La recherche oprationnelle et

l'optimisation combinatoire:
prsentation,
mthodes
secteurs dapplication,

Marie-Christine Costa ENSTA-CEDRIC-Paris

avec la participation de
Jean-Charles Billaut Polytech-Tours
1
PLAN

Recherche oprationnelle et graphes

Complexit
Rsoudre un problme de RO
Domaines d'applications
Conclusion Les enjeux

2
 I.
Recherche Oprationnelle
et
Graphes

3
Dfinition

Discipline des mthodes scientifiques

pour aider mieux dcider

4
Dfinition
Objectif de la RO : faire de la recherche
scientifique oprationnelle utilisable sur
le terrain des oprations laide des
outils de linformatique.

Mettre au point des mthodes,

les implmenter au sein doutils (logiciels)
pour trouver des rsultats ensuite confronts
la ralit (et repris jusqu satisfaction du
demandeur).

5
Dfinition
"Optimiser sous contraintes"
depuis la reine
Didon

Robert Faure Titulaire de la chaire de RO au CNAM 6

Dfinition
"Optimiser sous contraintes"
plus rcemment
G. Monge.
Memoire sur
la theorie
des deblais
et des
remblais.
Histoire de
lAcademie
Royale des
Sciences,
Paris (1781)
7
Un dtour par la thorie
des graphes
Thorie dveloppe depuis le 20me sicle

Claude Berge

Vocabulaire, thormes, algoritmes,

8
 GRAPHES NON ORIENTS

a e G3
G2=(X2,U2)
b A3={[a,e], [b,f],
f [e,f], [d,f],...}
noeuds
c
X2 = {sommets}
chane de a d
g d [a,e],[e,f],[f,d]
U2 = {artes} =
{[a,e],[a,b],
[a,c],[b,e],..}
9
 GRAPHES ORIENTS

X1 = {sommets}
a f = {a,b,c,d,e,f}
U1 = {arcs}
b e

c U1 X1xX1
d
U1 =
{(a,f),(a,b),(b,c),..}
G1 = (X1 , U1)

10
 UTILISATIONS des GRAPHES en RO

Modlisation, reprsentation de problmes

circulation dans une ville
volution des tats d'un systme
...

Rsolution de problmes
plus court chemin
flot maximal

11
Sens Int erdit
Circuler
G
H
E D

A
B C

F
G H D

B C
A
G
F
12
 Cheminer

Critre 1: le temps

Critre 2 : le cot

Calcul du chemin de
temps (ou cot)
minimal
13
Cheminer

Chemin
trouv
facilement
par un
algorithme
de
graphe

14
 Router
capacits

9
3

10
flots
13

13

15
16
Un peu dHistoire
La ville de Koeninsberg est traverse par la
Pregel, qui coule de part et dautre de lle de
Kneiphof, et possde sept ponts.

17
Euler (1736) : Peut-on se promener
dans la ville en traversant chaque
pont une et une seule fois ?

b c

18
 Chane eulrienne : passer une
fois et une seule par chaque arte
du graphe

b c

19
 Thorme d'Euler
"On peut se "promener" dans le graphe en
passant une fois et une seule par chaque
arte si et seulement si le nombre de
sommets extrmits d'un nombre impair
d'artes est 0 ou 2."

Un graphe connexe admet une chane

eulrienne si et seulement si le nombre de
sommets de degr impair est 0 ou 2

20
Peut-on se promener dans la ville en traversant
chaque pont une et une seule fois ?
NON !

3
a

3 b c3

d
5
21
En ajoutant un pont:
OUI !

4
a

3 b c4
Dpart

d
5 arrive

22
 W.R. Hamilton (1850) "Peut-on se
"promener" dans un graphe en passant une
fois et une seule par chaque sommet ?"

Le problme de l'existence d'une chane

hamiltonienne dans un graphe.

23
 Existence d'une chane
hamiltonienne dans un graphe
a
a

b c b c

d d
OUI ! NON !

