Académique Documents
Professionnel Documents
Culture Documents
OPÉRATIONNELLE
APPLIQUÉE
À LA GESTION
INDUSTRIELLE
APPRENTISSAGE PAR L’EXEMPLE BASÉ SUR
L’UTILISATION DE LOGICIELS TABLEURS DE CALCUL
Simon TAMAYO
Ronan CARDIN
INDUSTRIAL Sebastian ECHEVERRI
OPTIMIZATION
PRESS
Daniel PINO
RECHERCHE OPÉRATIONNELLE APPLIQUÉE À LA GESTION INDUSTRIELLE
RECHERCHE OPÉRATIONNELLE
APPLIQUÉE À LA
GESTION INDUSTRIELLE
APPRENTISSAGE PAR L’EXEMPLE
BASÉ SUR L’UTILISATION DE LOGICIELS TABLEURS DE CALCUL
ISBN : 978-1530248728
INDUSTRIAL OPTIMIZATION PRESS
Simon TAMAYO
Ronan CARDIN
Sebastian ECHEVERRI
Daniel PINO
www.optimisationindustrielle.com
PARIS, FRANCE
2016
Tous droits de traduction, d’adaptation et de reproduction par tous procédés, réservés pour tous pays.
Toute reproduction ou représentation intégrale ou partielle, par quelque procédé que ce soit, des pages pu-
bliées dans le présent ouvrage, faite sans l’autorisation des auteurs est illicite et constitue une contrefaçon.
Seules sont autorisées, d’une part, les reproductions strictement réservées à l’usage privé du copiste et non
destinées à une utilisation collective, et d’autre part, les courtes citations justifiées par le caractère scientifique
ou d’information de l’œuvre dans laquelle elles sont incorporées (loi du 11 mars 1957 art. 40 et 41 et Code Pé-
nal art. 425).
Tous les noms de sociétés ou de produits cités dans le présent ouvrage sont utilisés à des fins d’identification et
sont des marques des leurs détenteurs respectifs.
RECHERCHE OPÉRATIONNELLE APPLIQUÉE À LA GESTION INDUSTRIELLE
SOMMAIRE
PRÉAMBULE : OBJECTIFS, PRÉREQUIS ET APERÇU DE L’OUVRAGE ................................... 9
CE QUE VOUS ALLEZ APPRENDRE ................................................................................................ 9
PRÉREQUIS ............................................................................................................................ 9
APERÇU DE L’OUVRAGE .......................................................................................................... 10
SITE WEB DE L’OUVRAGE ........................................................................................................ 10
LES AUTEURS ....................................................................................................................... 11
Simon TAMAYO, Ronan CARDIN, Sebastian ECHEVERRI & Daniel PINO III
RECHERCHE OPÉRATIONNELLE APPLIQUÉE À LA GESTION INDUSTRIELLE
PRÉAMBULE :
OBJECTIFS, PRÉREQUIS
ET APERÇU DE L’OUVRAGE
• l’utilisation d’outils logiciels, de type tableur de calcul, pour déterminer la solution op-
timale ou quasi optimale ;
PRÉREQUIS
Pour bien suivre les apports théoriques et les exemples pratiques de cet ouvrage, vous
n’avez pas besoin d’avoir une formation technique de haut niveau, cependant vous devez
être familiarisé avec trois éléments fondamentaux :
• l’utilisation d’un logiciel de type tableur de calcul (Microsoft Excel®, Apache OpenOf-
fice Calc®, LibreOffice Calc®, etc.) ;
• les principaux concepts de gestion industrielle (planification, gestion des stocks, or-
donnancement, etc.).
APERÇU DE L’OUVRAGE
Chaque chapitre est divisé en deux parties, une introduction théorique et une partie pra-
tique composée de plusieurs exemples.
Les chapitres peuvent être lus de façon indépendante et dans l’ordre de votre choix.
Néanmoins nous vous conseillons de les lire chronologiquement, d’une part parce que les
principaux concepts et définitions sont d’abord présentés pour ensuite être approfondis,
complétés et adaptés au fur et à mesure des chapitres. Et d’autre part, parce que la difficul-
té des exemples traités croît de manière progressive.
À la fin de chaque chapitre, nous présentons un bilan appelé « clés du chapitre », où vous
trouverez le résumé du chapitre, ses mots-clés et enfin, quelques références bibliogra-
phiques qui vous permettront d’aller plus loin dans votre apprentissage.
