RECHERCHE

OPÉRATIONNELLE
APPLIQUÉE
À LA GESTION
INDUSTRIELLE
APPRENTISSAGE PAR L’EXEMPLE BASÉ SUR
L’UTILISATION DE LOGICIELS TABLEURS DE CALCUL

UN MANUEL DE MATHÉMATIQUES APPLIQUÉES

AUX PROBLÈMES DE GESTION DES OPÉRATIONS
ET DE LA SUPPLY CHAIN

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

UN MANUEL DE MATHÉMATIQUES APPLIQUÉES AUX PROBLÈMES

DE GESTION DES OPÉRATIONS ET DE LA SUPPLY CHAIN

Simon TAMAYO Ph.D.

Enseignant chercheur à MINES ParisTech

Ronan CARDIN Prag.

Professeur agrégé à ARTS ET MÉTIERS ParisTech

Sebastian ECHEVERRI Ph.D.

Responsable de recherche à SKF

Daniel PINO Ph.D.

Enseignant chercheur à MINES ParisTech

INDUSTRIAL OPTIMIZATION PRESS

1ère édition
PARIS, 2016
 RECHERCHE OPÉRATIONNELLE APPLIQUÉE À LA GESTION INDUSTRIELLE

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

CHAPITRE 1 : INTRODUCTION, MÉTHODE ET MODÉLISATION ........................................ 12

DÉFINITION DE RECHERCHE OPÉRATIONNELLE.............................................................................. 12
HISTORIQUE ......................................................................................................................... 12
MÉTHODE DE RÉSOLUTION ...................................................................................................... 15
MODÈLE MATHÉMATIQUE ........................................................................................................ 17
EXEMPLE 1.1 : MODÉLISATION DE LA LOCALISATION D’UN ENTREPÔT ............................................... 18
CLÉS DU CHAPITRE ................................................................................................................ 22

CHAPITRE 2 : OPTIMISATION, PROBLÈMES ET OUTILS ................................................ 24

DÉFINITION D’OPTIMISATION ................................................................................................... 24
CONVEXITÉ .......................................................................................................................... 25
TYPES DE PROBLÈMES D’OPTIMISATION ..................................................................................... 26
LES SOLVEURS D’OPTIMISATION : DES OUTILS À PORTÉE DE MAIN.................................................... 29
UTILISATION DU SOLVEUR POUR RÉSOUDRE L’EXEMPLE 1.1 ............................................................ 34
CLÉS DU CHAPITRE ................................................................................................................ 38

CHAPITRE 3 : OPTIMISATION LINÉAIRE ................................................................... 40

DÉFINITION D’OPTIMISATION LINÉAIRE ...................................................................................... 40
EXEMPLE 3.1 : OPTIMISATION D’UN PLAN DE FABRICATION ............................................................ 41
L’ESPACE DE SOLUTION IDÉAL .................................................................................................. 42
RÉSOLUTION GRAPHIQUE ........................................................................................................ 43
ALGORITHME DU SIMPLEXE ..................................................................................................... 48
EXEMPLE 3.2 : FABRICATION DE 2 PRODUITS SUR 3 MACHINES (SOLUTION AVEC SIMPLEXE) .................. 49
ANALYSE POST-OPTIMALE ...................................................................................................... 60
EXEMPLE 3.3 : AFFECTATIONS DANS UN RÉSEAU DE DISTRIBUTION .................................................. 64
EXEMPLE 3.4 : MÉLANGES DANS L’AGROALIMENTAIRE ................................................................... 67
EXEMPLE 3.5 : PLANIFICATION DES HORAIRES ............................................................................. 70
EXEMPLE 3.6 : GESTION DES HEURES SUPPLÉMENTAIRES ............................................................... 73

Simon TAMAYO, Ronan CARDIN, Sebastian ECHEVERRI & Daniel PINO I

 RECHERCHE OPÉRATIONNELLE APPLIQUÉE À LA GESTION INDUSTRIELLE

CLÉS DU CHAPITRE ................................................................................................................ 76

