Cours RO

Recherche Opérationnelle
MCI2 - MNAD 3ème année ENSAM-Meknès
Tawfik MASROUR
2020/2021
ENSAM Meknès Université My Ismaïl

Matériel
▪ MIT Course : 15.053x Optimization Methods in Business Analytics

▪ Ecole des Ponts Paristech : Introduction à la recherche opérationnelle, Frédéric
Meunier
▪ Recherche Opérationnelle : aspects mathématiques et applications, J. Frédéric
Bonnans & Stéphane Gaubert, Septembre 2016.
▪ Méthodes et modèles de la recherche opérationnelle, A. Kaufmann

Définition
▪ La science de la bonne gestion « Science of better ».

▪ Ensemble des domaines scientifiques, des outils et des problèmes traitant des
questions d'ordre décisionnel, on parle aussi de niveau managérial ou stratégique
ou d‘Optimisation de Systèmes Complexes.
Fédération Européenne de Recherche Opérationnelle
https://www.euro-online.org/web/pages/1/home

Problèmes difficiles ?!
▪ Les problèmes difficiles à comprendre pour un individu sans l'aide d'un

modèle et/ou d'un ordinateur.
▪ Les problèmes sont rendus complexes par :
- leur dimension qui peut être importante
- leur structure qui peut-être par exemple combinatoire,
concurrentielle, stochastique…etc.
Exemples
▪ Chercher un itinéraire sur une carte

▪ Ordonnancement des tâches à accomplir dans une usine
▪ La décision stratégique d'investissement d'une entreprise sur un marché
concurrentiel.
▪ ...etc.

Selon le Livre Blanc – ROADEF
▪ La mise en œuvre de méthodes scientifiques, essentiellement mathématiques, en vue de

prendre la meilleure décision possible.
▪ Établir plus précisément quand entre en jeu la recherche opérationnelle dans un

processus de prise de décision est une tâche plus difficile.
▪ L’expert en recherche opérationnelle exploite des connaissances provenant de sources

particulièrement variées qu’on peut classer en trois grandes catégories : les
mathématiques appliquées, l’informatique et les modèles métiers.
Référence : ROADEF 2011
www.roadef.org

Un peu d’histoire
▪ Les problèmes de RO remontent au XVIème siècle (Blaise Pascal, Euler,...) avec les jeux
en Mathématiques.
▪ Réellement l'utilisation de la RO a commencé vers la seconde guerre mondiale. Lors de

l'organisation, par l'armée rassemblée des Alliés, du débarquement en Normandie.
Problème
il fallait gérer au mieux

✓ l'implantation rapide de radars
✓ L’acheminement de troupes
✓ la gestion de leur alimentation
✓ les contacts entre unité … etc.
L'armée alliée a fait appel à des mathématiciens (et quelques premiers informaticiens) pour
aider à ces décisions.

Le But
Il ne suffit pas de dire approximativement où placer des radars, mais il faut
▪ Indiquer avec précision le lieu de leur emplacement

Et
▪ S’assurer du bon fonctionnement du système !
Opérationnel
▪ Le mot « Opérationnel » viendrait, probablement, du terme militaire « les opérations ».

Mais de manière plus sure on peut dire que le mot Opérationnel désigne
l'aspect appliqué des décisions prises
ou dit autrement
les opérations effectives à suivre.
Les organisations ou entreprises ont parfois ce que l’on nomme une Division
Opérationnelle ou un Conseil Stratégique qui appuie (ou oriente) les décisions de la
direction en mettant à sa dispositions des outils d’aide à la décision.

Les domaines scientifiques de la RO
▪ Aspect continu :
Optimisation continue, Programmation Linéaire, Théorie des jeux continues,... Optimisation

stochastique … etc.
▪ Aspect discret ou combinatoire :
Théorie des graphes, Programmation dynamique, Optimisation combinatoire exacte

Optimisation combinatoire heuristique, Processus markovien, file d'attente,...etc.
▪ Plus général :
Complexité et Décidabilité des problèmes ... etc.