La Figure 0.1 présente un aperçu des différents chapitres :
CHAPITRE 10 :
CHAPITRE 11 :
CHAÎNES DE
CONCLUSION
MARKOV
LES AUTEURS
Dr. Simon TAMAYO est enseignant-chercheur à MINES ParisTech, où il
est responsable des enseignements sur la recherche opérationnelle appli-
quée aux systèmes industriels et sur les systèmes ERP. Il est également
enseignant à HEC Paris dans le domaine de la supply chain et examina-
teur externe à l’université de Limerick (Irlande) pour les diplômes en ges-
tion des opérations et de supply chain. Il est expérimenté en tant qu'ingé-
nieur de recherche et chef de projet dans une grande variété d'applications de modélisa-
tion, d'analyse de données et d’aide à la décision. Ses recherches s’intéressent à l'optimi-
sation industrielle et aux applications de l'intelligence artificielle dans la gestion d’entreprise.
CHAPITRE 1 :
INTRODUCTION, MÉTHODE
ET MODÉLISATION
HISTORIQUE
La recherche opérationnelle est apparue « officiellement » pendant la Seconde Guerre
mondiale, lorsqu’une équipe de scientifiques anglais a été chargée de conseiller l’armée,
afin de mieux utiliser les ressources miliaires. Néanmoins, plusieurs mathématiciens
s’étaient déjà penchés sur des problèmes liés à la recherche opérationnelle par le passé,
contribuant ainsi à son apparition. Voici un aperçu des faits marquants pour la recherche
opérationnelle depuis l’antiquité jusqu’à nos jours.
Au début de la dynastie Han en Chine (IIe siècle avant notre ère), le premier ouvrage sur les
méthodes de résolution de problèmes mathématiques, nommé « Les Neuf Chapitres sur
l'art mathématique », a été compilé. L’un des chapitres de ce livre anonyme traite du
« Fangcheng », un problème de disposition rectangulaire de plusieurs inconnues. Déjà à
cette époque, ce problème a été formulé à l’aide d’un système linéaire puis résolu selon un
principe similaire à l'élimination de Gauss.
Dans les années 700 et 800, le mathématicien, géographe et astronome perse, Al-
Khwârizmî, surnommé « le père de l'algèbre » a été le premier à répertorier de façon sys-
tématique les méthodes de résolution d'équations. Son nom est à l’origine du mot algo-
rithme.
? 1
1 1
1 2 1
Ax < a
(S) Bx < b
Cx = c
Figure 1.1. Ligne chronologique de la recherche opérationnelle depuis l'antiquité jusqu'au XVIIIe siècle.
Figure 1.2. Ligne chronologique de la recherche opérationnelle depuis le XIXe siècle jusqu'à nos jours.
En 1928, les fondements de la théorie des jeux modernes ont été décrits pour la première
fois dans une publication de John von Neumann, mathématicien et physicien américano-
hongrois. Selon la théorie des jeux, l'action optimale pour un joueur dépend des anticipa-
tions qu'il élabore sur la décision d'un autre joueur. Elle est très souvent utilisée en écono-
mie et en sciences politiques.
Pendant la Seconde Guerre mondiale, Patrick Blackett a été appelé par l'état-major anglais
pour diriger la première équipe de recherche opérationnelle. Il a dû résoudre, entre autre,
des problèmes d'implantation optimale de radars de surveillance et de gestion des convois
d'approvisionnement. C’est à ce moment que la « recherche opérationnelle » est apparue
en tant que telle. Le qualificatif « opérationnelle » vient du fait que l’équipe de Blackett était
associée aux opérations militaires.
MÉTHODE DE RÉSOLUTION
La recherche opérationnelle est une discipline scientifique appliquée. En ce sens, elle
cherche à résoudre des problèmes en utilisant une méthode définie. La Figure 1.3 présente
les étapes classiques de cette méthode de résolution :
VALIDATION
FORMULATION CONSTRUCTION SOLUTION
ET MISE EN
DU PROBLÈME DU MODÈLE DU MODÈLE
OEUVRE
FORMULATION DU PROBLÈME
Initialement nous avons besoin de bien comprendre le problème et le système dans lequel
il s’inscrit. Pour cela, il est important d’identifier l’objectif, à savoir, ce qui va être optimisé
(par exemple, nous pouvons chercher à maximiser un bénéfice ou à minimiser un coût).
Ensuite, nous devons identifier les variables à considérer. Pour cela, il est important
d’identifier les entrées et les sorties du système. Parfois, nous pourrons contrôler ces va-
riables (par exemple une quantité à produire) et dans d’autres circonstances, ces variables
seront en dehors de notre portée (par exemple, le prix d’une matière première). Finalement
il est capital de déterminer les limitations du système donnant les restrictions à considérer.
