CHAPITRE 1:Formulation d’un programme linéaire (PL)

I. Introduction

II. Les conditions de formulation d’un PL

III. Les étapes de formulation d’un PL

IV. Présentation Théorique

V. Exemples de formulations

Exemple 1 : Problème de production

Exemple 2 : Problème d’agriculture

Exemple 3 : Problème de médecine

Exemple 4 : Problème d’alimentation

CHAPITRE 2:Résolution graphique du programme linéaire

(PL)
I. Introduction

II. Système d’axes

III. Représentation graphique des contraintes

IV. Représentation de la fonction objectif

V. Recherche de la solution optimale

a. Résolution graphique

b. Résolution par énumération

VI. Exemples

VII. Analyse de sensibilité

1
CHAPITRE 3 :La Méthode de Simplexe
I. Introduction

II. Mise sous forme standard

III. Revue algébrique de la méthode du simplexe

IV. La méthode des tableaux

a. Tableau de simplexe initial

b. Amélioration de la solution

c. Calcul des tableaux suivants

V. Résumé de la procédure de la méthode du simplexe

VI. Exemple

CHAPITRE 4 : Problème d’ordonnancement

I. Problème d’ordonnancement

II. Notion de projet, tâche et ordonnancement

III. Diagramme de GANTT

IV Méthode PERT

V. PERT TEMPS

2
CHAPITRE 1

Formulation d’un programme linéaire (PL)

I. Introduction

L’importance de l’optimisation et la nécessité d’un outil simple pour modéliser

des problèmes de décision que soit économique, militaire ou autres ont fait de la
programmation linéaire un des champs de recherche les plus actifs au milieu du
siècle précédent. Les premiers travaux (1947) sont celle de George B. Dantzig et
ses associés du département des forces de l’air des Etats Unis d’Amérique.

Les problèmes de programmations 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.

II. Les conditions de formulation d’un PL

La programmation linéaire comme étant un modèle admet des hypothèses (des

conditions) que le décideur doit valider avant de pouvoir les utiliser pour
modéliser son problème. Ces hypothèses sont :
1. Les variables de décision du problème sont positives
2. 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).
3. 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.
4. Les paramètres du problème en dehors des variables de décisions ont une
valeur connue avec certitude

3
III. Les étapes de formulation d’un PL :

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

programme linéaire :
1. Identifier les variables du problème à valeur non connues (variable de
décision) et les représenter sous forme symbolique (exp. x1, y1 ).
2. Identifier les restrictions (les contraintes) du problème et les exprimer par un
système d’équations linéaires.
3. 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.

IV. Présentation Théorique

Un programme linéaire consiste à trouver le maximum ou le minimum d’une

forme linéaire dite fonction objectif en satisfaisant certaines équations et
inégalités dites contraintes. En langage mathématique, on décrira de tels
modèles de la manière suivante :

Soient N variables de décision x1, x2,…, xn, l’hypothèse que les variables de
décision sont positives implique que x 1≥0 , x 2 ≥0 ,…, x N ≥0 .

La fonction objectif est une forme linéaire en fonction des variables de décision
de type
z=c 1 x 1 +c 2 x 2 +…+c N x N
où les coefficients c1,…,cN doivent avoir une valeur bien déterminée (avec
certitude) et peuvent être positifs, négatifs ou nuls. Par exemple le coefficient ci
peut représenter un profit unitaire lié à la production d’une unité supplémentaire
du bien xi, ainsi la valeur de z est le profit total lié à la production des différents
biens en quantités égales à x 1 , x 2 ,…, x N .
Supposons que ces variables de décision doivent vérifier un système d’équations
linéaires définis par M inégalités
a11 x 1 +a 12 x 2 +…+a1 N x N ≤b 1
a21 x1 + a22 x 2 +…+ a2 N x N ≤b2
⋮
a M 1 x 1 +a M 2 x 2 +…+a MN x N ≤b M
où les coefficients a1M,…, aMN et b1,…, bM doivent avoir une valeur bien
déterminée (avec certitude) et peuvent être positifs, négatifs ou nuls. Le

4
paramètre bj représente la quantité de matière première disponible dont le bien x i
utilise une quantité égale à aijxi.

En suivant les étapes de formulation ci-dessus, on peut représenter le PL comme

suit :
Max c 1 x1 +c 2 x 2 +…+c N x N
s .c a 11 x 1 + a12 x 2 +…+ a1 N x N ≤ b1
a 21 x 1 +a22 x 2 +…+a2 N x N ≤b 2
⋮
a M 1 x 1 +a M 2 x 2 +…+ a MN x N ≤b N
x 1 ≥0 , x 2 ≥0 ,… , x N ≥0

V. Exemples de formulations

Limité au départ aux problèmes industriels et militaires, de nos jours plusieurs

problèmes de divers domaines sont représentés ou approximés par des modèles
de PL. L’utilisation de ces techniques de modélisation s’est renforcée encore
après avoir construit des algorithmes et des logiciels capables de résoudre de
plus larges problèmes avec autant de variables de décision que de contraintes.

La tâche de formulation demande généralement une certaine expertise et

connaissance du problème pour pouvoir relever facilement les différentes
composantes du problème et ainsi donner un programme qui modélise au mieux
la situation réelle. Dans ce qui suit, on présentera quelques exemples de
formulation en programme linéaire liés à différents problèmes de décision :

Exemple 1 : 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 :
M1 M2 M3
P1 11 mn 7 mn 6 mn
P2 9 mn 12 mn 16 mn
On supposera que les machines n’ont pas de temps d’inactivité.
La disponibilité 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 .
5
Le produit P1 donne un profit unitaire de 900 dhs et le produit P2 un profit
unitaire de 1000 dhs.
Dans ces conditions, combien doit-on fabriquer mensuellement de produits P1 et
P2 pour avoir un profit total maximum ?

Formulation en un PL  :

Les variables de décisions sont :

 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 sont :
 11 x1 +9 x 2≤9900 pour la machine M1
 7 x1 +12 x 2 ≤8400 pour la machine M2
 6 x 1 +16 x 2≤9600 pour la machine M3
Le profit à maximiser est : z=900 x 1 +1000 x 2
Le programme linéaire résultant est :

Max 900 x 1 +1000 x2

s .c . 11 x1 + 9 x2 ≤9900
7 x 1 +12 x2 ≤8400
6 x 1 +16 x 2 ≤9600
x 1≥ 0 , x 2 ≥0
Exemple 2 : 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 m 3 d’eau
et donne un bénéfice net de 100 dh. Un hectare de piments demande 4 heures de
main d’œuvre, 2 m3 d’eau et donne un bénéfice net de 200 dh.

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 ?

Formulation du problème en un PL  :

6
Etape 1 : Identification des variables de décision. Les deux activités que
l’agriculteur doit déterminer sont les surfaces à allouer pour la culture de
tomates et de piments :
 x1 : la surface allouée à la culture des tomates
 x2 : la surface allouée à la culture des piments
On vérifie bien que les variables de décision x1 et x2 sont positives :
x 1≥0 , x 2 ≥0 .
Etape 2 : Identification des contraintes. Dans ce problème les contraintes
représentent la disponibilité des facteurs de production :
 Terrain : l’agriculteur dispose de 150 hectares de terrain, ainsi la contrainte
liée à la limitation de la surface de terrain est x 1 +x 2 ≤150
 Eau : la culture d’un hectare de tomates demande 4 m3 d’eau et celle d’un
hectare de piments demande 2m3 mais l’agriculteur ne dispose que de 440m3.
La contrainte qui exprime les limitations des ressources en eau est
4 x 1 +2 x 2 ≤440 .
 Main d’œuvre : Les 480 heures de main d’œuvre seront départager (pas
nécessairement en totalité) ente la culture des tomates et celles des piments.
Sachant qu’un hectare de tomates demande une heure de main d’œuvre et un
hectare de piments demande 4 heures de main d’œuvre alors la contrainte
représentant les limitations des ressources humaines est x 1 +4 x 2 ≤480
 Les limitations du bureau du périmètre irrigué : Ces limitations exigent que
l’agriculteur ne cultive pas plus de 90 hectares de tomates. La contrainte qui
représente cette restriction est x 1≤90.
Etape 3 : Identification de la fonction objectif. La fonction objectif consiste à
maximiser le profit apporté par la culture de tomates et de piments. Les
contributions respectives 100 et 200, des deux variables de décision x1 et x2
sont proportionnelles à leur valeur. La fonction objectif est donc
z=100 x1 +200 x2 .
Le programme linéaire qui modélise le problème d’agriculture est :
Max 100 x 1 +200 x 2
s .c . x1 +x 2 ≤150
4 x1 +2 x 2≤440
x 1+4 x 2 ≤480
x1 ≤90
x 1≥0 , x 2≥0

7
Exemple 3 : 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. Déterminer le nombre de pilules minimales
à prescrire au sujet pour qu’il soit guérit.

