Recherche Opérationnelle

Recherche Opérationnelle
Introduction Générale
Introduction Générale
Ces transparents utilisent du matériel issu de plusieurs supports et de cours de recherche opérationnelle par exemples :
Recherche Opérationnelle : aspects mathématiques et applications, J. Frédéric Bonnans & Stéphane Gaubert, Septembre 2016.
Méthodes et modèles de la recherche opérationnelle, A. Kaufmann
Recherche Opérationnelle – Cours de N. B Elhadji 2016.
Recherche Opérationnelle – Cours de H. MASRI
Introduction générale
- La Fédération Européenne de Recherche Opérationnelle définit la RO comme étant la science de la

bonne gestion « Science of better »
ROADEF
-La recherche opérationnelle (RO) peut se définir comme la mise en œuvre de
méthodes scientifiques, essentiellement mathématiques, en vue de prendre la
meilleure décision possible.
Remarque: Établir plus précisément quand entre en jeu la recherche opérationnelle dans un
processus de prise de décision est une tâche plus difficile.
-L’expert en recherche opérationnelle exploite des connaissances provenant de
sources particulièrement variées qu’on peut classer en trois grandes catégories :
les mathématiques appliquées, l’informatique et les modèles métiers.
• ROADEF 2011 www.roadef.org

- les problèmes de RO remontent au XVIème siècle (Blaise Pascal, Euler,...) avec les jeux en
Mathématiques.
- Réellement l'utilisation de la RO a commencé vers la seconde guerre mondiale.
-Traditionnellement on fait remonter l’histoire de l'apparition de la RO à l'organisation, par
l'armée rassemblée des Alliés, du débarquement en Normandie.
Pb: il fallait gérer au mieux
l'implantation rapide de radars
L’acheminement de troupes
la gestion de leur alimentation
les contacts entre unité … etc.
L'armée alliée a fait appel à des mathématiciens (et quelques premiers informaticiens) pour
aider à ces décisions.
Le mot « Opérationnel » viendrait, probablement, du terme militaire « les opérations ».
Mais de manière plus sure on peut dire que le mot Opérationnel désigne
l'aspect appliqué des décisions prises
ou dit autrement
les opérations effectives à suivre.
Il ne suffit pas de dire approximativement où placer des radars
Mais il faut
Indiquer avec précision le lieu de leur emplacement
+
S’assurer du bon fonctionnement du système !
Les organisations ou entreprises ont parfois ce que l’on nomme une Division Opérationnelle ou un
Conseil Stratégique qui appuie (ou oriente) les décisions de la direction en mettant à sa dispositions
des outils d’aide à la décision.
Aspect continu : Optimisation continue, Programmation Linéaire, Théorie des jeux continues,...
Optimisation stochastique ….
Aspect discret ou combinatoire :

• Théorie des graphes, Programmation dynamique, Optimisation combinatoire exacte Optimisation
combinatoire heuristique, Processus markovien, file d'attente,...
Plus général : Complexité et Décidabilité des problèmes ...

Les outils de la RO
Il existe de nombreux outils logiciels payants ou libres pour la résolution des problèmes de la Recherche
Opérationnelle.
• Logiciel d'aide à la décision : SAP, Produit ILOG ….
• Logiciels d'optimisation (interactif ou modeleur) : cplex, xpress, glpk, excel, gurobi,…
• Logiciels de simulation qnap, simula,...
• Les API C++ ou java,...

Il existe de nombreux problèmes de la pratique de la RO :

