problèmes : tenue dinven-

taires, valorisation du stock, denition des capacites de stockage et enn, disponi-
bilite satisfaisante du stock. Nous allons nous concentrer sur ce dernier aspect.
35
36 Chapitre 3. La gestion calendaire de stock
3.2 Les politiques de gestion de stock
Les politiques de gestion de stock visent a` repondre aux deux grandes questions :
1. Quand declencher lapprovisionnement du stock? La reponse a` cette ques-

tion est differente suivant la politique de gestion adoptee :
En gestion de stock par point de commande, lapprovisionnement du

stock est declenche lorsque lon observe que le stock descend en des-
sous dun niveau s, le point de commande.
En gestion calendaire, lapprovisionnement du stock est declenche a`
intervalles reguliers T , par exemple, chaque jour ou chaque semaine.
En gestion calendaire conditionnelle, lapprovisionnement du stock
est declenche a` intervalles reguliers T , mais uniquement lorsque lon
observe que le stock descend en dessous dun niveau s, le point de
commande.
2. Combien commander ? La reponse a` la question Combien ? depend

e galement du type de gestion de stock appliquee :
En cas de gestion par point de commande, on commande une quantite

xe, notee q et appelee quantite e conomique de commande. Comme
nous le verrons au chapitre 4, sa determination resulte dun calcul
doptimisation.
En cas de gestion calendaire de stock, la quantite commandee est e gale
a` la difference entre S, le niveau de recomplètement du stock et le stock
residuel observe R, pour autant que le produit puisse rester en stock
(cas de produits non perissables). Cette quantite peut e galement e tre
augmentee de la valeur des quantites non satisfaites lors de la periode
precedente, pour autant que le client maintienne sa demande.
Nous allons nous attacher a` deux politiques particulières :
La politique de gestion calendaire des stocks, notee (T, S) avec T linter-

valle entre deux commandes et S, le niveau de recomplètement du stock.
La politique de gestion par point de commande, quantite e conomique

de commande, notee (q, s) avec q, la quantite e conomique a` commander
regulièrement et s, le point de commande qui declenche lapprovisionnement
du stock.
Section 3.3. Les co
uts associes aux stocks 37
3.3 Les couts

associes aux stocks
Un stock est constitue pour satisfaire une demande future. En cas de demande
aleatoire, il peut y avoir non concidence entre la demande et le stock. Deux cas
sont e videmment possibles :
une demande superieure au stock : on parle alors de rupture de stock;
une demande inferieure au stock : on aura alors un stock residuel.
Le critère de gestion generalement retenu en gestion des stocks est celui de

la minimisation des couts. Nous noterons cette fonction par la lettre C, suivie,
entre parenthèses, de la ou des variables de commande du système. Par exemple,
si la variable de commande est la quantite commandee, nous noterons lobjectif
C(q). Ces variables de commandes determinent en general trois variables detat
du système :
Ir , la rupture moyenne, cest-à-dire le nombre moyen de demandes non satis-

faites au cours dune periode, auquel est associe cr , le cout unitaire de
rupture;
Ip , le stock moyen possede au cours dune periode, auquel est associe cp , le cout
unitaire de possession;
Ic , le nombre moyen de commandes passees au cours dune periode, auquel est

associe cc , le cout unitaire de commande.
La fonction de cout secrit donc en general comme une fonction de ces trois
variables detat :
C = cr Ir + cp Ip + cc Ic .
Nous allons examiner un peu plus en details chacun des trois couts partiels.
3.3.1 Les couts

de possession
Les couts
de possession comprennent :
1. les couts de detention dun article en stock durant une certaine periode en
fonction des conditions nancières dacquisition et des e ventuelles condi-
tions de reprise.
2. les couts de stockage qui sont les depenses de logistique, de conservation du

stock.
Comme signale plus haut, en presence dune demande aleatoire, il peut y avoir
non concidence du stock et de la demande, et donc une rupture ou un stock
residuel. Les consequences de ce stock residuel seront bien differentes selon que
lon se trouve dans
le cas du stock a` rotation nulle, cest-à-dire lorsque le stock residuel est

sans utilite pour lentreprise. Ceci se presente notamment :
en cas dobsolescence technique ou commerciale : par exemple, les
vetements de mode, . . .
en cas où la consommation a un delai maximum : par exemple, les
primeurs, les journaux, . . .
Dans ce cas, le cout
de possession dun article se calcule comme le cout
dacquisition de larticle moins la valeur de recuperation (solde).
Prenons un exemple. Un quotidien achete 0,9 euro par le libraire et dont
linvendu est repris 0,75 euro par le grossiste : le cout de possession est de
cp = 0, 9 0, 75 = 0, 15 euro.
le cas du stock a` rotation non nulle, cest-à-dire lorsque linvendu peut e tre
vendu a` une periode ulterieure. Cest lexemple des botes de conserves en
e picerie non vendues une periode qui le seront aux periodes suivantes.
Dans ce cas, le cout de possession lie a` limmobilisation du capital. En
gelant la somme dargent correspondant au cout dachat de larticle invendu,
la societe se prive du revenu dun placement nancier quelle aurait pu
realiser. Ce cout est appele cout dopportunite. Le taux dopportunite est
la rentabilite du meilleur investissement que lentreprise aurait pu faire.
Prenons un exemple. Si le taux dopportunite est de 6 % lan, une bote de
conserves achetee 1,20 euro et restant en rayon un mois entier a coute
cp = 1, 20 6% 1/12 = 0, 006 euro.
Lautre partie du cout de possession concerne les couts

de stockage. Ces couts
de stockage, comprennent, en general des frais xes, tels que le cout de location
dentrepots, ainsi que des frais variables, tels que le cout de manutention. Le
cout
unitaire de stockage que lon doit prendre en consideration dans la fonction
objectif est le cout moyen de lensemble de ces frais. Malheureusement, ce ce cout
moyen depend du volume dactivite et ne peut donc pas e tre considere comme une
constante. Cette difculte fait que souvent on ninclut pas de cout de stockage
dans le cout de possession et le cout de possession se reduit donc au seul cout
dimmobilisation du capital.
Section 3.3. Les co
uts associes aux stocks 39
3.3.2 Les couts

de rupture
La rupture se presente lorsque la demande excède le stock constitue au cours de la

periode. Les consequences de cette rupture sont differentes selon que la demande
est interne ou externe.
En cas de demande externe, la demande non satisfaite peut e tre perdue (on
parle de ventes manquees) ou reportee (on parle de ventes differees) :
dans le cas de ventes manquees, le cout de rupture est le manque a` gagner

de la non fourniture dune unite, generalement la marge beneciaire.
Prenons un exemple. Un journal achete 0,90 euro par le libraire et revendu
1,20 euro a un cout de rupture de
cr = 1, 20 0, 90 = 0, 30 euro.
En cas de ventes differes, le cout

de rupture ninclut pas la marge car la
vente sera realisee plus tard. Ce cout de rupture est le cout administratif
douverture dun dossier et e ventuellement un cout commercial (on fait une
ristourne pour ne pas perdre le client).
Prenons un exemple. Un garagiste qui na plus en stock le vehicule desire
par son client va lui proposer une voiture de location gratuite durant le delai
dattente pour ne pas perdre le client. Le cout de rupture correspond ici a` la
prise en charge de la location de la voiture par le garage.
En cas de demande interne, on ne parle plus de stock de distribution mais bien

de stock de fabrication. Dans ce cas, la rupture entrane un chomage technique
des postes en aval. Le cout
de rupture correspond au cout nancier du chomage
technique (voir a` ce propos, lexercice 3.1).
3.3.3 Les couts

de commande
A nouveau, il faut ici distinguer le cas dune demande interne et celui dune
demande externe :
En cas de stock de fabrication, le cout de commande est le cout de lancement

de la production. Il sagit du reglage des machines, etc . . . Normalement,
ce cout est independant de la quantite fabriquee.
En cas de stock dapprovisionnement, le cout de commande est le cout
administratif de gestion de la commande : e tablissement dun bordereau,
controle de livraison, liquidation comptable,. . . . Normalement, ce cout est
e galement independant de la quantite commandee.
3.4 Gestion calendaire de stock a` rotation nulle
Pour rappel, on se trouve dans le cas dun stock a` rotation nulle lorsquil ny a
pas de report possible des invendus aux periodes suivantes.
On va ici determiner le niveau initial du stock S, qui est donc ici la variable
de commande. En effet, la periode de revision calendaire, cest-à-dire lintervalle
entre deux approvisionnements, note T est generalement xe par la nature de
lapprovisionnement. Par exemple, un patissier met en fabrication des gateaux
chaque jour. Le libraire commande des journaux chaque jour, des periodiques
chaque semaine ou chaque mois.
Nous allons illustrer les choses sur lexemple du patissier tire de Giard [4]
qui est un exemple où la demande suit une loi de probabilite discrète. Supposons
un cout de fabrication de 25 euro lunite et un prix de vente de 60 euro lunite.
Supposons que la demande quotidienne de ce gateau soit de 2,5 en moyenne et
supposons que la demande, que nous noterons X, suive une loi de Poisson. Le
x 0 1 2 3 4
P (X = x) 0, 0821 0, 2052 0, 2565 0, 2138 0, 1336
x 5 6 7 8 9
P (X = x) 0, 0668 0, 0278 0, 0099 0, 0031 0, 0009
Tableau 3.1: Distribution de la loi de Poisson.

tableau 3.1 reprend la distribution de probabilite du nombre X de clients par jour
pour ce produit. Dans ce tableau, x indique une valeur possible de la demande et
P (X = x) indique la probabilite doccurrence de cette valeur. Ainsi on a 8,21 %
de chance dobserver aucun client un jour donne. Les invendus sont donnes.
La question que se pose le patissier est la suivante : combien mettre de gateaux
en fabrication chaque jour pour maximiser son benece ?
Le cout de possession, cp , lie a` linvendu en n de journee est 25 euro, cest-
a` -dire le cout de production. Tandis que le cout de rupture, cr , lie a` une vente
manquee est e gal a` la marge, cest-à-dire :
cr = 60 25 = 35 euros.
On doit determiner S, le stock initial, de manière a` minimiser :
C(S) = cp Ip (S) + cr Ir (S) = 25Ip (S) + 35Ir (S).
avec Ip (S), le stock moyen residuel en n de journee et Ir (S), nombre moyen de
ruptures sur la journee.
Section 3.4. Gestion calendaire de stock a` rotation nulle 41
Avant de voir comment determiner, en general, le stock initial S qui mi-

nimise le cout moyen C(S), voyons sur lexemple comment on peut calculer
numeriquement ce minimum.
Nous allons dabord calculer Ir (S), le nombre moyen de ruptures. Au tableau
3.2, on calcule explicitement le nombre de ruptures en fonction du stock initial
(S) et de la demande observee (x) : bien e videmment, ce nombre de ruptures
est la partie positive de (x S). Pour calculer le nombre moyen de ruptures, il
suft, pour chaque valeur de S de faire la moyenne ponderee de ce nombre par la
probabilite dobserver x. Ceci est fait en dernière ligne du tableau 3.2.
Calcul du nombre de ruptures : (x S)+

x P (X = x) S = 1 S = 2 S = 3 S = 4 S = 5 S = 6
0 0, 0821 0 0 0 0 0 0
1 0, 2052 0 0 0 0 0 0
2 0, 2565 1 0 0 0 0 0
3 0, 2138 2 1 0 0 0 0
4 0, 1336 3 2 1 0 0 0
5 0, 0668 4 3 2 1 0 0
6 0, 0278 5 4 3 2 1 0
7 0, 0099 6 5 4 3 2 1
8 0, 0031 7 6 5 4 3 2
9 0, 0009 8 7 6 5 4 3
Ir (S) 1, 579 0, 867 0, 411 0, 169 0, 061 0, 019
Tableau 3.2: Calcul du nombre moyen de ruptures.
Nous allons ensuite calculer Ip (S), le stock moyen possede. Au tableau 3.3,
on calcule explicitement le stock possede en fonction du stock initial (S) et de
la demande observee (x) : bien e videmment, ce stock nal possede est la partie
positive de (S x). Pour calculer le stock moyen possede, il suft, pour chaque
valeur de S de faire la moyenne ponderee de ce nombre par la probabilite dobserver
x. Ceci est fait en dernière ligne du tableau 3.3.
Enn, nous calculons le cout moyen de possession du stock en appliquant la
formule suivante :
C(S) = 35Ir (S) + 25Ip (S)
Ceci est fait au tableau 3.4. On constate (voir gure 3.1) que le cout minimum est
obtenu pour
S = 3.
Calcul du stock residuel : (S x)+

x P (X = x) S = 1 S = 2 S = 3 S = 4 S = 5 S = 6
0 0, 0821 1 2 3 4 5 6
1 0, 2052 0 1 2 3 4 5
2 0, 2565 0 0 1 2 3 4
3 0, 2138 0 0 0 1 2 3
4 0, 1336 0 0 0 0 1 2
5 0, 0668 0 0 0 0 0 1
6 0, 0278 0 0 0 0 0 0
7 0, 0099 0 0 0 0 0 0
8 0, 0031 0 0 0 0 0 0
9 0, 0009 0 0 0 0 0 0
Ip (S) 0, 0821 0, 3694 0, 9132 1, 6708 2, 562 3, 52
Tableau 3.3: Calcul du stock moyen possede.
Calcul du cout du stock

S 1 2 3 4 5 6
C(S) 57, 33 39, 58 37, 22 47, 69 66, 17 88, 66
Tableau 3.4: Calcul du cout moyen de possession du stock.
C(S)
100
80
60
40
20
0
0 1 2 S = 3 4 5 6 S

Figure 3.1: Evolution du cout moyen de possession du stock.
En cas de cout convexe (on peut verier que le cout est bien une fonction
convexe de S), le stock optimal S est celui pour lequel le cout de gestion C(S )
est inferieur a` celui des stocks immediatement inferieur ou superieur :

C(S ) C(S + 1)

C(S ) C(S 1)
ou encore

C(S + 1) C(S ) 0

(3.1)
C(S ) C(S 1) 0
Remarquez que les conditions (3.1) sont lequivalent pour une fonction continue
de dire que la derivee première doit e tre negative avant S et positive après S . On
va donc e tudier levolution de la difference de cout de stocks successifs :
C(S + 1) C(S).
Letude de C(S + 1) C(S) passe par celle de Ir (S + 1) Ir (S), car, comme

nous allons le voir, on peut exprimer cette variation de cout en fonction de la seule
variation de rupture moyenne. On va donc e tudier Ir (S + 1) Ir (S). Calculons,
par exemple, la rupture moyenne Ir (S = 4) associee au stock initial S = 4. On
doit donc calculer lesperance mathematique de X 4 pour des valeurs de X
superieures a` 4 :

Ir (S = 4) = (x 4)P (X = x)
x=5
Calculons, de meme, la rupture moyenne Ir (S = 5) associee au stock initial S = 5 :

Ir (S = 5) = (x 5)P (X = x)
x=6
En general :

Ir (S) = (x S)P (X = x)
x=S+1
Interessons nous maintenant a` la difference de ces ruptures moyennes pour deux
stocks initiaux consecutifs :

Ir (S = 4) Ir (S = 5) = (x 4)P (X = x) (x 5)P (X = x)
x=5 x=6

= (x 4)P (X = x) (x 5)P (X = x)
x=5 x=5

= 1 P (X = x)
x=5
= P (X > 4)
On en conclut que la diminution de rupture moyenne Ir (S) occasionnee par

une augmentation dune unite du stock a` partir de S est e gale a` la probabilite que
la demande soit strictement superieure ou e gale au stock initial S :
Ir (S + 1) Ir (S) = P (X > S) (3.2)
Il est facile de montrer que ceci est vrai quelle que soit la forme la distribution de
probabilite discrète.
Les tableaux de lannexe B donne le calcul de P (X > x) en fonction de , la
valeur du paramètre de la loi de Poisson.
Comme annonce plus haut, il est possible de ramener la fonction de cout comme
une fonction de la seule variable detat Ir (S). Pour cela, nous allons e tablir la
relation entre Ir (S) et Ip (S).
Le stock moyen sur lequel porte le cout de possession est le stock moyen
observe en n de periode qui correspond donc a` linvendu. On observera un stock
residuel si la demande observee x est inferieure a` S, le stock initial. Son niveau
moyen est calcule par lesperance mathematique suivante :

S1
S
Ip (S) = (S x)P (X = x) = (S x)P (X = x)
x=0 x=0

= (S x)P (X = x) (S x)P (X = x)
x=0 x=S+1

= S P (X = x) xP (X = x) + (x S)P (X = x)
x=0 x=0 x=S+1
+ Ir (S)
= SX
note la moyenne de la demande X. Doù la relation entre Ip et Ir :

où X
+ Ir (S)
Ip (S) = S X (3.3)
qui peut sinterpreter en disant que le stock moyen residuel Ip (S) est e gal au stock
de depart S diminue de la demande moyenne satisfaite (X Ir (S)).
La consequence de la relation (3.3) est que lon peut exprimer le cout total
C(S) en fonction du seul cout de rupture Ir :

+ Ir (S)
C(S) = cr Ir (S) + cp Ip (S) = cr Ir (S) + cp S X
Doù lexpression de C(S) :

+ (cr + cp )Ir (S)
C(S) = cp (S X) (3.4)
Revenons maintenant au problème de la determination de la solution opti-

male, cest-à-dire au stock initial S qui minimise :
+ (cr + cp )Ir (S)
C(S) = cp (S X)
On a donc que :
+ (cr + cp )Ir (S + 1)
C(S + 1) C(S) = cp (S + 1 X)
(cr + cp )Ir (S)
cp (S X)
= cp + (cr + cp )(Ir (S + 1) Ir (S))
Compte tenu de la relation (3.2) :
C(S + 1) C(S) = cp (cr + cp )P (X > S)
Les conditions doptimalite (3.1) deviennent ici :

cp (cp + cr )P (X > S ) 0

cp (cp + cr )P (X > S 1) 0
ou encore S optimal si :
cp
P (X > S ) P (X > S 1) (3.5)
cp + cr
Appliquons ceci au cas de lexemple :

cp 25
= = 0, 417
cp + cr 25 + 35
En consultant le tableau donnant P (X > S) (cfr Annexe B), on trouve :
P (X > 3) = 0, 2424 0, 417 P (X > 2) = 0, 4562
Doù
S = 3.
On en conclut quil est optimal de produire chaque matin 3 gateaux, soit la solution
dejà determinee numeriquement.
3.5 Cas dune loi de demande continue
Nous allons e galement illustrer ce cas sur un exemple e galement tire de Giard [4].
Considerons un marchand de journaux qui vent un quotidien a` 3,5 euro lunite, qui
lui-meme lacquière a` 2,8 euro auprès de son grossiste qui lui reprend les invendus
au prix de 2,6 euro lunite.
Le cout de rupture, cr , est lie a` linvendu et vaut donc la marge beneciaire :
cr = 3, 5 2, 8 = 0, 7 euro
tandis que le cout de possession, cp , vaut la perte enregistree par invendu, cest-à-
dire
cp = 2, 8 2, 6 = 0, 2 euro.
On suppose que la demande quotidienne suit approximativement une loi nor-

male de moyenne X = 300 et decart type = 20. La question qui se pose
est la suivante : quel est le nombre dexemplaires a` commander S de manière a`
minimiser le cout de gestion :
C(S) = cp Ip (S) + cr Ir (S)
Le cout de gestion secrit dans le cas dune loi continue de la manière suivante :
S
C(S) = cp (S x)f (x)dx + cr (x S)f (x)dx
x=0 x=S
La condition doptimalite secrit dans le cas dune loi continue :
C (S ) = 0
Comme dans le cas discret, on peut ramener ce cout a` une fonction du seul
nombre moyen de ruptures. En effet, la relation (3.3) entre Ir (S) et Ip (S) e tablie
dans le cas discret reste valable :
S
Ip (S) = (S x)f (x)dx
0
= (S x)f (x)dx (S x)f (x)dx
0 S

+
= SX (x S)f (x)dx
S
+ Ir (S)
= SX
On en deduit a` nouveau lexpression de C(S) en fonction du seul Ir (S) :

+ (cp + cr )Ir (S)
C(S) = cp (S X)
Section 3.5. Cas dune loi de demande continue 47
Il faut maintenant e tudier la derivee première de Ir (S). Par application de la

formule de Leibnitz (cfr Giard [4]), on demontre le resultat suivant :

dIr (S)
= f (x)dx = P (X > S), (3.6)
dS S
cest-à-dire exactement le meme resultat analytique que la relation (3.2) e tablie

dans le cas discret.
On peut maintenant passer a` la determination de la solution optimale. On
doit donc determiner le S qui minimise :
+ (cr + cp )Ir (S)
C(S) = cp (S X)
On calcule la derivee de C(S) en utilisant la relation (3.6) :
dC(S)
= cp (cr + cp )P (X > S)
dS
On annule la derivee. Doù lon tire :
cp
S optimal si P (X > S ) = (3.7)
cr + cp
Cet optimum est un minimum car la derivee seconde de C(S) est positive. En
effet, la derivee de P (X > S) par rapport a` S est clairement negative.
Appliquons ceci au cas de lexemple :
cp 0, 2
P (X > S ) = = = 0, 2222
cr + cp 0, 7 + 0, 2
Comme on ne dispose que de la table de la normale reduite, il faut reduire la
variable aleatoire X en lui retranchant sa moyenne et en la divisant par son e cart
type. On obtient :

X S 300
P > = 0, 2222
20
Par lecture dans la table de la normale reduite, on determine :
S 300
tS = = 0, 765
20
Doù nalement :
S = 315, 3 315.
Lapprovisionnement periodique optimal est donc de S = 315.
Avant de passer au cas de stocks a` rotation non nulle, examinons quelques
indicateurs que lon peut deduire de la solution optimale.
3.6 Les consequences e conomiques de la solution optimale
La rupture de stock
Dans le cas (discret) de la production de gateau, le calcul de Ir (s) seffectue comme

suit :

Ir (S) = (x S)P (X = x)
x>S

= xP (X = x) S P (X = x)
x>S x>S
Doù nalement :

Ir (S) = xP (X = x) SP (x > S)
x>S
Le premier terme correspond a` un calcul tronque de la moyenne. Pour la distribu-

tion de Poisson de paramètre , on montre que :

xP (X = x) = P (X > S 1)
x>S
Doù lon tire nalement :
Ir (S) = P (X > S 1) SP (X > S) (3.8)
Ce qui nous donne dans le cas de lexemple :
Ir (S = 3) = 2, 5P (X > 2) 3P (X > 3)
= 2, 5 0, 4562 3 0, 2424
= 0, 4133.
Dans le cas de la vente de journaux (loi de demande continue), le calcul de Ir (S)

seffectue par lintegrale suivante :

Ir (S) = (x S)f (x)dx
S
= xf (x)dx S f (x)dx
S S
Doù lon tire

Ir (S) = xf (x)dx SP (x > S)
S
Section 3.6. Les consequences economiques de la solution optimale 49
Le premier terme correspond a` nouveau a` un calcul tronque de la moyenne. On

peut montrer que si X suit une distribution normale N (, ), on obtient la formule
suivante :
Ir (S) = [f (tS ) tS P (t > tS )] = g(tS )
avec :
etS /2
2
SX
tS = et f (tS ) =
2
Appliquons ceci aux donnees numeriques de lexemple pour lequel
315 300
ts = = 0, 75.
20
La table B.3 donne directement :
g(tS = 0, 75) = 0, 1312
Lapplication de la formule donne donc :
Ir (S) = 20 0, 1312 = 2, 624.
Le stock moyen possede
Le stock moyen possede, Ip (S), correspond dans le cas de stock a` rotation nulle
au stock residuel moyen. Cet indicateur sobtient a` partir de la rupture moyenne
aussi bien dans le cas discret que dans le cas continu par la relation (3.3) rappelee
ci-dessous :
Ip (S) = S X + Ir (S)
Pour le patissier, on aura donc :
Ip (S = 3) = (3 2, 5) + 0, 413 = 0, 9133 gateaux.
Pour le marchand de journaux, on aura :
Ip (S = 315) = (315 300) + 2, 624 = 17, 624 journaux.
Remarquez que, dans les deux cas, le stock residuel se calcule comme le stock
initial diminue de la demande satisfaite. :

Ir (S) .
Ip (S) = S X
Le cout
moyen
Le cout moyen C(S) peut e tre calcule par la relation suivante :

C(S) = cr Ir (S) + cp Ip (S)
Pour lexemple du patissier, on obtient :
C(S) = 35 0, 4133 + 25 0, 9133 = 14, 46 + 22, 83 = 37, 30 euros.
Pour lexemple du marchand de journaux, on obtient :
C(S) = 0, 7 2, 624 + 0, 2 17, 624 = 5, 36 euros.
La marge nette moyenne
La marge nette moyenne, notee B(S), est e gale au produit de la marge unitaire,
mu , par la demande moyenne, diminue du cout de stockage :
C(S)
B(S) = mu X (3.9)
Donnons quelques explications sur cette formule. Deux cas sont possibles quant
aux ventes manquees (aux ruptures de ventes) :
Soit les ventes manquees sont perdues, et dans ce cas, le cout de rupture est
la marge beneciaire. La formule (3.9) devient dans ce cas :
B(S) = cr X cr Ir (S) cp Ip (S)
= cr (X Ir (S)) cp Ip (S)
Le benece net est donc la marge beneciaire sur les ventes realisees moins
le cout des invendus.
Soit les ventes manquees sont differees, et dans ce cas, la marge beneciaire
sera realisee sur lensemble de la demande exprimee X, ce qui justie di-
rectement la formule (3.9) .
Lapplication de cette relation a` lexemple numerique du patissier donne :

C(S) = 35 2, 5 37, 30 = 50, 20 euros.
B(S) = mu X
tandis que pour le marchand de journaux, elle donne :
C(S) = 0, 7 300 5, 36 = 204, 64 euros.
B(S) = mu X
Nous allons maintenant passer au cas de stock a` rotation non nulle.

Section 3.7. Cas de stocks a` rotation non nulle 51
3.7 Cas de stocks a` rotation non nulle
Pour rappel, on parle de stocks a` rotation non nulle lorsque les invendus dune
periode seront vendus aux periodes suivantes. Cest de loin le cas le plus repandu.
La variable de commande du système est ici S, le niveau de recomplètement,
cest-à-dire le niveau du stock que lon cherche a` retrouver periodiquement. Re-
marquons une difference fondamentale avec le cas de stocks a` rotation nulle. En
effet, la commande a` passer pour un approvisionnement en debut de periode nest
plus xe. Deux cas sont possibles :
Il reste un stock residuel positif : dans ce cas, on commande la difference

entre S et le stock residuel;
Le stock residuel est nul : dans ce cas, on commande S augmente des

demandes non satisfaites de la periode precedente qui ont pu e tre reportees.
Pour illustrer le processus de determination de S , le niveau optimal de re-

complètement, cest-à-dire celui qui minimise le cout :
C(S) = cp Ip (S) + cr Ir (S),
nous considerons lexemple suivant de la ventes dampoules declairage tire de

Giard [4].
On suppose que la demande hebdomadaire dampoules de 60 Watt suit une loi
normale de moyenne 300 et decart type 20. Le reapprovisionnement se fait en
debut de semaine chez le grossiste au prix dachat de 3 euro lunite. Les ampoules
sont vendues au prix de 3,5 euro lunite. On suppose un taux dopportunite annuel
de 20 %.
Doù un cout de possession annuel par ampoule en stock de :
3 0, 2 = 0, 6 euro.
Pour arriver a` un cout de possession hebdomadaire, il faut tenir compte du nombre

de semaines sur lesquelles la demande sexprime. Ici, on suppose le magasin
ouvert 52 semaines par an :
cp = 0, 6/52 = 0, 01154 euro.
Remarquons quà la difference du cas de stock a` rotation nulle, la perte liee a` une
ampoule en stock nest plus son prix dachat mais la perte nancière due au gel en
stock de son prix dachat.
Calculons maintenant le cout unitaire de rupture : il correspond a` la marge non

realisee par ampoule :
cr = 3, 5 euros 3 euros = 0, 5 euro.
La question qui se pose est la suivante : quel est le niveau de recomplètement

optimal S ?
Pour le calcul du stock moyen possede, il faudra distinguer deux cas de gure :
1. le cas où la demande observee est superieure au niveau de recomplètement;

2. le cas où la demande observee est inferieure au niveau de recomplètement.
Supposons, pour xer les idees, quun niveau de recomplètement de 320 ait
e te choisi.
1. Cas dune demande inferieure a` S : dans ce cas, il ny a pas de rupture

de stock. Cest lexemple dune demande observee de 310. Le stock de n
de periode vaut donc :
320 310 = 10 ampoules.
En ce qui concerne levolution du stock, on peut supposer que la demande
de 310 ampoules est e galement repartie sur toute la semaine et on peut faire
une interpolation lineaire comme a` la gure 3.2
S = 320
x = 310
S x = 10
T = 5 jours

Figure 3.2: Evolution du stock.
On en deduit le stock moyen possede :

320 + 10 S + (S x)
Ip (S) = =
2 2
On en conclut donc que :
S + (S x) (3.10)
Si x < S : Ip (S) =
2
2. Cas dune demande superieure a` S : dans ce cas, on observe une rupture

de stock. Cest le cas, par exemple, dune demande observee de 350. On
va maintenant determiner a` partir de quand le stock est nul. La demande,
comme dans le cas sans rupture, est supposee uniformement repartie sur
la semaine de cinq jours (cfr gure 3.3). La demande journalière est donc
S = 320
app
rox
im
ati x = 350
on
s=0
x S = 30
T = 5 jours

Figure 3.3: Evolution du stock en cas de rupture.
350/5 = 70 = x/T ampoules par jour. Et levolution du stock moyen

possede peut e tre obtenue par :
S(t) = 320 70t.
Ce stock est nul pour :

320 S
t= = 4, 57 jours =
70 x/T
Le stock moyen possede se calcule comme :
320 4, 57 0, 43 320 320 SS
Ip (S) = +0 = =
2 5 5 2 350 2x
En general :
SS
Si x > S : Ip (S) =
2x
Cette formule donne une solution analytique au problème de la determination
du niveau optimal de recomplètement S assez difcile a` mettre en uvre.
Une hypothèse simplicatrice, a` savoir que la rupture se produit en n de
periode (voir gure 3.3) permet deffectuer des calculs simplies. Sous cette
hypothèse, le stock varie entre S et 0 et donc :
S (3.11)
Si x > S : Ip (S) =
2
3.7.1 Determination de la solution optimale
Sous cette hypothèse simplicatrice, nous allons pouvoir determiner le niveau de

recomplètement optimal. Le cout de gestion secrit :
Pour le calcul du stock moyen possede Ip (S), il faut dissocier le cas où la
demande x est inferieure a` S de celui où elle est superieure a` S :
S
S Sx S
Ip (S) = ( + )f (x)dx + f (x)dx
0 2 2 2 S
Tandis que le nombre moyen de ruptures, Ir (S), peut se calculer comme lintegrale :

Ir (S) = (x S)f (x)dx
S
On peut maintenant tirer lexpression de Ip (S) en fonction de Ir (S) :

S
S Sx S
Ip (S) = ( + )f (x)dx + f (x)dx
0 2 2 2 S
S
S 1
= f (x)dx + (S x)f (x)dx
2 0 2 0

S 1
= + (S x)f (x)dx (S x)f (x)dx
2 2 0 S
S S X Ir (S)
= + +
2 2 2 2
On obtient donc la relation suivante :

X Ir (S)
Ip (S) = S + (3.12)
2 2
On peut donc exprimer C(S) en fonction du seul Ir (S) :

X Ir (S)
C(S) = cp Ip (S) + cr Ir (S) = cp [S + ] + cr Ir (S)
2 2
Doù nalement :

X cp
C(S) = cp (S ) + (cr + )Ir (S)
2 2
Dans le cas dune loi de demande continue, il suft dannuler la derivee première
dC(S) cp dIr (S) cp
= cp + (cr + ) = cp + (cr + ) [P (X > S )] = 0
dS 2 dS 2
doù
cp
P (X > S ) = cp
(3.13)
cr + 2
Appliquons ceci aux donnees numeriques de notre exemple de ventes dam-

poules e lectriques. Par la relation (3.13) :
0, 01154
P (X > S ) = = 2, 28%
0, 5 + 0, 01154/2
La lecture dans la table normale reduite nous donne :
S 300
tS = 2 =
20
Doù, le niveau optimal de recomplètement :
S = 340.
Tout comme dans le cas de stock a` rotation nulle, on peut deduire les principaux
indicateurs de la solution optimale choisie :
Le nombre moyen de rupture se calcule par la formule suivante :
Ir (S ) = g(tS )
= 20 0, 0084 = 0, 168
Le stock moyen possede se calcule a` partir de la formule
X Ir (S )
Ip (S ) = S +
2 2
300 0, 168
= 340 + = 190, 08
2 2
Le cout moyen de stockage se calcule comme
C(S ) = cp Ip (S ) + cr Ir (S )
= 0, 01154 190, 08 + 0, 5 0, 168 = 2, 28 euros.
La marge hebdomadaire moyenne nette se calcule comme :
B(S ) = mu X C(S )
= 0, 5 300 2, 28 = 147, 72 euros.
3.7.2 Cas dune loi de demande discrète
Terminons ce chapitre en voyant les formules de calcul dans le cas dune loi de
demande discrète pour la gestion de stock a` rotation non nulle.
Le stock moyen possede se calcule dans le cas discret comme suit :

S1

x S
Ip (S) = (S )P (X = x) + P (X = x)
0 2 S 2

S1
x S
= (S )P (X = x) + P (X S)
0 2 2
Exprimons ce stock moyen possede en fonction du nombre moyen de rupture :

S1
S S x S
Ip (S) = ( + )P (X = x) + P (X = x)
0 2 2 2 2 S
1
S
= [S + (S x)P (X = x)]
2 0

S 1 1
= + (S x)P (X = x) (S x)P (X = x)
2 2 0 2 S
On obtient donc la relation suivante entre Ip et Ir :
X Ir (S)
Ip (S) = S
+ (3.14)
2 2
cest-à-dire exactement la meme formule que dans le cas continu.
On peut donc exprimer C(S) en fonction du seul Ir (S) :
X Ir (S)
= cp [S + ] + cr Ir (S)
2 2

X cp
= cp (S ) + (cr + )Ir (S)
2 2
Par des calculs analogues a` ceux du cas de la rotation nulle, on determine nalement
le niveau optimal de recomplètement S par la formule suivante :
cp
P (X > S ) cp P (X > S 1) (3.15)
cr + 2
Il est a` noter que si la loi de demande est du type Poisson, Ir (S), le nombre
moyen de demandes non satisfaites, se calcule par la meme formule que prece-
demment a` savoir :
Ir (S) = P (X > S 1) SP (X > S)
3.8 Exercices
3.1. Achat de pièces de rechange. Lingenieur en chef dune usine passe la

commande dun modèle de pièces detachees dune machine pour laquelle
il craint un approvisionnement difcile. Les consequences dun arret de la
machine a` cause dun retard de livraison de la pièce sont particulièrement
onereuses : le cout dun arret de la production pour manque de pièce est de
25.000 euros. En achetant cette pièce en meme temps que la machine, le
cout unitaire dapprovisionnement est de 1.000 euros. Lexperience passee
de lingenieur lincite a` estimer la distribution des pannes sur la duree de vie
du materiel, par une loi de Poisson de paramètre 1. La possession de pièces
au delà de la duree de vie de la machine est sans valeur vu lobsolescence
technique rapide de la machine.
(a) Quelle est la politique optimale a` suivre ?

(b) Quel est le cout nancier de cette politique de commande de pièces de
rechange ?
3.2. Ventes dhebdomadaires. Un libraire commande regulièrement un hebdo-

madaire auprès de son grossiste. Son cout dachat est de 12 euros et son prix
de vente 16 euros. On suppose que les ventes hebdomadaires suivent une
loi normale de moyenne 30 et decart type 5.
(a) Quel est le nombre dexemplaires a` commander auprès de son grossiste

chaque semaine si le cout de reprise est de 10 euros ?
(b) Quelle est sa marge nette moyenne ?
3.3. Ventes de calculatrices. Un e tablissement specialise dans la distribution de

calculatrices e lectroniques a un produit vendu couramment tout au long de
lannee. Il sagit dune calculatrice scientique qui est achetee 45 euros et
revendue 55 euros. Le taux dopportunite utilise est de 20 %. La demande
hebdomadaire de ce modèle est denviron 5 calculatrices, et il y a tout lieu
de penser que le modèle de Poisson est utilisable. La societe est ouverte
52 semaines par an, les delais dapprovisionnement sont negligeables, les
demandes non satisfaites sont considerees comme perdues. La periode entre
deux reapprovisionnements du stock est de deux semaines.
(a) On demande de calculer le niveau optimal de recomplètement du stock.

