Gestion Des Stocks Notes de Cours, Exercices Et Projets (PDFDrive)

Gestion des stocks
Notes de cours, exercices et projets
Jean-Philippe Gayon (Grenoble INP - Génie industriel)
28 mars 2017
2
Table des matières
I Notes de cours 7
1 Introduction 9
2 Demande constante - Modèle de Wilson et variantes 11

2.1 Sans rupture de stock . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1.1 Hypothèses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.1.2 Politiques d’approvisionnement . . . . . . . . . . . . . . . . . . . . . 12
2.1.3 Politiques ZIO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 14
2.1.4 Dynamique du système . . . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.5 Paramètres de performance . . . . . . . . . . . . . . . . . . . . . . . 15
2.1.6 Quantité économique de commande . . . . . . . . . . . . . . . . . . 16
2.1.7 Analyse de sensibilité . . . . . . . . . . . . . . . . . . . . . . . . . . 18
2.1.8 Robustesse à des erreurs d’estimation des paramètres . . . . . . . . 19
2.2 Ventes différées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.2.1 Hypothèses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21
2.2.2 Paramètres de performance . . . . . . . . . . . . . . . . . . . . . . . 21
2.2.3 Politique optimale . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
2.2.4 Analyse de sensibilité et de robustesse . . . . . . . . . . . . . . . . . 24
2.3 Ventes perdues . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3 Demande constante - Systèmes multi-échelon 27

3.1 Représentation d’un réseau logistique . . . . . . . . . . . . . . . . . . . . . . 27
3.2 Système série . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.1 Modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 28
3.2.2 Caractéristiques de la politique optimale . . . . . . . . . . . . . . . . 29
3.2.3 Stock local et stock échelon . . . . . . . . . . . . . . . . . . . . . . . 30
3.2.4 Coût de possession local et échelon . . . . . . . . . . . . . . . . . . . 30
3.2.5 Coût d’une politique . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.2.6 Optimisation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
3.2.7 Ventes différées et délai de livraison . . . . . . . . . . . . . . . . . . 34
3.3 Système en arbre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.3.1 Modèle . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
3.3.2 Caractéristiques de la politique optimale . . . . . . . . . . . . . . . . 36
3.3.3 Politique imbriquée . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3
4 TABLE DES MATIÈRES
4 Demande déterministe et variable dans le temps 39

4.1 Sans rupture de stock . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4.2 Variantes et extensions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
5 Demande aléatoire - Modèle du vendeur de journaux 45

5.1 Hypothèses . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45
5.2 Demande continue . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46
5.3 Demande discrète . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 47
5.4 Taux de service . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48
5.5 Stock de sécurité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 50
5.6 Loi normale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 51
5.7 Maximisation du profit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54
5.8 Variantes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55
6 Demande aléatoire sur plusieurs périodes 57

6.1 Hypothèses et notations . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 57
6.2 Dynamique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
6.2.1 Ventes différées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58
6.2.2 Ventes perdues . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59
6.3 Politiques d’approvisionnement . . . . . . . . . . . . . . . . . . . . . . . . . 59
6.4 Distribution de la demande cumulée pendant un délai de livraison . . . . . 61
6.5 Évaluation des performances d’une politique . . . . . . . . . . . . . . . . . . 62
6.5.1 Simulation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62
6.5.2 Chaı̂nes de Markov à temps discret . . . . . . . . . . . . . . . . . . . 62
II Exercices 65
1 Demande constante et continue 67

1 Modèle de Wilson : questions de cours . . . . . . . . . . . . . . . . . . . . . 67
2 Choix du fournisseur . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
3 Horizon fini . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 68
4 Capacité de production limitée . . . . . . . . . . . . . . . . . . . . . . . . . 69
5 Produits périssables . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 70
6 Maximisation du profit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
7 Élasticité . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 71
8 Ventes différées . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 72
9 Ventes différées et capacité de production . . . . . . . . . . . . . . . . . . . 72
2 Demande aléatoire (une période) 73

1 Vendeur de journaux : questions de cours . . . . . . . . . . . . . . . . . . . 73
2 Vendeur de journaux : demande continue . . . . . . . . . . . . . . . . . . . 74
3 Vendeur de journaux : demande discrète . . . . . . . . . . . . . . . . . . . . 74
4 Vendeur de skis . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 75
5 Demande uniformément distribuée . . . . . . . . . . . . . . . . . . . . . . . 75
6 Soldes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76
7 Vendeur de journaux avec deux classes de clients . . . . . . . . . . . . . . . 77
TABLE DES MATIÈRES 5
8 Surbooking . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
9 Vendeur de journaux avec coûts fixes . . . . . . . . . . . . . . . . . . . . . . 78
3 Demande aléatoire (plusieurs périodes) 79

1 Le contrat de confiance . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79
2 Politique à stock nominal . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80
3 File d’attente avec stock : ventes différées . . . . . . . . . . . . . . . . . . . 81
4 File d’attente avec stock : ventes perdues . . . . . . . . . . . . . . . . . . . 82
5 Production . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 82
4 Systèmes multi-échelon 85
1 Gestion conjointe de références . . . . . . . . . . . . . . . . . . . . . . . . . 85
2 Système à deux étages . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 86
3 Stocks dans un système série . . . . . . . . . . . . . . . . . . . . . . . . . . 87
III Projets 89
1 Simulation et optimisation de politiques de gestion des stocks . . . . . . . . 91
1.1 Problématique . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91
1.2 Questions préliminaires . . . . . . . . . . . . . . . . . . . . . . . . . 91
1.3 Simulation et optimisation sur la base de l’historique des demandes . 92
1.4 Politique (T, S) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 93
1.5 Politique à stock nominal (S) . . . . . . . . . . . . . . . . . . . . . . 93
1.6 Délai d’approvisionnement non fiable . . . . . . . . . . . . . . . . . . 93
1.7 Système à deux étages . . . . . . . . . . . . . . . . . . . . . . . . . . 94
2 Beer game . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 95
2.1 Questions préliminaires . . . . . . . . . . . . . . . . . . . . . . . . . 96
2.2 Jeu de la bière . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 96
2.3 Rapport à rendre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
2.4 Evaluation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 97
3 Séminaires . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
3.1 Exposé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 99
3.2 Résumé . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 100
3.3 Dépôt des fichiers sur Chamilo . . . . . . . . . . . . . . . . . . . . . 100
A Rappels de probabilité 101
B Chaı̂nes de Markov à temps discret 103

1 Définitions . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 103
2 Analyse en régime transitoire . . . . . . . . . . . . . . . . . . . . . . . . . . 103
3 Analyse en régime stationnaire . . . . . . . . . . . . . . . . . . . . . . . . . 104
6 TABLE DES MATIÈRES
Première partie
Notes de cours
7
Chapitre 1
Introduction
Ces notes de cours a ont été réalisées, entre autres, à partir des ouvrages de Zipkin
(2000), Giard (2003), Porteus (2002) et Vallin (2001).
Les stocks sont présents partout. Toute personne ou entreprise constitue des stocks
de natures variées. Les particuliers stockent de la nourriture, des feuilles de papier, de
l’argent, du produit lessive ou encore des stylos. Les entreprises stockent des feuilles de
papier mais également des produits plus techniques tels que roulements à billes, moteurs,
circuits imprimés.
La première question légitime à se poser est celle de leurs fonctions. La fonction la plus
évidente d’un stock est de pouvoir disposer rapidement d’un produit. Prenons l’exemple
des feuilles de papier qui semblent être un besoin universel, pour l’instant du moins. Nous
les stockons afin d’y recourir dés que nécessaire ; ce serait une perte de temps considérable
que d’acheter une feuille de papier chaque fois que nécessaire. Dans un environnement
concurrentiel, les fournisseurs doivent répondre rapidement à la demande de leurs clients
et la constitution de stocks leur permet de répondre à cette contrainte. Ainsi, lorsqu’un
client se rend chez son boulanger, il apprécie de pouvoir repartir avec sa baguette. En cas
de rupture de stock, il doit attendre la prochaine fournée de pain, ce qui l’encourage à
aller voir à la concurrence ou le décourage d’acheter du pain ce soir-là. Du point de vue
du boulanger, une rupture de stock signifie un manque à gagner, voire la perte d’un client.
Acheter un produit en grande quantité permet en outre de réaliser des économies d’échelle
en diminuant le coût unitaire d’achat. La spéculation peut aussi être une autre bonne raison
de constituer des stocks. Le marché des matières premières telles que l’or, le pétrole en sont
de frappants exemples. La constitution de stocks permet enfin d’anticiper des aléas sur les
demandes, les livraisons ou encore la production.
Afin de se passer totalement de stocks, il faudrait être capable de livrer ou de produire
instantanément un produit. Cette solution est malheureusement impossible ou trop coûteuse
dans la majorité des situations. Prenons l’exemple d’un fabriquant de téléviseurs à écran
plat qui ne constituerait pas de stocks et qui recevrait des commandes d’un distributeur.
Sur un plan technique, il est capable d’assembler un téléviseur en une demi-journée, délai
raisonnable pour son client. Mais est-il capable de répondre dans un délai raisonnable à
une commande de 1000 téléviseurs ? C’est à priori possible de fabriquer 1000 téléviseurs en
une demi-journée si l’on peut en fabriquer un en une demi-journée. Malheureusement, cela
a. Notes du cours de gestion des stocks à Grenoble INP - Génie Industriel, rédigées par Jean-Philippe
Gayon.
9
10 CHAPITRE 1. INTRODUCTION
nécessiterait des moyens de production et une main d’oeuvre considérables. Une production
rapide coûte cher et il en est de même pour une livraison rapide.
Les stocks semblent inévitables dans de nombreuses situations. La deuxième question
qui vient alors à l’esprit est : pourquoi ne pas constituer des stocks très importants afin
d’éviter toute rupture ? Les raisons de ne pas stocker de grandes quantités sont nombreuses.
Nous n’achetons pas des rames de papier par camions par manque de place ou encore du
lait frais en grandes quantités car il risque de se périmer. Une autre raison pour ne pas
stocker de grandes quantités est d’ordre financier. Si on ne dispose que de peu d’argent, on
ne peut constituer que des stocks limités. Si l’on dispose de beaucoup d’argent, il peut être
plus intéressant de placer cet argent plutôt que de constituer de gros stocks.
Pour résumer, nous pouvons lister un certain nombre de raisons encourageant le sto-
ckage :
— Satisfaction rapide des demandes
— Anticipation des aléas (demande, livraison, production)
— Économies d’échelle
— Capacité de production adaptée et non surdimensionnée
— Spéculation (anticipation d’une hausse des prix)
D’autres raisons poussant au contraire à limiter ses stocks :
— Immobilisation d’argent
— Immobilisation d’espace
— Péremption et obsolescence des produits
— Fabrication de produits très spécifiques, voire uniques, difficiles à anticiper
— Spéculation (anticipation d’une baisse des prix)
— Fournisseur en situation de monopole
Sans forcément le formaliser, nous développons des stratégies afin d’optimiser les quan-
tités que nous stockons. Les stratégies diffèrent d’un individu à l’autre et d’une entreprise
à l’autre et dépendent de l’objectif recherché. Dans un couple, l’un voudra constituer des
stocks énormes de nourriture afin de faire les courses le moins souvent possible tandis que
l’autre voudra le moins de stocks possibles afin d’éviter de jeter des produits périmés ou
encore pour ne pas encombrer les placards.
La question qui se pose alors est de savoir quand se réapprovisionner et en quelles
quantités. A travers ce cours, nous tenterons de répondre à ces questions à l’aide de modèles
plus ou moins élaborés.
Chapitre 2
Demande constante - Modèle de

Wilson et variantes
2.1 Sans rupture de stock

2.1.1 Hypothèses
Les principales hypothèses du modèle le plus simple sont les suivantes :
— Un seul produit
— Demande continue de taux λ
— L = Délai d’approvisionnement
— h = Coût de possession d’une unité de stock pendant une unité de temps (h pour
holding en anglais)
— k = Coût fixe d’approvisionnement
— c = Coût variable d’approvisionnement
— Objectif : Trouver une politique d’approvisionnement qui minimise les coûts moyens
à horizon infini, sous la contrainte de satisfaire toutes les demandes sans délai
Ce modèle est souvent appelé modèle de Wilson. Il a été introduit au début du 20ème siècle
et constitue l’une des pierres angulaires de la gestion des stocks ainsi que de la recherche
opérationnelle. Revenons maintenant un peu plus en détail sur certaines hypothèses et
introduisons quelques notations.
Produit
Nous considérons un produit unique, indéfiniment divisible. Nous dirons que ce pro-
duit est continu. Cette hypothèse semble réaliste pour des matières liquides (jus d’orange,
pétrole, etc.) mais l’est moins pour des produits discrets, c’est à dire non sécables (stylo,
voiture, etc.). Ainsi, pourra-t-on avoir 5.37 unités. Une telle hypothèse peut être une bonne
approximation pour des produits discrets, si les quantités de réapprovisionnement sont suf-
fisamment importantes.
Demande
La demande pour ce produit est continue et constante, de taux λ . Ainsi, pendant un

intervalle de temps ∆t, la demande est de λ∆t, quel que soit la longueur de l’intervalle ∆t.
La demande est déterministe car connue à l’avance. Nous supposerons par ailleurs qu’il ne
11
12CHAPITRE 2. DEMANDE CONSTANTE - MODÈLE DE WILSON ET VARIANTES
peut y avoir de rupture de stock, c’est-à-dire que les demandes doivent toutes être satisfaites
immédiatement.
Structure des coûts
Nous considérons trois types de coûts :

— h : coût de possession du stock par produit stocké et par unité de temps (unité :
[euro].[produit]−1 .[s]−1 )
— k : coût fixe pour passer une commande (unité : [euro])
— c : coût variable pour chaque produit commandé (unité : [euro].[produit]−1 )
Ainsi, lorsque lorsqu’une commande de q > 0 unités est passée, il en coûte k + qc. Si aucune
commande n’est passée (q = 0), le coût de commande est nul. En utilisant la fonction
indicatrice, on peut résumer le coût d’une commande ainsi :
(
0 si q = 0
k1lq>0 + qc =
k + qc si q > 0
Stock physique et stock brut
Quelques notations à l’instant t :

— SP (t) = Stock physique disponible
— SC(t) = Quantité commandée mais non encore reçue
— SB(t) = Stock brut = SP (t) + SC(t)
La notion de stock brut est essentielle en gestion des stocks. Les décisions doivent être en
prises en fonction du stock brut et non du stock physique.
Lorsque le délai d’approvisionnement L est nul, le stock physique est toujours égal au
stock brut. En effet, une quantité commandée arrive immédiatement et SC(t) = 0 pour
tout t.
2.1.2 Politiques d’approvisionnement

Une politique d’approvisionnement est un ensemble de règles qui spécifient à chaque
instant quelle quantité commander. On peut résumer une politique d’approvisionnement
par deux suites de nombres :
— {ti }i≥1 : les instants où des commandes sont passés
— {qi }i≥1 : quantités commandées à ces instants
Un exemple illustratif est donné sur la figure 2.1.
Présentons maintenant quelques politiques classiques.
Gestion à point de commande
Une gestion à point de commande consiste à passer commande lorsque le stock brut
SB(t) atteint r. Le paramètre r sera appelé le point de commande(ou seuil d’alerte). On
peut distinguer plusieurs classes de politiques à point de commande :
— Une politique (r, q) commande une quantité q si SB(t) ≤ r.
— Une politique (r, S) (avec r ≤ S) commande S − SB(t) si SB(t) ≤ r. Ainsi, une
politique (r, S) recomplète le stock brut à S à chaque fois qu’il tombe en-dessous de
r. Le paramètre S est appelé stock nominal ou niveau de recomplètement.
2.1. SANS RUPTURE DE STOCK 13
L
q3
Stock physique, SP(t)
L L
Stock brut, SB(t)
q1
q2
t
t1 t2 t3
Figure 2.1 – Évolution des stocks pour une politique quelconque
Gestion calendaire
Dans une politique à gestion calendaire, les commandes sont passées à intervalle de
temps fixe, toutes les u unités de temps.
— Une politique (T, q) commande toutes les T périodes une quantité q.
— Une politique (T, S) commande toutes les T périodes une quantité (S − SB(t)), afin
de recompléter le stock brut à S.
Dans le tableau 2.1, les politiques sont classées suivant deux critères :
— Les quantités commandées sont-elles fixes ou variables ?
— Les intervalles de temps entre deux commandes sont-ils fixes ou variables ?
QUAND ?
Intervalle fixe Intervalle variable
COMBIEN ? quantité fixe (T, q) (r, q)
quantité variable (T, S) (r, S)
Table 2.1 – Classification des politiques, d’après Vallin (2001)
Il existe de nombreuses variantes de ces politiques. Lorsque les paramètres sont non
stationnaires (par exemple la demande augmente dans le temps), il peut être judicieux de
considérer des politiques non stationnaires. Par exemple, une politique (rt , St ) consiste à
recompléter le stock à St lorsque le stock brut atteint rt à l’instant t.
On peut aussi combiner plusieurs politiques. Ainsi, une politique (T, r, S) consiste à
recompléter le stock brut à S toutes les T unités de temps, uniquement si le stock brut
tombe à r.
Equivalence des politiques
Pour le problème qui nous intéresse (décrit à la section 2.1.1), les quatre types de poli-
tique sont équivalentes. En posant T = q/λ et S = r + q, les politiques (r, q), (r, S), (T, q)
et (T, S) ont alors la même évolution de stock et donc le même coût moyen.
q Stock physique, SP(t)

L L Stock brut, SB(t)
T T T
Figure 2.2 – Equivalence entre les politiques
Cette équivalence n’est en général pas vraie, notamment lorsque l’on considère des de-
mandes aléatoires.
2.1.3 Politiques ZIO

Une politique d’approvisionnement est dite Zero Inventory Ordering (ZIO) si les com-
mandes arrivent exactement quand le stock physique s’annule. La figure 2.3 donne un
exemple de l’évolution du stock physique pour une politique ZIO.
SP(t)
Temps
Figure 2.3 – Exemple de politique ZIO
Nous allons montrer que la politique optimale est nécessairement ZIO. Cette propriété
n’est plus vraie lorsque l’on considère d’autres modèles de gestion des stocks (typiquement
une demande aléatoire).
Théorème 2.1. La propriété ZIO est dominante : pour toute politique non ZIO, il existe
une politique ZIO de coût inférieur.
Démonstration. Soit une politique π qui ne soit pas ZIO et caractérisée par des instants
d’approvisionnement {ti }i≥1 et des quantités commandées {qi }i≥1 . Soit tj le premier instant
où une commande est passée alors que le stock n’est pas nul. Nous allons construire une
politique π 0 , caractérisée par {t0i }i≥1 et {qi0 }i≥1 (figure 2.4) tels que
— t0i = ti , qi0 = qi pour i < j (l’évolution du stock est la même pour t < tj )
SP (t− j ) 0
t0j
P
— = tj + , qj = i:tj ≤ti ≤t0 qi (attendre que le stock atteigne 0 pour passer la
j
λ
j-ième commande)
— t0i = ti+k , qi0 = qi+k pour i > j et avec k le nombre de commandes passées par la
politique π sur l’intervalle [tj , t0j ] (l’évolution du stock est la même pour t ≥ tj )
La politique π 0 a un coût fixe inférieur (nombre de commandes inférieur) mais aussi un

coût de possession strictement inférieur. En itérant la même procédure, on réussit ainsi à
construire une politique ZIO de coût moyen strictement inférieur à la politique π.
SPπ(t)
SPπ’(t)
t
tj t j’
Figure 2.4 – Construction d’une politique ZIO (π 0 ) meilleure qu’une politique non ZIO (π)
2.1.4 Dynamique du système

Considérons une politique (r, q) et ZIO. La consommation pendant le délai d’approvi-
sionnement doit être égale à r car la politique est ZIO. Nous avons donc la relation
r = λL.
Le point de commande r est donc le même pour toute politique ZIO réalisable. On peut
donc dire que le paramètre q suffit à caractériser une politique (r, q) et ZIO.
Nous allons exprimer le niveau de stock SP (t) à l’instant t en supposant qu’une com-
mande de taille q a été passée à t = −L et est arrivée à t = 0+ . Notons u la date à laquelle
tout le stock initial est consommé :
q
u=
λ
Nous pouvons alors exprimer SP (t) entre les instants 0 et u :

( (
SP (t + dt) = SP (t) − λdt pour 0 ≤ t < u SP 0 (t) = −λ pour 0 ≤ t < u
⇔
SP (0+ ) = q SP (0+ ) = q
⇒ SP (t) = q − λt pour 0 ≤ t < u
Le problème est u-périodique et on en déduit aisément le niveau de stock à tout instant :
SP (t) = q − λ(t − nu) pour nu ≤ t < (n + 1)u, n ∈ IN
2.1.5 Paramètres de performance

Nous allons exprimer différents paramètres de performance en fonction des données du
problème (λ, k, h, c, L) et de q. Le niveau de stock moyen, noté SP , vaut :
1
Z u 1 qu q
SP = SP (t)dt = × =
u 0 u 2 2
SB(t)
q
L L SP(t) L
t
u 2u 3u
Figure 2.5 – Evolution du stock physique et du stock brut pour une politique (r, q) et ZIO
On obtient le temps moyen passé en stock par un produit (ou temps d’écoulement d’un
produit ou temps de rotation d’un stock ), noté SW (W pour waiting), en appliquant la loi
de Little a :
SP q
SW = = (Loi de Little)
λ 2λ
On aurait pu aussi obtenir ce résultat par un calcul direct :
1
Z u u q
SW = tdt = =
u 0 2 2λ
Le rotation des stocks (ou turnover ) est définie comme le nombre de fois où les stocks
sont renouvelés par unité de temps :
1 2λ
=
SW q
Une faible rotation signifie que les pièces restent longtemps en stock. En entreprise, la
période de référence sera souvent l’année et la rotation du stock sera alors :
Consommation annuelle
Rotation des stocks (par année) =
Stock moyen
Une rotation de 3 signifie alors que les stocks sont renouvelés entièrement 3 fois dans l’année.
La couverture de stock est, à l’instant t, la durée pendant laquelle on peut satisfaire
la demande avec le stock physique à t. Ainsi, la couverture de stock est de u en début de
période (lorsqu’une commande vient d’arriver) et de 0 en fin de période.
2.1.6 Quantité économique de commande

Notons C(q) le coût par unité de temps (ou coût moyen) sur un horizon infini. C(q) est la
somme du coût de possession par unité de temps, Ch (q), du coût fixe d’approvisionnement
a. La loi de Little dit que le nombre moyen de clients dans un système stable est égal à leur fréquence
moyenne d’arrivée multipliée par leur temps moyen passé dans le système (voir n’importe cours de file
d’attente, par exemple celui de Baynat (2000) disponible à la bibliothèque de GI). Ici les clients considérés
sont les produits en stock. La fréquence de sortie (et d’arrivée) des produits est λ, le nombre moyen de
produits dans le système est SP et le temps moyen passé par par un produit dans le système est SW . La
loi de Little nous dit alors que SP = λSW .
par unité de temps, Ck (q) et du coût variable d’approvisionnement par unité de temps,
Cc (q). Pour calculer ces quantités, il suffit de se placer sur une période car le problème est
u-périodique. Le coût fixe sur une période est de k, ce qui donne un coût par unité de temps
λk
Ck (q) = k/u = .
q
Le coût de possession par unité de temps est donné par
1
Z u hq
Ch (q) = hSP (t)dt = hSP = .
u 0 2
Toute la demande étant satisfaite, le coût variable par unité de temps vaut
Cc (q) = λc.
Ce coût est indépendant de la quantité commandée car toute politique réalisable satisfait
toute la demande. L’influence de q sur les différents coûts est représentée sur la figure 2.6.
Finalement :
C(q) = Ch (q) + Ck (q) + Cc (q)

hq λk
= + + λc (2.1)
2 q
100
80
Coûts moyens
Cout de
60 possession
Cout de
40
commande
20 Cout total
0
0 10 20 30 40 50
Quantité commandée (q)
Figure 2.6 – Coûts moyens en fonction de la quantité commandée. Données : λ = 10, k =