Une question laquelle il est bien difficile

de rpondre si le graphe est grand ! 24
 II.
Recherche Oprationnelle
et
Complexit

25
Approche de la thorie de
la complexit
Thorie dveloppe la fin du 20me
sicle (S. Cook 1970 et L. Levin 1973)

J. Edmonds, R Karp, 26
Une notion importante : lalgorithme

Un algorithme est une mthode de

calcul prcise, rigoureuse, qui pour
chaque donne fournit un rsultat
en un nombre fini dtapes
lmentaires.

Exemple : algorithme de Tri

(classement) de n lments (ordre )
27
Comparer les algorithmes de tri
n nombres a, b, c : constantes

Enumration (idiot)
nombre dtapes born par c.n!

Slection (bte)
nombre dtapes born par a.n.(n-1)/2 = O(n2)

Fusion (malin)
nombre dtapes born par b.n.logn = O(nlogn)
28
Un tout petit peu de combinatoire
1 tape se droule en 10-6 seconde
Le nombre d'tapes est de l'ordre de:

Log(n) n n2 2n n!

n=10 2,3 10-6 s 10-5 s 10-4 s 10-3 s 3,6 s

n=25 3,2 10-6 s 2,5 10-5 s 6.2 10-4 s 33,55 s 491.109 a

n=50 3,9 10-6 s 5 10-5 s 2,5 10-3 s 35,7 a -

polynomial non polynomial

efficace non efficace

29
 Algorithme
Un algorithme dont les donnes en entre
sont de taille n et dont le nombre dtapes
est born par

un polynme de n (n2, n3, n10, log(n),

nlog(n)) est dit polynomial. Il est
"efficace".

une puissance en n (2n, kn, n!....) est dit

exponentiel. Il n'est pas efficace.

30
 Des problmes qui se ressemblent
et pourtant...

un problme "facile"
existe t'il une chane eulrienne dans G ?

et

un problme "difficile"
existe t'il une chane hamiltonienne dans G ?
31
Complexit

Qu'est la "thorie de la complexit" ?

Attention!
Nous donnons ici une
rponse INTUITIVE

Problme de Dcision (dcidable)

Rponse par OUI ou NON
32
 Classe NP

De manire intuitive, un problme de

dcision est dans la classe NP si,
quand on sait que la rponse est OUI,
on peut facilement convaincre un tiers
que cest vrai.

Il est facile de VERIFIER que la rponse

est oui (mais on ne peut pas forcment
trouver que la rponse est oui).
33
Exemple si Carlos sait qu'il existe une
chane hamiltonienne dans un graphe
donn, il peut facilement vous en convaincre

Mais si le graphe
est grand,
Carlos ne pourra
pas savoir si
cette chane
existe

34
Exemple si Carlos sait qu'il existe une
chane hamiltonienne dans un graphe
donn, il peut facilement vous en convaincre

Mais si le graphe
est grand,
Carlos et
Cest la nuance entre vrifier ne pourra
trouver pas savoir si

cette
Facile vrifier nest paschane
existe
synonyme de facile trouver .

35
 Classe P
Un problme de NP est "facile"
(polynomial) si on peut le rsoudre par
un algorithme "efficace"
(temps polynomial en fonction de la
taille de linstance)

Exemples
L'existence d'une chane eulrienne
dans un graphe
Vrifier qu'un nombre n'est pas premier
36
Un problme est "difficile" si les seules
mthodes connues pour le rsoudre
exigent un temps de calcul exponentiel
en fonction de la taille de linstance

Exemples
L'existence d'une chane hamiltonienne
dans un graphe

37
 Classe NP-C

Un problme de NP est NP-complet si

"savoir le rsoudre efficacement"
implique
"savoir rsoudre efficacement TOUS les
problmes de NP" .

38
 NP

? ?

?
?