CHAPITRE 4 : THÉORIE APPLIQUÉE DES GRAPHES ..................................................... 79

DÉFINITION DE GRAPHE .......................................................................................................... 79
TERMINOLOGIE ..................................................................................................................... 80
REPRÉSENTATION MATRICIELLE ................................................................................................ 82
RÉSEAUX ET FLOTS ............................................................................................................... 84
EXEMPLE 4.1 : PLANIFICATION DANS LA SUPPLY CHAIN ................................................................. 85
EXEMPLE 4.2 : MÉLANGES CHIMIQUES........................................................................................ 91
EXEMPLE 4.3 : ÉTABLISSEMENT D’UN PLAN INDUSTRIEL ET COMMERCIAL .......................................... 98
EXEMPLE 4.4 : AFFECTATION DES EFFECTIFS ............................................................................ 103
EXEMPLE 4.5 : PLANIFICATION GLOBALE - APPROVISIONNEMENT PRODUCTION ET VENTE .................... 109
CLÉS DU CHAPITRE .............................................................................................................. 115

CHAPITRE 5 : OPTIMISATION NON-LINÉAIRE LISSE ................................................... 117

DÉFINITIONS ...................................................................................................................... 117
MÉTHODES DU GRADIENT ...................................................................................................... 119
EXEMPLE 5.1 : FONCTIONNEMENT DE L’ALGORITHME DE LA PLUS FORTE PENTE ................................ 120
OPTIMISATION NON-LINÉAIRE LISSE ET SOLVEURS D’OPTIMISATION ............................................... 122
EXEMPLE 5.2 : DÉFINITION D’UN PORTEFEUILLE BOURSIER .......................................................... 123
EXEMPLE 5.3 : FABRICATION DE RÈGLES .................................................................................. 126
EXEMPLE 5.4 : OPTIMISATION D’EMBALLAGE ............................................................................ 128
EXEMPLE 5.5 : OPTIMISATION DE LA GÉOMÉTRIE D’UN PRODUIT .................................................... 131
CLÉS DU CHAPITRE .............................................................................................................. 135

CHAPITRE 6 : OPTIMISATION COMBINATOIRE .......................................................... 137

DÉFINITION D’OPTIMISATION COMBINATOIRE ............................................................................ 137
MÉTHODES EXACTES ............................................................................................................ 138
MÉTHODE DE SÉPARATION ET D’ÉVALUATION (BRANCH AND BOUND) ............................................. 138
EXEMPLE 6.1 : PROBLÈME D’AFFECTATION DES TÂCHES (SOLUTION AVEC BRANCH AND BOUND) .......... 139
AVANTAGES ET INCONVÉNIENTS DES MÉTHODES DE SÉPARATION ET D’ÉVALUATION .......................... 143
MÉTHODES APPROCHÉES ...................................................................................................... 144
OPTIMISATION COMBINATOIRE ET SOLVEURS D’OPTIMISATION ...................................................... 147
EXEMPLE 6.2 : AFFECTATION TÂCHES-OPÉRATEURS (SOLUTION NUMÉRIQUE)................................... 147
EXEMPLE 6.3 : ORDONNANCEMENT D’UN ATELIER (MÉTHODES ÉVOLUTIONNISTES)............................ 151
EXEMPLE 6.4 : PROBLÈME DU VOYAGEUR DE COMMERCE .............................................................. 154
EXEMPLE 6.5 : OPTIMISATION DES EMPLACEMENTS D’UN ENTREPÔT .............................................. 162
CLÉS DU CHAPITRE .............................................................................................................. 167

Simon TAMAYO, Ronan CARDIN, Sebastian ECHEVERRI & Daniel PINO II

 RECHERCHE OPÉRATIONNELLE APPLIQUÉE À LA GESTION INDUSTRIELLE

CHAPITRE 7 : PROBLÈMES LINÉAIRES EN NOMBRES ENTIERS ET MIXTES ....................... 169

DÉFINITION D’OPTIMISATION LINÉAIRE EN NOMBRES ENTIERS ET MIXTE.......................................... 169
MÉTHODES DE RÉSOLUTION ................................................................................................... 171
EXEMPLE 7.1 : FONCTIONNEMENT DE LA MÉTHODE DE RELAXATION LINÉAIRE .................................. 172
OPTIMISATION LINÉAIRE EN NOMBRES ENTIERS ET SOLVEURS D’OPTIMISATION ................................ 178
EXEMPLE 7.2 : PROBLÈME D’INVESTISSEMENT .......................................................................... 179
EXEMPLE 7.3 : MODIFICATION DE LA MAIN D’ŒUVRE INTÉRIMAIRE ................................................. 183
EXEMPLE 7.4 : PROBLÈME DE CHARGEMENT .............................................................................. 186
CLÉS DU CHAPITRE .............................................................................................................. 188