(b) On calculera les consequences de cette politique que sont le nombre
moyen de ventes manquees et le stock moyen possede.
(c) On en deduira la marge nette moyenne.
3.4. Ventes de reveils e lectroniques. La societe commercialise e galement un

reveil e lectronique qui connat une grande popularite. La demande sur une
semaine suit approximativement une loi normale de moyenne 100 et decart-
type 30. La meme politique de gestion calendaire est suivie. Les donnees
de cout sont les memes que celles des calculatrices. La periode entre deux
reapprovisionnements du stock est e galement de deux semaines.
(a) Calculez les paramètres de la loi de demande durant la periode com-

prise entre deux reapprovisionnements du stock. Pour rappel, si on
additionne des variables aleatoires normales independantes, on obtient
une variable normale dont la moyenne et la variance sont la somme
des moyennes et des variances.
(b) Calculez le niveau de recomplètement optimal.
(c) Calculez les consequences de cette politique que sont le nombre moyen
de ventes manquees et le stock moyen possede.
(d) En deduire la marge nette moyenne.
3.5. Ventes de sapin de Noel. Un producteur de sapin de noel doit decider

de la quantite a` mettre en production chaque annee. Les ventes annuelles
concentrees sur la première quinzaine de decembre suivent une loi normale
de moyenne 30.000 et decart type 200. Le cout de production est de 10 euros
lunite et le prix de vente de 24 euros. Le producteur travaille uniquement sur
commande de sorte quil ne coupe que les arbres demandes lannee courante.
Quelle quantite doit-il mettre en production chaque annee pour minimiser
son cout de gestion ? On suppose un taux dopportunite de 10 % lan.
3.6. Ventes de eurs. Un e picier va chercher deux fois par semaine des eurs
coupees au marche en gros de sa ville. En effet, au delà de trois jours, il
ne peut plus les revendre. Son cout dachat dune botte de eurs est de 50
euros et son prix de vente 75 euros. On suppose que la demande de bottes de
eurs suit une loi de Poisson. En moyenne, 30 clients se presentent chaque
semaine pour ce produit.
(a) Quel est le nombre de bottes de eurs coupees a` aller chercher le lundi
matin et le jeudi matin ?
(b) Combien de clients en moyenne sortent de son magasin par semaine
sans eurs faute de stock sufsant ?
(c) Quel est le nombre moyen de bottes de eurs jetees par semaine ?
Chapitre 4
La gestion par point de commande
4.1 Introduction
La gestion calendaire se caracterise, comme nous lavons vu au chapitre 3 par :
des commandes a` intervalles xes dont la periodicite est notee T ;

un niveau de commande variable : qui vaut la difference entre S, le niveau
de recomplètement et R, le stock residuel.
La gestion par point de commande se caracterise, elle, au contraire par :
un montant de commande constant : cette quantite e conomique de com-

mande sera notee q;
une periodicite de commande variable (lorsquon est en univers aleatoire) :
on commande lorsque le stock passe en dessous du point de commande, s.
On examinera successivement les deux cas de gures que sont :
1. La gestion (q, s) en univers certain. Comme, dans ce cas, la demande est

certaine, on determine s, le point de commande, sufsamment grand an
deviter toute rupture de stock : il ny a donc pas de cout
de rupture. La
variable de decision q, la valeur constante de la commande, sera determinee
de manière a` minimiser le cout de gestion qui ne comprend que deux termes :
C(q) = cc Ic (q) + cp Ip (q)
2. La gestion (q, s) en univers incertain. Dans ce cas, le cout de rupture

intervient aussi. Les variables de decision que sont q, le montant des
commandes et s, le point de commande seront determines de manière a`
minimiser le cout de gestion qui comprend trois termes :
C(q, s) = cc Ic (q, s) + cp Ip (q, s) + cr Ir (q, s)
59
60 Chapitre 4. La gestion par point de commande
4.2 Determination du point de commande en univers certain
Nous allons illustrer la determination de la quantite e conomique de commande en

univers certain sur un exemple tire de Giard [4] . Il sagit dun ustensile de cuisine
achete par un supermarche au prix unitaire de 30 euro. La demande annuelle, que
nous noterons D est estimee a` 2 400 unites. Cette demande est consideree comme
uniforme sur lannee. Vu le caractère certain de la demande et du delai dobtention
(ici de 20 jours ouvrables), on peut e viter toute rupture dapprovisionnement en
passant commande a` temps. On considère que lannee comporte 48 semaines de
6 jours ouvrables, soit 288 jours. Le cout de passation dune commande de 300
euro et est independant de la quantite commandee. Larticle est vendu 40 euro.
La question qui se pose ici est : Quand commander ? An de minimiser le
stock possede, le chef de rayon a interet a` passer commande exactement 20 jours
ouvrables avant la rupture (voir gure 4.1) de manière a` ce que le stock soit nul au
moment de la livraison. Il e vitera ainsi un stock dormant.
niveau du stock
400
q =400 q =400 q =400
s =167
L temps
L
Figure 4.1: Determination du point de commande.
Remarquez que cela revient a` declencher la commande au moment où il reste

exactement en stock de quoi satisfaire la demande de 20 jours. Exprimons le delai
dobtention de 20 jours ouvrables en annee :
20
L= = 0, 069 annee.
288
La demande durant cette periode selève a` :
20
D L = 2 400 = 166, 67 167 articles.
288
Section 4.3. Determination de la quantite economique de commande 61
En general, le point de commande optimal est tel que
s = DL (4.1)
avec D = demande annuelle;

L = delai dobtention exprime en annee.
Dans le cas où lon declencherait la commande plus tot (voir gure 4.2 où lon
a pris s = 200 et q = 400), on aurait un stock residuel de
sr = sr DL = 200 167 = 33
et le niveau du stock e voluerait entre q + sr et sr , et non plus entre q et 0, doù un

niveau moyen du stock de :
(q + sr ) + sr (400 + 33) + 33
= = 233
2 2
Il y aurait ainsi un stock dormant de sr .
niveau du stock
q + sr =433
q =400
q =400 q =400
s =200
stock dormant
s =200 s =200
sr =33
L temps
L
Figure 4.2: Stock residuel a` la commande.
4.3 Determination de la quantite e conomique de commande
Le cout
de possession annuel unitaire peut e tre calcule en tenant compte du taux
dopportunite annuel ici suppose de 20 % comme :
cp = 30 0, 2 = 6 euros.
La question qui se pose est la suivante : Quelle est la quantite q constante a`

commander periodiquement pour que le cout annuel moyen soit minimum ?
Avant de determiner la quantite optimale, raisonnons sur une valeur quelconque
de q, par exemple, q = 400. Le nombre moyen de commandes par an vaut :
D 2400
Ic (q) = = =6
q 400
Doù le cout de commande :
D 2 400
cc Ic (q) = cc = 300 = 1 800 euros.
q 400
Passons maintenant au calcul du stock moyen possede. Pour minimiser le

cout de possession, on passe commande (voir section precedente) de manière a` ce
que le stock soit nul au moment où arrivent les nouveaux articles. Le stock varie
donc entre 400 et 0. Le stock moyen possede vaut donc :
q 400
Ip =
= .
2 2
Le cout annuel de possession vaut donc :
400
cp Ip (q) = 6 = 1 200 euros.
2
Doù le cout annuel de gestion :
400 2 400
C(q = 400) = 6 + 300 = 3 000 euros.
2 400
Nous pouvons maintenant faire une modelisation du problème pour une quan-
tite commandee quelconque q. On cherche donc a` determiner la valeur de la seule
variable de decision, cest-à-dire q, la commande periodique, qui minimise le
cout de gestion qui ne comprend que deux termes :
C(q) = cp Ip (q) + cc Ic (q)
On peut generaliser les calculs de lexemple ci-dessus. On obtient :

C(q) = cp Ip (q) + cc Ic (q)
q D
= cp + cc
2 q
Il est facile de calculer loptimum dune telle fonction. Il suft dannuler sa
derivee première :
1 D
C (q ) = cp cc 2 = 0
2 q
Section 4.3. Determination de la quantite economique de commande 63
Doù le point optimum :

2Dcc (4.2)
q =
cp
Cette quantite est appelee quantite de Wilson. Verions quil sagit bien dun
minimum en calculant la derivee seconde :
D
C(q) = 2cc 3 > 0
q
Remarquez quau point optimum, on a e galite des couts
de commande et de
possession. En effet :

D D Dcc cp
cc Ic (q ) = cc = cc 2Dc =
q c 2
cp

2Dcc
q cp Dcc cp
cp Ip (q ) = cp = cp =
2 2 2
Appliquons ceci a` lexemple numerique. La quantite e conomique de com-
mande vaut donc :

2Dcc 2 2 400 300
q = = = 489, 9 490
cp 6
Examinons les consequences de la politique optimale.
1. Le stock moyen detenu vaudra :

q 490
Ip (q ) = = = 245.
2 2
2. le nombre moyen annuel de commandes vaudra :
D 2 400
Ic (q ) =
= = 4, 898
q 490
3. Le cout annuel de gestion vaudra :
C(q ) = cp Ip (q ) + cc Ic (q )
490 2.400
= 6 + 300 = 2 939, 39 euros.
2 490
4. La marge beneciaire nette se calcule par la formule :
B(q ) = mu D C(q )
= 10 2.400 2939, 39 = 21.060, 61 euros.
4.4 Cas dune demande aleatoire
Rappelons les hypothèses de base de la gestion par point de commande en univers

certain :
On a une demande certaine uniformement repartie sur lannee;

On a un delai de livraison certain.
Nous allons generaliser ce modèle de la manière suivante :
On suppose que la demande est connue en probabilite mais reste statique,

cest-à-dire que les caracteristiques de la distribution restent stables dans le
temps.
Nous maintenons lhypothèse dun delai dobtention certain. Ce qui est le
plus souvent le cas.
Nous illustrons ce cas sur lexemple introductif, a` savoir la vente dustensiles

de cuisine mais en considerant cette fois que la demande annuelle suit une normale
de moyenne 2 400 et decart type 189,74. Le cout de rupture vaut la marge qui est
ici de 10 euro. Le cout de possession annuel reste de 6 euro. Le cout unitaire de
commande reste de 300 euro.
Passons au problème de la determination de q et s. Tout dabord, remarquons
que pendant le delai dobtention de 20 jours la demande est aleatoire. Calculons
les paramètres de sa distribution. Tout dabord, le delai dobtention de 20 jours
sexprime en fraction dannee comme :
20
L= annees.
288
La demande XL en 20 jours suit une loi Normale
de moyenne :
20
L = L = 2 400 = 167
288
de variance :
20
L2 = L 2 = (189, 74)2 .
288
En effet, les paramètres de la demande durant 20 jours se deduisent des paramètres
des ventes annuelles en multipliant la moyenne et la variance (et non lecart type)
par L. Donc, on obtient un e cart type de :

20
L = 189, 74 = 50.
288
Section 4.4. Cas dune demande aleatoire 65
4.4.1 Determination de q et s
La fonction de cout
a` minimiser fait intervenir les trois variables detat que sont :
le nombre moyen de commandes, Ic ;

le stock moyen annuel, Ip ;
la rupture moyenne annuelle, Ir .
C(q, s) = cc Ic (q, s) + cp Ip (q, s) + cr Ir (q, s)
Nous allons obtenir une solution approchee au problème en effectuant une de-
termination independante de s et de q en se basant sur lobservation suivante.
Dans lexpression de C, le nombre moyen de commande depend essentiellement
de la quantite commandee q tandis que le nombre moyen de ruptures depend
essentiellement du point de commande s. On peut donc recrire cette expression
comme :
C(q, s) = cc Ic (q) + cp Ip (q, s) + cr Ir (s)
On voit que le terme qui lie le problème en la variable q et le problème en la variable
s est le stock moyen possede Ip qui depend a` la fois de q et de s. On va determiner
une solution approchee en separant le problème a` deux variables en deux problèmes
a` une variable de la manière suivante. On va resoudre independamment les deux
problèmes suivant :
1. Determiner la quantite e conomique q en arbitrant entre le cout de com-

mande et le cout de possession a` partir de la demande moyenne.
2. Determiner le point de commande s en arbitrant entre le cout de rupture
et le cout de possession en utilisant la gestion calendaire pendant le delai
dobtention L, en retenant comme s le niveau de recomplètement optimal.
Le problème de la determination de la quantite e conomique de commande nest

rien dautre que le problème e tudie en univers certain si lon remplace la demande
annuelle certaine par la demande annuelle moyenne :
D = = 2 400.
En minimisant le cout de gestion :
C(q) = cc Ic (q) + cp Ip (q),
la solution trouvee dans le cas certain e tait de :
q = 490.
Le problème de la determination du stock de securite est quant a` lui resolu en

prenant pour point de commande s le niveau de recomplètement S qui minimise
le cout dune gestion calendaire durant le delai dobtention L :
avec Ir (S), le nombre moyen darticles non fournis durant L et Ip (S), le stock
moyen possede durant L.
niveau du stock
490
q =490 q =490 q =490
L L temps
q
D
Figure 4.3: Point de commande en univers aleatoire
Remarquez quun article en stock en n du delai dobtention (n L) correspond

a` une immobilisation sur toute la duree decouler q, soit durant Dq annee, et non
sur les seuls 20 jours du delai dobtention L. Le cout unitaire de possession est
donc de :
q
cp = cp = 6 0, 2042 = 1, 225 euros.
D
En effet, un article encore en stock a` lissue des 20 jours du delai dobtention
augmentera dune unite la valeur du stock durant toute la duree decoulement de la
suivante commande (voir gure 4.3). En utilisant la gestion calendaire, on deduit :
cp 1, 225
P (X > s ) = = = 0, 115
cr + cp /2 10 + 1, 225/2
La demande X durant le delai dobtention de 20 jours est une N(167,50). On lit
dans la table de la normale N(0,1) :
s 167
1, 2 =
50
Section 4.4. Cas dune demande aleatoire 67
Doù nalement
s = 227.
4.4.2 Consequences e conomiques du choix
Le stock de securite est deni comme difference entre le niveau de recomplètement

et la demande moyenne durant L et vaut ici :
227 167 = 60 articles.
Le nombre moyen de commandes depend uniquement de q et se calcule par la
formule :
D 2400
Ic (q) = = = 4, 898 commandes.
q 490
Le nombre moyen de ruptures par commande, note Irc , se calcule par la formule
de la gestion calendaire :
Irc (s = 227) = L g(tS = 1, 2) = 50 0, 0561 = 2, 81
Ce nombre est a` multiplier par le de commandes par an, Ic (q). Le nombre moyen
de ventes manquees par an selève donc a` :
Ir (s, q) = Ic (q) Irc (q) = 4, 898 2, 81 = 13, 76 articles
Le calcul du stock moyen possede est plus complique car il depend a` la fois de s
et de q. On peut montrer :
1. en cas de ventes manquees perdues (voir Giard [4], chapitre XII, relation
275, page 836) que :
q I c (s)
Ip (s, q) =+ (s DL) + r
2 2
Le cout de gestion correspondant vaut :
D q Irc (s) D
C(s, q) = cc + cp ( + s DL + ) + cr ( Irc (s))
q 2 2 q
2. en cas de ventes manquees differees (voir Giard [4], chapitre XII, relation
286, page 840) que :
q DL c
Ip (s, q) = + (s DL) + I (S)
2 2q r
où Irc (s) note le nombre moyen de ruptures par cycle (durant le delai dob-
tention). Le cout de gestion correspondant vaut :
D q DL c D
C(s, q) = cc + cp ( + s DL + Ir (S)) + cr ( Irc (s))
q 2 2q q
Dans le cas present, les ventes manquees sont supposees perdues pour le super-
marche et donc le stock moyen possede se calcule par la formule suivante :
q Irc (s)
Ip (s, q) = + (s DL) +
2 2
490 2, 81
= + 60 +
2 2
= 306, 405
On en deduit le cout
de gestion total suivant :
C(s, q) = cc Ic (q) + cp Ip (q, s) + cr Ic (q)Irc (s)

2 400 2 400
= 300 + 6 306, 4 + 10 2, 81
490 490
= 1 469, 39 + 1 838, 43 + 137, 63
= 3 445, 45
La marge nette moyenne annuelle est obtenue en soustrayant a` la marge bene-

ciaire sur la demande moyenne le cout de gestion annuel :
B(s, q) = mu D C(s, q)
= 24 000 3 445, 45
= 20 554, 54
On utilise e galement un indicateur appele le taux de rotation du stock.
Denition 4.1 On denit le taux de rotation du stock comme le quotient de la

demande moyenne sur le stock moyen possede.
Dans le cas de lexemple, il se calcule comme suit :

D 2 400
r= = = 7, 83
Ip 306, 4
Ce qui sinterprète en disant que le stock tourne environ 8 fois dans lannee. Il
correspond au nombre de fois quil faudrait reapprovisionner le stock si on le
reapprovisionnait a` hauteur de son niveau moyen.
Il est a` remarque que lidee très largement repandue selon laquelle plus le
niveau de rotation est e leve plus le stock est bien gere est fausse. En effet, un
niveau e leve de rotation correspond a` un faible niveau de stock possede mais
correspond a` un cout de passation de commande e leve. Le niveau obtenu ici est le
niveau optimal qui resulte de larbitrage entre les differents couts.
4.5 Exercices
4.1. Gestion de lapprovisionnement du stock de transistors. Une societe de

distribution de materiel et composants e lectroniques ayant comme clientèle
les artisans reparateurs de materiel hi- grand public est en train de redenir
sa politique dapprovisionnement des stocks. On vous charge de laider dans
cette tache. Le responsable des achats vous soumet, a` titre dexemple, le cas
dun transistor dont le prix dachat est de 16 euros et dont la consommation
est de 15.000 unites sur lannee. La demande est uniformement repartie sur
toute lannee qui comporte 50 semaines douverture. Le cout de passation
dune commande est estime a` 24 euros. Par ailleurs, e tant donne levolution
technique rapide et les risques dobsolescence associes, on applique un taux
de detention en stock très e leve : 50 % par an. Pour le moment la technique
des deux casiers est appliquee : on dispose de deux casiers, de contenance de
500 transistors. Dès quun casier est vide, on entame le second et on passe
une commande de 500 transistors. Le delai dobtention de la commande est
dune semaine.
(a) Calculez le cout de la politique actuelle de gestion de stock. Pour cela,

determinez le stock moyen et le nombre de commandes par an.
(b) Determinez la politique optimale de gestion du stock. Donnez le mon-
tant de la commande et le point de commande.
(c) Quelle est leconomie annuelle de votre solution par rapport a` la tech-
nique des deux casiers utilisee aujourdhui ?
4.2. Vente de verre de cristal. Un grand magasin vend chaque semaine 150
cartons de six verres du modèle Elite. Le cout dachat de 6 verres est de
8 euros, et le cout associe a` une commande est e value a` 30 euros. Le cout
de possession utilise ne fait intervenir quun cout dopportunite, lequel se
calcule a` laide dun taux de 15 %. On suppose que la demande est certaine
et quil nest pas possible davoir de rupture de stock. La gestion de stock
est du type point de commande. Les ventes manquees sont perdues.
(a) Calculez la commande optimale.

(b) Le delai de livraison e tant e gal a` deux semaines, determinez le point
de commande (lannee comporte 52 semaines).
(c) Calculez le cout de gestion de stock correspondant a` cette solution.
4.3. Vente de verre de cristal en univers aleatoire. La demande hebdomadaire

nest maintenant plus consideree comme certaine, mais comme aleatoire.
Elle suit une loi normale de moyenne 150 et decart-type 50. Le cout de
rupture est estime a` 2 euros, parce que la demi-douzaine est vendue 10 euros
et que la direction estime que la rupture de stock de cet article nest pas
prejudiciable a` son image de marque.
(a) Calculez la commande optimale.
(b) Calculez le nouveau point de commande.
(c) Calculez le nombre moyen annuel de demi-douzaines de verres que le
grand magasin na pas e te en mesure de vendre.
(d) Calculez le stock moyen possede.
(e) En deduire le cout de gestion annuel.
4.4. Ventes de carafes a` eau. Un supermarche vend des carafes a` eau 50 euros.
Il les achète auprès de son fournisseur 35 euros. La demande hebdomadaire
suit une loi de Poisson de paramètre 5. On utilise un taux dopportunite de
15 % lan. Le cout de passation dune commande est de 30 euros. Le delai
dapprovisionnement est de deux semaines.
(a) Quelle est la quantite a` commander ?
(b) Quel est le niveau de stock qui doit declencher la commande ?
(c) Quel est le nombre moyen de clients non satisfaits pendant le delai de
deux semaines entre la passation de la commande et sa reception ?
4.5. Vente par correspondance. Une societe specialisee dans le vente par cor-
respondance a un article peu vendu. Il sagit dun matelas orthopedique.
La demande mensuelle de cet article suit une loi de Poisson de moyenne 8.
Lacheteur responsable de lapprovisionnement hesite entre trois systèmes :
(a) La gestion calendaire avec une periode de revision calendaire de deux
mois. Le cout de commande est estime a` 20 euros, le produit est achete
200 euros et revendu 350 euros (y compris le cout moyen de transport
vers le client de 50 euros). La regularite de lapprovisionnement permet
davoir un delai dobtention insigniant. Une demande non satisfaite
est differee avec un cout de 10 euros (frais administratifs).
(b) Une gestion du type quantite e conomique de commande - point de
commande avec les memes couts que precedemment, mais avec cette
fois un delai dobtention de 15 jours environ.
(c) Servir dintermediaire en repercutant au fournisseur la commande, ce
qui permet a` lentreprise de percevoir une commission de 50 euros.
Lentreprise estime que la rentabilite marginale de son capital est de 24 %.
Après e tude du benece net dans les trois cas, que preconisez-vous ?
Partie II
Les decisions tactiques
71
Chapitre 5
La planication de la production
5.1 Introduction
La planication de la production consiste en la regulation a` moyen terme de la

production. Cest donc une decision tactique. Elle fait le lien entre les decisions
operationnelles a` court terme et les decisions strategiques a` long terme. La plani-
cation de la production sadresse uniquement au cas de la production en serie.
Elle ne sapplique donc pas au cas de la production en serie unitaire.
Il existe deux types dapproches en planication de la production :
la planication des besoins en composants qui vise a` e tablir une program-

mation previsionnelle des composants;
la planication juste a` temps dont le principe fondamental est de produire la

quantite strictement necessaire aux besoins immediats du client.
La planication des besoins en composants ou M.R.P. (Material Require-

ment Planning) cherche a` e tablir la programmation de la production sur base dun
système dinformation. Partant des donnees physiques (stocks disponibles, li-
vraisons attendues, demandes previsionnelles, capacites de production,. . . ) et des
donnees comptables (couts de production, dapprovisionnement, de rupture), on
e tablit un plan de production qui determine pour chaque periode les quantites
a` produire par produit, les quantites fabriquees dans chaque centre productif, le
niveau de stock en produits semi-nis et nis et lutilisation des facteurs travail et
machines. Lutilisation des techniques doptimisation aboutit a` une program-
mation previsionnelle : on utilisera la programmation dynamique lorsque lon a
une demande dynamique certaine ne portant que sur un seul article et la program-
mation lineaire dans le cas statique portant sur plusieurs produits.
73
74 Chapitre 5. La planication de la production
5.2 La planication des besoins en composants
Illustrons le principe de la planication des besoins en composants sur un exemple

tire de Giard [4] : il sagit de lassemblage de trois vehicules a` moteur. La plani-
cation des besoins en composants necessite lexistence des e lements suivants :
1. Une nomenclature complète : cest-à-dire une codication de tous les

composants qui permet decrire le schema arborescent du tableau 5.1. Dans
lexemple, pour faire un vehicule (T27), il faut une bote de vitesse (E1001),
elle meme constituee dun engrenage (E2010), lui-meme constitue de divers
e lements (E3047 et E3052). Le chiffre entre parenthèses indique le nombre
de composants necessaires pour faire le sous-ensemble. Par exemple, il faut
deux E3047 et deux E3052 pour faire un sous-ensemble E2040.
Niveau 0

Niveau 1 Niveau

2
-E1001 (1)
-E2010 (1) -E3047 (1)
T27 -E1010 (1) E1001 E2010 -E3052 (1)
...

...
...

-E1001 (1) -E2040 (1) -E3047 (2)
T28 -E1020 (1) E1004 E2040 -E3052 (2)

...

... ...

-E1004 (1)
T29 -E1020 (1) ... ...

...
Tableau 5.1: Decomposition en composants.
2. Un plan directeur de production : le plan directeur de production est le

plan de mise a` disposition de produits naux. Il peut e galement comporter
le plan de mise a` disposition de sous-ensembles ou de composants vendus
comme pièces detachees. Le plan directeur de production est donne au
tableau 5.2. Il prevoit, outre la mise a` disposition des produits naux, les
besoins de sous-ensembles et de composants pour faire des reparations.
3. Un système dinformation sur les stocks qui permet de connatre letat

exact du stock de chaque composant en debut de chaque periode. Les stocks
de n de periode 15, notes SF15 , sont donnes au tableau 5.3.
4. Un chier des livraisons attendues : cest-à-dire donnant le nombre de

pièces resultant de decisions de mise en production du passe qui nont pas
Section 5.2. La planication des besoins en composants 75
Periode 16 17 18 19 20 21 22 23 24
Demande T 27 7 11 6 15 8 11 12 7
Demande T 28 10 9 4 10 7 14 8 8
Demande T 29 4 8 3 5 12 2 8 7
Demande E1001 0 1 2 3 0 2 1 4 0
Demande E1004 0 0 1 4 0 5 2 2 0
Demande E1010 0 0 0 0 0 0 0 0 0
Demande E1020 0 0 0 0 0 0 0 0 0
Demande E2010 0 0 2 1 4 0 1 2 3
Demande E2040 0 2 0 2 1 4 1 2 3
Demande E3047 0 0 1 1 2 0 1 0 2
Demande E3052 0 2 0 2 3 1 1 2 1
Tableau 5.2: Plan directeur de production.
ement SF15
El LA16 LA17
T27 0 0 0
T28 0 0 0
T29 0 0 0
E1001 17 0 30
E1004 4 0 11
E1010 0 0 0
E1020 0 0 0
E2010 10 20 0
E2040 1 0 17
E3047 15 0 0
E3052 0 15 0
Tableau 5.3: Stock initiaux et livraisons attendues.

encore e te livrees. Les livraisons attendues de debut de periode t, notees

LAt , sont donnees au tableau 5.3.
5. Un chier des delais dobtention : le delai dobtention e tant la somme

des temps operatoire, de lancement de production et dattente entre deux
productions. Les delais dobtention sont donnes au tableau 5.4 où sont
e galement indiques les temps operatoires unitaires (cest-à-dire le temps
dassemblage ou dusinage dune unite du composant).
ement Delai dobtention Temps operatoire

El
T 27 1 semaine 0,5 heure
T 28 1 semaine 1 heure
T 29 1 semaine 2 heures
E1001 1 semaine 0,5 heure
E1004 2 semaines 1 heure
E1010 1 semaine 3 heures
E1020 2 semaines 4 heures
E2010 1 semaine 1 heure
E2040 2 semaines 0,5 heure
Tableau 5.4: Delais dobtention et temps operatoires.
6. Fichier des capacites des centres de production pour chaque periode de

lhorizon de planication. Celui-ci est donne au tableau 5.5.
Periode 16 17 18 19 20 21 22 23
Assemblage de T 27, T28 et T29 50 50 60 65 55 50 50 50
Assemblage de E1001 et E1004 20 12 24 20 25 22 22 20
Tableau 5.5: Capacites de production.
7. Existence de règles de priorite en cas de surcharge. Ici, on va utiliser

comme règle davancer les productions constituant le stock de valeur la plus
Section 5.2. La planication des besoins en composants 77
faible. Pour cela, on a besoin des donnees de couts de fabrication qui se

reduisent ici a` un cout de matière et un cout de main duvre. Le cout de
la matière première de chaque composant est donne au tableau 5.6. Il faut
comprendre ces donnees de la manière suivante : il sagit de la somme du
cout de matière ajoutee a` letape dassemblage du produit et du cout des
composants (le calcul a dejà e te fait). Le cout horaire de la main duvre
ement Cout de matière
El
T 27 303 euro
T 28 363 euro
T 29 421 euro
E1001 58 euro
E1004 71 euro
E1010 30 euro
E1020 40 euro
E2010 25 euro
E2040 53 euro
E3047 1 euro
E3052 2 euro
Tableau 5.6: Cout de la matière et des composants.
depend des ateliers. Ces couts sont donnes au tableau 5.7. Remarquez que
E1001 et E1004, dune part, et E1010 et E1020, dautre part, sont assembles
dans deux ateliers separes.
Periode cout horaire de latelier

Assemblage de T 27, T28 et T29 100 euro
Assemblage de E1001 et E1004 70 euro
Tableau 5.7: Cout horaire de latelier.
La logique de calcul de la MRP consiste a` lutilisation en cascade
de la determination des besoins nets dun composant;

de la manière de couvrir ces besoins.
5.3 Determination des besoins nets dun composant
Illustrons ceci sur lexemple du composant de niveau un E1001. Pour ce compo-

sant, sa demande e mane des demandes de T27 et T28 (voir nomenclature 5.1).
Au niveau 0, les lancements programmes sont determines conformement au
plan directeur de production du tableau 5.2. Le delai dassemblage est dune
semaine pour les trois modèles (voir tableau 5.4). Au niveau zero, il ny a pas de
stock initial ni de livraisons attendues (voir tableau 5.3). On fait donc du juste-
a` -temps, cest-à-dire que lon met en production exactement la demande. Ceci
conduit aux lancements de productions de niveau zero du tableau 5.8.
Periode 16 17 18 19 20 21 22 23
Lancements T 27 7 11 6 15 8 11 12 7
Lancements T 28 10 9 4 10 7 14 8 8
Lancements T 29 4 8 3 5 12 2 8 7
Tableau 5.8: Lancements de production de niveau zero.
On peut en deduire les besoins bruts du composant E1001 puisquil est utilise
a` raison de un par T27 et de un par T28. A ces besoins bruts pour assemble du T27
et du T28, il faut ajouter les besoins de E1001 comme pièces detaches (donnes au
plan directeur de production 5.2). Les besoins bruts du composant E1001 sont
donnes au tableau 5.9. Ces besoins bruts ne correspondent pas a` la production quil
Periode 16 17 18 19 20 21 22 23
Besoins Bruts pour T27 7 11 6 15 8 11 12 7
Besoins Bruts pour T28 10 9 4 10 7 14 8 8
Besoins de E1001 0 1 2 3 0 2 1 4
Besoins Bruts totaux 17 21 12 28 15 27 21 19
Tableau 5.9: Besoins bruts en composant E1001.
est necessaire de mettre en route, compte tenu du stock initial disponible pour cette
reference et des e ventuelles livraisons attendues. Les livraisons attendues sont des
quantites resultant de precedents ordres de lancement de production mais qui nont
pas encore e te livrees. Le stock initial en periode 16 est le stock nal de periode
15. Ces informations sont reprises au tableau 5.10.
Section 5.3. Determination des besoins nets dun composant 79
Periode 15 16 17 18 19 20 21 22 23
Besoins bruts 17 21 12 28 15 27 21 19
Livraisons attendues 0 30 0 0 0 0 0 0
Stock nal 17 0 9 0 0 0 0 0 0
Besoins nets 0 0 3 28 15 27 21 19
Tableau 5.10: Besoins nets en composant E1001.
En periode 16, on vide le stock pour satisfaire les 17 de besoins bruts de la

periode. En periode 17, on livre 30 alors que les besoins ne sont que de 21. Il
restera donc 9 en stock. A ces deux periodes, il ny a donc pas de besoins nets.
Par contre a` la periode suivante, la periode 18, le besoin brut est de 12, on ne livre
rien et le stock disponible est de 9. Il manque 3 unites qui constitue donc le besoin
net de cette periode. A partir de la periode 19, comme le stock est vide et quil ny
a plus de livraisons, les besoins nets correspondent au besoins bruts.
Formalisons mathematiquement la determination des besoins nets. Deux cas
sont possibles :
Cas 1 : Le disponible (somme du stock de n de periode precedente et des livrai-

sons de debut de periode) est sufsant pour couvrir les besoins bruts. Dans
ce cas, le besoin net, note BNt , est nul et le stock nal de periode t, note SFt ,
se calcule comme le stock en n de periode precedente, accru des livraisons
attendues de periode t, notees LAt , et diminue de la demande de la periode
(les besoins bruts, notes BBt ) :

BNt = 0
Si SFt1 + LAt BBt , alors
SFt = SFt1 + LAt BBt
Ce cas est illustre par les periodes 16 et 17 pour le composant E1001.
Cas 2 : Le disponible (somme du stock de n de periode precedente et des livrai-
sons de debut de periode) est in sufsant pour couvrir les besoins bruts.
Dans ce cas, on a des besoins nets a` couvrir par de nouveaux ordres de fa-
brication. Les besoins nets de la periode t, notes BNt , se calculent comme
la difference entre les besoins bruts et le disponible (somme des livraisons
attendues et du niveau initial du stock de la periode) :

BNt = BBt LAt SFt1
Si BBt SFt1 + LAt , alors
SFt = 0
Ce cas est illustre par les periodes 18 a` 23 pour le composant E1001 (voir
tableau 5.10).
5.3.1 Determination de la couverture des besoins nets
En planication de la production, on suppose que les besoins nets sont connus

sufsamment a` lavance pour e viter toute rupture. La determination de la quantite
a` livrer pour satisfaire les besoins nets repose donc sur un arbitrage entre
les couts de lancement de production;
les couts de possession.
La programmation dynamique permet de faire cet arbitrage. A ce niveau-ci, nous

allons faire du lot par lot, ce qui conduit aux lancements de production du tableau
5.11. Pour determiner les lancements de production, on a tenu compte du delai
Periode 16 17 18 19 20 21 22 23
Besoins nets 0 0 3 28 15 27 21 19
Lancements de production 30 3 28 15 27 21 19 -
Tableau 5.11: Lancement de production en composant E1001.
dobtention, suppose ici de 1 semaine. Remarquez que le lancement de 30 en

periode 16 provient non pas dune livraison programmee de periode 17 mais bien
dune livraison attendue de periode 17.
Nous verrons en n de chapitre dautres techniques de determination des lan-
cements de production.
Remarquez e galement que, dans la determination des lancements de produc-
tion, il faudra tenir compte des capacites de production. Dans le cas où ces capacites
sont depassees, on procedera a` un ajustement charge-capacite.
5.3.2 Utilisation en cascade de la logique de calcul
Maintenant que cet e cheancier de lancement de production est determine pour le

composant de niveau un E1001, il va e tre utilise a` un niveau superieur pour
calculer lecheancier des demandes brutes des composants de niveau superieur.
Ainsi, le composant E1001 (par exemple, une bote de vitesse) utilise le composant
de niveau un E2010 (un engrenage).
On applique la demarche de calcul que nous venons de voir en cascade :
a` toutes les references de niveau 0 (produits naux);
puis a` celles de niveau 1;
puis a` celles de niveau 2, . . . etc.
Illustrons ceci sur lexemple. Au niveau 0, les lancements programmes (cfr

tableau 5.12) sont determines conformement au plan directeur de production.
Periode 16 17 18 19 20 21 22 23 24
BBt de T27 - 7 11 6 15 8 11 12 7
LAt de T27 0 0 0 0 0 0 0 0
SFt de T27 0 0 0 0 0 0 0 0 0
BNt de T27 - 7 11 6 15 8 11 12 7
LPt de T27 7 11 6 15 8 11 12 7 -
BBt de T28 - 10 9 4 10 7 14 8 8
LAt de T28 0 0 0 0 0 0 0 0
SFt de T28 0 0 0 0 0 0 0 0 0
BNt de T28 - 10 9 4 10 7 14 8 8
LPt de T28 10 9 4 10 7 14 8 8 -
BBt de T29 - 4 8 3 5 12 2 8 7
LAt de T29 0 0 0 0 0 0 0 0
SFt de T29 0 0 0 0 0 0 0 0 0
BNt de T29 - 4 8 3 5 12 2 8 7
LPt de T29 4 8 3 5 12 2 8 7 -
Tableau 5.12: Lancements programmes de niveau zero.
Au niveau 1, les lancements du composant E1001, de delai de fabrication L=1,

sont determines conformement au tableau 5.13. Ce composant est utilise a` raison
dune unite par produit T27 et dune unite par produit T28. Toujours au niveau 1,
les lancements du composant E1004 (de delai de fabrication L=2) sont determines
conformement au tableau 5.14. Ce composant est utilise a` raison dune unite par
produit T29.
Periode 15 16 17 18 19 20 21 22 23
BBt pour T27 7 11 6 15 8 11 12 7
BBt pour T28 10 9 4 10 7 14 8 8
BBt de E1001 0 1 2 3 0 2 1 4
BBt totaux 17 21 12 28 15 27 21 19
LAt 0 30 0 0 0 0 0 0
SFt 17 0 9 0 0 0 0 0 0
BNt 0 0 3 28 15 27 21 19
LPt 0 30 3 28 15 27 21 19 -
Tableau 5.13: Lancements en composant E1001.
Periode 15 16 17 18 19 20 21 22 23
BBt pour T29 4 8 3 5 12 2 8 7
BBt de E1004 0 0 1 4 0 5 2 2
BBt totaux 4 8 4 9 12 7 10 9
LAt 0 11 0 0 0 0 0 0
SFt 4 0 3 0 0 0 0 0 0
BNt 0 0 1 9 12 7 10 9
LPt 11 1 9 12 7 10 9 - -

Au niveau 2, les lancements du composant E2010 (de delai de fabrication

L=1) sont determines conformement au tableau 5.15. Ce composant est utilise a`
Periode 15 16 17 18 19 20 21 22
BBt pour E1001 30 3 28 15 27 21 19
BBt de E2010 0 0 2 1 4 0 1
BBt totaux 30 3 30 16 31 21 20
LAt 20 0 0 0 0 0 0
SFt 10 0 0 0 0 0 0 0
BNt 0 3 30 16 31 21 20
LPt 20 3 30 16 31 21 20 -
raison dune unite par composant de niveau 1 E1001. Toujours au niveau 2, les
lancements du composant E2040 (de delai de fabrication L=2) sont determines
conformement au tableau 5.16. Ce composant est utilise a` raison dune unite par
Periode 15 16 17 18 19 20 21 22
BBt pour E1004 11 1 9 12 7 10 9 -
BBt de E2040 - 0 2 0 2 1 4 1
BBt totaux - 1 11 12 9 11 13 -
LAt 0 17 0 0 0 0 0
SFt 1 0 6 0 0 0 0 0
BNt 6 9 11 13 -
LPt 17 6 9 11 13 - - -
composant de niveau un E1004.

Au niveau 3, les lancements du composant E3047 (de delai de fabrication L=1)
sont determines conformement au tableau 5.17. Ce composant est utilise a` raison
dune unite par composant de niveau deux E2010 et de deux unites par composant
de niveau deux E2040. Toujours au niveau 3, les lancements du composant E3052
Periode 15 16 17 18 19 20 21
BBt pour E2010 20 3 30 16 31 21 20
BBt pour E2040 34 12 18 22 26 - -
BBt de E3047 - 0 0 1 1 2 0
BBt Totaux - 15 48 39 58 - -
LAt 0 0 0 0 0 0
SFt 15 0 0 0 0 0 0
BNt 0 48 39 58 - -
LPt 48 39 58 - - -
(de delai de fabrication L=1) sont determines conformement au tableau 5.18. Ce

composant est e galement utilise a` raison dune unite par composant de niveau deux
E2010 et de deux unites par composant de niveau deux E2040.
Il faut maintenant voir si la capacite est sufsante a` chaque niveau pour assem-
bler les vehicules. Il est a` remarquer que lon a interet a` verier si cette capacite est
sufsante avant de passer au calcul du niveau superieur. En effet, si on procède a` un
ajustement des lancements de production, par exemple au niveau 1, cela remettra
en cause le calcul des besoins du niveau 2.
5.4 Ajustement charge-capacite
Lorsque les lancements de production sont determines, on peut calculer les charges
resultantes pour les differents ateliers. Pour que ce plan de production soit reali-
sable, il faut que la charge resultante respecte les capacites de production. Si ce
nest pas le cas, un ajustement charge-capacite est effectue.
Reprenons le meme exemple. Au niveau 0, le tableau 5.19 reprend les lan-
cements de niveau 0. En multipliant ces lancements par les temps operatoires
unitaires donnes au tableau 5.4, on obtient le nombre dheures dassemblage pour
chacun des vehicules. En les additionnant, on obtient la charge de latelier que
lon peut comparer avec la capacite donnee au tableau 5.5. On constate ici quil
ny a aucun problème de capacite au niveau 0.
Passons au niveau 1. Les lancements de production des sous-ensembles E1001
et E1004 assembles dans le meme atelier sont repris au tableau 5.20. En multipliant
Section 5.4. Ajustement charge-capacite 85
Periode 15 16 17 18 19 20 21
BBt pour E2010 20 3 30 16 31 21 20
BBt pour E2040 34 12 18 22 26 - -
BBt de E3052 - 0 2 0 2 3 1
BBt Totaux - 15 50 38 59 - -
LAt 15 0 0 0 0 0
SFt 0 0 0 0 0 0 0
BNt 0 50 38 59 - -
LPt 15 50 38 59 - - -
Periode 16 17 18 19 20 21 22 23
LPt de T27 7 11 6 15 8 11 12 7
LPt de T28 10 9 4 10 7 14 8 8
LPt de T29 4 8 3 5 12 2 8 7
heures de T27 3,5 5,5 3 7,5 4 5,5 6 3,5
heures de T28 10 9 4 10 7 14 8 8
heures de T29 8 16 6 10 24 4 16 14
charge 21,5 30,5 13 27,5 35 23,5 30 25,5
capacite 50 50 60 65 55 50 50 50
excès capacite 28,5 19,5 47 37,5 20 26,5 20 24,5
Tableau 5.19: Verication de la charge au niveau zero.

ces lancements par les temps operatoires unitaires donnes au tableau 5.4, on obtient
le nombre dheures dassemblage pour chacun des deux sous-ensembles de niveau
1. En les additionnant, on obtient la charge de latelier que lon peut comparer
avec la capacite donnee au tableau 5.5. On constate ici quil y a un problème de
capacite en periode 18. On reporte aux periodes precedentes en commencant par
utiliser lexcès de capacite de la periode 17, le reste e tant produit en periode 16.
Periode 16 17 18 19 20 21 22 23
LPt de E1001 30 3 28 15 27 21 19 -
LPt de E1004 1 9 12 7 10 9 - -
heures de E1001 15 1,5 14 7,5 13,5 10,5 9,5 -
heures de E1004 1 9 12 7 10 9 - -
charge 16 10,5 26 14,5 23,5 19,5 - -
capacite 20 12 24 20 25 22 22 20
Excès de capacite 4 1,5 0 5,5 1,5 2,5 0 0
Excès de charge 0 0 2 0 0 0 - -
Ajustement +0,5 +1,5 -2 0 0 0 - -
LPt de E1001 30 3 28 15 27 21 19 -
LPt de E1004 1,5 10,5 10 7 10 9 - -
Tableau 5.20: Ajustement charge-capacite de niveau 1.
Il faut encore determiner sur quel produit cet ajustement va porter. La règle
adoptee ici est de reporter les heures constituant le stock de valeur la plus faible.
Pour cela, calculons le cout de revient dune unite de E1001 et dune unite de
E1004. Au cout de la main duvre dassemblage, il faut ajouter le cout de la
matière première ajoutee a` letape dassemblage et le cout des composants :
cE1001 = 0, 5 70 + 58 = 93 euros,
cE1004 = 1 70 + 71 = 141 euros.
Il faut se garder de conclure hativement quil convient de stocker du E1001. En

effet, comme son temps operatoire unitaire est dune demi-heure, on en assemble
deux par heure tandis que pour le sous-ensemble E1004, son temps operatoire
unitaire e tant dune heure, on en assemble un par heure. On en deduit le cout de
Section 5.5. Autres règles de calcul des lancements de production 87
production dune heure de chacun des sous-ensembles :

cphE1001 = 93/0, 5 = 93 2 = 186 euros/h,
cphE1004 = 141/1 = 141 1 = 141 euros/h.
En conclusion, il est plus interessant de stocker du E1004 bien quil ait un cout
de revient unitaire plus e leve ! Le temps operatoire unitaire e tant dune heure, les
2 heures deplacees correspondent a` deux unites de E1004 avancees aux periodes
16 et 17. On obtient lajustement de niveau 1 illustre au tableau 5.20.
On procedera alors de manière semblable pour les niveaux superieurs en partant
des lancements modies de niveau 1 donnes au tableau 5.20.
5.5 Autres règles de calcul des lancements de production
Jusquà present, nous avons adopte la technique du lot par lot pour la determination
des lancements de production. Autrement dit, on lance en production exactement
les besoins nets en decalant pour tenir compte du delai dobtention. Ce cas est
illustre au tableau 5.21 pour lexemple du composant E1001.
Periode 16 17 18 19 20 21 22 23
Besoins nets 0 0 3 28 15 27 21 19
Tableau 5.21: Lancement de production lot par lot.
Il peut y avoir des contraintes techniques ou e conomiques qui conduisent a`

adopter des règles de gestion differentes :
Règle de la quantite xe. Parfois, pour des raisons techniques, on ne peut

produit quune quantite xe (cuve entière). Dans ce cas, on la quantite
mise en uvre est toujours la meme. Supposons a` titre dexemple, une
quantite xe de 30. Ce cas est illustre au tableau 5.22. On remarquera que
le nombre de mise en route de production est moins e leve mais que le niveau
de possession du stock augmente fortement.
On peut e galement utiliser cette règle pour diminuer le nombre de mises en
route de production (raison e conomique et non technique). On determinera,
dans ce cas, la quantite e conomique a` mettre en uvre par la formule de
Wilson.
Periode 16 17 18 19 20 21 22 23
Besoins nets 0 0 3 28 15 27 21 19
Stock n de periode 27 29 14 17 26 7
Tableau 5.22: Lancement de production par quantite xe.
Règle de la quantite multiple dun entier. Ce cas se produit dans lin-

dustrie automobile pour le coulage des moteurs. On utilise des moules de
10 moteurs. On ne peut donc produire que par multiples de 10. Ce cas est
illustre au tableau 5.23.
Periode 16 17 18 19 20 21 22 23
LAt 0 30 0 0 0 0 0 0
BNt 0 0 3 28 15 27 21 19
LPt 30 10 30 10 30 20 20 -
SFt 7 9 4 7 6 7
Tableau 5.23: Lancement de production par multiples de 10.
Règle de la quantite minimum. Ce cas se produit lorsquil y a un cout xe

de mise en route de la production. Pour amortir ce cout xe de lancement,
il faut produire au minimum 10. Mais on peut produire e galement 11, 12,
13 etc... Ce cas est illustre au tableau 5.24.
Periode 16 17 18 19 20 21 22 23
LAt 0 30 0 0 0 0 0 0
BNt 0 0 3 28 15 27 21 19
LPt 30 10 21 15 27 21 19 -
SFt 7 0 0 0 0 0
Tableau 5.24: Lancement de production par minimum de 10.