En industrie :
Les choix d'investissements , Les Choix d'une implantation et dimensionnement d'un parc
immobilier ou bien d'une flotte de véhicules, Minimisation de distance totale parcourue
selon les quantités de matériaux à transporter, capacité des transporteurs, ravitaillement en
carburant.
En informatique :
Choix de la localisation et du nombre de serveurs à mettre en place, de la capacité de
stockage, de la puissance de calcul et du débit du réseau, le choix d'une architecture
informatique etc. Problèmes d'ordonnancement, de gestion de stock. d'affectation de
moyens (humains ou matériels) à des taches, des prévisions de ventes, diminution du
gaspillage.
Le «Bin Packing» ou comment utiliser le moins de boîtes possibles pour y loger des objets
Les Méthodes les plus courantes en RO:
3ème Année
Chapitre 1. Modélisation et Formulation d’un P.L.
Chapitre 1 – Modélisation et Formulation d’un P.L.
Programmation linéaire. (Formulation d’un programme linéaire (PL))
Les problèmes de programmation linéaires sont généralement liés à :

des problèmes d’allocations de ressources limitées,
de la « meilleure » façon possible,
afin de maximiser un profit ou de minimiser un coût.
Le terme « meilleur » fait référence à la possibilité d’avoir un ensemble de décisions possibles qui
réalisent la même satisfaction ou le même profit.
Ces décisions sont en général le résultat d’un problème mathématique.
Programmation linéaire. (Formulation d’un programme linéaire (PL))
La programmation linéaire comme étant un modèle a des hypothèses (ou des conditions) que le décideur
doit valider avant de pouvoir les utiliser pour modéliser son problème.
Ces hypothèses sont :
• Les variables de décision du problème sont positives
• Le critère de sélection de la meilleure décision est décrit par une fonction linéaire de ces variables, c’est
à dire, que la fonction ne peut pas contenir par exemple un produit croisé de deux de ces variables. La
fonction qui représente le critère de sélection est dite fonction objectif (ou fonction économique).
• Les restrictions relatives aux variables de décision (exemple: limitations des ressources) peuvent être
exprimées par un ensemble d’équations linéaires. Ces équations forment l’ensemble des contraintes.
• Les paramètres du problème en dehors des variables de décisions ont une valeur connue avec certitude
Les étapes de formulation d’un PL:
Généralement il y a 3 étapes à suivre pour pouvoir construire le modèle d'un programme

linéaire :
• Identifier les variables du problème à valeur non connues (variable de décision) et les
représenter sous forme symbolique (exp. x1, y1 ).
• Identifier les restrictions (les contraintes) du problème et les exprimer par un système
d’équations linéaires.
• Identifier l’objectif ou le critère de sélection et le représenter sous une forme linéaire en
fonction des variables de décision. Spécifier si le critère de sélection est à maximiser ou à
minimiser.
Chapitre 1- Modélisation P.L.
Rappel
Exemple 1 (Modélisation):
Exemple 2 – Formulation d’un P.L.
Problème d’agriculture
Un agriculteur veut allouer 150 hectares de surface irrigable entre culture

de tomates
et celles de piments.
- Il dispose de 480 heures de main d’œuvre et de 440 m3 d’eau.
- Un hectare de tomates demande 1 heure de main d’œuvre, 4 m3 d’eau et donne un bénéfice net de 100 Unité
Monnaie.
- Un hectare de piments demande 4 heures de main d’œuvre, 2 m3 d’eau et donne un bénéfice net de 200 Unités
Monnaie.
- Le bureau du périmètre irrigué veut protéger le prix des tomates et ne lui permet pas de cultiver plus de 90
hectares de tomates.
- Quelle est la meilleure allocation de ses ressources ?
Exemple 2 – Formulation d’un P.L.
Problème d’agriculture
Exemple 2 - Problème d’agriculture
Modélisation P.L.
Etape 2 (Suite)
Exemple 3 – Problème usine de meubles
Une usine de meubles dispose d’un temps libre
On veut l’exploiter en production de deux nouveaux modèles de meubles:

𝑀1 et 𝑀2 (des bureaux par exemples).
Les temps de réalisation des deux modèles dans les ateliers de sciage, d’assemblage et de sablage et les
temps libres sont donnés (voir tableau).
Les bénéfices nets que l’usine peut réaliser sont: 300 u.m. pour 𝑀1 et 200 u.m. pour 𝑀2
Quel est le meilleur plan de production qui maximise les bénéfices de l’usine ?
Exemple 3 - Problème d’usine de meubles
Choix des variables:
Identification des paramètres: il y a 3 types