NP-C P

Problmes ? Problmes non classs

39
 Pour montrer qu'un problme P est
polynomial

il faut trouver un algorithme pour le rsoudre

et prouver que cet algorithme s'excute en un
temps qui augmente de faon polynomiale en
fonction de la taille de l'instance traite

40
 Pour montrer qu'un problme P est
NP-complet, on choisit un problme dj
connu pour tre NP-complet, soit Pnc , et on
montre que Pnc peut se "transformer" en P.

Donc, si on savait rsoudre P, on saurait

rsoudre Pnc.

Or, on ne sait pas rsoudre Pnc : donc il va

srement tre difficile de rsoudre P.

P va, son tour, tre class NP-complet.

41
 NP

? ?

?
?
Pnc
P

NP-C P
Si on savait rsoudre facilement P on saurait rsoudre
aussi Pnc; or on ne sait pas rsoudre Pnc
P est donc srement difficile rsoudre 42
 Les problmes sont classs de faon
incrmentale: la classe d'un nouveau
problme est dduite de la classe d'un ancien
problme.

L'tablissement d'un "premier" problme NP-

complet pour classer tous les autres s'est
donc avr ncessaire.

43
 Le problme SAT
"satisfiabilit" d'une expression logique
Exemple
(xVyVz) (xVyVt) (yVzVt) (xVzVt)
x est vrai ou faux x vrai x faux
Peut-on affecter des valeurs vrai ou faux
aux variables de telle faon que
l'expression soit vraie ?
Exemple
une solution: x=vrai y=faux t=vrai z=vrai
44
 Le thorme de Cook

Stephen Cook
a class le
problme SAT
comme NP-complet

SAT est le premier problme

NP-complet connu

45
Clay Mathematics Institute, Cambridge,
Massachusetts 02138 USA

46
 Voulez-vous gagner 1 000 000 $ ?
Prix Clay

Il "suffit" de dmontrer la conjecture suivante

P = NP
(ou bien de prouver que
P = NP)

Pour prouver que P = NP il faudrait rsoudre

l'un des problmes NP-complets avec un
algorithme polynomial. Faire "tomber" un seul
de ces problmes dans la classe P ferait tomber
l'ensemble de la classe NP
47
 problmes de dcision

? ? NP
?
?
?
P
?

NP-C ?
?
fa
NP-Difficiles cil
Problmes es
?
d'optimisation 48
 III.
Rsoudre un problme de
recherche oprationnelle

49
RESOUDRE UN PROBLEME DE RO

L'OPTIMISATION COMBINATOIRE

Maximiser ou Minimiser une

fonction "objectif" tout en
respectant un ensemble de
"contraintes"

50
 La RO vise rsoudre certains problmes
par des mthodes scientifiques laide des
ordinateurs.

Le problme rsoudre est-il facile ou difficile ?

Si le problme est "facile": exhiber un

algorithme efficace.
Si le problme est "difficile":
et de "petite taille": chercher la solution optimale
du problme.
et de "grande taille": chercher une solution
approche et garantir la valeur de cette solution.
51
 Faciles

Chercher un chemin min min ou max

Router un flot maximal entre 2
sommets sous des contraintes de
capacits
Ordonnancer des tches sous des
contraintes de prcdence
.

52
 Difficiles

Router un flot maximal entre plusieurs

paires de sommets sous des
contraintes de capacits
Ordonnancer des tches sous des
contraintes de prcdence et de
moyens
.