5.6 Exercices
5.1. Planning de production dun moteur. Un industriel cherche a` e tablir son

planning de production pour les quatre premiers mois de lannee dun moteur
C intervenant dans lassemblage des trois types de machines MA, MB et MC.
Le plan directeur de production prevoit la mise a` disposition les six premiers
mois de lannee des quantites suivantes pour les trois types de machines :
Mois Janvier Fevrier Mars Avril Mai Juin

Demande de MA 3 1 2 1 7 3
Demande de MB 1 3 1 5 4 2
Demande de MC 2 4 1 5 6 0
Pour les produits nis, il ny a ni livraison attendue ni stock initial et on
pratique une politique de lot par lot. Le delai dobtention est de 2 mois pour
MA et MB et dun mois pour MC. Pour le moteur, il y a un stock en debut de
janvier de 2 unites et on prevoit une livraison de 5 moteurs en janvier tandis
que le delai de fabrication du moteur e tant dun mois
(a) Determiner les besoins nets de moteur pour janvier a` avril.
(b) Determiner les lancements de production qui permettent de couvrir ces
besoins nets en utilisant la technique du lot par lot.
5.2. Production dengrenages. Une entreprise specialisee dans la fabrication
dengrenages. Pour lun de ces engrenages, on connat les besoins en n de
mois pour les huit mois a` venir (voir tableau 5.25). Le cout de lancement
Mois 1 2 3 4 5 6 7 8
Besoins 30 45 60 40 35 30 35 50
Tableau 5.25: Production dengrenages.
dune production est de 150 euros, le cout de detention unitaire est de 1 euro
par mois. On suppose que les livraisons et sorties de stock se font en n de
mois. Ce qui signie quun article fabrique en periode t et livre en n de
periode t pour une demande de periode t ne supporte pas de cout de detention
pendant cette periode. Les ruptures sont interdites.
(a) En utilisant la formule de la quantite e conomique de commande de
lunivers certain, determinez la quantite a` mettre en production. Pour
cela, determiner la moyenne du besoin mensuel.
(b) En deduire, le plan de production et de stockage de manière a` e viter
les ruptures.
(c) En deduire le cout de cette politique (somme des couts de mise en route
et de stockage). Comparez avec le cout dune politique de lot par lot.
5.3. Determination des besoins et lancements de production de niveau 2. A
partir de lajustement charge-capacite de niveau 1 du tableau 5.20, deduire
les besoins bruts pour les composants de niveau 2. Ensuite, calculer les
besoins nets et les lancements de production a` capacite innie.
5.4. Ajustement charge-capacite de niveau 2. Verier si la charge resultante
nexcède pas la capacite de latelier. Si cest le cas, faire lajustement.
5.5. Planication des besoins en composants. Considerons une entreprise qui
utilise la planication des besoins en composants pour gerer la production
dun ensemble E qui utilise une pièce P1 et deux pièces P2 par ensemble.
Le plan directeur de production, donne au tableau 5.26, prevoit e galement
la mise a` disposition de pièces P1 et P2 comme pièces de rechange.
Semaine 0 1 2 3 4 5
Demande E 100 150 150 250 250
Demande P1 10 20 15 25 20
Demande P2 30 20 25 25 30
Tableau 5.26: Plan directeur de production.
Les stocks initiaux (debut de periode 1), les livraisons attendues de première
periode et les delais dobtention sont donnes au tableau 5.27.
ement Stock initial LA1
El Delai dobtention
E 300 0 1 semaine
P1 150 500 2 semaines
P2 300 300 1 semaine
Tableau 5.27: Stock initiaux, livraisons attendues et delais dobtention.
(a) Determiner les besoins nets en composant E et la manière de couvrir

ces besoins nets par des lancements de production en tenant compte du
fait que le lancement ne peut se faire que par lot de 250 ensembles E.
(b) En deduire les besoins nets de pièces P1 et les lancements de produc-
tions de pièces P1 en tenant compte du fait que la production de pièces
P1 se fait par lot de 500 pièces.
(c) Determiner les besoins nets de pièces P2 et les lancements de produc-
tions de pièces P2 en tenant compte du fait que la production de pièces
P2 par lot de 300 pièces.
Chapitre 6
Les techniques de juste a` temps
6.1 Origine et principe du JAT
Comme le souligne Baglin et al [1], les techniques de juste a` temps trouvent leur
origine dans les nouvelles exigences du marche :
La variabilite de la demande : laugmentation du nombre de modèles et la

diminution de la duree de vie des produits necessitent une adaptation plus
rapide des produits.
Le delai admissible par les clients est plus court : on ne peut donc plus
produire a` la commande, cest-à-dire lancer une commande speciale avec
des delais longs.
La concurrence internationale impose de produire une bonne qualite a` un

prix très bas.
En conclusions, il faut produire a` la demande du client, sans delai et en comprimant

au maximum le cout de fabrication. Il y a donc conit entre la gestion en grande
serie (qui permet de reduire les couts de fabrication) et la gestion a` la carte (qui est
beaucoup plus souple).
Lidee du JAT est de chercher a` concilier les avantages de la grande serie (ux
rapides et importants) avec ceux de la petite serie (grande adaptabilite). La logique
fondamentale du JAT est la suivante :
Production = Demande.
Autrement dit, on produit la quantite strictement necessaire aux besoins immediats

du client. Le principe est applique de proche en proche jusquaux fournisseurs.
Ceci entrane la suppression des stocks intermediaires : on parle de gestion en ux
91
92 Chapitre 6. Les techniques de juste a` temps
tendus. La suppression des stocks apparat donc comme une consequence de la

logique du JAT.
Ceci va a` lencontre des politiques traditionnelles dorganisation de la produc-
tion. Le mode dorganisation traditionnel a pour objectif essentiel la recherche
de la plus grande productivite du système. Ses consequences sont :
1. Pour raison deconomie dechelle, on a des unites de fabrication de grande

taille organisees en ateliers specialises. On a donc des ux importants et
discontinus entre ces unites necessitant des stock intermediaires.
2. Pour raison de cout, on met en place des capacites de production correspon-

dant a` la demande moyenne qui sont saturees en permanence : la variabilite
de la demande necessite donc des stocks de produits nis.
3. On lance de grandes series pour amortir le cout de lancement. Ce qui entrane

aussi des stocks importants.
4. Pour diminuer le cout de manutention, on transporte en grande quantite

(camions, containers complets). Ce qui occasionne e galement des stocks
e leves de matières qui ne sont pas immediatement consommees.
5. Pour decoupler les problèmes, on constitue des stocks intermediaires.
6. A chaque stade du produit, on ajoute un delai dobtention pour tenir compte

des arrets frequents (controle, maintenance,. . . ).
On en conclut que chacun a` tendance a` goner les stocks. Le JAT devant ce constat,
plutot que dessayer de gerer lingerable propose de supprimer les stocks.
Le fonctionnement en JAT appelle cependant les remarques suivantes :
1. Souvent, les usines ne fonctionnent que partiellement en ux tendus : en

ux tendus au moment où lon personnalise le produit, avec des stocks
dapprovisionnement pour les pièces standards.
2. Les ux de production peuvent e tre tires non par des commandes clients
mais par le plan directeur de production.
3. Le JAT necessite tout de meme letablissement dun plan directeur de pro-

duction et le calcul des besoins.
Section 6.2. Les deux approches du JAT 93
6.2 Les deux approches du JAT
Le JAT a donc un double objectif :
augmenter la reactivite du système logistique : diminuer le delai, diversier

la production,. . .
diminuer le cout global de production : en e liminant les gaspillages inutiles.
6.2.1 Augmenter la reactivite du système logistique
Le but est ici de pouvoir repondre rapidement aux variations quantitative et qua-
litative de la demande. Le moyen utilise est le suivant : pour raccourcir le cycle
de fabrication, on reduit les stocks.
Pour reduire les stocks de matière première, les fournisseurs doivent livrer
plus souvent.
Pour reduire les stocks den-cours de production, on doit reduire le temps

entre ateliers.
Pour reduire les stocks de produits nis, on doit pouvoir changer souvent de
fabrication.
Remarquez que, pour reduire les stocks, il faut sattaquer a` leur cause : les pannes
machines, les temps de reglage longs, etc. . .
6.2.2 La rationalisation de la production
Le but est ici dameliorer la performance globale en e liminant les gaspillages. Le

principe fondamental est que les seuls temps utiles sont ceux pendant lesquels
le produit voit sa valeur saccrotre. Ainsi, les operations suivantes sont non
productives : deplacer, stocker, grouper, controler,. . . Pour pouvoir diminuer
ces operations improductives, il faut sattaquer a` leurs causes : les defauts de
fabrication, les retards, les pannes, les lenteurs administratives,. . .
On peut ici citer limage de Taichi Ohno (de Toyota) qui dit que, pour traverser
une rivière sans encombre, dans lapproche traditionnelle : on augmente le niveau
de leau et on passe au dessus des e paves, dans lapproche JAT : on drague le
euve, ce qui permet un niveau deau plus faible. En conclusions, en sattaquant
aux causes de dysfonctionnement, on ameliore la productivite globale du système
et on ameliore la qualite des produits.
6.3 Les facteurs cles du JAT
La reussite du passage dune organisation classique a` une organisation JAT

necessite des methodes de gestion très reactives ainsi que la matrise des aleas.
6.3.1 Recherche dun plus grande reactivite
On atteindra une plus grande reactivite en augmentant la exibilite de la produc-

tion. On peut denir la exibilite comme la capacite du système de production a`
sadapter en permanence a` la demande. On distingue deux types de exibilite :
La exibilite quantitative est la capacite de faire face a` des pointes de

demande :
il faut surdimensionner la capacite, par exemple, en gardant les an-

ciennes machines lors dun renouvellement.
il faut faire appel a` la exibilite de la main duvre : appel aux tem-
poraires, a` la sous-traitance, aux heures supplementaires,. . .
La exibilite qualitative est la capacite de traiter une grande variete de

produits :
il faut pouvoir passer rapidement dun produit a` lautre : on utilisera

des machines a` commandes numeriques.
la polyvalence du personnel est e galement souhaitable.
6.3.2 Matrise des aleas
Il faut ici se premunir contre les causes des stocks que sont les pièces recues
defectueuses, les pannes machine, ainsi les retards de livraison. On visera ici le
zero defaut pour les pièces fabriquees. En effet, en labsence de stock, le defaut
dune pièce livree interrompt la chane de montage. Le zero defaut sera recherche
par la prevention plutot que par le controle a` posteriori.
Il faut e galement assurer la abilite des e quipements. En effet, larret dune
machine entrane larret de toutes les machines en aval faute dapprovisionnement.
De meme pour les machines en amont qui, autrement, constitueront des stocks. La
abilite est obtenue par des procedures de maintenance preventive.
Enn, il existe relation plus e troite entre le client et le fournisseur car le
fournisseur dune usine JAT est generalement plus conscient des consequences de
lenvoi dune pièce defectueuse pour le client.
Section 6.4. La methode Kanban 95
6.4 La methode Kanban
Lidee de la methode est que la production soit tiree par laval : chaque poste
ne travaille que pour satisfaire une demande du poste aval. Linformation sur la
demande du poste aval est transmise par un document appele Kanban (etiquette)
donnant :
la description de la pièce et de loperation a` effectuer;
le lieu dorigine et de destination de la pièce;
la quantite par conteneur.
Cette technique utilise en effet des conteneurs standards pour la circulation entre
les postes.
Letiquette est donc un ordre de fabrication des pièces qui
descend le ux de pièces (lors de la fabrication);
remonte ce ux une fois les pièces consommees.
Le rythme de fabrication est donc e gal a` la vitesse de circulation des e tiquettes

qui est, elle-meme, determinee par le rythme de consommation des pièces. Par
exemple, si la consommation vient a` se tarir, les e tiquettes ne remontent plus et la
fabrication sarrete.
Pour un bon fonctionnement du système, il faut une capacite sufsante des
postes amont pour repondre a` la demande : ceci necessite donc en general de
prevoir une surcapacite.
6.4.1 Système Kanban a` une boucle
Le fonctionnement du système Kanban a` une boucle est le suivant (cfr gure 6.1) :
Letiquette est apposee sur le conteneur de pièces qui viennent detre fa-
briquees en amont (a);
Elle accompagne le conteneur au poste suivant et reste sur le conteneur en

attente (b);
Au moment où le conteneur est mis en fabrication sur le poste aval, le Kanban
est libere et retourne au poste amont (c);
(a) (b)
POSTE Transport POSTE
AMONT AVAL
entre postes
(d)
(c)
Conteneur avec tiquette Etiquette libre
Figure 6.1: Système Kanban a` une boucle.
Il entre dans le planning du poste amont (d) doù il sort au moment dune
nouvelle fabrication.
On peut faire les remarques suivantes sur le fonctionnement du système kan-

ban a` une boucle :
1. Tout conteneur rempli possède obligatoirement une e tiquette (cest-à-dire

son ordre de fabrication).
2. Une e tiquette libre (cest-à-dire non attachee a` un conteneur) represente un

ordre de fabrication pour une quantite xe de pièces sur un poste de travail
determine.
3. Le nombre detiquettes en circulation entre deux postes xe les stocks den

cours de fabrication : en effet, le volume des en cours, cest-à-dire le nombre
de conteneurs entre les postes, est inferieur ou e gal au nombre detiquettes
en circulation.
4. En observant son planning detiquettes en attente, le responsable du poste

amont peut choisir ses priorites de fabrication daprès les besoins des agents
des differents postes aval quil fournit.
6.4.2 Determination du nombre detiquettes
Un problème fondamental est la determination du nombre detiquettes a` mettre

en circulation. Ce nombre doit, en effet, resulter dun compromis entre :
un nombre pas trop e leve : sinon on genère des stocks intermediaires;
un nombre pas trop faible : sinon le poste aval risque de tomber en rupture.
Section 6.4. La methode Kanban 97
Les donnees du problème sont les suivantes :
Cu , la consommation du poste aval en unites par minute;
Qe , la taille e conomique des lots fabriques en amont;
k, la capacite dun conteneur;
Tr , le delai de reaction du système lorsque le stock au poste aval atteint le

seuil de lancement dune production. Ce delai de reaction comprend
le retour du ticket dalerte vers lamont,

lattente au planning amont,
le reglage de la machine amont,
la production du premier conteneur,
le transport du conteneur jusquau poste aval.
Le principe utilise pour determiner le nombre detiquettes est le suivant : le

nombre de conteneurs dans la boucle correspond au strict minimum pour que le
système fonctionne sans rupture pour le poste aval.
Illustrons ceci sur un exemple tire de Baglin et al [1]. Soit D = 2000 pièces, la
demande moyenne du poste aval par journee de 8 heures de travail. On en deduit
une consommation en unites par minute de :
2000
Cu = = 4, 1667
8 60
Soit k = 100 pièces, la capacite dun conteneur. Soit Tr , temps de reaction qui
resulte dun temps de retour du ticket de 30 minutes (le ramassage des tickets
seffectue toutes les heures, donc un temps moyen dattente dune demi heure),
dune attente moyenne de 10 minutes au planning du poste amont, dun reglage
de la machine de 10 minutes, dun temps de production de 0,1 minute par pièce
(donc 10 minutes pour 100 pièces), dun temps de transport de lamont vers laval
de 35 minutes :
Tr = 30 + 10 + 10 + 10 + 35 = 95
Pendant le temps de reaction, la consommation du poste aval est de :
Tr Cu = 95 4, 1667 = 395, 83
Il en resultera quil faut au moins 4 e tiquettes en permanence dans le système :

Tr Cu
Ne = 3, 96
k
Si lon veut prendre une marge de securite de = 10 % :
(1 + )Tr Cu 1, 1 395, 83
Ne = = 4, 3541.
k 100
Il faudra donc au moins 5 e tiquettes en permanence dans le système.
Supposons maintenant que, au poste amont, larbitrage entre le cout de lance-
ment et le cout de possession justie une production par lot de taille e conomique
optimale :
Qe = 600 pièces,
cest-à-dire a` 6 conteneurs (Qe /k). Il faudra donc attendre davoir six e tiquettes
accrochees au planning du poste amont avant de pouvoir lancer en fabrication de
quoi remplir le premier conteneur. Il faudra donc ajouter ces 6 conteneurs aux 5
precedents.
Le nombre de conteneurs dans la boucle correspond donc en general a` la
somme :
du stock correspondant au seuil dalerte, cest-à-dire au stock permettant de

faire fonctionner le poste aval durant Tr , augmente dune marge de securite
:
(1 + )Cu Tr
du lot e conomique Qe produit par le poste amont :
Qe
le tout divise par k, la capacite dun conteneur :
(1 + )Cu Tr + Qe (6.1)
Ne
k
Le resultat est arrondi a` lentier superieur. Ce qui donne ici :
(1 + )Cu Tr + Qe 435 + 600

Ne = = 10, 35
k 100
Ce qui correspond a` 11 conteneurs de 100 pièces.
6.5 Exercices
6.1. Flux tendus. Un atelier de fabrication de sous-ensembles approvisionne la

chane de montage de petits articles e lectromenagers situee dans un batiment
proche. La regularite de la production incite la direction a` mettre en place
un système dappel par laval entre ces deux postes. Les caracteristiques
de la production sont les suivantes : latelier fonctionne 8 heures par jour,
la chane consomme 2 000 sous-ensembles par jour, il faut une heure pour
regler la machine de latelier et cinq secondes pour produire une pièce, la
taille e conomique des lots en amont selève a` 500 pièces, la capacite des
conteneurs est de 250 pièces, la manutention dun conteneur dun poste a`
lautre necessite dix minutes, le ramassage des tickets seffectue toutes les
heures, le temps dattente moyen au planning amont peut e tre estime a` trente
minutes. On retiendra pour lensemble des calculs un coefcient de securite
de 20 %.
(a) Determiner le nombre de tickets a` mettre en circulation dans la boucle.
(b) Verier lequilibre entre la charge et la capacite du poste amont.
(c) On decide maintenant de reduire la taille des series de fabrication de
500 a` 250. Calculer le nombre de lancements realises par jour. Quelle
amelioration devrait-on realiser pour pouvoir fonctionner ainsi ?
6.2. Calcul du nombre detiquettes. Une entreprise fabrique de facon regulière
les produits A, B, C et D a` partir des produits achetes E, F et G. Voici la
nomenclature pour ces produits :
1C 1C
A utilise , B utilise , C utilise 1 D, D utilise 1 G
1E 1F
Cette entreprise, souhaitant fabriquer ces produits sur une ligne de production
pilotee par Kanban, organise ses machines de la facon suivante :
----> M3
|
M1 ------> M2 ------|
|
-----> M4
Lentreprise, devant produire 20 A et 30 B par jour (de 8 heures), souhaite

ne pas denir au hasard le nombre de Kanban et la taille des containers a`
mettre en place pour piloter la production entre M1 et M2. Sachant que :
le poste M1 fabrique les pièces D, X et Y, le poste M2 fabrique la pièce
C, le poste M3 assemble la pièce A, le poste M4 assemble la pièce B,
la fabrication des pièces D necessite 0,5 heure de reglage du poste et

0,08 heure de fabrication unitaire,
les pièces D, pesant chacune 5 kg, sont transportees dans des containers
ne pouvant pas supporter plus de 50 kg de charge,
le retour de letiquette peut se faire entre M2 et M1 en 5 minutes,
le temps de transport des containers entre les postes M1 et M2 peut e tre
estime a` 10 minutes,
le poste M1 fabrique aussi 2 autres pièces (X et Y) necessitant des
reglages differents de ceux de D. La fabrication des 2 autres pièces
peut occuper le poste M1 pendant 2 heures 15 minutes par jour (dune
traite).
(a) Quel est le ux journalier de production de la pièce D ?

(b) Combien de reglages de series de pièces D pouvez-vous faire par jour ?
(c) Quelle est la taille du container de la pièce D ?
(d) Quel est le nombre de Kanbans qui doivent e tre utilises entres les postes
M1 et M2 ? Pour determiner la taille du lot minimum qui doit e tre
lance au poste M1, tenir compte du nombre maximum de lancements
admissibles par jour. On ne prend aucune marge de securite.
6.3. Conditionnement de surgeles. Une entreprise produit des legumes surgeles

en sachets de 1 kg. La chane de production est composee de deux postes : le
premier assure la preparation des legumes et le second realise le condition-
nement. Le directeur desire utiliser le poste de conditionnement a` sa pleine
capacite qui est de 3200 sachets par jour, a` raison de huit heures par jour.
Il faut 30 minutes de nettoyage de la machine de preparation avant chaque
lot, ensuite le traitement de chaque kilo de legumes prend 3 secondes. Le
temps dattente moyen en amont de lunite de preparation est de 10 minutes.
Le transfert des legumes de lunite de preparation vers lunite de condi-
tionnement prend 5 minutes. Lentreprise desire organiser sa production en
utilisant le système de kanban. La periodicite du ramassage des tickets est
xee a` 10 minutes. La capacite des conteneurs est de 200 kg. Il est envisage
de faire travailler lunite de preparation par lots e conomiques de 400 kg.
(a) Quel est le temps de reaction du poste de preparation ?

(b) Veriez lequilibre entre la charge et la capacite dans ce cas.
(c) Quel est le nombre total detiquettes dans le système, si on desire
sassurer une marge de securite de 15 % ?
Partie III
Les decisions strategiques
101
Chapitre 7
Lordonnancement de projets
7.1 Introduction
Lors de tout projet de grande envergure (construction dun bateau, dun avion, dun
batiment,...), un problème crucial qui se pose est celui du calendrier dexecution
des taches. Le problème est de determiner dans quel ordre doivent senchaner les
diverses taches de manière a` minimiser le temps total dexecution du projet.
Prenons un exemple tire de Giard [4].. On veut construire un nouveau batiment
de manière a` pouvoir demenager au plus tot. Certaines taches (voir tableau 7.1)
ne peuvent sexecuter quaprès que dautres soient terminees. Par exemple, on
ne peut commencer les fondations que lorsque le terrassement est ni. On ne
peut monter les murs que lorsque les fondations sont terminees. Dautres taches
peuvent sexecuter simultanement. Par exemple, les travaux delectricite et de
plomberie peuvent e tre menes de pair. On doit tenir compte, dans les problèmes
No tache duree (jours) prealables

1 terrassement 5 -
2 fondations 4 1
3 colonnes porteuses 2 2
4 charpente toiture 2 3
5 couverture 3 4
6 maconnerie 5 3
7 plomberie, e lectricite 3 2
8 coulage dalle beton 3 7
9 chauffage 4 8 et 6
10 platre 10 9 et 5
11 nitions 5 10
Tableau 7.1: Construction dun batiment.
dordonnancement, de divers types de contraintes.
103
104 Chapitre 7. Lordonnancement de projets
Les contraintes de localisation temporelle expriment la localisation dune

tache dans le temps : une tache ne peut commencer avant une telle date, ou
après une telle date (par exemple, en raison des conditions climatiques).
Les contraintes de succession temporelle expriment les relations dante-
riorite entre les taches : une tache ne peut commencer avant la n dune autre
(par exemple, on ne coule pas les fondations avant la n du terrassement).
Les contraintes disjonctives expriment le fait que deux taches ne peuvent
avoir lieu en meme temps sans que lon puisse dire laquelle doit e tre effectuee
avant lautre (par exemple, une meme grue est utilisee sur deux chantiers).
Le problème dordonnancement avec des contraintes de localisation temporelle
et de succession temporelle seulement est appele problème central dordonnan-
cement. Il sagit de determiner le calendrier de debut de chacune des taches de
manière a` terminer le chantier au plus vite en respectant les contraintes temporelles.
Nous allons voir que ce problème utilise la notion de graphe, aussi bien pour sa
formulation que pour sa resolution. On peut, en effet, representer le problème sur un
graphe, le resoudre graphiquement et presenter graphiquement lordonnancement.
Il existe deux methodes de resolution pour ce problème, a` savoir :
la methode du potentiel developpee en France dans les annees 60 et qui as-
socie a` chaque tache un nud du reseau, tandis que les relations danteriorite
sont representees par des arcs entre les taches (voir gure 7.1);
Figure 7.1: Graphe de la methode des potentiels.
la methode PERT developpee parallèlement aux Etats

Unis dAmerique
et qui, elle, associe chaque tache a` un arc du reseau, et chaque relation
danteriorite a` un nud (voir gure 7.2).
Figure 7.2: Graphe de la methode des potentiels.
Algorithmiquement, les deux methodes de resolution sont e quivalentes, mais

la methode du potentiel permet decrire le graphe de reseau de manière plus
systematique (sans ajouter darc ctif).
Section 7.2. Formulation du problème 105
7.2 Formulation du problème
Fixons-nous les notations suivantes. Nous avons n taches a` executer, indicees

i = 1, . . .n. Utilisons e galement la notation di pour designer la duree dexecution
de la tache i (qui est ici une donnee). Designons par t0 le temps de debut dexecution
du chantier, suppose e galement connu.
Les variables du problème sont les suivantes : ti note le temps de debut
dexecution de la tache i, et tf (= tn+1 ) note le temps de n de chantier.
Formulons maintenant lobjectif : il sagit simplement de minimiser le temps
de realisation du chantier, autrement dit :
min z = tf t0
qui consistera a` minimiser tf si on se xe initialement t0 = 0.

Formulons maintenant les contraintes du problème central dordonnancement.
Elles sont de trois types :
Les contraintes de localisation temporelle expriment que la tache i ne peut

commencer avant le debut de chantier :
ti t0 , i sans predecesseur (7.1)
Les contraintes de succession temporelle expriment que la tache j ne peut

debuter avant que toute tache i prealable a` j ne soit nie :
ti + di tj , tache i anterieure a` la tache j (7.2)
Les contraintes de n de chantier expriment que toute tache i doit e tre nie
avant la n de chantier :
ti + di tf , i sans successeur (7.3)
Remarquez que vu la presence des contraintes de succession temporelle (7.2),

il suft decrire (7.1) pour toute tache nayant pas de predecesseur et (7.3) pout
toute tache nayant pas de successeur.
7.3 Representation graphique du problème
On associe donc au problème central dordonnancement un graphe dont les som-

mets representent les diverses taches du problème. On ajoute un nud 0 qui
correspond a` la date de debut de chantier et un nud f = n + 1 qui correspond

a` la n de chantier. Les arcs du reseau representent les diverses contraintes qui
peuvent toutes se mettre sous la forme suivante
ti + di tj
en denissant d0 = 0. Le problème central dordonnancement se formule donc

ainsi :
min tf (t0 )
(7.4)
s.c.q. ti + di tj , (i, j) A
où A note lensemble des arcs du reseau.
2 2
3 4 5
4 2 3
0 5 10 5
0 1 2 6 10 11 12
5
4
4
3 3
7 8 9
Figure 7.3: graphe associe.
Reprenons lexemple. On peut construire systematiquement le graphe associe

au problème dordonnancement de la manière suivante (voir gure 7.3) :
1. On relie dabord toutes les taches qui peuvent e tre effectuees sans prealable
au nud 0, debut de chantier par un arc de longueur nulle. Dans lexemple,
seule la tache 1 est dans ce cas. Remarquez quil sagit de la representation
des contraintes (7.1).
2. Ensuite, on prend une tache dejà dans le graphe et on examine si elle precède
dautres. Par exemple, la tache 1 doit preceder la tache 2. On doit donc avoir
t1 + d1 t2 .
On trace le nud 2 et on le relie au nud 1 par un arc de longueur d1 . On

fait de meme pour representer toutes les contraintes de type (7.2).
3. Enn, quand toutes les taches sont dans le graphe, pour les seules taches qui
ne sont suivies daucune autre, on les relie au nud n + 1, n de chantier,
avec un arc de longueur e gale a` la duree de la tache. Ici, seule la tache nition
est dans ce cas, et il faut que cette tache soit nie pour la n du chantier. Il
sagit ici de representer les contraintes du type (7.3).
Section 7.3. Representation graphique du problème 107
Disons un mot de la representation des trois autres types de contraintes que

lon peut rencontrer dans les problèmes dordonnancement de projets :
1. Contraintes de localisation temporelle du type min. Supposons dabord

que la tache 3 ne puisse commencer avant 10 :
10 t3 t0 + 10 t3 .
Ceci se represente en joignant les nuds 0 et 3 par un arc de longueur 10.
2. Contrainte de localisation temporelle du type max. Ensuite, supposons

que la tache 5 doive e tre commencee avant 40 :
t5 t0 + 40 t5 40 t0 .
Ceci se represente en joignant les nuds 5 et 0 par un arc de longueur -40.
3. Contrainte du type e cart maximum. Enn, supposons que la tache 9 doive

commencer au plus tard 5 jours après le debut de la tache 8 :
t9 t8 + 5 t9 5 t8 .
Ceci se represente en joignant les nuds 9 et 8 par une arc de longueur -5.
-40
10 2 2
3 4 5
4 2 3
0 5 10 5
0 1 2 6 10 11 12
5
4
4
3 3
7 8 9
-5
Figure 7.4: Trois autres types de contraintes.
Avant de voir lalgorithme qui permet de resoudre le problème dordonnan-

cement, nous allons dire un mot des conditions sous lesquelles ce problème est
realisable. En effet, les contraintes temporelles peuvent venir de divers services et
e tre incompatibles entres elles.
7.4 Existence dune solution
Supposons que nous ayons la situation suivante.

Tache Duree prealable
1 d1 3
2 d2 1
3 d3 2
Cette situation est representee a` la gure 7.5.
2
d1 d2
d3
1 3
Figure 7.5: Circuit de longueur positive.
On voit ici que le graphe contient un circuit (cycle avec tous les arcs dans

le meme sens) dont la somme des longueurs des arcs est positive. Ecrivons les
contraintes correspondantes :
t1 + d1 t2
t2 + d2 t3
t3 + d3 t1
En sommant et en simpliant, on obtient la condition suivante :
d1 + d2 + d3 0
On peut alors montrer le resultat suivant.
Lemme 7.1 Les contraintes temporelles sont compatibles entre elles si et seu-
lement si le graphe associe ne comporte aucun circuit de longueur (somme des
longueurs des arcs le constituant) strictement positive.
Remarquez quun cycle avec une somme des longueurs negative ne pose pas de
problème. Par exemple, a` la gure 7.4, la tache 8 de longueur 3 doit e tre nie avant
que ne commence la tache 9 et la tache 9 doit commencer endeans les 5 jours de
debut de la tache 8 :
t8 + 3 t9
t9 5 t8
Ceci se represente, comme vu ci-dessus, par une èche de 8 vers 9 de longueur 3
et une èche retour de longueur -5. Ceci ne pose pas de problème, la somme des
longueurs e tant negative.
Section 7.5. Calcul de lordonnancement au plus tot 109
7.5 Calcul de lordonnancement au plus tot
Nous allons maintenant voir un algorithme de calcul de lordonnancement au plus

tot. Lordonnancement au plus tot determine les dates de debut au plus tot des
differentes taches, notees ti , en partant du nud de debut de chantier.
Illustrons les choses sur lexemple. La tache 1 peut commencer au plus tot en
0 puisquelle est reliee au au nud 0, debut de chantier, par un arc de longueur
nulle. La tache 2 peut commencer dès la n de la tache 1, cest-à-dire
t2 = t1 + d1 = 5
et ainsi de suite, on marque t3 = 9, t4 = 11, t5 = 13, ...

Lorsquun sommet (comme le sommet 9) a plus dun predecesseur (8 et 6), on
determine la date au plus tot par un maximum :
t9 = max {t6 + d6 , t8 + d8 } = 16.
Il faut, en effet, que les deux taches precedentes soient nies avant de pouvoir
debuter la tache 9. On arrive ainsi a` determiner la duree totale minimum qui est
ici de 35 jours.
Lordonnancement au plus tot est illustre a` la gure 7.6 où le temps de debut
au plus tot est indique au dessus des nuds.
9 11 13
3 4 5
2 2
0 0 5 2 3 20 30 35
4 11
0 1 2 6 10 11 12
0 5 10 5
4 5
9 12 16 4
7 8 9
3 3
Figure 7.6: Ordonnancement au plus tot.
7.6 Ordonnancement au plus tard
Certaines taches sont telles que si on retarde leur date de debut, cela aura des
repercussions sur la date de n de chantier. Par exemple, si on retarde la date
de debut de la tache 11 (nition), cela va directement retarder la date de n de
chantier. De meme, si on retarde la tache 10 (platre), cela va retarder la date de

debut de la tache 11 (nition) qui elle-meme retarde la date de n de chantier.
Par contre, si on retarde le debut de la tache 5 (couverture), cela naura pas de
repercussion, car ce nest pas a` partir de ce nud que son successeur (10) a e te
marque mais bien a` partir du nud 9. On voit donc que lon peut retarder la date
de debut de la tache 5 sans consequence sur la date de n de chantier jusquà un
certain point. En effet, t5 = 13, t10 = 20, et d5 = 3. Autrement dit, la date de
debut de la tache 5 peut e tre retardee jusquà la valeur :
t10 d5 = 20 3 = 17
sans retarder la date de debut de la tache 10. On dit que 17 est la date de debut au
plus tard de la tache 5. Cest-à-dire que la tache 5 peut e tre commencee a` cette
date au plus tard sans allonger la duree totale minimale des travaux.
On notera une date de debut au plus tard par ti . On peut calculer lordonnan-
cement au plus tard de la manière suivante (voir gure 7.7). Partant du nud n,
pour lequel la date de debut au plus tard concide avec la date de debut au plus tot
t12 = t12 = 35,
on retranche a` la date au plus tard la duree de la dernière tache. On determine ainsi
la date de debut au plus tard de la tache 11 :
t11 = t12 d11 = 35 5 = 30.
On marque ensuite a` rebours les nuds 10, 5, ...
9 11 13
2 2
3 4 5
4 3
9 15 17 20
0 0 5 2 30 35
0 5 11 10 5
0 1 2 6 10 11 12
5 4 11 5
0 0 20 30 35
9 12 16 4
3 3
7 8 9
10 13 16
Figure 7.7: Ordonnancement au plus tard.
Lorsquun nud a plusieurs successeurs, on ne peut marquer ce sommet que

si tous ses successeurs directs sont marques. Prenons, a` titre dillustration, le cas
du nud 3. Dans ce cas, il faut prendre le minimum :
t3 = min{t4 d3 , t6 d3 } = min{15 2, 11 2} = 9,
sans quoi on retarderait la date de n de chantier.
Section 7.7. Chemin critique et calcul des marges 111
7.7 Chemin critique et calcul des marges
On voit directement que lon a deux sortes de taches.
Les taches critiques sont celles qui servent a` marquer de proche en proche
le sommet n + 1 a` partir du sommet 0. Elles forment ce que lon appelle
le chemin critique qui donne lensemble des taches a` surveiller en premier
si lon veut respecter le delai minimum de realisation du projet. Le chemin
critique, illustre en hachure a` la gure 7.7, peut e tre determine de la manière
suivante. Partant du nud n + 1, on ne retient que les sommets qui ont
permis de joindre n+1 a` partir du nud 1. Il sagit, dans lexemple, des
nuds 12,11,10,9,6,3,2,1 et 0.
Pour toutes les autres taches, cest-à-dire les taches non critiques, on peut
determiner la marge dune tache comme la difference entre son temps de
debut au plus tard et au plus tot :
mi = ti ti (7.5)
et donc la marge mi est strictement positive pour les taches non critiques
tandis quelle est nulle pour les taches critiques.
i 4 5 7 8
mi 4 4 1 1
On peut interpreter les taches critiques comme lensemble des taches pour
lesquelles tout retard sur leur date de debut aura des repercussions sur la date de
n de chantier. Cest donc lensemble des taches a` surveiller en premier si lon
veut respecter le delai minimum de realisation du projet.
Il est a` remarquer quil peut y avoir plusieurs chemins critiques pour un
problème.
Si lon veut reduire la duree du projet,
Principe 1 : il ne sert a` rien de reduire la duree de taches non critiques. Cela ne

ferait quaugmenter leur marge.
Principe 2 : il faudra reduire simultanement la duree de tous les chemins critiques.
Il est aussi a` remarquer que, dès que lon a reduit la duree du chemin critique,
dautres chemins critiques peuvent apparatre.
7.8 Lordonnancement par la methode PERT
La methode PERT (pour Program Evaluation Review Technique) sest develop-

pee, parallèlement a` la methode du potentiel, aux Etats-Unis en 1958 pour la
planication de la construction des sous-marins Polaris. Elle se distingue de la
methode du potentiel par le fait que les taches ne sont plus associees aux nuds
mais bien aux arcs du reseau. Lalgorithme de resolution est très semblable
a` celui de la methode du potentiel. La difference majeure reside donc dans la
construction du graphe : le graphe de la methode PERT est souvent plus difcile a`
construire que celui de la methode du potentiel car on peut e tre amene a` introduire
des arcs ctifs qui ne correspondent a` aucune tache.
Dans la methode PERT, chaque tache est donc associee a` un arc du graphe. La
longueur de larc correspondant a` la duree de la tache en question. Les sommets
sont utilises pour traduire les relations de succession temporelle. Ainsi, si la
tache j doit suivre la tache i, lextremite terminale de larc representant la tache i
concidera avec lextremite initiale de larc representant la tache j.
Ceci permet de tracer le graphe pour lexemple dejà considere pour la methode
du potentiel. Ceci est fait a` la gure 7.8 où lon a note, a` cote de chaque arc, dune
part, le numero correspondant a` la tache, dautre part, la duree de la tache.
4, 2
3, 2 5, 3
1, 5 2, 4 10, 10 11, 5
6, 5
7, 3
9, 4
8, 3
Figure 7.8: Graphe associe pour la methode PERT.
Si, sur cet exemple, le graphe de la methode du potentiel et celui de la methode

PERT sont très proches, il nen va pas toujours de meme. La construction du
graphe PERT pose parfois un problème qui peut e tre resolu en ajoutant un arc
ctif qui ne correspond a` aucune tache.
Ce problème se rencontre pour certaines contraintes de succession tempo-
relle. Illustrons les choses sur un exemple. Supposons que la tache 1 precède les
Section 7.8. Lordonnancement par la methode PERT 113
taches 2 et 3 et que la tache 4 precède la tache 3 :
Tache prealable
1
2 1
3 1, 4
4
On pourrait tracer le graphe de la gure 7.9. Mais ce graphe introduit une contrainte
1 2
4 3
Figure 7.9: Introduction dun contrainte.
supplementaire qui dit que la tache 4 doit preceder la tache 2. Pour resoudre la
difculte, il faut ajouter un arc ctif de longueur nulle entre lextremite de la
tache 1 et le debut de la tache 3. Ceci est illustre a` la gure 7.10.
1 2
4 3
Figure 7.10: Arc ctif.
Lordonnancement se calcule ainsi. Dabord, on determine les dates de debut

au plus tot des nuds, que nous noterons ti . Ceci est fait par marquage des nuds
a` partir de lorigine comme dans la methode du potentiel. On additionne au temps
du nud precedent le temps de la tache. En cas de plusieurs predecesseurs, on
prend le maximum. Ensuite, on determine les dates au plus tard des nuds,
notees ti , par marquage a` partir de la n, en soustrayant au temps du nud suivant
le temps de la tache. En cas de plusieurs successeurs, on prend le minimum.
Il est a` souligner que ces dates au plus tard des nuds ne fournissent pas les
dates de debut au plus tard des taches issues du nud. Par exemple, la tache 4
est issue dun nud où la date au plus tard est de 11 (comme la date au plus tot)
11 4, 2 13
4 17
3, 2 11 5, 3
4
0 5 9 0 20 30 35
1, 5 2, 4 6, 5 10, 10 11, 5
0 0
0 9 0 0 35
0 5 7, 3 9, 4 20 30
1 16 0
12
8, 3
13 1 16
Figure 7.11: Ordonnancement par la methode PERT.
pourtant cette tache a une marge de 4 jours. Il faut donc poursuivre les calculs
pour avoir la date de debut au plus tard des taches.
On calcule la marge de la tache (i, j) liant les nuds i et j comme :
mij = tj (ti + dij ) (7.6)
Autrement dit, la marge est la difference entre :
la date de n au plus tard de la tache tj et
sa date de n au plus tot ti + dij , qui, elle-meme, se calcule comme sa date

de debut au plus tot augmentee de sa duree.
On obtient alors les dates au plus tard des taches en additionnant a` la date au plus
tot du nud de depart, la marge de la tache. Les resultats sont indiques au tableau
ci-dessous.
Tache 1 2 3 4 5 6 7 8 9 10 11
Date au plus tot 0 5 9 11 13 11 9 12 16 20 30
Marge 0 0 0 4 4 0 1 1 0 0 0
Date au plus tard 0 5 9 15 17 11 10 13 16 20 30
Un chemin critique peut alors se construire a` partir du nud de n en ne retenant

que les arcs critiques. Les marges des taches sont indiquees entourees dun carre
a` la gure 7.11.
Section 7.9. La minimisation des co
uts 115
7.9 La minimisation des couts

Jusquà present, on a considere la duree de chaque tache comme donnee. Or la

duree dune tache particulière i peut varier en fonction, par exemple, de lem-
bauche de personnel supplementaire, de lachat ou de la location de materiel
supplementaire. On voit donc que lon pourra, en general, reduire la duree de
chaque tache moyennant un cout supplementaire. Nous allons voir ici comment
arbitrer entre les deux critères : diminution de la duree dexecution des taches et
donc du chantier et, dautre part, augmentation des couts dexecution des taches.
Considerons la tache i. Sa duree dexecution di peut varier entre une duree
minimale (incompressible) di et une duree maximum di . Si lon admet que le cout
ci
mi
di di di
Figure 7.12: Cout dexecution de la tache i.
varie lineairement en fonction de la duree, on obtient le graphique de la gure 7.12.