10, c = 0, h = 2.
Nous allons maintenant chercher la quantité économique de commande q ∗ , la valeur de

q qui minimise le coût moyen C(q). Pour cela, calculons les dérivées première et seconde de
C :
λk 2λk
C 0 (q) = h/2 − C 00 (q) =
q2 q3
C(q) est une fonction strictement convexe pour q > 0 (C 00 (q) > 0). Son unique minimum
satisfait C 0 (q) = 0 et nous obtenons :

v
u
u2λk
∗
q =t (Formule de Wilson) (2.2)
h
√
C ∗ ≡ C(q ∗ ) = λc + 2λkh (2.3)
v
∗
u
∗ q u 2k
u = =t
λ λh
La quantité q ∗ est souvent appelée quantité économique de commande. La formule de Wilson

a été proposée par Harris (1913) et popularisée par Wilson (1934). On peut observer qu’à
l’optimal les coûts fixes égalent les coûts de possession :
v
u
uλkh
∗ ∗
Ch (q ) = Ck (q ) = t
2
Si la quantité commandée est q et que les coûts de possession sont inférieurs aux coûts fixes
(Ch (q) < Ck (q)), cela signifie que l’on commande trop souvent (et inversement).
2.1.7 Analyse de sensibilité

Nous allons regarder l’influence des différents paramètre sur q ∗ et C ∗ :
— La quantité économique de commande est indépendante de c et de L, croissante en
λ, k et décroissante en h.
— Le coût moyen optimal est indépendant de L et croissant en λ, k, c, h.
Étudions maintenant la sensibilité de q ∗ et C ∗ à des variations des paramètres. Supposons
que la valeur du paramètre α passe à α0 . La quantité économique de commande passe alors
de q ∗ (α) à q ∗ (α0 ). Ainsi :
v v v
∗ 0
u 0 ∗ 0
u 0 ∗ 0
u
q (λ ) tλ u q (k ) tk u q (h ) u h
= = =t (2.4)
∗
q (λ) λ ∗
q (k) k ∗
q (h) h0
De son côté, le coût moyen optimal passe de C ∗ (α) à C ∗ (α0 ). Si on suppose un coût variable
nul (c = 0), on obtient :
v v v
∗ 0
u 0 ∗ 0
u 0 ∗ 0
u 0
C (λ ) tλ
u C (k ) tk u C (h ) u h
= = =t
∗
C (λ) λ ∗
C (k) k ∗
C (h) h
Par exemple, une augmentation de 100% du coût de possession (h0 = 2h) conduit à une
√
augmentation de 41% du coût optimal (C ∗ (2h) = 2C ∗ (h)) et à une diminution de 29% de
√
la quantité économique de commande (q ∗ (2h) = q ∗ (h)/ 2). Finalement, on peut dire que
q ∗ et C ∗ sont relativement peu sensibles à des variations des paramètres.
On peut aussi étudier la sensibilité d’une fonction à une petite variation d’un paramètre
à l’aide de la fonction d’élasticité. On définit l’élasticité d’une fonction f par rapport à un
paramètre α par :
α ∂f
θ= ×
f ∂α
L’interprétation de l’élasticité est la suivante : si α augmente de % (avec petit) alors f (α)

augmente de θ %. Pour montrer cela rigoureusement, il suffit d’écrire un développement
limité à l’ordre 1 de f :
∂f
f [(1 + )α] = f (α) + α (α) + o()
∂α
α ∂f
= (1 + × )f (α) + o()
f (α) ∂α
= (1 + θ)f (α) + o()
Exercice 1. Retrouver les élasticités de C ∗ et q ∗ aux différents paramètres, résumées dans

le tableau 2.2. On lira, par exemple, que l’élasticité de q ∗ par rapport à h vaut −1/2, c’est-
à-dire qu’une augmentation de 1% de h entraı̂ne une diminution de 0.5% de q ∗ .
C ∗ (avec c = 0) q∗
L 0 0
c N.A. 0
λ 1/2 1/2
k 1/2 1/2
h 1/2 −1/2
Table 2.2 – Élasticité de C ∗ , q ∗ et β ∗ aux différents paramètres
Ainsi, une augmentation de 1% de h entraı̂ne une augmentation de 0.5% du coût optimal

C∗ et une diminution de 0.5% de la quantité économique de commande q ∗
Vérifions que ces résultats sont bien cohérents avec l’analyse de sensibilité précédente.
Supposons que λ0 = λ(1 + ). D’après l’équation 2.4, il vient :
√
q ∗ (λ(1 + )) = 1 + q ∗ (λ)
= (1 + /2)q ∗ (λ) + o()
et on retrouve bien une élasticité de 1/2 de q ∗ par rapport à λ. Il fallait se rappeler du

développement limité suivant : (1 + x)α = 1 + αx + o(x). De même :
q ∗ (h(1 + )) = (1 + )−1/2 q ∗ (h)

= (1 − /2)q ∗ (h) + o()
et on retrouve bien une élasticité de -1/2 de q ∗ par rapport à h.
2.1.8 Robustesse à des erreurs d’estimation des paramètres

Dans un problème réel, l’estimation des paramètres est souvent compliquée. Que se
passe-t-il si un paramètre est mal estimé ? Par exemple, que se passe-t-il si le coût fixe est
estimé à K̂ = 40 euros alors que le vrai coût fixe est de K = 10 euros ?
Dans un premier temps, nous allons regarder la robustesse du coût moyen à une erreur
sur la quantité commandée. Supposons que la quantité commandée est aq ∗ (a > 0) alors
que la quantité optimale est q ∗ .
1
a+
Propriété 2.1. Lorsque c = 0, nous avons C(aq ∗ ) = (a)C ∗ avec (a) = a
2
√
Démonstration. D’après les équations (2.3) et (2.2), nous avons C ∗ = 2λhk et q ∗ =
p
2λk/h. Par ailleurs, d’après l’équation (2.1), nous avons
aq ∗
p
∗ λk λk a 2λk/h
C(aq ) = +h = p +h
aq ∗ 2 a 2λk/h 2
1√ a√
= 2λkh + 2λkh = (a)C ∗
2a 2
a 0.25 0.50 0.75 0.90 1.00 1.10 1.25 1.50 2.00 4.00
C(aq ∗ )
2.13 1.25 1.04 1.01 1.00 1.00 1.03 1.08 1.25 2.13
C∗
Table 2.3 – Robustesse du coût moyen à une erreur sur la quantité commandée
Ainsi, si l’on commande deux fois trop (a = 2), le coût moyen est augmenté de 25%
seulement (tableau 2.3). On dira que le coût moyen est robuste à une erreur sur la quantité
commandée.
Jusqu’à présent, nous avons supposé que le coût variable était nul (c > 0). Lorsque
c > 0, on peut montrer que le coût moyen est encore plus robuste à une erreur sur la
quantité commandée, dans la mesure où le coût variable moyen est λc, quelle que soit la
politique. En effet, nous avons :
C(aq ∗ ) λc + λk/aq ∗ + haq ∗ /2 λk/aq ∗ + haq ∗ /2

= √ ≤ √ (2.5)
C(q ∗ ) λc + 2λhK 2λhK
x+y y
Montrer l’inégalité ci-dessus revient à montrer que ≤ si z ≤ y (à vérifier pour trois
x+z z
réels x, y, z positifs).
Supposons maintenant qu’un paramètre est mal estimé. Nous avons vu que q ∗ était peu
sensible à une variation des paramètres. Comme le coût moyen est lui-même peut sensible
à une erreur sur la quantité commandée, le coût moyen sera aussi robuste à une erreur
d’estimation d’un paramètre. Reprenons l’exemple du début. Supposons que le coût fixe
est estimé à 40 euros alors que le vrai coût fixe est de 10 euros. D’après l’équation 2.4, on
commande 2 fois plus que la quantité optimale q ∗ . D’après le tableau 2.3, commander 2 fois
trop entraı̂ne un surcoût de 25%. Au final, une erreur d’estimation de +300% sur le coût
fixe n’a entraı̂né qu’une augmentation de 25% du coût moyen.
2.2. VENTES DIFFÉRÉES 21
2.2 Ventes différées

2.2.1 Hypothèses
Les hypothèses sont les mêmes que pour le modèle de Wilson, à la différence près que
les demandes peuvent être mises en attente. On note b (pour backorder en anglais) le coût
d’attente d’une unité de demande pendant une unité de temps (unité : [euros].[s]−1 ). Nous
utiliserons aussi les notations suivantes à l’instant t :
— SP (t) = Stock physique
— B(t)= Nombre de demandes en attente
— SN (t) = Stock net = SP (t) − B(t)
— SC(t) = Quantité commandée mais non encore reçue
— SB(t) = Stock brut = SN (t) + SC(t)
Si l’on suppose que l’on ne peut pas avoir à la fois du stock physique et des demandes en
attente (i.e. SP (t) > 0 et B(t) > 0), ce qui serait clairement sous-optimal, nous avons la
propriété suivante :
Propriété 2.1. SP (t) = [SN (t)]+ et B(t) = [SN (t)]− où [x]+ = max[0, x] désigne la partie
positive de x et [x]− = max[0, −x] désigne la partie négative de x.
L’évolution du stock net et du stock brut, pour une politique quelconque, est représentée
sur la figure 2.7. La figure 2.8 représente l’évolution des stocks pour une politique (r, q).
Dans le cas de demandes différées, le paramètre r peut prendre des valeurs positives où
négatives.
SB(t)
SN(t)
q2 q3
t
q1
L
L
L
Figure 2.7 – Évolution des stocks net et brut pour une politique quelconque
2.2.2 Paramètres de performance

Soit α (resp. β) le stock net minimal (resp. maximal) quand une politique (r, q) est mise
en oeuvre (figure 2.9). Nous devrions avoir α ≤ 0 et β ≥ 0. Nous pouvons utiliser de manière
équivalente les paramètres (r, q) ou les paramètres (β, q) pour définir une politique. Pour
simplifier les calculs, nous allons exprimer les paramètres de performance en fonction de β
et de q.
Exprimons quelques relations utiles en utilisant, entre autres, la figure 2.9 :
α = r − λL = β − q
SB(t)
q q SN(t)
r
t
u u u
Figure 2.8 – Évolution des stock net et brut pour une politique (r, q)
u1 β u2 −α q−β
= et = = (Thalès)
u q u q q
β
SN(t)
q u2
0 t
u1
α
u = u1+u2
Figure 2.9 – Quelques notations
Exprimons maintenant quelques paramètres de performance en fonction de β et q :

— Stock moyen :
1
Z u1 u1 β
SP = SP (t)dt =
u 0 2u
β2
=
2q
— Nombre moyen de demandes en attente :
1 u −u2 α α2
Z
B= B(t)dt = =
u u1 2u 2q
(q − β)2
=
2q
— Temps moyen passé en stock par un produit :
SP
SW = (Loi de Little appliquée au système ”Stock physique”)
λ
2.2. VENTES DIFFÉRÉES 23
1
— Rotation du stock =
SW
— Attente moyenne :
B
BW = (Loi de Little appliquée au système ”Nombre de demandes en attente”)
λ
— % des demandes satisfaites sans délai :
u1 β
QoS = =
u q
— Attente moyenne parmi les demandes qui ont attendu :
BW
BW >0 =
1 − QoS
— Coût moyen :
k
C(β, q) = λc + + hSP + bB
u
β2
λk (q − β)2
= λc + +h +b
q 2q 2q
2.2.3 Politique optimale

Dérivons la fonction de coût par rapport à q et β.
∂C −2λk + bq 2 − (b + h)β 2
=
∂q 2q 2
∂C (h + b)β − bq
=
∂β q
C(β, q) est deux fois différentiable et strictement convexe b (admis) sur son domaine de
définition. Une condition nécessaire et suffisante d’optimalité est alors :
∂C ∂C
∇C = 0 ⇔ = 0 et =0
∂q ∂β
b
⇔β= q et bq 2 = (b + h)β 2 + 2λk
h+b
b. Une fonction f à n variables, définie sur un ensemble convexe E ⊂ IRn , est dite convexe si
f (αx + (1 − α)y) ≤ αf (x) + (1 − α)f (y), ∀x, y ∈ E, ∀α ∈ [0, 1]
f est dite strictement convexe si l’inégalité précédente est stricte.

Pour une fonction f deux fois différentiable, la stricte convexité equivaut à ce que la matrice hessienne
∇2 f (x) soit définie positive pour tout x (valeurs propres strictement positives).
En résolvant ce système à deux équations, il vient :

v v v
u u u
ub + hu2λk u2λk
q∗ = t t > t
b h h
v v v
u u u
u b u2λk u2λk
∗
β = t t <t
h+b h h
v
u b √ √
u
∗ ∗ ∗
C = C(β , q ) = λc + t 2λkh < λc + 2λkh
h+b
On remarque au passage que le coût moyen optimal est inférieur au coût moyen optimal du
modèle de Wilson sans attente. Ceci est logique dans la mesure où toute solution réalisable
du modèle de Wilson sans attente est aussi réalisable dans le modèle avec attente. La
quantité économique de commande est, pour sa part, plus grande que celle modèle de
Wilson sans attente. On peut aussi calculer, à l’optimal, le stock net minimal, le point de
commande et la période :
h ∗
α∗ = β ∗ − q ∗ = − q <0
h+b
r∗ = α∗ + λL
u∗ = q ∗ /λ
Si b tend vers l’infini, la politique optimale tend vers celle du modèle de Wilson sans attente.
Un coût d’attente infini revient en effet à interdire les attentes des clients.
Si l’on regarde la valeur de la qualité de service à l’optimal, on obtient une expression
très simple :
β∗ b
QoS ∗ = =
q∗ h+b
qui tend vers 1 lorsque b tend vers l’infini ou lorsque h tend vers 0.
Exercice 2. Montrer que les coûts fixes sont égaux à la somme des coûts de possession et
d’attente lorsque l’on adopte la politique optimale.
2.2.4 Analyse de sensibilité et de robustesse

Les élasticités de C ∗ , q ∗ et β ∗ par rapport aux différents paramètres sont résumées dans
le tableau 2.4. En faisant tendre b vers l’infini, on ré-obtient bien les élasticités du modèle
de Wilson sans attente (tableau 2.2). En outre, on remarque que les élasticités de C ∗ et q ∗
sont sont plus faibles, en valeur absolue, que dans le modèle de Wilson sans attente. Cela
signifie que q ∗ et C ∗ sont encore moins sensibles à des variations des paramètres que dans
le modèle de Wilson sans attente.
Exercice 3. Étudier la sensibilité du coût moyen à une erreur sur β ∗ ou q ∗ . En déduire la

sensibilité du coût moyen à une erreur sur chaque paramètre.
2.3. VENTES PERDUES 25
C ∗ (avec c = 0) q∗ β∗
L 0 0 0
c N.A. 0 0
λ 1/2 1/2 1/2
k 1/2 1/2 1/2
1 h 1 h 1 h
b −
2h + b 2h + b 2h + b
1 b 1 b 1 h + b/2
h − −
2h + b 2h + b 2 h+b
Table 2.4 – Élasticité de C ∗ , q ∗ et β ∗ aux différents paramètres
2.3 Ventes perdues

Dans le modèle avec ventes perdues, les ruptures de stock sont toujours autorisées
mais leur traitement est différent. On suppose qu’une demande qui n’est pas satisfaite
immédiatement est perdue et entraı̂ne un coût cl (l pour lost en anglais). On peut imaginer
que cl représente la marge réalisée sur la vente d’une unité de produit ou encore le coût
additionnel pour procurer rapidement une unité de produit au client en cas de rupture de
stock.
Nous nous intéressons toujours au problème de minimiser les coûts moyens sur un horizon
infini. Considérons deux politiques totalement opposées :
— Politique π1 : satisfaire toutes les demandes et adopter la politique optimale (r∗ , q ∗ )
√
du modèle de Wilson standard. Le coût moyen est alors C1 = λc + 2λkh .
— Politique π2 : ne jamais commander et ne jamais satisfaire de demande. Le coût
moyen vaut alors C2 = λcl .
Il est clair que si cl ≤ c, il n’y a aucun intérêt à maintenir l’activité et donc à avoir du
stock. Nous montrons dans le théorème suivant que soit la politique π1 est optimale, soit la
politique π2 est optimale.
Théorème 2.2. Si C1 < C2 , la politique π1 est optimale. Si C1 > C2 , la politique π2 est
optimale. Si C1 = C2 , les 2 politiques sont équivalentes et optimales.
Démonstration. Soit π une politique quelconque telle que une proportion p des demandes
est satisfaite et une proportion (1 − p) des demandes n’est pas satisfaite. On peut diviser
l’horizon de temps en deux : [0, ∞] = A1 ∪ A2 où A1 désigne l’ensemble des périodes où
la demande est satisfaite et A2 l’ensemble des périodes où la demande n’est pas satisfaite.
Notons C π le coût moyen de la politique π et Ciπ le coût moyen restreint à l’intervalle Ai .
Nous avons d’une part C1π ≥ C1 . D’autre part, nous avons C2π = C2 = λcl . Il vient alors :
C π = pC1π + (1 − p)C2π
≥ pC1 + (1 − p)C2
= p(C1 − C2 ) + C2
Si C1 ≥ C2 , nous avons C π ≥ C2 . La politique π2 atteint la borne inférieure et est donc
optimale. Par un raisonnement analogue, si C1 ≤ C2 , nous avons C π ≥ C1 . La politique π1
atteint la borne inférieure et est donc optimale.
Chapitre 3
Demande constante - Systèmes

multi-échelon
3.1 Représentation d’un réseau logistique

Nous allons maintenant considérer un réseau logistique avec plusieurs stocks. On peut
représenter un tel système par un graphe orienté G = (V, E) où V désigne l’ensemble des
sommets du graphe et E l’ensemble des arcs orientés du graphe. Un sommet du graphe est
un point de stockage et un arc relie le sommet i au sommet j si i est fournisseur de j. On
dira que j est un successeur immédiat de i si (i, j) est un arc du graphe. De même, on dira
que i est un prédécesseur immédiat de j si (i, j) est un arc du graphe.
Stock
Client final
(transport, transformation,
Activité assemblage, contrôle)
Figure 3.1 – Représentation graphique d’un réseau logistique
On distingue différents types de réseaux logistiques :

— Série (figure 3.2) : un sommet possède au plus un successeur immédiat et au plus un
prédécesseur immédiat.
— Assemblage (figure 3.3) : un sommet possède au plus un successeur mais peut
posséder plusieurs prédécesseurs immédiats.
— Distribution (figure 3.4) : un sommet possède au plus un prédécesseur immédiat mais
peut posséder plusieurs successeurs immédiats.
— Arbre (figure 3.5) : il n’y a pas de cycles dans le graphe non-orienté associé.
— Général (figure 3.1) : le graphe peut avoir n’importe quelle structure, notamment
des cycles dans le graphe non orienté associé.
27
28 CHAPITRE 3. DEMANDE CONSTANTE - SYSTÈMES MULTI-ÉCHELON
Figure 3.2 – Série
Figure 3.3 – Assemblage
Figure 3.4 – Distribution
Figure 3.5 – Arbre
3.2 Système série

3.2.1 Modèle
Nous allons étendre dans cette section le modèle de Wilson (chapitre 1) à un modèle
série. Numérotons de 1 à J les différents étages, de telle sorte que l’étage j soit le fournisseur
de l’étage j + 1 pour 1 ≤ j ≤ J − 1 (figure 3.6).
1 2 … J
Figure 3.6 – Système série
Pour fabriquer 1 unité de stock j, l’étage j a besoin d’exactement 1 unité du stock j − 1

(αj > 0). Le stock J sert à satisfaire la demande finale, continue de taux λ. Le stock 1
s’approvisionne à l’extérieur du système, sans contrainte de capacité. Les caractéristiques
de l’étage j sont les suivantes :
— Lj = Délai d’approvisionnement
3.2. SYSTÈME SÉRIE 29
— hj = Coût de possession d’une unité de stock pendant une unité de temps

— kj = Coût fixe d’approvisionnement j
— cj = Coût variable d’approvisionnement
Nous supposerons dans un premier temps que h1 ≤ h2 ≤ · · · ≤ hJ . Cette hypothèse est
réaliste, dans la mesure où la valeur des produits augmentent avec l’étage (et donc les coûts
financiers). Par ailleurs, les coûts de manutention ont tendance aussi à augmenter avec
l’étage.
L’objectif sera à nouveau de trouver une politique d’approvisionnement qui minimise les
coûts moyens à horizon infini, sans ruptures de stock.
Les coûts variables sont indépendants de la politique utilisée et nous les supposerons
nuls par la suite (cj = 0). En outre, nous supposerons que les délais d’approvisionnement
sont nuls (Lj = 0). Nous pourrons toujours ramener l’étude d’un problème avec des Lj > 0
au cas avec des Lj = 0.
3.2.2 Caractéristiques de la politique optimale

Nous allons tout d’abord définir les notions de politique ZIO, de politique à intervalles
stationnaires et de politique imbriquée.
Politique ZIO
Une politique d’approvisionnement est dite ZIO (Zero Inventory Ordering) si, à chaque
étage, les commandes ne peuvent arriver que lorsque le stock est nul.
Politique à intervalles stationnaires
Une politique d’approvisionnement est dite à intervalles stationnaires si les commandes

arrivent à intervalles réguliers à l’étage j, pour tout j.
On peut décrire une politique à intervalles stationnaires par le vecteur u = (u1 , · · · , uJ )
où uj est la période d’approvisionnement de l’étage j. Si une politique d’approvisionne-
ment est à intervalles stationnaires et ZIO, les quantités commandées sont nécessairement
constantes et on les notera (q1 , · · · , qJ ). La relation suivante est alors valable à chaque étage
j:
qj = λuj
Politique imbriquée
Une politique d’approvisionnement est dite imbriquée si l’étage j +1 commande à chaque

fois que l’étage j commande.
Pour une politique imbriquée, une commande à l’étage j déclenche automatiquement
une commande à l’étage j + 1. Ainsi, l’étage J (qui voit la demande finale) est celui qui
commande le plus souvent tandis que l’étage 1, qui commande à l’extérieur du système, est
celui qui commande le moins souvent.
Soit une une politique à intervalles stationnaires (u1 , · · · , uJ ) qui serait par ailleurs
imbriquée et ZIO. Les périodes de commande vérifient :
uj = aj uj+1 avec aj ∈ IN∗

Structure de la politique optimale
Théorème 3.1. Il existe une politique optimale qui soit imbriquée, à intervalles station-
naires et ZIO.
Démonstration : La démonstration de ce théorème sera admise dans le cadre de ce cours.