Formulation du problème en un PL  :

Le problème de médecine présente certaines ressemblances avec le problème de

l’agriculture, dans les deux cas c’est un problème d’allocation de ressources.
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 :
x 1≥0 , x 2 ≥0 .
Les contraintes imposées par le problème sur les valeurs possibles de x1 et x2
sont :
 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 x 1 +x 2 ≥12 .
 De la même façon que pour l’aspirine, la prescription du spécialiste en
médecine doit contenir au moins 74 grains de bicarbonate. Ainsi la contrainte
suivante doit être satisfaite : 5 x1 +8 x2 ≥74 .
 Finalement la contrainte imposée par le fait que la prescription doit contenir
au moins 24 grains de codéine est x 1 +6 x 2≥24 .
Etape 3 : Identification de la fonction objectif. On remarque qu’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=x 1 +x 2 .

8
Le programme linéaire qui modélise ce problème médical est donc le suivant :
Min x 1 + x2
s .c . 2 x 1 + x 2 ≥12
5 x 1 +8 x 2≥74
x 1 +6 x 2 ≥24
x 1≥0 , x 2 ≥0

Exemple 4 : 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 DH le Kg et N coûte 4 DH le Kg.
Quelles quantités d’aliments M et N doit-on utiliser par jour et par animal pour
réaliser l’alimentation la moins coûteuse ?

Formulation en un PL  :

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 sont
 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
Les contraintes de non-négativité sont x 1≥0 , x 2 ≥0 .
Le choix de cette quantité est contraint à la présence dans l’alimentation du
composant
 A : 0 .1 x 1≥0. 4 ⇒ x1 ≥4

 B : 0 .1 x 2≥0. 6 ⇒ x 2 ≥6

9
 C : 0 .1 x 1 +0 . 2 x 2 ≥2 ⇒ x 1 +2 x 2 ≥20

 D : 0 .2 x 1 +0 . 1 x 2 ≥1. 7 ⇒ 2 x 1 +x 2≥17

La fonction objectif est une fonction coût : z=10 x1 +4 x 2 .

Le programme linéaire est un programme de minimisation :

Min 10 x 1 + 4 x 2
s .c . x1 ≥ 4
x 2 ≥6
x 1 +2 x 2≥20
2 x 1 + x 2 ≥17
x 1≥ 0 , x 2 ≥0

10
CHAPITRE 2

Formulation d’un programme linéaire (PL)

I. Introduction

Après avoir illustrer par des exemples, comment un problème pratique peut être
modélisé par un programme linéaire, l’étape qui va suivre sera certainement
celle de la résolution de ce problème mathématique. La méthode graphique est
l’une des premières méthodes utilisées à ce sujet.
Si on parle de résolution graphique alors on doit se limiter à une représentation à
deux variables et au plus à trois variables. Ceci indique que dans ce chapitre on
examinera seulement les programmes linéaires à deux variables de décision.

II. Système d’axes

Une des conditions de la réussite de notre représentation graphique est le choix

d'un système d’axes. Un mauvais choix peut rendre notre représentation non
claire et imprécise.

A cause des contraintes de non-négativité des variables de décision, nous nous

intéressons seulement au cadran positif (voir figure ci-dessus).
Cette région s’appelle la région des solutions possibles du problème.
Prenons l’exemple 2 relatif au problème de médecine. Le programme linéaire est
le suivant :
Min x 1 + x2
s .c . 2 x 1 +x 2 ≥12
5 x 1 +8 x 2≥74
x 1 +6 x 2 ≥24
x 1≥0 , x 2 ≥0
Un bon choix se base sur une lecture des différents paramètres du programme
linéaire. Dans notre cas, on ne peut qualifier de bon, le choix de 20 comme
unité dans les deux axes.
Pour l’exemple, on peut choisir le système d’axes suivant :
11
 x2

12

6
3

x1
6 12 24

III. Représentation graphique des contraintes

Parmi les solutions possibles d’un problème, il y a ceux qui vont satisfaire toutes
les contraintes du programme, appelés solutions réalisables, et ceux qui vont
satisfaire une partie ou aucune de ces contraintes, appelés solutions non
réalisables.
Une représentation graphique des inégalités (des contraintes) va nous permettre
de déterminer l’ensemble des solutions réalisables.
Revenons à l’exemple 2 du problème de médecine.
Une des contraintes de ce problème est celle relative au grain d’aspirine :
2 x 1 +x 2 ≥12 .
L’ensemble des solutions qui vérifient cette inégalité est le même que celui qui
vérifie 2 x 1 + x 2 =12 et 2 x 1 + x 2 > 12 .
x2

12

6
3

x1
6 12 24

L’ensemble des solutions qui correspond à l’équation est l’ensemble des points
de la droite l définie par x 2=−2 x 1 +12 . Cette droite admet une valeur de la
pente égale à –2 et intercepte l’axe des ordonnées en 12 (voir figure ci-dessus).
L’inégalité 2 x 1 + x 2 > 12 correspond à un demi-plan limité par la droite
x 2=−2 x 1 +12 . Or cette droite divise le plan en deux demi-plans ouverts donc
quel est le demi-plan à choisir ?
x2

12 1

6
3

x1
6 12 24

12
Pour ce faire, il suffit de prendre un point de l’un des demi-plans (c’est à dire
n’appartenant pas à la droite x 2=−2 x 1 +12 ) et voir s’il vérifie l’inégalité
2 x 1 + x 2 > 12 . Par exemple le point de coordonnées (0,0) ne vérifie pas

l’inégalité 2 x 1 + x 2 >12 donc le demi-plan 1 au-dessus de la droite est celui

recherché (voir figure ci-dessus).
L’espace hachuré représente le demi-plan fermé des solutions qui vérifient la
contrainte 2 x 1 + x 2 > 12 .
Si on fait de même pour les deux autres contraintes du problème (voir figures
ci-dessous), on obtient les deux autres demi-plans 2 et 3 relatifs aux solutions
vérifiant respectivement les contraintes 5 x1 +8 x2 ≥74 et x 1 +6 x 2≥24 .

3 2
9.25

6
4
3

x1 x1
6 12 24 6 14,8 24

Une solution possible du problème est dite réalisable si et seulement si elle

vérifie toutes les contraintes, c’est à dire si elle appartient aux trois demi-plans
relatifs à chaque contrainte du programme linéaire, en d’autre terme à
1 2 3 (voir figure).
x2
Ensemble des
12 solutions
réalisables

x1
6 12 24

Définition : Un ensemble E non vide est dit convexe si et seulement si pour tout
élément x et y de E et pour tout [0,1],  x + (1-) yE.
On peut vérifier facilement que chacun des demi-plans 1, 2 ,3 est convexe en
vérifiant que pour toute paire de points P1 et P2, l’ensemble des points qui
forment le segment [P1P2] appartient au demi-plan.
Théorème : L’intersection d’ensembles convexes (non vide) est convexe.
Propositions : L’ensemble des solutions réalisables (non vide) est convexe.

IV. Représentation de la fonction objectif

Soit z la valeur de la fonction objectif du problème de médecine z=x 1 +x 2 .

Pour z=0, la fonction objectif est représentée de la manière suivante :

13
 x2

12

x1
6 24

x1  x 2  0

Pour z=6, c’est à dire que le nombre de pilules à prescrire est égale à 6 pilules.
La fonction objectif est représentée comme suit :
x2

12

x1
6 24

x1  x 2  6
Chaque point du segment qui relie les points (6,0) à (0,6) représente des
solutions qui engendrent une prescription avec 6 pilules des deux tailles.
On peut tracer une infinité de droites qui représentent les différentes valeurs de
la fonction objectif, toutes ces droites ont le même coefficient directeur (-1). Par
suite elles sont parallèles entre elles. De plus on peut diminuer la valeur de z
indéfiniment dans le sens indiqué dans la figure ci-dessous.
x2

12

x1
6
z  18
z  6 z  12
Le problème est de connaître qu’elle est la droite qui correspond à la valeur
minimal de la fonction objectif ?

V. Recherche de la solution optimale

a. Résolution graphique
Si nous retraçons l’ensemble des droites parallèles relatives à différentes valeurs
de la fonction objectif sur la figure qui représente l’ensemble des solutions
réalisables, on peut localiser la solution optimale. Elle correspond à la solution
réalisable qui intercepte la droite à la plus petite valeur de z.

14
 x2

12
B

x1
6 12
Z=10

Dans notre exemple, la solution optimale est l’intersection des deux contraintes
2 x 1 +x 2 ≥12 et 5 x1 +8 x2 ≥74 . Une évaluation des coordonnées de ce point
revient à résoudre le système linéaire suivant :

{2 x1+x2=12 ¿ ¿¿¿
Elle correspond d’après le graphique au point (2,8). Donc la prescription
optimale est de 2 pilules de petite taille et 8 pilules de grande taille. Le nombre
de pilules (la valeur de la fonction objectif) est égale à 10.

b. Résolution par énumération :

On remarque que la solution optimale du problème de médecine est un point

extrême qui se trouve sur le bord de l’ensemble des solutions. Une telle solution
est dite solution réalisable de base.
On peut admettre le résultat suivant : « Si un programme linéaire admet une
solution optimale alors il existe une solution réalisable de base pour laquelle la
fonction objectif atteint la valeur optimale »
Une méthode de résolution du programme linéaire consiste donc à déterminer
les solutions réalisables de base (les points d’intersection des droites qui forment
les contraintes) et à calculer pour chaque point la valeur de la fonction objectif.
La solution du programme linéaire est la solution à qui on associe la valeur
optimale de la fonction objectif.
x2

12 A
B

3 C D

x1
6 12

Dans le problème de médecine, l’ensemble des solutions réalisables de base

présente 4 points extrêmes A(0,12), B(2,8), C(23/11,126/11) et D(24,0). La
valeur de la fonction objectif associée respectivement À A, B, C et D est 12, 10,
149/11 et 24. On vérifie bien que B est la solution optimale du problème avec
une valeur optimale égale à 10.