Notons par mi la pente. Pour une duree di comprise entre les bornes inferieure et
superieure, le cout de la tache i est alors calcule par lequation suivante :
ci (di ) = ci (di ) + mi (di di )
Si on repète la meme operation pour chacune des taches, lobjectif de la minimi-

sation du cout total dexecution des taches peut secrire:

n
min z = [ci (di ) + mi (di di )]
i=1

n
= K+ mi di
i=1
Le premier terme e tant constant, il revient au meme de minimiser le seul second

terme et on obtient lobjectif suivant :

n
min z = mi di ,
i=1
les di e tant, cette fois, des variables pour le problème.

On peut donc formuler le problème comme suit.
1. Choix des variables. Nous avons donc comme variables du problème :
ti = le temps de debut de la tache i;

di = la duree dexecution de la tache i;
tf = le temps de n de chantier.
2. Expression de lobjectif. Il sagit de minimiser le cout direct dexecution

des taches, qui depend lineairement de leur duree :

n
min z = mi di
i=1
3. Expression des contraintes.
Les contraintes de localisation temporelle sexpriment comme :
ti t0 , i sans predecesseur
Les contraintes de succession temporelle sexpriment comme :
ti + di tj , i < j
Les contraintes de n de projet sexpriment comme :
ti + di tf , i sans successeur
Les contraintes de bornes sur la duree sexpriment comme :
di di di
On ajout une borne sur la date de n de chantier, nommee :
tf
Section 7.9. La minimisation des co
uts 117
Le problème de minimisation des couts dexecution des taches se formule donc

comme suit :

n
cD () = min z = mi di
i=1

t0 ti pour toute tache i sans prealable,

ti + di tj pour toute tache i precedent j,

s.c.q ti + di tf pour toute tache i sans successeur, P ()

tf (borne sur tf )

d
i di di (bornes sur la duree)
La borne superieure sur tf a du e tre ajoutee car il est clair, au vu de la forme des
fonctions de cout ci (di ) que sinon on aura tendance a` prendre di = di pout toute
tache et donc a` augmenter au maximum la duree du chantier.
On peut alors resoudre ce problème en fonction du paramètre . En ajoutant
le terme constant que nous avions neglige, on obtient un graphique du genre de
celui represente a` la gure 7.13.
cD ( )
di = di , i di = di , i
Figure 7.13: Forme de la fonction de cout direct dexecution des taches
Ce graphique appelle plusieurs commentaires :
1. Tout dabord, le paramètre doit e tre superieur a` une certaine valeur mi-
nimum qui correspond au temps dexecution minimum lorsque toutes les
taches sont a` leur duree minimum di .
2. Ensuite, remarquons que la fonction c() est convexe, decroissante et lineaire

par morceaux.
3. Enn, a` partir dune certaine valeur de , on aura systematiquement

di = di et lobjectif devient constant. Cette valeur correspond au temps
dexecution du projet lorsque toutes les taches sont a` leur duree maximum.
Comment va-t-on alors choisir le temps optimum ? A voir la forme de la courbe

cD () a` la gure 7.14, il vaudrait mieux prendre = , le temps maximum. Mais
cT ( )
cT ( )
cI ( )
cD ( )
Figure 7.14: Couts totaux.
ceci ne tient compte que des couts

directs dexecution des taches.
Il existe aussi des couts
indirects lies a` la duree du chantier :
les frais dassurances,
les salaires de lencadrement,
les frais de location du materiel,
et les penalites par jour de retard.
Tous ces frais sont e videmment croissants avec , la duree du chantier. On note
cI () ces couts indirects. Si on additionne les deux courbes (couts directs et couts
indirects), comme a` la gure 7.14, on obtient la courbe de cout total dont on peut
determiner le minimum :
cT () = cD () + cI ()
On a donc arbitre entre les deux objectifs de diminution des couts et de diminution
du temps dexecution.
7.10 Exercices

7.1. Equipement dun ensemble minier. Lequipement dun ensemble minier
comporte les taches suivantes dont la duree est exprimee en trimestres.
No tache duree prealables
1 Commande dune piste 6 -
2 Construction dun port provisoire 3 -
3 Commande de materiel portuaire 2 -
4 Pose dune voie ferree 4 2
5 Construction dune cite administrative 7 2
6 Construction du port denitif 2 2
7 Construction de linstallation minière 4 1 et 4
8 Equipement portuaire denitif 3 3 et 6
(a) Construire le graphe relatif a` la methode du potentiel.

(b) Calculer les dates de debut au plus tot, les dates de debut au plus tard.
Determiner le chemin critique.
(c) Comment modier le graphe si, on veut que la tache 7 ne commence
pas avant 8 trimestres ? Recalculer les dates de debut au plus tot, les
dates de debut au plus tard.
(d) Comment modier le graphe si on veut en plus que la tache 8 ne
commence pas après 4 trimestres ? Dites si le problème reste soluble.
7.2. Construction dun batiment. Considerons les differentes taches a` effectuer
pour construire un batiment. Elles sont reprises ci-dessous.
1 fondations 6 -
2 murs 10 1
3 plomberie interieure 5 2
4 e lectricite 7 2
5 toit 6 2
6 plomberie exterieure 4 5
7 menuiserie 8 3 et 4
8 sols 4 7
9 peinture interieure 5 7
10 nitions interieures 6 8 et 9
11 peinture exterieure 9 6
12 nitions exterieures 2 11
(a) Tracez le graphe relatif a` la methode du potentiel.

(b) Calculez les dates de debut au plus tot, les marges et determinez le(s)
chemin(s) critique(s).
(c) Les taches 9 (peinture interieure) et 11 (peinture exterieure) doivent e tre
disjointes car effectuees par les memes ouvriers. Comment resoudre
cette disjonction ? La date de n des travaux est-elle affectee ?
7.3. La methode PERT. Une entreprise decide de commercialiser un nouveau

produit. La planication de ce lancement fait apparatre les taches reprises
au tableau 7.2 avec leur duree (en semaines) et leurs prealables.
(a) Tracer le graphe correspondant a` la methode PERT.

(b) Calculez les dates de debut au plus tot, au plus tard, les marges et le
chemin critique.
(c) Lentreprise voudrait reduire la duree totale dexecution des travaux.
Pour cela, il est possible de reduire la duree des taches 5 et 11 de
une ou deux semaines au prix dun cout supplementaire de 100 000
euros par semaine de reduction pour la tache 5 et de 200 000 euros par
semaine pour la tache 11. De combien peut-on reduire la duree totale
des travaux et a` quel cout ?

1 Selection des e quipements 1 -
2 Choix de la methode de production 2 1
3 Procedures de controle de qualite 2 2
4 Choix des matières premières 2 1
5 Reception des e quipements 7 1
6 Commande des matières premières 1 4
7 Reception des matières premières 3 6
8 Essais de production 2 5,3 et 7
9 Première fourniture aux magasins 6 8 et 11
10 Conception du conditionnement 4 1
11 Production du conditionnement 5 10
12 Reunion des vendeurs 1 11
13 Formation des vendeurs 1 12
Tableau 7.2: Lancement dun nouveau produit.

7.4. Minimisation des couts. On considère un chantier de construction qui fait

intervenir cinq taches dont les durees, les taches prealables et les frais directs
(main duvre, heures machine) sont donnees au tableau 7.3.
Tache duree taches frais directs

(jours) prealables (euros)
1 4 - 30 000
2 6 - 40 000
3 5 1 50 000
4 8 2 et 3 50 000
5 7 4 10 000
Tableau 7.3: Minimisation des couts.
(a) Tracer le graphe correspondant a` la methode du potentiel.

(b) Determiner les dates de debut au plus tot au plus tard et le chemin
critique.
(c) Les durees des taches 3 et 5 peuvent e tre reduites jusquà 3 et 5 jours
au prix daccroissements de couts de 20 000 et 10 000 euros par jour.

Ecrire le programme exprimant la minimisation du cout direct pour
une duree totale tf donnee. On commencera par exprimer les couts
directs c3 et c5 des taches 3 et 5 comme fonctions des durees d3 et d5
qui deviennent variables.
(d) On desire e tudier, en fonction du paramètre tf , les variations du cout mi-
nimal direct total CD obtenu a` laide du programme precedent. Donner
la forme de la courbe representant les variations de ce cout en fonction
de tf . Determiner numeriquement levolution du cout direct CD en
fonction de tf en partant du resultat de la question (b) et en reduisant
progressivement la duree tf de facon a` ce que le cout direct soit toujours
minimal.
(e) En plus des couts directs, lentreprise supporte aussi des frais indirects.
Ces frais indirects comportent les salaires de lencadrement, des frais
de location de materiel, des frais dassurance et des frais nanciers
pour un montant total de 10 000 + 5 000 tf et aussi une penalite de
10 000 euros par jour de retard au delà du 22ème jour. Decrire sur un
meme graphique levolution du cout indirect CI , du cout direct CD et
du cout total en fonction de la duree de n de chantier. Quelle valeur
donner a` cette duree ?
7.5. Lancement dun nouveau produit. Une societe met a` letude le lancement
dun nouveau produit. Ce lancement necessite la realisation de 10 taches
dont les caracteristiques sont donnees au tableau 7.4.
tache duree ancetre(s) observations

A 7 C,F Recouvrement possible avec C
de 3 semaines
B 3 D,H,G
C 6 J Ne peut commencer avant
le debut de la 14ème semaine.
D 3 -
E 2 D
F 5 J et I
G 4 -
H 5 -
I 7 G et H
J 4 E et B
Tableau 7.4: Lancement dun nouveau produit.

(a) Etablir le graphique de la methode du potentiel.
(b) Verier sur le graphique que le problème est soluble (expliquer suc-
cinctement pourquoi).
(c) Calculer les dates de debut au plus tot, au plus tard, les marges.
(d) Donner tous les chemins critiques.
(e) Le directeur commercial souhaite raccourcir la duree dexecution du
projet dune semaine. Les taches sur lesquelles il est possible dagir
ainsi que le cout correspondant a` leur diminution de duree dune se-
maine sont donnes a` la table 7.5.
tache cout
C 10.000 euros
F 15.000 euros
B 5.000 euros
I 6.000 euros
Tableau 7.5: Reduction possible de la duree.
Que suggerez-vous ?
Chapitre 8
Conception dun centre de production
8.1 Introduction
Les decisions dimplantation dun centre de production incluent
1. la decision de localisation du centre qui depend de :

la localisation des clients;
la disponibilite et le cout de la main duvre;
la disponibilite des matières premières;
les aides nationales et locales a` linvestissement;
la volonte de penetrer un marche local difcile;
la qualite des hopitaux, la qualite du cadre de vie,. . .
A titre dexemple, on peut citer la localisation de la nouvelle usine TOYOTA
près de Valenciennes, qui est situee au cur de lEurope et dans le pays
europeen le plus protectionniste en faveur de ses marques nationales.
2. le choix de la capacite de production qui depend :
de la prevision de la demande a` long terme;
de la volonte de lentreprise de dominer un marche;
de la possibilite de repondre rapidement a` des variations de demande.
Vu lincertitude sur la demande, on implante souvent une nouvelle usine
par phases successives. Cest le cas de la nouvelle usine de Toyota près de
Valenciennes.
3. la conguration du centre de production : il sagit de determiner comment
les differents e quipements et postes de travail doivent e tre disposes. Nous
commencerons le chapitre en examinant ce point.
123
124 Chapitre 8. Conception dun centre de production
8.2 Conguration dun centre de production
Il sagit donc ici de determiner la manière de disposer les e quipements et les

postes de travail les uns par rapport aux autres . Il existe au moins trois types de
congurations possibles :
1. La conguration en ateliers specialises est utilisee lorsquil y a une grande

variete darticles differents a` produire. On peut alors regrouper dans un
atelier lensemble des machines assurant une fonction donnee. Par exemple,
dans un garage, latelier de peinture, latelier carrosserie,. . .
2. La conguration en terme de produit est utilisee lorsquil y a une demande

importante et continue de quelques produits. On organise la production soit
en ligne (cest le cas des lignes dassemblage dautomobiles) soit en industrie
de process (cest le cas des rafneries de petrole).
3. On parle de conguration a` poste xe lorsque loperateur doit se deplacer

entre deux operations. On peut citer comme exemples :
un client qui se deplace entre les differents rayons dun super marche;
un magasinier qui se deplace entre les differents rayonnages dun ma-
gasin de stockage de carrelage.
8.2.1 Conguration en ateliers specialises
Illustrons cette conguration par lexemple tire de Mac Clain [13] dune maternite
qui regroupe les differents services concernes sur un meme e tage dun hopital :
accueil
salle dattente
consultation prenatale
e chographie
salle daccouchement
Une question cruciale pour une bonne organisation de ce type de conguration

est la localisation relative de ces differents services. On doit tenir compte de :
1. du volume de trac entre deux services de sorte que deux services avec un
ux important soient localises proches lun de lautre;
Section 8.2. Conguration dun centre de production 125
2. du fait quil peut y avoir repulsion entre deux services.
Une matrice de proximite peut e tre utilisee pour indiquer la proximite voulue
A : Absolument necessaire
S : Specialement important
I : Important
G : Generalement proche,
: sans importance
X : a` e viter
La gure 8.1 illustre cette matrice dans le cas de la maternite. On peut e galement,
ACCUEIL
G
SALLE D'ATTENTE
I
CONSULTATIONS X
S
ECOGRAPHIE
A
SALLE ACCOUCHEMENT
Figure 8.1: Matrice de proximite.
plutot que de noter la proximite, donner une matrice de ux entre les differents
services. On peut alors concevoir une localisation des differentes services qui
minimise la somme des ux entre services ponderee par la distance entre ces
services.
Supposons que lon note linteret detre proche par la grille de poids suivante :
4 : Absolument necessaire
3 : Specialement important
2 : Important
1 : Generalement proche
0 : sans importance
-1 : a` e viter
On peut alors denir la matrice de poids wik mesurant limportance pour le
service i detre proche du service k donnee au tableau 8.1. Remarquez que la
matrice est symetrique.
Les cinq services sont a` placer a` une des cinq places disponibles sur le plateau
de lhopital represente a` la gure 8.2. On peut mesurer la distance djl entre les
emplacements j et l. Elles sont reprises au tableau 8.2. On obtient e galement une
matrice symetrique de distances.
wik k=1 k=2 k=3 k=4 k=5

i=1 1 1
i=2 1 2
i=3 2 3
i=4 3 4
i=5 1 4
Tableau 8.1: Matrice de poids mesurant limportance detre proches.
j =2
j =1 j =3
d14
j =5 j =4
Figure 8.2: Disposition relative des locaux a` affecter.
djl l=1 l=2 l=3 l=4 l=5

j=1 5 7 5 4
j=2 5 4 2 3
j=3 7 4 2 3
j=4 5 2 2 1
j=5 4 3 3 1
Tableau 8.2: Matrice des distances entre locaux.

Formulation du problème de localisation
Nous allons maintenant formuler le problème comme un problème daffectation

quadratique. On a donc 5 services a` localiser a` une des 5 places possibles. On
choisit ici comme variables :
xij = 1 si le service i est localise en place j,
= 0 sinon.
Dans ce cas, lobjectif peut secrire de la manière suivante :

n
n
n
n
min wik djl xij xkl
i=1 k=1 j=1 l=1
avec djl la distance entre les localisations j et l et wik , le poids dans la matrice de
proximite.
Expliquons la forme de cette fonction objectif : on ne retrouvera dans cet
objectif que les termes où xij xkl = 1, cest-à-dire où i est mis en place j et k
en place l. Lobjectif minimise la somme des distances entre les paires de lieux
(j, l), ponderee par limportance dune localisation proche des paires de services
(i, k), pour autant que xij et xkl soient e gaux a` un. An de minimiser ce produit,
on mettra donc comme coefcient des wik les plus e leves, les djl les plus faibles,
cest-à-dire les plus proches lun de lautre ceux qui y ont le plus grand interet.
Les contraintes sont de deux types :
Toute place j est occupee :

n
xij = 1, j = 1, . . .n
i=1
La contrainte indique que chaque place j est occupee par un seul service i.
Tout service i est place :

n
xij = 1, i = 1, . . .n
j=1
La contrainte indique que chaque service i est place a` une place j.
Il faut bien sur e galement imposer le caractère entier des variables :

xij {0, 1}, i, j.
Nous ne verrons pas, dans le cadre de ce cours, de methode de resolution de ce

problème.
8.2.2 Conguration en ligne de production
Lorsquun produit est fabrique en grande quantite, on peut gagner en efcacite

en organisant la production en ligne. A titre dexemple, on peut citer les usines
dassemblage automobiles ou les tunnels de lavage de voitures (car-wash).
Le problème principal reside dans lequilibrage de la chane : il faut que les
differentes operations prennent le meme temps car la chane tourne a` la vitesse de
loperateur le plus lent. Une ligne dassemblage est dite parfaitement e quilibree
si chaque poste de travail est occupe a` 100 %.
Illustrons ceci sur lexemple suivant tire de Mac Clain [13]. Un appareil
e lectromenager est constitue de 11 composants, notes B1 a` B11, de 3 sous-
ensembles notes SA1 a` SA3. Le tableau 8.3 fournit les taches, leurs durees et
leurs prealables. La somme des temps des differentes taches est de 100 minutes.
Label Temps Objet Predecesseurs

A 2 placer le chassis sur la chane -
B 7 attacher B4 sur chassis A
C 5 attacher B2 sur B1 -
D 2 attacher B3 sur B1 -
E 15 tester SA1 C,D
F 7 attacher SA1 sur chassis A,E
G 6 attacher B6 a` B5 -
H 4 attacher SA2 au chassis B,G
I 9 attacher B7 au chassis A
J 10 attacher B9 a` B8 -
K 4 attacher B10 a` B8 -
L 8 attacher B11 a` B8 J,K
M 6 attacher SA3 au chassis A,L
N 15 tester lappareil tous
Total 100

Tableau 8.3: Equilibrage dune chane.
On peut tracer un graphe de preseance qui nest rien dautre que le graphe
de la methode du potentiel (sans nud de depart ni darrive). On a represente ce
graphe a` la gure 8.3 où chaque tache est representee par son label et sa duree.
La gure 8.3 presente e galement une affectation possible des taches a` cinq
C,5
Poste 2
Poste 1 E,15
D,2 F,7
A,2 B,7 H,4

N,15
Poste 3
G,6 I,9
Poste 5
J,10
L,8 M,6
K,4
Poste 4
oprateur 1 oprateur 2 oprateur 3 oprateur 4 oprateur 5
A,B,C,D E,F G,H,I J,K,L M,N

16 min 22 min 19 min 22 min 21 min
Figure 8.3: Une affectation possible.

operateurs. Le temps total de montage pour ce choix est de :
5 operateurs 22 minutes par cycle = 110 homme-minutes.
Il y a donc un temps mort de 10 minutes, ce qui correspond a` un pourcentage de

temps mort de :
10
= 9, 1%
110
Une mesure de la qualite de la solution est precisement ce rapport du temps
mort sur le temps total de montage. Ce rapport est appele retard dequilibre et se
calcule par la formule suivante :
nc T
RE =
nc
avec n = nombre de postes de travail,

c = temps dun cycle
T = somme des temps individuels.
Remarquons quici on na pas atteint lobjectif dun e quilibrage parfait qui
impliquerait de construire 3 articles par heure avec un temps de cycle de 20 minutes.
Remarquons quil nest pas toujours possible datteindre lequilibre parfait de la
chane puisque les taches ne sont pas divisibles a` linni.
Resolution du problème dequilibre de la chane
Voyons maintenant comment resoudre le problème. Trouver laffectation qui

minimise le retard dequilibre est un problème en nombres entiers particulièrement
difcile a` resoudre. Une heuristique qui permet de trouver rapidement une solution
(sans garantie quelle soit optimale) est la suivante. On se xe une duree maximum
pour chaque poste de travail. Ici xons nous une duree maximum de 19 minutes.
On va alors remplir ces postes de la manière suivante :
Pas1. Attribuer un score a` chaque tache et classer les taches par score decroissant.
Ici, on utilise comme score 1 la dure de la tache. On obtient :
E, N, J, I, L, B, F, G, M, C, H, K, A, D
Pas 2. Mettre a` jour lensemble des taches disponibles (cest-à-dire les taches dont
tous les predecesseurs immediats sont affectes). Au debut, ce sont celles sans
predecesseur :
S = {J, G, C, K, A, D}
Pas 3. Affecter la tache avec le score le plus e leve dans le premier poste où la
capacite et les contraintes de preseance ne sont pas violees :
J au poste 1.
Aller en au Pas 2.
On remplit alors progressivement le tableau suivant.
Poste 1 Poste 2 Poste 3 Poste 4 Poste 5 Poste 6 Poste 7

J,10 C,5 I,9 M,6 E,15 F,7 N,15
G,6 K,4 B,7 H,4
A,2 L,8
D,2
18 19 16 10 15 7 15
Le detail des iterations est repris ci-dessous :
S = {J, G, C, K, A, D} : J en 1; S = {B, M, D} : B en 3;
S = {G, C, K, A, D} : G en 1; S = {M, H, D} : M en 4;
S = {C, K, A, D} : C en 2; S = {H, D} : H en 4;
S = {K, A, D} : K en 2; S = {D} : D en 2;
S = {L, A, D} : L en 2; S = {E} : E en 5;
S = {A, D} : A en 1; S = {F } : F en 6;
S = {I, B, M, D} : I en 3; S = {N } : N en 7
On peut alors calculer le retard dequilibre de cette solution :

nc T 7 19 100
RE = = = 24, 81%
nc 7 19
On voit que la solution nest pas dune très grande qualite. On peut utiliser
plutot un second score qui consiste a` additionner a` la duree de la tache, celles de
toutes les taches qui la suivent. Ainsi, a` la duree de la tache A, on ajoute le temps
des taches F, B, I, M, H et N. Le calcul du second score (voir gure 8.4) donne les
resultats suivants :
A B C D E F G H I J K L M N
50 26 42 39 37 22 25 19 24 39 33 29 21 15
Le classement des taches suivant ce second score est le suivant :
A, C, D, J, E, K, L, B, G, I, F, M, H, N
C,5
E,15
D,2 F,7
A,2 B,7 H,4

N,15
G,6 I,9
J,10
L,8 M,6
K,4
Figure 8.4: Graphe des prealables
On remplit le tableau comme suit

Poste 1 Poste 2 Poste 3 Poste 4 Poste 5 Poste 6
A,2 E,15 L,8 G,6 F,7 N,15
C,5 K,4 B,7 I,9 M,6
D,2 H,4
J,10
19 19 15 19 13 15
Le detail des iterations est donne ci-dessous.
S = {A, C, D, J, K, G} : A en 1; S = {B, G, I, F, M } : B en 3;
S = {C, D, J, K, B, G, I} : C en 1; S = {G, I, F, M } : G en 4;
S = {D, J, K, B, G, I} : D en 1; S = {I, F, M, H} : I en 4;
S = {J, E, K, B, G, I} : J en 1; S = {F, M, H} : F en 5;
S = {E, K, B, G, I} : E en 2; S = {M, H} : M en 5;
S = {K, B, G, I, F } : K en 2; S = {H} : H en 4
S = {L, B, G, I, F } : L en 3; S = {N } : N en 6.
On peut alors calculer le retard dequilibre de cette solution :

19 6 100
RE = = 12, 3%
19 6
On voit que la solution est meilleure sans e tre optimale puisque la solution presentee
a` la gure 8.3 est meilleure avec un retard dequilibre de 9,1 %. On peut e galement
agir sur la duree maximum de 19 qui est un paramètre de lheuristique.
8.2.3 Conguration a` poste xe
Lorsque loperateur voyage entre les differentes operations, on parle de conception

a` poste xe. Comme exemples, on peut citer :
les magasins en self-service où le client se deplace de rayon en rayon;
les entrepots de stockage de carrelages, de tapis-pleins, etc. . .
une inrmière qui se deplace dune chambre a` lautre dans un hopital,. . .
Le problème principal reside dans la localisation des aires de stockage de

manière a` minimiser soit
le cout total de manipulation en mettant les produits les plus utilises aux
endroits les plus accessibles;
le temps maximum daccès dans le cas, par exemple, de la localisation de

centres dintervention durgence.
Cas dun entrepot :
Illustrons ce cas par lexemple de la societe Sommer qui produit en grandes series
ses differentes references de tapis pleins qui sont vendues en quelques unites a` ses
clients qui sont les centres de bricolage et les surfaces specialisees en revetement
de sol. On approvisionne le stock en grandes quantites (de lordre de 200 rou-
leaux dun meme type). On destocke, a` la demande, en petites quantites (un ou
deux rouleaux). Le stockage est rendu necessaire par la difference entre la taille
e conomique dun lot a` la production et la taille moyenne dun lot demande.
Pour le placement optimal des rouleaux, on a interet a` placer les articles
ayant le plus fort taux de rotation de stock aux emplacements les plus accessibles.
Il y a deux manière de stocker :
Stocker a` des places dediees : une reference donnee sera toujours a` la meme
place. Ce qui facilite le controle et linformation. Linconvenient est que
lon perd beaucoup de place car chaque emplacement est rempli a` 50 % en
moyenne.
Stocker a` la première place disponible : ceci necessite un système infor-

matique de localisation : chaque lot est localise par le numero de lallee, la
distance dans lallee, et la hauteur dans le rayon.
La solution adoptee chez Sommer est le dedicacement par zone : on place le

produit dans la première place disponible dans une zone (assez large) correspondant
a` son taux de rotation. Ceci est donc un compromis entre une capacite de stockage
reduite et la rapidite daccès aux produits a` forte rotation de stock.
Cas des centres dintervention durgence :
Dans ce second cas, lobjectif est de minimiser le temps daccès au client le plus
e loigne. Par exemple, dans un service hospitalier, on veut localiser le local des
inrmières de manière a` avoir un temps de reaction auprès de chaque patient aussi
court que possible. La solution, dans ce cas, est de construire un e tage circulaire
avec le local des inrmières au centre.
Remarquez quici souvent la solution impliquera des localisations multiples
an de bien couvrir une zone : par exemple, dans le cas des pompiers, on
aura diverses antennes delocalisees permettant datteindre rapidement des villages
decentres.
8.3 Decisions de capacite
Nous allons illustrer les decisions de choix dune capacite sur lexemple tire de
Mac Clain [13] dune boulangerie industrielle qui fournit les supermarches de sa
region et qui sattend a` une croissance de la demande.
Les donnees numeriques sont les suivantes :
1. Modelisation de la demande : il y a incertitude sur la demande future du

produit. Si le succès du produit est important, une capacite supplementaire
de 5 000 unites par semaine sera necessaire pour un prot de 40 000 $
par semaine hors frais damortissement du capital. Si le succès du produit
est mitige, une capacite de 2 000 unites par semaine sera sufsante et la
compagnie fera un prot de 16 000 $ par semaine. La demande est connue
au bout dun an. On suppose que les beneces sont comptabilises en n
dannee. Une annee comporte 52 semaines douverture du magasin.
2. Donnees de cout dinvestissement. Une capacite de 2 000 unites par semaine

peut e tre construite pour 800 000 $. Une capacite de 5 000 unites par semaine
peut e tre construite pour 1,5 millions de $. Une capacite de 2 000 peut e tre
e tendue a` une capacite de 5 000 pour 1 million de $. Les surcapacites sont
sans valeur.
3. La duree de vie des e quipements est de 20 ans.

Section 8.3. Decisions de capacite 135
4. Le facteur dactualisation, necessaire car les prots sont repartis dans le

futur, est de 25 % lan.
5. La probabilite de succès du lancement du produit est estimee a` 20 % sur

base dexperiences dintroduction dautres produits.
Les differents choix possibles peuvent e tre utilement illustres sur un arbre de
decision tel que celui de la gure 8.5. Un carre represente une decision. Un cercle
haute demande Investiss. Profit.

1,500,000 40,000
000 faible demande

1,500,000 16,000
re5
tr ui rester 2000
s 800,000 16,000
con
ute e
ha and +3000 800,000 16,000
construire 2000 m +1,000,000 +24,000
de
ne
rie faible demande
nc 800,000 16,000
ons
tru
ire
0 0
Figure 8.5: Arbre de decision
represente un e tat du monde.

Pour le choix dune capacite, on va selectionner la capacite desperance de
prot la plus e levee.
Denition 8.1 On appelle valeur nette presente, la somme actualisee des prots
futurs moins linvestissement initial.
Nous aurons besoin, dans le calcul de la VAN, de la formule suivante pour le

calcul dannuites :
n
t
1 1 (1 + i)n
= (8.1)
t=1 1+i i
Considerons la construction initiale de 5 000 en cas de demande forte. Ce cas

F Nt
40.000 52
0 1 2 3 .. . 20 t
-1.500.000
Figure 8.6: Construction de 5 000 en cas de demande forte.
est illustre a` la gure 8.6. La VAN se calcule donc comme suit :

20
(40 000 52)
V AN = 1 500 000
t=1 1, 25t
t

20
1
= (40 000 52) 1 500 000
t=1 1, 25
Appliquons la formule (8.1) a` notre exemple :

t

20
1 1 (1, 25)20
= = 3, 953883
t=1 1, 25 0, 25
Doù la valeur nette au bout dun an de :
V AN = 40 000 52 3, 953883 1 500 000 = 6 724 077.
Considerons maintenant la construction initiale de 5 000 en cas de demande

faible. La VAN se calcule comme suit :
t

20
1
V AN = (16 000 52) 1 500 000 = 1 789 631.
t=1 1, 25
Considerons maintenant la construction de 2000 en cas de demande haute et

sans investissement supplementaire. La VAN se calcule comme suit :
t

20
1
V AN = (16 000 52) 800 000 = 2 489 631.
t=1 1, 25
Section 8.3. Decisions de capacite 137
F Nt
40.000 52
16.000 52
0 1 2 3 .. . 20 t
-800.000
-1.000.000
Figure 8.7: Construction de 2 000 (+3000) en cas de demande forte.
Considerons la construction initiale de 2 000 augmentee de 3 000, en cas de

demande forte. Linvestissement initial de 2 000 rapporte 16 000 $ durant 20 ans
et linvestissement de debut de 2ème annee rapporte un supplement de prot de
24 000 durant 19 ans. Ce cas est illustre a` la gure 8.7. La VAN au temps 1 de
linvestissement supplementaire se calcule comme suit :
t

19
1
V AN1 = (24 000 52) 1 000 000.
t=1 1, 25
Appliquons la formule (8.1) a` la somme des facteurs dactualisation :
t

19
1 1 (1, 25)19
= = 3, 942
t=1 1, 25 0, 25
On obtient une valeur nette au bout dun an de linvestissement supplementaire :
V AN1 = 24 000 52 3, 942 1 000 000 = 3 920 058.
On en conclut que lon a interet a` faire linvestissement puisque la VAN est positive.
Pour obtenir la VAN de ce cas, il faut ajouter la VAN de linvestissement initial de
2 000 qui rapporte 16 000 durant 20 ans :
t
1 20
1
V AN0 = 3 920 058 + (16 000 52) 800 000
1, 25 t=1 1, 25
1
= 3 920 058 + 2 489 631 = 5 625 677.
1, 25
Enn, le cas dune demande faible avec un investissement initial de 2 000 est
identique au cas de la construction initiale de 2 000 et dune demande forte lorsque
lon reste a` 2 000. Il a dejà e te calcule plus haut.
Decision demande VAN

construire 5 000 forte 6 724 077
construire 5 000 faible 1 789 631
construire 2 000 + 3 000 forte 5 625 677
construire 2 000 faible 2 489 631
construire 0 forte 0
construire 0 faible 0
Tableau 8.4: Calcul de la VAN
Les resultats dans les differents cas sont resumes au tableau 8.4. On peut alors
calculer les prots esperes dans chacun des deux cas dinvestissement initial :
Construire 5 000 :
E(V AN ) = 0, 2 6 724 077 + 0, 8 1 789 631 = 2 776 520 $.
Construire 2 000 :
E(V AN ) = 0, 2 5 625 677 + 0, 8 2 489 631 = 3 116 840 $.
En conclusion, il vaut mieux construire une petite capacite et e tendre après un

an si necessaire. Remarquons que le resultat depend crucialement de la probabilite
de succès du produit (voir exercice ci-dessous).
8.4 Decisions de localisation
La decision de localisation dun centre de production doit e tre analysee en tenant

compte de plusieurs critères :
1. la facilite daccès, les couts de transport;
2. la disponibilite, qualication et le cout de la main duvre;
3. le cout de construction, les taxes locales;
4. lattraction des clients;

Section 8.4. Decisions de localisation 139
5. la disponibilite des matières premières;
6. les attitudes des autorites locales et nationales.
Limportance relative de ces critères depend du type dactivite a` localiser :
localiser un super-marche : les couts de transport et lattraction des clients

sont preponderants;
localiser une usine : le cout de la main duvre et la disponibilite des

matières premières sont preponderants.
Les modèles de localisation optimale considèrent generalement un seul critè-

re. Deux techniques sont appliquees suivant lobjectif poursuivi : la technique de
gravite si on veut minimiser les couts totaux de transport ou celle de discretisation
si on veut minimiser le temps daccès au client le plus e loigne.
Disons un mot de ces deux techniques qui correspondent chacune a` un choix
dobjectif :
La technique du centre de gravite. Si lon veut minimiser le nombre total de

tonnes-kilomètres de produit transporte, on a interet a` se situer au centre de
gravite des clients et fournisseurs. Par exemple, dans la localisation dune
usine de production de beton, on a interet a` se situer au centre de gravite des
carrières et des gros clients.
Fixons-nous la notation suivante:
M Pi = tonnes de matière première venant de i;
Clj = tonnes vers le client j;
ri = cout unitaire de transport venant de i;
Rj = cout unitaire de transport vers j.
Le centre de gravite se calcule ainsi :

m
m
ri x i M P i + Rj xj Clj
i=1 j=1
x = m m
i=1 ri M Pi + j=1 Rj Clj
m m
ri y i M P i + Rj yj Clj
i=1 j=1
y = m m
i=1 ri M Pi + j=1 Rj Clj
La methode de discretisation. Lorsque le critère temps daccès est le plus

important, on aura recours le plus souvent a` des emplacements multiples an
Cl 1 MP 2
MP 1
Cl n
Cl 2 MP m
Figure 8.8: Centre de gravite
davoir un bon accès a` tous. Par exemple, lors de la localisation dun centre
dintervention de pompiers, on veut minimiser le temps daccès au client le
plus e loigne. Ce qui conduit a` implanter des antennes decentralisees.
Illustrons la difference entre ces deux objectifs sur un exemple simple illustre a`
la gure 8.9 où deux villes sont situees a` 9 kilomètres de distance lune de lautre.
1.000 x 2.000
0 1 2 3 4 5 6 7 8 9
Figure 8.9: Calcul du centre de gravite
La formule du centre de gravite nous donne ici (avec xi la coordonnee de la

ville i et Pi , sa population) :

x i Pi 0 1.000 + 9 2.000
x = i = =6
i Pi 3.000
Pour minimiser le nombre de kilomètres a` parcourir pour desservir les deux villes,
un representant de commerce a interet a` se localiser a` 6 km de la première et 3
kilomètre de la seconde ville.
Par contre, pour un centre dintervention durgence, a interet a` se localiser au
centre des deux villes (à 4,5 kilomètre de chaque ville).
Section 8.5. Utilisation de la programmation mathematique 141
8.5 Utilisation de la programmation mathematique
Pour terminer ce chapitre, nous allons illustrer lutilite de la programmation mathe-

matique dans les decisions de localisation et de choix de capacites sur un exemple
e galement tire de tire de Mac Clain [13].
Les differentes donnees du problème sont reprises aux tableaux 8.5 et 8.6. Les
couts de transport entre les differentes usines et les differents clients sont donnes
au tableau 8.5 en $ par kg. Les demandes des clients sont donnees au tableau 8.5
en millions de kg par jour. Les couts de production sont donnes au tableau 8.6 en
$ par kg. Les capacites de production sont donnees au tableau 8.6 en millions de
kg par jour.
Vers le Cout de lusine ($/kg) Demande du client

le client A B C (106 kg/jour)
1 0,021 0,039 0,035 0,5
2 0,024 0,029 0,034 0,8
3 0,019 0,040 0,029 0,5
4 0,048 0,027 0,026 0,9
5 0,037 0,024 0,032 0,9
6 0,029 0,023 0,041 0,8
7 0,020 0,041 0,032 0,6
8 0,041 0,034 0,019 0,6
9 0,050 0,034 0,018 0,8
10 0,047 0,035 0,018 0,7
Tableau 8.5: Couts de transport et demandes.
Usine A B C
Cout de production ($/kg) 0,347 0,326 0,351
Capacite de production (106 kg/jour) 1,8 4 1,6
Tableau 8.6: Couts et capacites de production.
On veut determiner le plan de distribution qui minimise la somme des couts de

production et des couts de transport.
Nous allons formuler le problème comme un problème de programmation

mathematique :
Choix des variables.