Pour une démonstration complète, voir par exemple (Zipkin, 2000, p.135-136).
Nous allons maintenant nous restreindre à l’étude des politiques imbriquées, à intervalles
stationnaires et ZIO. Pour qu’une telle politique soit réalisable, il faut que les périodes
vérifient :
uj = aj uj+1 avec aj ∈ IN∗
3.2.3 Stock local et stock échelon

On définit l’échelon j comme l’ensemble des étages en aval de j, c’est à dire les étages
i ≥ j (voir figure 3.7).
1 … j … J
Figure 3.7 – Echelon j
On définit alors le stock local et le stock échelon comme suit (à l’instant t) :
— SPj (t) = stock physique local à l’étage j
— SPje (t) = Ji=j SPi (t) = Stock physique de l’échelon j
P
Dans un système série, il est plus pertinent de prendre les décisions d’approvisionnement
sur la base du stock échelon plutôt que sur la base du stock local. En effet, si il y a beaucoup
de produits en stock (ou en transit) entre l’étage j et le dernier étage J, il n’est sans doute
pas intéressant de réapprovisionner l’étage j puisque il y a déjà suffisamment de produits
en transit ou en stock pour satisfaire la demande finale.
L’évolution d’un stock échelon est très simple et correspond à celle du modèle de Wilson
de période uj et de demande de taux λ. En effet, le stock échelon SPje n’est modifié que par
des commandes passés par l’étage j et par la demande finale λ. Lorsque qu’une commande
est passé entre deux étages k et k + 1 (j ≤ k < J), le stock échelon n’est pas modifié.
Pour un système à trois étages (J = 3), la figure 3.8 représente l’évolution des stocks
locaux (en trait plein) et échelons (en pointillés) pour une politique stationnaire, imbriquée
et ZIO de périodes u = (6, 3, 1). Nous avons supposé que l’étage 3 commande trois fois
plus souvent que l’étage 2 qui commande lui-même deux fois plus souvent que l’étage 1. Au
dernier étage (étage 3), l’évolution du stock est similaire à celle du modèle de Wilson. Aux
autres étages, l’évolution des stocks est plus complexe.
3.2.4 Coût de possession local et échelon

Soit hej le cout de possession échelon (par unité de temps) d’une unité de stock dans
l’échelon j :
hej = hj − hj−1 avec h0 = 0
Étage 3 SP3 (t) = SPe3(t)
u3
SP2(t)
Étage 2
SPe2(t) = SP2(t) + SP3(t)
u2 = 3 u3
SP1(t)
Étage 1 SPe1(t) = SP1(t) + SP2(t)

+ SP3(t)
u1 = 2 u2 = 6 u3
Figure 3.8 – Evolution des stocks locaux et des stocks échelon pour la politique u = (6, 3, 1)
On supposera dans la suite que hej ≥ 0, c’est-à-dire que hj ≥ hj−1 . Cette hypothèse est
réaliste dans la mesure où les coûts de possession tendent à augmenter avec la valeur du
produit et donc avec l’étage.
Nous avons alors la relation suivante entre les coûts de possession (par unité de temps)
locaux et échelon :
X X
hj SPj (t) = hej SPje (t). (3.1)
j j
3.2.5 Coût d’une politique

Évaluons maintenant le coût par unité de temps d’une politique stationnaire u =
(u1 , · · · , uJ ) (imbriquée et ZIO) en fonction des paramètres du système. Les coûts fixes
par unité de temps valent tout simplement
J
X kj
Ck (u) = .
j=1 uj
Le coût de possession par unité de temps peut se calculer sur la période u1 dans la mesure
où les stocks SPje (t) sont tous u1 -périodiques.
 
Z u1 X J
1
Ch (u) =  hj SPj (t) dt
u1 0 j=1
En l’état, le calcul des coûts de possession n’est pas triviale, dans la mesure où l’évolution
des stocks SPj (t) est relativement complexe (figure 3.8). Nous allons utiliser la relation (3.1)
pour simplifier le calcul :

 
u1 J
1
Z X
Ch (u) =  hej SPje (t) dt (3.2)
u1 0 j=1
J Z u1
1 X
= hej SPje (t)dt
u1 j=1 0
J
!
X 1
Z u1
= hej SPje (t)dt (3.3)
j=1 u1 0
J
!
X 1
Z uj
= hej SPje (t)dt (3.4)
j=1 uj 0
J
!
X λhej
= uj (3.5)
j=1 2
Le passage de de (3.3) à (3.4) vient du fait que SPje (t) est u1 -périodique mais aussi uj -
périodique. Le passage de (3.4) à (3.5) vient du fait que l’évolution du stock échelon SPje (t)
est précisément celle du modèle de Wilson (chapitre 1) avec période uj et demande de taux
λ.
Finalement, le coût par unité de temps C(u) de la politique u = (u1 , · · · , uJ ) s’exprime
facilement en utilisant les coûts de possession échelon :
J
X kj λhej
C(u) = Cj (uj ) avec Cj (uj ) = + uj
j=1 uj 2
La quantité Cj (uj ) représente le coût moyen d’un modèle de Wilson à un étage de paramètres
hej , kj , λ.
3.2.6 Optimisation
Nous allons maintenant tenter de rechercher la meilleure politique (ou du moins une
bonne politique) parmi les politiques imbriquées, à intervalles stationnaires et ZIO. Cela
revient au problème d’optimisation suivant.
C ∗ = min C(u)
s.c. uj = aj uj+1 pour 1 ≤ j < J (3.6)
∗
aj ∈ N pour 1 ≤ j < J
uj ≥ 0 pour 1 ≤ j ≤ J
Ce problème est un problème d’optimisation non-linéaire et mixte (variables entières et

réelles) qui est difficile à résoudre directement. Il existe néanmoins des heuristiques avec de
très bonnes garanties de performance (Zipkin, 2000).
Si l’on enlève complètement la contrainte uj = aj uj+1 , on obtient un problème tri-
vial
q car il suffit d’optimiser séparément les fonctions Cj (uj ) qui ont pour période optimale
2kj /(λhej ) à l’étage j.
Relaxation
Une relaxation plus fine consiste à remplacer la contrainte uj = aj uj+1 par uj ≥ uj+1 :
C − = minimiser C(u)
s.c. uj ≥ uj+1 pour 1 ≤ j < J (3.7)
uj ≥ 0 pour 1 ≤ j ≤ J
Le problème (3.7) est facile à résoudre avec un solveur car la fonction objectif est strictement
convexe, les variables sont continues et les contraintes sont linéaires.
Supposons que l’on ait obtenu une solution optimale de (3.7), notée u− = (u− −
1 , · · · , uJ ).
− −
Son coût moyen, C = C(u ), est alors une borne inférieure du coût moyen optimal du
problème (3.6) :
C− ≤ C∗ (3.8)
Solution en puissance de deux
Nous allons maintenant construire à partir de u− une solution réalisable, dite en puis-
sance de deux, du problème (3.6) et montrer que son coût est au maximum à 6% de l’optimal.
Définition 3.1. Une solution (u1 , · · · , uJ ) est en puissance de deux si chaque période peut
s’écrire sous la forme
uj = 2kj α
avec :
— α un réel strictement positif, que l’on appellera la période de référence
— kj un entier relatif, décroissant en j
La période uj d’une solution en puissance de deux est donc de la forme α, 2α, 4α, 8α ,
etc, ou de la forme α/2, α/4, α/8, etc. Par exemple, pour un système à 7 étages, la solution
u = (4α, 4α, 4α, α, α/2, α/2, α/4) est une solution en puissance de deux.
Par ailleurs, notons qu’une solution en puissance de deux est réalisable pour le problème
(3.6) car
uj
= 2kj −kj+1 avec (kj − kj+1 ) ∈ IN∗
uj+1
Cherchons la solution en puissance de deux la plus proche possible de u− . Nous pouvons

réécrire les u−
j sous la forme de puissances de deux :
!
u−
u−
j =2 αxj
⇒ xj = log2 j
α
Considérons maintenant la solution en puissance de deux u+ = (u+ +

1 , · · · , uJ ) telle que :
u+ kj
j =2 α avec kj l’entier relatif le plus proche de xj
Illustrons le choix de la politique u+ sur un exemple. Soit un système à trois étages où
la solution de (3.7) est u− = (6.7, 2.8, 0.3). Prenons une période de référence α = 1. Nous
avons alors :
6.7 = 2log2 6.7 = 22.74 ' 23

2.8 = 2log2 2.8 = 21.49 ' 21
0.3 = 2log2 0.3 = 2−1.74 ' 2−2
La solution en puissance de 2 retenue est alors u+ = (23 , 21 , 2−2 ) = (8, 2, 0.25).
Théorème 3.2.
C ∗ ≤ C + ≤ 1.06C ∗
La coût de la solution u+ est, dans le pire des cas, à 6 % de la solution optimale, quelle que
soit la période de référence α choisie.
Démonstration. Admise (Zipkin, 2000, p.135-136).
3.2.7 Ventes différées et délai de livraison

Nous allons maintenant généraliser les notions de stock local et de stock échelon dans
le cas où le délai d’approvisionnement est positif et les demandes peuvent être mises en
attente.
Tout d’abord, les stocks locaux à l’instant t :
— SPj (t) = Stock physique local à l’étage j
— Bj (t) = Demandes en attente à l’étage j
— SNj (t) = Stock net local à l’étage j = SPj (t) − Bj (t)
— SCj (t) = Quantité commandée par l’étage j mais non encore reçue par l’étage j
— SBj (t) = Stock brut local à l’étage j = SNj (t) + SCj (t)
Faisons l’hypothèse que toute demande en attente est, si possible, satisfaite immédiatement.
Nous avons alors les relations suivantes pour les stocks locaux :
SPj = [SNj ]+ et Bj = [SNj ]− (3.9)
Ensuite, les stocks échelon à l’instant t :

— STj (t) = Stock en transit vers j (uniquement depuis le prédecesseur immédiat de j)
— SPje (t)= Stock physique dans l’échelon j (locaux ou en transit)
J
X
SPje (t) = SPj (t) + (SPi (t) + STi (t))
i=j+1
— SNje (t) = Stock net de l’échelon j = SPje (t) − BJ (t)

Remarque : on ne compte que les demandes en attente vis-à-vis de l’extérieur de
l’échelon j.
— SBje (t) = Stock brut de l’échelon j = SNje (t) + SCj (t)
Remarque : on ne compte que la quantité commandée (en attente de réception) à
l’extérieur de l’échelon j
3.3. SYSTÈME EN ARBRE 35
Illustrons ces notations sur l’exemple de la figure 3.9. Au-dessus des triangles sont in-
diqués les stocks nets locaux. Au-dessus des flèches sont indiqués les stocks en transit de-
puis le prédécesseur immédiat (ici égaux aux stocks commandés). Ceci ne sera vrai si le
prédécesseur est en rupture de stock.
40 50 -20 -30
100 10 10 10
1 2 3 4
Figure 3.9 – Stock échelon avec délai de livraison et ventes différées.
Les données sont donc :

— ST1 (t) = SC1 (t) = 100 et STj (t) = SCj (t) = 10 pour j = 2, 3, 4
— SN1 (t) = 40, SN2 (t) = 50, SN3 (t) = −20, SN4 (t) = −30
On peut alors par exemple calculer les stocks échelon :

— SP1e (t) = 120, SP22 (t) = 70, SP3e (t) = 10, SP4e (t) = 0
— SN1e (t) = 90, SN2e (t) = 40, SN3e (t) = −20, SN4e (t) = −30
— SB1e (t) = 190, SB2e (t) = 50, SB3e (t) = −10, SB4e (t) = −20
Il n’y a de relation analogue à (3.9) pour les stocks échelons. Sur l’exemple ci-dessus :
[SN1e ]+ = 90 6= SP1e (t) = 120 et [SN1e ]− = 0 6= B4 (t) = 30
3.3 Système en arbre

Un système en arbre est un mélange de systèmes d’assemblage et de distribution (figure
3.5).
Figure 3.10 – Echelon j pour un système en arbre (en grisé)
3.3.1 Modèle
Soit E l’ensemble des étages. Les caractéristiques de l’étage i ∈ E sont les suivantes :
— λi = taux de la demande pour l’étage i
— Lij = délai pour acheminer une commande de l’étage i à l’étage j (défini seulement
si l’arc (i, j) ∈ E)
— Li = délai d’approvisionnement pour qu’un étage initial s’approvisionne à l’extérieur.
— hi = Coût de possession d’une unité de stock pendant une unité de temps
— ki = Coût fixe d’approvisionnement à l’étage i
— ci = Coût variable d’approvisionnement à l’étage i
L’objectif sera à nouveau de trouver une politique d’approvisionnement qui minimise les
coûts moyens à horizon infini, sans ruptures de stock. Sans perte de généralité, on supposera
que les délais d’approvisionnement et les coûts variables sont nuls (Lij = Li = 0 et cj = 0).
Nous allons introduire quelques notations supplémentaires :
— P reIm(j) = ensemble des prédécesseurs immédiats de j
— P re(j) = ensemble des prédécesseurs de j (immédiats ou non)
— SucIm(i) = ensemble des successeurs immédiats de i
— Suc(i) = ensemble des successeurs de i (immédiats ou non)
On peut aussi étendre les notions d’échelon, de stock échelon, de coûts échelon. L’échelon j
comprend l’ensemble des successeurs immédiats ou non de j (figure 3.10) de :
— SPie (t) = SPi (t) + j∈Suc(i) SPj (t)
P
— hej = hj − i∈P reIm(j) hi (t)

P
— λei = λi + j∈Suc(i) λj
P
Illustrons les notations sur l’exemple de la figure 3.11 :
1 4
2 5
Figure 3.11 – Exemple pour les notations
λe1 = λ1 + λ3 + λ4 + λ5 , λe2 = λ2 + λ5
λe3 = λ3 + λ4 + λ5 , λe4 = λ4 , λe5 = λ5
he1 = h1 , he2 = h2 , he3 = h3 − h1 , he4 = h4 − h3 , he5 = h5 − h3 − h2
SP1e (t) = SP1 (t) + SP3 (t) + SP4 (t) + SP5 (t), SP2e (t) = SP2 (t) + SP5 (t)
SP3e (t) = SP3 (t) + SP4 (t) + SP5 (t), SP4e (t) = SP4 (t), SP5e (t) = SP5 (t)
3.3.2 Caractéristiques de la politique optimale

Toute l’approche développée pour un système série s’applique pour un système d’as-
semblage. En effet, on peut montrer que la politique optimale est imbriquée, stationnaire
et ZIO (une commande à l’étage j déclenche automatiquement une commande à tous les
étages en aval de j).
Pour un système de distribution, la politique optimale n’est pas nécessairement im-
briquée. Considérons le système de distribution le plus simple possible (figure 3.12).
Figure 3.12 – Système de distribution le plus simple

3.3. SYSTÈME EN ARBRE 37
Supposons que les coût fixes aux étages 1 et 2, k1 et k2 , sont beaucoup plus petits que le
coût fixe à l’étage 3, k3 . On commandera alors beaucoup moins souvent à l’étage 3 qu’aux
étages 1 et 2. La politique optimale n’est donc pas imbriquée. Néanmoins, on peut s’inspirer
de l’approche adoptée pour un système série et obtenir des algorithmes avec des garanties
de performance comparables (Zipkin, 2000).
3.3.3 Politique imbriquée

Restreignons nous à des politiques à intervalles stationnaires, imbriquée et ZIO et cher-
chons à déterminer la meilleure politique de ce type. Pour un système d’assemblage, cela
n’est pas une restriction dans la mesure où la politique optimale est de ce type.
Soit (u1 , · · · , uJ ) le vecteur des périodes. A chaque fois que l’étage i commande, tous les
successeurs immédiats de i commandent :
∀(i, j) ∈ E, ∃aij ∈ IN∗ , ui = aij uj
A nouveau le stock de l’étage j évolue comme dans le modèle de Wilson avec un taux
λj . La relation suivant est toujours valable :
X X
hj SPj (t) = hej SPje (t)
j j
Le coût moyen est alors : !

X kj hej λj
C(u) = + uj
j uj 2
Rechercher la meilleur politique imbriquée revient à résoudre le problème suivant :
C ∗ = min C(u)
s.c. ui = aij uj , ∀(i, j) ∈ E
aij ∈ N ∗ , ∀(i, j) ∈ E
uj ≥ 0, ∀j ∈ V
Ce problème d’optimisation non-linéaire et mixte est difficile à résoudre directement. Nous

allons relâcher la contrainte ui = aij uj :
C − = min C(u)
s.c. ui ≥ uj , ∀(i, j) ∈ E
uj ≥ 0, ∀j ∈ V
A partir de la solution u− du problème relâché, on peut construire une solution en puissance

de deux, u+ , de coût C + garantie à 6% de C ∗ . La démonstration est similaire à celle effectuée
pour un système série.
Chapitre 4
Demande déterministe et variable

dans le temps
Dans les modèles de type Wilson (chapitre 1), nous avons considéré un modèle station-
naire où les paramètres sont indépendants du temps, en particulier le taux de la demande.
Un problème plus réaliste consiste à considérer que la demande varie dans le temps. Une
première approche consiste à supposer que le taux de la demande λ(t) dépend de l’instant
t considéré. Ainsi, la demande pendant dt vaut λ(t)dt. Si on note x(t) le stock à l’instant t,
nous avons x(t + dt) = x(t) − λ(t)dt entre deux commandes, puis :
x0 (t) = −λ(t). (4.1)
Entre deux instants de commande s1 et s2 , le stock évolue comme suit

Z t
x(t) = x(s1 ) − λ(u)du, t ∈ [s1 , s2 [
s
Afin de caractériser la politique optimale, il faut décider des instants de commande et des
quantités de commande à ces instants. Ce problème d’optimisation est complexe, sauf pour
des fonctions de demande simples (linéaire ou exponentielle par exemple). Par ailleurs, dés
que l’on va considérer des hypothèses supplémentaires (périssabilité, ...), l’équation (4.1) ne
va pas avoir de solution analytique simple.
Une autre approche consiste à discrétiser le temps et les instants de décision. Dans la
suite de ce chapitre, nous adopterons cette modélisation où les décisions de réapprovisionnement
ne peuvent intervenir qu’à des instants prédéfinis. Dans la pratique, cette modélisation
s’adapte bien à des situations où les commandes ne peuvent être passées qu’une fois par
jour, par semaine ou par mois.
4.1 Sans rupture de stock

On considère le modèle DEL (Dynamic Economic Lotsize) :
— T = horizon de temps
— t = instant de décision t = 0, 1, · · · , T − 1
— dt = demande à l’instant t. On notera D[s,t] = ti=s di , la demande cumulée de s à
P
t.
— L = délai d’approvisionnement
39
40 CHAPITRE 4. DEMANDE DÉTERMINISTE ET VARIABLE DANS LE TEMPS
— kt = coût fixe d’approvisionnement à l’instant t

— ct = coût linéaire d’approvisionnement à l’instant t
— ht = coût de possession à l’instant t
— x0 = x stock en début de période t = 0
L’objectif est de déterminer une politique qui satisfait toutes les demandes et qui minimise
les coûts sur l’horizon [0, T ]. Ce problème a été résolu pour la première fois par Wagner and
Whitin (1958).
Les demandes étant déterministes, on peut supposer que le délai L est nul, sans perte
de généralité. En effet, lorsque L > 0, il suffit d’avancer les commandes de L.
Quelques notations :
— xt = stock en début de période t
— qt = quantité commandée en début de période t
Une politique de réapprovisionnement est caractérisée par les quantités commandées à
chaque instant : (q0 , q1 , · · · , qT −1 ).
La séquence exacte des événements est la suivante :
— A l’instant t, on observe le stock disponible xt et on encourt un coût de possession
ht xt
— Une commande qt est passée et arrive immédiatement, induisant un coût ct qt +
kt 1l{qt >0} )
— La demande dt se produit et est satisfaite avec le stock xt + qt .
La dynamique du système est alors :
xt+1 = xt + qt − dt
Une représentation possible de la dynamique est donnée sur la figure 4.1.
q0 qt qT-1
x0 x1 xt xt+1 xT-1 xT
0 … t … T-1 T
d0 dt dT-1
Figure 4.1 – Dynamique du système
Dans le cadre de ce cours, nous en resterons à la modélisation du problème. Pour plus

de détails sur sa résolution, nous référons le lecteur au cours de ”Recherche opérationnelle
et planification” (semestre 3 de la filière ICL) ou encore à l’ouvrage de Zipkin (2000).
On peut formuler ce problème d’optimisation comme suit :
T
X −1

min ht xt + ct qt + kt 1l{qt >0} + hT xT
t=0
s.c. x0 = x (4.2)
xt+1 = xt + qt − dt pour t = 0, · · · , T − 1 (4.3)
xt ≥ 0 pour t = 1, · · · , T
qt ≥ 0 pour t = 1, · · · , T − 1
La quantité 1l{qt >0} n’est pas linéaire en qt . On peut la linéariser en introduisant la variable
binaire zt (= 1 si on commande à t, 0 sinon). Notre obtenons alors un programme linéaire
en nombres entiers (PLNE).
T
X −1
min (ht xt + ct qt + kt zt ) + hT xT
t=0
s.c. x0 = x
xt+1 = xt + qt − dt pour t = 0, · · · , T − 1 (4.4)
Mt zt ≥ qt pour t = 0, · · · , T − 1
xt ≥ 0 pour t = 1, · · · , T
qt ≥ 0 pour t = 0, · · · , T − 1
zt ∈ {0, 1} pour t = 0, · · · , T − 1
Les paramètres Mt doivent être choisis suffisamment grands. La quantité optimale com-
mandée à t étant nécessairement inférieure à la demande cumulée de 0 à T , on peut prendre
Mt = D[t,T [ . La résolution de ce PLNE peut être longue si le nombre de variables devient
important (ici, si T est grand).
Une autre approche consiste à formuler le problème sous la forme d’un plus court che-
min dans un graphe orienté. Notons tout d’abord que la politique optimale est ZIO (Zero
Inventory Ordering). Pour toute politique ZIO, nous avons qt = 0 si xt > 0 (on ne com-
mande que si le stock est nul). Considérons deux instants de commandes consécutifs s et t
d’une politique ZIO. La quantité commandée à s doit couvrir exactement la demande sur
l’intervalle [s, t[ (l’exclusion de t de l’intervalle vient de la séquence des événements) :
t−1
X
qs = di
i=s
Ainsi, il nous suffit de connaı̂tre les instants de commande pour caractériser entièrement
une politique ZIO. On peut donc représenter une politique ZIO comme étant un chemin
dans un graphe dont les sommets sont les instants t = 0, · · · , T .
0 1 2 3 4 5 6 7 8
Figure 4.2 – Pour un horizon T = 8, ce chemin dans le graphe représente une politique où
l’on commande aux instants t = 0, 2, 5, 6.
Un arc relie le sommet t à t0 , pour tout t < t0 . Le poids d’un arc (t, t0 ), noté k[t, t0 [,
correspond au coût induit par une commande passée à t afin de couvrir la demande cumulée
sur l’intervalle [t, t0 [, notée D[t, t0 [. Nous avons :
t 0
X
0 0
k[t, t [= k(t) + c(t)D[t, t [+ h(s)D[s, t0 [
s=t+1
Le problème revient alors à trouver un plus court chemin du sommet 0 au sommet T . On

peut par exemple utiliser l’algorithme de Dijkstra qui calcule en O(|V |2 ) le plus court chemin
dans un graphe G = (V, E) où V désigne l’ensemble des sommets du graphe, E l’ensemble
des arcs et |V | la cardinalité de V . Pour le problème qui nous intéresse, le nombre de
sommets du graphe est T et nous avons donc un algorithme en O(T 2 ).
Signalons enfin quelques heuristiques pour le problème DEL :
1 PT
— Utiliser la formule de Wilson avec la demande moyenne D = i=1 di . Commander
T
v
u
u 2k
tous les TEOQ = t (en arrondissant à l’entier le plus proche strictement positif).
hD
La quantité commandée est choisie de manière à satisfaire exactement la demande
sur la période.
— Minimiser le coût moyen localement. Si on commande à t = 0 de manière à couvrir la
demande sur [0, u[, le coût encouru moyen est k[0, u[/u. On va chercher à minimiser
localement cette quantité.
Ces heuristiques peuvent cependant se réveler très mauvaises dans certaines situations.
4.2 Variantes et extensions
De nombreuses variantes et extensions du problème précédent ont été considérées dans

la littérature. Nous en présentons ici trois.
Ventes différées
Supposons désormais que les demandes peuvent être mises en attente et que le coût
d’attente unitaire à la période t est bt . La formulation est proche de celle de (4.4). Il suffit
d’enlever la contrainte xt ≥ 0 et de rajouter les coûts d’attente :
T
X −1
− −
ht x + +

min t + bt xt + ct qt + kt zt + hT xT + bT xT
t=0
s.c. x0 = x
xt+1 = xt + qt − dt pour t = 0, · · · , T − 1
M zt ≥ qt pour t = 0, · · · , T − 1
qt ≥ 0 pour t = 0, · · · , T − 1
zt ∈ {0, 1} pour t = 0, · · · , T − 1
Ce problème peut aussi être modélisé comme un plus court chemin dans un graphe (Zipkin,
2000) mais c’est un peu plus compliqué.
Ventes perdues
On suppose qu’une demande non satisfaite instantanément est définitivement perdue,

avec une pénalité bt par unité de demande non satisfaite.
4.2. VARIANTES ET EXTENSIONS 43
T
X −1
ht xt + bt [dt − (xt + qt )]+ + ct qt + kt zt + hT xT