Exemple 3 - Problème d’usine de meubles
La fonction Objectif
Les contraintes
Forme générale du P.L.
- Variables de décision – Ressources – paramètres:
- Données du Problème:
Forme générale du P.L. (Formulation en équations)
- Fonction Objectif :
- Sous les contraintes:

Exemple 4 (Problème de médecine).
Un spécialiste en médecine a fabriqué un médicament (des pilules) pour guérir les sujets
atteints d’un rhume.
Ces pilules sont fabriquées selon deux formats :
 Petite taille : elle contient 2 grains d’aspirine, 5 grains de bicarbonate et 1 grain de
codéine.
 Grande taille : elle contient 1 grain d’aspirine, 8 grains de bicarbonate et 6 grains de
codéine.
Pour guérir la maladie, le sujet a besoin de 12 .grains d’aspirine, 74 grains de bicarbonate et

24 grains de codéine. .
.
Pb: Déterminer le nombre de pilules minimales à prescrire au sujet pour qu’il soit guéri.
.
Exemple 4 Modélisation (Problème de médecine).
- Les variables de décision: qui représentent des valeurs inconnues par le décideur qui est dans ce cas le spécialiste
en médecine sont :
x1 : le nombre de pilules de petite taille à prescrire.
x2 : le nombre de pilules de grande taille à prescrire.
On vérifie bien que les variables de décision x1 et x2 sont positives
- Les contraintes:
- La prescription doit contenir des pilules avec au moins 12 grains d’aspirine. Sachant qu’une petite pilule
contient
.
2 grains d’aspirine et qu’une grande pilule contient un seul grain d’aspirine, on obtient la contrainte
suivante : 2 x1  x2  12
.
- La prescription du spécialiste en médecine doit contenir au. moins 74 grains de bicarbonate: 5x1  8x2  74
- La prescription doit contenir au moins 24 grains de codéine: x1  6 x2  24
Exemple 4: Pb de médecine
La fonction objectif:
.
Il y a plusieurs couples de solutions ( x1 , x2 ) qui peuvent satisfaire les contraintes spécifiées à l’étape 2.
La prescription doit contenir le minimum possible de pilules.
Donc le critère de sélection de la quantité de pilules à prescrire est celle qui minimise le nombre total des pilules
z  x1  x2
Le programme linéaire qui modélise ce problème médical est donc le suivant :
Exemple 5: Problème de production
Pour fabriquer deux produits P1 et P2 on doit effectuer des opérations sur trois machines M1, M2 et M3,
successivement mais dans un ordre quelconque. Les temps unitaires d’exécution sont donnés par le tableau
suivant :
- On supposera que les machines n’ont pas de temps d’inactivité. Les disponibilités pour chaque machine sont :
 165 heures (9900 minutes) pour la machine M1 ;
 140 heures (8400 minutes) pour la machine M2 ;
 160 heures (9600 minutes) pour la machine M3 .
- Le produit P1 donne un profit unitaire de 900 u.m. et le produit P2 un profit unitaire de 1000 u.m.
Pb : Dans ces conditions, combien doit-on fabriquer mensuellement de produits P1 et P2 pour avoir un profit
Exemple 5 : Modélisation
Les variables de décisions
• x1 : le nombre d’unités du produit P1 à fabriquer
• x2 : le nombre d’unités du produit P2 à fabriquer
Les contraintes : outre les contraintes de non-négativité on a
La fonction Objectif : est Le profit à maximiser

Exemple 5 : Formulation en P.L.
Exemple 6 : Problème d’alimentation
On se propose de réaliser une alimentation économique pour des bestiaux, qui contient obligatoirement 4 sortes de
composants nutritifs, A, B, C et D.
L’industrie alimentaire produit précisément deux aliments M et N qui contiennent ces composants :
- 1 Kg d’aliment M contient 100 g de A, 100 g de C, 200 g de D ;
- 1 Kg d’aliment N contient 100 g de B, 200 g de C, 100 g de D.
- Un animal doit consommer par jour au moins :