Notons xij , le nombre de millions de kg produits a` lusine i et livres au client
j.
Expression de lobjectif.
Il sexprime simplement par :

3
10
min cij xij
i=1 j=1
avec cij , le cout de fourniture dun million dunite de lusine i vers le client
j. Ce cout est la somme du cout de production et du cout de transport.
Expression des contraintes.

Elles sont de deux types :
Respecter la capacite de lusine i :

10
xij CAPi
j=1
où CAPi note la capacite de lusine i.

Satisfaire la demande du client j :

3
xij = DEMj
i=1
où DEMj note la demande du client j.
La solution optimale peut e tre trouvee par lalgorithme du Simplexe puisquil

sagit dun problème purement lineaire. Examinons maintenant le problème de la
localisation dune nouvelle usine. Supposons que lusine C doive e tre remplacee.
Les alternatives possibles sont :
1. Accrotre lusine B a` 6 millions de kg par jour.
2. Construire une nouvelle C de 2 millions de kg/jour.
3. Construire une nouvelle C de 4 millions de kg/jour.

Section 8.5. Utilisation de la programmation mathematique 143
Les alternatives cout xe cout marginal

6 millions B 18 millions de $ 0,326
2 millions C 18 millions de $ 0,335
4 millions C 34 millions de $ 0,320
Tableau 8.7: Donnees de cout des alternatives.
Leurs couts respectifs sont donnes au tableau 8.7.

Effectuons une comparaison des 3 alternatives et de la situation actuelle. Il
sagit de resoudre successivement quatre problèmes lineaires notes (LP1) a` (LP4)
au tableau 8.8. Dans la colonne cout journalier, on donne la somme du cout de
production et du cout de transport, hors frais xes dinvestissement.
Les alternatives cout journalier cout xe

(LP1) situation actuelle 2 561 600
(LP2) 6 millions B 2 547 300 18 millions
(LP3) 2 millions C 2 533 100 18 millions
(LP4) 4 millions C 2 469 700 34 millions
Tableau 8.8: Donnees de cout des alternatives.
Une première conclusion qui peut e tre tiree de ce tableau est que (LP2) peut
e tre e limine car ayant un cout xe identique a` celui de (LP3), une alternative qui
a un cout journalier inferieur. Calculons leconomie de (LP3) sur 300 jours de
production par rapport a` la situation actuelle :
(2 561 600 2 533 100) 300 = 8 555 000
Soit une e conomie de 8,555 millions par an pour un investissement initial de 18
millions de $. Cet investissement est certainement rentable, quel que soit le facteur
dactualisation.
Calculons maintenant leconomie additionnelle de (LP4) par rapport a` (LP3) :
(2 533 100 2 469 700) 300 = 19 020 000
Soit un e conomie additionnelle de 19,020 millions par an pour un investissement
additionnel de 16 millions de $. A nouveau, cet investissement est hautement
protable. On choisira donc la solution (LP4) : construire la nouvelle usine C a` 4
millions de kg par jour.
Remarquons que, dans la solution de (LP4), lusine A nest plus utilisee du

tout et peut e tre fermee.
Enn, terminons ce chapitre en illustrant limportance de lutilisation de va-
riable binaires dans les decisions de choix de capacite. Prenons lexemple de lou-
verture e ventuelle dune nouvelle usine D de 2 millions de capacite. La decision
douverture de la nouvelle usine peut e tre modelise par la variable binaire :
yD {0, 1}
avec yD valant 1 si lusine D est ouverte et zero sinon.

Cette variable binaire interviendra dans la contrainte de capacite de la nouvelle
usine comme suit :

10
x4j 2yD
j=1
En effet, si lusine D est fermee, le membre de droite est nul et rien ne peut sortir
de lusine.
Cette variable interviendra aussi dans la fonction objectif. En effet, a` la somme
des couts de transport, on peut ajouter le cout xe du nouvel investissement. Ceci
conduit a` lexpression suivante pour lobjectif :

4
10
4
min z = cij xij + Ki y i
i=1 j=1 i=2
où Ki est le cout xe douverture de lusine i.

Remarquez aussi que les variable binaires peuvent e tre utilisees pour decider
du niveau de la capacite dune nouvelle usine parmi un nombre discret de valeurs
possibles. Ainsi, si lusine D peut avoir comme capacite 2 millions ou 5 millions
dunites, on peut e crire :

10

x4j 2yD + 5yD
j=1
avec la contrainte supplementaire que

yD + yD = 1,
ce qui va assurer quune seule des deux capacites est selectionnee.

Remarquez enn que lutilisation de variables binaire conduit a` un problème en
nombres entiers. Il sagit dun problème plus difcile a` resoudre que les problèmes
lineaires (LP1) a` (LP4). Il peut e tre resolu par application de la methode de branch
and bound.
8.6 Exercices

8.1. Equilibrage dune chane. Pour lexemple de la section 8.2.2,
(a) au moyen dun heuristique au choix, determiner une repartition entre
7 operateurs de temps de cycle maximum de 18 minutes.
(b) calculer le retard dequilibre de la chane ainsi obtenue.
8.2. Montage en chane dune lampe. Le montage dune lampe de bureau
necessite la realisation de 7 taches (notees A a` G) dont les temps e lementaires
de montage et les prealables sont donnes au tableau 8.9. Lobjectif de pro-
duction est de 9 000 lampes par mois de 20 jours (un jour = 8 heures).
Tache Temps (secondes) Prealables

A 22 -
B 14 A
C 27 -
D 40 B,C
E 9 -
F 41 D,E
G 12 F
Tableau 8.9: Montage de lampes a` la chane.
(a) Determinez le temps maximum de cycle de la chane dassemblage

pour respecter cet objectif. Autrement dit, une lampe doit sortir de la
chane toute les c secondes pour respecter cet objectif. Que vaut c ?
(b) Representez sur un graphique de reseau les relations danteriorite.
(c) Calculez le score 2 pour chacune des taches de montage.
(d) En utilisant lheuristique de score 2, determinez une affectation des 7
taches aux postes de travail successifs de la chane.
(e) Calculez le retard dequilibre de votre solution.
8.3. Choix dune capacite. Pour les donnees dinvestissement de la section 8.3
mais avec une probabilite de succès du produit de 50 %,
(a) recalculer les valeurs presentes nettes des trois investissements;
(b) expliquer pourquoi la decision optimale change;
(c) determiner la probabilite de succès du produit pour laquelle la decision
optimale change.
8.4. Ouverture dun restaurant. Un independant envisage douvrir un restau-

rant dans le centre de Bruxelles. Il doit decider sil ouvre un restaurant
de 250 personnes (cout de linvestissement : 500 milliers deuros),

de 500 personnes (cout de linvestissement : 1000 milliers deuros),
En cas de succès (demande forte) le restaurant de 500 couverts est pleinement

utilise et rapporte un benece annuel de 200 (milliers deuros). En cas de
demande faible, une capacite de 250 couverts est sufsante et rapporte un
benece annuel de 100 (milliers deuros). Le succès est connu au bout de la
première annee. Les beneces annuels sont comptabilises en n dannee.
Au bout dun an,
si linstallation comporte 500 couverts, lindependant peut diminuer la

capacite en revendant une partie des installations pour 200.000 euros.
si linstallation comporte 250 couverts, lindependant peut agrandir son
restaurant a` 500 couverts avec un cout additionnel de 700.000 euros.
Lindependant va exploiter le restaurant durant 20 ans. On neglige la valeur

de linstallation au bout de 20 ans. Le facteur dactualisation est de 10%.
(a) On demande de dessiner larbre de decision relatif a` ce problème.

(b) On demande de completer le tableau suivant :
Cas Decision Demande VPN

1 Restaurant 500 couverts Forte
2 Restaurant 500 250 couverts Faible
3 Restaurant 250 couverts Faible
4 Restaurant 250 + 250 couverts Forte
Donner le detail de vos calculs.

(c) Sachant que la probabilite de succès (demande forte) a e te estimee a`
55% sur base dune e tude marketing, on demande de calculer
la VPN esperee si la première decision consiste a` ouvrir un res-
taurant de 500 couverts
la VPN esperee si la première decision consiste a` ouvrir un res-
taurant de 250 couverts
(d) Etant donne les resultats ci-dessus, quelle decision initiale dinvestis-
sement prendra linvestisseur ?
8.5. Ouverture de depots. Une rme travaille uniquement pour 4 gros clients
situes a` Bruxelles, Charleroi, Namur et Ostende, respectivement. Elle veut
reorganiser sa distribution et a la possibilite de satisfaire la demande de ses
clients a` partir de 3 depots differents, a` Anvers, Liège et Mons, respec-
tivement. Si un depot est ouvert une annee, cela represente un cout xe
(administration, gardiennage, etc. . . ) de 25 pour Anvers, 15 pour Liège et
15 pour Mons. Les capacites annuelles de ces depots, si ils sont ouverts,
sont de 40, 25 et 25 respectivement.
Le directeur des ventes de cette rme consulte ses ches de commandes des
dernières annees et estime que, pour lannee prochaine, il devra livrer 20, 12,
9 et 14 unites du produit a` ses quatre clients. Les couts de transport dune
unite de produit entre les usines et les villes sont donnes au tableau 8.10.
Cout de transport Bruxelles Charleroi Namur Ostende

Anvers 100 150 180 90
Liège 120 170 80 210
Mons 70 30 90 140
Tableau 8.10: Couts unitaires de transport.
Sachant que lapprovisionnement dun client peut se faire a` partir de plusieurs

depots, on veut determiner :
quels depots la rme doit-elle ouvrir lannee prochaine ?

comment organiser le transport entre les depots et clients?
pour minimiser la somme des couts xes douverture et des couts variables
de transport. Les couts de production sont identiques dans les trois usines et
nentrent donc pas en consideration. Formuler le problème.
8.6. Problème de localisation de centre de distribution de pneus. Un important

groupe de fabrication de pneus envisage de restructurer son reseau europeen.
Pour le moment, il dispose dun centre de production par pays qui lui coute,
sur base annuelle, les frais xes suivants :
Pays Frais xes Capacite Demande

(106 euros)
Belgique 1,2 500.000 pneus 400.000 pneus
Espagne 4 3.000.000 pneus 2.000.000 pneus
France 6 10.000.000 pneus 6.000.000 pneus
Portugal 2 1.500.000 pneus 1.000.00 pneus
On envisage de desservir les memes marches quactuellement avec un nom-

bre moins important de centres de production ouverts. La demande domes-
tique sur base annuelle est donnee ci dessus. Les frais de transport dun pneu
du pays i au pays j sont connus et notes ctij .
(a) Representez le problème par un graphique de reseau. Indiquez sur

celui-ci les donnees du problème.
(b) Formuler mathematiquement le problème du choix des usines a` conser-
ver ouvertes a` lavenir dans le groupe en supposant que la demande
demeure stable. On veut minimiser la somme des couts xes et des
couts de transport des pneus.
Partie IV
Les techniques doptimisation
149
Chapitre 9
La programmation dynamique.
9.1 Introduction
La programmation dynamique a pour but de traiter les modèles où une sequence
optimale de decisions doit e tre prise. Elle est largement utilisee en planication de
la production pour determiner les lancements de production en cas de couts xes
de lancement de production.
Les modèles dynamiques repondent aux caracteristiques suivantes :
Ils comportent une certain nombre de periode de temps qui seront notees :
t = 1, 2, ...n
A chaque e tape, une decision doit e tre prise. On note par xt la decision prise
a` la periode t.
Chaque e tape est caracterisee par un certain nombre detats initiaux pos-
sibles. On note par st letat initial de la periode t.
Par exemple, en planication de la production :
les e tapes sont les differentes periodes de planication,

la decision xt prise a` la periode t est le niveau de production de la periode,
la variable detat st indique le niveau initial du stock de la periode t.
Lidee generale des procedures de resolution en programmation dynamique

est la suivante. On part dun sous problème, celui de dernière e tape, dont la
resolution est triviale. Ensuite, et en procedant a` rebours, on e tend progressivement
le problème en incluant les e tapes precedentes et en calculant la politique optimale
a` chaque e tape en se basant sur la politique optimale de letape suivante.
151
152 Chapitre 9. La programmation dynamique.
9.2 Le problème du voyageur
Un exemple purement ctif, tire de Hillier et Lieberman [7], va nous permettre

dintroduire la terminologie employee en programmation dynamique. Il sagit du
problème du voyageur devant traverser louest americain il y a plus dun siècle.
Son point de depart et sa destination sont connus. Il effectue son voyage en quatre
e tapes. A chaque e tape, il a le choix de se diriger vers plusieurs e tats. A la
gure 9.1, on a represente chaque e tat par un cercle. Son e tat de depart est letat
1 et son e tat darrivee est letat 10.
7
2 5
1
4
6 4
2 8
3
3
6
4 2 10
1 3 6
3 4
4
3
9
4 1 3
3
4 5 7
Figure 9.1: Problème du voyageur.
Le voyageur souscrit a` chaque e tape une police dassurance dont le cout reète
le degre dinsecurite du voyage. Ceux-ci sont indiques au dessus des arcs a` la
gure 9.1. Il va donc determiner son itineraire de manière a` choisir la route la plus
sure en minimisant la somme des polices dassurance pour le passage detat en
e tat.
Remarquez dabord que lapproche très simple qui consiste a` choisir a` chaque
e tape la police la moins chère ne conduit pas a` une solution globalement la moins
chère. En effet, en suivant cette strategie, on choisirait le chemin 1 2 6
9 10 avec un cout total dassurance de 13. Cependant en sacriant un peu a`
la première e tape, on peut gagner aux e tapes ulterieures. En effet, par exemple la
route 1 4 6 9 10 permet un cout total de 11.
Une autre methode serait devaluer toutes les routes possibles. Cependant sur
ce petit exemple, elles sont dejà au nombre de 3 3 2 = 18 et lorsque le nombre
detapes et/ou le nombre detats crot, cela devient vite un travail prohibitif.
Cest ici quintervient la programmation dynamique qui permet de calculer
la solution optimale sans faire de lenumeration explicite.
Section 9.2. Le problème du voyageur 153
9.2.1 Formulation en un problème dynamique
La formulation dun problème dynamique comporte cinq e tapes :
1. La denition des e tapes. Ici les e tapes sont les quatre e tapes du voyage.
Elles sont notees :
t = 1, 2, ...4
2. Le choix des variables detat. Dans notre exemple, st note letat de depart
de letape t. On peut ici donner les valeurs possibles de st a` chaque e tape :
s1 = 1
s2 {2, 3, 4}
s3 {5, 6, 7}
s4 {8, 9}
3. Le choix des variables de decision. Dans notre exemple, xt note la desti-

nation de letape t. On peut donner les valeurs possibles de xt a` chaque
e tape :
x1 {2, 3, 4}
x2 {5, 6, 7}
x3 {8, 9}
x4 = 10.
4. Lexpression des relations entre les variables. Ici, les contraintes expriment
que la destination dune e tape (xt ) est le point de depart de la suivante (st+1 ) :
s1 = 1
s2 = x1
s3 = x2
s4 = x3
x4 = 10
5. Lexpression de lobjectif. Lobjectif est ici de minimiser le cout total du

voyage. Il peut secrire :

4
min z = ct (st , xt )
t=1
où ct (st , xt ) est le cout a` letape t daller de st vers xt .

9.3 Procedure de resolution
La programmation dynamique commence avec une petite portion du problème

original, trouve la solution optimale pour cette portion du problème. Ensuite on
e largit progressivement le problème, en determinant la nouvelle solution optimale a`
partir de la precedente. Pour le problème du voyageur, on considère le problème de
n de voyage, lorsquil ny a plus quune e tape a` faire. Pour ce problème la solution
optimale est e vidente : le voyageur doit aller directement a` sa destination, letat
10. A literation suivante, on e largit dune unite le nombre detapes a` effectuer.
On peut ensuite deduire la strategie optimale pour la troisième e tape en fonction
de la strategie optimale pour la dernière e tape.
Fixons-nous deux notations utiles pour la procedure de resolution.
Denition 9.1 On note par xt (st ) la meilleure strategie a` letape t, si on est dans
letat st a` letape t.
Denition 9.2 On note par ft (st ) le cout de la meilleure strategie a` letape t, si

on est dans letat st a` letape t.
La programmation dynamique va determiner successivement f4 (s4 ), f3 (s3 ),

f2 (s2 ) et enn f1 (s1 ) pour chaque e tat possible st a` letape t et utiliser par exemple
f2 (s2 ) pour calculer f1 (s1 ).
Pour t = 4, cest-à-dire lorsque le voyageur na plus quune e tape a` effectuer, sa
destination nale est connue : x4 = 10. Le tableau 9.1 reprend les couts minimaux
de la dernière e tape ainsi que la decision optimale en fonction de s4 ,letat de depart.
s4 x4 f4 (s4 )
8 10 3
9 10 4
Tableau 9.1: Couts minimaux de la dernière e tape
Considerons le cas t = 3, cest-à-dire lorsque le voyageur a encore deux e tapes

a` effectuer. Si le voyageur est dans letat 5 (s3 = 5), il peut aller vers 8 ou 9 a` des
couts respectifs de c5,8 = 1 ou c5,9 = 4 auxquels il faut ajouter le cout additionnel
de letape 4 donne dans la table 9.1. Il sagit de f4 (8) = 3 sil va vers 8 et de
f4 (9) = 4 sil va vers 9. Le cout total minimum de 1 + 3 = 4 est obtenu sil va
Section 9.3. Procedure de resolution 155
s3 x3 = 8 x3 = 9 x3 f3 (s3 )
5 1+3=4 4+4=8 8 4
6 6+3=9 3+4=7 9 7
7 3+3=6 3+4=7 8 6
Tableau 9.2: Couts minimaux de la troisième e tape.
vers 8, donc x3 = 8 et f3 (5) = 4. On procède de meme pour s3 = 6 et s3 = 7 et

on obtient les valeurs donnees dans la table 9.2.
La solution pour le problème où il reste trois e tapes (t = 2) est obtenue de
manière similaire. Elle est illustree a` la table 9.3. Les e tats destination sont cette
fois au nombre de trois : il sagit de x2 = 5, x2 = 6 ou x2 = 7 tandis que les e tats
de depart possibles sont s2 = 2, s2 = 3 ou s2 = 4. Pour les e tats de depart 2 ou 4,
la destination optimale peut e tre au choix 5 ou 6 puisque le cout total est le meme.
s2 x2 = 5 x2 = 6 x2 = 7 x2 f2 (s2 )
2 7 + 4 = 11 4 + 7 = 11 6 + 6 = 12 5 ou 6 11
3 3+ 4 =7 2+ 7 =9 4 + 6 = 10 5 7
4 4+ 4 =8 1+ 7 =8 5 + 6 = 11 5 ou 6 8
Tableau 9.3: Cout minimaux de la deuxième e tape.
Enn, pour le problème de première e tape (t = 1), le cout minimum de la

police optimale est a` nouveau donne en fonction de letat destination de letape
comme la somme du cout de première e tape plus le cout minimum des e tapes
ulterieures. On obtient les resultats de la table 9.4.
s1 x1 = 2 x1 = 3 x1 = 4 x1 f1 (s1 )
1 2 + 11 = 13 4 + 7 = 11 3 + 8 = 11 3 ou 4 11
Tableau 9.4: Cout minimaux de la première e tape.
On faut maintenant identier une politique optimale. Pour t = 1, le voyageur

doit donc se diriger initialement vers letat 3 ou 4. Supposons quil choisisse
x1 = 3. Pour t = 2, la strategie optimale pour s2 = 3 est x2 = 5 (voir tableau
9.3), ce qui dans letape t = 3 conduit a` letat s3 = 5. La strategie optimale pour
s3 = 5 consiste a` choisir x3 = 8 (voir tableau 9.2). On se retrouve en s4 = 8 et on
choisit x4 = 10 a` letape 4 (voir tableau 9.1). Une des routes optimales est donc
le parcours suivant :
1 3 5 8 10
et donnant un cout total de :
f1 (1) = 11
Cette solution est illustree au tableau 9.5.
t 1 2 3 4
st 1 3 5 8
xt 3 5 8 10
Tableau 9.5: Solution optimale pour le problème du voyageur.
9.4 Un problème daffectation de ressources rares
Nous illustrons le fait que le champs dapplication de la methode de resolution

est très large sur un deuxième exemple e galement tire de Hillier et Lieberman
[7] : il sagit du problème de lorganisation mondiale de la sante. On suppose
que lOMS dispose de 5 e quipes medicales a` affecter a` 3 pays pour mener a`
bien une campagne de vaccination. LOMS doit determiner combien dequipes
envoyer dans chacun des trois pays de manière a` maximiser lefcacite generale
de laffectation. La mesure de lefcacite est donnee en terme dannees-homme
de vie supplementaire. Ces donnees sont reprises au tableau 9.6. On suppose que
chaque pays doit benecier dau moins une e quipe.
Nombre dequipes Pays 1 Pays 2 Pays 3

1 45 20 50
2 70 45 70
3 90 75 80
Tableau 9.6: Milliers dannees-homme supplementaires.
9.4.1 Formulation comme un problème dynamique
1. Denition des e tapes. Bien quil ny ait pas de succession temporelle, on

peut imaginer que les trois e tapes dun processus dynamique consistent en
laffectation successive aux trois pays puisque lorsquune e quipe est affectee
Section 9.4. Un problème daectation de ressources rares 157
a` un pays, elle nest plus disponible pour les autres pays. On a donc identie
les e tapes.
2. Choix des variables detat. Comment identier les e tats ? Autrement dit,
quelle est linformation necessaire a` une e tape pour pouvoir determiner la
politique optimale ? Il sagit simplement du nombre dequipes medicales
qui restent disponibles. Notons st le nombre dequipes encore disponibles
au debut de letape t. On peut donner les valeurs possibles de st :
s1 = 5
s2 {2, 3, 4}
s3 {1, 2, 3}
3. Choix des variables de decision. Notons xt le nombre dequipes medicales

affectees au pays t. On peut donner les valeurs possibles de xt :
x1 {1, 2, 3}
x2 {1, 2, 3}
x3 {1, 2, 3}
4. Relations entre les variables. Les relations de recurrence entre les variables
secrivent ici :
s1 = 5
s2 = s 1 x 1
s3 = s 2 x 2
En general, on peut e crire la relation suivante :
st+1 = st xt .
Il faut e galement ajouter la condition quau moins une e quipe soit envoyee
dans chaque pays :
xt 1, t = 1, 2, 3
5. Lexpression de lobjectif. Lobjectif est ici de maximiser lefcacite de

lallocation. Il peut secrire :

3
max z = Bt (xt )
t=1
où Bt (xt ) mesure le benece de lallocation de xt e quipes medicales au pays

t.
9.4.2 Resolution par la programmation dynamique
A letape t = 3, les e tats possibles vont de 1 (il faut au moins une e quipe pour le
pays 3) jusquà 3 (on a au moins affecte une e quipe au pays 1 et une e quipe au pays
2). A la dernière e tape, on a interet a` affecter toutes les e quipes encore disponibles
(voir tableau 9.7).
s3 x3 f3 (s3 )
1 1 50
2 2 70
3 3 80
Tableau 9.7: Calculs de letape 3.
A letape 2, les e tats possibles vont de 2 (il faut au moins une e quipe pour le
pays 2 et une e quipe pour le pays 3) a` 4 (on a au moins attribue une e quipe au pays
1). A la deuxième e tape, au gain de letape, il faut ajouter le gain resultant pour
letape 3 avec s3 = s2 x2 . Le detail des calculs est donne au tableau 9.8.
s2 x2 = 1 x2 = 2 x2 = 3 x2 f2 (s2 )
2 20 + 50 = 70 1 70
3 20 + 70 = 90 45 + 50 = 95 2 95
4 20 + 80 = 100 45 + 70 = 115 = 75 + 50 = 125 3 125
De meme a` letape 1, au gain de letape, il faut ajouter ceux des e tapes suivantes
avec s2 = s1 x1 . Le detail des calculs est donne au tableau 9.9.
s1 x1 = 1 x1 = 2 x1 = 3 x1 f1 (s1 )
5 45 + 125 = 170 70 + 95 = 165 90 + 70 = 160 1 170
La solution optimale est calculee ci-dessous.

t 1 2 3
st 5 4 1
xt 1 3 1
Elle donne un gain de 170 000 hommes-annees.
Section 9.5. Application a` la planication de la production. 159
9.5 Application a` la planication de la production.
Nous allons maintenant voir comment la programmation dynamique permet de

resoudre des problèmes de planication de la production en presence de couts de
production non convexes. Illustrons ceci sur un exemple.
La demande previsionnelle de n de mois dun composant est donnee au ta-
bleau 9.10. La fabrication de ce composant necessite un certain nombre de reglages
independants du nombre dunites fabriquees. Le cout de lancement est de 150. Le
cout direct depend de la main duvre disponible. Le cout est de 200 en heures
normales, de 250 en heures supplementaires. Le tableau 9.10 donne la production
maximale en heures normales et heures supplementaires. On une capacite de sto-
Periode t 1 2 3 4 5
Capacite de production a` 200 2 2 3 3 3
Capacite de production a` 250 3 3 3 3 3
Demande previsionnelle n t 2 1 4 2 4
Tableau 9.10: Demande previsionnelle et capacite de production.
ckage limitee a` 2 unites. Le cout de stockage est de 10 par unite stockee par mois.
Une unite fabriquee le mois t peut e tre utilisee pour satisfaire la demande de n
de mois. On sinterdit toute rupture de stock.
9.5.1 Formulation en un problème dynamique
Nous allons tout dabord formuler le problème en un problème de programmation

dynamique. Pour cela, denissons la variable detat de la periode t suivante :
st = stock au debut de la periode t.
Denissons aussi la variable de decision de la periode t suivante :
xt = production a` la periode t.
On denit la fonction
ft (st , xt )
comme e tant le cout de la meilleure planication pour les periodes restantes si on
est dans letat st au debut de la periode t et que lon decide de produire xt a` la
periode t. Ce cout est la somme du cout de production de letape t, dun cout de
possession du stock pendant le mois t ainsi que du cout des e tapes ulterieures :

ft (st , xt ) = cpt (xt ) + cs st + ft+1 (st + xt dt )
où dt note la demande previsionnelle qui est donnee au tableau 9.10. La fonction
cpt (xt ) denote le cout de production a` letape t. Ce dernier est la somme dun cout
xe de lancement de 150, a` payer pour autant quil y ait production, et dun cout
direct de main duvre qui est de 200 par unite produite en heures normales, de
250 par unite produite en heures supplementaires. Remarquez quen presence de
cout de lancement le cout de production nest pas convexe. Ceci peut e tre verie
a` la gure 9.2 qui illustre la fonction de cout pour t = 5.
cp 5(x5 )
1500
1250 250
1000
750
200
550
350
350
1 2 3 4 5 6 x5
Figure 9.2: Cout non convexe.
La capacite de stockage est limitee a` 2 unites :
st 2, t.
Ce qui limitera a` trois les e tats du monde possibles a` chaque e tape. La relation
liant les variables detat et de decision est la suivante :
st+1 = st + xt dt
On sinterdit toute rupture. Ce qui se traduit par un stock nal non negatif :
xt 0, t.
9.5.2 Resolution par la programmation dynamique
Nous allons maintenant resoudre le problème par la programmation dynamique.

A letape 5, on a d5 = 4. Ce qui explique quil faut au moins produire 4 unites si
s5 = 0 mais pas plus de 6 sinon le stock nal sera superieur a` deux unites. On doit
aussi respecter la capacite de production de 6 unites. Si le stock initial s5 = 1, on
peut se contenter de produire 3. On peut e galement produire 4 ou 5 mais pas plus
vu la capacite de stockage limitee a` 2 unites. On obtient les couts suivants :
s5 x5 = 2 x5 = 3 x5 = 4 x5 = 5 x5 = 6 x5 f5 (s5 )
0 1.000 1.250 1.500 4 1.000
1 760 1.010 1.260 3 760
2 570 770 1.020 2 570
Par exemple le cout de 1.000 si s5 = 0 et x5 = 4 resulte du seul cout de production

qui se calcule comme suit :
150 + 3 200 + 250 = 1000.
Le cout de 760 si s5 = 1 et x5 = 3 resulte de la somme du cout de stockage dune

unite pendant un mois et du cout de production des trois unites :
1 10 + 150 + 3 200 = 760.
A letape 4, on a d4 = 2. On ajoute au cout de production de letape, le cout

des e tapes ulterieures. Ainsi, dans le cas où s4 = 0 et x4 = 2, le cout correspond
a` lapplication de la formule :
f4 (s4 , x4 ) = cp4 (x4 ) + f5 (s4 + x4 d4 )

= (150 + 400) + 1.000
= 1.550
On obtient le tableau de couts suivant :
s4 x4 = 0 x4 = 1 x4 = 2 x4 = 3 x4 = 4 x4 f4 (s4 )
0 1.550 1.510 1.570 3 1.510
1 1.360 1.320 1.330 2 1.320
2 1.020 1.130 1.140 0 1.020
A letape 3, on a d3 = 4. On determine semblablement le tableau de couts

suivant :
s3 x3 = 2 x3 = 3 x3 = 4 x3 = 5 x3 = 6 x3 f3 (s3 )
0 2.510 2.570 2.520 4 2.510
1 2.270 2.330 2.280 3 2.270
2 2.080 2.090 2.040 4 2.040
A letape 2, on a d2 = 1. On a une capacite de production a` 200 limitee a` deux

unites. On obtient le tableau de couts suivant :
s2 x2 = 0 x2 = 1 x2 = 2 x2 = 3 x2 f2 (s2 )
0 2.860 2.820 2.840 2 2.820
1 2.520 2.630 2.600 0 2.520
2 2.290 2.410 0 2.290
A letape 1, la demande est de 2 et on a le tableau de couts suivant :
s1 x1 = 2 x1 = 3 x1 = 4 x1 f1 (s1 )
0 3.370 3.320 3.340 3 3.320
On determine ensuite la politique optimale. Partant de s1 = 0, il est optimal

de produire 3. La demande e tant de 2, on se retrouve avec s2 = 1. La strategie
optimale pour la deuxième periode est de ne produire rien du tout. On se retrouve
avec un stock s3 = 0. La strategie optimale est de produire x3 = 4. On se retrouve
avec un stock s4 = 0. La strategie optimale est de produire x4 = 3, soit une unite
de plus que la demande. On se retrouve avec un stock s5 = 1 et on produit x5 = 3 :
t= 1 2 3 4 5
dt 2 1 4 2 4
st 0 1 0 0 1
xt 3 0 4 3 3
Remarquez quen periode 2, on a prefere ne pas produire la seule unite de-

mandee car une unite en première e tape meme en heures supplementaires et avec
un cout de stockage revient mois cher (260) quune seule unite en heure normale
a` la periode 2 (350). Remarquez aussi quen periode 4, on produit une unite de
plus que la demande pour e viter de produire a` 250 en periode 5 la quatrième unite
demandee cette periode. Il y a, en effet, une unite disponible a` 200 (+ 10 de cout
de stockage) au mois precedent.
9.5.3 Algorithme en cas de cout

convexe
Signalons quil existe un algorithme plus efcace dans le le cas ou` il ny a pas de
cout
xe et que les couts
marginaux sont croissants. En effet, dans ce cas, le
cout de production devient convexe et une procedure plus efcace consiste a`
1. satisfaire la demande de periode 1 en utilisant les moyens de production les

plus avantageux de la periode, et calculer les capacites residuelles;

plus avantageux des deux premières periodes, puis modier en consequence
les capacites de production residuelles;

plus avantageux de la periode 3 ou des periodes precedentes, puis modier
en consequence les capacites de production residuelles; etc. . .
Appliquons cette procedure au meme exemple en supposant quil ny a pas de cout

xe de lancement de production. En periode 1, la demande est satisfaite par :
-une production en periode 1 a` 200 (2 unites).
Les demandes et capacites residuelles sont donnees par :
Periode t 1 2 3 4 5
Capacite residuelle a` 200 0 2 3 3 3
Demande residuelle 0 1 4 2 4
En periode 2, la demande est de 1. Elle est satisfaite par :

-une production en periode 2 a` 200 (1 unite).
Periode t 1 2 3 4 5

-une production en periode 3 a` 200 (3 unites);
-une production a` 200 en periode 2 (1 unite).
Periode t 1 2 3 4 5

-une production en periode 4 a` 200 (2 unites).
Periode t 1 2 3 4 5

-une production en periode 5 a` 200 (3 unites);
-une production a` 200 en periode 4 (1 unite).
Periode t 1 2 3 4 5
Par difference avec les capacites initiales, on obtient les capacites utilisees a` chaque
e tape et donc le plan optimal de production et stockage (st est le stock de debut t)
suivant :
Periode t 1 2 3 4 5
dt 2 1 4 2 4
st 0 0 1 0 1

xt 2 2 3 3 3
Remarquez que, par rapport au cas avec cout de lancement, on a encore avance
des productions (une unite de demande de periode 3 produite a` la periode 2, et une
unite de demande de periode 5 produite a` la periode 4) pour benecier des capacites
encore disponibles en heures normales qui coutent moins cher que la production en
heures supplementaires. Mais la deuxième cause danticipation de production, a`
savoir e viter de mettre en route une production pour une faible quantite, a disparu.
9.6 Exercices
9.1. Ventes de livres. Un e diteur de livres e ducatifs doit decider du nombre de

vendeurs quil envoie dans chacune des regions du pays pour maximiser le
nombre de ventes. Le tableau qui suit donne laugmentation du nombre de
ventes dans chaque region en fonction du nombre de vendeurs envoyes.
Nombre de vendeurs Region 1 Region 2 Region 3

1 4 3 5
2 6 6 7
3 9 8 12
4 11 10 12
Il y a 6 vendeurs mais il est decide den envoyer au mois un dans chaque

region. Formuler et resoudre par la programmation dynamique.
9.2. Plan de production hebdomadaire optimal. Une societe de construction

automobile doit planier la production du moteur M200. Au debut de la
douzième semaine, les commandes a` honorer pour le debut des periodes 13
a` 16, sont les suivantes :
Periode 13 14 15 16
Besoins totaux 4 5 2 3
La fabrication du moteur M 200 demande une semaine et le cout de lancement

dans latelier moteurs est estime a` 500 euros. Le cout variable unitaire est de
300 euros pour les trois premières unites produites au cours dune semaine
et de 400 euros pour les unites suivantes. La capacite de stockage est limitee
a` deux moteurs et le cout unitaire hebdomadaire de stockage est de 50 euros.
(a) Formuler le problème de planication comme un problème dynamique.

(b) Sachant quau debut de semaine 12, il ne reste aucun M200 en stock,
determiner le plan de production optimal du moteur M200 pour les
semaines 12 a` 15.
(c) Donner le plan optimal de production et de stockage.
9.3. Fabrication en heures supplementaires et au moyen dinterimaires. Une

societe dispose dune certaine capacite de production en heures normales
(cout direct de 1.000 euros) et heures supplementaires (cout direct de 1.400
euros). Elle peut aussi faire appel a` des interimaires (cout de 1.800 euros).
Les capacites de production ainsi que les demandes previsionnelles sont
donnees au tableau suivant pour les cinq prochains mois :
Periode t 1 2 3 4 5
Production a` 1.000 euros 15 12 10 15 15
Demande 12 17 13 21 18
Le cout de stockage se reduit au seul cout dimmobilisation du capital.

Le taux annuel de possession du capital utilise est de 24 %. En clair, un
produit fabrique a` 1.000 euros et stocke pendant un mois, represente un cout
dimmobilisation du capital de
2% 1.000 = 20 euros.
Un calcul semblable est fait pour les produits fabriquees a` 1.400 euros ou
1.800 euros.
Donnez la politique optimale de production et de stockage.
Chapitre 10
La programmation lineaire.
10.1 Introduction
On parle de programme lineaire lorsque lon veut minimiser ou maximiser une

fonction objectif lineaire sous des contraintes purement lineaires.
Lorsquil ny a que deux variables de decision, un problème lineaire peut e tre
resolu de manière purement graphique. Lorsquil y a un plus grand nombre de
variables, un algorithme mis en uvre sous la forme dun programme informatique
savère necessaire. Il sagit de lalgorithme du Simplexe.
Lorsque les variables doivent prendre des valeurs entières, on parle de problè-
mes en nombres entiers. On devrait a` proprement parler de problèmes lineaires en
nombres entiers car on impose, en plus, aux contraintes et a` la fonction objectif
detre lineaires. Nous verrons au chapitre 12 une technique de resolution de ces
problèmes : il sagit de la methode de branch and bound.
Lorsque les contraintes et/ou la fonction objectif sont non lineaires, on parle
de problèmes non lineaires. Nous ne verrons pas dalgorithme de resolution de
ces problèmes dans le cadre de ce cours.
Il est a` remarquer que ces methodes de resolutions e tant mises en uvre dans des
logiciels commerciaux, il ne viendrait plus a` lidee de les programmer soi-meme.
La dernière partie de ce chapitre sera consacree a` la presentation du solveur dExcel
qui dispose dune implementation de ces algorithmes.
10.2 Un simple exemple
Nous prenons un exemple tire de Hillier et Lieberman [7]. Il sagit dune entreprise
de fabrication de chassis qui envisage la production de deux nouveaux modèles
au moyen des capacites residuelles de ses trois ateliers. Il sagit respectivement
dun chassis en aluminium et dun chassis en bois. Le premier produit necessite
167
168 Chapitre 10. La programmation lineaire.
le passage dans le premier atelier pour fabriquer le cadre en aluminium et dans le

troisième atelier où le verre est monte sur le chassis. Tandis que le second produit
necessite le passage dans le deuxième atelier pour fabriquer le cadre en bois et dans
le troisième atelier où le verre est monte sur le chassis. Les marges unitaires, les
temps de fabrication de chacun des produits dans chacun des ateliers ainsi que les
capacites hebdomadaires residuelles de ces ateliers sont donnes au tableau 10.1.
Produit 1 Produit 2 Capacite disponible

(heures/produit) (heures/produit) (heures/semaine)
Atelier 1 1 0 4
Atelier 2 0 2 12
Atelier 3 3 2 18
Marge 3$ 5$
Tableau 10.1: Marges, temps dusinage et capacites.
La question qui se pose est la suivante : Combien faut-il produire de chassis

de chaque type par semaine pour maximiser le prot net ?
Si on choisit comme variables x1 et x2 les quantites de chaque bien a` produire
par semaine, lobjectif du problème secrit simplement :
max z = 3x1 + 5x2 .
Tandis que les contraintes du problèmes proviennent de la capacite limitee des

trois ateliers :
x1 4
2x2 12
3x1 + 2x2 18
Le problème se formule donc comme suit :
max z = 3 x1 + 5 x2

x1
4

2x2 12

(10.1)
s.c.q.
3x1 + 2x2 18

x1 0

x2 0
Section 10.3. Resolution graphique 169
10.3 Resolution graphique
Dans le cas dun problème lineaire a` deux variables de decision, le problème peut
e tre resolu de manière graphique en suivant le processus suivant en trois e tapes.
La première e tape consiste a` representer graphiquement la region realisable.
Denition 10.1 On appelle region realisable, lensemble des valeurs de variables

de decision qui satisfont toutes les contraintes.
Dans le cas de lexemple, cest lensemble des points (x1 , x2 ) satisfaisant les
inegalites de (10.1) :

x1 4 (1)

2x2 12 (2)

3x1 + 2x2 18 (3)

x1 0 (4)

x2 0 (5)
Graphiquement une inegalite telle que 3x1 + 2x2 18 correspond a` un demi-plan

limite par la droite obtenue en prenant linequation a` legalite (ici 3x1 + 2x2 = 18).
Lorsque lon fait lintersection des cinq demi-plans correspondant aux cinq inega-
lites, on obtient le polygone hachure a` la gure 10.1.
x2
(4)
10
8 (1)
(2)
6
2 (3)
(5)
0 2 4 6 8 x1
Figure 10.1: Ensemble de production.
On voit ici clairement que le système est sous-determine. On va devoir choisir

entre ces differents plans de production. Pour ce faire, et cest la deuxième e tape
de la resolution, on va representer graphiquement des lignes disovaleur de la

fonction objectif :
z = 3x1 + 5x2 .
En effet, on remarquera que lexpression de la fonction objectif fait intervenir trois
variables et ne peut donc e tre representee que dans lespace. Pour se ramener dans
le plan, on va considerer des valeurs successives de lobjectif :
z = 3x1 + 5x2 = k.
Ce qui correspond graphiquement a` des droites parallèles. Les points dune de ces
droites sont donc le lieu de tous les points donnant la meme valeur du prot (doù
le nom de droite disovaleur de la fonction objectif). Ceci est fait a` la gure 10.2
où lon a represente z = 15, 30 et 36.
x2
z = 30 (2, 6)
6
z = 15
4
2 z = 36
0 2 5 6 10 x1
Figure 10.2: Droites disoprot.
Enn, et cest la troisième e tape de la resolution, loptimum sera determine

graphiquement comme le plan de production situe sur la droite disoprot la plus
e levee, cest-à-dire celle qui donne le prot le plus e leve. On voit a` la gure 10.2
quil sagit du point
x = (2, 6).
Justions ce choix. Comme on maximise le prot on a interet a` prendre la droite
disovaleur la plus e levee possible. Bien sur, il faut que le plan de production soit
encore realisable : autrement dit, il faut se restreindre a` la region realisable. On a
alors la très important remarque suivante :
Observation 1 :
Pour maximiser lobjectif, il faut prendre la droite disovaleur de lobjectif qui
touche encore la region realisable et qui donne la plus grande valeur a` lobjectif.
Sur base de cet exemple, on tire une deuxième observation :
Section 10.3. Resolution graphique 171
Observation 2 :
On constate que la solution optimale est a` un sommet de la region realisable.
On peut alors se demander si la solution optimale sera toujours a` un sommet de
la region realisable. En fait, lorsque la ligne diso-marge est parallèle a` un cote du
polygone, on a que tout le cote du polygone est optimal. Par exemple, si lobjectif
avait e te z = 3x1 + 2x2 , tout le segment entre (2,6) et (4,3) aurait e te optimum.
Observation 3 :
Meme si tout un cote du polygone est optimal, on peut toujours choisir une solution
optimale correspondant a` un sommet.
En conclusion, on peut voir quil suft devaluer la valeur de lobjectif en
chacun des sommets pour determiner loptimum dun problème lineaire. An de
limiter le nombre de sommets a` examiner, lalgorithme du Simplexe procède de la
manière suivante :
i) Choisir comme point de depart un sommet x de la region realisable.
ii) Determiner les cotes passant par ce sommet x . Trouver un cote le long
duquel z crot. Sil ny en na pas, STOP : le x courant est optimal.
iii) Determiner le sommet y a` lautre bout du cote et poser x = y . Retour

en ii).
Lalgorithme du Simplexe applique a` notre exemple fonctionne ainsi : partant

de (0,0), on se dirige vers le point (0,6) puis vers le point (2,6), loptimum du
problème (voir gure 10.3).
x1 = 0
10
(0, 9)
8 x1 = 4
(2, 6) (4 , 6)
(0, 6) 2x2 = 12
4 (4, 3)
2 3x1 + 2x2 = 18
(0 , 0) 2 (4, 0) (6 , 0) 8 x2 = 0
Figure 10.3: Sommets de la region realisable

10.4 Le solveur dExcel
Le solveur dEXCEL est un resolveur dequation ainsi quun optimiseur exploitant

les techniques de la programmation lineaire, de la programmation en nombres
entiers et de la programmation non lineaire.
Illustrons ceci sur lexemple de lentreprise de fabrication de chassis tire de
Hillier et Lieberman [7] introduit au debut du chapitre. Rappelons la formulation
de ce problème. En posant x1 , le nombre de chassis en aluminium fabriques par
semaine et x2 , le nombre de chassis en bois fabriques par semaine, on obtient la
formulation suivante :
max =
3x1 + 5x2

x1
4

2x2 12

s.c.q. 3x1 + 2x2 18

x1
0

x2 0
Nous allons maintenant resoudre le problème au moyen du solveur dExcel.