CHAPITRE 8 : INTRODUCTION AUX PROCESSUS STOCHASTIQUES .................................. 190

DÉFINITION DE PROCESSUS STOCHASTIQUE ............................................................................... 190
RAPPELS DE PROBABILITÉ ET STATISTIQUE............................................................................... 191
QUELQUES DISTRIBUTIONS FONDAMENTALES ............................................................................ 199
LOI DES GRANDS NOMBRES ................................................................................................... 205
THÉORÈME CENTRAL LIMITE .................................................................................................. 205
INTERVALLES DE CONFIANCE.................................................................................................. 207
CLÉS DU CHAPITRE .............................................................................................................. 209

CHAPITRE 9 : MÉTHODES DE MONTE-CARLO ........................................................... 212

DÉFINITION DES MÉTHODES DE MONTE-CARLO ........................................................................... 212
PRINCIPE DE BASE............................................................................................................... 212
ÉTAPES DE LA MÉTHODE DE MONTE-CARLO ............................................................................... 213
GÉNÉRATION DE VARIABLES ALÉATOIRES DANS LES LOGICIELS TABLEURS DE CALCUL.......................... 215
EXEMPLE 9.1 : PRÉVISION DU BÉNÉFICE ET ÉVALUATION DU RISQUE .............................................. 217
EXEMPLE 9.2 : ESTIMATION DE LA DURÉE DE VIE D’UNE MACHINE .................................................. 225
EXEMPLE 9.3 : DÉFINITION DU STOCK DE SÉCURITÉ AVEC 3 SOURCES DE VARIABILITÉ ........................ 229
EXEMPLE 9.4 : PLANIFICATION (ET OPTIMISATION) DES DÉLAIS D’UN PROJET .................................. 234
CLÉS DU CHAPITRE .............................................................................................................. 241

CHAPITRE 10 : CHAÎNES DE MARKOV .................................................................... 243

PRINCIPE DE BASE............................................................................................................... 243
MODÉLISATION À L’AIDE DES CHAÎNES DE MARKOV ..................................................................... 243
APPLICATION À LA GESTION INDUSTRIELLE ............................................................................... 246
EXEMPLE 10.1 : ÉTUDE DE L’OCCUPATION D’UN QUAI À L’AIDE DES CHAÎNES DE MARKOV ................... 246
EXEMPLE 10.2 : DISPONIBILITÉ D’UN ROBOT D’ASSEMBLAGE (AVEC LOGICIEL TABLEUR DE CALCUL) ...... 250
EXEMPLE 10.3 : PAGERANK ................................................................................................... 254

Simon TAMAYO, Ronan CARDIN, Sebastian ECHEVERRI & Daniel PINO III
 RECHERCHE OPÉRATIONNELLE APPLIQUÉE À LA GESTION INDUSTRIELLE

EXEMPLE 10.4 : CALCUL DE STOCK .......................................................................................... 259

CLÉS DU CHAPITRE .............................................................................................................. 264

CONCLUSION GÉNÉRALE ..................................................................................... 266

ANNEXES ....................................................................................................... 267

ANNEXE 1 : PARAMÈTRES DU SOLVEUR D’OPTIMISATION DE MICROSOFT EXCEL® ............................... 267
ANNEXE 2 : CALCUL DE LA FRÉQUENCE ET CRÉATION D’UN HISTOGRAMME SUR MICROSOFT EXCEL®........ 270
ANNEXE 3 : FONCTIONS DE MICROSOFT EXCEL® UTILISÉES DANS CET OUVRAGE ................................. 274