15
VI. Exemples

Dans cette section on donne quelques exemples de résolution graphique de

problèmes linéaires relatifs au différents cas possibles :

Problème de maximisation
Max 100 x 1 +200 x 2 x2 (2)
(4)
A
s .c . x1 + x2 ≤150 (1) B
110
4 x1 +2 x 2 ≤440 (2) C
(3)

x 1 +4 x 2≤480 (3 ) Z=0 30
D (1)

x1 ≤90 (4 ) 40
E x1

x 1≥0 , x 2 ≥0
la solution optimale est B(40,110)

Problème avec solution non bornée

Max -2 x 1 +3 x 2 x2

s .c . x1 ≤5 (1 ) (2)

2 x1 −3 x 2≤6 (2 )
x 1≥0 , x 2 ≥0
5 x1
Z=0
(1)

On peut augmenter la valeur de la fonction objectif dans la direction des flèches

indéfiniment donc la solution est non bornée

Problème impossible
Min 3 x1 +2 x 2 x2

s .c . x1 +2 x 2 ≤2 (1)
2 x1 +4 x 2 ≥8 (2)
x 1≥0 , x 2 ≥0
x1
(2)
(1)

16
 L’espace des solutions réalisables est vide, il est l’intersection des deux zones
grises de la figure ci-dessus

Problème à solutions multiples

Max x1 +3 x2 x2
(2)
(1)
s .c . 2 x1 +6 x2 ≤30 (1) A (3)
x 1≤10 (2) B

x 2 ≤4 (3)
10 x1
x 1≥0 , x 2 ≥0
Z=0

L’ensemble des points décrit par le segment [AB] représente les solutions
optimales du problème linéaire

Problème de dégénerescence
Max x1 +x 2 x2
(2)

s .c . 3 x 1 +2 x 2 ≤40 (1) (1)

B (3)
A
x 1≤10 (2)
x 2 ≤5 (3)
O C x1
x 1≥0 , x 2 ≥0
Z=0

La solution optimale B(10,5) est dite dégénérée si trois contraintes concourent

en ce point.

VII. Analyse de sensibilité

Une analyse de sensibilité se résume à la recherche des intervalles de variations

possibles des paramètres du programme linéaire sans que la solution optimale ne
soit modifiée.

Question : De combien peut-on faire varier la quantité de codéine dans le

problème de médecine sans changer la solution optimale.

Réponse :

17
 x2

12
B

x1
6 12
Z=10

On peut changer la valeur du second membre de la troisième contrainte jusqu'à

ce que la droite de coefficient directeur –1/6 touche le point optimal (2,8). C’est
à dire qu’on peut varier le second membre de la troisième contrainte de 24
jusqu'à 50 sans changer la solution optimale.

Question : De combien peut-on faire varier le profit engendré par la culture

d’un hectare de tomates, dans le problème de l'agriculture, sans changer la
solution optimale ?

Réponse :
x2 (2)
(4)
A
B
110
C
(3)
Z=0 30
D (1)

E x1
40

Soit  la variation du profit engendré par la culture d’un hectare de tomate. La

fonction objectif est égale à (100+λ )x 1 +200 x 2
La solution demeure optimale si la pente de la fonction objectif reste toujours
comprise entre la pente de la contrainte (1) et (3). Ceci est équivalent à dire que :
200 1
−1≤− ≤− ⇔ −50≤ λ≤100
100+ λ 4
On peut vérifier aussi que si :
 λ<−50 alors la solution optimale est A
 λ=−50 alors le problème est à solutions multiples : [AB]
 −50< λ<100 alors la solution optimale est B
 λ=100 alors le problème est à solutions multiples : [BC]
 100< λ <300 alors la solution optimale est C
 λ=300 alors le problème est à solutions multiples : [CD]
 λ>300 alors la solution optimale est D

18
CHAPITRE 3

La Méthode de Simplexe

I. Introduction

On a présenté dans le chapitre précédent une procédure graphique pour résoudre

un programme linéaire à deux variables. Par contre, dans la plupart des
problèmes réels, on a plus que deux variables à déterminer. Une procédure

19
algébrique pour résoudre les programmes linéaires avec plus que deux variables
fera l’objet de ce chapitre. C'est la méthode de simplexe.

Une implémentation de cette procédure à permis de résoudre des programmes

avec un peu plus de quelques milliers de variables.

Dans ce chapitre la méthode de simplexe est présentée pour les problèmes

Max ct x
s .c A x≤b
x≥0 et en utilisant le problème de l’agriculteur :
Max 100 x 1 +200 x 2
s .c . x1 +x 2 ≤150
4 x1 +2 x 2≤440
x 1+4 x 2 ≤480
x1 ≤90
x 1≥0 , x 2≥0

II. Mise sous forme standard

La mise sous forme standard consiste à introduire des variables supplémentaires

(une pour chaque contrainte) de manière a réécrire les inégalités ( ¿ ) sous la
forme d'égalités. Chacune de ces variables représente le nombre de ressources
non utilisés. On les appelle variable d'écart. La forme standard s'écrit donc :
Max c 1 x1 +c 2 x 2 +…+c N x N
s .c a 11 x 1 + a12 x 2 +…+ a1 N x N + x N + =b1
1
a 21 x 1 +a22 x 2 +…+a2 N x N + x N + =b 2
2
Max ct x ⋮
s .c A x+ S=b a M 1 x 1 +a M 2 x 2 +…+ a MN x N + x M = b M
x≥0 , S≥0 x 1 ≥0 , x 2 ≥0 ,… , x N ≥0
S=( x N +1 , x N+2 ,… , x M )  x N + 1 ≥0 , x N +2 ≥0 ,… , x M ≥0

La forme standard du programme linéaire de l'agriculteur est :

Max 100x1 + 200x2 (3.1)
s. c x1 + x2 + x3 = 150 (3.2)
4x1 + 2x2 + x4 = 440(3.3)
x1 + 4x2 + x5 = 480 (3.4)
x1 + x6 = 90 (3.5)
x1, x2, x3, x4, x5, x60 (3.6)
L'impact de ces variables d'écart sur la fonction objectif est nulle. Ceci explique
le fait que leur existence soit tout simplement liée à une mise en forme du
programme linéaire initial. Ces variables d'écart peuvent prendre des valeurs non
négatives. Le fait de donner la valeur des variables d'écart à l'optimum donne
une idée du nombre des ressources non utilisées.

20
III. Revue algébrique de la méthode du simplexe

La question qui se pose : que demande-t-on d’une procédure algébrique ?

En premier lieu, on note que les contraintes du problème (3.2)-(3.5), forment un

système de 4 équations et de 6 variables. Or il y a un nombre infini de solutions
de ce système d’équations. Donc une procédure algébrique, pour la résolution
d’un programme linéaire doit être capable de retrouver les solutions des
systèmes d’équations où il y a plus de variables que de contraintes.

En deuxième lieu, ce ne sont pas toutes les solutions qui vérifient (3.2)-(3.5) qui
sont des solutions du programme linéaire ; ils doivent en plus satisfaire les
contraintes de nonnégativité. Ainsi une procédure algébrique doit être capable
d’éliminer, de l’ensemble des solutions qui satisfait (3.2)-(3.1) celles qui
n’arrivent pas à satisfaire les contraintes de non négativité.

Finalement, une procédure algébrique pour résoudre les programmes linéaires

doit être en mesure de choisir parmi les solutions réalisables ceux qui
maximisent la fonction objectif.

La méthode de simplexe est une procédure algébrique qui tient compte de ces
trois considérations.

Généralement, si on a un programme linéaire standard constitué de n variables et

m contraintes (n  m) alors une solution de base (extrême) est obtenue, en
annulant (n-m) variables et en résolvant les m contraintes pour déterminer les
valeurs des autres m variables.

On note qu’une solution de base n’est pas toujours réalisable. C’est le cas de la
solution qu’on vient de retrouver.

Une solution réalisable de base serait celle où x1 = x2 = 0, ainsi on a :

x3 = 150
x4= 440
x5 = 480
x6 = 90
Cette solution correspond à un point extrême de l’ensemble des solutions
réalisables qui est l’origine O.
Pour la méthode de simplexe une solution réalisable de base initiale est
demandée. Une telle solution peut être retrouvée en annulant toutes les variables
de décision. Ce qui correspond dans notre exemple au point d’origine O.

21
A partir de ce point la méthode du simplexe va générer successivement des
solutions réalisables de base pour notre système d’équations en s’assurant que la
valeur de la fonction objectif est en train d’augmenter jusqu'à localiser la
solution optimale du problème qui est un point extrême de l’espace des solutions
réalisables donc une solution réalisable de base.