La première chose a` faire est de rentrer les donnees numeriques du problème et
les formules de calcul de la fonction objectif ainsi que du membre de gauche des
contraintes. Pour la clarte du modèle, il est indispensable de mettre e galement des
commentaires. Comme le problème est lineaire, on peut rentrer, les coefcients
numeriques sous forme dune matrice. On remarquera au tableau 10.2 que les
A B C D E
1 en alu en bois b
2 Production de chassis
3 Prot : 3 5 =B3*$B$2+C3*$C$2
4 Atelier 1 : 1 0 =B4*$B$2+C4*$C$2 4
5 Atelier 2 : 0 2 =B5*$B$2+C5*$C$2 12
6 Atelier 3 : 3 2 =B6*$B$2+C6*$C$2 18
7 x1 positif : 1 0 =B7*$B$2+C7*$C$2 0
8 x2 positif : 0 1 =B8*$B$2+C8*$C$2 0
Tableau 10.2: Exemple de problème lineaire.
coefcients dune meme e quation ainsi que sa formule de calcul ont e te ranges dans
une meme ligne qui contient comme commentaire le nom de lequation (Atelier
Section 10.4. Le solveur dExcel 173
1, Atelier 2, . . . ). De meme, les coefcients se rapportant a` une meme variable

ont e te range en colonne sous le nom de la variable (x1 , x2 ). Remarquez ici, pour
comprendre les formules, que lon a choisi de placer la valeur de x1 en cellule
$B$2$, soit juste en dessous du commentaire x1 tandis que celle de x2 est placee
en cellule $C$2, soit juste en dessous du commentaire x2.
Il reste maintenant a` indiquer a` Excel, où se trouvent les variables, la fonction
objectif, le membre de gauche, de droite et le sens des contraintes. Ceci peut e tre
mis en uvre en Excel (voir la copie decran 10.4) de la manière suivante :
Figure 10.4: Paramètres du solveur.
1. Dans le menu Outils, choisir le sous-menu Solveur.

2. Dans la zone Cellule a` denir, mettre la reference de la cellule de calcul
de lobjectif (ici $D$3).

3. Dans la zone Egale a` , choisir Max ou Min (ici Max).
4. Dans la zone Cellules variables, mettre les references des cellules conte-
nant les variables (ici $B$2:$C$2) .
5. Dans la zone Contraintes, choisir ajouter une contrainte. Le menu
suivant apparat :
Cellule : Relation : Contrainte :
Pour chaque contrainte :

Dans la zone Cellule, mettre la reference de la cellule contenant la
formule de calcul du membre de gauche (pour latelier 1 : $D$4). Il
faut donc prealablement avoir calcule ce membre de gauche.
Dans la zone Relation, mettre le sens de la contrainte (par exemple,

pour latelier 1 : <=).
Dans la zone Contrainte, mettre la reference de la cellule contenant
le membre de droite (pour latelier 1 : $E$4). On peut e galement
directement entrer une valeur. Mais cela nest pas a` conseiller sauf sil
sagit de la valeur 0 qui nest pas susceptible de varier.
6. Dans Option, choisir Modèle suppose lineaire. On peut e galement
choisir loption Suppose non negatif, auquel cas les contraintes de positi-
vite peuvent e tre supprimees.
7. Lancer la commande Resoudre.
Le tableau 10.3 presente la solution du solveur. Il est a` remarquer quil

indique directement dans les cases des variables la valeur de ces variables. On
obtient bien la solution determinee graphiquement (2,6) a` laquelle correspond une
valeur maximum de lobjectif (36).
A B C D E
1 en alu en bois b
2 Production de chassis 2 6
3 Prot : 3 5 36
4 Atelier 1 : 1 0 2 4
5 Atelier 2 : 0 2 12 12
6 Atelier 3 : 3 2 18 18
7 x1 positif : 1 0 2 0
8 x2 positif : 0 1 6 0
Tableau 10.3: Solution du solveur

Plusieurs remarques sur les particularites du solveur dExcel simposent
ici :
1. On a rentre les contraintes une par une. On peut rentrer par groupe les
contraintes ayant meme sens. Ainsi, dans lexemple, on aurait pu rentrer les
trois contraintes de capacites en bloc par la commande suivante :
$D$4 : $D$6 <= $E$4 : $E$6
2. Excel determine le nom dune variable ou le nom dune contrainte en prenant

le premier commentaire situe a` gauche de la cellule et le premier commentaire
situe au dessus de la cellule de calcul de la variable ou de la contrainte.
Section 10.5. Les rapports du solveur 175
3. Les contraintes de positivite des variables doivent e tre entrees explicitement,

ceci contrairement a` la convention de certains optimiseurs qui considèrent
par defaut des variables non negatives. Remarquez que lon peut directement
entrer la contrainte sous la forme suivante :
$B$2 : $C$2 >= 0
soit en utilisant, comme indique plus haut, loption suppose non negatif.
4. Seules les variables non calculees (les variables independantes du modèle)
doivent e tre rentrees dans la section variables. Ainsi, si lon avait cal-
cule dans une cellule le nombre dheures passees dans latelier 1, cette cel-
lule contiendrait une variable (au sens mathematique du terme) mais ne
devrait pas e tre rentree dans les cellules variables pour Excel, sans quoi
Excel considererait quil sagit dune variable independante et effacerait sa
formule de calcul.
5. Si le modèle est lineaire (contraintes lineaires et fonction objectif lineaire),
on a tout interet a` selectionner loption Modèle suppose lineaire, ce qui
declenchera lalgorithme du Simplexe plutot quun algorithme general de
programmation non lineaire.
6. Remarquez enn que pour modier le modèle on peut utiliser :
la commande supprimer la contrainte;
la commande modier la contrainte.
La solution du solveur correspond bien a` celle determinee precedemment, a`

savoir
x1 = 2
x2 = 6
z = 36
10.5 Les rapports du solveur
Lorsque le solveur a termine, soit quil ait trouve la solution optimale, soit quil
ne parvienne pas a` en trouver (problème non realisable ou non convergence de
lalgorithme de resolution), la bote de dialogue illustree a` la gure 10.5 apparat.
Elle laisse le choix entre garder dans les cellules variables la solution obtenue
par le solveur soit retablir la solution initiale (generalement zero partout). Cette
bote permet e galement de generer trois types de rapport :
Figure 10.5: Rapports possibles du solveur.
le rapport des reponses,

le rapport de sensibilite,
le rapport des limites.
10.5.1 Le rapport des reponses
Le rapport des reponses (voir gure 10.6) fournit :
Figure 10.6: Rapports des reponses.
les informations sur lobjectif : la reference de la cellule, le nom, la valeur

originale et nale de la cellule cible (à Maximiser);
Section 10.5. Les rapports du solveur 177
les informations sur les variables : la reference de la cellule, le nom, la

valeur originale et nale des cellules variables;
les informations sur les contraintes : la reference de la cellule, le nom, la

valeur nale du membre de gauche, la formule de calcul, son status (active
ou non a` la solution nale), ainsi que la marge (valeur de lecart entre les
deux membres de linegalite).
Remarquez que pour determiner le nom, Excel fait, dans chaque cas, la conca-
tenation du premier commentaire rencontre dans la meme ligne que la cellule et
du premier commentaire rencontre dans la meme colonne que la cellule. Ceci
est particulièrement utile si lon a des variables a` deux indices comme dans un
problème de transport. En effet, les variables seront stockees dans un tableau où les
lignes correspondront, par exemple, aux origines et les colonnes, aux destinations.
Il sufra de mettre de i a` gauche de la ligne et vers j en haut de la colonne pour
que le nom de la variable a` lintersection de la ligne et la colonne se voit attribuer le
nom de i vers j par le rapport dExcel. On a e galement utiliser cette facilite pour
notre exemple, en mettant en A2 le commentaire Production de chassis, en
B1 le commentaire en alu et en C1, le commentaire en bois.
10.5.2 Le rapport de sensibilite
Le rapport de sensibilite (voir gure 10.7) fournit :
Figure 10.7: Rapport de sensibilite.
les informations sur les variables : la reference de la cellule, le nom et la

valeur nale de la variable, le cout reduit, le coefcient dans la fonction
objectif, laccroissement et la diminution maximale de ce coefcient avant

quune variable ne change de valeur.
les informations sur les contraintes : la reference de la cellule, le nom et la

valeur nale du membre de gauche de la contrainte, le prix cache, la valeur du
membre de droite, laugmentation et la diminution maximum de ce membre
de droite telle que le prix cache reste le meme.
Nous verrons au chapitre 11 que le cout reduit mesure laccroissement de

lobjectif par unite daccroissement de la variable. Pour un produit non fabrique,
le cout reduit sinterprète donc comme la perte de prot si on fabrique un unite du
produit.
De meme, nous verrons au chapitre 11 que le prix cache mesure laccroisse-
ment de lobjectif par unite daccroissement du membre de droite de la contrainte.
Ce prix cache sinterprète donc comme laugmentation de prot si on dispose dune
heure supplementaire dans latelier. Cest donc le prix maximum que lon est pret
a` payer pour cette heure.
10.5.3 Le rapport des limites
Le rapport des limites (voir gure 10.8) fournit pour chaque variable :
Figure 10.8: Rapport des limites.
sa limite inferieure, cest-à-dire la plus petite valeur de la variable qui satisfait

les contraintes en maintenant les autres variables xees a` leur valeur;
la limite superieure, cest-à-dire plus grande valeur de la variable qui satisfait

les contraintes en maintenant les autres variables xees a` leur valeur.
10.6 Exercices
10.1. La minimisation des couts. Une entreprise peut fabriquer un meme produit
dans deux usines differentes. Les capacites de production de ces deux usines,
exprimees en quantite de produit par jour, sont de 7 pour la première usine et
de 10 pour la seconde. Dautre part, on suppose que le nombre dheures de
main duvre que lon peut affecter globalement a` cette production est de 60
par jour. Or chaque unite produite necessite 10 heures de main duvre dans
la première usine alors quelle nen necessite que 5 dans la seconde. Enn,
la production totale doit permettre de satisfaire au moins une demande de 8
unites par jour. Sachant que les couts variables unitaires sont de 2 pour la
première usine et de 3 pour la seconde, lentreprise desire produire a` cout
minimum.

(a) Ecrire le programme lineaire correspondant.
(b) Resoudre graphiquement.
10.2. Recyclage du papier. Une societe de tri de dechets et recyclage de pa-

pier peut se fournir en dechets auprès de deux villes. Son role consiste a`
separer les listes dordinateur et les journaux. La repartition entre menages
et societes est differente dune ville a` lautre expliquant un pourcentage
different de listes dordinateur et de journaux dans les dechets. Ces pour-
centages ainsi que la quantite maximum de dechets que peuvent fournir par
an ces deux villes sont reprises au tableau suivant :
Ville Listes Journaux Offre

% % tonnes par an
Ville 1 5 20 10.000
Ville 2 15 30 20.000
La societe offre aux villes un prix de 35 euros par tonne de dechet. Elle
doit decider du montant optimal de dechets a` acheter a` chaque ville pour
minimiser son cout dachat. Pour couvrir ses frais xes, la societe doit au
moins collecter 1.500 tonnes de listing dordinateur par an. Au delà de 6.000
tonnes de journaux mis sur le marche par an, le prix que la societe recoit
pour la vente de journaux chute et donc la compagnie ne desire pas vendre
plus que cette quantite. Combien la societe doit-elle acheter de dechets par
an a` chacune des villes ?
(a) Formuler mathematiquement le problème (choix des variables, expres-

sion des contraintes et de lobjectif);
(b) Determiner graphiquement le plan dachat optimal et en deduire le cout

dachat minimum.
10.3. Planication de production sur cout variable. Une entreprise fabrique

deux produits P1 et P2 . Chaque produit doit passer dans deux ateliers (usi-
nage et nition). Le mois dernier, 500 unites de P1 ont e te produites grace
a` 750 heures de travail dans latelier usinage et 250 heures dans latelier
nition. De meme, 700 unites de P2 ont e te produites, necessitant 700
heures dans latelier usinage et 350 heures dans latelier nition. Lentre-
prise dispose e galement dune section administration. Une partie du cout de
production est independante du nombre dheures passees a` la production (les
frais xes), une partie est directement proportionnelle au nombre dheures
passees a` la production (les frais variables). Le mois passe, on a observe la
repartition suivantes entre frais xes et frais variables :
Section frais xes frais variables

Administration 50.000 0
Usinage 60.000 11.600
Finition 40.000 6.000
Il y a e galement un cout de conditionnement du produit qui est de 8 euros

par unite du produit P1 et de 6 euros par unite du produit P2 . Les prix de
vente unitaires sont de 55 euros et 43 euros respectivement.
(a) Calculer les marges sur couts variables (difference entre prix de vente
et cout variable de production) par unite de chacun des deux produits.
Indication : calculer dabord le prix de lheure dans chacun des ateliers
et le temps necessaire dans chacun des ateliers par produit.
(b) Les capacites de production sont de 1.200 heures par mois pour latelier
dusinage et de 500 heures par mois pour latelier de nition. Formuler
le programme lineaire correspondant a` la maximisation de la marge sur
couts variables (choix des variables, expression des contraintes et de
lobjectif).
(c) Determiner graphiquement les productions qui maximise la marge sur
cout variable.
10.4. Fabrication et transport de produits frais. La production dune compa-

gnie se reduit a` 2 produits frais, P et Q quun grossiste lui achète. La marge
unitaire de la compagnie est de 42 euros pour P et 48 euros pour Q. Chaque
soir, les produits frais sont achemines chez le grossiste par un transporteur
qui facture a` la compagnie 2 euros par kg transporte. Ce cout de transport
vient en deduction de la marge. La capacite de transport est de 2.100 kg par

jour. Les produits P et Q selaborent a` partir de 2 materiaux M et N selon
les recettes presentees au tableau suivant. Considerons une journee où la
Produit Poids (en kg) Poids (en kg) Poids total

du composant M du composant N (en kg)
P 4 3 7
Q 2 1 3
compagnie dispose de 1.600 kg de M et de 1.200 kg de N.
(a) Formuler le problème de la maximisation du revenu net de la compa-

gnie.
Choix des variables;
Expression de lobjectif (Conseil : Calculez dabord la marge nette
de frais de transport de chaque produit);
Expression des contraintes.
(b) Determiner graphiquement la solution optimale.
10.5. Organisation de la distribution deau. Une agence pour leau est chargee
du captage de leau et de la fourniture des agglomerations situees dans son
district. Le captage est possible auprès de 3 sources doffre maximum donnee
(le captage est limite pour ne pas diminuer trop le niveau des nappes souter-
raines). Le tableau ci-dessous donne en dernière colonne loffre de chaque
source.
Cout de Destination Offre

fourniture Ville Ville Ville Ville de la
venant de 1 2 3 4 source
Source 1 16 13 22 17 50
Source 2 14 13 19 15 60
Source 3 19 20 23 - 50
Besoin minimum 30 70 0 10
Demande maximum 50 70 30 60
Il y a quatre villes a` servir dans ce district. Le problème est la repartition

de leau disponible entre ces quatre villes durant la saison sèche. Chaque
ville, a des besoins vitaux en eau qui sont repris en avant dernière ligne du
tableau ci-dessus. La compagnie de transport deau est obligee de fournir
ces quantites au minimum. Chaque ville, a une demande effective, qui peut
e tre plus e levee (elle est donnee en dernière ligne du tableau ci-dessus). On
ne livrera jamais plus que cette demande effective. Chacune des villes peut
e tre alimentee par nimporte quelle source, sauf la ville 4 qui ne peut e tre
alimentee a` partir de la source 3. Cependant, vu leloignement geographique,
le cout unitaire de fourniture depend a` la fois du lieu de production et du lieu
de consommation de leau (voir le tableau ci-dessus pour les donnees.)
On se demande comment organiser le transport de toute leau disponible
de sorte a` assurer a` toutes les villes leurs besoins minimaux en ne depassant
pas la demande maximum tout en minimisant les couts totaux de fourniture
de leau pour le district.
(a) Formuler le problème de transport comme un problème lineaire.

(b) Resoudre au moyen du solveur dEXCEL.
Chapitre 11
Analyse postoptimale.
11.1 Introduction
Dans ce chapitre, nous voir comment va varier la valeur optimale de lobjectif

dun programme lineaire lorsque lon modie certains coefcients du problème
(coefcients objectif ou du membre de droite). En effet, generalement la solution
numerique dun problème lineaire est moins signicative que de savoir comment
lobjectif va bouger si lon modie certaines donnees du problème. Cest lobjet
de ce que lon appelle lanalyse postoptimale.
Pour voir leffet de tels changements de donnees, une solution nave consiste a`
appliquer le Simplexe au nouveau problème et bien sur on peut en deduire leffet
sur lobjectif. Mais nous allons voir dans ce chapitre que, si le sommet optimal du
problème original reste optimal pour le nouveau modèle, on peut predire sans
resoudre le nouveau problème leffet de variation des donnees sur la valeur de
la fonction objectif.
Nous allons dabord envisager le cas de la variation des coefcients du
membre de droite des contraintes. Nous allons voir que la variation de la va-
leur optimale de lobjectif dun programme lineaire en fonction des coefcients du
membre de droite est donnee par la valeur des prix caches. Nous verrons com-
ment les determiner graphiquement pour un exemple a` deux variables et comment
determiner le domaine de validite de ces prix caches.
Nous verrons ensuite, le cas de la variation des coefcients de la fonction
objectif. Ici, nous verrons que le taux de variation de lobjectif est donne par la
valeur des variables a` loptimum. Nous verrons quil y a aussi un domaine de
validite pour ces valeurs optimales des variables.
Enn, nous terminerons en donnant linterpretation dune autre information
que lon peut tirer de la solution optimale dun problème lineaire, a` savoir la valeur
des couts reduits des variables.
183
184 Chapitre 11. Analyse postoptimale.
11.2 Variation par rapport au second membre
La question qui se pose est ici la suivante : Si on augmente la capacite disponible

dune ressource, quel est limpact sur la valeur optimale de la fonction objectif ?
Pour des variations de membre de droite sufsamment faibles pour que le meme
sommet reste optimal, on peut repondre a` cette question de la manière suivante :
Le prix cache (note yi ) mesure laugmentation de la fonction objectif si lon
accrot dune unite la capacite disponible (bi ).
11.2.1 Calcul des prix caches
Nous allons illustrer ceci sur sur lexemple introductif du chapitre 10 dont lenonce
est rappele ci-dessous.
max z = 3 x1 + 5 x2

x1
4

2x2 12

s.c.q.

3x1 + 2x2 18

x1 0

x2 0
Considerons tout dabord une augmentation de capacite du premier atelier de

b1 = 4 a` b1 = 5. On peut voir a` la gure 11.1 que le nouveau point optimal reste
le meme
x = x = (2, 6).
En consequence de quoi, la valeur optimale de lobjectif ne change pas :
z = z = 36
Doù une variation nulle de lobjectif, ce qui se traduit par une valeur nulle du
premier prix cache :
z = z z = 0 = y1 .
Une augmentation de capacite du deuxième atelier de b2 = 12 a` b2 = 13 donne

un deplacement du point optimal vers (voir gure 11.1) :
x = (5/3, 13/2).
En consequence de quoi, la nouvelle valeur de lobjectif est donnee par :
z = 37, 5
Section 11.2. Variation par rapport au second membre 185
x2
z = 3x1 + 5x2
9
8
(5/3, 13/2) 2x2 = 13
6
x1 = 4 2x2 = 12
x1 = 5
4
2 3x1 + 2x2 = 18
0 x1
0 2 4 6, 8
Figure 11.1: Analyse postoptimale.
Doù un accroissement de lobjectif qui determine la valeur du deuxième prix

cache :
3
z = z z = = y2 .
2
Enn, considerons une augmentation de capacite du troisième atelier de b3 =
18 a` b3 = 19. Comme on peut le voir a` la gure 11.2, cela donne un deplacement
du point optimal vers :
x = (7/3, 6).
En consequence de quoi, la nouvelle valeur de lobjectif vaut :
z = 37
Doù une augmentation dobjectif qui determine la valeur du troisième prix cache :
z = z z = 1 = y3 .
Le resultat peut aussi e tre interprete dans lautre sens : y3 est la perte de prot
si on diminue dune unite la capacite du troisième atelier.
Remarquer que dans la pratique, si on utilise la forme algebrique de lalgorithme
du Simplexe, ces prix caches sont calcules automatiquement par lalgorithme.
Cest ainsi que tout bonne implementation de lalgorithme du Simplexe fournit
cette information (voir le rapport de sensibilite dExcel presente au chapitre 10).
x2
z = 3x1 + 5x2
10
3x1 + 2x2 = 19
8
(7/3, 6)
6 2x2 = 12
x1 = 4
4
2
3x1 + 2x2 = 18
0 2 4 6 8 x1
Figure 11.2: Variation de capacite de latelier 3.
11.2.2 Analyse de sensibilite au membre de droite
Remarquons, et ceci est lobjet de lanalyse de sensibilite quil y a une limite de

validite de chaque prix cache. En effet, dans le cas de la première ressource, si
leffet dune augmentation de b1 sera nul sur la valeur optimum de lobjectif quel
que soit b1 4, il nen va pas de meme dune diminution. En effet, en dessous
de b1 = 2, la solution optimale va changer. On a donc determine le domaine de
validite de y1 = 0 : il sagit de lintervalle :
b1 [2, +].
Pour le deuxième atelier, au delà de b2 = 18, la solution optimale reste en (0,9).

Le sommet optimum nest plus a` lintersection des contraintes (2) et (3) mais bien
a` lintersection des contraintes (3) et (5). Au delà de ce point, y2 change :
y2 = 0.
De meme, une diminution en dessous de b2 = 6 va changer le sommet optimal :
en effet, il sera a` lintersection des contraintes (1) et (2) et non plus a` lintersection
des contraintes (2) et (3). On en deduit le domaine de validite de y2 = 3/2 :
b2 [6, 18].
Pour le troisième atelier, au delà de b3 = 24, la solution optimale reste en (4,6).

Le sommet optimal et y3 changent :
y3 = 0.
Section 11.3. Variation des coecients objectifs 187
De meme, une diminution en dessous de b3 = 12 va changer le sommet optimal.

On en deduit le domaine de validite de y3 = 1 : il sagit de lintervalle :
b3 [12, 24].
Ces informations sont donnees dans le rapport de sensibilite du solveur dExcel.

Ces informations sont fournies sous la forme dune augmentation admissible et
dune diminution admissible. Elle sont reprises ci-dessous :
Contrainte augmentation admissible diminution admissible

Atelier 1 + 2
Atelier 2 6 6
Atelier 3 6 6
Remarquons nalement que lon a toujours une valeur nulle du prix cache
pour une contrainte non liante. Une contrainte non liante est une contrainte où
la variable decart est non nulle. Par exemple, la première contrainte
x1 4
a un prix cache nul. Ceci a une interpretation e conomique. La ressource nest

pas entièrement utilisee : il ne sert donc a` rien daugmenter son stock disponible.
11.3 Variation des coefcients objectifs
La question qui se pose ici est la suivante :Si on augmente le prix de vente unitaire
ou si lon diminue le cout de production unitaire, quel est limpact sur la valeur de
lobjectif ?
A nouveau, on peut predire cette variation de lobjectif pour autant que le
sommet optimal ne change pas. En effet, tant que le sommet optimal ne change
pas, la solution optimale x = (x1 , x2 , . . .xn ) reste la meme. Seul le prot optimal
change. Le nouveau prot vaut donc :

n
z = (cj + cj )xj
j=1
On en conclut que pour une variation unitaire du coefcient cj , laugmentation de

z est exactement la valeur optimale de la variable xj .
La valeur de la j e` me variable a` loptimum (notee xj ) mesure laugmenta-

tion de la fonction objectif si lon accrot dune unite la marge unitaire cj .
Nous allons a` nouveau lillustrer sur le meme exemple introductif. Daprès
le resultat e nonce ci-dessus, les augmentations de prot pour une augmentation
unitaire de la marge des produits valent respectivement :

x1 = 2,

x2 = 6.
Supposons que la marge sur le premier produit augmente dune unite. Autre-
ment dit, lobjectif devient :
max z = 4x1 + 5x2
On constate a` la gure 11.3 que la pente de lobjectif ne varie pas sufsamment

pour changer le sommet optimum qui reste en :
x1 = 2
x2 = 6
On en deduit la nouvelle valeur de lobjectif :

z = 4 2 + 5 6 = 38
Laugmentation de lobjectif correspond bien a` la valeur de x1 :
z = 38 36 = 2 = x1
11.3.1 Analyse de sensibilite aux coefcients objectif
Considerons maintenant la question lanalyse de sensibilite. On veut, par exemple,

determiner lintervalle de variation maximum de c1 autour de 3 tel que le sommet
optimal ne change pas.
A la gure 11.3, on constate que le coefcient c1 peut descendre jusquà ce que
lobjectif z = c1 x1 + 5x2 soit parallèle au segment
2x2 = 12,
cest-à-dire lorsque c1 = 0. Le coefcient c1 peut augmenter jusquà ce que lob-

jectif z = c1 x1 + 5x2 soit parallèle au segment
3x1 + 2x2 = 18.

Section 11.3. Variation des coecients objectifs 189
x2
10
8
(2, 6)
6
z = 4x1 + 5x2 = 38
4 z = 3x1 + 5x2 = 36
0 2 4 6 8 10 12 x1
Figure 11.3: Analyse de sensibilite de c1 .
Ceci se produit lorsquil y a e galite des pentes :

c1 3
= ,
5 2
cest-à-dire lorsque c1 = 15/2. On en conclut que tant que
c1 [0, 15/2],
on a le meme sommet optimal et donc la meme solution optimale.
Effectuons lanalyse de sensibilite pour le second coefcient objectif. Celui-ci
peut decrotre jusquà ce que lobjectif z = 3x1 + c2 x2 soit parallèle au segment
3x1 + 2x2 = 18.
Ceci se produit lorsquil y a e galite des pentes :
3 3
= ,
c2 2
cest-à-dire lorsque c2 = 2. Dans lautre sens, c2 peut augmenter jusquà ce que
lobjectif z = 3x1 + c2 x2 soit parallèle au segment
2x2 = 12.
Ceci ne se produit jamais. On en conclut que tant que :
c2 [2, +[,
on a le meme sommet optimal et donc la meme solution optimale.
Ces intervalles de sensibilite sont donnes dans le rapport de sensibilite du
solveur dExcel (voir chapitre 10).
11.4 Cout
reduit des variables hors base
On appelle variables hors base celles dont la valeur est a` zero a` loptimum.
Le cout reduit de la variable hors base xj , note dj , mesure laugmentation
de la fonction objectif si lon accrot dune unite la valeur de la variable xj .
Nous illustrerons cette notion sur l exemple de planication de la production
de chassis auquel on adjoint un troisième chassis mixte aluminium bois, pour lequel
la marge unitaire est de 4 et les temps unitaires de fabrication dans les trois ateliers
sont respectivement de 1, 2 et 3 heures. La formulation de ce problème est donc :
max z = 3x1 +5x2 +4x3

s.c.q. x1 +x3 4
2x2 +2x3 12
3x1 +2x2 +3x3 18
x1 , x2 , x3 0
La solution optimale de ce problème est determinee par le solveur dExcel :
(x1 , x2 , x3 ) = (2, 6, 0) et z = 36
On constate que seuls sont rentables les chassis 1 et 2. En effet, le chassis

3, bien quayant une marge unitaire superieure au chassis 1, consomme plus de
ressources. Si on produit une unite de x3 , on va faire un benece de 4 mais on va
retirer en capacite respectivement 1, 2 et 3 heures pour les deux autres productions.
Ce qui revient a` diminuer les membres de droites des contraintes qui deviennent :

x1 4 x3 = 3 (1)

2x2 12 2x3 = 10 (2)

3x1 +2x2 18 3x3 = 15 (3)
De (2), on en tire que x2 5. On perd une unite de x2 . Supposons que x2 = 5.
De (3) on tire que x1 5/3. On perd 1/3 de x1 . Leffet sur z de la production
dune unite du produit 3 vaut donc :
z = 1/3 3 1 5 + 1 4 = 2 = d3
Le cout reduit, note d3 , est negatif, traduisant le fait que si la production de ce chassis
e tait positive, elle diminuerait le prot dautant. Pour quil devienne interessant de
produire le chassis, il faut donc augmenter sa marge dau moins deux unites. Ici,
le cout reduit sinterprète comme loppose de laugmentation minimale de prix
pour que la production devienne interessante. A nouveau, le solveur dExcel
fournit cette information (voir chapitre 10).
11.5 Exercices
11.1. Sensibilite du membre de droite. Pour le problème lineaire formule a`

lexercice 3 du chapitre 10,
(a) Determiner la valeur des prix caches a` loptimum.

(b) Si lunite de capacite supplementaire coute le meme prix pour les deux
ateliers, a-t-on interet a augmenter la capacite du premier ou du second
atelier ?
(c) Jusquà quel niveau est-il interessant daugmenter cette capacite ?
11.2. Sensibilite aux coefcients objectif. Soit le problème lineaire suivant :
Min z = 0x1 + x2
s.c.q. 3x1 + 4x2 9, (1)
5x1 + 2x2 8, (2)
3x1 x2 0, (3)
x1 , x2 0.
(a) Determiner graphiquement la solution optimale.

(b) Determiner lintervalle maximum de variation de c1 autour de zero qui
preserve la solution optimale (x1 , x2 ) determinee en a).
11.3. Interpretation de la solution. Une rme fabrique et met sur le marche

2 produits A et B. Le prix de vente unitaire et les ressources necessaires
pour fabriquer une unite sont donnees au tableau 11.1. Chaque semaine,
Produit A Produit B
Prix de vente 60 $ 41 $
Materiau requis 2 unites 1 unite
Main-duvre 0,75 heure 0,5 heure
Usinage 1,5 heure 0,8 heure
Tableau 11.1: Prix unitaires et quantites de facteurs.
la societe peut se procurer 400 unites du materiau requis au cout de 4,75 $

lunite. Au service de la societe se trouvent 4 employes qui travaillent chacun
40 heures semaine et dont les salaires sont xes (independant du volume de
production). Les heures supplementaires sont payees 15 $ de lheure. Mais
la direction a promis de ne jamais exiger plus de 35 heures supplementaires
par semaine. Lusinage se fait sur deux machines, disponibles chacune a`
raison de 160 heures par semaine. La demande de base du produit est au

maximum de 50 unites par semaine pour A et de 60 unites pour B. On peut
inserer des publicites dans la presse locale. On estime que chaque $ de
publicite investi pour A augmente sa demande de 8 unites et chaque $ investi
pour B augmente sa demande de 4 unites. Le budget publicite maximum est
de 65 $ par semaine.
(a) Formuler le problème de la maximisation du revenu net (choix des

variables, expression de lobjectif et des contraintes).
(b) Un logiciel doptimisation vous fournit le listing suivant :
Section contraintes :
No Nom Valeur Prix Membre Valeur Valeur
finale cach
e de droite minimum maximum
L1 matprem 0 24,375 0 -80 5,3333
L2 maxmatp 400 19,625 400 320 405,333
L3 mainoeuv 160 15 160 155 190
L4 maxhsupp 30 0 35 30 1,0E+30
L5 usinage 316 0 320 316 1,0E+30
L6 demandeA 40 0 50 40 1,0E+30
L7 demandeB 60 9,125 60 40 100
L8 maxpub 65 35,5 65 60 75
Section variables :
No Nom Valeur Co^
ut Coefficient Valeur Valeur
finale r
eduit objectif minimum maximum
C1 produitA 40 0 60 20,75 67,75
C2 produitB 320 0 41 32,125 1,0E+30
C3 heuresup 30 0 -15 -67,33 0
C4 matierep 400 0 -4,75 -24,375 1,0E+30
C5 pubpourA 0 -36,5 -1 -1,E+30 35,5
C6 pubpourB 65 0 -1 -36,5 1,0E+30
Les ouvriers souhaiteraient que lon ne fasse plus appel aux heures
supplementaires. Ils estiment que le prix de 15 $ nest pas une compen-
sation nancière sufsante. Ils exigent une augmentation de 10 $ par
heure. Faut-il mieux pour lentreprise ne plus recourir aux heures
supplementaires ou acceder a` la demande ?
(c) Quel serait le revenu net que tirerait la societe de 10 $ de depenses
supplementaires en publicite chaque semaine ?
Chapitre 12
La programmation en nombres entiers.
12.1 Introduction
La programmation en nombres entiers permet de modeliser et, grace a` la methode

que nous presenterons dans ce chapitre, de resoudre :
des problèmes avec cout

xe de mise en route (voir chapitre 5 sur la plani-
cation de production);
des problèmes avec des conditions logiques, par exemple des disjonctions
en gestion de projet (voir chapitre 7);
des problèmes de choix parmi un nombre limite de valeurs, par exemple

des choix de capacite (voir chapitre 8);
des problèmes de melange avec nombre limite dingredients,. . . etc.
Denition 12.1 On appelle problème en nombres entiers la maximisation dune

fonction lineaire sous des contraintes lineaires lorsquen plus toutes les variables
doivent e tre entières.
Denition 12.2 On appelle problèmes mixtes entiers (MIP en anglais pour Mixed
Integer Programming) les problèmes comportant un certain nombre de variables
positives et un certain nombre de variables entières.
Lalgorithme du Simplexe fournit une methode de resolution generale pour tous

les problèmes lineaires, quelle que soit leur forme. Au contraire, en programmation
en nombres entiers, on ne dispose pas dun algorithme general qui permette de
resoudre efcacement tous les problèmes en nombres entiers. Cependant, il existe
une methode generale connue sous le nom de methode de branch and bound qui
permet de resoudre bon nombre de problèmes en nombres entiers.
193
194 Chapitre 12. La programmation en nombres entiers.
12.2 Formulation des problèmes mixtes
Nous allons voir quelques problèmes classiques necessitant le recours a` la pro-

grammation mixte entière.
12.2.1 Problèmes avec couts

xes
Exemple 12.1 Problèmes avec cout xe de mise en route de la production.

On veut representer un cout de production qui est nul en labsence de production
et qui, dans le cas contraire, vaut la somme dune constante K, le cout xe de
production, ainsi que dun cout proportionnel, le taux marginal e tant m.
On veut donc pouvoir exprimer la fonction de cout suivante :

Si x = 0, c(x) = 0;
(12.1)
Si x > 0, c(x) = K + mx.
où x denote le niveau de production.
Cette fonction est representee a` la gure 12.1.
c(x)
x
Figure 12.1: Representation dun cout xe.
La representation mathematique de ce cout xe necessite :
1. lajout dune variable indicatrice dune production positive :

1 si x > 0
y=
0 si x = 0
2. la modication de la fonction objectif en :

c(x, y) = Ky + mx
qui devient donc purement lineaire;
Section 12.2. Formulation des problèmes mixtes 195
3. lajout des contraintes suivantes :

x M y, et y {0, 1} (12.2)
avec M une borne superieure sur la quantite produite (x).
Remarquons que si x > 0, par les relations (12.2), on a que y = 1 et on tient

compte du cout xe de mise en route de production. Par contre, lorsque x = 0,
les relations (12.2) permettent les choix y = 0 ou y = 1. Cependant, comme on
minimise, loptimiseur va automatiquement choisir y = 0, la solution qui e vite le
cout xe !
Il y a de nombreuses applications de cette modelisation des couts xes par la
programmation mixte entière. Un exemple de mise en application de ces couts
xes est fournit par lexemple localisation simple qui suit.
Exemple 12.2 Le problème de localisation simple. Il y a n clients pour un

certain produit. La demande annuelle de ces clients, notee dj pour le client j, peut
e tre satisfaite a` partir de m depots. Le cout de transport unitaire entre le depot i
et le client j est donne par cij alors que lutilisation du depot i implique un cout
xe annuel douverture du depot de fi . La capacite du depot i est notee si .
Par exemple, on peut imaginer le problème de lapprovisionnement des stations

services dune compagnie petrolière. Elle dispose, pour ce faire, de plusieurs
emplacements possibles pour ses depots. Le cout xe revient ici a` louverture du
depot. Le cout de transport entre un depot et une station dessence represente le
cout du transport routier par camion citerne.
Choix des variables :
Le choix le plus e vident est de considerer xij comme e tant la partie de demande
du client j satisfaite a` partir de lentrepot i (voir gure 12.2). Une seconde serie
de variables yi , astreintes a` e tre binaires, represente louverture du depot :

1 si le depot i est ouvert,
yi =
0 sinon
Expression des contraintes :
Il faut dabord exprimer que la demande de chaque client est satisfaite. Ceci peut
secrire de la manière suivante :

m
xij = dj , j = 1, . . ., n
i=1
1 1
2 2
si dj
i xij j
m n
Figure 12.2: Problème de localisation simple.
En effet, si lon fait la somme sur tous les entrepots des parties de la demande du
client j satisfaites a` partir de ces entrepots, on doit obtenir exactement la demande
du client.
La seconde serie de contraintes exprime la liaison entre lutilisation dun ent-
repot et son ouverture. Elles peuvent secrire de la manière suivante :

n
xij si yi et yi {0, 1} (12.3)
j=1
Expression de lobjectif :
Lobjectif est simplement la minimisation des couts totaux et sexprime donc

comme : m n m
min z = cij xij + fi yi
i=1 j=1 i=1
On peut maintenant demontrer que yi est bien une indicatrice douverture du

depot i. En effet, soit il ny a aucun prelèvement au depot ( nj=1 xij = 0) et
yi = 0 ou yi = 1 sont admissibles pour (12.3). Cependant, comme ouvrir le depot
(cest-à-dire prendre yi = 1) implique un cout xe douverture, lalgorithme de
minimisation des couts choisira yi = 0 comme solution. Dautre part, sil y a

prelèvement au depot ( nj=1 xij > 0), dans ce cas seul yi = 1 est admissible et
la première contrainte de (12.3) impose de respecter la capacite du depot. Ceci
est une facon très classique dexprimer des couts xes douverture via lutilisation
dune variable binaire.
Section 12.2. Formulation des problèmes mixtes 197
12.2.2 Problèmes avec contrainte logique
Parfois des problèmes de gestion de production comportent une condition logique.