INDEX ........................................................................................................... 275

Simon TAMAYO, Ronan CARDIN, Sebastian ECHEVERRI & Daniel PINO IV

 RECHERCHE OPÉRATIONNELLE APPLIQUÉE À LA GESTION INDUSTRIELLE

PRÉAMBULE :
OBJECTIFS, PRÉREQUIS
ET APERÇU DE L’OUVRAGE

CE QUE VOUS ALLEZ APPRENDRE

Cet ouvrage a pour objectif d’introduire de manière très simple et surtout pratique, les prin-
cipales notions de recherche opérationnelle et leurs applications techniques à la gestion
industrielle. Vous serez instruit(e) sur :

• la formulation de modèles d'optimisation permettant de représenter un système

et/ou un problème donné ;

• l’identification des techniques appropriées pour appréhender la résolution de diffé-

rents types de problèmes ;

• l’utilisation d’outils logiciels, de type tableur de calcul, pour déterminer la solution op-
timale ou quasi optimale ;

• l’interprétation des résultats.

Pour atteindre ces objectifs, nous utiliserons une approche « d'apprentissage par
l’exemple ». De ce fait, vous découvrirez un maximum de concepts avec l’étude d’exemples
précis et propres à la gestion des opérations et de la supply chain.

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 :

• les mathématiques de base (rassurez-vous nous ne ferons pas d’intégrale triple !) ;

• l’utilisation d’un logiciel de type tableur de calcul (Microsoft Excel®, Apache OpenOf-
fice Calc®, LibreOffice Calc®, etc.) ;

Simon TAMAYO, Ronan CARDIN, Sebastian ECHEVERRI & Daniel PINO 9

 RECHERCHE OPÉRATIONNELLE APPLIQUÉE À LA GESTION INDUSTRIELLE

• 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 1 : CHAPITRE 2 : CHAPITRE 3 :

INTRODUCTION, MÉTHODE OPTIMISATION, OPTIMISATION
ET MODÉLISATION PROBLÈMES ET OUTILS LINÉAIRE

CHAPITRE 6 : CHAPITRE 5 : CHAPITRE 4 :

OPTIMISATION OPTIMISATION NON- THÉORIE APPLIQUÉE
COMBINATOIRE LINÉAIRE LISSE DES GRAPHES

CHAPITRE 7 : CHAPITRE 8 : CHAPITRE 9 :

PROBLÈMES EN NOMBRES PROCESSUS MÉTHODES DE
ENTIERS ET MIXTES STOCHASTIQUES MONTE-CARLO

CHAPITRE 10 :
CHAPITRE 11 :
CHAÎNES DE
CONCLUSION
MARKOV

Figure 0.1. Aperçu de l'ouvrage.

SITE WEB DE L’OUVRAGE

Pour obtenir les corrigés des exercices traités et pour nous donner un feed-back constructif
de votre lecture, rendez-vous sur : www.optimisationindustrielle.com

Simon TAMAYO, Ronan CARDIN, Sebastian ECHEVERRI & Daniel PINO 10

 RECHERCHE OPÉRATIONNELLE APPLIQUÉE À LA GESTION INDUSTRIELLE

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.

M. Ronan CARDIN est professeur agrégé en Génie Mécanique à Arts et

Métiers ParisTech. Il est responsable des enseignements en méthodes et
industrialisation, de recherche opérationnelle et de systèmes ERP. Il a ac-
compagné de nombreux projets de modélisation et d’optimisation indus-
trielles dans les domaines aéronautique, automobile, agroalimentaire,
cosmétique, grande distribution et industrie du luxe.

Dr. Sebastian ECHEVERRI RESTREPO est responsable de recherche à

SKF où il développe et utilise des outils de recherche opérationnelle et
d’intelligence artificielle dans le domaine des matériaux et des méthodes
de production. Plus précisément, il fait de la recherche appliquée et fon-
damentale -aux échelles micro et mésoscopiques- sur le comportement
physique des aciers, polymères et lubrifiants, avec l’objectif de développer
des nouveaux matériaux, améliorer leur performance et ainsi augmenter la vie utile de
chaque composant des roulements. Il est également chercheur invité au King’s College
London (KCL).