CONSTRUCTION DU MODÈLE
Dans cette phase, nous devons établir le modèle mathématique nous permettant de repré-
senter le système. Ce modèle doit relier les variables de décision avec les contraintes et
l’objectif du système. Il est important de déterminer si le modèle est déterministe ou non-
déterministe, c’est-à-dire, s’il se comporte de manière prévisible ou s’il contient une source
de hasard.
Dans cet ouvrage, nous construirons des modèles mathématiques composés de trois élé-
ments : une fonction objectif, des variables de décision et des contraintes (nous définirons
ces éléments dans la section suivante).
SOLUTION DU MODÈLE
Une fois le modèle établi, nous pouvons procéder à la recherche d’une solution satisfai-
sante. La solution est donnée par le meilleur résultat obtenu pour la fonction objectif en
fonction des la valeur des variables de décision définies. Pour obtenir cette solution, nous
pouvons utiliser différents algorithmes en fonction du type de problème.
En plus de la solution du modèle, on peut effectuer une analyse de sensibilité, afin de con-
naître les réactions du modèle à des changements dans les spécifications et les paramètres
du système. Cette analyse est particulièrement importante lorsque les paramètres ne sont
pas exacts et les restrictions peuvent être erronées et/ou imprécises.
MODÈLE MATHÉMATIQUE
Un modèle mathématique est une représentation formelle d'un phénomène industriel, phy-
sique, économique, humain, etc., réalisée afin de mieux étudier celui-ci à l’aide des outils,
des techniques et des théories mathématiques. Tel qu’il est présenté par la Figure 1.4, un
modèle mathématique comporte 3 éléments :
VARIABLES FONCTION
CONTRAINTES
DE DÉCISION OBJECTIF
VARIABLES DE DÉCISION
Les variables de décision sont les choix ou les inconnues qui doivent être déterminés par la
solution du modèle. On les appelle « variables de décision » car le décideur contrôle leurs
valeurs. Par exemple, on peut vouloir décider les quantités à produire de deux références
catalogue x 1 et x 2 .
FONCTION OBJECTIF
La fonction objectif dépend des valeurs des variables de décision et sert à déterminer le
comportement du système. Elle sert donc de critère pour trouver la meilleure solution au
problème abordé. Le but du problème étant de minimiser ou maximiser cette fonction dans
la recherche de l'optimum. La fonction objectif est souvent appelée « fonction écono-
mique » ou « fonction de coût ».
Par exemple, on peut chercher à maximiser le gain donné par les quantités produites des
références x 1 et x 2 . Ce gain peut être calculé comme le résultat des ventes (quantité pro-
duite multipliée par le prix de vente) moins les coûts de revient des références (quantité
produite fois coût unitaire). On a donc f(x) = x 1 *prix 1 + x 2 *prix 2 - x 1 *coût 1 - x 2 *coût 2 .
CONTRAINTES
Les contraintes sont des relations entre une ou plusieurs variables de décision qui permet-
tent de limiter les valeurs qu’elles peuvent prendre. Les contraintes servent à tenir compte
des limitations du système (technologiques, économiques, etc.) afin de restreindre les va-
riables de décision à un sous-ensemble de valeurs possibles et pertinentes. Par exemple,
on peut avoir un contrat avec un client qui impose une production d’au moins une quantité
b 1 de la référence x 1 . On peut également admettre que l’entreprise ne peut pas produire
des quantités négatives. On a donc, x 1 ≥ b 1 et x 2 ≥ 0.
Étant donné que l’entrepôt sera lui-même approvisionné à partir des deux ports maritimes
voisins, nous souhaitons que la distance avec chacun des ports ne dépasse pas 125 km.
Le Tableau 1.2 indique les coordonnées de ces ports maritimes :
210
COORDONNÉE 2 (x2)
Usines
200
190
Ports
180 Entrepôt
170
160
150
140
130
120
90
80
70
60
50
40
30
20
10
0
0 10 20 30 40 50 60 70 80 90 100 110 120 130
COORDONNÉE 1(x1)
2 2
min f (x1, x2 ) = 2000 * ( x1 − 40) + ( x2 − 200)
2 2
+1500 * ( x1 −120) + ( x2 −150)
2 2
+2000 * ( x1 −110) + ( x2 − 75)
2 2
+5000 * ( x1 − 80) + ( x2 − 0)
Si nous nous intéressons à l’allure de cette fonction pour avoir une idée de la forme de
l’espace des solutions, nous pouvons faire varier x 1 et x 2 et calculer le résultat de la dis-
tance pondérée pour chaque coordonnée. En faisant cela nous obtenons le résultat de la
Figure 1.6 qui montre graphiquement le comportement de la distance pondérée pour les
différentes localisations de l’entrepôt :
Usines
Ports
2 000 000
DISTANCE PONDÉRÉE
Entrepôt
1 750 000
1 500 000
1 250 000
500 000
250 000
0
210 (x1 ; x2)
190
170
150
130 120
110 100
90 80
70 60
50
30 40
10 20
COORDONNÉE 2 (x2) 0 COORDONNÉE 1(x1)
Figure 1.6. Fonction objectif calculée comme la distance pondérée par la demande de chaque usine.