Quelques outils de la RO
Il existe de nombreux outils logiciels payants ou libres pour la résolution des problèmes de la
Recherche Opérationnelle.
• Logiciel d'aide à la décision : SAP, Produit ILOG ….
• Logiciels d'optimisation (interactif ou modeleur) : cplex, xpress, glpk, excel, gurobi,…
• Logiciels de simulation qnap, simula,...
• Les API Python , C++ ou java,...

Exemples de problèmes pratiques de la RO
▪ En industrie :
Les choix d'investissements , Les Choix d'une implantation et dimensionnement d'un parc
immobilier ou bien d'une flotte de véhicules, Minimisation de distance totale parcourue
selon les quantités de matériaux à transporter, capacité des transporteurs, ravitaillement en
carburant.
▪ En informatique :
Choix de la localisation et du nombre de serveurs à mettre en place, de la capacité de
stockage, de la puissance de calcul et du débit du réseau, le choix d'une architecture
informatique etc. Problèmes d'ordonnancement, de gestion de stock. d'affectation de
moyens (humains ou matériels) à des taches, des prévisions de ventes, diminution du
gaspillage.

Les étapes générales d’un problème de RO
Le «Bin Packing» ou comment utiliser le moins de boîtes possibles pour y loger des objets




Les étapes générales d’un problème de R.O.
▪ Etape 1. Observation attentive

Formulation
Collecte de données associées.
▪ Etape 2. Modélisation
▪ Etape 3. Résolution
▪ Etape 4. Validation ou amélioration/modification

Les Méthodes les plus courantes en RO:
▪ Programmation linéaire: Problèmes avec variables continues et les

problèmes combinatoires.
▪ Optimisation non linéaire: Contraintes ou fonctions objectifs non
linéaires.
▪ Programmation dynamique: Problèmes avec une complexité
polynomiale ou pseudo-polynomiale.
▪ Processus stochastiques: Problèmes aléatoires, tels les problèmes de
fiabilité (de systèmes, de composants électroniques...) et les
phénomènes d'attente.
▪ Théorie des graphes: Ordonnancement et Routage…etc
▪ Heuristiques et Méta-heuristiques: Lorsque la solution optimale ne peut
être obtenue (en un temps raisonnable).

Chapitre 1
Programmation Linéaire – Modélisation et Formulation
Tawfik MASROUR
2018/2019


PL – Hypothèses
La programmation linéaire étant un modèle elle a des hypothèses (ou des conditions) que le
décideur doit valider avant de pouvoir les utiliser pour modéliser son problème.
Ces hypothèses sont :
▪ Les variables de décision du problème sont positives.

▪ Le critère de sélection de la meilleure décision est décrit par une fonction linéaire de ces
variables, c’est à dire, que la fonction ne peut pas contenir par exemple un produit croisé
de deux de ces variables. La fonction qui représente le critère de sélection est dite
fonction objectif (ou fonction économique).
▪ Les restrictions relatives aux variables de décision (exemple: limitations des ressources)
peuvent être exprimées par un ensemble d’équations linéaires. Ces équations forment
l’ensemble des contraintes.
▪ Les paramètres du problème en dehors des variables de décisions ont une valeur connue
avec certitude.
Formulation d’un programme linéaire (PL)
Un PL est généralement lié à:
▪ L’Allocation de Ressources Limitées

▪ de la « Meilleure » façon possible
▪ afin de Maximiser un Profit ou de Minimiser un Coût.
❑ Le terme « meilleur » : fait référence à la possibilité d’avoir un ensemble de

décisions possibles qui réalisent la même satisfaction ou le même profit.
❑ Ces décisions sont en général le résultat d’un problème mathématique.

Les étapes de formulation d’un programme linéaire (PL)
Généralement il y a 3 étapes à suivre pour construire le modèle d'un PL :
▪ Identifier les variables du problème (variables de décision) et les représenter sous

forme symbolique (x1, x2, …. etc. ).
▪ Identifier les restrictions (les contraintes) du problème et les exprimer par un système
d’équations linéaires.
▪ Identifier l’objectif ou le critère de sélection et le représenter sous une forme linéaire

en fonction des variables de décision. Spécifier si le critère de sélection est à
maximiser ou à minimiser.
.