Dr. Daniel PINO MUNOZ est enseignant-chercheur à MINES ParisTech. Il

est spécialiste dans la modélisation des matériaux et des procédés
d’élaboration. Il s’intéresse particulièrement aux problèmes de modélisation
des phénomènes de diffusion de matière ainsi qu’à la modélisation de la
rupture ; domaines de recherche dont l’utilisation de techniques
d’optimisation est indispensable. Il développe des techniques
d’optimisation pour résoudre des problèmes fortement non-linéaires avec un grand nombre
de contraintes et de variables (de l’ordre de plusieurs millions).

Simon TAMAYO, Ronan CARDIN, Sebastian ECHEVERRI & Daniel PINO 11

 CHAPITRE 1 : INTRODUCTION, MÉTHODE ET MODÉLISATION

CHAPITRE 1 :
INTRODUCTION, MÉTHODE
ET MODÉLISATION

DÉFINITION DE RECHERCHE OPÉRATIONNELLE

La recherche opérationnelle désigne l’ensemble des méthodes et des techniques quanti-
tatives d'analyse et de synthèse, 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.
Il s’agit d’une branche des mathématiques appliquées, dans laquelle sont abordés des pro-
blèmes d’aide à la décision et d’optimisation, sujets qui ont pu être explorés en profondeur
avec l’apparition et la vulgarisation de l’informatique et de l’algorithmique vers la fin du XXe
siècle.

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.

ANTIQUITÉ : LES ÉLÉMENTS DE BASE ET L’INFLUENCE DES GRECS

ET DES PERSES
Les études mathématiques associées à la recherche opérationnelle peuvent remonter
jusqu’à la Grèce antique, au IIIe siècle avant notre ère, lorsqu’Euclide, dans son « livre IV
des éléments », a décrit des façons de trouver le parallélogramme le plus large possible
pour un périmètre donné.

Simon TAMAYO, Ronan CARDIN, Sebastian ECHEVERRI & Daniel PINO 12

 CHAPITRE 1 : INTRODUCTION, MÉTHODE ET MODÉLISATION

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.

EUCLIDE AL-KHWÂRIZMÎ PASCAL NEWTON EULER

IIIe siècle Av.JC VIIIe siècle XVIIe siècle XVIIe siècle XVIIe siècle

? 1
1 1
1 2 1

Ax < a
(S) Bx < b
Cx = c

DYNASTIE HAN DESCARTES FERMAT BERNOULLI FOURIER

IIe siècle Av.JC XVIe siècle XVIIe siècle XVIIIe siècle XVIIIe siècle

Figure 1.1. Ligne chronologique de la recherche opérationnelle depuis l'antiquité jusqu'au XVIIIe siècle.

SIÈCLES XVIe À XVIIIe : MATHÉMATIQUES DURES EN EUROPE

Au XVIe siècle, René Descartes, dans son « discours de la méthode » a expliqué la diffé-
rence entre un problème « compliqué » et un problème « complexe ». Pour Descartes, le
compliqué peut être décomposé en sous-problèmes plus simples, tandis que le problème
complexe n’est pas décomposable.
Pendant le XVIIe siècle, les mathématiciens ont approché les problèmes de « décision dans
l’incertain » avec la notion d’espérance mathématique, explorée par Blaise Pascal. La cor-
respondance entre Pascal et Pierre de Fermat a permis un développement significatif dans
l’étude de la combinatoire. Initialement, elle avait pour objet la résolution des problèmes de
dénombrement, provenant de l'étude des jeux de hasard (ensemble, ils ont créé le fameux
« problème des partis »).
Le célèbre scientifique britannique Isaac Newton a exploré au XVIIe siècle la notion de
maximum / minimum pour certaines fonctions particulières. Newton, à partir de ses travaux
en calcul infinitésimal, a proposé une méthode itérative d’optimisation pour établir une ap-
proximation des racines ou « zéros » d’un polynôme (la méthode de Newton).
Au courant du XVIIIe siècle, le médecin physicien et mathématicien suisse, Daniel Bernoulli,
a exploré les problèmes associés au risque, à partir desquels il a posé les bases de la théo-
rie économique et financière de l'aversion au risque, origine des notions comme la prime de
risque et l'utilité.