53
Rsolution d'un problme de RO
"FACILE"

Solution optimale
trouve par un algorithme
polynomial

54
Chemin le plus court
d'un sommet vers tous les autres
8
b c 2
2
2 3
a d
6 4
e
Algorithme de Dijkstra
1959

(longueurs positives)

55
 2 7
10
8
b c

2 2
0
8
2 3
a d
4
6
e

46 Complexit O(m+nlogn)
m arcs, n sommets
56
Rsolution d'un problme de RO
"FACILE"

Attention:
si l'instance est trs "grande"
mme un algorithme polynomial
peut tre impraticable

57
Bonne complexit O(log n) ou O(n) ou O(n log n)

n3
n2

nlogn
n
logn

Allure de quelques courbes

n = 106 1 ms par oprations
log22 n n nlog22 n n2 n3
20s 1s 20 s 12 j 32 Ka
58
Rsoudre un problme difficile
MINIMISATION
Un exemple:

La localisation d'entrepts

59
O installer les entrepts?

Clients 60
 Combien faut-il crer
d'entrepts et o faut-il les
installer de faon servir tous
les clients pour un cot* total
minimal?

(* Somme des cots relatifs aux entrepts

et la livraison des clients)
61
O installer les entrepts?

Clients Servis par l'entrept le plus proche

62
 Une application relle
Orange tlcom
2
Entrepts NRA

=
1
quipements SR

=
sous-
0
rpartiteurs
Clients

Clients Mathieu Trampont

63
 Rsolution d'un problme de RO
"DIFFICILE"

Instances de petites taille

Solution exacte: numration implicite

Partition de l'ensemble des solutions
Mthodes "arborescentes" ou "branch and
bound" ou "branch and price"

64
 Rsolution d'un problme de RO
"DIFFICILE"
Instances de petite taille (min)
choix: equip choix: pas
en Sa d'equip en Sa
{Solutions} BOinf BOsup

{Sol1} B1inf B1sup {Sol2} B2inf B2sup

A chaque tape i:

Valeur optimale d'une

Biinf solution de l'ensemble Bisup
Soli
 Problme de RO "DIFFICILE"
Instances de petite taille (min)
choix: equip choix: pas
en Sa d'equip en Sa
{Solutions} BOinf BOsup

choix: equip
en Sb {Sol1} B1inf B1supchoix: pas {Sol2} B2inf B2sup
d'equip en Sb

{Sol3} B3inf>B2sup {Sol4} B4sup<B2inf

{Sol5} B5inf B5sup {Sol6} B6inf B6sup

Rsolution d'un problme de RO "DIFFICILE"
Instances de grande taille (min)

Solution approche avec garantie

S* solutions

Heuristique

67
Rsolution d'un problme de RO "DIFFICILE"
Instances de grande taille (min)

Solution approche avec garantie

bornes S* solutions

B S
Programmation garantie
Heuristique
mathmatique

68
Solution approche - Mtaheuristiques

Explorer de faon astucieuse l'espace

des solutions
Aspect alatoire de l'exploration

Recuit simul
Tabou
Alorithme gntique
Colonies de fourmis
Etc.
69
Mtaheuristiques: localisation
Le Recuit simul

permet de traiter des instances de

trs grande taille
fournit de trs bonnes solutions

passage d'une solution une solution

"voisine" en "dplaant" ou ajoutant ou
supprimant un quipement
70
Localisation Modle mathmatique
DONNEES

n nombre total de sites (S1,S2,..Si,..Sn)

fi cot d installation dun quipement en i
cij cot du service du client en Si par un
quipement en Sj; cii=0
(fonction de la distance Si-Sj et de la
demande du client en Sj)

71
Localisation Modle mathmatique
VARIABLES

yi = 1 sil y a un quipement au site i

= 0 sinon i=1,..,n

xij = 1 si j est servi par lquipement en i

= 0 sinon i=1,..,n; j=1,..,n

72
Localisation Modle mathmatique
n n n
minimiser z f i yi cij xij
i 1 i 1 j 1
sous contraintes
n
xij 1 j (1)
i 1

xij yi i j (2)

yi 0,1 i xij 0,1 ij

73
Localisation Relaxation "continue"
n n n
minimiser z f i yi cij xij
i 1 i 1 j 1
sous contraintes
n
xij 1 j (1)
i 1

xij yi i j (2)

yi 0,1 i xij 0,1 ij

74
Localisation Relaxation "continue"
n n n
minimiser z f i yi cij xij
i 1 i 1 j 1
sous contraintes
n
xij 1 j (1)
i 1

xij yi i j (2)