Exemples de formulation d’un programme linéaire (PL)
Exemple 1.
Une entreprise fabrique deux types de produits 𝑃1 et 𝑃2 en utilisant une seule machine M
et en utilisant deux matières premières 𝑝 et 𝑞. Les temps de fabrication et les quantités de
matières premières nécessaires pour la production d’une unité de 𝑃1 et 𝑃2 sont donnés
comme suit:
Les profits réalisés sont de 4 euros par unité de 𝑃1 et de 2 euros par unité de 𝑃2
Sachant que l’on dispose de 8 h chaque jour d’utilisation de M, de 10 kg de p et 36 kg de

q. Quelles quantités 𝑥1 et 𝑥2 de 𝑃1 et 𝑃2 l’usine devrait produire pour réaliser un profit
maximum ?

Exemple 1 - Modélisation
▪ Les variables de décision sont :

𝑥1 : quantité de produits 𝑃1 𝑥2 : quantité de produits 𝑃2
▪ Critère à optimiser:
▪ Contraintes (restrictions ressources):.
Temps d’utilisation de la machine :
Contrainte matière première p :
Contrainte matière première q :

Exemple 1 – Résolution Graphique
▪ Le critère et les contraintes sont linéaires

L’ensemble admissible est convexe.
▪ Résultat mathématique :
La (les) solution (s) optimale (s) se trouve (ent) sur le (s) sommet (s).
Unicité non nécessaire.
Toute combinaison convexe de solutions est solution.

PL – Résolution graphique
Région réalisable
Solutions admissibles

Les iso-objectifs

Enumération

Formulation d’un PL
Exemple 2 – Problème d’agriculture
Un agriculteur veut allouer 150 hectares de surface irrigable entre culture entre tomates
et piments.
▪ Il dispose de 480 heures de main d’œuvre et de 440 m3 d’eau.
▪ Un hectare de tomates demande 1 heure de main d’œuvre, 4 m3 d’eau et donne un
bénéfice net de 100 Unité Monnaie.
▪ Un hectare de piments demande 4 heures de main d’œuvre, 2 m3 d’eau et donne un
bénéfice net de 200 Unités Monnaie.
▪ Le bureau du périmètre irrigué veut protéger le prix des tomates et ne lui permet pas
de cultiver plus de 90 hectares de tomates.
Quelle est la meilleure allocation de ses ressources ?.

.
Etape 1– Variables de décision
Quelles variables choisir ?
𝑥1 : surface allouée à la tomate
𝑥2 : surface allouée au piment
On vérifie la positivité : 𝑥1 , 𝑥2 ≥ 0

Etape 2– Contraintes
Les contraintes sont de 2 types :
- internes : les ressources de la production

Terrain + Eau + Main d’œuvre.
- externes : les exigences de l’administration

Bureau du périmètre irrigué.

Etape 2– Contraintes

Etape 3– Fonction Objectif
La fonction Objectif est le profit réalisé qu’il faut maximiser:

Modèle Mathématique

Exemple 3 – Usine de Meubles
Une usine de meubles dispose d’un temps libre. On veut l’exploiter en production de deux
nouveaux modèles de meubles: 𝑀1 et 𝑀2 (des bureaux par exemples).
Les temps de réalisation des deux modèles dans les ateliers de sciage, d’assemblage et
de sablage et les temps libres sont donnés comme suit:
Les bénéfices nets que l’usine peut réaliser sont: 300 u.m. pour 𝑀1 et 200 u.m. pour 𝑀2
Quel est le meilleur plan de production qui maximise les bénéfices de l’usine ?

Exemple 3 – Usine de Meubles
La fonction Objectif :
Les contraintes :

Généralisation
Les étapes de formulation d’un programme linéaire (PL)
Généralement il y a 3 étapes à suivre pour construire le modèle d'un PL :
▪ Identifier les variables du problème (variables de décision) et les représenter sous

forme symbolique (x1, x2, …. etc. ).
▪ Identifier les restrictions (les contraintes) du problème et les exprimer par un système
d’équations linéaires.
▪ Identifier l’objectif ou le critère de sélection et le représenter sous une forme linéaire

en fonction des variables de décision. Spécifier si le critère de sélection est à
maximiser ou à minimiser.
.