min
t=0
s.c. x0 = x (4.5)
xt+1 = (xt + qt − dt )+ pour t = 0, · · · , T − 1
xt ≥ 0 pour t = 1, · · · , T (Contrainte inutile)
M zt ≥ qt pour t = 0, · · · , T − 1
qt ≥ 0 pour t = 0, · · · , T − 1
zt ∈ {0, 1} pour t = 0, · · · , T − 1
Si la pénalité bt est indépendante du nombre de ruptures mais est appliquée à chaque

fois qu’il y a rupture, il suffit de remplacer dans la fonction objectif bt [dt − (xt + qt )]+ par
bt 1l{dt >xt +qt } .
Coûts actualisés
Notons α le taux d’intérêt par période et posons γ = 1/(1 + α). Ainsi, 1 euro investi à
l’instant initial rapporte (1 + α)t euros à l’instant t. Réciproquement, un coût de 1 euro à
l’instant t correspond à un coût actualisé à l’instant t = 0 de 1/(1 + α)t . La fonction objectif
devient alors :
T
X −1
γ t ht x+ T

t + ct qt + kt 1l{qt >0} + γ hT XT
t=0
En posant h0t = γ t ht , c0t = γ t ct , kt0 = γ t kt , on se ramène au problème (4.4).
Système série
Considérons une extension du modèle DEL à un système série à J étages (figure 4.3).
Les caractéristiques à l’étage j et à l’instant t sont les suivantes :
— djt = : demande à l’instant t
— ktj = coût fixe d’approvisionnement
— cjt = coût linéaire d’approvisionnement
— hjt = coût de possession
— xj = stock initial
1 2 … J
Figure 4.3 – Système série
Soit qtj la quantité commandée en période t à l’étage j et ztj une variable binaire valant
1 si on commande en période t à l’étage j et 0 sinon. On supposera que qtJ+1 = 0 pour
simplifier l’écriture du PLNE :
J
"T −1 #
X
hjt xjt + cjt qtj + ktj ztj + hjT xjT
X
min
j=1 t=0
s.c. xj0 = xj
xjt+1 = xjt + qtj − djt − qtj+1 pour t = 0, · · · , T − 1, ∀j
xjt ≥ 0 pour t = 1, · · · , T, ∀j
M ztj ≥ qtj pour t = 0, · · · , T − 1, ∀j
qtj ≥ 0 pour t = 0, · · · , T − 1, ∀j
ztj ∈ {0, 1} pour t = 0, · · · , T − 1, ∀j
Exercice 4. On considère un système général avec un ensemble de stocks I. Chaque stock

i a un ensemble de successeurs suc(i) ⊂ I. Les autres hypothèses sont les mêmes que pour
le système série. Rédiger le PLNE.
Chapitre 5
Demande aléatoire - Modèle du

vendeur de journaux
Nous allons examiner dans ce chapitre le problème dit du ”vendeur de journaux” (news-
boy problem ou encore newsvendor problem en anglais). L’idée générale est la suivante.
Un vendeur de journaux commande la veille pour le lendemain matin un certain nombre
de journaux. La demande journalière est aléatoire et le vendeur ne sait donc pas combien
de journaux il peut espérer vendre. Néanmoins, au vu de l’historique des ventes passées, il
connaı̂t la distribution de cette demande.
Si il lui reste des journaux en fin de journée, il doit les jeter et a un coût d’invendu
proportionnel au nombre de journaux jeté. Si il ne commande pas assez de journaux, il perd
des ventes et a donc un manque à gagner, proportionnel aux nombres de ventes perdues.
Le problème est de déterminer la quantité à commander afin de minimiser l’espérance des
coûts.
Ce problème de gestion de stock ne se pose bien évidemment pas qu’aux vendeurs de
journaux mais à toute personne ou entreprise cherchant à gérer un stock périssable, sans
réapprovisionnement possible. Dans un chapitre ultérieur, nous verrons le cas où plusieurs
approvisionnements sont possibles.
Exercice 5. Un boulanger se pose la question suivante : combien de baguettes fabriquer

en début de journée ? On suppose que le prix de la baguette est de 1 euro, que le coût
de fabrication est de 0.2 euros et que la demande est distribuée suivant une loi normale
d’espérance 100 et d’écart-type 5 (X ∼ N (100, 5)). Quelle est le nombre optimal de baguettes
à fabriquer chaque jour ?
Vous pourrez répondre à cette question après avoir lu la section 5.2.
5.1 Hypothèses
Les principales hypothèses sont les suivantes :
— Une période
— q = Stock en début de période (variable de décision)
— X = Variable aléatoire (v.a.) représentant la demande au cours de la période.
— b = Coût unitaire de rupture de stock (b > 0)
— h = Coût unitaire d’invendu (h > 0)
45
46CHAPITRE 5. DEMANDE ALÉATOIRE - MODÈLE DU VENDEUR DE JOURNAUX
L’objectif est de déterminer la quantité à commander qui minimise l’espérance des coûts.
On notera q ∗ la quantité optimale.
On distinguera les cas où la demande est discrète et continue :
— Si X est une v.a. continue, elle sera caractérisée par par sa fonction de répartition
FX (x) = P (X ≤ x) ou par sa densité fX (x) = F 0 (x), si elle existe.
— Si X est une v.a. discrète, elle sera caractérisée par sa fonction de répartition FX (x) =
P (X ≤ x) ou par ses probabilités p(x) = P (X = x).
Vous trouverez quelques rappels de probabilité en annexe A.
Notons C(q, X) le coût total si la quantité commandée est q et la demande est X. Nous
avons (
+ + h(q − X), si X ≤ q
C(q, X) = h(q − X) + b(X − q) =
| {z } | {z } b(X − q), si X ≥ q
Coût d’invendu Coût de rupture
avec x+= max[0, x].

En utilisant la propriété x+ = x + (−x)+ , on peut ré-écrire la fonction de coût comme
suit :
C(q, X) = h(q − X) + (h + b)(X − q)+
Notons maintenant C(q) l’espérance du coût total lorsque la quantité commandée est q.
Nous avons :
C(q) = E[C(q, X)]
= hE[(q − X)+ ] + bE[(X − q)+ ]
= h(q − E(X)) + (h + b)E(X − q)+ (5.1)
On peut tout de suite remarquer que l’espérance des coûts d’invendu, Ch (q), est crois-
sante et convexe en q. En effet, la fonction (q − x)+ est croissante et convexe en q et
l’espérance préserve ces deux propriétés. De même l’espérance des coûts de rupture, Cb (q),
est décroissante et convexe en q car la fonction (x − q)+ est décroissante et convexe en q.
On en conclut que la fonction C(q) est convexe en q.
5.2 Demande continue

On suppose dans cette partie que la demande X est continue de densité fX et de fonction
de répartition FX . Nous avons alors
C(q) = h(q − E(X)) + (h + b)E(X − q)+

Z ∞
= h(q − E(X)) + (h + b) (x − q)+ fX (x)dx
Z−∞
∞
= h(q − E(X)) + (h + b) (x − q)fX (x)dx.
q
L’intégrale ci-dessus est convergentes si E(X) < ∞, ce qui semble une hypothèse rai-
sonnable !
Théorème 5.1. q minimise l’espérance des coûts C(q) si et seulement si
b
FX (q) =
h+b
5.3. DEMANDE DISCRÈTE 47
Démonstration. Afin de trouver la quantité qui minimise l’espérance du coût, nous allons
dériver C(q) à l’aide de la formule de Leibniz a :
Z ∞
C 0 (q) = h − (h + b) fX (x)dx
q
= h − (h + b)(1 − FX (q))
= (h + b)FX (q) − b
De plus, la dérivée seconde est positive :
C 00 (q) = (h + b)F 0 (q) = (h + b)fX (q) ≥ 0
La fonction C(q) est donc convexe et est minimale si et seulement si :
b
C 0 (q) = 0 ⇔ FX (q) =
h+b
On aurait pu dériver C(q) sans avoir recours à la formule de Leibniz, en faisant apparaı̂tre
de simples primitives :
Z ∞ Z ∞
C(q) = h(q − E(X)) + (h + b) xfX (x)dx − q fX (x)dx
q q
Z ∞
0
C (q) = h + (h + b) −qfX (q)dx − fX (x)dx + qfX (q)
q
= hFX (q) − b(1 − FX (q))
Si la fonction de répartition FX est connue, il est facile de calculer par dichotomie la

quantité optimale en utilisant le fait que FX est croissante. Remarquons que la quantité
optimale n’est pas forcément unique car FX peut être constante sur un intervalle.
Si les coûts b et h sont égaux, nous avons alors FX (q ∗ ) = 1/2 et il est optimal de
commander la médiane de la demande. Si b < h, on commande moins que la médiane
tandis que si b > h, on commande plus que la médiane.
5.3 Demande discrète

Désormais on suppose que la demande X est une variable aléatoire discrète et on
note p(x) = P (X = x). On supposera que les quantités commandées sont aussi entières.
L’espérance du coût est alors :
q
X ∞
X
C(q) = h (q − x)p(x) + b (x − q)p(x)
0 q
a.
∂
Z a2 (y) Z a2 (y) ∂h(x, y)
h(x, y)dx = dx + h(a2 (y), y)a02 (y) − h(a1 (y), y)a01 (y)
∂y a1 (y) a1 (y) ∂y
Théorème 5.2. La quantité suivante est optimale :

" #
∗ b
q = min q ∈ IN|FX (q) ≥
b+h
Démonstration. Soit ∆C(q) = C(q+1)−C(q). Afin de trouver le minimum de cette fonction,

nous allons d’abord montrer que ∆C(q) est croissant en q (équivalent de la convexité pour
une fonction discrète).
" q+1  
q ∞ ∞
#
X X X X
∆C(q) = h (q + 1 − x)p(x) − (q − x)p(x) + b  (x − q − 1)p(x) − (x − q)p(x)
0 0 q+1 q
q
X ∞
X
=h p(x) − b p(x)
0 q+1
= hFX (q) − b(1 − FX (q))

= (h + b)FX (q) − b
La fonction de répartition FX (q) étant croissante en q, ∆C(q) l’est aussi et nous pouvons
conclure que C(q) est convexe.
La croissance de ∆C(q) implique que le minimum de C(q) est atteint en :
q ∗ = min[q ∈ IN|∆C(q) ≥ 0] = min[q ∈ IN|(h + b)FX (q) − b ≥ 0]
On notera que q ∗ < ∞ car limq→∞ ∆C(q) = h > 0.
Exercice 6. Distribution de la demande : p(0) = p(2) = p(3) = 0.2, p(1) = 0.4. Coûts
unitaires : b = 3, h = 1. Calculer la quantité optimale et le coût optimal.
Exercice 7. Si X suit une distribution géométrique, c.a.d. P (X = k) = pk (1 − p) pour

k ≥ 0. Montrer que la quantité suivante est optimale :
 !
 h 
ln
 
∗
 
q =  h+b  .
ln p
5.4 Taux de service

Nous allons maintenant définir deux taux de service différents.
Taux de service en temps Quel pourcentage du temps suis-je capable de satisfaire toute
la demande ?
Taux de service en quantité Quel pourcentage des pièces demandées suis-je capable de
fournir immédiatement ?
Nous utiliserons les notations suivantes :
— α(q) = Taux de service en temps si la quantité commandée est q
— β(q) = Taux de service en quantité si la quantité commandée est q
Illustrons ces notions à partir de l’exemple du tableau 5.1.
5.4. TAUX DE SERVICE 49
Lundi Mardi Mercredi Jeudi Vendredi Total

Demande x 6 12 14 9 10 51
Ruptures = (x − q)+ 0 2 4 0 0 6
Invendus = (q − x)+ 4 0 0 1 0 5
Demande satisfaite = min(x, q) 6 10 10 9 10 45
Table 5.1 – Exemple 1 : Ruptures, invendus et demande satisfaite pour une quantité
commandée q = 10
Nous pouvons estimer α(q) et β(q) à partir de cet échantillon : α̂(q) = 3/5 = 60% et β̂(q) =
45/51 = 88.2%. Le chapeauˆ indique que ces quantités sont des estimations empiriques des
probabilités. Sur cet exemple, le taux de service en quantité est meilleur que le taux de
service en temps.
Prenons maintenant un exemple (tableau 5.2) où le taux de service en temps est meilleur
que le taux de service en quantité. Sur cet exemple, nous avons α̂(q) = 4/5 = 80% et
β̂(q) == 5/104 = 4.8%.
Lundi Mardi Mercredi Jeudi Vendredi

Demande x 100 1 1 1 1 104
Ruptures = (x − q)+ 99 0 0 0 0 99
Invendus = (q − x)+ 0 0 0 1 0 0
Demande satisfaite = min(x, q) 1 1 1 1 1 5
Table 5.2 – Exemple : Ruptures, invendus et demande satisfaite pour une quantité com-
mandée q = 1
Taux de service en temps

De manière générale, on peut facilement calculer le taux de service en temps si l’on
connaı̂t la distribution de la demande.
α(q) = P (X ≤ q) = FX (q)
A l’optimal, nous avons

b
— α∗ = pour une demande continue,
h+b
b
— α∗ ≥ pour une demande discrète.
h+b
Taux de service en quantité

Le deuxième taux de service est moins immédiat à calculer. On notera Y = min(X, q)
la quantité vendue (= demande satisfaite).
Soit X1 , · · · , Xn un échantillon de demandes indépendantes, de même distribution que

X. Soit Yi la quantité vendue demande satisfaite) correspondant à la demande Xi : Yi =
min(Xi , q).
Sur cet échantillon, la proportion de demandes satisfaites vaut
1 Pn
Pn i=1 Yi
i=1 Yi n E(Y )
Pn = −→
n→∞
i=1 Xi 1 Pn E(X)
i=1 Xi
n
Cette dernière limite n’est rien d’autre qu’une application de la loi des grands nombres.
Nous avons donc un taux de service en quantité qui vaut
E(Y )
β(q) = .
E(X)
Regardons maintenant comment calculer E(Y ) lorsque la demande X est discrète. Pour
ce faire, commençons par déterminer la distribution de Y :
(
P (X = y), si x < q
P (Y = y) =
P (X ≥ q) si X = q
Il vient alors
q
X q−1
X
E(Y ) = yP (Y = y) = yP (X = y) + qP (X ≥ q)
y=0 y=0
Lorsque la demande X est une variable aléatoire continue, la quantité vendue Y est une
variable aléatoire mixte (voir annexe A). En effet, Y prend la valeur q avec une probabilité
non nulle : P (Y = q) = P (X ≥ q) = 1 − FX (q). Nous avons alors
Z q
E(Y ) = xfX (x)dx + qP (Y = q)
0
Z q
= xfX (x)dx + qP (X ≥ q)
0
5.5 Stock de sécurité

On appellera stock de sécurité ce qui est commandé en plus de l’espérance de la demande.
On notera ν le stock de sécurité.
ν = q − E(X)
Le stock de sécurité peut être négatif si on commande moins que l’espérance de la demande.
Exercice 8. Supposons que la médiane de X est égale à l’espérance de X. Lorsque l’on

commande la quantité optimale, montrer que le stock de sécurité est positif (respectivement
négatif ) si b ≥ h (respectivement b ≤ h).
5.6. LOI NORMALE 51
5.6 Loi normale

Supposons dans cette partie que X suit une loi normale N (µ, σ) d’espérance µ et d’écart-
type σ. Il est à noter que X peut prendre des valeurs négatives, ce qui peut correspondre à
des retours de produits. Si l’écart-type est faible, la probabilité d’avoir des valeurs négatives
sera faible aussi. Si σ/µ = 0.1, alors P (X < 0) = 7.6.10−24 . Si σ/µ = 1, alors P (X < 0) =
0.159.
X −µ
Soit Z = la variable aléatoire suivant une loi normale centrée réduite N (0, 1), de
σ
densité φ. Pour mémoire, nous avons pour x ∈ IR
1 x2
φ(x) = √ exp(− ).
2π 2
b
Notons α = . D’après le théorème du vendeur de journaux (version continue), la
h+b
quantité optimale satisfait P (X ≤ q) = α. En notant zα la quantité telle que P (Z ≤ zα ) = α,
il vient
q ∗ = µ + σzα .
D’après (5.1), le coût C(q) s’écrit
C(q) = h(q − µ) + (h + b)E(X − q)+

= hzσ + (h + b)σE(Z − z)+ .
Nous remarquons au passage que C(q) augmente linéairement avec l’écart-type σ. Nous
avons par ailleurs
Z ∞
+
E(Z − zα ) = (x − zα )φ(x)dx
zα
∞ x2
Z ∞
x
Z
= √ exp(− )dx − zα φ(x)dx
zα 2π 2 x=zα
" #+∞
1 x2
= −√ exp(− ) − zα P (Z ≥ zα )
2π 2
zα
= φ(zα ) − zα (1 − α)
h
= φ(zα ) − zα
h+b
Le coût optimal se simplifie alors en C(q ∗ ) = (h + b)σφ(zα ).

Théorème 5.3. Soit une demande suivant une loi normale N (µ, σ), nous avons
q ∗ = µ + σzα (quantité optimale)

∗
C = (h + b)σφ(zα ) (coût optimal)
∗
ν = σzα (stock de sécurité à l’optimal)
σ
β ∗ = 1 − [φ(zα ) − zα (1 − α)] (taux de service en qté à l’optimal)
µ
Ainsi, l’écart-type a une influence linéaire sur le stock de sécurité et le coût optimal. Plus
la demande est variable, plus le coût optimal est élevé. Si l’écart-type est nul, le coût optimal
ainsi que le stock de sécurité sont nuls car la demande est égale à µ avec une probabilité 1
et il est optimal de commander exactement µ (cela revient à un problème déterministe). La
médiane étant égale à l’espérance pour une loi normale, nous avons par ailleurs un stock de
sécurité ν ∗ positif si b ≥ h, négatif si b ≤ h et nul si b = h.
Pourquoi la loi normale est-elle si importante ?

La loi normale est très importante car la demande peut souvent être approchée par
une loi normale. En effet, supposons que la demande X soit la somme des demandes
indépendantes de n clients (ce qui est le cas en pratique !) :
n
X
X= Ai
i=1
où Ai est la demande du client i, de distribution quelconque (discrète ou continue). On

notera l’espérance et l’écart-type de Ai comme suit :
E(Ai ) = µi , σ(Ai ) = σi
Nous avons alors : v

n
X
u n
uX
E(X) = µi , σ(X) = t σ2 i
i=1 i=1
Une version généralisée du théorème centrale limite nous dit que si les demandes A1 , · · · , An
sont indépendantes et que n est suffisamment grand P (enq généraln > 20), alors on peut appro-
P 2
cher la distribution de X par la loi normale N µi , σi . Ainsi, dans de nombreuses
applications, la loi normale apparaı̂t tout naturellement.
Mutualisation des stocks

On considère un système avec n entrepôts de stockage indexés par i = 1, . . . , n. A chaque
entrepôt, le coût d’invendu est h et le coût de rupture est p. L’entrepôt i voit une demande
Xi distribuée suivant une loi normale de moyenne µi et d’écart-type σi > 0. On notera par
σij
ailleurs σij la covariance entre Xi et Xj et ρij = le coefficient de corrélation entre Xi
σi σj
et Xj . On notera enfin la demande totale T = ni=1 Xi .
P
Considérons les deux situations extrêmes suivantes :

— Un système décentralisé où un stock séparé est géré pour chaque type de demande
— Un système centralisé où toutes les demandes sont satisfaites par un entrepôt central
1 X1 X1
…
1
n Xn Xn
Figure 5.1 – Système décentralisé versus système centralisé

5.6. LOI NORMALE 53
Demandes quelconques Le coût optimal du système décentralisé correspond à la somme

des coûts des n entrepôts. En posant K = (h + b)φ(zα ), il vient d’après le théorème 5.3 :
n
X
∗
Cdécentralisé =K σi
i=1
Pour le système centralisé, en notant σ(X) l’écart-type d’une variable aléatoire X, nous
avons
n
!
X
∗
Ccentralisé = Kσ Xi
i=1
Lemme 5.1. L’écart-type de la somme est inférieur ou égal à la somme des écart-types :
n n n
!
X X X
σ Xi ≤ σ(Xi ) = σi .
i=1 i=1 i=1
Il y a égalité si ρij = 1 pour tout (i, j).
Démonstration. En utilisant le fait que ρij ∈ [−1, 1] et σi > 0,il vient :
n n X
n n
!
X X X X
V ar Xi = σij = σi2 + 2 σij
i=1 i=1 j=1 i=1 1≤i<j≤n
Xn X
= σi2 + 2 ρij σi σj
i=1 1≤i<j≤n
n n
!2
X X X
≤ σi2 +2 σi σj = σi
i=1 1≤i<j≤n i=1
Il y a égalité entre si et seulement si ρij = 1 pour tout (i, j).
Le lemme implique immédiatement qu’un système centralisé est plus économique qu’un
système décentralisé :
∗ ∗
Ccentralisé ≤ Cdécentralisé .
Le système centralisé est plus économique car les aléas entre les différentes demandes
peuvent se compenser, réduisant la variabilité de la demande.
Il y aura égalité des coûts si et seulement si il y a une corrélation linéaire parfaite (et
croissante) entre les Xj , c’est-à-dire si ρij = 1 pour tout (i, j). Par exemple, si X3 = X2 =
2X1 + 3, les v.a. X1 , X2 et X3 ont un coefficient de corrélation de 1. Dans ce cas, une grande
demande X1 entrainera une grande demande X2 et X3 et les aléas des différentes v.a. ne se
compensent pas.
La variance de la demande totale peut s’exprimer en fonction des écart-types et des
coefficients de corrélation
n n X
n
!
X X
V ar Xi = σij
i=1 i=1 j=1
Xn X
= σi2 + 2 σij
i=1 1≤i<j≤n
Xn X
= σi2 + 2 ρij σi σj
i=1 1≤i<j≤n
Demandes i.i.d. Considérons maintenant des demandes i.i.d. de moyenne µ et d’écart-

type σ. Les covariances et coefficients de corrélation sont nulles dans le cas de demandes
indépendantes.
Les coûts se réduisent à
∗
Cdécentralisé = nσK
√ ∗
Cdécentralisé
∗
Ccentralisé = nσK = √
n
5.7 Maximisation du profit

On considère un vendeur devant acheter q produits en début de saison et ne pouvant
pas réapprovisionner son stock en cours de saison (par exemple des articles de mode). Si il
lui reste des produits en fin de saison, il pourra tous les écouler au moment des soldes en
proposant un prix soldé au client. Les paramètres du modèle sont les suivants :
— X : demande aléatoire continue (fonction de répartition F , densité f )
— r : prix de vente normal
— s : prix de vente en solde
— w : coût d’achat unitaire
— p : pénalité par unité de demande non satisfaite (pendant la saison)
— v : coût unitaire en magasin (mise en rayon, etc.)
L’objectif est de déterminer la quantité qui maximise le profit du vendeur.
Nous allons montrer comment ramener ce problème à un problème de vendeur de jour-
naux classique où les paramètres du modèle sont :
b = p + r − w − v, h = w0 − s
Notons G(q, X) le profit associé à une quantité q et à une demande X et G(q) = E[G(q, X)].
Par ailleurs notons w0 = w + v, le coût associé à l’achat d’une unité. La quantité q peut se
décomposer comme suit :
q= min(X, q) + (q − X)+
| {z } | {z }
quantité vendue au prix fort quantité vendue au prix soldé
Nous allons utiliser la propriété suivante :
min(q, X) = X − (X − q)+
5.8. VARIANTES 55
Nous avons alors
G(q, X) = (r − w0 ) min(X, q) + (s − w0 )(q − X)+ − p(X − q)+

| {z }
Pénalités pour les ruptures
= (r − w )X − [(w − s)(q − X) + (p + r − w0 )(X − q)+ ]

0 0 +
| {z } | {z }
h b
puis
G(q) = (r − w0 )E(X) − [hE(q − X)+ + bE(X − q)+ ]
| {z }
=C(q)
Maximiser G(q) revient à minimiser C(q) qui est précisément la fonction de coût du vendeur
de journaux. On peut donc utiliser les thèorèmes 5.2 et 5.3.
5.8 Variantes
Dans le problème du vendeur de journaux, nous avons supposé que le coût de rupture
de stock était proportionnel au nombre de ruptures. Nous proposons une première variante
où le coût de rupture est indépendant du nombre de ruptures. L’estimation des coûts de
rupture pouvant se révéler complexe dans certaines situation, nous proposons des variantes
où l’on se fixe un taux de service.
Coûts Contrainte sur le taux de service

(I) Pénalité fixe b si il y a rupture (III) Probabilité de rupture de
Cycle
de stock au cours de la période stock α(q) ≥ α0
(II) Pénalité proportionnelle au
nombre de demandes non satis- (IV) Proportion de demandes
Quantité
faites (b=coût de rupture uni- non satisfaites β(q) ≥ β0
taire)
Table 5.3 – Différentes modélisations de du taux de service
Les problèmes d’optimisation associés sont les suivants. Pour simplifier, nous discuterons
uniquement le cas où la demande et la quantité commandée sont continues.
(I)
Z q
min C(q) = hE(q − X)+ + bP (X > q) = h (q − x)fX (x)dx + b(1 − FX (q))
q 0
Nous avons en utilisant la formule de dérivation de Leibniz :
C 0 (q) = hFX (q) − bfX (q)
La fonction C(q) n’est pas nécessairement convexe. Il est nécessaire de connaı̂tre plus
précisément la distribution de la demande pour pouvoir résoudre ce problème d’opti-
misation.
(II)
min hE(q − X)+ + bE(X − q)+
q
Comme nous l’avons vu dans le théorème 5.1, la quantité q est optimale si et seulement
si FX (q) = b/(h + b).
(III)
min C(q) = hE(q − X)+

q
s.c. α(q) ≥ α0
Les fonctions C(q) et α(q) sont croissantes en q. Il suffit donc de trouver la quantité
q qui satisfait
α(q) = α0 ⇔ FX (q) = α0
(IV)
min hE(q − X)+

q
s.c. β(q) ≥ β0
Les fonctions C(q) et α(q) sont croissantes en q. A nouveau, il suffit donc de trouver
la quantité q qui satisfait
E(min(q, X))
β(q) = β0 ⇔ = β0
E(X)
Chapitre 6
Demande aléatoire sur plusieurs

périodes
Dans ce chapitre, nous considérons une demande aléatoire sur plusieurs périodes, contrai-
rement au problème du vendeur de journaux qui ne s’intéresse qu’à une période.
6.1 Hypothèses et notations

Les hypothèses seront les suivantes dans ce chapitre :
— T : horizon de temps
— t = instant de décision (t = 0, 1, . . . , T )
— Dt = demande aléatoire à l’instant t.
— L = délai d’approvisionnement fixe. Les demandes étant aléatoires, nous ne pouvons
pas nous ramener simplement au cas L = 0. Nous considérons brièvement le cas où
L est aléatoire.
— Traitement des ruptures de stock : nous discuterons le cas des ventes différées ainsi
que le cas des ventes perdues.
Nous spécifierons ultérieurement la structure des coûts et la fonction objectif.
Quelques notations supplémentaires concernant la demande :
— Da,b = bt=a Dt = Demande cumulée sur les périodes a, a + 1, . . . , b
P
— Da = at=1 Dt = Demande cumulée sur a périodes. Cette notation sera utile pour
P
des demandes D1 , . . . , DT indépendantes et identiquement distribuées (i.i.d.).