Un exemple typique est celui des problèmes de gestion de projets avec contrainte
disjonctive. Pour rappel, dans ces problèmes, on doit determiner lenchanement
des taches du projet de manière a` le realiser dans le meilleur delai. Il se peut que
deux taches doivent e tre effectuees par la meme e quipe douvriers, soit mettent
en uvre la meme machine. Les deux taches ne peuvent donc avoir lieu simul-
tanement, sans que lon puisse dire laquelle doit e tre effectuee en premier lieu.
Mathematiquement, on peut e crire ceci par la condition suivante :

ti + di tj si i est realisee avant j
soit (12.4)
tj + dj ti si j est realisee avant i
où ti est la variable indiquant le temps de debut de la tache i et di , sa duree, est
donnee.
Cette disjonction peut e tre resolue par la programmation mixte 0/1. En
effet, denissons la variable binaire yij , dont la valeur est 1 si la tache i est realisee
avant la tache j et 0 dans le cas contraire :

1 si la tache i est effectuee avant j,
yij =
0 sinon
On remplace alors la condition de disjonction (12.4) par les contraintes sui-

vantes :
ti + di tj + M (1 yij )

tj + dj ti + M yij (12.5)

yij {0, 1}
où M note une borne superieure sur la date de n des travaux.
Demontrons lequivalence. Deux cas sont possibles pour la variable binaire :
1. Cas ou` yij = 1 : dans ce cas, le système (12.5) devient :

ti + di tj
tj + dj ti + M
La première contrainte exprime donc que la tache i doit e tre nie avant que ne
commence la tache j. La seconde contrainte est automatiquement satisfaite.
2. Cas yij = 0 : dans ce cas, le système (12.5) devient :

ti + di tj + M
tj + dj ti
La première contrainte est automatiquement satisfaite. La seconde contrainte
exprime que la tache j doit e tre nie avant que ne commence la tache i.
12.2.3 Melange avec nombre limite dingredients
Il sagit e galement dun problème generique conduisant a` une formulation mixte

entière, les variables binaires indiquant la presence dun ingredient dans le melange.
Cest le cas, par exemple, dun problème de melange dhuiles où cinq huiles
sont disponibles mais où des contraintes techniques impliquent que seulement trois
huiles differentes peuvent e tre presentes dans le melange. Un autre exemple, est
celui du chargement de hauts fourneaux où le nombre de charbons disponibles
est souvent nettement superieur au nombre de charbons qui peuvent e tre charges
simultanement. Ce nombre e tant limite par le nombre de portes de chargement du
haut fourneau.
Ce problème peut e tre resolu par la programmation mixte zero/un. Si xi
note la quantite dingredient i dans le melange, denissons la variable binaire yi
indiquant la presence de lingredient i dans le melange. Autrement dit :

1 si xi > 0
yi =
0 si xi = 0
On introduit alors les contraintes suivantes :
mi yi xi Mi yi et yi {0, 1} (12.6)
où mi est une borne inferieure sur la teneur de xi dans le melange et Mi est une
borne superieure sur la teneur de xi dans le melange.
La condition du nombre maximum dingredients dans le melange sexprime
alors simplement par :

n
yi k, (12.7)
i=1
avec k, le nombre maximum dingredients dans le melange.

Demontrons lequivalence. Deux cas sont possibles pour la variable xi :
1. Soit xi > 0. Alors, par les contraintes (12.6), la variable yi doit valoir 1 et
exprime bien que lingredient i est dans le melange.
2. Soit xi = 0. Alors, par la contrainte (12.6), la variable yi doit valoir 0. La

condition (12.7) exprimera donc bien que au plus k ingredients seront pris
dans le melange.
On a donc bien que yi est une indicatrice de presence de lingredient i dans le

melange.
Section 12.3. Principe de la methode de branch and bound 199
12.2.4 Choix parmi un nombre discret de valeurs
Dans beaucoup de problèmes industriels, lors du dimensionnement dun appareil-

lage, on doit choisir sa capacite parmi les valeurs commerciales existant sur le
marche. Par exemple, lors du dimensionnement dune canalisation de transport
deau, on doit choisir parmi les valeurs suivantes pour le diamètre :
12 cm, 17 cm, 24 cm ou 47 cm.
On peut a` nouveau modeliser ce choix par lutilisation de variables binaires. En

effet, denissons la variable x comme e tant le diamètre choisi et denissons yi une
indicatrice du fait que le diamètre numero i a e te choisi :

1 si x = di
yi =
0 si sinon.
On peut alors e crire la relation suivante pour le choix du diamètre :
x = 12y1 + 17y2 + 24y3 + 47y4
avec la contrainte quun seul diamètre doit e tre choisi :
y1 + y2 + y3 + y4 = 1 (12.8)
et bien sur en imposant le caractère binaire de chaque indicatrice :
yi {0, 1}, i = 1, 2. . .4
La contrainte (12.8) fera en effet quune seule indicatrice vaudra un.
12.3 Principe de la methode de branch and bound
La methode de branch and bound ou encore appelee methode de separation et

e valuation que nous allons maintenant decrire est destinee a` resoudre les problèmes
en nombres entiers du type suivant :
z = max cT x
Ax b,
s.c.q.
x 0 et entiers.
Cette methode peut e galement e tre appliquee aux problèmes avec variables binaires
(zero-un). Elle peut e galement e tre appliquee aux problèmes mixtes (MIP), cest-
a` -dire aux problèmes comportant un certain nombre de variables entières et un
certain nombre de variables continues.
Nous illustrons la methode sur lexemple suivant tire de Norbert et al [15] dont
on a legèrement modie la fonction objectif :
z = max z = 15x1 + 50x2

x1 + 2x2 5,

x1 + 2x2 14, (12.9)
s.c.q.

x1 8,

x1 , x2 0 et entiers
La region realisable est representee a` la gure 12.3.
(3)
(2)
x2 (1)
P0
5 P2
P1
P3
4
z = 150
3
0
0 1 2 3 4 5 6 7 8 9 10 x1
Figure 12.3: Representation de la region realisable.
Remarquons quune facon de resoudre le problème serait de construire une

borne superieure sur z et une borne inferieure sur z et ensuite de rafner ces
bornes jusquà les e galiser.
Question 1 : comment construire une borne inferieure sur z ?
La reponse a` cette question est a` la fois simple et difcile. En effet, pour
trouver une borne inferieure, il suft de donner une solution realisable pour (12.9).
Comme lobjectif est de maximiser, loptimum du problème ne pourra quetre
superieur a` la valeur de z en ce point. Par exemple, le point (4,4) appartient a` la
region realisable :
z(4, 4) = 15 4 + 50 4 = 260 zP N E
Section 12.4. Application a` lexemple 201
Cependant trouver en general une solution realisable pour un problème en nombres

entiers nest pas une mince affaire.
Question 2 : comment construire une borne superieure sur z ?
Une facon de repondre a` cette question est de resoudre le problème lineaire que
lon obtient a` partir de (12.9) en laissant tomber les contraintes dintegralite des
variables. Comme on maximise sur un ensemble realisable plus large, loptimum
ainsi obtenu ne pourra quetre superieur a` loptimum du problème en nombres
entiers. Cest aussi le premier pas de la methode de branch and bound que nous
allons maintenant decrire sur lexemple.
12.4 Application a` lexemple
Pas 0. Resoudre la relaxation lineaire.

Pour cet exemple, on obtient comme solution de la relaxation lineaire le point note
P0 a` la gure 12.3 :
x1 = 4, 5
x2 = 4, 75
z0 = 305.
Cette solution est inacceptable car les variables ne sont pas entières. Cependant,
elle fournit une première borne superieure sur z :
z 305.
Pas 1. Brancher sur une variable non entière.

La seconde idee de la methode de branch and bound est (comme le nom lindique)
doperer une separation : la region realisable va e tre separee en deux sous-regions
dont aucune ne peut contenir la solution optimale non entière P0 . Cette separation
necessite le choix dune variable de separation. Le choix de cette variable est
heuristique. Differents choix sont possibles et de ce choix peut dependre lefcacite
de la methode de resolution. Une facon simple de choisir cette variable est de
prendre la variable la plus distante dun entier. Une alternative, parfois utilisee,
est de prendre la variable la plus proche dun entier.
Le critère de choix de la variable de branchement adopte ici est de prendre
la variable la plus distante dun entier.
Dans notre exemple, il sagit de la variable x1 . On va effectuer un branchement
sur cette variable. Comme x1 ne peut prendre que des valeurs entières, il ny a
aucune perte de generalite dimposer que
soit x1 4 soit x1 5
Cependant imposer cette condition va e liminer la solution courante P0 de la relaxa-

tion lineaire. En general si la variable choisie xk a la valeur fractionnaire N + ,
on imposera :
soit xk N soit xk N + 1
En imposant separement lune et lautre conditions, on obtient deux sous-

modèles, un modèle ls et un modèle lle. Ce que lon represente par une dia-
gramme du type de celui de la gure 12.4. Chaque nud de cette gure correspond
z 0 = 305
x1 = 4, 50
x2 = 4, 75
x1 4 x1 5
z1 = 285 z2 = 300
x1 = 4 x1 = 5
x 2 = 4, 5 x 2 = 4, 5
x2 4 x2 5
z3 = 290 z4 =
x1 = 6 Problème
x2 = 4 non realisable
Figure 12.4: Arbre de branch and bound.
a` un problème lineaire. Le nud 0 au modèle original. Le nud 1 est le modèle

original avec en plus la restriction x1 4, tandis que le nud 2 correspond au
modèle original avec en plus la restriction x1 5. On a ici numerote les nuds
dans lordre où ils ont e te generes.
On peut maintenant resoudre les relaxations lineaires correspondant aux pro-
blèmes ls et lle. Dans notre exemple, on obtient les deux solutions suivantes :
Noeud 1 : x1 = 4, x2 = 4, 5, z1 = 285.
Noeud 2 : x1 = 5, x2 = 4, 5 z2 = 300.
Remarquez que les valeurs atteintes par la fonction objectif sont moins e levees
que dans la relaxation lineaire precedente. Ceci nest pas e tonnant : on a, en
Section 12.4. Application a` lexemple 203
effet, ajoute des contraintes et donc restreint lespace des solutions realisables.
Comme les deux sous-regions forment une representation contenant lensemble
des solution entières, on peut en conclure que la borne superieure sur z est :
z max(z1 , z2 ) = 300.
Pas 2. Diviser a` nouveau un nud ls ou lle en deux.

Ici, aucune des deux solutions nest acceptable car toutes les deux comportent des
parties fractionnaires. On va donc continuer en choisissant un des deux nuds
pour le diviser a` nouveau. Le choix du nud a` diviser est a` nouveau heuristique
et peut a` nouveau avoir une grande inuence sur le temps total mis pour resoudre
le problème. Pour lillustration de la methode, nous adoptons la règle de choix
heuristique suivante :
Le critère de choix du nud a` diviser adopte ici est de prendre la la re-
laxation lineaire fournit la meilleure (cest-à-dire la plus grande en cas de
maximisation) valeur de la fonction objectif.
Pour cet exemple, on choisit donc le nud 2 et on repète le Pas 1.
Pas 1. Choisir une variable pour brancher.
Ici seule la variable x2 est non entière. On la choisit donc pour operer le branche-
ment suivant :
soit x2 4 soit x2 5
On ajoute separement chacune de ces contraintes aux contraintes du problème 2
et on genère ainsi les nuds 3 et 4. Ceci est illustre a` la gure 12.4. On resout
graphiquement les relaxations lineaires (voir gure 12.3) et on obtient les solutions
suivantes :
Noeud 3 : x1 = 6, x2 = 4, z3 = 290.
Noeud 4 : non realisable
Noter que, au nud 3, on a obtenu une solution entière dont la valeur correspon-
dante de la fonction objectif est 290. On a une première borne inferieure sur la
valeur optimale de la fonction objectif et on a donc que :
290 z
Il est clair e galement quil ny a aucune raison de continuer a` diviser le nud 3

pour lequel la solution optimale du problème en nombres entiers a e te obtenue.
On dit que le nud 3 est coupe.
Remarquons aussi que le nud 4 a conduit a` un problème non realisable. Ce
nest pas e tonnant vu que lon rajoute de plus en plus de contraintes. A nouveau,
dans ce cas, il ne sert a` rien de continuer a` diviser ce nud. On peut donc couper
le nud 4.
Remarquons, pour terminer, que lon peut e galement couper la branche du
nud 1. En effet, la valeur de z1 = 285 est inferieure a` la borne inferieure de 290
qui vient detre trouvee. On na donc aucun espoir de trouver en poursuivant les
calculs a` la branche 1 de trouver une solution entière meilleure que 290. Dans le
cas contraire, on aurait du diviser la branche 1.
La methode est terminee puisquil nexiste plus de nud a` diviser. On deter-
mine la solution optimale comme e tant la meilleure solution entière trouvee. Il
sagit du point P3 suivant :
x1 = 6
x2 = 4
auquel correspond une valeur optimale de lobjectif de z = 290. On a ainsi, pour

notre exemple, trouve et aussi prouve que la solution du nud 3 e tait la solution
optimale du problème en nombres entiers.
En conclusions, il y a trois raisons de couper une branche dans larbre :
1. lorsque la relaxation lineaire obtenue est non realisable (cas du nud 4),
2. lorsque la relaxation lineaire obtenue fournit une solution entière (cas du

nud 3),
3. lorsque la valeur de la borne superieure est inferieure a` la valeur de la meil-

leure solution entière obtenue (cas du nud 1).
Enn terminons par les remarques generales suivantes.

Si la region realisable de la relaxation lineaire nest pas bornee, il ny a pas
de garantie de convergence de la methode de branch and bound. Pour e viter ce
problème, certaines implementations demandent une borne inferieure et superieure
sur chaque variable. On est ainsi garanti dun nombre ni de branches dans larbre.
Signalons, pour terminer, quil existe une seconde methode generale pour re-
soudre les problèmes en nombres entiers. Il sagit de la methode dite des plans cou-
pants. En effet, elle genère des plans qui coupent les solutions fractionnaires. Re-
marquons cependant que, dun point de vue algorithmique, cette methode savère
moins performante (sauf a` exploiter la structure particulière du problème) que la
methode de branch and bound et nest donc pas celle qui est implementee dans
les logiciels commerciaux de programmation mixte.
12.5 Exercices
12.1. Melange de maximum 4 charbons. Pour produire du coke, on melange des

charbons dans un haut fourneau où ensuite, une reaction a` haute temperature
produit le coke. On suppose quil y a 8 charbons disponibles. Ces charbons
sont entres par des bandes porteuses qui sont au nombre de 4, permettant
davoir au maximum 4 charbons differents dans le melange. De plus, si un
charbon est present dans le melange, il doit letre a` hauteur de minimum
5%. De plus, on exige que la teneur du melange en Silicium soit dau plus
1,8 % Le tableau 12.1 reprend les prix et teneur en Si des charbons. On
Charbon Prix Teneur Si

Charbon 1 12 2%
Charbon 2 14 2,5 %
Charbon 3 17 1%
Charbon 4 10 5%
Charbon 5 13 1%
Charbon 6 9 5%
Charbon 7 15 2%
Charbon 8 11 1,5 %
Tableau 12.1: Teneurs en Si et prix des differents charbons.
veut determiner le melange repondant aux specications qui soit de cout

minimum. Formuler le problème.

12.2. Localisation optimale demetteurs de television. Etant donne une region
comportant quatre villes (Lille, Dunkerque, Valencienne et Basieux), on
veut savoir où implanter, parmi divers emplacements disponibles (au nombre
de 5), un ensemble demetteurs de television susceptibles de desservir ces
differentes villes au moindre cout. La dernière colonne du tableau 12.2
represente le cout de construction de chaque e metteur. Les autres informa-
tions donnees dans le tableau concernent les villes accessibles par lemetteur
sil est construit. Par exemple, si on construit lemetteur 1, on atteindra les
ville de Lille et Dunkerque et son cout de construction est de 25.
On demande decrire le programme correspondant a` la determination du
nombre demetteurs a` construire an que chaque ville soit desservie par au
moins un e metteur et ceci a` cout dinvestissement total minimum.
12.3. Problème daffectation de lignes aeriennes. Une petite compagnie aerien-

ne dispose de six avions de 150 places. Elle desire affecter sa otte davions
aux deux lignes interieures ouvertes a` la concurrence (les lignes OM et OT).
Ville Lille Dunkerque Valencienne Basieux Cout

Emetteur 1 1 1 25

Emetteur 2 1 1 30

Emetteur 3 1 1 15

Emetteur 4 1 1 35

Emetteur 5 1 1 1 90
Tableau 12.2: Accessibilite des villes a` partir des e metteurs.
Le nombre de passagers desirant effectuer chaque jour un parcours sur la

ligne OM par cette nouvelle compagnie est 500, et de 200 sur la ligne OT. Le
cout marginal (frais variables tels que le carburant, les taxes datterrissage,
etc. . . ) dun voyage sur la ligne OM est de 4 et de 3 sur la ligne OT. On
desire minimiser le cout dexploitation en satisfaisant la demande.
(a) Formuler mathematiquement le problème de la meilleure affectation

de la otte de cette compagnie.
(b) Resoudre par la methode de branch and bound en resolvant chaque fois
la relaxation lineaire de manière purement graphique.
12.4. Methode de branch and bound. Soit le problème en nombres entiers

suivant :
z = max x1 + x2
s.c.q. x1 + x2 1,
3x1 x2 3,
x1 4x2 14,
4x1 + x2 20,
2x1 x2 7,
x1 , x2 0 et entiers
Resoudre par la methode de branch and bound en resolvant les relaxations

lineaires de manière purement graphique.
12.5. Tournees de vehicules. Considerons le problème dorganisation des tour-

nees de vehicules pour la collecte des dechets. La collectivite locale dispose
de 12 vehicules de collecte repartis comme suit : 4 dans la ville 1, 3 dans la
ville 2, 1 dans la ville 3 et 4 dans la ville 4. Les temps de trajets entre ces
villes et lincinerateur sont les suivants :
Vers ville 1 ville 2 ville 3 ville 4 incinerateur

De la ville 1 0 10 45
De la ville 2 10 0 5
De la ville 3 5 0 5 20
De la ville 4 5 0
De lincinerateur 45 20 0
(a) Representer sous forme dun graphique le reseau de transport.

(b) Formuler le problème de minimisation du temps total pour aller a` lin-
cinerateur comme un problème en nombres entiers sur reseau.
(c) Resoudre au moyen du solveur dExcel.
12.6. Decoupe de bobines mères. Les papetiers fabriquent des rouleaux de papier
dont la largeur est xee par les caracteristiques des machines de production.
Leur clients peuvent leur reclamer des rouleaux de diverses largeurs et de
diverses longueurs. Comme il est frequent que ni la largeur ni la longueur
des bobines mères ne soient des multiples de celles de rouleaux commandes,
il y a des pertes connues sous le nom de chutes. La largeur des bobines mères
est de 215 cm et leur longueur de 250 m. Les commandes acceptees par le
papetier sont reprises au tableau 12.3. Comme la longueur des rouleaux
Largeur (en cm) longueur (en m) nombre de rouleaux

64 250 360
60 250 180
35 250 180
Tableau 12.3: Commandes acceptees.
commandes est identique a` celle des bobines mères, il suft dassurer la

coupe transversale dun certain nombre de bobines mères. Pour satisfaire
les commandes acceptees, le papetier peut, par exemple, combiner trois
coupes de largeur 64 cm dans la meme bobine, mais aussi, par exemple,
deux de largeur 64 et deux de largeur 35. Toutes les possibilites sont reprises
au tableau 12.4. On veut determiner comment satisfaire les commandes
acceptees avec le minimum de bobines mères.
(a) Formuler le problème comme un problème en nombres entiers.

(b) Resoudre au moyen du solveur dExcel.
Largeur 1 2 3 4 5 6 7 8 9 10
64 3 2 2 1 1 1 0 0 0 0
60 0 1 0 2 1 0 3 2 1 0
35 0 0 2 0 2 4 1 2 4 6
Chute 23 27 17 31 21 11 0 25 15 5
Tableau 12.4: Modes de coupe.
12.7. Optimisation du plan directeur de production Une societe voudrait e tablir

son plan directeur de production, cest-à-dire les quantites a` produire chaque
trimestre ainsi que les ressources a` mobiliser chaque trimestre pour pouvoir
satisfaire la demande a` cout total annuel minimum. La demande pour les 4
prochains trimestres est donnee au tableau 12.5. On suppose quun ouvrier
Trimestre Demande Stock minimum Jours

1 180 000 55 000 62
2 400 000 85 000 64
3 190 000 50 000 55
4 390 000 100 000 59
Tableau 12.5: Optimisation du plan directeur de production.
peut produire 150 unites par jour ouvrable. Le nombre de jours ouvrables est
e galement repris au tableau 12.5. Il y a un effectif initial de 32 ouvriers et un
stock initial de 0. Le cout dembauche dun ouvrier est de 20 000 euros. Le
cout de licenciement est de 50 000 euros. Le cout de stockage dune unite
pendant un trimestre est de 10 euros. On suppose que les licenciements et
les embauches de personnel ne peuvent se realiser quen debut de chaque
trimestre. De plus, pour des raisons commerciales, on souhaite avoir un
niveau minimum de stock en n de chaque trimestre. Ceci an de faire face
aux demandes du debut du trimestre suivant. Ce niveau minimum est donne
au tableau 12.5. Les temps partiels sont permis.
On demande de determiner les engagements et licenciements debut de chaque
trimestre, de manière a` ce que leffectif du mois soit sufsant pour satisfaire
la demande (aucune rupture de stock nest permise) a` cout total minimum
(somme du cout dembauche, du cout de licenciement et du cout de stockage).
(a) Formuler le problème comme un problème lineaire.
(b) Resoudre au moyen du solveur dExcel. On fera attention a` bien
distinguer les variables independantes des variables dependantes.
Bibliographie
[1] BAGLIN Gerard, Olivier BRUEL, Alain GARREAU, Michel GREIF et

Christian VAN DELFT, Management Industriel et Logistique, 3ème Edition,
Economica, Paris, 2001.
[2] BROOKE Anthony, David KENDRICK et Alexander MEERAUS, GAMS

Users guide Release 2.25, The Scientic Press, San Francisco, 1992.
[3] EXCEL, Guide de lutilisateur, Microsoft, 1992.
[4] GIARD Vincent, Gestion de la production et des ux, 3ème Edition, Econo-
mica, Paris, 2003.
[5] GUERET Christelle, Christian PRINS et Marc SEVAUX, Applications of

optimization with XPRESS-MP, Eyrolles, Paris, 2000.
[6] HEIZEZ Jay, Barry RENDER, Operations Management, 8ème e dition, Pear-
son Education, Upper Saddle River, 2006.
[7] F.S. HILLIER et G.S. LIEBERMAN, Introduction to Operations Research,

6ème e dition, Mac Graw-Hill International Editions, Singapour, 1995.
[8] F.S. HILLIER, M.S. HILLIER et G.S. LIEBERMAN, Introduction to Mana-

gement Sciences, 1ère e dition, Mac Graw-Hill International Editions, Boston,
2000.
[9] G. JAVEL, Organisation et gestion de la production, MASSON, 1997.
[10] Lee KRAJEWSKI, Manoj MALHOTRA et Larry RITZMAN, Operations

Management, 8ème e dition, Pearson Education, Upper Saddle River, 2007.
[11] LACAZE Dominique, Optimisation appliquee a` la gestion et a` leconomie,

Economica, 1990.
[12] D. G. LUENBERGER, Linear and Nonlinear Programming, Addison Wes-

ley, 1984.
209
210 Bibliographie
[13] J.O. MAC CLAIN, L.J. THOMAS et J.B. MAZZOLA, Operations Manage-
ment: Production of Goods and Services, Prentice Hall, 1992.
[14] NEMHAUSER, G.L. et L.A. WOLSEY, Integer and Combinatorial Optimi-

zation, Wiley, New York, 1988.
[15] Y. NORBERT, R. OUELLET et R. PARENT, La recherche operationnelle,

Gaetan Morin Editeur, Montreal-Paris, 1995.
[16] Hamdy TAHA, Operations Resaerch: an Introduction, 8ème e dition, Pearson

Education, Upper Saddle River, 2007.
[17] M.P. WILLIAMS, Model building in Mathematical Programming, John Wi-

ley, 1990.
[18] M.P. WILLIAMS, Model solving in Mathematical Programming, John Wiley,

1992.
Annexe A
Formulaire pour la gestion de production
A.1 La gestion calendaire de stock
Cout
de gestion :
C(S) = cp Ip (S) + cr Ir (S) (+cc 1)

avec Ip (S) = stock moyen possede :
Ip (S) = S X + Ir (S) (cas de stock a` rotation nulle)

Ip (S) = S X
2
+ Ir (S)
2
(cas de stock a` rotation non nulle)
et Ir (S) = nombre moyen de demandes non satisfaites :
Ir (S) = P (X > S 1) SP (X > S) si X Poisson()
SX
Ir (s) = g(tS ) avec : tS = si X N (, )

Politique optimale en stock a` rotation nulle :
cp
S tel que P (X > S ) P (X > S 1) si X Poisson()
cp + cr
cp
S tel que P (X > S ) = si X N (, )
cr + cp
Politique optimale en stock a` rotation non nulle :
cp
S tel que P (X > S ) cp P (X > S 1) si X Poisson()
cr + 2
cp
S tel que P (X > S ) = cp si X N (, )
cr + 2
211
212 Annexe A. Formulaire pour la gestion de production
Consequences e conomiques du choix :
cout de gestion :
C(S) = cr Ir (S) + cp Ip (S) (+cc 1)
marge nette moyenne :

C(S)
B(S) = mu X
avec mu , la marge unitaire.
A.2 La gestion par point de commande
Niveau optimal de commande optimal :

2cc D
q =
cp
avec cp = cout unitaire de possession durant un an en stock;
D = demande annuelle.
Point de commande optimal :
s = DL
avec L = delai dapprovisionnement, exprime en annee.
Calcul du stock moyen possede et du nombre moyen de commandes :
q D
Ip (q ) = et Ic (q ) =
2 q
Cout
de gestion en univers certain :
D q
C(q ) = cc Ic (q ) + cp Ip (q ) = cc + c p
q 2
avec Ic (q) = nombre moyen de commandes par an;
Ip (q) = stock moyen possede;
D = demande annuelle;
q = quantite optimale commandee.
Section A.2. La gestion par point de commande 213
Cout
de gestion en cas de demande aleatoire :
C(s, q) = cc Ic (q) + cp Ip (s, q) + cr Ir (s, q)

La quantite e conomique q est determinee par :

2cc D
q = avec D = X
cp
Le point de commande s est determine en utilisant la gestion calendaire pendant
le delai dobtention L (cas de la rotation non nulle) :
cp
P (XL > s ) =
cr + cp /2
avec cp , le cout unitaire de possession entre deux commandes :
q
cp = cp .
D
La demande XL durant L suit une loi Normale de moyenne : L = L et de
variance : L2 = L 2 .
Dans le cas de la loi Poisson, le point de commande s est determine par (cas
de la rotation non nulle) :
cp
s tel queP (XL > s ) cp
P (XL > s 1)
cr + 2
Consequences e conomique du choix :
Le stock de securite est la difference entre le point de commande et la de-

mande moyenne durant L :
s DL
Le nombre de commandes par an est determine par :

D
Ic (q) =
q
Le nombre moyen de ruptures par commande, note Irc , se calcule par la

formule de la gestion calendaire :
Irc (s) = P (XL > s 1) sP (XL > s) si XL Poisson()
s XL
Irc (s) = L g(tS ) avec tS = si XL N (L , L )
L
214 Annexe A. Formulaire pour la gestion de production
Le nombre moyen de ventes manquees par an selève donc a` :

Ir (s, q) = Ic (q) Irc (s)
Le stock moyen possede en cas de ventes manquees perdues :

q I c (s)
Ip (s, q) = + (s DL) + r ,
2 2
Le stock moyen possede en cas de ventes manquees differees :
q DL c
Ip (s, q) = + (s DL) + I (S).
2 2q r
A.3 Les techniques de juste a` temps
Determination du nombre detiquettes :
(1 + )Cu Tr + Qe
Ne
k
avec Cu = consommation du poste aval en unites par minute;
Qe = taille e conomique des lots fabriques en amont;
k = la capacite dun conteneur;
Tr = temps de reaction du système;
= marge de securite.
A.4
Equilibrage dune chane de production
nc T
RE =
nc
avec n = nombre de postes de travail,
c = temps dun cycle,
T = temps total requis par un article.
A.5 Calcul dannuites

n
t
1 1 (1 + i)n
=
t=1 1+i i
avec n = nombre dannees,
i = taux dactualisation annuel.
Annexe B
Tables pour la gestion de stocks
B.1 Table de la loi Poisson()

x 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45 0,5
0 0,0488 0,0952 0,1393 0,1813 0,2212 0,2592 0,2953 0,3297 0,3624 0,3935
1 0,0012 0,0047 0,0102 0,0175 0,0265 0,0369 0,0487 0,0616 0,0754 0,0902
2 0,0000 0,0002 0,0005 0,0011 0,0022 0,0036 0,0055 0,0079 0,0109 0,0144
3 0,0000 0,0000 0,0000 0,0001 0,0001 0,0003 0,0005 0,0008 0,0012 0,0018
4 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0002
5 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000
Donne la probabilite P [Poisson() > x]
215
216 Annexe B. Tables pour la gestion de stocks

x 0,55 0,6 0,65 0,7 0,75 0,8 0,85 0,9 1 1,5
0 0,4231 0,4512 0,4780 0,5034 0,5276 0,5507 0,5726 0,5934 0,6321 0,7769
1 0,1057 0,1219 0,1386 0,1558 0,1734 0,1912 0,2093 0,2275 0,2642 0,4422
2 0,0185 0,0231 0,0283 0,0341 0,0405 0,0474 0,0549 0,0629 0,0803 0,1912
3 0,0025 0,0034 0,0044 0,0058 0,0073 0,0091 0,0111 0,0135 0,0190 0,0656
4 0,0003 0,0004 0,0006 0,0008 0,0011 0,0014 0,0018 0,0023 0,0037 0,0186
5 0,0000 0,0000 0,0001 0,0001 0,0001 0,0002 0,0003 0,0003 0,0006 0,0045
6 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0009
7 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002
8 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000

Section B.1. Table de la loi Poisson() 217

x 2 2,5 3 3,5 4 4,5 5 5,5 6 6,5
0 0,8647 0,9179 0,9502 0,9698 0,9817 0,9889 0,9933 0,9959 0,9975 0,9985
1 0,5940 0,7127 0,8009 0,8641 0,9084 0,9389 0,9596 0,9734 0,9826 0,9887
2 0,3233 0,4562 0,5768 0,6792 0,7619 0,8264 0,8753 0,9116 0,9380 0,9570
3 0,1429 0,2424 0,3528 0,4634 0,5665 0,6577 0,7350 0,7983 0,8488 0,8882
4 0,0527 0,1088 0,1847 0,2746 0,3712 0,4679 0,5595 0,6425 0,7149 0,7763
5 0,0166 0,0420 0,0839 0,1424 0,2149 0,2971 0,3840 0,4711 0,5543 0,6310
6 0,0045 0,0142 0,0335 0,0653 0,1107 0,1689 0,2378 0,3140 0,3937 0,4735
7 0,0011 0,0042 0,0119 0,0267 0,0511 0,0866 0,1334 0,1905 0,2560 0,3272
8 0,0002 0,0011 0,0038 0,0099 0,0214 0,0403 0,0681 0,1056 0,1528 0,2084
9 0,0000 0,0003 0,0011 0,0033 0,0081 0,0171 0,0318 0,0538 0,0839 0,1226
10 0,0000 0,0001 0,0003 0,0010 0,0028 0,0067 0,0137 0,0253 0,0426 0,0668
11 0,0000 0,0000 0,0001 0,0003 0,0009 0,0024 0,0055 0,0110 0,0201 0,0339
12 0,0000 0,0000 0,0000 0,0001 0,0003 0,0008 0,0020 0,0045 0,0088 0,0160
13 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003 0,0007 0,0017 0,0036 0,0071
14 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0006 0,0014 0,0030
15 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0005 0,0012
16 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002 0,0004
17 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002
18 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001
19 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000


x 7 7,5 8 8,5 9 9,5 10 11 12 13
0 0,9991 0,9994 0,9997 0,9998 0,9999 0,9999 1,0000 1,0000 1,0000 1,0000
1 0,9927 0,9953 0,9970 0,9981 0,9988 0,9992 0,9995 0,9998 0,9999 1,0000
2 0,9704 0,9797 0,9862 0,9907 0,9938 0,9958 0,9972 0,9988 0,9995 0,9998
3 0,9182 0,9409 0,9576 0,9699 0,9788 0,9851 0,9897 0,9951 0,9977 0,9989
4 0,8270 0,8679 0,9004 0,9256 0,9450 0,9597 0,9707 0,9849 0,9924 0,9963
5 0,6993 0,7586 0,8088 0,8504 0,8843 0,9115 0,9329 0,9625 0,9797 0,9893
6 0,5503 0,6218 0,6866 0,7438 0,7932 0,8351 0,8699 0,9214 0,9542 0,9741
7 0,4013 0,4754 0,5470 0,6144 0,6761 0,7313 0,7798 0,8568 0,9105 0,9460
8 0,2709 0,3380 0,4075 0,4769 0,5443 0,6082 0,6672 0,7680 0,8450 0,9002
9 0,1695 0,2236 0,2834 0,3470 0,4126 0,4782 0,5421 0,6595 0,7576 0,8342
10 0,0985 0,1378 0,1841 0,2366 0,2940 0,3547 0,4170 0,5401 0,6528 0,7483
11 0,0533 0,0792 0,1119 0,1513 0,1970 0,2480 0,3032 0,4207 0,5384 0,6468
12 0,0270 0,0427 0,0638 0,0909 0,1242 0,1636 0,2084 0,3113 0,4240 0,5369
13 0,0128 0,0216 0,0342 0,0514 0,0739 0,1019 0,1355 0,2187 0,3185 0,4270
14 0,0057 0,0103 0,0173 0,0274 0,0415 0,0600 0,0835 0,1460 0,2280 0,3249
15 0,0024 0,0046 0,0082 0,0138 0,0220 0,0335 0,0487 0,0926 0,1556 0,2364
16 0,0010 0,0020 0,0037 0,0066 0,0111 0,0177 0,0270 0,0559 0,1013 0,1645
17 0,0004 0,0008 0,0016 0,0030 0,0053 0,0089 0,0143 0,0322 0,0630 0,1095
18 0,0001 0,0003 0,0007 0,0013 0,0024 0,0043 0,0072 0,0177 0,0374 0,0698
19 0,0000 0,0001 0,0003 0,0005 0,0011 0,0020 0,0035 0,0093 0,0213 0,0427
20 0,0000 0,0000 0,0001 0,0002 0,0004 0,0009 0,0016 0,0047 0,0116 0,0250
21 0,0000 0,0000 0,0000 0,0001 0,0002 0,0004 0,0007 0,0023 0,0061 0,0141
22 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0003 0,0010 0,0030 0,0076
23 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0001 0,0005 0,0015 0,0040
24 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0002 0,0007 0,0020
25 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0003 0,0010
26 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0005
27 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001 0,0002
28 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0001
29 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000 0,0000

Section B.1. Table de la loi Poisson() 219

x 14 15 16 17 18
0 1,0000 1,0000 1,0000 1,0000 1,0000
1 1,0000 1,0000 1,0000 1,0000 1,0000
2 0,9999 1,0000 1,0000 1,0000 1,0000
3 0,9995 0,9998 0,9999 1,0000 1,0000
4 0,9982 0,9991 0,9996 0,9998 0,9999
5 0,9945 0,9972 0,9986 0,9993 0,9997
6 0,9858 0,9924 0,9960 0,9979 0,9990
7 0,9684 0,9820 0,9900 0,9946 0,9971
8 0,9379 0,9626 0,9780 0,9874 0,9929
9 0,8906 0,9301 0,9567 0,9739 0,9846
10 0,8243 0,8815 0,9226 0,9509 0,9696
11 0,7400 0,8152 0,8730 0,9153 0,9451
12 0,6415 0,7324 0,8069 0,8650 0,9083
13 0,5356 0,6368 0,7255 0,7991 0,8574
14 0,4296 0,5343 0,6325 0,7192 0,7919
15 0,3306 0,4319 0,5333 0,6285 0,7133
16 0,2441 0,3359 0,4340 0,5323 0,6249
17 0,1728 0,2511 0,3407 0,4360 0,5314
18 0,1174 0,1805 0,2577 0,3450 0,4378
19 0,0765 0,1248 0,1878 0,2637 0,3491
20 0,0479 0,0830 0,1318 0,1945 0,2693
21 0,0288 0,0531 0,0892 0,1385 0,2009
22 0,0167 0,0327 0,0582 0,0953 0,1449
23 0,0093 0,0195 0,0367 0,0633 0,1011
24 0,0050 0,0112 0,0223 0,0406 0,0683
25 0,0026 0,0062 0,0131 0,0252 0,0446
26 0,0013 0,0033 0,0075 0,0152 0,0282
27 0,0006 0,0017 0,0041 0,0088 0,0173
28 0,0003 0,0009 0,0022 0,0050 0,0103
29 0,0001 0,0004 0,0011 0,0027 0,0059
30 0,0001 0,0002 0,0006 0,0014 0,0033
31 0,0000 0,0001 0,0003 0,0007 0,0018
32 0,0000 0,0000 0,0001 0,0004 0,0010
33 0,0000 0,0000 0,0001 0,0002 0,0005
34 0,0000 0,0000 0,0000 0,0001 0,0002
35 0,0000 0,0000 0,0000 0,0000 0,0001
36 0,0000 0,0000 0,0000 0,0000 0,0001
37 0,0000 0,0000 0,0000 0,0000 0,0000
B.2 Table de la loi normale Z N (0, 1)
P zj
zi 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0,0 0,5000 0,4960 0,4920 0,4880 0,4840 0,4801 0,4761 0,4721 0,4681 0,4641
0,1 0,4602 0,4562 0,4522 0,4483 0,4443 0,4404 0,4364 0,4325 0,4286 0,4247
0,2 0,4207 0,4168 0,4129 0,4090 0,4052 0,4013 0,3974 0,3936 0,3897 0,3859
0,3 0,3821 0,3783 0,3745 0,3707 0,3669 0,3632 0,3594 0,3557 0,3520 0,3483
0,4 0,3446 0,3409 0,3372 0,3336 0,3300 0,3264 0,3228 0,3192 0,3156 0,3121
0,5 0,3085 0,3050 0,3015 0,2981 0,2946 0,2912 0,2877 0,2843 0,2810 0,2776
0,6 0,2743 0,2709 0,2676 0,2643 0,2611 0,2578 0,2546 0,2514 0,2483 0,2451
0,7 0,2420 0,2389 0,2358 0,2327 0,2296 0,2266 0,2236 0,2206 0,2177 0,2148
0,8 0,2119 0,2090 0,2061 0,2033 0,2005 0,1977 0,1949 0,1922 0,1894 0,1867
0,9 0,1841 0,1814 0,1788 0,1762 0,1736 0,1711 0,1685 0,1660 0,1635 0,1611
1,0 0,1587 0,1562 0,1539 0,1515 0,1492 0,1469 0,1446 0,1423 0,1401 0,1379
1,1 0,1357 0,1335 0,1314 0,1292 0,1271 0,1251 0,1230 0,1210 0,1190 0,1170
1,2 0,1151 0,1131 0,1112 0,1093 0,1075 0,1056 0,1038 0,1020 0,1003 0,0985
1,3 0,0968 0,0951 0,0934 0,0918 0,0901 0,0885 0,0869 0,0853 0,0838 0,0823
1,4 0,0808 0,0793 0,0778 0,0764 0,0749 0,0735 0,0721 0,0708 0,0694 0,0681
1,5 0,0668 0,0655 0,0643 0,0630 0,0618 0,0606 0,0594 0,0582 0,0571 0,0559
1,6 0,0548 0,0537 0,0526 0,0516 0,0505 0,0495 0,0485 0,0475 0,0465 0,0455
1,7 0,0446 0,0436 0,0427 0,0418 0,0409 0,0401 0,0392 0,0384 0,0375 0,0367
1,8 0,0359 0,0351 0,0344 0,0336 0,0329 0,0322 0,0314 0,0307 0,0301 0,0294
1,9 0,0287 0,0281 0,0274 0,0268 0,0262 0,0256 0,0250 0,0244 0,0239 0,0233
2,0 0,0228 0,0222 0,0217 0,0212 0,0207 0,0202 0,0197 0,0192 0,0188 0,0183
2,1 0,0179 0,0174 0,0170 0,0166 0,0162 0,0158 0,0154 0,0150 0,0146 0,0143
2,2 0,0139 0,0136 0,0132 0,0129 0,0125 0,0122 0,0119 0,0116 0,0113 0,0110
2,3 0,0107 0,0104 0,0102 0,0099 0,0096 0,0094 0,0091 0,0089 0,0087 0,0084
2,4 0,0082 0,0080 0,0078 0,0075 0,0073 0,0071 0,0069 0,0068 0,0066 0,0064
2,5 0,0062 0,0060 0,0059 0,0057 0,0055 0,0054 0,0052 0,0051 0,0049 0,0048
2,6 0,0047 0,0045 0,0044 0,0043 0,0041 0,0040 0,0039 0,0038 0,0037 0,0036
2,7 0,0035 0,0034 0,0033 0,0032 0,0031 0,0030 0,0029 0,0028 0,0027 0,0026
2,8 0,0026 0,0025 0,0024 0,0023 0,0023 0,0022 0,0021 0,0021 0,0020 0,0019
2,9 0,0019 0,0018 0,0018 0,0017 0,0016 0,0016 0,0015 0,0015 0,0014 0,0014
3,0 0,0013 0,0013 0,0013 0,0012 0,0012 0,0011 0,0011 0,0011 0,0010 0,0010
Donne la probabilite P (Z > zi + zj )