0 yi 1 i 0 xij 1 ij
75
Calcul de bornes entier et continu
Programmation linaire (Min)

Valeur de S* Solution entire (0-1)

optimale

Valeur de S Solution "continue"
c
optimale
76
 Rsolution d'un problme de RO "DIFFICILE"

Solution approche avec garantie

Solution du PLNE

bornes S* solutions

Programmation B S
mathmatique garantie
Heuristique

Solution du PL continu

77
Calcul de bornes
Programmation mathmatique

Programmation linaire (Dualit)

Relaxation lagrangienne
Gnration de colonnes

Programmation quadratique
Programmation semi-dfinie

78
 Programme linaire Simple
Maximisation
Rsoudre :
x2
Max z=2x1+x2
s.c. x1 8 (1)
x2 5 (2) x1=19/4, x2=5 z=58/4
5
x1+x2 6 (3)
4x1+x2 24 (4) x1
8

x1 0, x2 0
Approche gomtrique
79
 Programmation linaire
Minimiser (ou Maximiser) z=cx
s.c. Ax < b Cx >d Dx=e x0

-Mthode de Gauss-Jordan (oprations de pivotage)

-Algorithme du simplexe (Dantzig, 1947)
-Algorithme dual du simplexe, variations du simplexe
-Algorithme de Khachiyan (1979)
-Mthodes de point intrieur
-Karmarkar (1984)
-Etc.
Ce problme est polynomial, "simple" rsoudre. 80
 Programme linaire en Nombres
Entiers (PLNE)
Rsoudre : x2
Max z=2x1+x2
s.c. x1 8 x1=19/4, x2=5 z=58/4
5
x2 5 x1=5 x2=4 z=14
x1+x2 6
4x1+x2 24
x1 N, x2 N
x1

Ce problme est NP-difficile, "difficile" rsoudre. 81

Programme linaire en Nombres
Entiers (PLNE) ou en 0-1
Minimiser (ou Maximiser) z=cx
s.c. Ax < b Cx >d Dx=e x N ou x {0,1}
Mthodes exactes :
-Procdures par sparation et valuation
-Plans scants (coupes)
-Etc. Algorithmes approchs :
-Heuristiques
-Bornes infrieures
Algorithmes approchs
garantie de performance a priori 82
Il existe des logiciels

83
Plusieurs "critres"
3,3
2,6 2 4 2,5 (7,14)
(11,9)
1 2,5 3,3 5 l1(i,j), l2(i,j)
7,1 i j
6,1 3
L2

3,3 (9,19)
2,6 2 4 2,5
1 2,5 3,3 5 (13,2) L1
7,1
6,1 3
Plusieurs "critres"

* Souvent difficile
* Dominance de certaines
solutions
* Optimum de Pareto

Hors de cet expos

 Tous les problmes
de dcision ou d'optimisation
prsentent des enjeux industriels et
conomiques trs importants:
production, cryptographie,
cologie...

86
 IV

Domaines d'applications

87
 A.
Planifier,
ordonnancer.

88
Ordonnancement de chantier

89
Ordonnancement d'atelier

Ordonnancer
les passages
sur les
machines

90
 Emploi du temps
Planifier n cours en le minimum de temps,
certains cours ne pouvant avoir lieu en parallle
(partage des ressources: classe ou prof).

conflits entre les cours graphe dexclusion mutuelle

1 2 3
Un exemple
8 4

Un cours =
un prof+une classe 7 6 5

91
 c'est un problme de coloration
lorsque tous les cours ont la mme dure

Colorer un graphe
=
attribuer une couleur chaque sommet sans que
deux sommets voisins aient la mme couleur

92
 c'est un problme de coloration
lorsque tous les cours ont la mme dure

ordonnancement = coloration du graphe

1 2 3
Salle 3 1 2

Salle 2 3 5 4 8 4
Salle 1 6 7 8
t 7 6 5
Un exemple
Obtenir un bon emploi du temps: un problme trs difficile 93
Planification des centre dappels
(Bouygues Tlcom)
Charges salariales = 70% des cots de lentreprise.

