Académique Documents
Professionnel Documents
Culture Documents
28 mars 2017
2
Table des matières
I Notes de cours 7
1 Introduction 9
3
4 TABLE DES MATIÈRES
II Exercices 65
8 Surbooking . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 78
9 Vendeur de journaux avec coûts fixes . . . . . . . . . . . . . . . . . . . . . . 78
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
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
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
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.
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
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)
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.
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.
14CHAPITRE 2. DEMANDE CONSTANTE - MODÈLE DE WILSON ET VARIANTES
T T T
Cette équivalence n’est en général pas vraie, notamment lorsque l’on considère des de-
mandes aléatoires.
SP(t)
Temps
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 )
2.1. SANS RUPTURE DE STOCK 15
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)
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
1
Z u 1 qu q
SP = SP (t)dt = × =
u 0 u 2 2
16CHAPITRE 2. DEMANDE CONSTANTE - MODÈLE DE WILSON ET VARIANTES
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
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.
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
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 :
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)
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
18CHAPITRE 2. DEMANDE CONSTANTE - MODÈLE DE WILSON ET VARIANTES
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).
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
2.1. SANS RUPTURE DE STOCK 19
∂f
f [(1 + )α] = f (α) + α (α) + o()
∂α
α ∂f
= (1 + × )f (α) + o()
f (α) ∂α
= (1 + θ)f (α) + o()
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
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 :
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
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
α = r − λL = β − q
22CHAPITRE 2. DEMANDE CONSTANTE - MODÈLE DE WILSON ET VARIANTES
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
1
Z u1 u1 β
SP = SP (t)dt =
u 0 2u
β2
=
2q
1 u −u2 α α2
Z
B= B(t)dt = =
u u1 2u 2q
(q − β)2
=
2q
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
u1 β
QoS = =
u q
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
∂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
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.
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
Stock
Client final
(transport, transformation,
Activité assemblage, contrôle)
27
28 CHAPITRE 3. DEMANDE CONSTANTE - SYSTÈMES MULTI-ÉCHELON
1 2 … J
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 imbriquée
Théorème 3.1. Il existe une politique optimale qui soit imbriquée, à intervalles station-
naires et ZIO.
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∗
1 … j … 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.
u3
SP2(t)
Étage 2
SPe2(t) = SP2(t) + SP3(t)
u2 = 3 u3
SP1(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
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)
32 CHAPITRE 3. DEMANDE CONSTANTE - SYSTÈMES MULTI-ÉCHELON
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
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)
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
!
u−
u−
j =2 αxj
⇒ xj = log2 j
α
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
34 CHAPITRE 3. DEMANDE CONSTANTE - SYSTÈMES MULTI-ÉCHELON
avons alors :
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.
Faisons l’hypothèse que toute demande en attente est, si possible, satisfaite immédiatement.
Nous avons alors les relations suivantes pour les stocks locaux :
J
X
SPje (t) = SPj (t) + (SPi (t) + STi (t))
i=j+1
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
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
36 CHAPITRE 3. DEMANDE CONSTANTE - SYSTÈMES MULTI-ÉCHELON
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
— λei = λi + j∈Suc(i) λj
P
1 4
2 5
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)
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).
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
C ∗ = min C(u)
s.c. ui = aij uj , ∀(i, j) ∈ E
aij ∈ N ∗ , ∀(i, j) ∈ E
uj ≥ 0, ∀j ∈ V
C − = min C(u)
s.c. ui ≥ uj , ∀(i, j) ∈ E
uj ≥ 0, ∀j ∈ V
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 :
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.
t.
— L = délai d’approvisionnement
39
40 CHAPITRE 4. DEMANDE DÉTERMINISTE ET VARIABLE DANS LE TEMPS
xt+1 = xt + qt − dt
q0 qt qT-1
x0 x1 xt xt+1 xT-1 xT
0 … t … T-1 T
d0 dt dT-1
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
4.1. SANS RUPTURE DE STOCK 41
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
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.
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
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
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
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
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 :
44 CHAPITRE 4. DEMANDE DÉTERMINISTE ET VARIABLE DANS LE TEMPS
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
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.
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
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
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
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 :
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.
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%.
Table 5.2 – Exemple : Ruptures, invendus et demande satisfaite pour une quantité com-
mandée q = 1
α(q) = P (X ≤ q) = FX (q)
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
Le stock de sécurité peut être négatif si on commande moins que l’espérance de la demande.
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
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
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.
E(Ai ) = µi , σ(Ai ) = σi
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.
1 X1 X1
…
1
n Xn Xn
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
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
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
54CHAPITRE 5. DEMANDE ALÉATOIRE - MODÈLE DU VENDEUR DE JOURNAUX
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
∗
Cdécentralisé = nσK
√ ∗
Cdécentralisé
∗
Ccentralisé = nσK = √
n
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
min(q, X) = X − (X − q)+
5.8. VARIANTES 55
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.
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
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.
56CHAPITRE 5. DEMANDE ALÉATOIRE - MODÈLE DU VENDEUR DE JOURNAUX
(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)
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)
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
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.
— Da = at=1 Dt = Demande cumulée sur a périodes. Cette notation sera utile pour
P
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
6.2 Dynamique
6.2.1 Ventes différées
Dans le cas de ventes différées, la séquence des événements implique la relation suivante :
Yt+1 = Yt + Qt − Dt (6.3)
En effet, toutes les commandes passées avant t (et intégrées dans Yt ) seront arrivées en t+L.
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)
Malheureusement, il n’y a pas de relation simple entre Yt+1 et Yt comme dans le cas avec
ventes différées :
En général, le problème avec ventes perdues est plus difficile à étudier sur un plan théorique.
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
— Pas de prise
— Bonne réactivité à
en compte des
Quantité variable des variations de la
contraintes de
(S) demande
conditionnement
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)
Il vient alors :
Puis :
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.
Ventes différées
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
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.
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
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 :
Exercices
65
Chapitre 1
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
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.
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.
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
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
72 CHAPITRE 1. DEMANDE CONSTANTE ET CONTINUE
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 ?
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 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).
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 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 ?
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.
i 0 1 2 3 4
P (X = i) 1/2 1/4 1/8 1/16 1/16
4 Vendeur de skis
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 6. Notons β(q) le taux de service en quantité, quand q est commandé. Exprimer
β(q) en fonction des paramètres du modèle.
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
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
8 Surbooking
Adaptation examen 2009
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
∆π(q) = p − sF (q − n)
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.
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.
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 :
P (D = k) = ρk (1 − ρ) pour k ≥ 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.
82 CHAPITRE 3. DEMANDE ALÉATOIRE (PLUSIEURS PÉRIODES)
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
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
4.
5.
Q
R=
X
84 CHAPITRE 3. DEMANDE ALÉATOIRE (PLUSIEURS PÉRIODES)
Chapitre 4
Systèmes multi-échelon
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 ?
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.
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
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
Question 1. Rappeler la définition des politiques classiques (r, q), (r, S), (T, q) et (T, S).
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 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 :
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
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.
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.
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
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.
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.
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
Critères
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)
— Humanitarian logistics (chapter 38)
— Séminaire 4 : Other topics
— Outsourcing (chapters 33, 34, 35)
— Logistics and the environment (chapter 37)
— Humanitarian logistics (chapter 38)
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.
Rappels de probabilité
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)
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
R1
Puis E(X) = 0.25 0 dx + 0.75 × 3 = 1/8 + 9/4 = 19/8
Annexe B
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.
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 :
Une CMTD est dite homogène si les probabilités de transition ne dépendent pas du temps :
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
π(t) = π(0)P t
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.
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.
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.
105