Ainsi, on peut décrire la méthode du simplexe comme étant une procédure

itérative qui passe d’une solution réalisable de base à une autre jusqu’à atteindre
la solution optimale.

La description mathématique de ce processus fera l’objet de la section suivante.

IV. La méthode des tableaux

La méthode de simplexe commence par l'identification d'une solution réalisable

de base et ensuite, elle essaye de trouver d'autres solutions réalisables de base
jusqu’à atteindre à la solution optimale. Ainsi, on doit, tout d’abord, retrouver
cette solution réalisable de base.

Généralement si le programme linéaire satisfait ces deux propriétés :

P1/ Parmi les variables du problème standard, il y a m variables qui apparaissent
avec un coefficient non nul dans chaque contraintes (dans notre exemple : x 3, x4,
x5 et x6).
P2/ Les valeurs du second membre des contraintes (les composants du vecteur
b) sont positives.

Alors une solution réalisable de base est obtenue en annulant les (n-m) variables
de décision et la valeur des variables d'écart est directement donnée par le
second membre. La deuxième propriété assure la satisfaction des contraintes de
nonnégativité des variables d'écart.
Dans notre exemple, la forme standard du programme linéaire vérifie ces deux
propriétés.

a. Tableau de simplexe initial

Après avoir mis le programme linéaire sous une forme qui vérifie les deux
propriétés P1 et P2, l’étape suivante est de tracer le tableau de simplexe initial.

Le modèle général des tableaux de simplexe est :

22
 cj coefficient correspond aux variables

Toutes les variables

A = (aij)i,j
Cicoefficients des QiValeur des matrice des coefficients
VB variables
variables debase
debase variables debase des contraintes du programme
standard

Pour notre exemple le tableau de simplexe initial est le suivant :

100 200 0 0 0 0
x1 x2 x3 x4 x5 x6
0 x3 150 1 1 1 0 0 0
0 x4 440 4 2 0 1 0 0
0 x5 480 1 4 0 0 1 0
0 x6 90 1 0 0 0 0 1
On remarque qu’on a placé en première ligne les contributions unitaires de
toutes les variables de décision x1,..., x6 dans la fonction objectif. Dans la
troisième ligne, on retrouve la première contrainte x1 + x2 + x3 = 150. La valeur
150 représente ici la valeur de S1 relative à la solution réalisable de base initiale.
Dans la première colonne on trouve les contributions nulles des variables d'écart
qui forment la solution de base initiale.

Exemple :
Question : Quelles sont les contraintes et la fonction objectif du programme
linéaire décrit par le tableau de simplexe suivant :

6 7 0 0
x1 x2 x3 x4
0 x3 150 4 2 1 0
0 x4 440 1 5 0 1

Réponse : Les contraintes du programme sont :

4 x1 + 2x2 + x3 = 50
x1 + 5x2 + x4 = 40
et la fonction objectif est : 6x1 + 7x2 + 0x3 + 0x4

23
Remarque : Les variables qui figurent dans la deuxième colonne sont dites
variables de base. A chacune de ces variables, on associe la valeur 1 à
l’intersection de la ligne et de la colonne relative à cette variable et dans le reste
de la colonne on trouve des zéros.

Jusqu’à ici on a vu comment retrouver une solution réalisable de base et

comment présenter le tableau de simplexe initial. Dans la section suivante, on
examinera la procédure liée à la méthode de simplexe qui permet de passer de
cette solution réalisable de base initiale à une autre solution réalisable de base
qui donne une meilleure valeur de la fonction objectif.

b. Amélioration de la solution

Pour améliorer la solution il faut générer une autre solution de base (point
extrême) qui augmente la valeur de la fonction objectif. C’est à dire, qu’on doit
sélectionner une variable hors base et une variable de base et les permuter de
telle façon que la nouvelle solution donne une plus grande valeur de la fonction
objectif.

Pour savoir si on peut améliorer notre solution réalisable de base initiale nous
allons introduire deux nouvelles lignes au-dessus du tableau de simplexe.

La première ligne, notée zj, représente la variation de la valeur de la fonction

objectif qui résulte du fait qu’une unité de la variable correspondante à la j ème
colonne de la matrice A est amenée dans la base. Par exemple z 1 représente la
diminution du profit qui résulte de l’ajout d’une unité à la valeur de x1.
En effet, si on produit un hectare supplémentaire de x1, la valeur de quelques
variables de base vont changer vu qu’on a :
x1 + x3 = 150
4x1 + x4 = 440
x1 + x5 = 480
x1 + x6 = 90
Donc, une augmentation de x1 de 0 vers 1 va être accompagnée d'une diminution
des variables de base x3, x4, x5, x6 respectivement de 1, 4, 1 et 1.
L’effet de cette diminution sur la fonction objectif est nul car les coefficients des
variables d’écarts dans cette fonction sont nulles
z1 = 0  x3 + 0 x4 + 0  x5 + 0  x6 =0  1 + 0 4 + 0  1 + 0  1 = 0
La valeur z1 est calculée en multipliant les coefficients de la première colonne de
la matrice A relatifs à la variable x1 par les coefficients ci de la première
colonne. Généralement, on a :

24
 ∑ a ij×ci
zj = i
La deuxième ligne, notée cj - zj, représente l’effet net de l’augmentation d’une
unité de la jème variable.
Dans notre exemple, l’effet net sur la fonction objectif engendré par
l’augmentation d’une unité dans la valeur de x1 est
c1 - z1 = 100 - 0 = 100

Si on reprend la même opération pour le reste des variables, on trouve le tableau

suivant :

100 200 0 0 0 0
x1 x2 x3 x4 x5 x6
0 x3 150 1 1 1 0 0 0
0 x4 440 4 2 0 1 0 0
0 x5 480 1 2 0 0 1 0
0 x6 90 1 0 0 0 0 1
zj 0 0 0 0 0 0
cj - zj 100 200 0 0 0 0

En analysant la ligne relative à l’évaluation nette cj - zj, on remarque qu’une

augmentation d’une unité de la valeur de x1engendre un profit de 100 dhs, et
qu’une augmentation d’une unité de la valeur de x2 engendre un profit
supplémentaire de 200 dhs. Donc, si on a à choisir, on va opter pour une
augmentation de la valeur de x2. On dit que x2 est la variable entrante.

Le problème est maintenant, jusqu’où peut-on augmenter x2 ?

Cette augmentation ne peut pas se faire infiniment, sous l’hypothèse que x1 reste
nulle. On a
x1 + x3 = 150
2x2 + x4 = 440
4x2 + x5 = 480
x4 + x6 = 90
On peut voir que x2 peut prendre comme valeur maximale la valeur de 100 (il ne
faut pas oublier que les xi,i= 3, 4, 5, 6 sont des variables positives). Cette valeur
est obtenue en choisissant la plus petite valeur positive des divisions de 100/1,
440/2, 480/4 et 90/0 (on suppose que 90/0 est égale à l’infini ).

En général, la valeur maximale de la variable entrante xj est le minimum des

valeurs positives des rapports de Qi par les coefficients de la colonne de la

25
matrice A relatif à la jème variable. Ces rapports feront l’objet d’une autre colonne
à droite de la matrice A.

Dans notre exemple, on aura :

100 200 0 0 0 0
x1 x2 x3 x4 x5 x6
0 x3 100 1 1 1 0 0 0 150
0 x4 440 4 2 0 1 0 0 220
0 x5 480 1 4 0 0 1 0 120
0 x6 90 1 0 0 0 0 1 
0 0 0 0 0 0
100 200 0 0 0 0

Le fait d’augmenter x2 jusqu’à la valeur 100 va engendrer l’annulation de la

valeur du variable d’écart x5, ce qui élimine x5 de la base. On appelle x5variable
sortante.

L’élément 4, à l’intersection de la ligne relative à la variable sortante x3 (dite

ligne pivot) et de la colonne relative à la variable entrante x2 (dite colonne pivot)
est l’élément pivot. (C’est l’élément cerclé dans le tableau).

c. Calcul des tableaux suivants

Dans le nouveau tableau de simplexe on va remplacer S3 par x2 et l’ensemble des

variables de base deviendra x3, x4, x2, x6. On exige que x2 prenne la même place
dans la colonne des variables de base que celle de la variable sortante x5.
Jusqu’à maintenant on ne peut pas remplir le tableau relatif à cette nouvelle
solution de base :

100 200 0 0 0 0
x1 x2 x3 x4 x5 x6
0 x3
0 x4
200 x2
0 x6
Ce qui reste à déterminer sont les coefficients aij de la nouvelle matrice A et les
valeurs Qi des variables de base. Ceci est réalisé en utilisant la règle de pivot :

26
1. Diviser le ligne de pivot par la valeur de l’élément de pivot pour trouver la
ligne transformée de la ligne de pivot.

100 200 0 0 0 0
x1 x2 x3 x4 x5 x6
0 x3
0 x4
200 x2 120 1/4 1 0 0 -1/4 0
0 x6

2. A chacune des variables de base, on associe la valeur 1 à l’intersection de la

ligne et de la colonne relative à cette même variable et dans le reste de la
colonne on trouve des zéros.