— Xt = Stock net à t (stock disponible moins le nombre de demandes en attente)
— Xt+ = max(0, Xt ) = Stock physique à t
— Xt− = max(0, −Xt ) = Demandes en attente à t
— Qt = Quantité commandée à t
— Yt = Stock brut à l’instant t (stock net + commandes en transit)
t−1
X
Yt = Xt + Qi (6.1)
i=t−L
Remarquons que Xt , Yt et Qt sont a priori des variables aléatoires car les demandes sont
aléatoires. En outre, ces variables aléatoires dépendent du stock initial X0 = x0 et de la
57
58 CHAPITRE 6. DEMANDE ALÉATOIRE SUR PLUSIEURS PÉRIODES
politique d’approvisionnement choisie.

La séquence des événements est la suivante :
— En début de période t, le stock net est Xt et les commandes en transit sont Qt−1 , · · · , QT −L .
— On réceptionne Qt−L unités, c’est-à-dire la commande passée L périodes auparavant.
— Immédiatement après, on passe une commande de taille Qt qui arrivera L périodes
après.
— La demande Dt se réalise entre t et t + 1
6.2 Dynamique
6.2.1 Ventes différées
Dans le cas de ventes différées, la séquence des événements implique la relation suivante :
Xt+1 = Xt + Qt−L − Dt (6.2)
Si l’on raisonne en stocks bruts, nous avons :
Yt+1 = Yt + Qt − Dt (6.3)
Démonstration. En utilisant (6.1) et (6.2), il vient :
Yt+1 = Xt+1 + Qt + Qt−1 + · · · + Qt+1−L

= (Xt + Qt−L − Dt ) + Qt + Qt−1 + · · · + Qt+1−L
= (Xt + Qt−1 + · · · + Qt+1−L + Qt−L ) + Qt − Dt
= Yt + Qt − Dt
On peut aussi exprimer le stock net à t + L en fonction du stock brut à t :
Xt+L = Yt − Dt,t+L−1 (6.4)
En effet, toutes les commandes passées avant t (et intégrées dans Yt ) seront arrivées en t+L.
Démonstration. En utilisant (6.1) et (6.3), il vient

t+L−1
X
Xt+L = Yt+L − Qi
i=t
t+L−1
X t+L−1
X
= Yt + (Yi+1 − Yi ) − Qi
i=t i=t
t+L−1
X
= Yt + (Yi+1 − Yi − Qi )
i=t
t+L−1
X
= Yt − Di = Yt − Dt,t+L−1
i=t
6.3. POLITIQUES D’APPROVISIONNEMENT 59
Enfin, (6.3) et (6.4) donnent :
Xt+L+1 = Yt + Qt − Dt,t+L (6.5)
Lorsque les demandes sont i.i.d., on peut légèrement simplifier l’écriture de (6.4) et
(6.5) :
Xt+L = Yt − DL (6.6)
L+1
Xt+L+1 = Yt + Qt − D (6.7)
6.2.2 Ventes perdues

Dans le cas de ventes perdues, la dynamique des stocks nets est légèrement différente :
Xt+1 = max[Xt + Qt−L − Dt , 0] = [Xt + Qt−L − Dt ]+
Malheureusement, il n’y a pas de relation simple entre Yt+1 et Yt comme dans le cas avec
ventes différées :
Yt+1 = Yt + Qt − Dt + [Dt − Xt − Qt−L ]+ (6.8)

| {z }
Ventes perdues à t
En général, le problème avec ventes perdues est plus difficile à étudier sur un plan théorique.
6.3 Politiques d’approvisionnement

Une politique π d’approvisionnement spécifie à chaque instant la quantité à commander.
On peut distinguer deux types de politiques :
— Les politiques statiques : les quantités commandées (q0 , q1 , . . . ) sont décidées à l’ins-
tant t = 0. Ce type de politique est très mal adapté à un environnement aléatoire
car ne s’adapte absolument pas aux événements.
— Les politiques dynamiques : la décision d’approvisionnement à l’instant t est prise en
fonction des informations dont on dispose (niveau de stock, réalisations des demandes
passées, quantités commandées précédemment). Ce type de politique est beaucoup
plus adapté à des demandes aléatoires.
Les définitions des principales politiques données au chapitre 2.1.2 restent valables dans
le contexte de ce chapitre. Avec les notations de ce chapitre, cela donne :
— (r, q) : Qt = q si Yt ≤ r (Qt = 0 sinon)
— (r, S) : Qt = [S − Yt ]+ si Yt ≤ r (Qt = 0 sinon)
— (T, q) : Qt = q si t = 0, T, 2T, . . . (Qt = 0 sinon)
— (T, S) : Qt = [S − Yt ]+ si t = 0, T, 2T, . . . (Qt = 0 sinon)
Nous allons maintenant définir une nouvelle politique qui est adaptée lorsque les coûts
fixes sont faibles. Une politique à stock nominal (S) consiste à viser en permanence le stock
brut S et revient à commander (S − SB(t)) dés que SB(t) < S :
— (S) : Qt = [S − Yt ]+
Lorsque le temps est discrétisé, la politique (S) est équivalente à une politique (T, S)
avec T = 1. Lorsque les demandes sont entières, la politique (S) est aussi équivalente à une
politique (r, S) où l’on prendrait r = S − 1.
Le tableau 6.1 présente quelques avantages et inconvénients des principales politiques.
Avantages Inconvénients
— Nécessité d’un suivi
— Bonne réactivité à permanent des
des variations de la stocks
Gestion à point de demande — Gestion administra-
commande (r) — Coûts fixes peuvent tive complexe
être optimisés — Difficulté à regrou-
per des commandes
— Mal adapté à des

— Gestion administra-
fortes variations de
tive plus facile
la demande
— Possibilité de re-
Gestion calen- — Stock de sécurité
grouper des com-
daire (T ) élevé
mandes auprès d’un
— Coûts fixes élevés si
fournisseur
un seul produit
— Pas de prise
— Bonne réactivité à
en compte des
Quantité variable des variations de la
contraintes de
(S) demande
conditionnement
— Mal adapté à des

fortes variations
— Prise en compte
de la demande
de contraintes de
Quantité fixe (q) car la quantité
conditionnement
commandée est
toujours q
Table 6.1 – Comparaison des politiques

6.4. DISTRIBUTION DE LA DEMANDE CUMULÉE PENDANT UN DÉLAI DE LIVRAISON61
6.4 Distribution de la demande cumulée pendant un délai de

livraison
Supposons que les demandes D1 , D2 , · · · , DT sont i.i.d., de même distribution que D.
La demande cumulée pendant un délai d’approvisionnement a alors la même distribution
que DL = L
P
t=1 Dt .
Délai fixe
Lorsque le délai est fixe, nous avons par linéarité de l’espérance et de la variance :
L
X
E(DL ) = E(Dt ) = L.E(D)
t=1
L
X
V ar(DL ) = V ar(Dt ) = L.V ar(D)
t=1
Si la demande D est distribuée suivant une loi normale N (µ, σ), alors la demande sur
√
un délai de livraison DL est distribuée suivant une loi normale N (Lµ, Lσ).
Délai aléatoire
Supposons désormais que L est une variable aléatoire discrète. Il est à noter que DL
ne suit plus nécessairement une loi normale. On peut néanmoins exprimer simplement
l’espérance et la variance de DL en fonction de celles de D et L.
E(DL ) = E(L)E(D)
V ar(DL ) = E(L)V ar(D) + E(D)2 V ar(L)
Démonstration. Pour simplifier les notations, notons Z = DL . Tout d’abord, calculons

l’espérance conditionnelle de Z sachant L :
L L
!
X X
E(Z|L) = E Dt |L = E(Dt ) = LE(D). (6.9)
t=1 t=1
Il vient alors :
E(Z) = E[E(Z|L)] = E[LE(D)] = E[L]E[D]. (6.10)
Calculons maintenant l’espérance conditionnelle de Z 2 sachant L :


L
!2  
L L L

X X X X
E(Z 2 |L) = E  Dt  = E  Dt2 + Di Dj 
t=1 t=1 i=1 j=1,j6=i
= L.E(D2 ) + L(L − 1)E(D)2 = L[E(D2 ) − E(D)2 ] + L2 E(D)2

= L.V ar(D) + L2 E(D)2 .
Puis :
E(Z 2 ) = E(L)V ar(D) + E(L2 )E(D)2 (6.11)

Enfin, en utilisant (6.10) et (6.11) :
V ar(Z) = E(Z 2 ) − E(Z)2 (6.12)

= E(L)V ar(D) + E(L2 )E(D)2 − E(L)2 E(D)2 (6.13)
2
= E(L)V ar(D) + E(D) V ar(L) (6.14)
6.5 Évaluation des performances d’une politique

Nous allons voir maintenant comment évaluer les performances d’une politique (stock
moyen, probabilité de rupture, coût moyen, ...). On peut distinguer deux approches.
6.5.1 Simulation
La première approche pour évaluer les performances d’une politique est de la simuler
(cf TP simulation).
Notons au passage que simulation et méthodes analytiques constituent des approches
complémentaires (tableau 6.2). Par exemple, le modèle de Wilson ou le modèle du vendeur
de journaux permettent d’obtenir des formules analytiques faciles à interpréter. Néanmoins,
dés que l’on ajoute des hypothèses supplémentaires, obtenir des formules analytiques simples
se révèle en général impossible. La simulation permet alors de prendre le relais.
Simulation Méthodes analytiques

— Approche générique permet-
tant d’aborder des problèmes — Permet de traiter unique-
complexes ment certains problèmes
— Gourmande en temps de cal- — Peu coûteuses en temps de
cul, surtout si on souhaite calcul
une bonne précision — Bonne compréhension du
— Analyse des résultats système
délicate
Table 6.2 – Comparaison de la simulation et des méthodes analytiques
6.5.2 Chaı̂nes de Markov à temps discret

Une autre approche consiste à modéliser l’évolution du système par une chaı̂ne de Mar-
kov à temps discret (CMTD). On peut alors calculer les paramètres de performance d’une
politique de manière exacte, à l’aide de méthodes numériques ou analytiques. De brefs rap-
pels sur les processus stochastiques et les chaı̂nes de Markov sont donnés dans l’annexe
B.
Pour simplifier les notations et nous placer en régime stationnaire, nous supposerons
que :
— Les demandes Dt sont indépendantes d’une période à l’autre et identiquement dis-
tribuées (i.i.d.), de même distribution que D.
— L’horizon de temps T est infini
6.5. ÉVALUATION DES PERFORMANCES D’UNE POLITIQUE 63
Ventes différées
Quelques hypothèses supplémentaires sont nécessaires pour décrire l’évolution du système

par une CMTD :
— Les demandes ainsi que les quantités commandées prennent des valeurs entières
— La décision d’approvisionnement Qt dépend uniquement du stock brut Yt .
Dans le cas de ventes différées, nous avons :
Xt+1 = Xt + Qt−L − Dt
Lorsque L > 0, le processus (Xt ) n’est pas une CMTD car Qt−L dépend de Xt−L .
En revanche, le processus (Yt ) est bien une CMTD. En effet, nous avons
Yt+1 = Yt + Qt − Dt
où Qt dépend uniquement de Yt (par hypothèse). Ainsi, le comportement futur ne dépend

que de l’état actuel :
P (Yt+1 = yt+1 |Yt = yt , Yt−1 = yt−1 , · · · , Y0 = y0 ) = P (Yt+1 = yt+1 |Yt = yt )
Nous noterons pij (t) = P (Yt+1 = j|Yt = i) la probabilité de passer d’un stock brut i
à l’instant t à un stock brut j à l’instant t + 1. Le tableau 6.3 donnent les probabilités de
transition pour quelques politiques classiques.
Politique ( Dynamique Probabilités

( de transition
S − Dt , si Yt ≤ r P (Dt = S − j), si Yt ≤ r
(r, S) Yt+1 = pij (t) =
Yt − Dt , si Yt > r P (Dt = i − j), si Yt > r
(
P (Dt = i − j + q), si Yt ≤ r
(r, q) Yt+1 = Yt − Dt + q1l{Yt ≤r} pij (t) =
P (Dt = i − j), si Yt > r
Table 6.3 – Probabilités de transition pour quelques politiques classiques
Si la distribution de la demande est connue (Bernouilli, Poisson, ...), on connaı̂t alors

les probabilités de transition de la CMTD et on peut calculer les probabilités en régime
transitoire P (Yt = j) (probabilité que le stock brut vale j à l’instant t), ainsi que les
probabilités en régime stationnaire P (Y = j) = limt→∞ P (Yt = j).
On peut alors en déduire les probabilités en régime transitoire et stationnaire des stocks
nets. D’après (6.6), le stock net s’exprime en fonction du stock brut et de la demande
cumulée sur un délai livraison :
Xt = Yt−L − DL
Si l’on connaı̂t la distribution de DL , on peut alors en déduire la distribution de Xt :
∞
X
P (Xt = k) = P (Yt−L = k + i)P (DL = i)
i=0
En régime stationnaire, cela se simplifie à

∞
X
P (X = k) = P (Y = k + i)P (DL = i)
i=0
Une fois les probabilités stationnaires calculées, on peut en déduire aisément tous les
paramètres de performance du système. Quelques exemples :
— Stock moyen = ∞
P
i=0 iP (X = i)
— Nombre moyen de demandes en attente = - 0i=−∞ iP (X = i)
P
— Pourcentage de jours sans rupture jour = P (X ≥ 0) = +∞

P
i=0 P (X = i)
— ...
Ventes perdues
Pour des ventes perdues, on peut analyser facilement le problème avec délai de livraison
nul. Dans ce cas, le stock net est égal au stock brut et évolue suivant une chaı̂ne de Markov :
Xt+1 = [Xt + Qt − Dt ]+
On peut alors calculer aisément les probabilités en régime transitoire et en régime station-
naire.
En revanche, pour un délai d’approvisionnement quelconque, ni le stock net, ni le stock
brut n’évoluent suivant une chaı̂ne de Markov. Il est néanmoins possible de représenter
l’évolution du système par une autre chaı̂ne de Markov en gardant en mémoire les ordres
passés au cours des L dernières périodes. Considérons le processus stochastique (Zt ) suivant :
Zt = (Xt , Qt−1 , Qt−2 , · · · , Qt−L )
Nous avons alors

Zt+1 = (Xt + Qt−L − Dt , Qt , Qt−1 , · · · , Qt−L+1 )
qui ne dépend que de Zt et Dt , à condition que la quantité Qt soit basée uniquement sur
Zt . On peut alors dire que (Zt ) est une CMTD. Malheureusement, l’espace d’état de cette
chaı̂ne de Markov explose lorsque le délai d’approvisionnement augmente et il devient vite
difficile de calculer numériquement les probabilités transitoires et stationnaires.
Deuxième partie
Exercices
65
Chapitre 1
Demande constante et continue
1 Modèle de Wilson : questions de cours

Toutes les réponses sont dans les notes de cours sur Chamilo.
On considère le modèle de Wilson classique : un produit, demande continue de taux
λ, délai L, coût unitaire de possession h, coût fixe d’approvisionnement k, coût variable
d’approvisionnement c, pas de rupture de stock autorisée.
Question 1. Pour λ = 1/jour, L = 2 jours, r = 3, q = 4 et un stock initial de 4, représenter
l’évolution des stocks physiques et bruts pour une politique (r, q) non ZIO. Que vaut le
stock de sécurité ?
Question 2. Pour une politique (r, q) ZIO, exprimer r en fonction de L et λ. Donner une
relation entre la période de commande u et la quantité commandée q.
Question 3. Exprimer le coût total par unité de temps C(q) d’une politique (r, q) ZIO.
Question 4. Après démonstration, exprimer la quantité optimale, la période optimale et
le coût optimal.
Question 5. Montrer qu’à l’optimal, les coûts fixes sont égaux aux coûts de possession.
C(aq ∗ ) a + 1/a
Question 6. Montrer que si c = 0, alors = .
C(q ∗ ) 2
C(aq ∗ ) a + 1/a
Question 7. Montrer que si c > 0, alors < .
C(q ∗ ) 2
Question 8. Le coût de possession h est estimé à 1 alors que sa vraie valeur est de 10.
Quel est le surcoût lié à cette erreur d’estimation ? On supposera dans un premier temps
que c = 0 puis vous discuterez brièvement le cas c > 0.
Question 9. On ajoute au modèle de base la contrainte suivante : le stock ne doit pas
dépasser une valeur Smax . Quelle est alors la quantité optimale de commande ?
Question 10. Définir les termes suivants :
— Politique d’approvisionnement
— Politique ZIO
— Stock brut
— Gestion calendaire
67
68 CHAPITRE 1. DEMANDE CONSTANTE ET CONTINUE
— Politique à point de commande

— Politique (r, q), (r, S), (T, q), (T, S)
— Rotation d’un stock
2 Choix du fournisseur
Adapatation examen 2016
Un entreprise consomme un composant à raison de 160 unités par semaine. Le composant
étant assez fragile à entreposer, son coût de possession est estimé à 2, 5e par semaine.
L’entreprise se fournit auprès d’un producteur chinois qui facture le composant 14, 5e pièce.
Le transport d’une commande se fait par container et revient à 1195e via un transporteur
international.
Cependant un second fournisseur basé en Angleterre propose de mettre à disposition
un stock de consignation dans l’usine. Cette solution à l’avantage de supprimer le coût de
stockage des composants, entièrement supporté par le fournisseur. Le prix unitaire proposé
par le second fournisseur est de 21e.
Question 1. Quel fournisseur choisir ? Vous justifierez votre choix.
Question 2. Cependant les approvisionnements depuis la Chine ne peuvent se faire qu’une
fois par semaine, les lundis. Quel fournisseur choisir ? Vous justifierez votre choix.
3 Horizon fini
Adaptation examen 2012
Nous allons reprendre dans cet exercice le modèle classique de Wilson à une nuance
près. On cherche désormais à minimiser le coût total sur un horizon de temps fini [0, T ], et
non sur un horizon infini. On supposera que la première commande arrive à l’instant t = 0.
Question 1. Représenter graphiquement l’évolution du stock physique et du stock brut pour
une politique non ZIO, sur l’horizon [0, T ]. Vous prendrez un délai de livraison strictement
positif.
Dans la suite de l’exercice, vous supposerez que le délai de livraison est nul.
Question 2. Démontrer que la politique optimale est nécessairement ZIO. Démontrer par
ailleurs que la politique optimale a nécessairement un stock nul à l’instant final t = T .
Dans la suite de l’exercice, vous ne considérerez que des politiques ZIO ayant un stock
nul à l’instant t = T .
Soit la politique π(n) qui commande exactement n fois sur l’horizon [0, T ] (à chaque fois
la même quantité). Soit C(n) le coût total de la politique π(n) sur l’horizon [0, T ] (à ne pas
confondre avec le coût par unité de temps).
Question 3. Exprimer C(n) en fonction de h, k, λ, c, T, n. Montrer que C(n) est une fonction
convexe de n.
Question 4. Quel est le nombre optimal n∗ de commandes à passer sur l’horizon [0, T ] ?
Question 5. Pourquoi le nombre optimal de commandes n∗ ne dépend-il pas du coût
variable d’approvisionnement c ?
4. CAPACITÉ DE PRODUCTION LIMITÉE 69
Question 6. Calculer le nombre optimal de commandes pour les valeurs suivantes : T = 365
jours, λ = 35 demandes par semaine, h = 2 euros par jour et par unité en stock, k = 100
euros et c = 0. Vous supposerez qu’une semaine est égale à 7 jours.
Question 7. Nous avons considéré jusqu’à présent que la politique π(n) placait n ordres
de même taille. Considérons maintenant une politique placant n ordres de taille q1 , · · · , qn ,
non nécessairement égaux. Montrer que, parmi ces politiques, la meilleur place des ordres
de même taille. Pour cela, commencer par exprimer le coût total d’une telle politique sur
l’horizon [0, T ].
Question 8. On ajoute deux contraintes à notre problème : le stock physique ne doit
pas dépasser SPmax et les produits ne doivent pas rester en stock plus de Lmax pour des
raisons de périssabilité. Quelle est alors le nombre optimal n∗ de commandes ? Vous pourrez
distinguer plusieurs cas de figures.
4 Capacité de production limitée