Généralisation
Identification des paramètres: il y a 3 types:

Généralisation
- Variables de décision – Ressources – paramètres:
- Données du Problème:

Généralisation
- Fonction Objectif :
- Sous Contraintes:

Exemple 4 – Problème de médecine
Un spécialiste en médecine a fabriqué un médicament (des pilules) pour guérir les sujets
atteints d’un rhume. Ces pilules sont fabriquées selon deux formats :
▪ Petite taille : elle contient 2 grains d’aspirine, 5 grains de bicarbonate et 1 grain de

codéine.
▪ Grande taille : elle contient 1 grain d’aspirine, 8 grains de bicarbonate et 6 grains de
codéine.
▪ Pour guérir la maladie, le sujet a besoin de 12 grains d’aspirine, 74 grains de

bicarbonate et 24 grains de codéine.
▪ Pb: Déterminer le nombre de pilules minimales à prescrire au sujet pour qu’il soit
guéri.

Exemple 4 – Problème de médecine
Les variables de décision:

représentent des valeurs inconnues par le décideur qui est dans ce cas le spécialiste en
médecine sont :
x1 : le nombre de pilules de petite taille à prescrire.
x2 : le nombre de pilules de grande taille à prescrire.
On vérifie bien que les variables de décision x1 et x2 sont positives
Les Contraintes :
2 x1 + x2  12
5 x1 + 8 x2  74
x1 + 6 x2  24
La fonction Objectif:
La prescription doit contenir le minimum possible de pilules. Donc le critère de sélection de
la quantité de pilules à prescrire est celle qui minimise le nombre total des pilules
z = x1 + x 2
Exemple 5: Problème de production

Pour fabriquer deux produits P1 et P2 on doit effectuer des opérations sur trois machines M1, M2 et M3,
successivement mais dans un ordre quelconque. Les temps unitaires d’exécution sont donnés par le
tableau suivant :
- On supposera que les machines n’ont pas de temps d’inactivité. Les disponibilités pour chaque machine sont :
• 165 heures (9900 minutes) pour la machine M1 ;
• 140 heures (8400 minutes) pour la machine M2 ;
• 160 heures (9600 minutes) pour la machine M3 .
- Le produit P1 donne un profit unitaire de 900 u.m. et le produit P2 un profit unitaire de 1000 u.m.
Pb : Dans ces conditions, combien doit-on fabriquer mensuellement de produits P1 et P2 pour avoir un profit
total maximum ?

Exemple 5 : Modélisation
Les variables de décisions
• x1 : le nombre d’unités du produit P1 à fabriquer
• x2 : le nombre d’unités du produit P2 à fabriquer
Les contraintes : outre les contraintes de non-négativité on a
La fonction Objectif : est Le profit à maximiser

Exemple 5 : Formulation en P.L.

Exemple 6 : Problème d’alimentation
On se propose de réaliser une alimentation économique pour des bestiaux, qui contient obligatoirement 4
sortes de composants nutritifs, A, B, C et D.
L’industrie alimentaire produit précisément deux aliments M et N qui contiennent ces composants :
- 1 Kg d’aliment M contient 100 g de A, 100 g de C, 200 g de D ;
- 1 Kg d’aliment N contient 100 g de B, 200 g de C, 100 g de D.
- Un animal doit consommer par jour au moins :

0.4 Kg de A ; 0.6 Kg de B ; 2 Kg de C ; 1.7 Kg de D.
- L’aliment M coûte 10 u.m le Kg et N coûte 4 u.m le Kg.
Pb. : Quelles quantités d’aliments M et N doit-on utiliser par jour et par animal pour réaliser l’alimentation
la moins coûteuse ?