Simon TAMAYO, Ronan CARDIN, Sebastian ECHEVERRI & Daniel PINO 13

 CHAPITRE 1 : INTRODUCTION, MÉTHODE ET MODÉLISATION

En 1735, un article du mathématicien suisse Leonhard Euler, présenté à l'Académie de

Saint-Pétersbourg, a traité le problème des sept ponts de Königsberg. La résolution de ce
problème, donnée par Euler, est considérée comme le premier théorème de la théorie des
graphes. Par ailleurs, Euler a prolongé les travaux de Bernoulli et a mis en place la notion
d’équation aux dérivées partielles, considérée comme la base des méthodes de descente
et d’apprentissage utilisées aujourd’hui.
Durant le XVIIIe siècle, le mathématicien français Jean Baptiste Joseph Fourier, à travers
ses travaux concernant les séries trigonométriques et les systèmes linéaires, a esquissé les
principes des méthodes de programmation linéaire utilisées aujourd’hui, c’est-à-dire, la ré-
solution des systèmes d'inégalités linéaires.

TAYLOR HARRIS VON NEUMANN DANTZIG INFORMATIQUE

XIXe siècle XXe siècle XXe siècle XXe siècle MODERNE!

ERLANG EDISON BLACKETT ACKOFF

XXe siècle XXe siècle XXe siècle XXe siècle

Figure 1.2. Ligne chronologique de la recherche opérationnelle depuis le XIXe siècle jusqu'à nos jours.

SIÈCLES XIXe ET XXe : INDUSTRIE ET OPERATIONS MILITAIRES

À la fin du XIXe siècle, l’ingénieur américain Frederick Winslow Taylor a mené une étude
afin d’optimiser les performances des mineurs, cela lui a permis de concevoir des pelles
mieux adaptées aux tâches ponctuelles. Taylor a été le promoteur le plus connu de l'Orga-
nisation Scientifique du Travail (OST) et du management scientifique.
Au début du XXe siècle, l'ingénieur danois Agner Krarup Erlang a conduit une série
d’expériences liées aux fluctuations de la demande téléphonique. En 1909 il a publié « La
théorie des probabilités et des conversations téléphoniques ». Ce travail a posé les bases
mathématiques des modèles actuellement utilisés dans la théorie des files d'attente.
Vers la même époque, la gestion des stocks est devenue un sujet d’intérêt scientifique.
C’est en 1913 que l’ingénieur américain Ford Whitman Harris a publié la formule du lot éco-
nomique (dite formule de Wilson). Le modèle de Harris a permis de déterminer le meilleur
compromis entre les coûts associés à la possession d’un stock et ceux associés au lance-
ment d’un réapprovisionnement.
Au cours de la Première Guerre mondiale, l’inventeur américain Thomas Alva Edison a été
chargé de trouver les manœuvres maritimes les plus efficaces pour réduire le nombre de
navires marchands attaqués par les sous-marins ennemis. Edison a utilisé un « tableau tac-
tique » comme modèle pour simuler les opérations réelles.

Simon TAMAYO, Ronan CARDIN, Sebastian ECHEVERRI & Daniel PINO 14

 CHAPITRE 1 : INTRODUCTION, MÉTHODE ET MODÉLISATION

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.

ANNÉES 1950 À AUJOURD’HUI : ALGORITHMIQUE APPLIQUÉE ET

DÉMOCRATISATION DE L’INFORMATIQUE
En 1947, le mathématicien américain George Bernard Dantzig a proposé l’algorithme du
Simplexe pour résoudre des problèmes d'optimisation linéaire. Cet algorithme a été proba-
blement le premier à permettre de minimiser une fonction sur un ensemble défini par des
inégalités. De ce fait, il a beaucoup contribué au début de l'optimisation numérique appli-
quée.
En 1957, l’architecte américain Russell Lincoln Ackoff a publié l’ouvrage « Introduction à la
recherche opérationnelle » le premier manuel dans ce domaine. Ackoff est considéré
comme un pionnier de la recherche opérationnelle, de la pensée systémique et des
sciences du management.
Durant les années 1970, avec l’apparition des premiers ordinateurs bureautiques,
l’informatique moderne s’est établie comme un élément capital dans la gestion des entre-
prises. La mise à disposition de moyens de calcul puissants a permis de résoudre de nom-
breux problèmes théoriques et fondamentaux posés au cours des derniers siècles. Cela a
permis d’ouvrir le champ d’application de la recherche opérationnelle et d’aborder des pro-
blèmes de taille réelle.
Aujourd’hui, la recherche opérationnelle s’est répandue et ses applications se sont diversi-
fiées. Dans cet ouvrage, nous aborderons de nombreux exemples de problèmes de gestion
industrielle, traités grâce à la recherche opérationnelle.