On considère une variante du modèle de Wilson classique. Désormais, l’approvisionne-
ment n’est plus instantané. Il s’effectue suivant un processus de production continu. Les
principales hypothèses sont les suivantes :
— La demande est continue de taux λ et doit être satisfaite immédiatement.
— La production de pièces peut être démarrée ou arrêtée à tout instant. Les pièces
sont produites continûment suivant un taux µ , i.e. µ pièces sont produites par unité
de temps. Les pièces produites sont immédiatement disponibles pour satisfaire la
demande.
— Chaque lancement de production entraı̂ne un coût fixe k.
— Le coût unitaire de production est c.
— La possession d’une unité de stock pendant une unité de temps coûte h.
Une politique de production spécifie quand démarrer la machine et quand l’éteindre. L’ob-
jectif est de déterminer la politique qui minimise le coût moyen sur un horizon infini. Soit
la politique de production de paramètre q suivante :
— Débuter la production à chaque fois que le stock disponible devient nul.
— Arrêter la production à chaque fois que q unités ont été produites.
On notera cette politique π(q) et on se restreindra dans un premier temps à des politiques
de ce type. On supposera que le stock à l’instant initial est nul.
Ce modèle peut représentée une ligne de production composée de deux machines en série
séparées par un stock.
Question 1. Soit ρ ≡ λ/µ, le taux d’utilisation. Le symbole ”≡” signifie ici que ρ est défini
comme étant égal à λ/µ. Quelle condition doit satisfaire ρ afin que toute la demande puisse
être satisfaite ?
Question 2. Dessiner le graphique de l’évolution du stock disponible dans le temps. Montrer
que le stock maximal atteint vaut Smax = q(1 − ρ).
Question 3. Soit C(q) le coût moyen d’une politique π(q). Exprimer C(q) en fonction des
paramètres du modèle et de q.
Question 4. Soit q ∗ la taille de lot qui minimise le coût moyen, u∗ la durée optimale entre
deux lancements de production et C ∗ le coût moyen optimal. Exprimer q ∗ , u∗ et C ∗ en

fonction des paramètres du modèle.
Question 5. Représenter graphiquement q ∗ (µ) et C ∗ (µ) en fonction de µ, en précisant les
comportements limites (µ → λ et µ → ∞).
Question 6. Les quantités q ∗ (µ) et C ∗ (µ) sont elles sensibles à des variations de µ ? Vous
prendrez c = 0.
Question 7. On considère les données suivantes : λ = 2 unités par heure, µ = 3 unités par
heure, k = 20 euros, c = 0, h = 1 euro par heure et par unité. Calculer C ∗ .
Question 8. Le manager s’aperçoit qu’il se trompe depuis un an sur l’évaluation du coût
fixe qui vaut en réalité 10 euros. Quel est le coût lié à cette erreur d’estimation ?
On rajoute maintenant un temps de set-up τ . Lorsque la production est arrêtée, elle ne

peut être reprise qu’après un délai minimum de τ . Ce temps de set-up peut par exemple
être lié au nettoyage d’une machine ou à un pré-chauffage.
Question 9. Intuitivement, quelle va être l’influence de τ sur les coûts ?
Question 10. Notons q̂ ∗ la quantité optimale de commande dans le cas avec un temps de
set-up. Déterminer q̂ ∗ en fonction des paramètres du modèle. Il faudra distinguer deux cas
de figure.
5 Produits périssables
On reprend le modèle de Wilson standard en ajoutant l’hypothèse suivante. Les produits
ne peuvent plus servir à satisfaire la demande après un délai de péremption U passée en
stock. En outre, on supposera que tous les produits doivent être consommés avant leur délai
de péremption.
Question 1. Déterminer la politique d’approvisionnement optimale. Il vous faudra distin-
guer deux cas de figure.
Désormais, il n’y a plus de délai de péremption. En revanche, on suppose que le stock

devient progressivement inutilisable avec un taux de déterioration δ. Pendant un intervalle
de temps dt, nous avons δS(t)dt unités de stock qui périment avec S(t) le stock à l’instant
t. On suppose que l’on commande q unités de produit à chaque fois que le stock devient
nul. On notera u la période.
Question 2. Montrer que S(t) satisfait une équation différentielle du premier ordre.
Question 3. Résoudre cette équation différentielle en supposant que S(0) = q. Vérifier que
l’expression obtenue est bien cohérente avec celle obtenue en cours (quand δ = 0).
Question 4. Exprimer q en fonction de u et des paramètres du modèle. Vérifier que l’ex-
pression obtenue est bien cohérente avec celle obtenue en cours (quand δ = 0).
Question 5. Calculer le stock moyen S en fonction des paramètres du système et de la
période u.
6. MAXIMISATION DU PROFIT 71
6 Maximisation du profit
Reprenons les hypothèses du modèle de Wilson classique en ajoutant l’hypothèse qu’une
unité de produit est vendue au prix p.
Question 1. Exprimer le profit (par unité de temps) G(q) pour une quantité commandée
q en fonction des paramètres p, h,c,k,λ,L.
Question 2. Montrer que la quantité commandée q ∗ qui maximise le profit moyen G(q)
est la même que celle qui minimise C(q), le coût moyen. Exprimer G∗ (≡ maxq G(q)) en
fonction de C ∗ (≡ minq C(q)).
Question 3. Montrer que la condition suivante est nécessaire pour que l’activité soit ren-
table : v
u
u2kh
p>c+t (1.1)
λ
v
u
u2kh
Montrer que t correspond au coût de possession unitaire + le coût fixe d’approvi-
λ
sionnement unitaire. Pouvait-on s’y attendre ?
On suppose maintenant que le prix est une variable de décision qui influence la demande.
Désormais le taux de la demande est noté λ(p) et est une fonction continue de p (fonction
donnée par le service marketing). On définit par ailleurs la fonction r(p) = pλ(p).
Question 4. A votre avis, λ(p) est-elle une fonction croissante ou décroissante de p ?
Question 5. Que représente r(p) ? Pourquoi faut-il supposer que r(p) tend vers 0 quand p
tend vers 0 ou vers l’infini ?
Question 6. Parmi les 4 fonctions suivantes, lesquelles satisfont les conditions précédentes :
1. λ(p) = e−p (exponentiel)
(
1 − p si p ≤ 1
2. λ(p) = (affine)
0 sinon
√
3. λ(p) = 1/ p
1
4. λ(p) =
p2
Question 7. Proposer une procédure permettant de calculer le prix p∗ et la quantité com-

mandé q ∗ qui maximisent le revenu moyen.
7 Élasticité
On reprend le modèle EOQ standard avec les paramètres suivants : cp ,cv ,cf ,λ,L. L’élasticité
θ d’une fonction f par rapport à un paramètre α est définie par :
α ∂f
θ≡ ×
f ∂α
L’interprétation de l’élasticité θ est la suivante. Si le paramètre α augmente (resp. diminue)

de alors f (α) augmente (resp. diminue) de θ %.
Question 1. Justifier rigoureusement l’interprétation de θ.
Question 2. Calculer l’élasticité de q ∗ par rapport aux différents paramètres du modèle.
Interpréter les résultats obtenus.
Question 3. Montrer que ces résultats sont cohérents avec l’analyse de sensibilité conduite
en cours et rappelée ci-dessous :
v v v
q ∗ (L0 ) q ∗ (c0v ) q ∗ (λ0 )
u 0 ∗ 0
uλ q (cf ) uc0f q ∗ (c0p ) ucp
u u
= 1, = 1, =t , =t , =t
q ∗ (L) q ∗ (cv ) q ∗ (λ) λ q ∗ (cf ) cf q ∗ (cp ) c0p
Question 4. Calculer l’élasticité de C ∗ par rapport aux différents paramètres, en prenant

cv = 0.
8 Ventes différées
Adpatation examen 2016
On considère un modèle de Wilson avec ventes différées (cf notes de cours). A la différence
du cours, les demandes en attente ne sont plus pénalisées (b = 0). En revanche, on souhaite
garantir un taux de service en quantité égal à ω.
Question 1. Quelle est la politique optimale pour ω = 100% ? Coût optimal correspon-
dant ?
Question 2. Quelle est la politique optimale pour ω = 0% ? Coût optimal correspondant ?
Question 3. Pour un taux de service visé ω quelconque, quelle est la politique optimale ?
Le coût optimal ?
9 Ventes différées et capacité de production

Adapatation examen 2013
On reprend le modèle de Wilson classique à deux différences près. Désormais, les de-
mandes peuvent être mises en attente avec un coût b d’attente par unité de demande et par
unité de temps. De plus, le réapprovisionnement n’est pas instantané mais s’effectue avec
un taux µ.
Question 1. Représenter graphiquement l’évolution du stock net pour une politique fabri-
quant des lots de taille q, à intervalles réguliers.
Question 2. Pour une politique périodique, on note Smin le stock net minimum et q la
quantité produite au cours d’une période. Soit C(Smin , q) le coût d’une telle politique.
Exprimer ce coût en fonction de Smin , de q et des paramètres du modèle.
Chapitre 2
Demande aléatoire (une période)
1 Vendeur de journaux : questions de cours
Toutes les réponses sont dans les notes de cours sur Chamilo.
Soit un problème de vendeur de journaux classique : une période, demande aléatoire
X de fonction de répartition FX , coût de rupture b, coût d’invendu h, minimisation de
l’espérance des coûts.
Demande continue
Dans cette partie, on suppose que X est une variable aléatoire continue de densité fX .
Question 1. Exprimer l’espérance du coût C(q) lorsque le stock initial est q.
Question 2. Exprimer C 0 (q) et C 00 (q).
Question 3. Démontrer que l’optimal est atteint quand la dérivée s’annule.
Question 4. En déduire un théorème permettant de déterminer la quantité optimale q ∗ .
Question 5. Exprimer les taux de service en temps et en quantité.
Question 6. Comment varie le stock de sécurité (à l’optimal) avec h ? Avec b ?
Question 7. Que vaut le stock de sécurité (à l’optimal) si l’écart-type de la demande est
nul ?
Demande discrète
Dans cette partie, on suppose que X est une variable aléatoire discrète et on note
p(x) = P (X = x).
Question 8. Exprimer l’espérance du coût C(q) lorsque le stock initial est q.
Question 9. Exprimer C(q + 1) − C(q). En déduire que C(q) est convexe.
Question 10. En déduire un théorème permettant de déterminer la quantité optimale q ∗ .
Question 11. Exprimer les taux de service en temps et en quantité.
73
74 CHAPITRE 2. DEMANDE ALÉATOIRE (UNE PÉRIODE)
Loi normale
Soit X ∼ N (µ, σ) et Z ∼ N (0, 1). Soit CX (q) le coût si la demande est X et la quantité
∗ la quantité optimale si la demande est x.
commandée est q. Soit qX
Question 12. Expliquer pourquoi la loi normale est importante.
∗ = µ + σq ∗
Question 13. Montrer que qX Z
Question 14. Démontrer que CX (q) = σCZ (z) si q = µ + σz.

∗ = σC ∗ .
Question 15. Démontrer que CX Z
Question 16. Exprimer le stock de sécurité. Comment varie-t-il avec l’écart-type ? Pour
quelles valeurs des paramètres a-t-on un stock de sécurité nul ?
2 Vendeur de journaux : demande continue

On considère un problème de vendeur de journaux avec une demande X de distribution
continue, de fonction de répartition F et de densité f . Le coût d’invendu unitaire est noté h.
Le coût de rupture n’est plus proportionnel au nombre de ruptures. On suppose désormais
qu’il y a une pénalité fixe b dés lors qu’il y a rupture de stock et cela quel que soit le nombre
de ruptures.
Question 1. Exprimer l’espérance du coût C(q).
On suppose jusqu’à la fin de l’exercice que X suit une loi uniforme sur l’intervalle [0, 1].
Question 2. Exprimer C(q), en fonction de h, b et q pour q ∈ [0, 1].
Question 3. Déterminer la quantité optimale.
On suppose désormais que les ruptures ne sont plus pénalisées (b = 0). En revanche, on
souhaite garantir un certain taux de service.
Question 4. Déterminer la quantité optimale garantissant un taux de service en temps ω.
Question 5. Déterminer la quantité optimale garantissant un taux de service en quantité
ω.
3 Vendeur de journaux : demande discrète

On considère un problème de vendeur de journaux avec un coût d’invendu unitaire h = 1
et un coût de rupture unitaire b = 10. La demande X a la distribution suivante :
i 0 1 2 3 4
P (X = i) 1/2 1/4 1/8 1/16 1/16
Question 1. Déterminer (numériquement) la quantité optimale ainsi que le coût optimal.

Question 2. Lorsqu’on commande la quantité optimale, déterminer (numériquement) le
taux de service en temps, le taux de service en quantité ainsi que le stock de sécurité.
4. VENDEUR DE SKIS 75
Question 3. On suppose désormais qu’il y a un coût fixe de commande k = 8. Déterminer

(numériquement) la quantité optimale ainsi que le coût optimal.
4 Vendeur de skis
Adaptation contrôle continu 2013

Un vendeur de skis doit décider combien de paires de skis commander en début de saison.
Le prix de vente pendant la saison est de 500 euros. Le vendeur achète 300 euros la paire
de skis. La demande pendant la saison est une variable aléatoire suivant une loi uniforme
discrète comprise entre 1 et 10, c’est-à-dire P (X = i) = 1/10, ∀i ∈ {1, · · · , 10}. Une fois la
saison terminée, le produit est soldé à moitié prix et on suppose que tous les produits soldés
sont vendus.
Question 1. Quelle est la quantité optimale ?
Question 2. Même question si le vendeur achète la paire de skis 200 euros.
5 Demande uniformément distribuée
On se place dans le cadre du modèle du vendeur de journaux et on suppose que la

demande X est une variable aléatoire continue uniformément distribuée sur [a, b] avec b > a.
On note ci et cr les coûts d’invendu et de rupture.
Question 1. Soit C(q) l’espérance des coûts lorsque la quantité commandée est q. Exprimer
C(q) en fonction des paramètres du modèle.
Question 2. Soit q ∗ la quantité qui minimise C(q). En dérivant C(q), déterminer q ∗ sans
utiliser de théorème du cours.
Question 3. Retrouver l’expression de q ∗ en utilisant un théorème du cours.
Question 4. Quand la quantité commandée optimale est-elle égale à l’espérance de la

demande ? supérieure à l’espérance de la demande ? Inférieure ?
Question 5. Notons α(q) le taux de service en temps. Exprimer α(q) et α∗ ≡ α(q ∗ ) en

fonction des paramètres du modèle.
Question 6. Notons β(q) le taux de service en quantité, quand q est commandé. Exprimer
β(q) en fonction des paramètres du modèle.
Question 7. Application numérique :

— Instance 1 : a = 40, b = 60, ci = 1, cr = 10
— Instance 2 : a = 10, b = 90, ci = 1, cr = 10
— Instance 3 : a = 40, b = 60, ci = 10, cr = 1
— Instance 4 : a = 10, b = 90, ci = 10, cr = 1
Pour chaque instance, calculer E(X), σ(X), E(Y ), q ∗ , ν ∗ (stock de sécurité à l’optimal),
α∗, β ∗ . Commenter.
6 Soldes
Cindy est propriétaire d’une petite boutique qui vend des costumes. En début de saison,
elle commande auprès de son fournisseur, une quantité q au prix unitaire w. Au cours de
la saison, elle vend ses costumes au prix de vente r (r > w). Si à la fin de la saison, Cindy
possède encore des articles non vendus, elle les solde au prix s (s < w). Tous les articles
non vendus pendant la saison trouvent acquéreur lors des soldes.
On suppose que la demande X pendant la saison est une variable aléatoire discrète dont
on connaı̂t la distribution p(x) = P (X = x) pour tout x entier.
Question 1. Soit G(q, X) le profit réalisé par Cindy au cours de la saison si elle commande
q unités et que la demande est X. Exprimer G(q, X) en fonction de q, X et des paramètres
du problème.
Question 2. Vérifier que
G(q, X) = (r − w)X − (r − w)(X − q)+ − (w − s)(q − X)+
Question 3. Soit q ∗ la quantité qui maximise l’espérance du profit. Déduire de la question

précédente que l’on peut obtenir q ∗ résolvant un problème de vendeur de journaux dont on
précisera les paramètres.
Question 4. On connaı̂t les demandes des années précédentes :
Année 2010 2009 2008 2007 2006

nombre de costumes demandés 3 5 2 6 4
On suppose que X suit une loi de Poisson de paramètre λ. La loi de Poisson est souvent
appelée loi des événements rares. On rappelle que :
λk exp(−λ)
P (X = k) = pour k ≥ 0
k!
E(X) = V ar(X) = λ
Donner une estimation de λ. En vous basant sur cette estimation, en déduire la quantité
optimale à commander si r = 60 euros, w = 50 euros et s = 30 euros.
Question 5. Le paramètre λ peut avoir été mal estimé, par exemple en raison de variations
de la demande d’une année à l’autre. Calculer q ∗ pour différentes valeurs de λ et commenter.
Question 6. On suppose désormais que λ = 4. L’espérance du profit est donnée dans le
tableau ci-dessous pour différentes quantités commandées :
q 0 1 2 3 4 5 6 7 8 9
G(q), en euros 0 9.5 16.7 19.6 16.6 7.7 -5.9 -22.5 -41.0 -60.4
Vérifier les résultats du tableau, en utilisant un tableur excel par exemple.

Question 7. On suppose maintenant que λ = 40. Calculer la quantité optimale à comman-
der. Vous pourrez utiliser la table de la loi normale centrée réduite ci-jointe.
7. VENDEUR DE JOURNAUX AVEC DEUX CLASSES DE CLIENTS 77
7 Vendeur de journaux avec deux classes de clients

On considère un problème de vendeur de journaux avec 2 classes de clients. Les hy-
pothèses sont les suivantes :
— Problème mono-période, mono-produit
— q = Stock en début de période (variable de décision)
— Xj = Variable aléatoire (v.a.) représentant la demande de la classe j au cours de la
période
— bj = Coût unitaire de rupture de stock pour les demandes de la classe j
— h = Coût unitaire d’invendu
L’objectif est de déterminer la quantité à commander qui minimise l’espérance des coûts.
Nous supposerons que b1 ≥ b2 , c’est à dire que les demandes de la classe 1 sont les plus
importantes à servir. Nous supposerons par ailleurs que les demandes X1 et X2 prennent
des valeurs entières et sont indépendantes.
La séquence des événements est la suivante :
— Le manager décide de la quantité q à avoir en début de période
— Les demandes X1 et X2 se réalisent et sont observées par le manager
— Le manager satisfait les demandes de type 1 en priorité, puis les demandes de type
2, dans la mesure du stock disponible.
Coûts de rupture égaux

Dans un premier temps, nous allons supposer que b1 = b2 = b.
Question 1. Exprimer le coût C(X1 , X2 , q) si le stock en début de période est q et la
demande pour la classe 1 (respectivement la classe 2) est de X1 (respectivement X2 ).
Question 2. Déterminer la quantité optimale q ∗ pour les données suivantes : P (Xj = 0) =
P (Xj = 1) = 1/2 pour j = 1, 2, b = 1, h = 2. Vous justifierez soigneusement votre réponse
en utilisant un théorème du cours.
Question 3. Avec les mêmes données qu’à la question précédente, en supposant que la
quantité commandée est de 1, donner les valeurs numériques des quantités suivantes :
— Espérance du coût total
— Probabilité de rupture (pour tous les clients)
— Pourcentage de demandes satisfaites (pour tous les clients)
— Probabilité de rupture pour les clients de la classe j (pour j = 1, 2)
— Pourcentage de demandes satisfaites pour les clients de la classe j (pour j = 1, 2)
Coûts de rupture distincts

Nous supposerons désormais que b1 6= b2 .
Question 4. Exprimer le coût C(X1 , X2 , q) si le stock en début de période est q et la
demande pour la classe 1 (respectivement la classe 2) est de X1 (respectivement X2 ).
Question 5. Exprimer l’espérance des coûts C(q) = E[C(X1 , X2 , q)] en fonction de h, b et
des distributions de probabilité de X1 et X2 . On notera p1 (x) = P (X1 = x) et p2 (x) =
P (X2 = x).
8 Surbooking
On considère un vol transatlantique de la compagnie GI Airline planifié à une date
précise avec un nombre fixe de sièges, noté n.
La compagnie aérienne s’autorise à mettre en vente plus de billets billets que le vol ne
compte de places. On notera q le nombre de billets vendus. Si q > n, on parle alors de
surbooking ou de surréservation. On suppose que tous les billets mis en vente sont achetés
par des clients et que la vente d’un billet rapporte un revenu p à la compagnie.
Un certain nombre de clients, noté X, annulent à la dernière minute leur vol. On suppose
que X est une variable aléatoire discrète de probabilités P (X = x) et de fonction de
répartition F (x) = P (X ≤ x). Dans un premier temps, nous faisons l’hypothèse que la
distribution de X est indépendante du nombre q de billets vendus. Si un client a acheté un
ticket mais annule à la dernière minute, la compagnie aérienne lui rembourse r (r < p). Si
un client a acheté un ticket, se présente à l’embarquement mais ne peut monter dans l’avion
pour cause d’overbooking, la compagnie lui rembourse s (s > p).
Question 1. Exprimer le profit réalisé par la compagnie pour q tickets vendus (q ≥ n) et
X annulations. On notera ce profit π(q, X).
Question 2. Montrer que l’espérance du profit, noté π(q), peut s’exprimer ainsi :
q−n
X
π(q) = pq − rE(X) − s (q − x − n)P (X = x)
x=0
Question 3. On considère la différence ∆π(q) = π(q + 1) − π(q). Montrer que :
∆π(q) = p − sF (q − n)
Question 4. Montrer que :
q ∗ = min[q|∆π(q) ≤ 0]
Question 5. Calculer q ∗ pour les données numériques suivantes : n = 300, p = 1000 euros,
s = 4000 euros, r = 750 euros, X distribué suivant une loi de Poisson de paramètres λ = 60.
9 Vendeur de journaux avec coûts fixes

On reprend un modèle de vendeur de journaux classique. On ajoute une hypothèse
supplémentaire. Si une commande non nulle est passée (q > 0), un coût fixe k est encouru.
Question 1. Déterminer quelle est la quantité économique de commande. On supposera
qu’on est capable, dans le cas sans coût fixe de commande (k = 0), de calculer le coût
optimal C0∗ ainsi que la quantité économique de commande correspondante q0∗ .
Question 2. Application numérique : X suit une loi uniforme sur [0, 10], h = 5, b = 1,
k = 1. Quelle est la quantité optimale ainsi que le coût optimal ?
Chapitre 3
Demande aléatoire (plusieurs

périodes)
1 Le contrat de confiance
Le responsable du rayon arts ménagers d’un grand magasin a constaté que la demande
journalière de machines à laver était aléatoire et bernouillienne. Plus précisément, notons Di
la demande le i-ème jour. Nous supposerons que (D1 , D2 , · · · ) sont des variables aléatoires
indépendantes et distribuées suivant une loi de Bernouilli de paramètre p. Nous avons donc
P (Di = 1) = p et P (Di = 0) = q = 1 − p.
Dés que la dernière machine est vendue, on en commande m qui arrivent le lendemain
soir. Le coût de stockage est de h par machine (et par jour). Le coût d’une commande, k,
est indépendant du nombre de machines commandées. Si un client n’est pas satisfait, cela
induit un coût de rupture de stock c et la demande est définitivement perdue.
Question 1. On considère la réalisation suivante de la demande sur une semaine de 6 jours
ouvrés : (d1 , d2 , d3 , d4 , d5 , d6 ) = (1, 1, 0, 0, 1, 1). En supposant que le stock le lundi matin est
de 1 et que m = 2, représenter l’évolution des stocks (en début de journée) sur la semaine.
Question 2. Soit m∗ la quantité qui minimise le coût moyen sur un horizon infini. Intuiti-
vement, quelle est l’influence des différents paramètres sur m∗ ?
Question 3. On note Xn le nombre de machines en stock au début du n-ième jour.
Représenter le graphe de cette chaı̂ne de Markov. On supposera que le paramètre m de
la politique est quelconque.
Question 4. On note pij = P (Xn+1 = j|Xn = i) la probabilité de transition de l’état i à
l’état j. Donner la matrice de transition (pij ).
Question 5. Nous allons nous intéresser dans un premier temps aux probabilités en régime
transitoire de cette chaı̂ne de Markov. Soit πi (n) = P (Xn = i) la probabilité que le stock
vale i à l’instant n. Exprimer πj (n) en fonction des πi (n − 1).
Question 6. Supposons que X1 = 0 et m ≥ 4. Calculer les probabilités d’état au début des
4 premiers jours.
Question 7. Soit πi la probabilité stationnaire d’être dans l’état i (πi = limn→∞ πi (n)).
Donner un système linéaire satisfait par les πi et le résoudre.
79
80 CHAPITRE 3. DEMANDE ALÉATOIRE (PLUSIEURS PÉRIODES)
Question 8. Soit C(m) l’espérance du coût journalier lorsque m machines sont com-
mandées. Exprimer C(m) en fonction des paramètres du système.
Question 9. Exprimer m∗ en fonction des différents paramètres.
Supposons que le délai de livraison est désormais de L. Une commande est passée dés
que la dernière machine est achetée et la commande arrive L jours plus tard, dans la soirée.
Jusqu’à présent, nous avions considéré le cas L = 1.
Question 10. La variable Xn ne suffit plus à représenter l’état du système à l’instant n.
Proposer un couple de variable (Xn , Yn ) représentant l’état du système à l’instant n. Donner
le graphe associé. Calculer les probabilités stationnaires. Enfin, exprimer le coût moyen en
fonction des probabilités stationnaires.
On reprend un délai de livraison L = 1 mais on suppose maintenant que la demande D

est discrète et que l’on connaı̂t les probabilités αi = P (D = i). La politique de gestion des
stocks considérée est la même.
Question 11. Exprimer les probabilités de transition en fonction des αi et de m.
Question 12. Donner la démarche pour calculer les probabilités stationnaires.
Question 13. On suppose que l’on a calculé les probabilités stationnaires πi à l’aide d’un
solveur. Exprimer le coût moyen C(m) en fonction des αi , des πi , de m et des paramètres
de coût.
2 Politique à stock nominal

Un fournisseur peut fabriquer jusqu’à une pièce par jour. Lorsqu’il débute la fabrication
d’une pièce le matin, il y a :
— Une probabilité p que la pièce soit bonne et mise en stock en fin de journée.
— Le procédé de fabrication étant imparfait, il y a une probabilité (1 − p) que la pièce
fabriquée soit jetée à la fin de la journée, suite à un contrôle qualité.
La demande pour ce produit est relativement faible et on peut la modéliser par une
variable aléatoire de Bernouilli. Chaque jour, la demande vaut 1 avec une probabilité q et
0 avec une probabilité (1 − q).
La politique de gestion des stocks est à stock nominal (S), c’est-à-dire que le fournisseur
fabrique des pièces tant que le niveau de stock est strictement inférieur à S. Lorsque le
niveau de stock atteint S, on stoppe la production.
Si le stock n’est pas vide, une demande qui arrive est satisfaite immédiatement à partir
du stock. Lorsqu’il n’y a plus de stock, les demandes qui arrivent sont mises en attente
jusqu’à ce que de nouvelles pièces soient produites. On note Xt le stock net le matin du
jour t.
On ne considére dans ce modèle que 2 types de coûts :
— h : le coût unitaire de stockage (une pièce en stock coûte h par unité de temps)
— b : le coût unitaire d’attente (une demande en attente coûte b par unité de temps)
L’objectif de cet exercice est de déterminer S ∗ , la valeur du base-stock qui minimise
l’espérance du coût moyen.
3. FILE D’ATTENTE AVEC STOCK : VENTES DIFFÉRÉES 81
Question 1. On considère la chaı̂ne de Markov à temps discret (Xt ). Donner les probabilités
de transition en fonction de α, β et γ où :
α = p(1 − q), β = q(1 − p), γ = p(1 − q) + q(1 − p)
Dessiner le graphe de cette CMTD.