Exemple 6 - Modélisation.
On peut résumer toutes les données du problème dans le tableau suivant
M N Quantités prescrites
A 0.1 0 0.4
B 0 0.1 0.6
C 0.1 0.2 2
D 0.2 0.1 1.7
Coût 10 4
Ce genre de tableau peut aider à mieux analyser le problème et ainsi formuler le programme
linéaire correspondant.
Les variables de décision :
• xM : la quantité d’aliments M à utiliser pour l’alimentation des deux bestiaux
• xN : la quantité d’aliments N à utiliser pour l’alimentation des deux bestiaux

Exemple 6 - Formulation en P.L.

Chapitre 2
Programmation Linéaire – Résolution Graphique § Enumération
Tawfik MASROUR
2018/2019

Exemples de formulation d’un programme linéaire (PL)
Exemple 1.
Une entreprise fabrique deux types de produits 𝑃1 et 𝑃2 en utilisant une seule machine M
et en utilisant deux matières premières 𝑝 et 𝑞. Les temps de fabrication et les quantités de
matières premières nécessaires pour la production d’une unité de 𝑃1 et 𝑃2 sont donnés
comme suit:
Les profits réalisés sont de 4 euros par unité de 𝑃1 et de 2 euros par unité de 𝑃2
Sachant que l’on dispose de 8 h chaque jour d’utilisation de M, de 10 kg de p et 36 kg de

q. Quelles quantités 𝑥1 et 𝑥2 de 𝑃1 et 𝑃2 l’usine devrait produire pour réaliser un profit
maximum ?

Exemple 1 - Modélisation
▪ Les variables de décision sont :

𝑥1 : quantité de produits 𝑃1 𝑥2 : quantité de produits 𝑃2
▪ Critère à optimiser:
▪ Contraintes (restrictions ressources):.
Temps d’utilisation de la machine :
Contrainte matière première p :
Contrainte matière première q :

Exemple 1 – Résolution Graphique
▪ Le critère et les contraintes sont linéaires

L’ensemble admissible est convexe.
▪ Résultat mathématique :
La (les) solution (s) optimale (s) se trouve (ent) sur le (s) sommet (s).
Unicité non nécessaire.
Toute combinaison convexe de solutions est solution.

Région réalisable
Solutions admissibles

Les iso-objectifs

Enumération

Généralisation de la résolution graphique

Résolution graphique :
1. Système d’axes

2. Région réalisable:



3. Iso - objectif

Détermination graphique de l’optimum :

Exemple Usine à meubles

Pb usine meubles

• PL – Méthode de l’énumération

• PL – Méthode de l’énumération

PL – Méthode de l’énumération
Contraintes saturées et contraintes marginales

Résolution graphique - Des cas particuliers






Chapitre 3
Programmation Linéaire – Simplex
Tawfik MASROUR
2018/2019

Rappel - Résolution graphique :

Pb usine meubles

Simplex- Introduction
La méthode du simplexe est une méthode de résolution algébrique d’un P.L.
Qui peut traiter des problèmes avec un nombre de variables très grand
C’est une méthode itérative

Introduction
Description générale
Principe du simplexe
Approche par un exemple (le problème de l’usine des meubles)

Etape 1. (Ecriture du Pb sous forme standard)

Etape 2 : (Identification de la 1ère solution de base et Tableau de départ)

Etape 2 : (Identification de la 1ère solution de base et Tableau de départ)
Etape 2 : (1ère solution de base et Tableau de départ)

Etape 2 : (1ère solution de base et Tableau de départ)

Etape 2 : (Forme standard d’un Tableau simplexe)

Etape 3 - Variable Entrante
Etape 3 : (Variable Entrante)


Etape 3 : (Variable Sortante)
Etape 3 : (Amélioration de la solution)
Etape 3 : (Amélioration de la solution)

Etape 3 : (Retour au Tableau du simplexe)
Etape 3 : (Retour au Tableau du simplexe)

Etape 3 : (Le Nouveau Tableau du simplexe)

Itération 1
2ème Itération
Etape 3 : (2ème Itération)