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 :

Simon TAMAYO, Ronan CARDIN, Sebastian ECHEVERRI & Daniel PINO 15

 CHAPITRE 1 : INTRODUCTION, MÉTHODE ET MODÉLISATION

VALIDATION
FORMULATION CONSTRUCTION SOLUTION
ET MISE EN
DU PROBLÈME DU MODÈLE DU MODÈLE
OEUVRE

PROBLÈME MODÈLE SOLUTION IMPLÉMENTATION

Informations, objectifs, Fonction objectif, Choix de l’outil/ Backtesting, validation
variables entrée/sortie variables de décision algorithme et analyse et interprétation
et limitations et contraintes de sensibilité des résultats

Figure 1.3. Méthode de résolution d’un problème de recherche opérationnelle.

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.

Simon TAMAYO, Ronan CARDIN, Sebastian ECHEVERRI & Daniel PINO 16

 CHAPITRE 1 : INTRODUCTION, MÉTHODE ET MODÉLISATION

VALIDATION ET MISE EN OEUVRE

La dernière étape consiste à valider la pertinence du modèle pour représenter avec préci-
sion le comportement du système, puis mettre en œuvre les résultats obtenus. Pour cela,
on peut soumettre le modèle à des données passées disponibles et voir s’il produit les ré-
sultats connus (cette technique est appelée « backtesting » lorsque des données histo-
riques réelles sont utilisées). Nous devons donc interpréter les résultats afin d’identifier les
actions d’amélioration du système.
Lorsque le modèle construit peut servir dans un autre problème ou contexte, il est important
de bien documenter chaque étape de cette méthode.

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

x ∈ R n , x = ( x1, x2 ,..., xn ) f (x) ∈ R n x ∈ X ⊆ Rn

x est un élément de f(x) est un élément x est un élément du sous-
l'espace réel à n de l'espace réel R ensemble X de l'espace
dimensions Rn réel à n dimensions Rn

Figure 1.4. Composantes d'un modèle mathématique.

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 ».

Simon TAMAYO, Ronan CARDIN, Sebastian ECHEVERRI & Daniel PINO 17

 CHAPITRE 1 : INTRODUCTION, MÉTHODE ET MODÉLISATION

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.

AUTRES ÉLÉMENTS : LES PARAMÈTRES

Les paramètres sont des valeurs qui mettent en relation les variables de décision avec les
contraintes et la fonction objectif. Il s’agit de valeurs que le décideur ne contrôle pas (coûts
des matières premières, demande client, délai d’approvisionnement, etc.). Ces paramètres
peuvent être déterministes ou non-déterministes. Par exemple, si le délai de réapprovision-
nement d’un stock est déterministe, on peut intégrer ce paramètre dans le modèle en ad-
mettant qu’il est égal à 1 semaine. En revanche, s’il n’est pas déterministe, on peut
l’intégrer dans le modèle avec une approche statistique, en admettant que le délai suit une
loi de probabilité normale dont la moyenne est égale à 1 semaine et l’écart type est égal à 2
jours.

EXEMPLE 1.1 : MODÉLISATION DE LA

LOCALISATION D’UN ENTREPÔT
Nous souhaitons définir la localisation optimale d’un entrepôt logistique qui servira à appro-
visionner 4 usines. Le Tableau 1.1 présente, pour chaque usine, les coordonnées et la de-
mande prévisionnelle en nombre de tonnes par an, c’est-à-dire les flux de produits qui vont
circuler entre l’entrepôt et chaque usine. L’entrepôt doit être localisé de manière à minimiser
la distance totale parcourue par les flux des produits.