100 200 0 0 0 0
x1 x2 x3 x4 x5 x6
0 x3 0 1 0 0
0 x4 0 0 1 0
200 x2 120 1/4 1 0 0 -1/4 0
0 x6 0 0 0 1

3. Pour calculer le reste des valeurs du tableau, on opère à des combinaisons

linéaires dans le précèdent tableau de simplexe. Par exemple pour calculer la
nouvelle valeur qui va prendre la place de la valeur 100 devant la variable de
base x3: On multiplie 100 par le pivot (4), on retranche de ce produit le
produit de la projection de la valeur 100 sur la ligne pivot par la projection de
la valeur 100 sur la colonne pivot, et on divise le tout par la valeur du pivot
(4).

100 200 0 0 0 0
x1 x2 x3 x4 x5 x6
0 x3 150 1 1 1 0 0 0
0 x4 440 4 2 0 1 0 0
0 x2 480 1 4 0 0 1 0
0 x6 90 1 0 0 0 0 1

150×4−480×1 0×4−1×1 1
=30 =−
4 4 4

27
 100 200 0 0 0 0
x1 x2 x3 x4 x5 x6
0 S3 30 0 1 0 -1/4 0
0 S4 0 0 1 0
200 S5 120 1/4 1 0 0 -1/4 0
0 S6 0 0 0 1
En appliquant cette règle sur notre exemple, on trouve le tableau suivant :
100 200 0 0 0 0
x1 x2 x3 x4 x5 x6
0 x3 30 3/4 0 1 0 -1/4 0
0 x4 200 7/2 0 0 1 -1/2 0
200 x5 120 1/4 1 0 0 -1/4 0
0 x6 90 1 0 0 0 0 1

Remarques:
a) On vérifie toujours que les colonnes de la matrice relative à chacune des
variables de base sont formées par des zéros sauf 1 dans l’intersection avec la
ligne relative aux mêmes variables de base.
b) On peut vérifier aussi que l’ensemble des solutions réalisables, induit par les
contraintes décrites dans le dernier tableau de simplexe, est le même que
celui représenté par les contraintes initiales. La règle de pivot est une
combinaison linéaire des contraintes du programme linéaire donc elle ne
change pas l’ensemble des solutions réalisables.

c) La nouvelle solution réalisable de base est

x1 = 0
x2 = 120
x3 = 30
x4 = 200
x5 = 0
x6 = 90
Cette nouvelle solution correspond au point A (voir graphique). On vérifie bien
que la valeur de la fonction objectif est passée de 0 à 120 x 200. La valeur de la
fonction objectif peut être facilement calculé en multipliant membre à membre
les ci de la première colonne par les valeurs des variables de base Qi dans la 3ème
colonne.
d) La solution de départ correspond au point O. La première itération nous a
amené dans le sens de l'amélioration du profit (fonction objectif), c’est à dire
le long de l’axe des ordonnées.
Ayant retrouvé une nouvelle solution, on veut savoir s’il est possible de
retrouver une solution réalisable de base meilleure. Pour arriver à cette fin, on

28
doit ajouter les deux lignes relatives au choix de la variable entrante, et la
colonne relative au choix de la variable sortante.

100 200 0 0 0 0
x1 x2 x3 x4 x5 x6
0 x3 30 3/4 0 1 0 -1/4 0 40
0 x4 200 7/2 0 0 1 -1/2 0 400/7
200 x2 120 1/4 1 0 0 1/4 0 480
0 x6 90 1 0 0 0 0 1 90
50 200 0 0 50 0
50 0 0 0 -50 0

La variable entrante est x1  ; elle présente la plus grande valeur cj- zj. Si on calcule
les quotients Qi/ci1, on retrouve que la variable sortante est x3 à qui on associe la
plus petite valeur du ratio Q1/c11=40. L’élément pivot dans ce tableau est 3/4. La
nouvelle base est composée de x1, x4, x2, x6.
Le tableau de simplexe suivant issu de l’application de la règle de pivot est :

100 200 0 0 0 0
x1 x2 x3 x4 x5 x6
100 x1 40 1 0 4/3 0 -1/3 0
0 x4 60 0 0 -14/3 1 2/3 0
200 x2 110 0 1 -1/3 0 1/3 0
0 x6 50 0 0 -4/3 0 1/3 1
Cette nouvelle solution
x1 = 40
x2 = 120
x3 = 0
x4 = 60
x5 = 0
x6 = 50
correspond au point B qui est, d’après les résultats retrouvée par la méthode
graphique, la solution optimale du problème. Ainsi, il faut s’attendre à ce que la
méthode de simplexe reconnaisse cette solution comme étant la solution
optimale.

Ajoutons la ligne relative au calcul de l'effet net d’une augmentation unitaire

d’une des variables du problème, on a :

100 200 0 0 0 0
x1 x2 x3 x4 x5 x6

29
 100 x1 40 1 0 4/3 0 -1/3 0
0 x4 60 0 0 14/3 1 2/3 0
200 x2 110 0 1 -1/3 0 1/3 0
0 x6 50 0 0 -4/3 0 1/3 1
100 200 200/3 0 100/3 0
0 0 -100/3 0 -100/3 0

L’effet net associé aux variables hors base x3 et x4 est négatif. Ceci nous oblige à
dire que faire entrer une de ces deux variables dans la base va engendrer une
diminution dans la valeur de la fonction objectif. Donc il n’y a pas une autre
solution réalisable de base qui peut engendrer un profit meilleur. Par suite cette
dernière solution est la solution optimale. Ce dernier tableau de simplexe est
donc dit tableau optimal.

On peut généraliser ce résultat en disant que la solution optimale d’un

programme linéaire est atteinte s’il n’y a aucune valeur positive dans la ligne
cj-zj du tableau du simplexe.

V. Résumé de la procédure de la méthode du simplexe

(Dans le cas d'un problème de maximisation sous contraintes  et avec un
second membre positif)

Etapes Justification
1. Formuler un programme linéaire Pour obtenir une représentation
pour le problème réel. mathématique du problème
2. Vérifier que le second membre du Ceci est nécessaire pour obtenir comme
programme linéaire est positif variable de base initiale l’origine
3. Ecrire le programme linéaire sousMettre toutes les contraintes sous forme
une forme standard d’égalité
4. Construire le premier tableau de Ce tableau correspond à la solution initiale
simplexe de base
5. Choisir comme variable entrante La valeur de cj-zj indique la quantité
dans la base celle qui admet le plusd’augmentation de la fonction objectif si
grand effet net positif cj-zj. on augmente la valeur de xjd’une unité.
6. Choisir la variable sortante de la
La plus petite valeur de Qi/aij indique le
base celle qui admet le plus petit ratio
nombre maximal d’unité de xj qu’on peut
supérieur à zéro. introduire avant que la variable de base de
l’ième ligne ne soit égale à zéro.
7. Construire le nouveau tableau en Cette règle nous permet entre autre de
30
utilisant la règle de pivot calculer les valeurs des nouvelles variables
de décision
8. Faire le test d’optimalité. Si Si (cj-zj)  0 alors on n’a pas d’intérêt à
(cj-zj)  0 pour toutes les variables faire entrer dans la base aucune de ces
(hors base), la solution obtenue est variables. Une telle introduction engendra
donc optimale. Sinon retourner à une diminution de la fonction objectif.
l’étape 5.

Chapitre 4 :

PROBLEME D’ORDONNANCEMENT : METHODE DE PERT

31
I – PROBLEMES D’ORDONNANCEMENT

 Les retards apportés aux réalisations de projet industriels et commerciaux

ainsi qu’à leur livraison ponctuelle aux clients ;
 La mauvaise conception du produit à fabriquer ;
 L’inexistence d’objectif à caractère unique et clairement défini,
compréhensible par tous et facilement exploitable par l’ensemble des
exécutants.
 Le manque de contrôle rapproché de différentes opérations ou tâches
élémentaires composant le projet.
 Et enfin, et surtout le manque de coordination entre les responsables des
opérations concernant l’ordre de passage des différents tâches et leur fin :
Sont autant de problèmes que bon nombre d’entreprises doivent encore
affronter aujourd’hui et qui nécessitent, de facto, l’apprentissage des
techniques d’ordonnancement.

II – NOTION DE PROJET, TACHE ET ORDONNANCEMENT

A. Notion de projet

Un projet est un ensemble de tâches ou opérations a, b, c ,d… permettant

d’atteindre un objectif fixé, lesquelles tâches sont elles-mêmes soumises à un
certain nombre de contraintes telle que :

- les contraintes potentielles

- les contraintes disjonctives
- les contraintes cumulatives

1) Contraintes potentielles

On distingue :
 Les contraintes de succession encore appelées contraintes d'antériorité qui
se traduisent par le fait qu'une tâche A ne peut commencer que si la tâche B
est achevée;
 Les contraintes de localisation temporelle qui impliquent qu'une tâche A ne
peut débuter avant une date imposée (par exemple, appareil non disponible
avant cette date) ou ne peut se terminer après une date imposée (exemple :
appareil à libérer impérativement avant cette date).