Etape 3 : (2ème Itérartion)
Interprétation: On est parti d’un premier sommet 0(0,0) …….. On a évolué vers un
deuxième sommet D (11,0) c’est la 1 ère itération…….En 2ème itération on est arrivé à
un autre sommet C(10,2) qui est l’optimum.
Procédé général du simplexe
Interprétation du simplexe
On sait que la solution optimale du P.L.
se trouve en un sommet de l’ensemble convexe des solutions admissibles.
Définition : Deux sommets A et B sont dits adjacents si les variables de base ne

diffèrent que d’un seul élément.
Exemple - simplexe
Pb. Quelles seront les quantités de crème

glacée et de beurre qu’il faut produire pour
maximiser les profits?
Exemple Interprétation - simplexe
Exercice 1 - simplexe
Exercice 2 - Simplexe
Exercice - simplexe
Exercice - simplexe
Exercice - simplexe
Exercice - simplexe
Exercice - simplexe
Exercice - simplexe
Procédé général du simplexe
Chapitre 4
Programmation Linéaire – Simplex le cas général
Tawfik MASROUR
2018/2019

Introduction
Dans le chapitre précédent tous les programmes linéaires qu’on a traité sont du type : Maximiser une fonction
linéaire sous contraintes de type inférieur ou égale (et avec un second membre positif).
Or dans beaucoup de problèmes réels, on peut retrouver des contraintes de type supérieur ou égale et/ou de
type égale, ainsi que des problèmes où on a à minimiser au lieu de maximiser.
Dans ce qui suit, on étudiera les modifications à apporter à la méthode du simplexe pour qu’elle puisse
résoudre tous ces types de programmes

Introduction
Considérons l'exemple suivant:

Introduction
La différence essentielle est que le polyèdre ne contient plus l'origine du repère comme
sommet.
Plus généralement, aucune des solutions de base n'est située à l'origine du repère. Nous
allons voir maintenant que cette remarque géométrique a pour conséquence de rendre
impossible la mise sous forme standard sans introduire de nouvelles variables d'écart pour
transformer les contraintes inégalités en égalité.
En donnant aux variables X1 et X2 la valeur nulle, on trouve que la
variable S1 est négative. De la sorte, une des règles de mise sous
forme standard n'est pas respectée; et on ne peut plus utiliser
l'algorithme du simplexe.
Variables artificielles
Pour palier à ce problème, on introduit dans l'expression des contraintes des variables artificielles
positives
Le système s'écrit alors :
On veut bien entendu que l'introduction des variables artificielles ne change pas le problème.
Il suffit pour cela d'imposer aux coefficients des variables artificielles de prendre une valeur négative très
grande.
Variables artificielles
Remarque: Il est important de distinguer entre :

une Vraie solution réalisable
Et
une solution du P.L avec variables artificielles pour la mise en œuvre
du simplexe!!
Donc :
Tant que les solutions dans le simplexe contiendront des variables artificielles, elles ne
seront pas des Vraies Solutions de notre Problème !!
Pour s’assurer que ces variables artificielles sortent de la base avant d’atteindre la solution optimale :
On peut leur associer un grand coût -M dans la fonction objectif.
Alors : si ces variables restent dans la base elles vont causer une diminution importante de la valeur de la
fonction objectif.
Ce qui nous contraint à les faire sortir le plutôt possible de la base.
Itération 1.
Itération 2.
Itération 2.
Itération 3.
Itération 4.
Les P.L. de Minimisation





Les P.L. de Minimisation 2ème manière de

faire
Les P.L. Irréguliers

Les P.L. Irréguliers – Variables négatives ou sans contraintes de signe

Les P.L. Irréguliers – Second membre des contraintes (disponibilité

ressource) négatif
Les P.L particuliers : Problèmes non bornés et Solutions multiples

Récapitulatif – Etapes du
Simplexe
Exo 1 (variables négatives et sans contraintes de
signe)
Mettre les problèmes linéaires suivants sous forme canonique
Problème 2
Problème 1
Solution - Problème 2
Solution - Problème 1
Exo 2 (Simplexe – P.L. Max classique)
Itération 1:
Résoudre par le simplexe le problème suivant
Problème
Itération 2:
Solution
Forme standard
Exo 3 – Méthode du Simplexe
Résoudre le problème linéaire suivant à l’aide de la méthode du
simplexe
Exo 4 – Problème non borné
Résoudre le problème linéaire suivant à l’aide de la méthode du
simplexe
Problème non borné

