Vous êtes sur la page 1sur 11

Support de cours de recherche opérationnelle

Master1 MRI
Dr SAMIA HARIZ

Support de cours de recherche opérationnelle


.

Définition de recherche opérationnelle

La recherche opérationnelle désigne l’ensemble des méthodes et des techniques


quantitatives 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
problèmes 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.

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
variables (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
représenter 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.

1
Support de cours de recherche opérationnelle
Master1 MRI
Dr SAMIA HARIZ

Ensuite, nous construirons des modèles mathématiques composés de trois éléments :


une fonction économique ou (fonction objectif), des variables de décision et des
contraintes.

Solution du modèle

Une fois le modèle établi, nous pouvons procéder à la recherche d’une solution
satisfaisante.
La solution est donnée par le meilleur résultat obtenu pour la fonction objectif en
fonction de 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
connaître 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.

Validation et mise en œuvre

La dernière étape consiste à valider la pertinence du modèle pour représenter avec


précision 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 résultats connus (cette technique est appelée « backtesting » lorsque des
données historiques 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,


physique, 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, un modèle mathématique comporte 3 éléments :

2
Support de cours de recherche opérationnelle
Master1 MRI
Dr SAMIA HARIZ

VARIABLES DE FONCTION
CONTRAINTES
DÉCISION OBJECTIF
f (x) ∈Rn x ∈X ∈ Rn
x ∈Rn, x x1, x2,..., xn
x est un élément de f(x) est un élément x est un élément du sous
l'espace réel à n dimensions Rn de l'espace réel R ensemble
X de l'espace
réel à n dimensions Rn

Figure 1 : 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 x1 et x2.

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 économique » ou « fonction de coût ».
Par exemple, on peut chercher à maximiser le gain donné par les quantités produites
des références x1 et x2. Ce gain peut être calculé comme le résultat des ventes
(quantité produite multipliée par le prix de vente) moins les coûts de revient des
références (quantité produite fois coût unitaire).

On a donc f(x) = x1*prix1 + x2*prix2 - x1*coût1 - x2*coût2.

Contraintes

Les contraintes sont des relations entre une ou plusieurs variables de décision qui
permettent de limiter les valeurs qu’elles peuvent prendre. Les contraintes servent à
tenir compte des limitations du système (technologiques, économiques,
environnementaux etc.) afin de restreindre les variables 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 b1 de la référence
x1. On peut également admettre que l’entreprise ne peut pas produire des quantités
négatives.
3
Support de cours de recherche opérationnelle
Master1 MRI
Dr SAMIA HARIZ

On a donc, x1 ≥ b1 et x2 ≥ 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 réapprovisionnement d’un stock est déterministe, on peut intégrer ce
paramètre dans le modèle en admettant 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.

II.1 La programmation linéaire

II.1 Méthode graphique


La programmation mathématique recouvre un ensemble de techniques d’optimisation
sous contraintes qui permettent de déterminer dans quelles conditions on peut rendre
maximum ou minimum une fonction objectif Z(Xj) de n variables Xj liées par m
relations ou contraintes Hi(Xj) ≤ 0.

Nous commencerons les exemples des outils de la Recherche Opérationnelle par


l'examen d'un outil auquel il est très souvent fait référence dans nombre de problèmes
économiques, qu'ils concernent l'entreprise ou l'Etat : la programmation linéaire. Nous
n'analyserons pas celle-ci sous l'angle de la signification économique des différents
concepts qu'elle met en œuvre; nous nous préoccuperons plutôt des techniques de
résolution usuelles des programmes linéaires.
Nous serons amenés à introduire des notions économiques comme le « profit », le «
coût », les « ressources », mais ce sera davantage par simple souci d'illustration que
pour indiquer le champ d'application des techniques exposées.

L'objectif de la programmation linéaire (P.L.) est de trouver la valeur optimale d'une


fonction linéaire sous un système d'équations d'inégalités de contraintes linéaires. La
fonction à optimiser est appeler "fonction économique" (utilisée en économie dans le
cadre d'optimisations) et on la résout en utilisant une méthode dite "méthode simplexe"
dont la représentation graphique consiste en un "polygone des contraintes". 
Lorsqu'on peut modéliser un problème sous forme d'une fonction économique à
maximiser dans le respect de certaines contraintes, alors on est typiquement dans le
cadre de la programmation linéaire.1

1
Paul Feautrier, recherche operationnelle, 2004.

4
Support de cours de recherche opérationnelle
Master1 MRI
Dr SAMIA HARIZ

Soit une fonction économique Z telle que:

   
Où les   sont des variables qui influent sur la valeur de Z, et les   les poids respectifs
de ces variables modélisant l'importance relative de chacune de ces variables sur la
valeur de la fonction économique2.