USINES COORDONNÉES DEMANDE (TONNES/AN)

U1 40 ; 200 2000
U2 120 ; 150 1500
U3 110 ; 75 2000
U4 80 ; 0 5000

Tableau 1.1. Paramètres du problème : coordonnées et flux des usines.

Simon TAMAYO, Ronan CARDIN, Sebastian ECHEVERRI & Daniel PINO 18

 CHAPITRE 1 : INTRODUCTION, MÉTHODE ET MODÉLISATION

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 :

PORT MARITIME COORDONNÉES

Port 1 0, 140
Port 2 0, 60

Tableau 1.2. Paramètres : coordonnées des ports maritimes.

DÉFINITION DES VARIABLES DE DÉCISION

La Figure 1.5 montre la grille sur laquelle le nouvel entrepôt devra être localisé. Les coor-
données et distances sont données en kilomètres.

210
COORDONNÉE 2 (x2)

Usines
200

190
Ports
180 Entrepôt
170

160

150

140

130

120

110 (x1 ; x2)

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 1.5. Grille de localisation d'un entrepôt logistique.

Nous appellerons les variables de décision x 1 et x 2 , les coordonnées du nouvel entrepôt.

C’est en fonction de ces coordonnées que nous évaluerons la performance de la fonction
objectif et le respect des contraintes. Si elles indiquent un point trop éloigné des usines les
plus importantes, ou des ports maritimes, la solution sera de mauvaise qualité et/ou inad-
missible et sera rejetée.

Simon TAMAYO, Ronan CARDIN, Sebastian ECHEVERRI & Daniel PINO 19

 CHAPITRE 1 : INTRODUCTION, MÉTHODE ET MODÉLISATION

FORMULATION DE LA FONCTION OBJECTIF

L’objectif du problème est de minimiser la distance pondérée par le flux qui transite vers
chaque usine (mesurée en tonnes-kilomètre).
La fonction objectif est donc une fonction de la demande des usines et de leurs distances
au nouvel entrepôt. La demande de chaque usine est donnée dans les paramètres du pro-
blème et la distance entre l’entrepôt et chaque usine peut se calculer facilement avec
l’équation de la distance entre deux points.
Pour calculer la distance pondérée nous multiplions la demande de chaque usine par sa
distance au nouvel entrepôt. Nous obtenons la fonction objectif suivante :

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

1 000 000 f (x1 ; x2)

750 000

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.

Simon TAMAYO, Ronan CARDIN, Sebastian ECHEVERRI & Daniel PINO 20

 CHAPITRE 1 : INTRODUCTION, MÉTHODE ET MODÉLISATION

FORMALISATION DES CONTRAINTES

Nous devons nous assurer que le nouvel entrepôt se situe à une distance de chaque port
qui ne doit pas dépasser 125 km. De ce fait, nous pouvons écrire les contraintes suivantes :

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®.

Simon TAMAYO, Ronan CARDIN, Sebastian ECHEVERRI & Daniel PINO 21

 CHAPITRE 1 : INTRODUCTION, MÉTHODE ET MODÉLISATION

La localisation optimale de l’entrepôt, permettant de minimiser la fonction de distance pon-

dérée est :

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)

Figure 1.8. Solution optimale pour la localisation du nouvel entrepôt.

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

Simon TAMAYO, Ronan CARDIN, Sebastian ECHEVERRI & Daniel PINO 22

 CHAPITRE 1 : INTRODUCTION, MÉTHODE ET MODÉLISATION

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.

POUR ALLER PLUS LOIN

• "An Annotated Timeline of Operations Research: An Informal History", Saul I. GASS & Arjang A.
ASSAD, 2006, Springer, ISBN-13 : 978-1402081163.

• "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.

• "Introduction à la recherche opérationnelle", Joseph F. CLOSKEY & Florence N. TREFETHEN,

1957, Dunod, ASIN : B003ASQ3D2.

Simon TAMAYO, Ronan CARDIN, Sebastian ECHEVERRI & Daniel PINO 23