6 millions de clients
2500 tlconseillers de clientle (TC)
7 sites, 33 activits
70000 appels par jour
Cot annuel > 100 M

94
Problmatique annualisation du temps de travail

Donnes
courbe de demande
contrats des TC (droits)

Objectif
affecter au mieux les
jours de cong aux TC

Contraintes
rpondre la demande
respecter les contrats
95
 B.
Stocker,
grer.

96
Gestion de la production,
des stocks et de la maintenance

Suivi de production
Respect des dlais
Gain de temps
Respect du client
Meilleure comptitivit
Organisation du travail
rsistance aux alas

97
 C.
Transporter

98
Transport, logistique

Optimisation des
tournes de vhicules,
distribution
Relations fournisseurs /
clients
Organisation des
centres logistique.

99
Transport, logistique

Le ramassage
scolaire

100
 D.
Emballer,
ranger.

101
Le problme

Plusieurs Botes

Plusieurs objets
Comment mettre les objets dans les Botes en
utilisant le moins possible de Botes ?
102
o est le problme ?

Algorithme :
On les met au hasard et voil !

8 8
9
5 6 2
6 7
4
4
1 2 1 5
3
7 3 9

Plusieurs objets

103
Ide meilleure ?

Algorithme :
Classer les objets du plus grand au plus
petit
Remplir chaque Bote avec le prochain plus
grand objet possible dans la liste.

Algorithme gourmand (ou glouton)

104
 2
4
9
6
1 8
3 5 7
23 8
4
7 Plusieurs objets
6
1 2 7 8 9
5 9 5 6 4
Quatre Botes , pas mieux!
1 2 3

Trois Botes
105
Passons en 3D
objets
boite quasi idale

trop grande !

106
Le problme

Dterminer la boite idale

pour placer les objets (celle
qui peut accueillir les objets
et qui minimise la place
perdue).

Problmes de chargement
de bateaux (2 degrs de
libert, objets similaires)
avec des conteneurs.

107
 E.
Router,
relier.

108
Rseau de mobilophonie

Web

109
 Scuriser les liaisons
Amliorer la qualit du service
Rduire le diamtre du graphe

diamtre du graphe = distance max entre 2 points

110
Calculer le diamtre dun graphe:
.un problme facile
Matrice des plus courts chemins
Algorithme en O(n3)

MAIS

Impossible en pratique pour les grands

graphes
(plusieurs centaines de millions de sommets)

111
 Router Calcul ditinraires
en fonction du traffic :

Donnes actualises
toutes les 5 minutes
Informations ncessaires
en temps rel
Temps disponible pour
calculer un itinraire :
1/10me de seconde

112
 Calcul ditinraires
Prcalculs ditinraires
stockables impossible
Approximation de la
longueur des chemins

113
 F.
Soigner,
grer les hopitaux

114
Imagerie mdicale
Tomographie
reconstitution dimages
partir dinformations
fragmentaires, estimation
dun corps partir de ses
projections
Tomographie discrte
image constitue de pixels
Reconstruction dune
matrice binaire partir de
ses projections en ligne et
en colonne
Existence de la matrice ?
Reconstruction de la
matrice ?
Unicit de la solution ?

115
Lutte contre le cancer

Curiethrapie haut dbit de

dose
Radiation interne (sources
radioactives introduites par
voie opratoire lintrieur du
corps du patient).
Lutte contre le cancer en
particulier pour les tumeurs
malignes localises.
Optimisation de la distribution
de dose
Recherche dun placement
optimal des faisceaux.