0.4 Kg de A ; 0.6 Kg de B ; 2 Kg de C ; 1.7 Kg de D.
- L’aliment M coûte 10 u.m le Kg et N coûte 4 u.m le Kg.
Pb. : Quelles quantités d’aliments M et N doit-on utiliser par jour et par animal pour réaliser l’alimentation la moins
coûteuse ?
Exemple 6 : Modélisation.
On peut résumer toutes les données du problème dans le tableau suivant
M N Quantités prescrites
A 0.1 0 0.4
B 0 0.1 0.6
C 0.1 0.2 2
D 0.2 0.1 1.7
Coût 10 4
Ce genre de tableau peut aider à mieux analyser le problème et ainsi formuler le programme linéaire
correspondant.
Les variables de décision :
 xM : la quantité d’aliments M à utiliser pour l’alimentation des deux bestiaux
 xN : la quantité d’aliments N à utiliser pour l’alimentation des deux bestiaux
Exemple 6 : Formulation en P.L.
3ème Année
Chapitre 2. Modélisation et Formulation d’un P.L.
Chapitre 2
Résolution graphique d’un P.L.
Chapitre 2
Exemple 1 (Modélisation):
Chapitre 2
Exemple 1 - Résolution graphique:

Chapitre 2

Chapitre 2

Chapitre 2
Chapitre 2
Généralisation de la résolution graphique
Chapitre 2
Résolution graphique :
1. Système d’axes
Chapitre 2
2. Région réalisable:
Chapitre 2
Chapitre 2
Chapitre 2
3. Iso - objectif
Chapitre 2
détermination graphique de l’optimum :
Exemple usine meubles
Chapitre 2
Exemple Usine à meubles
Chapitre 2
Pb usine meubles
Chapitre 2
Chapitre 2
Résolution graphique : Méthode de l’énumération

Chapitre 2
Résolution graphique : Contraintes saturées et contraintes marginales

Chapitre 2
Résolution graphique : Des cas particuliers

Chapitre 2

Chapitre 2

Chapitre 2

Chapitre 2

Chapitre 2

3ème Année
Chapitre 3 – Simplexe (Max)
Chapitre 3
Résolution d’un P.L. par la méthode du simplexe
Introduction
La méthode du simplexe est une méthode de résolution algébrique d’un P.L.
Qui peut traiter des problèmes avec un nombre de variables très grand
C’est une méthode itérative

Chapitre 3
Introduction
Description générale
Chapitre 3
Principe du simplexe
Chapitre 3
Approche par un exemple (le problème de l’usine des meubles)
Chapitre 3
Etape 1. (Ecriture du Pb sous forme standard)
Chapitre 3
Etape 2 : (Identification de la 1ère solution de base et Tableau de départ)
Chapitre 3
Etape 2 : (Identification de la 1ère solution de base et Tableau de départ)
Chapitre 3
Etape 2 : (1ère solution de base et Tableau de départ)
Chapitre 3
Etape 2 : (1ère solution de base et Tableau de départ)
Chapitre 3
Etape 2 : (Forme standard d’un Tableau simplexe)
Chapitre 3
Etape 3
Variable Entrante
Chapitre 3
Etape 3 : (Variable Entrante)
Chapitre 3
Chapitre 3
Chapitre 3
Chapitre 3
Etape 3 : (Variable Sortante)
Chapitre 3
Chapitre 3
Chapitre 3
Etape 3 : (Amélioration de la solution)
Chapitre 3
Etape 3 : (Amélioration de la solution)
Chapitre 3
Etape 3 : (Retour au Tableau du simplexe)
Chapitre 3
Etape 3 : (Retour au Tableau du simplexe)
Chapitre 3
Etape 3 : (Le Nouveau Tableau du simplexe)
Itération 1
Chapitre 3
2ème Itération
Chapitre 3
Etape 3 : (2ème Itération)
Chapitre 3
Etape 3 : (2ème Itérartion)
Chapitre 3
Interprétation: On est parti d’un premier sommet 0(0,0) …….. On a évolué vers un
deuxième sommet D (11,0) c’est la 1 ère itération…….En 2ème itération on est arrivé à un
autre sommet C(10,2) qui est l’optimum.
Chapitre 3
Procédé général du simplexe
Chapitre 3
Interprétation du simplexe
On sait que la solution optimale du P.L.
se trouve en un sommet de l’ensemble convexe des solutions admissibles.
Définition : Deux sommets A et B sont dits adjacents si les variables de base ne diffèrent que
d’un seul élément.
Chapitre 3
Exemple - simplexe
Pb. Quelles seront les quantités de crème glacéé et de