2 2
( x1 − 0) + ( x2 −140) ≤125
2 2
( x1 − 0) + ( x2 − 60) ≤125
Pour qu’une solution soit admissible, elle doit satisfaire ces deux inégalités. Cela veut dire
que le nouvel entrepôt doit être contenu dans un rayon de moins de 125 km autour de
chaque port maritime, tel qu’il est présenté dans la Figure 1.7.
210
COORDONNÉE 2 (x2)
Usines
200
190
Ports
180 Entrepôt
170
160
150
140
130
120
110
100
90
80
70
60
50
40
30
20
10
0
0 10 20 30 40 50 60 70 80 90 100 110 120 130
COORDONNÉE 1(x1)
Figure 1.7. Contraintes du problème. La zone grisée représente l’espace des solutions admissibles.
La zone en gris sur la figure indique la « région admissible » des solutions satisfaisant les
deux contraintes.
SOLUTION OPTIMALE
Une fois que nous avons construit le modèle mathématique, nous pouvons passer à la pro-
chaine étape de la méthode : la solution du modèle.
Dans les prochains chapitres, nous apprendrons à résoudre ce type de modèle en nous
servant des logiciels de type tableur de calcul. La solution optimale présentée ci-après a été
trouvée à l’aide de Microsoft Excel®.
f (x1, x2 ) = 791939,8
x1 = 91, 3
x2 = 54, 6
La distance pondérée minimale est donc égale à 791 939,8 tonnes-kilomètre. Les dé-
marches de modélisation numérique et de résolution de cet exemple seront expliquées en
détail dans le chapitre suivant.
La Figure 1.8 présente la localisation du nouvel entrepôt.
210
COORDONNÉE 2 (x2)
Usines
200
190
Ports
180 Entrepôt
170
160
150
140
130
120
110
100
90
80
70
60
50
40
(91,3 ; 54,6)
30
20
10
0
0 10 20 30 40 50 60 70 80 90 100 110 120 130
COORDONNÉE 1(x1)
CLÉS DU CHAPITRE
RÉSUMÉ
Dans ce chapitre nous avons défini la recherche opérationnelle comme « l’ensemble des
méthodes et des techniques quantitatives, orientées vers la recherche de la meilleure
manière d'effectuer des choix, ou bien de prendre les meilleures décisions, en vue
d'aboutir au meilleur résultat possible ».
Nous avons dressé un historique de cette discipline et nous avons constaté qu’elle apparaît
formellement lors de la Seconde Guerre mondiale avec les travaux de Blackett. Néanmoins
ses bases et influences vont de la Grèce antique (Euclide) jusqu’à l’informatique de nos
jours en passant par les perses (Al-Khawarizmi), les grands mathématiciens, inventeurs et
ingénieurs européens (Descartes, Pascal, Fermat, Newton, Bernoulli, Euler, Fourier et Er-
lang) et américains (Taylor, Harris, Edison, Dantzig et Ackoff).
Nous nous sommes intéressés aux étapes et méthodes de résolution d’un problème
d’optimisation qui suit la logique suivante : formulation du problème ; construction du mo-
dèle ; solution du modèle ; validation et mise en œuvre. Et nous avons détaillé les éléments
constitutifs d’un modèle mathématique : les variables de décision, la fonction objectif et les
contraintes.
Les variables de décision sont celles sur lesquelles nous pouvons agir afin d’améliorer le
résultat de la fonction objectif, c’est-à-dire le paramètre que nous souhaitons optimiser.
Classiquement, la fonction objectif permet de maximiser un gain ou minimiser un coût, mais
elle peut également viser à minimiser une distance totale (dans une tournée), à maximiser
une propriété mécanique (dans la conception d’un produit), à minimiser le retard total (dans
un ordonnancement), etc. Les contraintes du modèle sont les limites à respecter pour que
la solution obtenue soit pertinente et/ou faisable. Elles peuvent concerner les variables de
décision et/ou le résultat de la fonction objectif.
MOTS CLÉS
Recherche opérationnelle, historique, méthode de résolution, modèle mathématique, va-
riables de décision, fonction objectif, contraintes, paramètres.
• "History of Operations Research in the United States Army Volume", Office of the Deputy Under
Secretary of the Army for Operations Research United States Army, 2015, CreateSpace, ISBN-
13 : 978-1507662632.