Les contraintes relatives aux variables s'expriment par le système linéaire suivant:

   

Sous forme générale et matricielle ce genre de problème s'écrit:

   3

Voyons un exemple qui consiste à résoudre le problème simple suivant:

Exemple 1 : Une usine fabrique 2 pièces P1 et P2 usinées dans deux ateliers A1 et A2.
Les temps d'usinage sont pour P1 de 3 heures dans l'atelier A1 et de 6 heures dans
l'atelier A2 et pour P2 de 4 heures dans l'atelier A1 et de 3 heures dans l'atelier A2.

Le temps de disponibilité de l'atelier A1 est de 160 heures et celui de l'atelier A2 de


180 heures.
La marge bénéficiaire est de 1'200 DA pour une pièce P1 et 1'000 DA pour une
pièce P2.

Quelle production de chaque type doit-on fabriquer pour maximiser la marge


bénéficiaire ?

Le problème peut se formaliser de la façon suivante:

2
Christian Prins ,  Marc Sevaux, Programmation linéaire avec Excel, Eyrolles, 2011.

Eric Jacquet-Lagreze, Programmation linéaire, Economica, 1998.


3

5
Support de cours de recherche opérationnelle
Master1 MRI
Dr SAMIA HARIZ

  

La fonction économique étant:

   

à maximiser.

Résolution graphique du problème (ou méthode du "polygone des contraintes"): les


contraintes économiques et de signe sont représentées graphiquement par des demi-
plans. Les solutions, si elles existent appartiennent donc à cet ensemble appelé "région
des solutions admissibles" :4

Figure 2 : Graphe de la résolution par la méthode de recensement des sommets


du polygone.

Pour trouver les coordonnées des sommets, on peut utiliser le graphique si les points
sont faciles à déterminer.

Il s'agit donc de chercher à l'intérieur de ce domaine (connexe), le couple   


maximisant la fonction économique.

4
Christelle Guéret et Christian Prins, Programmation linéaire : 65 problèmes d'optimisation modélisés et
résolus avec Visual, Eyrolles, 2000.

6
Support de cours de recherche opérationnelle
Master1 MRI
Dr SAMIA HARIZ

Or, l'équation Z est représentée par une droite de pente constante (-1.2) dont tous les
points  fournissent la même valeur Z pour la fonction économique.
En particulier, la droite  passe par l'origine et donne une valeur nulle à la
fonction économique. Pour augmenter la valeur de Z et donc la fonction économique,
il suffit d'éloigner de l'origine (dans le quart de plan ) la droite de pente
-1.2.

Pour respecter les contraintes, cette droite sera déplacée, jusqu'à l'extrême limite où il
n'y aura plus qu'un point d'intersection (éventuellement un segment) avec la région des
solutions admissibles.

Figure 3 : Graphe de la résolution par la méthode des droites parallèles

La solution optimale se trouve donc nécessairement sur le pourtour de la région des


solutions admissibles et les parallèles formées par la translation de la fonction
économique s'appellent les "droites parallèles "

Exemple 2. Une usine fabrique deux produits P1 et P2 à l’aide de trois matières


premières M1, M2 et M3 dont on dispose en quantité limitée. On se pose le problème

7
Support de cours de recherche opérationnelle
Master1 MRI
Dr SAMIA HARIZ

de l’utilisation optimale de ce stock de matières premières c’est-a-dire la détermination


d’un schéma, d’un programme de fabrication tel que :
– les contraintes de ressources en matières premières soient respectées,
– le bénéfice réalise par la vente de la production soit maximum.
Modèle mathématique :
– Données numériques des contraintes. La disponibilité en matières premières est de
18 unités de M1, 8 unités de M2 et 14 unités de M3.
– Caractéristiques de fabrication. Elles sont données dans le tableau ci-dessous :