beurre qu’il faut produire pour maximiser les profits?
Chapitre 3
Exemple Interprétation - simplexe
Chapitre 3
Exercice 1 - simplexe
Chapitre 3
Chapitre 3
Chapitre 3
Chapitre 3
Exercice 2 - Simplexe
Chapitre 3
Exercice - simplexe
Chapitre 3
Exercice - simplexe
Chapitre 3
Exercice - simplexe
Chapitre 3
Exercice - simplexe
Chapitre 3
Exercice - simplexe
Chapitre 3
Exercice - simplexe
Chapitre 3
Chapitre 3
Chapitre 3
Chapitre 3
Chapitre 3
3ème Année
Chapitre 4 – Simplexe (Cas Général)
Chapitre 4
La méthode du simplexe – Cas général.
Introduction
Dans le chapitre précédent tous les programmes linéaires qu’on a traité sont du type : Maximiser
une fonction linéaire sous contraintes de type inférieur ou égale (et avec un second membre
positif).
Or dans beaucoup de problèmes réels, on peut retrouver des contraintes de type supérieur ou
égale et/ou de type égale, ainsi que des problèmes où on a à minimiser au lieu de maximiser.
Dans ce qui suit, on étudiera les modifications à apporter à la méthode du simplexe pour qu’elle
puisse résoudre tous ces types de programmes
Chapitre 4
Introduction
Considérons l'exemple suivant:

Chapitre 4
Introduction
La différence essentielle est que le polyèdre ne contient plus l'origine du repère comme
sommet.
Plus généralement, aucune des solutions de base n'est située à l'origine du repère. Nous allons
voir maintenant que cette remarque géométrique a pour conséquence de rendre impossible la
mise sous forme standard sans introduire de nouvelles variables d'écart pour transformer les
contraintes inégalités en égalité.
En donnant aux variables X1 et X2 la valeur nulle, on trouve que la
variable S1 est négative. De la sorte, une des règles de mise sous
forme standard n'est pas respectée; et on ne peut plus utiliser
l'algorithme du simplexe.
Chapitre 4
Variables artificielles
Pour palier à ce problème, on introduit dans l'expression des contraintes des variables artificielles
positives
Le système s'écrit alors :
On veut bien entendu que l'introduction des variables artificielles ne change pas le problème.
Il suffit pour cela d'imposer aux coefficients des variables artificielles de prendre une valeur négative très
grande.
Chapitre 4
Variables artificielles
Chapitre 4
Chapitre 4
Remarque: Il est important de distinguer entre :

une Vraie solution réalisable
Et
une solution du P.L avec variables artificielles pour la mise en œuvre du simplexe!!
Donc :
Tant que les solutions dans le simplexe contiendront des variables artificielles, elles ne seront pas des
Vraies Solutions de notre Problème !!
Chapitre 4
Pour s’assurer que ces variables artificielles sortent de la base avant d’atteindre la solution optimale :
On peut leur associer un grand coût -M dans la fonction objectif.
Alors : si ces variables restent dans la base elles vont causer une diminution importante de la valeur de la
fonction objectif.
Ce qui nous contraint à les faire sortir le plutôt possible de la base.
Chapitre 4
Chapitre 4
Itération 1.
Chapitre 4
Itération 2.
Chapitre 4
Itération 2.
Chapitre 4
Itération 3.
Chapitre 4
Itération 4.
Chapitre 4
Les P.L. de Minimisation
Chapitre 4
Chapitre 4
Chapitre 4
Chapitre 4
Chapitre 4
Les P.L. de Minimisation 2ème manière de faire
Chapitre 4
Les P.L. Irréguliers
Chapitre 4
Les P.L. Irréguliers – Variables négatives ou sans contraintes de signe
Chapitre 4
Les P.L. Irréguliers – Second membre des contraintes (disponibilité ressource) négatif
Chapitre 4
Les P.L particuliers : Problèmes non bornés et Solutions multiples
Chapitre 4 La méthode du simplexe – Cas général.
Récapitulatif – Etapes du
Simplexe
Exercices La méthode du simplexe
Exo 1 (variables négatives et sans contraintes de signe)
Mettre les problèmes linéaires suivants sous forme canonique