Question 2. On suppose qu’à l’instant t = 0, le stock est nul. Donner les probabilités d’état
aux instants t = 1, 2 en fonction de α, β et γ.
Question 3. Soit πi la probabilité stationnaire d’être dans l’état i. Donner un système
linéaire satisfait par les πi pour i ≤ S.
Question 4. On désigne par C(S) le coût total moyen par unité de temps, associé à un
niveau de stock S. Exprimer C(S) en fonction de h, b, S et des πi .
Question 5. On admet que πi = (1 − ρ)ρS−i avec ρ = β/α. Montrer que
C(S) = hE(S − D)+ + bE(D − S)+
avec D une variable aléatoire distribuée suivant une loi géométrique :
P (D = k) = ρk (1 − ρ) pour k ≥ 0
Question 6. En déduire une expression de S ∗ en fonction de h, b et ρ.
3 File d’attente avec stock : ventes différées

On considère une machine produisant des pièces unité par unité. La production d’une
pièce nécessite un temps Y distribué suivant une loi exponentielle de taux µ. On rappelle
que la densité fY de Y est alors :
fY (t) = µ exp(−µt) pour t ≥ 0
Une pièce terminée est placée dans un stock. Les commandes unitaires arrivent suivant un
processus de Poisson de taux λ. Si le stock n’est pas vide, une commande qui arrive est
satisfaite à partir du stock. Lorsqu’il n’y a plus de stock, les commandes qui arrivent sont
mises en attente jusqu’à ce que de nouvelles pièces soient produites.
La politique de production adoptée est la suivante : tant que le stock net est strictement
inférieur à une valeur seuil notée S, on produit. Lorsque le stock atteint la valeur S, on
stoppe la production. On note X(t) le stock net à l’instant t. Si X(t) > 0, X(t) désigne le
stock disponible. Si X(t) < 0, alors [−X(t)] désigne le nombre de demandes en attente.
L’un des objectifs de cet exercice est de déterminer S ∗ , la valeur du stock qui minimise
l’espérance du coût global.
On ne considérera dans ce modèle que 2 types de coûts :
— h : le coût unitaire de stockage (une pièce en stock coûte h par unité de temps)
— b : le coût unitaire d’attente (une commande en attente coûte b par unité de temps)
Question 1. Donner le graphe de la chaı̂ne de Markov à temps continu X(t).
Question 2. Soit πi la probabilité stationnaire d’être dans l’état i. Exprimer les probabilités
stationnaires en fonction de λ et de µ.
Question 3. On désigne par C(S) le coût total moyen par unité de temps, associé à un
niveau de stock S. Exprimer C(S) en fonction de h, b, S et des πi .
Question 4. En faisant le changement de variable N = X − S, on peut ramener le calcul
du base-stock optimal S ∗ à un problème de vendeur de journaux.
Question 5. En déduire que :  !
 h 
ln
 
∗

S =
 h+b 
ln ρ
où bxc désigne le plus grand entier plus petit que x.
Question 6. Montrer que :
ρS+1 ρ
C(S) = (h + b) + h(S − )
1−ρ 1−ρ
4 File d’attente avec stock : ventes perdues

On considère un système proche du problème précédent à la différence qu’il n’est plus
possible de mettre de demandes en attente. Une demande non satisfaite directement par le
stock est définitivement perdue et induit un coût de rupture de stock c. Le coût de stockage
est identique au premier problème.
Question 1. Exprimer la probabilité stationnaire πi d’avoir i clients dans le système en
fonction de λ et de µ.
Question 2. Exprimer le coût moyen C(S) en fonction de h, c, λ, S et des πi .
Question 3. En utilisant par exemple Excel, évaluer le stock nominal optimal S ∗ ainsi que
le coût optimal C ∗ pour λ = 0.9, µ = 1, h = 1 et c = 10.
Question 4. Montrer que le stock moyen vaut
S + ρS+1 ρ
I= −
1− ρS+1 1−ρ
5 Production
1. La CMTC sera représentée par le triplet (x, y, z) où x, y et z peuvent avoir les valeurs
suivantes :
— 0 : libre
— 1 : en train de traiter une pièce
— 1b : bloqué
Pour le graphe de la CMTC, voir la figure 3.1.
2.
P = π(1b, 1, 0) + π(1b, 1, 1) + π(1, 1b, 1) + π(1b, 1b, 1)
3.
X = µ3 [π(1b, 1b, 1) + π(1, 0, 1) + π(1b, 1, 1) + π(1, 1b, 1) + π(1, 1, 1)]
5. PRODUCTION 83
100
µ3
µ1
µ1
µ3 110 1b 1 0
µ2 µ3
µ2
µ1 µ2
101 111 1 1b 1
µ1 µ3
µ1
µ2
1b 1 1 1b 1b 1
µ3
Figure 3.1 – Graphe exercice 5
4.
Q = 1 × π(1, 0, 0) + 2 × [π(1, 1, 0) + π(1b, 1, 0) + π(1, 0, 1)]

+ 3 × [π(1, 1, 1) + π(1b, 1, 1) + π(1, 1b, 1) + π(1b, 1b, 1)]
5.
M =1 × [π(1, 0, 0) + π(1b, 1, 0) + π(1b, 1b, 1)]

+ 2 × [π(1, 1, 0) + π(1, 0, 1) + π(1b, 1, 1) + π(1, 1b, 1)]
+ 3 × π(1, 1, 1)
6. Calcul par la loi de Little pour une file d’attente stable :
Q
R=
X
Chapitre 4
Systèmes multi-échelon
1 Gestion conjointe de références

Une entreprise s’approvisionne auprès d’un même fournisseur pour tout un ensemble de
composants. Bien évidemment chaque composant diffère par son coût, sa demande moyenne,
son volume, son conditionnement, etc : un composant de type i a une demande continue et
constante de taux λi , un coût de possession unitaire hi et un coût fixe d’approvisionnement
Ki . De plus un coût fixe de livraison K est également facturé par le fournisseur quelles que
soient les pièces commandées. Ainsi une commande de pièces 1 et 2 aura un coût fixe de
K + K1 + K2 . On supposera que les coûts variables sont nuls. Il s’agira pour l’entreprise
de choisir une politique d’approvisionnement de ses composants minimisant ses coûts de
commande et de stockage. On s’intéresse à l’instance suivante avec 3 types de pièces et un
coût de livraison K = 13 :
— Composant 1 : λ1 = 1, h1 = 1, K1 = 2
— Composant 2 : λ2 = 1, h2 = 2, K2 = 9
— Composant 3 : λ3 = 1/6, h3 = 4, K3 = 12
On ne considère dans la suite que des politiques ayant les propriétés suivantes :
— ZIO
— A t = 0, on passe une commande pour tous les types de composants.
Une première approche consiste à gérer indépendamment les différents composants selon
leur quantité économique.
Question 1. Déterminer sur l’exemple la période économique de commande TiEOQ et le
coût moyen optimal (par unité de temps) CiEOQ pour chacun des composants sans tenir
compte du coût fixe de livraison K.
Question 2. Quelle est le coût moyen (par unité de temps) de la politique (T1EOQ , T2EOQ , T3EOQ )
obtenue en tenant compte maintenant des coûts de livraison K (attention à ne pas compter
plusieurs fois K au même instant !) ?
A l’opposé on peut décider de toujours grouper les commandes des différents composants
en prenant une période commune T 0 = T1 = T2 = T3 pour les 3 composants.
Question 3. Quelle est le coût moyen (par unité de temps) C(T 0 ) de cette politique ? Quelle
85
86 CHAPITRE 4. SYSTÈMES MULTI-ÉCHELON
est la valeur de T 0 qui minimise le coût moyen ? Quel est le coût moyen associé ?
Une 3ème approche consiste à se restreindre à des politiques stationnaires strictement

cycliques. Une telle politique est décrite par un vecteur T = (T1 , . . . , Tn ) de périodes, tel
que Ti = ai T0 avec ai un entier ≥ 1 et T0 = mini Ti . Dans une politique strictement cyclique
on passe donc une commande toutes les T0 unités de temps.
Question 4. Les 2 politiques précédentes (T1EOQ , T2EOQ , T3EOQ ) et (T 0 , T 0 , T 0 ) sont-elles
strictement cycliques ? Est-ce toujours le cas ?
Question 5. Exprimer le coût moyen C(T ) d’une politique T strictement cyclique en fonc-
tion des différents paramètres.
2 Système à deux étages

On considère un système série à deux étages. L’étage 1 s’approvisionne en commandant
à l’extérieur du système et l’étage 2 s’approvisionne en commandant à l’étage 1. L’étage 2
voit une demande continue de taux λ. Les notations à l’étage j sont les suivantes :
— hj = Coût de possession local d’une unité pendant une unité de temps
— kj = Coût fixe d’approvisionnement
— cj = Coût variable unitaire d’approvisionnement
— Lj = Délai d’approvisionnement
On supposera que cj = 0 et Lj = 0. On ne considérera que des politiques d’approvisionne-
ment à la fois stationnaire, ZIO et imbriquée. On note uj la période de l’étage j et qj la
quantité commandée à l’étage j. On supposera que les stocks locaux sont nuls à l’instant
initial (à t = 0− ).
Nous considérerons deux instances particulières :
— Instance A : h1 = 1 e/jour, h2 = 11 e/jour, k1 = 10 e, k2 = 10 e, λ = 1 par jour
— Instance B : h1 = 1 e/jour, h2 = 11 e/jour, k1 = 1 e, k2 = 100 e, λ = 1 par jour
Question 1. Soit la politique (u1 , u2 ) = (4, 1) pour l’instance A. Vérifier que cette politique
est imbriquée.
Question 2. Après avoir rappelé la définition d’un stock échelon, dessiner l’évolution des
stocks locaux et des stocks échelon à chaque étage (pour l’instance A et la politique (4, 1))
Question 3. Soit la politique (u1 , u2 ) = (3.5, 3.5) pour l’instance B. Vérifier que cette
politique est imbriquée. Dessiner l’évolution des stocks locaux et des stocks échelon à chaque
étage.
Question 4. Rappeler la définition du coût de possession échelon hei . Rappeler par ailleurs
la relation qui lie hi , hei , SPi , SPie où SPi désigne le stock physique local à l’étage i et SPie
le stock physique échelon à l’étage i. Vérifier que cette relation est correcte.
Question 5. Écrire le coût moyen C(u1 , u2 ) d’une politique (u1 , u2 ) en fonction de u1 , u2 .
Question 6. Écrire le problème d’optimisation permettant d’obtenir la politique optimale.
Ce problème sera noté problème (P1 ).
Notons (u∗1 (a), u∗2 (a)) la solution optimale du cas particulier du problème (P1) où l’on
aurait fixé a. Soit C ∗ (a) le coût optimal correspondant.
3. STOCKS DANS UN SYSTÈME SÉRIE 87
Question 7. Notons a l’entier tel que u1 = au2 . Exprimer u∗2 (a) et C ∗ (a) en fonction de a
et des paramètres du système.
Question 8. Notons a∗ la valeur de a ∈ IN∗ qui minimise C ∗ (a). Exprimer a∗ en fonction
des paramètres du système. Il faudra distinguer plusieurs cas.
Question 9. Quelle est la valeur numérique de la solution optimale et du coût optimal de
(P1) pour l’instance A ? Instance A : h1 = 1 e/jour, h2 = 11 e/jour, k1 = 10 e, k2 = 10
e, λ = 1 par jour. Les coûts de possession h1 et h2 sont les coûts de possession locaux.
3 Stocks dans un système série

On considère le système série à 3 étages ci-dessous, avec des délais de livraison positifs
et des ventes différées. Les quantités au-dessus des triangles correspondent aux stocks nets
locaux et les quantités au-dessus des flèches aux quantités en transit. Toute commande
passée a été expédiée immédiatement.
40 -20 -30
70 50 60
1 2 3
Question 10. Sur l’exemple ci-dessus, donner les valeurs numériques des stocks suivants :
— Stock physique échelon 1 =
— Stock net échelon 1 =
— Stock brut échelon 2 =
Question 11. Quel est l’intérêt du stock brut et du stock échelon par rapport au stock
physique ?
88 CHAPITRE 4. SYSTÈMES MULTI-ÉCHELON
Troisième partie
Projets
89
1. SIMULATION ET OPTIMISATION DE POLITIQUES DE GESTION DES STOCKS91
1 Simulation et optimisation de politiques de gestion des

stocks
Évaluation. L’examen (sur table ou en salle info) portera, entre autres, sur ce TP.
1.1 Problématique
Une pièce dont vous avez la gestion a une demande journalière aléatoire. Vous disposez
d’un historique des ventes pour cette pièce sur l’année qui précède (cf fichier sur Dokeos).
Une demande est l’agrégation des demandes de plusieurs clients. Ainsi, une demande de
trois signifie que trois clients ont passé une commande de 1. A chaque commande passée,
vous avez un coût fixe s’élevant à 100 e. La possession d’une pièce pendant un jour est de
1 e . Le délai d’approvisionnement de 5 jours est supposé fiable dans un premier temps. Une
commande passée en début du jour j est disponible en début du jour j + 5. Les demandes
non satisfaites sont mises en attente. Il n’y a pas de coût de rupture de stock mais on
cherchera à satisfaire une certaine qualité de service. On supposera enfin que les demandes
sont servis suivant leur ordre d’arrivée (first come, first served).
Votre mission de stage est de développer un outil d’aide à la décision afin de choisir une
politique de gestion des stocks appropriée. Les objectifs de l’entreprise sont, entre autres :
— d’avoir un bon taux de service (en quantité). Le taux de service est défini comme le
pourcentage des demandes satisfaites immédiatement.
— de minimiser les coûts
1.2 Questions préliminaires
Question 1. Rappeler la définition des politiques classiques (r, q), (r, S), (T, q) et (T, S).
Quelques notations utiles pour décrire la dynamique des stocks :

— Xt = stock net au début du jour t (avant réception de la livraison du jour, ayant lieu
en début de matinée)
— Yt = stock brut au début du jour t (avant que la commande du jour soit passée)
— Qt = quantité commandée au début du jour t
— Dt = demande le jour t
— L = délai de livraison
Question 2. Donner une équation qui relie les stocks nets, les quantités commandées et les
demandes.
Question 3. Exprimer le stock brut en fonction du stock net et des commandes passées.
Question 4. Donner une équation qui relie les stocks bruts, les quantités commandées et
les demandes.
Question 5. En période t, combien de demandes sont satisfaites (en incluant celles déjà en
attente) ?
Question 6. En période t, combien de demandes sont satisfaites immédiatement ? On

supposera que la politique est premier arrivé, premier servi (first come first served).
92
1.3 Simulation et optimisation sur la base de l’historique des demandes

Simulation de la politique (r, q)
Question 7. Avec Excel, réaliser un simulateur de politique (r, q) sur une année (365 jours
ouvrés) avec un stock initial de 50 pièces et aucune commande en transit. Vous utiliserez
l’historique des demandes disponible sur Dokeos.
Vous pourrez par exemple remplir les colonnes suivantes :
Jour Demande Stock net Stock brut Quantité commandée ···

1 ? 50 50 ? ···
2 ? ? ? ? ···
··· ··· ··· ··· ··· ···
365 ? ? ? ? ···
Question 8. Représenter l’évolution du stock net et du stock brut en fonction du temps.

Question 9. Compléter le simulateur afin qu’il calcule les paramètres de performance sui-
vants :
— Coût moyen par jour (fixe, possession, total)
— Taux de service en quantité : Proportion des pièces fournies à temps par rapport au
nombre de pièces demandées
— Taux de service en temps : % de jours sans rupture de stock
— Stock physique moyen
— Temps moyen passé par une pièce en stock
— Nombre moyen de clients en attente
— Délai moyen pour servir un client (inclure les clients qui n’attendent pas)
— Délai moyen pour servir un client, parmi ceux qui attendent au moins une période
pour être servis
— Rotation annuelle des stocks
Question 10. Afin d’augmenter la précision sur les résultats obtenus, simuler la politique
sur un nombre de périodes beaucoup plus grand. Commenter.
Nous allons chercher à déterminer les paramètres optimaux (r∗ , q ∗ ) qui minimisent les
coûts tout en assurant que (1 − α)% des pièces sont satisfaites immédiatement.
Question 11. Une heuristique classique consiste à utiliser la formule de Wilson pour ap-
procher q ∗ . Calculer la quantité qEOQ ainsi obtenu.
Question 12. En prenant comme quantité de commande q EOQ , déterminer les points de
commande rEOQ qui assure des taux de service de 80 %, 90 % et 100 %. Au passage, calculer
le coût journalier C(rEOQ , q EOQ ) pour les trois taux de service.
Question 13. Déterminer les paramètres optimaux (r∗ , q ∗ ) ainsi que le coût journalier
associé, pour les 3 taux de service. Pour ce faire, vous utiliserez 2 méthodes
— Par tâtonnements
— En utilisant une macro Visual Basic (guide d’utilisation sur Chamilo)
Question 14. L’approximation de q ∗ par la formule de Wilson vous semble-t-elle bonne ?
Proposez une explication à partir du graphique d’évolution des stocks.
1. SIMULATION ET OPTIMISATION DE POLITIQUES DE GESTION DES STOCKS93
1.4 Politique (T, S)

Afin de regrouper les commandes avec d’autres produits, il est envisagé de passer à une
gestion calendaire.
Question 15. Réaliser un simulateur de politique (T, S) et trouver les paramètres optimaux
(T ∗ , S ∗ )
1.5 Politique à stock nominal (S)

On considère dans cette partie une politique à stock nominal (S) qui recomplète le
stock brut à S à chaque période. Cette politique est adaptée en pratique si les coûts fixes
sont faibles. On supposera dans cette partie que le coût fixe k est nul et que les demandes
D1 , · · · , DT sont indépendantes et suivent une loi normale d’espérance µ et d’écart-type σ.
On notera par ailleurs DL+1 = D1 + D2 + . . . DL+1 .
Question 16. Montrer que la politique (S) est un cas particulier de la politique (T, S) et
de la politique (r, S).
Taux de service en temps
On considère tout d’abord un taux de service en temps et on suppose que le délai

d’approvisionnement L est fixe. L’objectif est donc de trouver le stock nominal S ∗ qui
minimise les coût de stockage, tout en assurant un taux de service (1 − α).
Question 17. Donner la distribution de DL+1 .
Question 18. Montrer que Xt = S − DL+1 au bout de suffisamment de périodes.
Question 19. En déduire une formule analytique pour le stock nominal optimal S ∗ .
Question 20. Vérifier expérimentalement cette dernière formule en générant des demandes
aléatoires sur un horizon suffisamment long (par exemple 100 000 périodes).
Coûts d’attente
Au lieu de considérer un taux de service à respecter, nous allons supposer dans cette
partie qu’une unité de demande en attente coûte b par période. Nous montrerons dans la
suite du cours que le stock nominal optimal (minimisant l’espérance des coûts de possession
et d’ d’attente) vérifie la relation suivante :
√ b
S ∗ = (L + 1)µ + z.σ L + 1 avec P (Z ≤ z) =
b+h
Question 21. Vérifier cette formule expérimentalement.
1.6 Délai d’approvisionnement non fiable

Après quelques approvisionnements, vous vous rendez compte que le taux de service
observé est plus faible que celui attendu. Ce problème est dû au délai de livraison qui n’est
pas systématiquement de 5 jours.
94
Une étude des dernières livraisons fait apparaı̂tre que dans 50% des cas le délai est bien
de 5 jours mais dans 25% des cas, il est de 6 jours et dans 25% des cas, il est de 4 jours.
Question 22. Refaire le simulateur de politique (r, q) en prenant pour demandes l’historique
fourni sur Chamilo. Vous générerez vous-même les délais aléatoires.
1.7 Système à deux étages

On considère désormais un système à 2 étages. Chaque étage a les mêmes carastéristiques
que le système a un étage décrit au début du TP (k = 100, h = 1, L = 5). L’étage 1 est
fournisseur de l’étage 2. La demande à l’étage 2 en période t est Dt (cf fichier sur Chamilo).
Chaque étage gère son stock indépendemment en adoptant une politique (ri , qi ) à l’étage i.
On notera Xti , Yti , Qit le stock net, le stock brut et la quantité commandée à l’étage i
à la période t. On notera par ailleurs Et1 la quantité expédiée en période t par l’étage 1 à
l’étage 2.
Question 23. Donner la dynamique du système en termes de stocks nets et stocks bruts.
Question 24. Réaliser un simulateur donnant les taux de service en quantité et les coûts
de stockage pour chaque étage.
2. BEER GAME 95
2 Beer game
Le jeu de la bière (beer game) est un jeu qui a été développé au MIT (Massachusetts
Institute of Technology) dans les années 1960 afin d’appréhender les problématiques de
centralisation/décentralisation des décisions et de partage d’informations dans les chaı̂nes
logistiques (supply chains).
La chaı̂ne logistique considérée est constituée de quatre acteurs : une usine (factory), un
distributeur (distributor), un grossiste (wholesaler), un détaillant (retailer). Chaque acteur
de la chaı̂ne logistique a un fournisseur en amont et un client en aval. Par exemple, le
distributeur a pour fournisseur l’usine et pour client le grossiste.
Usine Distributeur Grossiste Détaillant