2) Contraintes disjonctives

32
Ces contraintes imposent la non réalisation simultanée de deux tâches A et B
(pour des raisons d'utilisation d'un même appareil, par exemple, ou cause de
besoin de main d'œuvre).

3) Contraintes cumulatives

Elles limitent les possibilités d'ordonnancement, car elles tiennent compte de

tous les facteurs productifs : hommes, machines, moyens financiers. C'est ainsi
qu'il ne saurait être question de programmer, par exemple, pour un mois donné,
des opérations qui, en temps normal, requièrent toutes ensemble, l'équivalent de
six mois de travail d'un corps de métier qui ne comporterait, sur le terrain, que
deux représentants.

B. Notion de tâche

Une "tâche" ou "activité" est une opération. L'ensemble des tâches forme le
projet. On peut donc la définir comme étant l'unité ou l'élément du projet. On
associe à chaque tâche sa durée et une contrainte d'antériorité par rapport aux
autres tâches. C'est ainsi, qu'on dira que A est immédiatement antérieure à B si
B ne peut débuter que lorsque A est achevée.

C. Méthode d'ordonnancement

C'est un ensemble de méthodes qui permettent au responsable du projet de

prendre des décisions nécessaires dans de meilleures conditions possibles.
Une telle méthode doit donc permettre :

- d'analyser le projet en profondeur, c'est-à-dire le décomposer en

tâches;
- de mettre sur pied un plan d'action contribuant à réaliser le dit
projet tout en respectant les contraintes;
- et enfin, de contrôler le bon déroulement du projet.

Par conséquent, une méthode d'ordonnancement n'est ni plus ni moins

qu'un problème d'organisation du projet.
Les méthodes d'ordonnancement existantes peuvent se regrouper en deux
catégories selon leur principe de base.
A ce sujet, on distingue :

- les méthodes de type diagramme de Gantt (ou diagramme à barres);

- ou d'autres comme :
1) La CriticalPathMethod (CPM), mise au point par MorGan R.

33
2) Le Program Evaluation and Review Technique (PERT) datant de 1958 à
l'époque où la marine américaine devait réaliser dans les meilleurs délais, le
système d'armes polaris, c'est-à-dire des missiles à longue portée, embarqués
dans des sous-marins et doté d'une ogive nucléaire sous la responsabilité de
l'amiral Rayburn.

III- DIAGRAMME DE GANTT

A. but du diagramme de Gantt

C'est un graphe de planning et de prévision ayant pour but, de mettre en

évidence, les durées, et de permettre, ainsi, le contrôle, à tout moment, de
l'évolution du projet, par comparaison des réalisations aux prévisions.

B. Avantages du diagramme de Gantt

- facilement compréhensible par les exécutants, de par sa clarté et sa

simplicité;
- peut servir de base à des plans d'action intermédiaires plus détaillés;
- permet de suivre le déroulement des opérations dans le temps;
- résume assez bien l'analyse du projet établie par les responsables
respectifs.

C. Inconvénients du diagramme de Gantt

- cache les erreurs de forme et de fond commises au niveau de

l'analyse du projet;
- ne met pas en évidence les tâches critiques au niveau desquelles
tout retard apporté au niveau de l'exécution, entraîne un retard
équivalent quant à la réalisation de l'ensemble du projet.
- Impossibilité de rectifier ponctuellement la durée d'une tâche
précise, sans avoir à décaler d'autant les suivantes et à redresser
sinon complètement, du moins partiellement l'édifice. Si un des
maillons de la chaîne change, c'est donc tout l'édifice qui s'écroule;
- Insuffisance également dans la mise en évidence des liaisons
existant entre les différentes tâches.

D. Construction du diagramme de Gantt

1) Principe de construction

34
 Le diagramme de Gantt se présente sous la forme d'un tableau quadrillé
dans lequel une colonne correspond à une unité de temps et une ligne à une
tâche ou opération. La tâche se matérialise par une barre horizontale dont la
longueur représente la durée ( de la tâche). Le travail effectif ou le déroulement
réel du projet se présente parfois, par des barres horizontales en pointillés, juste
au-dessus de celle figurant les prévisions, comme l'indique la Fig.1.

2) Exemple d'application

Un projet se décompose en 6 tâches dont les caractéristiques sont les

suivantes :

Tâche Durée Tâches Durée

s prévue précédentes réalisée
A 4 mois sans 3
B 2 mois précédents 2
C 3 mois succède à A 3
D 5 mois succède à B 5
E 6 mois }succèdent à 4
F 1 mois C 1
succède à A

En déduire, Le diagramme de Gantt correspondant à l'état d'avancement du

projet au 15ème mois.

Fig.1 : diagramme de Gantt

Tem 1 2 3 4 5 6 7 8 9 1 11 12 13 14 15
ps 0
Tâch
es
A
B

35
D

On constate, au 15ème mois, que toutes les tâches ont respecté les délais
impartis, sauf A et E. La tâche A est en retard d'un mois, et la tâche E de 2 mois.
Les tâches B et F succèdent à A sont réalisé complètement alors que B et E
succèdent à C ne le sont pas simultanément; commencées à la même date, seule
la tâche D s'est terminée dans le délai imparti.

IV - METHODE PERT (technique d'évaluation et de contrôle des

programmes)

A. But de la méthode PERT

L'objet essentiel de la "Program Evaluation and ResearchTask" (PERT)

ou méthode des potentiel-étapes, est de mettre en évidence les différentes
liaisons qui existent entre les tâches. L'outil de base demeure le graphe du projet,
c'est-à-dire, l'organisation ou articulation des opérations les une par rapport aux
autres.

B. Structure fondamentale de la méthode PERT

On peut décomposer sommairement la méthode PERT en trois phases

principales, notamment celles :

1) De la confection d'un graphe traduisant l'organisation de l'ensemble des

tâches, les unes par rapport aux autres, par conséquent , la mise en évidence
du projet ou du programme envisagé.
2) De la recherche du chemin critique et on peut en avoir plusieurs dans le
même graphe ou réseau-PERT.
3) De l'introduction du temps, de la détermination de la durée de réalisation de
l'ensemble des opération et du calcul des marges.
4) Et de l'explication des résultats, leur interprétation et la mise sur pied
d'actions correctrices.

C. Construction d'un réseau PERT

36
 La construction de tout réseau-PERT doit obéir aux conventions
fondamentales ci-dessous :

1) deux tâches successives doivent être représentées par deux flèches placées
l'une à la suite de l'autre (Fig.2);
2) chaque arc représente une tâche élémentaire. Si la tâche "i" doit être
antérieure à la tâche "j", l'extrémité finale de l'arc "i" coïncide avec
l'extrémité initiale de l'arc "j";
3) les sommets des graphes représentent alors des "étapes" dans le déroulement
des opérations;

Fig.2:Notion d'étapes initiales et terminales d'une tâche "i" ou "j"

i 3 j
1 2
1 2 3

étape initiale étape terminale étape initiale étape terminale

de "i" de "i" de "j" de "j"

4) le graphe doit posséder une "entrée", sommet sans antécédent qui est
l'extrémité initiale des arcs associés aux tâches sans antécédent, c'est-à-dire,
celles pouvant commencer sans préalable. Ce sommet correspond à "l'étape
début des opérations".
De même le graphe doit posséder une "sortie", sommet sans successeur
l'extrémité finale des arcs associés aux tâches sans successeur : ce sommet
correspond à l'étape "fin des opérations".
5) Chaque tâche doit correspondre à une tâche et une seule.
6) Le graphe ne doit contenir ni boucles ni circuits.
7) Le graphe doit comporter le moins possible de croisements d'arcs.
8) Chaque sommet correspondant à une étape doit être représenté par un cercle
à l'intérieur duquel est prévu un système de repérage (numéro ou lettre)
permettant de l'identifier et de suivre aisément l'ordre de succession des
tâches.
9) Afin de faciliter la consultation du graphe, il est conseillé d'orienter les
flèches de la gauche vers la droite.

3) Cas particulier d'utilisation des tâches fictives

Une tâche fictive est une tâche de durée nulle ne mettant pas en jeu aucun
moyen matériel et financier. Elle est généralement représentée par des arcs ou
flèches en pointillés. L'introduction des taches fictives permet de solutionner
certaines situations complexes et de lever des ambiguïtés, par exemple lorsque

37
deux ou plusieurs opérations sont menées parallèlement ou lorsque deux ou
plusieurs tâches ont même sommet initiale et même sommet finale.

 1er exemple-type
Représenter le cas suivant :

"l" succède à "j"

"k" succède à "i" et "j"

La représentation graphique correcte est :

Fig.3
1 i 2 3 k
1 2 3

4 j 6
l
5
1 2 3

Nota : tâche fictive (5-2)

Par contre la représentation suivante est incorrecte :
La Fig.36 signifie que "l" succède à "i" ce qui n'est pas indiqué dans l'énoncé.

Fig.4

i
k

j
l

 2èm exemple-type

La Fig.5 est correcte. Le graphe de la fig.6 est inexact.