Problème 2
Problème 1
Solution - Problème 2
Solution - Problème 1
Exercices La méthode du simplexe
Exo 2 (Simplexe – P.L. Max classique)
Résoudre par le simplexe le problème suivant
Problème
Solution
Forme standard
Exercices : La méthode du simplexe
Exo 3 – Méthode du Simplexe
Résoudre le problème linéaire suivant à l’aide de la méthode du simplexe
Exo 4 – Problème non borné
Problème non borné

Exo 5 – Méthode du Simplexe – Problème dégénéré
forme standard
3ème Année
Chapitre 5 – Problème Dual
Chapitre 5 : Problème Dual
Introduction
Primal / Dual
P.L. Primal
Contraintes Duales
Formulation du PL Dual
Relation Primal/Dual

Recherche Opérationnelle - Transparents

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Recherche Opérationnelle - Transparents

Transféré par

Droits d'auteur :

Formats disponibles

- La Fédération Européenne de Recherche Opérationnelle définit la RO comme étant la science de la

• ROADEF 2011 www.roadef.org

Aspect discret ou combinatoire :

Plus général : Complexité et Décidabilité des problèmes ...

• Logiciel d'aide à la décision : SAP, Produit ILOG ….

• Logiciels d'optimisation (interactif ou modeleur) : cplex, xpress, glpk, excel, gurobi,…

• Logiciels de simulation qnap, simula,...

• Les API C++ ou java,...

Il existe de nombreux problèmes de la pratique de la RO :

Programmation linéaire. (Formulation d’un programme linéaire (PL))

Les problèmes de programmation linéaires sont généralement liés à :

Programmation linéaire. (Formulation d’un programme linéaire (PL))

Les étapes de formulation d’un PL:

Généralement il y a 3 étapes à suivre pour pouvoir construire le modèle d'un programme

Un agriculteur veut allouer 150 hectares de surface irrigable entre culture

On veut l’exploiter en production de deux nouveaux modèles de meubles:

Choix des variables:

Identification des paramètres: il y a 3 types

- Sous les contraintes:

Pour guérir la maladie, le sujet a besoin de 12 .grains d’aspirine, 74 grains de bicarbonate et

On vérifie bien que les variables de décision x1 et x2 sont positives

Les contraintes : outre les contraintes de non-négativité on a

La fonction Objectif : est Le profit à maximiser

- Un animal doit consommer par jour au moins :

- L’aliment M coûte 10 u.m le Kg et N coûte 4 u.m le Kg.

Exemple 1 - Résolution graphique:

Exemple 1 - Résolution graphique:

Exemple 1 - Résolution graphique:

Résolution graphique : Méthode de l’énumération

Résolution graphique : Contraintes saturées et contraintes marginales

Résolution graphique : Des cas particuliers

Résolution graphique : Des cas particuliers

Résolution graphique : Des cas particuliers

Résolution graphique : Des cas particuliers

Résolution graphique : Des cas particuliers

Résolution graphique : Des cas particuliers

C’est une méthode itérative

se trouve en un sommet de l’ensemble convexe des solutions admissibles.

Pb. Quelles seront les quantités de crème glacéé et de

Considérons l'exemple suivant:

Remarque: Il est important de distinguer entre :

Mettre les problèmes linéaires suivants sous forme canonique

Résoudre par le simplexe le problème suivant

Problème non borné

Vous aimerez peut-être aussi