3 sem 3 sem 3 sem 3 sem 3 sem
Matières
Client final
premières 1 sem 1 sem 1 sem 1 sem 1 sem
Délai flux physiques

Délai flux d’information
Chaque semaine, chaque acteur de la chaı̂ne logistique essaie de satisfaire la demande

provenant de son client. Les demandes non satisfaites sont mises en attente. Le coût de
rupture de stock est b par unité en attente et par semaine. Par ailleurs, le coût de possession
d’une unité en stock pendant une semaine est noté h. Lorsqu’une commande de q > 0 unités
est passée, il en coûte k + qc où k est le coût fixe et c le coût variable. Si aucune commande
n’est passée (q = 0), le coût de commande est nul. En utilisant la fonction indicatrice, on
peut résumer le coût d’une commande ainsi :
(
0 si q = 0
k1lq>0 + qc =
k + qc si q > 0
Afin de satisfaire les demandes, un acteur peut passer des ordres de commande à son four-
nisseur. Un ordre met 1 semaine a parvenir au fournisseur. Si le fournisseur peut satisfaire la
commande, il l’expédie immédiatement. Le délai de transport est alors de 3 semaines. Ainsi
un acteur reçoit ce qu’il a commandé 4 semaines après avoir placé l’ordre de commande, si
son fournisseur n’est pas en rupture de stock. En cas de rupture de stock chez le fournisseur,
le fournisseur met en attente la commande et est tenu de la satisfaire ultérieurement. Notons
qu’un fournisseur n’est pas autorisé à expédier à son client des produits que ce dernier n’a
pas commandé. Par ailleurs, nous supposerons que chaque étage a une capacité de stockage
illimitée.
Les acteurs aux extrémités de la chaı̂ne ont un rôle un peu particulier. Pour le détaillant,
le délai de livraison et le délai d’information sont nuls. Quant à l’usine, elle s’approvisionne
en matières premières afin de fabriquer ses bières et l’on considère qu’il n’y a jamais de
rupture de stock en matières premières.
Chaque semaine, l’ordre des opérations est le suivant pour chaque acteur :
1. Lundi : mettre à jour le niveau de stock et le nombre de demandes en attente d’être
servies
2. Mardi : réceptionner l’ordre de commande de votre client
96
3. Mercredi : expédier à votre client les demandes en attente (comprenant l’ordre de

commande du mardi), dans la mesure du stock disponible. Attention, vous n’avez
pas le droit d’expédier à votre client plus de produits que ce qu’il vous a
commandé !
4. Jeudi : réceptionner la livraison en provenance de votre fournisseur. Attention, vous
ne pouvez pas expédier le mercredi ce que vous réceptionnez le jeudi !
5. Vendredi : passer une commande à votre fournisseur, si vous le jugez nécessaire.
Quelques notations en semaine t pour un acteur i (on omet l’indice i pour simplifier les
notations ) :
— S(t) = Stock disponible en début de semaine
— B(t) = Nombre de demandes en attente en début de semaine
— SN (t) = Stock net en début de semaine = S(t) − B(t)
— E(t) = Quantité expédiée à votre client
— R(t) = Quantité réceptionnée en provenance de votre fournisseur
— D(t) = Quantité commandée par votre client
— Q(t) = Quantité que vous commandez à votre fournisseur
Le jeu se déroule sur T semaines.
Par la suite, les paramètres du problème seront fixés à : T = 25, h = 1, b = 2, k = 50,
c = 0.
2.1 Questions préliminaires
Question 1. Exprimer le coût total Ci pour l’acteur i sur l’horizon [1, · · · , T ] en fonction
de h, b, c et k et des S(t), B(t), Q(t)
Question 2. Exprimer E(t) en fonction de S(t), B(t) et D(t).
Question 3. Exprimer S(t + 1) et B(t + 1) en fonction de S(t), B(t), E(t), R(t) et D(t).
Question 4. Exprimer SN (t + 1) en fonction de SN (t), R(t) et D(t).
Question 5. Compléter le tableau ci-joint.
2.2 Jeu de la bière

Historique de la demande La bière vendue est un nouveau produit lancée en janvier
et on dispose de peu de données sur la demande. La demande moyenne observée de
janvier à mars est de 4 avec une légère tendance à la hausse.
Prévision de la demande Le service marketing espère que les efforts publicitaires consen-
tis vont porter leurs fruits. L’objectif est de doubler les ventes d’ici l’été. En outre,
la bière connaı̂t des effets de saisonnalité et la consommation est plus élevée lors de
fortes chaleurs.
Initialisation Le jeu débute au début du printemps, en semaine 1. Chaque acteur a 12
unités en stock et aucune demande en attente. Chaque acteur a passé un ordre de
commande de 4 à la semaine 0. Chaque fournisseur a expédié 4 unités en semaines
0, -1 et -2. Tous les acteurs devraient donc avoir une demande de 4 en semaine 1 et
réceptionner physiquement 4 unités en semaines 1, 2, et 3.
2. BEER GAME 97
L’objectif de chaque acteur i est de minimiser son coût Ci . Les différents acteurs n’ont
pas le droit de communiquer entre eux. Seul le détaillant voit la vraie demande.
2.3 Rapport à rendre
Chaque groupe devra rédiger un rapport en trois parties.
Partie I (état de l’art) Expliquer le bullwhip effect (ou effet coup de fouet) en répondant
aux questions : Qu’est-ce que le bullwhip effect (ou effet coup de fouet) ? Quels indica-
teurs utiliser pour le quantifier ? Comment explique-t-on le bullwhip effect ? Quels sont
les différents facteurs qui amplifient le bullwhip effect ? Quelles sont les conséquences
du bullwhip effect ? Quels leviers peut-on utiliser pour tenter de limiter le bullwhip
effect et ses conséquences ?
Votre exposé devra s’appuyer sur la littérature (livres, articles, sites web, ...) en veillant
à référencer correctement vos sources. Afin de vous aider à démarrer vos recherches
bibliographiques, vous trouverez sur Chamilo (rubrique Documents / Beer game) des
articles sur le bullwhip effect.
Partie II (analyse du jeu) Exploiter le jeu du beer game en répondant aux questions
suivantes. Avez-vous observé un bullwhip effect ? Pouvez-vous le quantifier ? Comment
l’expliquez-vous en vous appuyant sur la littérature ? Pour répondre à ces questions,
vous vous appuierez sur votre revue de littérature précédente.
Partie III (décisions centralisées, demande déterministe) Proposer et comparer des
stratégies permettant de coordonner efficacement la chaı̂ne logistique étudiée dans le
Beer game. Vous vous placerez dans le cas d’une information parfaite sur la demande
(demande connue sur tout l’horizon de temps) et de décisions centralisées (les décisions
pour l’ensemble des acteurs sont coordonnées). Votre objectif sera de minimiser le coût
P
total de la chaı̂ne logistique i Ci .
Afin de limiter les effets de bord, vous considérerez un horizon de temps de 100
semaines en dupliquant 4 fois les demandes observées pendant le jeu (D(t) = D(t +
25) = D(t + 50) = D(t + 75)).
Partie IV (décisions centralisées, demande aléatoire) Reprendre la question précédente
en supposant que la demande suit une loi normale (moyenne et écart-type observées
pendant le jeu). Vous simulerez vos politiques sur un horizon de temps de T=1000
semaines, afin de limiter les effets statistiques.
2.4 Evaluation
Planning
Le planning sera précisé ultérieurement.

— Prochain TD : Point d’avancement d’une quinzaine de minutes avec chaque groupe.
Vous y exposerez votre planning/organisation ainsi que vos premiers résultats.
— Dans un mois : Déposer le rapport au format PDF sur ”Chamilo/Travaux”. Ce
rapport final devra comporter 4 à 6 pages (police 11, interligne simple, arial). Pas
d’annexes.
98
Critères
Ensemble du rapport Rédaction, disposition typographique, lisibilité des graphiques et

tableaux, cohérence entre les différentes parties
Partie I Les réponses sont-elles correctes et étayées par des références ? Les références
sont-elles pertinentes ? Les références sont-elles correctement citées dans le texte et
listées en fin de rapport ?
Partie II Le bullwhip effect est-il mis en lumière grâce à des indicateurs et graphiques
pertinents ? Le lien avec la littérature est-il fait ?
Partie III et IV Les stratégies choisies sont-elles compréhensibles par le lecteur ? Les
stratégies ont-elles été correctement implémentées ? Les stratégies sont-elles perti-
nentes et efficaces ? Les performances des stratégies sont-elles présentées clairement à
travers un tableau de synthèse ?
Absences Une absence non justifiée d’un étudiant lors du jeu ou d’un point d’avancement
entraı̂nera la non évaluation du beer game pour cet étudiant.
Investissement des étudiants au sein du groupe

Si d’aventure les investissements des étudiants différaient notablement au sein d’un
groupe, vous pourrez le mentionner au début du rapport avec les signes suivants.
(=) Étudiant s’étant normalement investi, (+) Étudiant s’étant plus investi que le reste
du groupe, (−) Étudiant s’étant moins investi que le reste du groupe,
3. SÉMINAIRES 99
3 Séminaires
Les séminaires seront basés sur l’ouvrage suivant, disponible sur Chamilo (rubrique
Séminaires) : A. Rushton, P. Croucher and P. Barker. The handbook of logistics and distri-
bution Management.
4 séminaires auront lieu sur les thèmes suivants :
— Séminaire 1 : Warehousing and storage
— Storage and handling systems (chapters 16, 17, 18)
— Order picking picking and packing, receiving and dispatch (chapters 16, 19, 20)
— Séminaire 2 : Freight transport I
— Maritime transport (chapters 23, 24)
— Air transport (chapters 23, 25)
— Humanitarian logistics (chapter 38)
— Séminaire 3 : Freight transport II
— Rail and intermodal transport (chapters 23, 26)
— Road freight transport (chapters 27, 28, 29)
— Séminaire 4 : Other topics
— Outsourcing (chapters 33, 34, 35)
— Logistics and the environment (chapter 37)
Les étudiants sont répartis par groupe de 3 ou 4. A chaque groupe est affectée l’une des
thématiques ci-dessus. Vous allez devoir réaliser un exposé oral sur la thématique qui vous
est attribuée et faire un résumé en anglais des chapitres correspondants.
3.1 Exposé
Durée des présentations :
— Groupe de 3 étudiants : 20 minutes à répartir uniformément entre les 3 étudiants
— Groupe de 4 étudiants : 25 minutes à répartir uniformément entre les 4 étudiants
— Chaque présentation sera suivie d’environ 10 minutes de questions et commentaires
Quelques indications générales :
— Vous pouvez présenter en anglais ou en français (au choix)
— L’exposé n’a pas pour but de résumer les chapitres lus mais de réaliser un exposé
sur la thématique attribuée, qui puisse intéresser vos camarades de GI ainsi que les
enseignants
— L’exposé devra se nourrir des lectures des chapitres attribués mais aussi d’autres
lectures que vous citerez au cours de votre présentation
— Au cours de votre exposé, vous ferez le lien entre la thématique de votre exposé et
la gestion des stocks
— L’exposé doit être compréhensible, pour l’essentiel, par un étudiant de GI
— L’objectif n’est pas de présenter le plus de choses possibles mais de les présenter
clairement, synthétiquement et avec recul
— Utilisez des graphiques et dessins pour illustrer vos propos. N’oubliez pas les légendes.
— Un rythme d’un transparent par minute semble un maximum
— Si vous avez des interrogations, adressez vous à votre chargé de TD
100
Matériel :
— Un vidéo-projecteur sera disponible dans la salle
— Vous pourrez utiliser le tableau si besoin
3.2 Résumé
En une page (400 à 500 mots), il vous faudra résumer en anglais les chapitres qui vous
sont attribués. Ce résumé doit être compréhensible par un étudiant de la filière ICL, qui
n’aurait pas lu ces chapitres. Le résumé sera jugé sur le fond et la forme.
3.3 Dépôt des fichiers sur Chamilo

Dans la rubrique Travaux/Séminaires, vous devrez déposer avant le séminaire où vous
présentez 2 fichiers au format PDF :
— Le résumé (nom fichier : NumeroGroupeResume.pdf )
— Les transparents de la présentation (nom fichier : NumeroGroupeTransparents.pdf )
Noms de fichiers pour le groupe A1 par exemple : A1Resume.pdf, A1Transparents.pdf.
Merci de bien uploader 2 fichiers pdf distincts, sans les zipper.
N’oubliez pas de rappeler au début de chaque document les noms des membres du
groupe.
Annexe A
Rappels de probabilité
X = v.a. discrète X = v.a. continue

Densité p(x) = P (X = x) fX (x)
Fonction de répartition Rx
FX (x) = xt=0 p(t)
P
FX (x) = 0 fX (t)dt
FX (x) = P (X ≤ x)
R∞
E(X) = ∞
P
Espérance de X t=0 tp(t) E(X) = 0 xfX (x)dx
P∞ R∞
Espérance de g(X) E[g(X)] = t=0 g(t)p(t) E[g(X)] = 0 g(x)fX (x)dx
Variance V ar(X) = E(X 2 ) − [E(X)]2 Idem
p
Écart-type σ(X) = V ar(X) Idem
E(X)
Coefficient de variation cv(X) = Idem
σ(X)
La densité d’une variable aléatoire continue est la dérivée de la fonction de répartition.

Nous avons ainsi
FX (x + ∆x) − FX (x) P (x < X ≤ x + ∆x)

fX (x) = lim = lim
∆x→0 ∆x ∆x→0 ∆x
Ainsi la quantité fX (x)dx s’interprète comme la probabilité que X appartienne à l’intervalle

]x, x + dx] :
P (x < X ≤ x + dx) = fX (x)dx + o(dx)
On peut aussi définir une variable aléatoire mixte qui soit en partie continue, et en partie
discrète. Une variable aléatoire mixte X a une fonction de répartition FX qui peut s’écrire
comme
FX (x) = P (X ≤ x) = aFW (x) + (1 − a)FD (x)
où FW est la fonction de répartition d’une variable aléatoire continue W et FD la fonction

de répartition d’une variable discrète D. Ainsi, la fonction de répartition d’une variable
aléatoire mixte est croissante et continue par morceaux.
Notons fW = FW 0 la densité de W . Par ailleurs, soit (x , · · · , x ) les valeurs prises par
1 n
D et pD (xi ) = P (D = xi ) la probabilité que D prenne la valeur xi . On peut alors définir la
densité de X comme
fX (x) = afW (x) + (1 − a)fD (x)
101
102 ANNEXE A. RAPPELS DE PROBABILITÉ
où
n
X
fD (x) = pD (xi )δ(x − xi )
i=1
La fonction δ est la fonction Dirac qui prend une valeur infinie en 0 et la valeur zéro
ailleurs. Son intégrale sur IR vaut 1. On peut voir cette fonction comme la limite de δa (x) =
1
1l{x∈[−a,a]} quand a tend vers 0.
2a
On peut alors définir l’espérance de X comme étant
Z n
X
E(X) = aE(W ) + (1 − a)E(D) = a xfW (x)dx + (1 − a) pD (xi )
IR i=1
Prenons un exemple simple. Soit une variable aléatoire X qui soit continue uniforme sur
[0, 1] et qui prend la valeur discrète 3 avec une probabilité 3/4. Nous avons alors
fX (x) = 0.25 × 1l{x∈[0,1]} + 0.75 × δ(x − 3)



 0, si x < 0

 x/4, si 0 ≤ x ≤ 1
FX (x) =
 0.25, si 1 < x < 3


1, si x ≥ 3

R1
Puis E(X) = 0.25 0 dx + 0.75 × 3 = 1/8 + 9/4 = 19/8
Annexe B
Chaı̂nes de Markov à temps discret
Cette annexe présente quelques rappels rapides sur les CMTD. Pour plus de détails,
nous renvoyons le lecteur au cours ”Modèles à événements discrets” de la filière ICL ou
encore à l’excellent ouvrage de Baynat (2000), disponible à la bibliothèque de GI.
1 Définitions
Un processus stochastique à temps discret est une suite de variables aléatoires (Xt )t∈IN .
Un processus stochastique à temps continu est une famille de variables aléatoires (Xt )t∈IR .
Un processus stochastique à états discrets est un processus stochastique qui prend un
nombre discret de valeurs.
Dans ce qui suit, nous nous restreindrons aux processus stochastiques à temps discret et
à états discrets. Nous supposerons en outre qu’il y un nombre fini d’états. Les états seront
notés de 1 à n.
Un processus stochastique à temps et états discrets est une CMTD si et seulement si :
P (Xt+1 = j|Xt = i, Xt−1 = xt−1 , · · · , X0 = x0 ) = P (Xt+1 = j|Xt = i)
Dans une CMTD, le comportement futur ne dépend que de l’état actuel.
2 Analyse en régime transitoire

Nous allons rappeler comment calculer les probabilités d’état à l’instant t.
— πj (t) = P (Xt = j) = probabilité d’être dans l’état j à l’instant t
— π(t) = (π1 (t), π2 (t), · · · , πn (t)) = vecteur des probabilités d’état
— pij (t) = P (Xt+1 = j|Xt = i) = probabilité de transition de l’état i à l’état j à
l’instant t
— P (t) = (pij (t)) = matrice de transition à l’instant t
Nous avons alors la relation suivante entre les probabilités d’état à l’instant t et à l’instant
(t + 1) :
Xn
πj (t + 1) = pij (t)πi (t)
i=1
On peut écrire la relation précédente sous forme matricielle :
π(t + 1) = π(t)P (t)
103
104 ANNEXE B. CHAÎNES DE MARKOV À TEMPS DISCRET
Si l’on connaı̂t les probabilités d’état à l’instant initial, on en déduit facilement les proba-
bilités d’état à l’instant t :
π(t) = π(0)P (0)P (1) · · · P (t − 1)
Une CMTD est dite homogène si les probabilités de transition ne dépendent pas du temps :
pij (t) = pij , ∀t
On peut représenter une CMTD homogène par un graphe orienté où les sommets corres-
pondent aux états et les arcs orientés correspondent aux transitions entre deux états (figure
B.1). La valuation de l’arc (i, j) correspond à la probabilité de passer de l’état i à l’état j.
p12 p23
2
p11 p33
p21
p24
1 3
p41 p43
4
Figure B.1 – Graphe d’une CMTD homogène
Pour une CMTD homogène, nous avons alors :
π(t) = π(0)P t
3 Analyse en régime stationnaire

Notations :
— πj = limt→∞ P (Xt = j) = probabilité stationnaire d’être dans l’état j
— π = (π1 , π1 , · · · , πn ) = vecteur des probabilités stationnaires
Pour que les probabilités stationnaires soient bien définies, il faut que les probabilités d’état
convergent quand t tend vers l’infini. Le théorème suivant énonce des conditions suffisantes
pour l’existence des probabilités stationnaires.
Théorème B.1. Si une CMTD est irréductible (on peut atteindre tout état i de tout état
j) et apériodique, alors les probabilités stationnaires existent et sont solutions du système
linéaire suivant :
(
π = πP
Pn
i=1 πi = 1
Bibliographie
B. Baynat. Théorie des files d’attente : des chaı̂nes de Markov aux réseaux à forme produit.
Hermes science, 2000.
V. Giard. Gestion de la production et des flux. Economica, 2003. ISBN 2717844988.
F.W. Harris. How many parts to make at once. Factory, the Magazine of management, 10 :
135–136, 1913.
E.L. Porteus. Foundations of stochastic inventory theory. Stanford University Press, 2002.
P. Vallin. La Logistique. Modèles et Méthodes de Pilotage Des Flux. Collection Techniques

de Gestion. Economica, 2001.
Harvey M. Wagner and Thomson M. Whitin. Dynamic version of the economic lot size
model. Management science, 5(1) :89–96, 1958.
R.H. Wilson. A scientific routine for stock control. Harvard business review, 13 :116–128,
1934.
P.H. Zipkin. Foundations of inventory management. McGraw-Hill, 2000.
105

Gestion Des Stocks Notes de Cours, Exercices Et Projets (PDFDrive)

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Gestion Des Stocks Notes de Cours, Exercices Et Projets (PDFDrive)

Transféré par

Droits d'auteur :

Formats disponibles

Gestion des stocks

Notes de cours, exercices et projets

Jean-Philippe Gayon (Grenoble INP - Génie industriel)

2 Demande constante - Modèle de Wilson et variantes 11

3 Demande constante - Systèmes multi-échelon 27

4 Demande déterministe et variable dans le temps 39

5 Demande aléatoire - Modèle du vendeur de journaux 45

6 Demande aléatoire sur plusieurs périodes 57

1 Demande constante et continue 67

2 Demande aléatoire (une période) 73

3 Demande aléatoire (plusieurs périodes) 79

A Rappels de probabilité 101

B Chaı̂nes de Markov à temps discret 103

Demande constante - Modèle de

2.1 Sans rupture de stock

La demande pour ce produit est continue et constante, de taux λ . Ainsi, pendant un

Structure des coûts

Nous considérons trois types de coûts :

Stock physique et stock brut

Quelques notations à l’instant t :

2.1.2 Politiques d’approvisionnement

Gestion à point de commande

Figure 2.1 – Évolution des stocks pour une politique quelconque

Table 2.1 – Classification des politiques, d’après Vallin (2001)

Equivalence des politiques

q Stock physique, SP(t)

Figure 2.2 – Equivalence entre les politiques

2.1.3 Politiques ZIO

Figure 2.3 – Exemple de politique ZIO

La politique π 0 a un coût fixe inférieur (nombre de commandes inférieur) mais aussi un

2.1.4 Dynamique du système

Nous pouvons alors exprimer SP (t) entre les instants 0 et u :

Le problème est u-périodique et on en déduit aisément le niveau de stock à tout instant :

SP (t) = q − λ(t − nu) pour nu ≤ t < (n + 1)u, n ∈ IN

2.1.5 Paramètres de performance

On aurait pu aussi obtenir ce résultat par un calcul direct :

2.1.6 Quantité économique de commande

Le coût de possession par unité de temps est donné par

C(q) = Ch (q) + Ck (q) + Cc (q)

Figure 2.6 – Coûts moyens en fonction de la quantité commandée. Données : λ = 10, k =

Nous allons maintenant chercher la quantité économique de commande q ∗ , la valeur de

satisfait C 0 (q) = 0 et nous obtenons :

La quantité q ∗ est souvent appelée quantité économique de commande. La formule de Wilson

2.1.7 Analyse de sensibilité

L’interprétation de l’élasticité est la suivante : si α augmente de  % (avec  petit) alors f (α)

Exercice 1. Retrouver les élasticités de C ∗ et q ∗ aux différents paramètres, résumées dans

Table 2.2 – Élasticité de C ∗ , q ∗ et β ∗ aux différents paramètres

Ainsi, une augmentation de 1% de h entraı̂ne une augmentation de 0.5% du coût optimal

et on retrouve bien une élasticité de 1/2 de q ∗ par rapport à λ. Il fallait se rappeler du

q ∗ (h(1 + )) = (1 + )−1/2 q ∗ (h)

et on retrouve bien une élasticité de -1/2 de q ∗ par rapport à h.

2.1.8 Robustesse à des erreurs d’estimation des paramètres

C(aq ∗ ) λc + λk/aq ∗ + haq ∗ /2 λk/aq ∗ + haq ∗ /2

2.2 Ventes différées

2.2.2 Paramètres de performance

Figure 2.9 – Quelques notations

Exprimons maintenant quelques paramètres de performance en fonction de β et q :

— Nombre moyen de demandes en attente :

— Temps moyen passé en stock par un produit :

— % des demandes satisfaites sans délai :

— Attente moyenne parmi les demandes qui ont attendu :

2.2.3 Politique optimale

f (αx + (1 − α)y) ≤ αf (x) + (1 − α)f (y), ∀x, y ∈ E, ∀α ∈ [0, 1]

L’interprétation de l’élasticité est la suivante : si α augmente de % (avec petit) alors f (α)

q ∗ (h(1 + )) = (1 + )−1/2 q ∗ (h)