Exo 5 – Méthode du Simplexe – Problème dégénéré
Résoudre le problème suivant à l’aide de la méthode du simplexe
forme standard
Chapitre : Problème Dual
Introduction
Chapitre 5 : Problème Dual
Primal / Dual
P.L.
Primal
Contraintes Duales
Formulation du PL Dual
Relation Primal/Dual

Cours RO

Transféré par

Informations du document

Titre original

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Cours RO

Transféré par

Droits d'auteur :

Formats disponibles

Recherche Opérationnelle

MCI2 - MNAD 3ème année ENSAM-Meknès

ENSAM Meknès Université My Ismaïl

▪ MIT Course : 15.053x Optimization Methods in Business Analytics

ENSAM Meknès Université My Ismaïl

▪ La science de la bonne gestion « Science of better ».

Fédération Européenne de Recherche Opérationnelle

ENSAM Meknès Université My Ismaïl

▪ Les problèmes difficiles à comprendre pour un individu sans l'aide d'un

▪ Chercher un itinéraire sur une carte

ENSAM Meknès Université My Ismaïl

Selon le Livre Blanc – ROADEF

▪ La mise en œuvre de méthodes scientifiques, essentiellement mathématiques, en vue de

▪ Établir plus précisément quand entre en jeu la recherche opérationnelle dans un

▪ L’expert en recherche opérationnelle exploite des connaissances provenant de sources

Référence : ROADEF 2011

ENSAM Meknès Université My Ismaïl

▪ Réellement l'utilisation de la RO a commencé vers la seconde guerre mondiale. Lors de

il fallait gérer au mieux

ENSAM Meknès Université My Ismaïl

Il ne suffit pas de dire approximativement où placer des radars, mais il faut

▪ Indiquer avec précision le lieu de leur emplacement

▪ Le mot « Opérationnel » viendrait, probablement, du terme militaire « les opérations ».

ENSAM Meknès Université My Ismaïl

Les domaines scientifiques de la RO

Optimisation continue, Programmation Linéaire, Théorie des jeux continues,... Optimisation

▪ Aspect discret ou combinatoire :

Théorie des graphes, Programmation dynamique, Optimisation combinatoire exacte

Complexité et Décidabilité des problèmes ... etc.

ENSAM Meknès Université My Ismaïl

• Logiciel d'aide à la décision : SAP, Produit ILOG ….

• Logiciels d'optimisation (interactif ou modeleur) : cplex, xpress, glpk, excel, gurobi,…

• Logiciels de simulation qnap, simula,...

• Les API Python , C++ ou java,...

ENSAM Meknès Université My Ismaïl

Exemples de problèmes pratiques de la RO

ENSAM Meknès Université My Ismaïl

Les étapes générales d’un problème de RO

ENSAM Meknès Université My Ismaïl

ENSAM Meknès Université My Ismaïl

ENSAM Meknès Université My Ismaïl

ENSAM Meknès Université My Ismaïl

Les étapes générales d’un problème de R.O.

▪ Etape 1. Observation attentive

ENSAM Meknès Université My Ismaïl

Les Méthodes les plus courantes en RO:

▪ Programmation linéaire: Problèmes avec variables continues et les

ENSAM Meknès Université My Ismaïl

Programmation Linéaire – Modélisation et Formulation

ENSAM Meknès Université My Ismaïl

ENSAM Meknès Université My Ismaïl

Ces hypothèses sont :

▪ Les variables de décision du problème sont positives.

Formulation d’un programme linéaire (PL)

Un PL est généralement lié à:

▪ L’Allocation de Ressources Limitées

❑ Le terme « meilleur » : fait référence à la possibilité d’avoir un ensemble de

❑ Ces décisions sont en général le résultat d’un problème mathématique.

ENSAM Meknès Université My Ismaïl

Les étapes de formulation d’un programme linéaire (PL)

Généralement il y a 3 étapes à suivre pour construire le modèle d'un PL :

▪ Identifier les variables du problème (variables de décision) et les représenter sous

▪ Identifier l’objectif ou le critère de sélection et le représenter sous une forme linéaire