M1 M2 M3
P 1 1 2
1
P 3 1 1
2

– Hypothèses de linéarité du modèle. La fabrication est `a rendement constant, c’est-a-


dire que pour fabriquer x1 unites de P1, il faut 1 × x1 unites de M1, 1 × x1 unites de
M2 et 2 × x1 unites de M3, de même pour la fabrication de x2 unit´es de P2.
– Linéarité de la fonction ´économique. On suppose que le bénéfice peut s’exprimer `a
l’aide des bénéfices unitaires c1, c2 sous la forme :
Z(x1, x2) = c1x1 + c2x2
– Réalisation d’un schéma de production. Un schéma de production est un couple
(x1, x2), x1 et x2 désignant respectivement les quantités de P1 et P2 fabriquées donc
vendues, qui doit vérifier les contraintes x1 ≥ 0, x2 ≥ 0. Deux questions se posent : un
tel schéma est-il réalisable ? A-t-on suffisamment de matières premières pour assurer
une telle production ?
– Le programme linéaire :

x1 ≥ 0, x2 ≥ 0
x1 + 3x2 ≤ 18
x1 + x2 ≤ 8
2x1 + x2 ≤ 14
Z(x1, x2) = c1x1 + c2x2

Ou Z est une fonction économique ou fonction objectif qu’il faut maximiser.

II. 2 La méthode du simplex

On a présenté dans La section précédente une procédure graphique pour résoudre un


programme linéaire à deux variables. Par contre, dans la plupart des problèmes réels,
on a plus que deux variables à déterminer. Une procédure algébrique pour résoudre les
programmes linéaires avec plus que deux variables fera l’objet de cette partie. C'est la
méthode de simplexe.

8
Support de cours de recherche opérationnelle
Master1 MRI
Dr SAMIA HARIZ

Une implémentation de cette procédure à permis de résoudre des programmes avec un


peu plus de quelques milliers de variables.

Dans cette partie la méthode de simplexe est présentée pour les

problèmes   et en utilisant le problème suivent :

II.2.1 Mise sous forme standard

La mise sous forme standard consiste à introduire des variables supplémentaires (une
pour chaque contrainte) de manière a réécrire les inégalités ( ) sous la forme
d'égalités. Chacune de ces variables représente le nombre de ressources non utilisés.
On les appelle variable d'écart. La forme standard s'écrit donc :

La forme standard du programme linéaire est :

    Max    100x1 + 200x2            (3.1)

    s. c       x1 + x2 + S1 = 150        (3.2)

               4x1 + 2x2 + S2 = 440    (3.3)

           x1 + 4x2 + S3 = 480    (3.4)

           x1 + S4 = 90        (3.5)

           x1, x2, S1, S2, S3, S4 ≥0    (3.6)

L'impact de ces variables d'écart sur la fonction objectif est nulle. Ceci explique le fait
que leur existence soit tout simplement liée à une mise en forme du programme
linéaire initial. Ces variables d'écart peuvent prendre des valeurs non-négatives. Le fait
de donner la valeur des variables d'écart a l'optimum donne une idée du nombre des
ressources non utilisées.

II.2.2. Revue algébrique de la méthode du simplexe

9
Support de cours de recherche opérationnelle
Master1 MRI
Dr SAMIA HARIZ

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

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


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

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

Finalement, une procédure algébrique pour résoudre les programmes linéaires doit être
en mesure de choisir parmi les solutions réalisables ceux qui maximisent la fonction
objectif.

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

Pour illustrer cette procédure, supposons que x2 = 0 et S1 = 0. Notre système devient

    x1 = 150                 x1 =  150

    x1 + S2   = 440        S2 =  340

    4x1 + S3 = 480        S3 =  -120

    x1 + S4        = 90        S4 =  -60

Les variables x1, S2, S3 et S4 (non nulles) sont dites variables de base et les variables S1,
x2, (nulles) sont dites variables hors base.

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


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

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

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

    S1 = 150

10
Support de cours de recherche opérationnelle
Master1 MRI
Dr SAMIA HARIZ

    S2= 440

    S3 = 480

    S4 =   90

Cette solution correspond à un point extrême de l’ensemble des solutions réalisables


qui est l’origine O.

Pour la méthode de simplexe une solution réalisable de base initiale est demandée.
Une telle solution peut être retrouvée en annulant toutes les variables de décision. Ce
qui correspond dans notre exemple au point d’origine O.

A partir de ce point la méthode de simplexe va générer successivement des solutions


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

Ainsi, on peut décrire la méthode de simplexe comme étant une procédure itérative qui
passe d’une solution réalisable de base à une autre jusqu’à atteindre la solution
optimale.

11

Vous aimerez peut-être aussi