Fig.5 : Graphecorrecte Fig.6 : Grapheincorrecte

38
 3
i j
1
1 2
j i
2

tâche fictive
3
étape fictive

V - LE PERT-TEMPS

En attribuant à chaque opération une durée prévisionnelle quant à son

exécution, il nous sera possible de mettre en évidence "un chemin critique"
formé d'une succession de tâches critiques au niveau desquelles tout retard sera
prohibé, sous peine de retarder d'autant la réalisation de l'ensemble du projet. Ce
chemin critique représente le temps minimum nécessaire quant à la réalisation
du projet. Alors les tâches critiques rendent le programme rigide, les tâches non
critiques quant à elles, laissent une certaine marge de manœuvre dans les
déroulements des travaux.
Dés que le chemin critique sera établi (et implicitement les "dates au plus tôt" et
"au plus tard") il sera donc possible de convertir le graphe PERT en diagramme
de Gantt, et de contrôler aisément le déroulement des travaux. La détermination
des marges à partir des calculs des dates au plus tôt et au plus tard, permettra, en
outre, de connaître encore le temps disponible par tâche, la marge de manœuvre
dont nous disposons, de déceler certains retards, d'imputer les responsabilités, et
d'apporter des actions correctrices qui s'imposent.

A. recherche du chemin critique - date au pus tôt - date au plus tard d'un
événement

1) Chemin critique

On rappelle que le chemin critique est le temps minimum nécessaire quant à

la réalisation du projet. Il est composé exclusivement de tâches critiques, c'est-à-
dire celles dont l'exécution ne doivent être ni retardée ni ralentie, sous peine
d'augmenter d'autant, la réalisation de l'ensemble du projet. Ce chemin passe par
les sommets dont au plus tôt et au plus tard coïncident. Son "intervalle de
flottement" est nul par comparaison à celui des autres. Aussi les responsables du
projet ne jouira-t-il d'aucune liberté au niveau de ces tâches, la marge de
manœuvre permise étant nulle.

39
2) Dates au plus tôt d'un événement

Il s'agit de la date avant laquelle une tâche ne peut démarrer. C'est donc la
date attendue de réalisation d'un événement ou date avant laquelle un événement
ne peut se réaliser.

3) Date au plus tard d'un événement

C'est la date limite de réalisation d'un événement. Si l'événement venait, en

effet, à se réaliser après ladite date, le projet tout entier ne pourrait jamais se
réaliser dans le délai correspondant à la longueur du chemin critique.

4) Notion d'intervalle de flottement

a - Position du problème

Pour affiner le suivi des opérations et le contrôle de la ponctualité quant

au respect des dates au plus tôt et au plus tard, il devient alors indispensable,
pour le responsable du projet, de se pencher sur le degré de liberté dont il
dispose, pour éventuellement augmenter la durée d'une tâche, sans pour cela
compromettre la fin du projet dans les délais impartis. Chercher à modifier les
dates au plus tôt ou au plus tard sans que le délai total de réalisation du projet
n'en soit modifié, suppose que le responsable ait à sa disposition les "intervalles
de flottement" pour chaque étape ou événement. S'intéresser davantage aux
tâches qu'au événement pour connaître la marge de manœuvre dont dispose face
au événements de début et de fin qui encadrent la tâche, sous entend que l'on
s'intéresse aux "marges". On en distingue trois : la marge libre, la marge totale,
et la marge certaine.

B - Intervalle de flottement

Pour chaque sommet, on obtient un intervalle de flottement en faisant la

différence entre la date au plus tard et la date au plus tôt du même événement.
Rappelons que l'intervalle de flottement est un intervalle dans lequel peut
intervenir la réalisation d'un événement sans compromettre l'exécution de
l'ensemble du projet ni sa durée totale minimale.

C - Les marges

Calcul des marges

40
 On distingue trois sortes de marges : marge totale, marge libre et marge
certaine pour chaque tâche.

Evénement ou étape Evénement ou

étape

Ei Ej

Ej
Ei

tj t'j
ti t'i

Date au plus Date au plus Data au plus Date au plus

tôt de Ei tard de Ei tôt de Ej tard de Ej

Tij=tâche comprise entre Ei et Ej

dij=durée de la tâche Tij
Marge libre de Tij : ML (Tij) = tj- ti- dij
Marge total de Tij : MT (Tij) = t'j- ti- dij
Marge certaine de Tij : MC (Tij) = tj- t'i- di équivalent à 0 si MC est négative
Nota: on a toujours :
0≤MC≤ML≤MT

Signification économique et influence sur la durée du projet

4-1) La marge libre d'une opération correspond pour cette opération, au

retard maximum que l'on peut apporter à son démarrage,
sans perturber la date de réalisation au plus tôt de l'événement suivant.
Concrètement,
si une tâche si une tâche commence à sa date au plus tôt, et si sa durée est
augmentée de sa marge libre, il n'y a pas de perturbations dans la suite du
projet, les dates au plus tôt et au plus tard des autres opérations restent
inchangées. Un retard supérieur à la marge libre se répercute sur les tâches
suivantes en diminuant leurs marges.

4-2) La marge totale d'une opération est le retard maximum que l'on peut
apporter à son démarrage sans perturber la date de fin des travaux.

41
 Pratiquement, la marge totale représente la fluctuation maximale pour la
tâche considérée, à condition qu'elle est commencée le plus tôt possible.
Notons que si une marge totale a été utilisée, certaines tâches subséquentes
deviennent critiques et il apparaît alors un deuxième chemin parfois appelé
chemin sous-critique. En effet, si, le retard est égale la marge totale, la tâche
ne dispose plus d'aucune marge, c'est pour cela qu'elle devient critique, de
même qu'un certain nombre de tâches, qui lui succèdent. Par ailleurs, si le
retard dépasse la marge totale, l'excédent se répercute sur la date de la fin du
projet qui se trouve alors décalée d'autant.
4-3) La marge certaine est le retard maximum, que l'on peut apporter à son
démarrage sans perturber la date de réalisation au plus tôt de l'événement
suivant, bien que l'événement précédent n'ait été réalisé qu'à sa date limite.

5)  Mise à jour d'un PERT: contrôle et surveillance du déroulement des

opérations

La mise à jour d'un PERT nécessite que :

5.1) l'on recueille des informations aussi à partir des exécutants qui les
appliquent qu'à partir de la direction du projet appelée à faire des
retouches permanentes au fur et à de l'avancement des travaux.
5.2) Ces informations recueillies se présentent sous des formulaires
spéciaux et compréhensibles par tous. Ces formulaires mettront
suffisamment en évidence, l'ensemble des points importants du projet
auxquels les exécutants devront consigner les dates effectivement
atteintes et les écarts positifs ou négatifs observés par rapport aux
prévisions. C'est ainsi qu'il sera nécessaire de dresser la liste des tâches
du projet en les classant par rubriques ou par date de début ou de fin. Par
exemple:
- Par ordre croissant de date de début au plus tôt;
- Par ordre croissant de date de début au plus tard;
- Par ordre croissant de date de fin au plus tôt;
- Par ordre croissant de date de fin au plus tard;
- Par marge totales croissantes.
En pointant le travail effectivement fait, on pourra donc facilement savoir
si les dates de début et de fin ont été ou non respectées. A ce propos,
la liste des dates au plus tard permettra immédiatement de déceler les
tâches devenues critiques, tout comme la lite des marges croissantes
permettra de situer l'état d'avancement de l'ensemble du projet.
5.3) Après la collecte des informations quant à l'état d'avancement du
projet et le choix du mode de leur présentation, il faut les dépouiller
soigneusement, les trier et enfin les départager, les tâches critiques (qui

42
 ne doivent souffrir d'aucun retard) des tâches non critiques (présentent
plus de souplesse au niveau de l'exécution).
5.4) Il faudra ensuite procéder au traitement des différentes
informations provenant de l'échange des données entre les exécutants et
les décideurs, et procéder aux corrections et " recorrections " diverses.
5.5) Ensuite, arrivent les phases de l'analyse et de l'interprétation.
5.6) Et enfin, la phase d'imputation des responsabilités, et la mise sur
pied d'actions correctrices Suivies de contrôles, sinon, permanents du
moins intermittents permettant de s'assurer que les nouvelles mesures
correctrices sont respectées et portent leur fruit.