Section B.3. Table pour le calcul de Ir (S) 221
B.3 Table pour le calcul de Ir (S)
g(tS ) tj
ti 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
-3 3,0005 3,0104 3,0202 3,0304 3,0403 3,0505 3,0603 3,0702 3,0804 3,0903
-2,9 2,9004 2,9105 2,9204 2,9305 2,9406 2,9504 2,9606 2,9704 2,9805 2,9904
-2,8 2,8006 2,8107 2,8207 2,8308 2,8405 2,8506 2,8607 2,8705 2,8805 2,8906
-2,7 2,7010 2,7109 2,7209 2,7309 2,7409 2,7508 2,7608 2,7708 2,7809 2,7909
-2,6 2,6014 2,6115 2,6214 2,6312 2,6414 2,6513 2,6612 2,6711 2,6811 2,6910
-2,5 2,5020 2,5120 2,5218 2,5318 2,5419 2,5517 2,5617 2,5716 2,5817 2,5915
-2,4 2,4027 2,4126 2,4225 2,4326 2,4425 2,4524 2,4624 2,4721 2,4821 2,4920
-2,3 2,3037 2,3137 2,3234 2,3334 2,3434 2,3531 2,3632 2,3730 2,3828 2,3929
-2,2 2,2049 2,2146 2,2246 2,2344 2,2445 2,2543 2,2641 2,2740 2,2839 2,2938
-2,1 2,1064 2,1164 2,1261 2,1359 2,1457 2,1556 2,1654 2,1753 2,1852 2,1949
-2 2,0084 2,0183 2,0280 2,0378 2,0476 2,0574 2,0672 2,0771 2,0868 2,0967
-1,9 1,9111 1,9207 1,9305 1,9402 1,9499 1,9597 1,9694 1,9792 1,9889 1,9987
-1,8 1,8143 1,8240 1,8335 1,8433 1,8529 1,8625 1,8723 1,8820 1,8916 1,9013
-1,7 1,7182 1,7279 1,7374 1,7470 1,7566 1,7661 1,7758 1,7853 1,7951 1,8047
-1,6 1,6232 1,6327 1,6422 1,6516 1,6611 1,6706 1,6801 1,6896 1,6992 1,7088
-1,5 1,5293 1,5387 1,5479 1,5574 1,5667 1,5761 1,5855 1,5949 1,6043 1,6138
-1,4 1,4366 1,4458 1,4551 1,4643 1,4736 1,4829 1,4922 1,5013 1,5107 1,5200
-1,3 1,3455 1,3546 1,3636 1,3726 1,3818 1,3909 1,4000 1,4092 1,4183 1,4274
-1,2 1,2561 1,2650 1,2739 1,2828 1,2916 1,3006 1,3096 1,3186 1,3275 1,3365
-1,1 1,1686 1,1773 1,1859 1,1947 1,2034 1,2121 1,2209 1,2296 1,2384 1,2473
-1 1,0833 1,0918 1,1002 1,1087 1,1171 1,1256 1,1342 1,1428 1,1513 1,1599
-0,9 1,0004 1,0086 1,0168 1,0250 1,0333 1,0415 1,0499 1,0582 1,0666 1,0749
-0,8 0,9202 0,9281 0,9360 0,9440 0,9519 0,9599 0,9680 0,9760 0,9842 0,9923
-0,7 0,8429 0,8504 0,8581 0,8658 0,8735 0,8812 0,8889 0,8967 0,9045 0,9123
-0,6 0,7686 0,7760 0,7833 0,7906 0,7980 0,8054 0,8128 0,8203 0,8277 0,8353
-0,5 0,6978 0,7047 0,7117 0,7187 0,7257 0,7328 0,7399 0,7471 0,7542 0,7614
-0,4 0,6304 0,6370 0,6436 0,6503 0,6569 0,6636 0,6704 0,6772 0,6840 0,6909
-0,3 0,5668 0,5730 0,5792 0,5855 0,5918 0,5981 0,6045 0,6109 0,6174 0,6239
-0,2 0,5069 0,5127 0,5186 0,5245 0,5304 0,5363 0,5424 0,5484 0,5545 0,5606
-0,1 0,4509 0,4564 0,4618 0,4673 0,4728 0,4784 0,4840 0,4897 0,4954 0,5011
0 0,3989 0,4040 0,4090 0,4141 0,4193 0,4244 0,4297 0,4349 0,4402 0,4456
g(tS ) tj
ti 0,00 0,01 0,02 0,03 0,04 0,05 0,06 0,07 0,08 0,09
0 0,3989 0,3940 0,3890 0,3841 0,3793 0,3744 0,3697 0,3649 0,3602 0,3556
0,1 0,3509 0,3464 0,3418 0,3373 0,3328 0,3284 0,3240 0,3197 0,3154 0,3111
0,2 0,3069 0,3027 0,2986 0,2945 0,2904 0,2863 0,2824 0,2784 0,2745 0,2706
0,3 0,2668 0,2630 0,2592 0,2555 0,2518 0,2481 0,2445 0,2409 0,2374 0,2339
0,4 0,2304 0,2270 0,2236 0,2203 0,2169 0,2136 0,2104 0,2072 0,2040 0,2009
0,5 0,1978 0,1947 0,1917 0,1887 0,1857 0,1828 0,1799 0,1771 0,1742 0,1714
0,6 0,1686 0,1660 0,1633 0,1606 0,1580 0,1554 0,1528 0,1503 0,1477 0,1453
0,7 0,1429 0,1404 0,1381 0,1358 0,1335 0,1312 0,1289 0,1267 0,1245 0,1223
0,8 0,1202 0,1181 0,1160 0,1140 0,1119 0,1099 0,1080 0,1060 0,1042 0,1023
0,9 0,1004 0,0986 0,0968 0,0950 0,0933 0,0915 0,0899 0,0882 0,0866 0,0849
1 0,0833 0,0818 0,0802 0,0787 0,0771 0,0756 0,0742 0,0728 0,0713 0,0699
1,1 0,0686 0,0673 0,0659 0,0647 0,0634 0,0621 0,0609 0,0596 0,0584 0,0573
1,2 0,0561 0,0550 0,0539 0,0528 0,0516 0,0506 0,0496 0,0486 0,0475 0,0465
1,3 0,0455 0,0446 0,0436 0,0426 0,0418 0,0409 0,0400 0,0392 0,0383 0,0374
1,4 0,0366 0,0358 0,0351 0,0343 0,0336 0,0329 0,0322 0,0313 0,0307 0,0300
1,5 0,0293 0,0287 0,0279 0,0274 0,0267 0,0261 0,0255 0,0249 0,0243 0,0238
1,6 0,0232 0,0227 0,0222 0,0216 0,0211 0,0206 0,0201 0,0196 0,0192 0,0188
1,7 0,0182 0,0179 0,0174 0,0170 0,0166 0,0161 0,0158 0,0153 0,0151 0,0147
1,8 0,0143 0,0140 0,0135 0,0133 0,0129 0,0125 0,0123 0,0120 0,0116 0,0113
1,9 0,0111 0,0107 0,0105 0,0102 0,0099 0,0097 0,0094 0,0092 0,0089 0,0087
2 0,0084 0,0083 0,0080 0,0078 0,0076 0,0074 0,0072 0,0071 0,0068 0,0067
2,1 0,0064 0,0064 0,0061 0,0059 0,0057 0,0056 0,0054 0,0053 0,0052 0,0049
2,2 0,0049 0,0046 0,0046 0,0044 0,0045 0,0043 0,0041 0,0040 0,0039 0,0038
2,3 0,0037 0,0037 0,0034 0,0034 0,0034 0,0031 0,0032 0,0030 0,0028 0,0029
2,4 0,0027 0,0026 0,0025 0,0026 0,0025 0,0024 0,0024 0,0021 0,0021 0,0020
2,5 0,0020 0,0020 0,0018 0,0018 0,0019 0,0017 0,0017 0,0016 0,0017 0,0015
2,6 0,0014 0,0015 0,0014 0,0012 0,0014 0,0013 0,0012 0,0011 0,0011 0,0010
2,7 0,0010 0,0009 0,0009 0,0009 0,0009 0,0008 0,0008 0,0008 0,0009 0,0009
2,8 0,0006 0,0007 0,0007 0,0008 0,0005 0,0006 0,0007 0,0005 0,0005 0,0006
2,9 0,0004 0,0005 0,0004 0,0005 0,0006 0,0004 0,0006 0,0004 0,0005 0,0004
3 0,0005 0,0004 0,0002 0,0004 0,0003 0,0005 0,0003 0,0002 0,0004 0,0003
Donne g(tS ) = [f (tS ) tS P (t > tS )]

Annexe A
Solutions nales des exercices
A.1 Introduction
1.1 Un problème de choix dinvestissement
a) Choix des variables : les quantites investies en euros dans A, B et C.

b) Expression de lobjectif : maximisation de la somme esperee après un
an.
c) Expression des contraintes :
Respect de la quantite totale disponible,
Quantite minimum investie sur B et C ensemble,
Interet minimum garanti de 5 % sur la somme disponible,
Positivite.
1.2 Problème de chargement de haut fourneau.
a) Choix des variables :

-nombres de milliers de tonnes de minerais A, B et C
-nombre de milliers de tonnes de manganèse ajoute dans le melange.
b) Expression de lobjectif : maximisation de la marge qui est la difference
entre le chiffre daffaire et les couts dachat et de fonte des minerais
ainsi que le cout dachat du manganèse ajoute.
Bilan sur la quantite a` produire (une tonne),
Teneur minimum en maganèse,
Teneur minimum et maximum en silicium,
Positivite.
223
224 Annexe A. Solutions nales des exercices
1.3 Problème de planication sur cout

variable.

-production en regime normal par mois,
-production en heures supplementaires par mois,
-stock a` la n de chaque mois.
b) Expression de lobjectif : minimisation de la somme des couts de pro-
duction en heures supplementaires et de stockage.
Satisfaction de la demande,
Capacites de production en heures normales,
Capacites de production en heures supplementaires,
Positivite.
1.4 Affectation a` des lignes aeriennes.
a) Choix des variables : nombre davions de type i affectes a` la ligne j.

b) Expression de lobjectif : minimisation de la somme des couts dexploi-
tation des lignes en fonction du type dappareil.
Contrainte sur le nombre dappareils disponibles de chacun des
types,
Satisfaction de la demande par ligne,
Caractère entier des variables,
Positivite.
1.5 Production de denrees perissables.

-nombre dunites fabriquees par jour des produits P et Q,
-nombre de kilos transportes par camionnette par jour,
-nombre de kilos transportes par transporteur independant par jour.
b) Expression de lobjectif : maximisation du prot net de cout de transport.
Bilan sur les quantites transportees,
Capacite de la camionnette,
Limite des ingredients disponible,
Positivite.
Section A.2. Ordonnancement en ateliers specialises 225
1.6 Ajout dun produit a` la gamme.

-production de produits standard dans latelier A, B et C,
-Production de produits de luxe dans latelier B et C.
b) Expression de lobjectif : maximiser la marge qui est la difference entre le
chiffre daffaire, les couts de main doeuvre et les couts des materiaux.
Capacite des ateliers,
Limite de vente des produits,
Positivite.
A.2 Ordonnancement en ateliers specialises
2.1 Batiments - travaux publics.
a) Ordre de prise en compte des travaux :
26 25 30 27 28 29
b) Gain en nombre de jours par rapport a` lordre darrivee : 3 jours.

c) Ordre sil y a un temps intermediaire de 2 jours : meme ordre.
2.2 Usinage de pièces sur des machines.
a) Pourquoi lalgorithme de Johnson ne sapplique pas ?

Lalgorithme de Johnson ne sapplique pas car les taches qui doivent
e tre effectuees sur une meme machine ne sont pas independantes : il
faut dabord regler la machine avant dusiner les pièces.
b) Enumeration de tous les cas possibles :
Cas 1 : a<b sur les deux machines,
Cas 2 : a<b sur M1 et b<a sur M2,
Cas 3 : b<A sur M1 et a<b sur M2,
Cas 4 : b<a sur les deux machines.
c) Diagrammes de Gantt :
Cas 1 : a<b sur les deux machines : tf = 13 heures.
Cas 2 : a<b sur M1 et b<a sur M2 : tf = 12 heures.
Cas 3 : b<A sur M1 et a<b sur M2 : tf = 17 heures.

Cas 4 : b<a sur les deux machines : tf = 11 heures.
2.3 Gestion du temps pour la composition dun travail de groupe.
a) Ordonnancement qui minimise le temps de realisation du travail ?
B A D C
b) Ordonnancement qui minimise le temps de realisation des 7 taches ?

Pour letudiant 1 :
{A, B}, {A}, {B, A}
B A D C G
Pour letudiant 2 :
{B, A}, {B}, {A, B}
F E B A D C
c) Illustrer a` laide dun diagramme de Gantt : tf = 8,5 jours.

d) Pourront-ils rendre le travail a` temps ? oui car letudiant le plus lent
met 8,5 jours < 10 jours.
2.4 Ordonnancement avec trois ateliers.
a) Calcul de lordonnancement :
Place 1 2 3 4 5
Tache 2 4 3 5 1
b) Diagramme de Gantt : tf = 27.
A.3 Gestion calendaire de stock
3.1 Achat de pièces de rechange.
a) Nombre optimal de pièces a` commander : S = 3.

Section A.3. Gestion calendaire de stock 227
b) Calcul du nombre moyen de ruptures : Ir (S)= 0,0233

Calcul du stock moyen possede : Ip (S) = 2,0233
Calcul du cout de gestion du stock : C(S) = 2.605,80
3.2 Ventes dhebdomadaires.
a) Gestion calendaire avec stock a` rotation nulle (cas Normale) : S =

32, 15
b) Calcul du nombre moyen de ruptures : Ir (S) = 1,152
Calcul du cout de gestion du stock : C(S) = 10,91 euros
Calcul du benece net : B(S) =109,09 euros
3.3 Vente de calculatrices.
a) Gestion calendaire de stock a` rotation non nulle (cas Poisson) : S = 16.

b) Calcul du nombre moyen de rupture : Ir (S) = 0,055
c) Calcul du benece net : B(S) = 95,63 euros.
3.4 Vente de reveils e lectroniques.
a) Gestion calendaire de stock a` rotation non nulle (cas Normale) : S =

277.
b) Calcul du nombre moyen de ruptures : Ir (s) = 0,5834
c) Calcul du benece net : B(S) = 1 932,82
3.5 Vente de sapins de Noel.

Gestion calendaire de stock a` rotation non nulle : S 30.296
3.6 Ventes de eurs.
a) Nombre de bottes de eurs a` acheter : S = 13.

b) Nombre moyen de ruptures par semaine : Ir (S) = 2, 7076. Soit 5,41
clients par semaine.
c) Nombre dinvendus : Ip (S) == 0, 7076. Soit 1,4152 bottes par semaine.
A.4 Gestion de stock par point de commande
4.1 Gestion de lapprovisionnement du stock de transitors.

a) Calcul du cout de gestion actuel : C(500, 500) = 4.320 euros.
b) Politique optimale : q = 300 et s = 300.
Cout de la politique optimale : C(300, 300) = 2.400 euros.
c) Le gain est de : 1.920 euros.
4.2 Vente de verre de cristal.
a) Niveau de la commande optimale : q = 624.
b) Point de commande : s = 300.
c) Cout de gestion : C(q) = 749,40 euros.
4.3 Vente de verre de cristal en univers aleatoire.
a) Niveau de commande : q = 624.
c) nombre moyen de refus de vente par commande : Irc (s) = 1,3859.
d) Stock moyen possede : Ip (s, q) = 430,693
e) Cout de gestion correspondant : C(s, q) = 926,48
4.4 Ventes de carafes a` eau.
a) Niveau de commande : q = 55.
c) Nombre de ruptures a` chaque commande : Ir (s) = 0,1045
4.5 Vente par correspondance.
a) Gestion calendaire : S = 15 avec C(S) = 105,687.
Ce qui sur base annuelle (6 fois deux mois) donne : Ca = 6105, 687 =
634, 12.
b) Gestion par point de commande : q = 9 et s = 5 avec C(s, q) = 525,48.
c) Comparaison des beneces dans les trois cas :
Gestion calendaire : B(S) = 8 965, 88.
Gestion par point de commande : B(s, q) = 9 074, 52.
Servir dintermediaire : B = 4 800.
Conclusion : il vaut mieux utiliser la gestion par point de commande.
Section A.5. La planication de la production 229
A.5 La planication de la production
5.1 Planication de production dun moteur.
a) Besoins nets de moteur pour janvier a` avril :
t Janvier Fevrier Mars Avril

BNt 0 7 16 11
b) Lancements de production en lot par lot :
t Janvier Fevrier Mars Avril

LPt 7 16 11
5.1 Production dengrenages.
a)Quantite e conomique a` mettre en production : q = 110.

b) Plan de production et de stockage :
t 1 2 3 4 5 6 7 8
Pt 110 0 110 0 0 110 0 0
St 80 35 85 45 10 90 55 5
c) Cout de lancement de production et de stockage : C = 855. Alors que le

cout de la politique du lot par lot est de : C = 1 200. Le gain est donc
de : 1 200 855 = 345.
5.3 Determination des besoins et lancements de production de niveau 2.
a) Lancements du composant E2010 :

Periode 15 16 17 18 19 20 21 22
BNt 0 3 30 16 31 21 20
LPt 20 3 30 16 31 21 20 -
b) Lancements du composant E2040 :
Periode 15 16 17 18 19 20 21 22
BNt 0,5 0 5,5 9 11 13 -
LPt 17 5,5 9 11 13 - - -
5.4 Ajustement charge-capacite de niveau 2.

Periode 16 17 18 19
ajustement +20,5 -4,5 +0,5 -16,5
LPt de E2010 23,5 25,5 16,5 14,5
LPt de E2040 5,5 9 11 13
5.5 Planication des besoins en composants.

a) Determiner les besoins nets et lancements en composant E :
Periode 0 1 2 3 4 5
BNt de E 0 0 100 250 250
LPt de E 250 250 250 0
SFt de E 300 200 50 150 150 150
b) Determiner les besoins nets et lancements de production de P1 :
Periode 0 1 2 3 4 5
BNt de P1 0 0 0 170 -
LPt de P1 0 0 500 - - -
SFt de P1 640 370 105 330 -
c) Determiner les besoins nets et lancements de production de P2 :
Periode 0 1 2 3 4 5
BNt de P2 0 0 475 525 -
LPt de P2 300 0 600 600 - -
SFt de P2 570 50 125 200 -
A.6 Les techniques de juste a` temps
6.1 Flux tendus.

a) Calcul du nombre de tickets a` mettre en circulation : Ne = 6 conteneurs.
b) Verication de lequilibre charge capacite : Le temps de fabrication
amont de 6,7 heures par jour. Alors quon en dispose de 8.
c) Reduire la taille des series de fabrication de 500 a` 250 : il faut absolument
reduire le temps de lancement sinon on utilise 8 heures par jour rien
quau lancement. Il ne reste plus rien pour la production.
Section A.7. Lordonancement de projets 231
6.2 Calcul du nombre detiquettes.
a) Flux journalier de production de D : 50 D/jour.

b) Nombre de reglages pour D :3 reglages par jour.
c) Capacite dun container : 10 pièces.
d) Nombre de Kanbans : Ne = 5
6.3 Conditionnement de surgeles.
a) Temps de reaction du poste preparation : Tr = 60 minutes.

b) Verier lequilibre entre la charge et la capacite : temps de fabrication
= 6,67 heures < 8 heures : on a donc assez de capacite.
c) Nombre detiquettes : Ne = 5.
A.7 Lordonancement de projets
7.1 Equipement dun ensemble minier.
a) Graphe de la methode des potentiels : voir cours. tf = 11.

b) Dates de debut au plus tot, les dates de debut au plus tard :
Tache 1 2 3 4 5 6 7 8
Date plus tot 0 0 0 3 3 3 7 5
Date au plus tard 1 0 6 3 4 6 7 8
Taches critiques : 2,4,7.
c) La tache 7 ne commence pas avant 8 trimestres : tf = 12.
d) La tache 8 ne commence pas après 4 trimestres : problème impossible.
7.2 Construction dun batiment.
a) Graphe de la methode des potentiels : voir cours.

b) Dates au plus tot, au plus tard et marges :
Tache 1 2 3 4 5 6 7 8 9 10 11 12
deb +tot 0 6 16 16 16 22 23 31 31 36 26 35
marge 0 0 2 0 5 5 0 1 0 0 5 5
deb +tard 0 6 18 16 21 27 23 32 31 36 31 40
Chemin critique : 1, 2, 4, 7, 9 et 10.
c) Resolution de la disjontion : Si on fait 9 avant 11 :tf = 47. Si on fait 11
avant 9 : tf = 46. Donc 11 avant 9.
7.3 La methode PERT.

a) Graphe de la methode PERT : il est necessaire dajouter une tache ctive
entre les taches 11 et 9.
b) Dates au plus tot, au plus tard et marges :
Tache 1 2 3 4 5 6 7 8 9 10 11 12 13
Date + tot 0 1 3 1 1 3 4 8 10 1 5 10 11
Marge 0 3 3 1 0 1 1 0 0 0 0 4 4
Date + tard 0 4 6 2 1 4 5 8 10 1 5 14 15
Chemins critiques : 1, 5, 8, 9 et 1, 10, 11, 9.
c) Reduction de la duree : Il faut reduire les taches 5 et 11 pour reduire la
duree totale (les deux sont critiques). Mais une reduction au delà de 1
unite est inutile. Le surcout total est donc de 300 000 euros.
7.4 Minimisation des couts.

b) Ordonnancement:
Tache 1 2 3 4 5
Date plus tot 0 0 4 9 17
Date au plus tard 0 3 4 9 17
Chemin critique : 1, 3, 4 et 5.
c) Formulation du problème de minimisation des couts :
Les variables : t1 , . . .t5 , les dates de debuts au plus tot, d3 , d5 , les
durees des troisième et cinquième taches.
Lobjectif : C(D) = 350 20d3 10d5
Les contraintes :
t3 t1 4 t4 t3 d3 t4 t2 6
t5 t4 8 tf t5 d5 3 d3 5
5 d5 7 ti 0, i = 1, . . .5
d) Forme de la fonction CD en fonction de tf :
e) Levolution des couts direct et indirect :
tf 20 21 22 23 24
CD 240 220 200 190 180
CI 110 115 120 135 150
CT 350 335 320 325 330
Ce qui donne un temps optimal de n de projet de tf = 22.

Section A.8. Conception dun centre de production 233
7.5 Lancement dun nouveau produit.

b) Pourquoi le problème est soluble : le graphe ne contient aucun circuit.
c) Calcul des dates de debut au plus tot, au plus tard et des marges :
Tache A B C D E F G H I J
Date plus tot 17 5 14 0 3 12 0 0 5 8
Date au plus tard 17 5 14 2 6 12 1 0 5 8
d) Les chemins critiques : C-A, H-B-J-F-A et H-I-F-A.
e) Raccourcir la duree dune semaine : reduire dune semaine la duree des
taches C, B et I.
A.8 Conception dun centre de production
8.1 Equilibrage dune chane.
a) Chane a` un temps de cycle de 18 minutes au plus :

Score 1 :

J,10 C,5 I,9 M,6 E,15 F,7 N,15
G,6 K,4 B,7 H,4
A,2 L,8 D,2
18 17 18 10 15 7 15
Score 2 :

A,2 J,10 E,15 B,7 I,9 M,6 N,15
C,5 L,8 G,6 F,7
D,2 H,4
K,4
13 18 15 17 16 6 15
b) Calcul du retard dequilibre : RE = 20,3 %.
8.2 Montage en chane dune lampe de bureau.
a) Determination du temps de cycle : c = 64 secondes.

b) Graphe de preseances : voir cours.

c) Calcul du score 2 :
A : 129, B: 107, C : 120, D : 93, E : 62, F : 53, G : 12
d) Utilisation de lheuristique de score 2:
Poste 1 Poste 2 Poste 3

A,22 D,40 F,41
C,27 E,9 G,12
B,14
63 49 53
e) Calcul du retard dequilibre : RE = 12,7 %.
8.3 Choix dune capacite.
a) Calcul des prots esperes dans chacun deux cas :

Construire 5 000 : E(V AN ) = 4 256 854.
Construire 2 000 : E(V AN ) = 4 057 654.
Il vaut mieux construire dès le debut une capacite de 5 000.
b) Pourquoi la decision optimale change ? Comme il y a une plus grande
chance de succès du produit, il vaut mieux se lancer directement dans
la production dune grande capacite.
c) Probabilite de succès de basculement de strategie : = 38, 92%.
8.4 Ouverture dun restaurant.
a) Arbre de decision relatif a` ce problème : voir cours.

b) Calcul des VAN :
Cas 1 2 3 4
VAN (Keuros) 702,71 33,17 351,36 475,44
c) E(V AN ) si la 1ère decision est douvrir un restaurant de 500 : 401,42.
E(V AN ) si la 1ère decision est douvrir un restaurant de 250 : 419,61.
d) Decision ? Ouvrir 250 et rajouter 250 après un an si necessaire.
8.5 Ouverture de depots.
a) Variables :
millions de tonnes transportees du depot i vers le client j.
indicatrice de louverture du depot i lannee prochaine.
Section A.9. La programmation dynamique 235
b) Contraintes :
-satisfaction de la demande;
-capacite de production;
-non negativite;
caractère binaire des indicatrices.
c) Objectif : minimiser la somme des couts de tranport et des couts dou-
verture des depots :
8.6 Problème de localisation de centre de distribution de pneus.
a) Representation par un graphique de reseau : voir cours.

b) Formulation du problème :
Variables :
millions de pneus transportees du depot i vers le pays j.
indicatrice de louverture du depot i lannee prochaine.
Contraintes :
capacite de production;
satisfaction de la demande;
non negativite et caractère binaire.
Objectif : minimiser la somme des couts de transport et des frais
xes douverture des depot.
A.9 La programmation dynamique
9.1 Ventes de livres.
a) Formulation en un problème dynamique :

Choix des variables detat : st = nombre de vendeurs restant.
Choix des variables de decisions : xt = nombre de vendeurs att-
ribues a` la region t.

Objectif : max z = 3t=1 Bt (xt ).
Contraintes :
Relation de recurrence entre les variables : st+1 = st xt .
Positivite du stock : st 0.
Au moins un vendeur : xt 1.
b) Resolution par la programmation dynamique :
Region t 1 2 3
st 6 5 3

xt 1 2 3
9.2 Plan de production hebdomadaire optimal.
a) Formulation en un problème dynamique :

Choix des variables detat : st = stock de moteurs M200 au debut
de la periode t.
Choix des variables de decision : xt = fabrications de moteur
M200 a` la periode t.

Expression de lobjectif : min z = 15 t=12 CSst + CP (xt ) avec

0 si xt = 0

CP (xt ) = 500 + 300xt si xt = 1, 2, 3

500 + 900 + 400(xt 3) si xt 4
Contraintes :
Relation de recurrence entre les variables : st+1 = st + xt
dt+1 .
Limite du stock : st 2.
positivite : xt , st 0.
b) Resolution par la programmation dynamique : voir cours.
c) Plan optimal de livraison et de stockage :
t 12 13 14 15
xt 4 7 0 3
st 0 0 2 0
9.3 Fabrication en heures supplementaires et au moyen dinterimaires.
Periode t 1 2 3 4 5
xt 17 14 11 21 18
st 0 5 2 0 0
Section A.10. La programmation lineaire 237
A.10 La programmation lineaire
10.1 La minimisation des couts.

a) Formulation du problème lineaire :

Variables : quantites fabriquees par jour par usine .
Objectif : minimisation des couts de production.
Contraintes :
Capacite journalière des usines,
Limite de main doeuvre,
Satisfaction de la demande,
Positivite.
b) Resolution graphique : solution optimale :
x1 = 4 x2 = 4 z = 20
10.2 Recyclage du papier.
a) Formulation du problème lineaire :

Variables : quantites de dechets achetees par an par ville.
Objectif : minimisation des couts dachat.
Contraintes :
Limite dachat dans les deux villes;
Au moins 1 500 tonnes de listings;
Pas plus de 6 000 tonnes de journaux;
Positivite.
x1 = 0 x2 = 10 000 z = 350 000
10.3 Planication de production sur cout

variable.
a) Marges sur cout variable : m1 =30 et m2 =24.

b) Formulation du problème lineaire :
Variables : les productions mensuelles des deux produits
Objectif : maximiser la marge totale.
Contraintes : Respect de la capacite des ateliers et positivite des
variables.
c) Resolution graphique : solution optimale :
x1 = 400 x2 = 600 z = 26.400
10.4 Fabrication et transport de produits frais.

a) Formulation du problème :
Variables : nombre dunites fabriquees par jour par produit.
Objectif : maximiser la marge nette de cout de transport.
Contraintes :
Capacite de transport,
Limitation dingredient M,
Limite dingredient N,
Non negativite .
x1 = 0 x2 = 700 z = 29.400
10.5 Organisation de la distribution deau.

a) Formulation du problème en nombres entiers :
Variables : quantite deau allant la source i a` la ville j.
Objectif : minimisation des couts de distribution.
Contraintes :
Respect du besoin minimum de chaque ville;
Demande maximum de chaque ville;
Utiliser toute loffre disponible de chaque source;
Positivite.
b) Solution dEXCEL :
z = 2.460
x12 = 50 x22 = 20 x24 = 40 x31 = 50
A.11 Analyse postoptimale
11.1 Sensibilite du membre de droite.

a) Valeurs des prix caches :
y1 = 12 y2 = 24.
Section A.11. Analyse postoptimale 239
b) De quel atelier augmenter la capacite ? Du second atelier car laug-

mentation de prot pour une heure en plus est plus grande.
c) Jusquà quel point ? Augmentation utile jusque b2 = 600.
11.2 Sensibilite aux coefcients objectif.
a) Solution graphique :
x1 = 3/5 x2 = 9/5 z = 9/5.
b) Intervalle autour de c1 = 0 qui preserve x :
3 c1 0, 75
11.3 Interpretation de la solution.
a) Formulation du problème de la maximisation du revenu net :
choix des variables :
-productions hebdomadaires de A et B;
-quantite hebdomadaire de matières premières;
-heures supplementaires par semaine;
-publicite pour A, pour B.
expression de lobjectif : maximiser le chiffre daffaire moins le
cout de matière première moins le cout des heures supplementaires
moins le budget publicitaire.
expression des contraintes:
Calcul de la quantite de matière première;
Limite de matière première;
Calcul du nombre dheures supplementaires;
Limite du nombre dheures supplementaires;
Limite dusinage;
Demande maximum de A, de B;
Limite du budget publicitaire.
b) Augmentation des heures supplementaires de 15 $ a` 25 $ par heure.
Actuellement, on utilise 30 heures supplementaires. Si le coefcient
objectif des heures supplementaires passe de -15 a` -25, la solution ne
change pas car on peut descendre juquà -67,33. A 25 $, on recourre
aux heures supplementaires.
c) Revenu net de 10 $ supplementaires en publicite ?
Dans la contrainte de maximum de publicite, le prix cache est de 35,5
et son domaine de validite indique que lon peut augmenter de 10 le
membre de droite. Donc le benece net serait de 10 35,5 = 355 $.
A.12 La programmation en nombres entiers
12.1 Melange de maximum 4 charbons.
a) Variables :
teneur du melange en charbon i;
binaire indicatrice de la presence du charbon i.
b) Objectif : minimiser le cout dachat des charbons.
c) Contraintes :
produire une tonne;
respecter la teneur minimum dans le melange;
respecter le nombre maximum de charbons;
respecter la teneur maximum en Si;
positivite et caractère entier.
12.2 Localisation demetteurs de television.
a) Variables : binaire indicatrice de la construction de lemetteur i.

b) Objectif : minimiser la somme des couts xes de construction.
c) Contraintes : Atteindre chaque ville
12.3 Problème daffectation de lignes aeriennes :
a) Formulation du problème :
Choix des variables :
-nombre davions affectes sur la ligne OM;
-nombre davions affectes sur la ligne OT.
satisfaire la demande;
respecter le nombre davions;
caractère entier des variables.
Objectif : minimiser les couts dexploitation des lignes.
b) Solution optimale: (x1 , x2 ) = (4, 2) , z = 22.
12.4 Methode de branch and bound. Solution optimale :
z = 8 x1 = 4 x2 = 4
12.5 Tournees de vehicules.

Section A.12. La programmation en nombres entiers 241

Choix des variables : nombre de camions allant de la ville i a` la
ville j.
Expression des contraintes : Conservation du nombre de camions
en chaque noeud du reseau.
Expression de lobjectif : minimiser le temps total passe sur le
reseau.
b) Mettre sous la forme dun modèle de calcul en EXCEL : voir cours.
c) Solution dEXCEL :
z = 335
x12 = 4 x23 = 7 x43 = 4 x3I = 12
12.6 Decoupe de bobines-mères.

Choix des variables : nombre de bobines-mères decoupees suivant
le mode i.
Satisfaction de la demande.
Caractère entier des variables.
Expression de lobjectif : minimiser la somme des bobines-mères
decoupees.
b) Solution dEXCEL : 200 bobines-mères sont necessaires. Les solutions
optimales sont multiples.
12.7 Optimisation du plan directeur de production.
a) Formulation :
Variables :
lembauche au debut de periode t;
le licenciement au debut de t;
les effectifs au debut de la periode t;
le stock en n de periode t.
Objectif : minimiser la somme des couts dembauche, de licen-
ciement et de stockage.
Les contraintes :
Bilan des effectifs;
Bilan des stocks;

Contrainte de stock minimum;
Non negativite.
b) Solution dExcel :
z = 5 145 806, 2865
t Embauches Licenciements Effectifs stocks

1 0,000 0,000 32,000 117 600
2 6,271 0,000 38,271 85 000
3 0,000 3,476 34,795 182 061
4 0,000 0,000 34,795 100 000

Gestion de Production PDF

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Gestion de Production PDF

Transféré par

Droits d'auteur :

Formats disponibles

UNIVERSITE DE LIEGE

Licence en sciences de gestion

Li`ege, Septembre 2005

I Les decisions operationnelles 21

2 Ordonnancement en ateliers specialises 23

3 La gestion calendaire de stock 35

4 La gestion par point de commande 59

II Les decisions tactiques 71

5.3 Determination des besoins nets dun composant . . . . . . . . . . 78

6 Les techniques de juste a` temps 91

III Les decisions strategiques 101

7 Lordonnancement de projets 103

7.9 La minimisation des couts . . . . . . . . . . . . . . . . . . . . . 115

8 Conception dun centre de production 123

IV Les techniques doptimisation 149

9 La programmation dynamique. 151

10 La programmation lineaire. 167

10.1 Introduction . . . . . . . . . . . . . . . . . . . . . . . . . . . . 167

11 Analyse postoptimale. 183

12 La programmation en nombres entiers. 193

A Formulaire pour la gestion de production 211

A.1 La gestion calendaire de stock . . . . . . . . . . . . . . . . . . . 211

B Tables pour la gestion de stocks 215

A Solutions nales des exercices 223

1.1 Objectifs du cours

Lobjectif du cours est de donner une formation de base a` lapproche quantitative

la gestion des stocks;

Pour cela, on essayer de developper une double competence :

La capacite de formuler ces probl`emes en des mod`eles mathematiques :

La connaissance doutils de resolution de ces probl`emes : en effet, une

1.2 Denition de la gestion de production

La production dun bien seffectue par une succession doperations consom-

On peut alors denir la gestion de production comme suit.

Denition 1.1 La gestion de la production consiste en la recherche dune orga-

Ces trois caracteristiques du produit rel`event des sciences de lingenieur et de la

1. Les decisions strategiques : il sagit de la formulation de la politique a`

1.3 Classication des syst`emes productifs

On peut classer les modes dorganisation de la production en quatre grandes

lorganisation en serie unitaire;

Nous examinerons, dans chaque cas, le type de ressources a` mettre en uvre

1.3.1 Organisation de type serie unitaire

Comme exemples, on peut citer la construction de navires de grande taille (qui

1.3.2 Organisation en ateliers specialises

Denition 1.3 On parle dorganisation en ateliers specialises lorsque tous les

Comme exemple, on peut citer un atelier demboutissage des toles de voitures ou

Lors de la conception de latelier, le probl`eme principal est la gestion des

Lors de la gestion quotidienne de latelier, le probl`eme principal est de

1.3.3 Organisation en lignes de production

Denition 1.4 On parle dorganisation en lignes de production lorsque quun

Comme exemple, on peut citer les lignes dassemblage dautomobiles.

1.3.4 Les industries de process

Denition 1.5 On parle dindustries de process lorsque le mode dorganisation

Comme exemples, on peut citer la siderurgie, la petrochimie, le secteur de la chimie

1.4 Formulation en mod`eles mathematiques

Terminons ce chapitre en introduisant la notion de mod`ele mathematique. Par

Produit PROD1 PROD2 PROD3 PROD4 PROD5

Tableau 1.1: Marge par produit.

Produit PROD1 PROD2 PROD3 PROD4 PROD5

Tableau 1.2: Temps de fabrication (en heures par produit).

Enn, il faut tenir compte des ressources en facteurs disponibles donnees au

Tableau 1.3: Ressources en facteurs

troisi`eme ne necessite que lintervention de main duvre. En ce qui concerne les

1. le choix des variables de decisions,