116
ADN
Oligonuclotides
courtes squences dADN ou
ARN (20 paires de bases, i.e.
association Adnine (A),
Thymine (T), Guanine (G),
Cytosine (C).
Reconstruction de chanes dADN
connues partiellement
Entre : un ensemble doligo
(mots dun alphabet {A,T,G,C})
Reconstruire la squence ADN
dorigine.
Difficults diffrentes selon
que lentre contient ou non
des erreurs, selon les parties
non connues,

117
 Gestion des ressources hospitalires
Ressources critiques =
blocs opratoires.

Objectifs : satisfaire les

patients, minimiser les cots

Planification de lutilisation
des blocs opratoires
Planification des horaires du
personnel (infirmires, etc.)
Gestion de la Supply Chain
hospitalire (strilisation, )

118
 G.
Le domaine
spatial

119
Constellation de satellites

Objectif:
couvrir un territoire
moindre cot

Dterminer
Le nombre de
satellites lancer
Leurs orbites

120
 I.
La Finance

121
122
 H.
L'environnement
et le
dveloppement
durable
123
 Gestion des ressources
Gestion de la fort
Gestion de l'eau

124
Les enjeux dveloppement durable
 Dveloppement en Afrique
Favoriser une culture scientifique
dans la prise de dcision
Intervention de la RO tous les
niveaux
Gouvernements
Administrations publiques
Industries
ONG
Domaines abords :
Gestion des ressources en eau,
industries manufacturires
transport (approvisionnement)
finance
nergie
environnement
urgence humanitaire

126
 I.

L'energie

127
Energie
Design et planification des centrales
Localisation des sites
Organisation de la production
Politique des prix
..
Energie
 CONCLUSION

Les enjeux de la RO

130
 Les progrs
avances thoriques sur les
algorithmes de
programmation linaire
avances thoriques sur les
algorithmes de
programmation linaire en
nombres entiers
enfin, ordinateurs plus
rapides.

1 an de calcul, en 1980 =
quelques secondes en 2008 !

Progression dun facteur

1 000 000 000 !
131
ENJEUX de la RO
Entreprises
rationaliser et optimiser
Amliorer la comptitivit des entreprises
Prserver des emplois
Accder linnovation

Domaine Politique
Meilleures dcisions stratgiques

Environnement
Meilleure gestion des ressources

Sant
132
 Intrts de la RO-AD

Les outils de RO-AD

aident trouver
une solution o lhomme nen trouvait pas
une solution sur des problmes nouveaux o lhomme na
aucune exprience
plusieurs solutions l o lhomme nen envisageait quune
une ou des solutions robustes
aident juger de la qualit dune solution
o lhomme ne peut pas le faire
aident confirmer / justifier des dcisions

133
Apports
Exemples:
gain annuel de $3 millions pour une entreprise
amricaine de rparation de vhicules (Interfaces vol. 36 (5),
oct. 2006, pp. 407-419).

rduction du dlai de production de 20% et du

retard de livraison de 50% pour lentreprise
Caterpillars Building Construction (Interfaces vol. 36 (4), juil.
2006, pp. 283-295).

gains de 5% sur la production et la distribution de

gaz carbonique par Air Liquide (mise en uvre
dun outil de SupplyChain par Eurodecision).
Etc.

134
Entreprises trs concernes par la
SNCF RO
+
Air France
Eurodcision
Gaz de France
Artlys
EDF
Rostudel
Air Liquide

Orange
Bouygues
CNES Et les PME ??
Powernext
135
La Recherche oprationnelle

Domaine scientifique assez peu

connu en France
Discipline en pleine rvolution
Rsolution de problmes quon nimaginait
pas il y a 20 ans !
Domaines dapplication en pleine
expansion.

136
Le Monde Informatique n1110, 14 avril 2006, page 34, Anne-Marie Rouzer

137
Un autre expos.

Optimisation multicritre
Aide la dcision
Optimisation stochastique
Dcision dans l'incertain
Optimisation globale
Programmation par contraintes

138