6) Exercice d'application sur la méthode PERT

- Thème 1 : Recherche d'un chemin critique

La réalisation d'un ouvrage se décompose en tâches A, B, C, D, E, F, G,
H.
Les durées respectives sont les suivantes : A (3 jours), B(4 jours), C(4
jours), D(2 jours), E(6 jours), F(2 jours), G(4 jours), H(1 jours). On se propose
de déterminer la durée minimum nécessaire quant à la réalisation dudit ouvrage,
ainsi que les dates auxquelles doivent ou peuvent débuter les tâches pour que
cette durée minimum soit respectée.
On rappelle, en effet, que les tâches A et B sont sans tâche intérieure. Par
contre, la réalisation de la tâche F nécessite l'achèvement des tâches C et D et
donc A et de B, et précède la réalisation de la tâche H. Les tâches E et H sont
sans successeur, mais H suit G et F tout comme E vient immédiatement après A.
Notons que C est précédé par A et que D sui B, ainsi que le résume le tableau
suivant :

Tâches A B C D E F G H
Tâches   A B A C, B F,G
précédentes D

- Réponse au thème 1

1) Construction d'un réseau PERT

Fig.7

1
E(6)
A(3)
S
C(4)
E
3 F(2) 4 H(1)

2 43
 D(2)
B(4) G(4)

Nota:E:entrée du "réseau-PERT"; S= sortie du "réseau-PERT"

Nom de l'étape
Date au plus tôt

Date au plus tard

2) Détermination des dates au plus tôt

a) On affecte à l'entrée, la date tE=0

b) Pour un sommet j, on calcule la date au plus tôt (tj) en posant :
Tj= Max{ti+dij}
Avec i= antécédent de j
dij= durée de l'arc (i, j)
ti= date au plus tôt du sommet i
tj= date au plus tôt du sommet j
tS= durée minimum de l'ouvrage

3
1
E(6) 10
A(3)
S
0 C(4)
E 7
3 F(2) 4 H(1)
D(2)
B(4) 2 G(4)

44
 Fig.8 : Dates au plus tôt (à gauche du cercle)

tE= 0
t1= tE+ 3
t2= tE+ 4
t3= Max{t1+4, t2+2}
= Max{3+4, 4+2}
=7
t4= Max{t2+4, t3+2}
= Max{4+4, 7+2}
=9
tS= Max{t1+6, t4+1}
= Max{3+6, 9+1}
= 10
La durée minimum de l'ouvrage est de 10 jours.

3) Détermination de la date au plus tard

Pour calculer la date au plus tard, on peut adopter, la méthode suivante :

a) inversion de l'orientation de tous les arcs du graphe (une sorte de compte à

rebours);
b) avec ce nouveau graphe, on calcule les dates au plus tôt ( les rôles de l'entrée
et de la sortie sont inversés);
c) les dates au plus tard sont alors obtenues par différence entre la durée
minimum de l'ouvrage et les dates ainsi calculées comme le montre le graphe
inversé ci-dessous (Fig.9)

Fig.9 : Dates au plus tard (à droite du cercle)

1
E(6)
A(3)
S
3
C(4)
E 10
3 F(2) 4 H(1)
D(2)
B(4) 2 G(4)
0 9
7

45
 5

Dates au plus tôt dans le graphe orientée Dates au plus tard

tS= 0 t'S= 10-0 =10
t4= 1 t'4= 10-1 =9
t3= t4+ 2=3 t'3= 10-3 =7
t2= Max{t4+4, t3+2} t'2= 10-5 =5
= Max{1+4, 3+2}
=5
t1= Max{tS+6, t3+4} t'1= 10-7 =3
= Max{0+6, 3+4}
=7
tE= Max{t1+3, t2+4} t'E= 10-10=0
= Max{7+3, 5+4}
= 10
3) Détermination du chemin critique

On reconnaît les tâches critiques par l'égalité qu'il y a entre leurs dates au
plus tôt et au plus tard. Et comme le chemin critique passe par les taches
critiques depuis l'entrée (E) jusqu'à la sortie (S), il suffira donc de repérer les
tâches critiques, de passer un trait épais dessus ou alors tracer deux traits pour
bien mettre en évidence ledit chemin critique (voir Fig.10).

Fig. : Récapitulation des résultats; dates au plus tôt et dates au plus tard.
Chemin critique

1
E(6)
A(3) Fig.10
S
C(4)
E
3 F(2) 4 H(1)
D(2)
B(4) G(4)
2

Le chemin critique est ici A, C, F, H.

46
 Thème 2 : Construction d’un « réseau PERT » par utilisation de niveau de
génération. Chemin critique ; calcul de marges et des intervalles de
flottement.
La construction d’un entrepôt peut se décomposer en 10 tâches reliées
entre elles par des conditions d’antériorité. L’entreprise chargée de cette
construction vous communique le tableau des enchaînements des différentes
activités, avec indication des durées respectives de chaque tâche (voir tableau
annexe). Pour planifier son travail, elle vous demande de représenter sur un
graphe, le chemin critique indiquant le temps minimum nécessaire pour la
réalisation de ce projet.
Tableau annexe
Désignation Activités pré requises Durée
(jours)
A Acceptation des plans
B Préparation du terrain 4
C Commande des matériaux 2
D Creusage des fondations A 1
E Commande des portes et A, B 1
fenêtres A 2
F Livraison des matériaux C 2
G Coulage des fondations D, F 2
H Livraison des portes et E 10
fenêtres G 4
I Pose des murs et de la H, I 1
charpente du toit
J Mise en place des portes et
des fenêtres

Travail à faire :

1) Construire le « réseau PERT » dans lequel l’événement sera matérialisé par un

cercle comme suit :

événement
Ei

47
 Date au plus tôt Date au plus tard
ti t’i

1) Déterminer le chemin critique ;

2) Calculer la marge libre, la marge totale, et la marge certaine de chaque tâche ;
3) Déterminer le flottement de chaque sommet ou événement.

Réponse du thème 2
1) Construction d’un réseau-PERT

On se sert du « tableau annexe » de l’énoncé comme dictionnaire des précédents,

les premières lignes vides fournissant le premier niveau de génération A et B).
Barrant ensuite A et B où qu’ils se trouvent, on obtient le 2ème niveau de génération et
ainsi de suite. On obtient, en définitive, les niveaux ci-dessous ainsi que le graphe
associé.

N0={A, B} N1={C, D, E} N2={F, H}

N3={G} N4={I} N5={J}

Dates au plus tôt :Fig.11

2 E(2) 5
H(10)
A(4) J(1)
C(1) 8 9

1 4

I(4)
F(2)
3
B(2) 7
6
D(1) G(2)

Dates au plus tard : Fig.12

2 E(2) 5
H(10)
A(4) J(1)

48
 C(1) 8 9

1 4

I(4)
F(2)
3
B(2) 7
6
D(1) G(2)

Visualisation du chemin critique : Fig.13

2 E(2) 5
A(4) H(10)
C(1) 8 J(1) 9
1 4
V(0)

3 F(2) I(4)

B(2)
6 7
D(1) G(2)

2) Chemin critique (voir fig.13)

Pour déterminer le chemin critique, On adopte la même méthode que dans

le thème 1, en calculant préalablement les dates au plus tôt et au plus tard et en
choisissant le chemin dont les tâches sont critiques (c’est à dire dont les tâches au
plus tôt et au plus tard coïncident). Le lecteur est donc vivement invité à s’exercer au
calcul de ces dates par lui-même.
Le chemin critique est (1, 2, , 8, 9) ou (A, E, H, I), soit 17 jours. On notera, entre
autres, la présence d’une tâche fictive entre A et D.

3) Calcul des marges

Evénement ou étape Evénement ou
étape

EiEj

Ej
Ei Tache Eij de durée dij

49
 tj t'j
ti t'i

Date au plus Date au plus Data au plus

Data au plus
tôt de Ei tard de Ei tôt de Ej
tard de Ej

Tâche Eij Durée ti t’i tj t’j Marge Marge Marge certaine

dij totale libre =tj-t'i-dij
=t’j-ti-dij =tj-ti-dij

A ( 1- 2) 4 0 0 4 4 4-0-4=0 4-0-4=0 4-0-4=0

B(1 - 3) 2 0 0 4 9 9-0-2=7 4-0-2=2 4-0-2=2
V(2 - 3) 0 4 4 4 9 9-4-0=5 4-4-0=0 4-4-0=0
C(2 - 4) 1 4 4 5 8 8-4-1=3 5-4-1=0 5-4-1=0
E(2 - 5) 2 4 4 6 6 6-4-2=0 6-4-2=0 6-4-2=0
D(3 - 6) 1 4 9 7 10 10-4-1=5 7-4-1=2 7-9-1=-3 (MC=0)
F(4 - 6) 2 5 8 7 10 10-5-2=3 7-5-2=0 7-8-2=-3 (MC=0)
H(5 - 8) 10 6 6 16 16 16-6- 16-6- 16-6-10=0
G(6- 7) 2 7 10 9 12 10=0 10=0 9-10-2=-3 (Mc=0)
I(7 - 8) 4 9 12 16 16 12-7-2=3 9-7-2=0 16-12-4=0
J(8 - 9) 1 16 16 17 17 16-9-4=3 16-9- 17-16-1=0
17-16- 4=3
1=0 17-16-
1=0

3) Calcul des intervalles de flottement

50
 L’intervalle de flottement d’un sommet Eiest :

IF= t’i-ti

avec

Ei

Date au plus tôt Date au plus tard

ti t’i

Détermination du flottement de chaque événement

Evéneme Date au plus Date au plus Intervalle de

nt tard tôt flottement
t’j tj IF= t’i-ti
1 t’j=0 tj=0 0
2 t’j=4 tj=4 0
3 t’j=9 tj=4 5
4 t’j=8 tj=5 3
5 t’j=6 tj=6 0
6 t’j=10 tj=7 3
7 t’j=12 tj=9 3
8 t’j=16 tj=16 0
9 t’j=17 tj=17 0

Les tâches critiques présentent toujours des « intervalles de flottement » nuls.

C’est un bon moyen pour reconnaître un chemin critique. Les nombres en gras
soulignés retracent les différentes étapes empruntées par le chemin critique.

51
52
53
54