Académique Documents
Professionnel Documents
Culture Documents
Tawfik MASROUR
2020/2021
Matériel
Définition
https://www.euro-online.org/web/pages/1/home
Problèmes difficiles ?!
www.roadef.org
Un peu d’histoire
▪ Les problèmes de RO remontent au XVIème siècle (Blaise Pascal, Euler,...) avec les jeux
en Mathématiques.
Problème
Le But
Opérationnel
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.
▪ Aspect continu :
▪ Plus général :
Quelques outils de la RO
Il existe de nombreux outils logiciels payants ou libres pour la résolution des problèmes de la
Recherche Opérationnelle.
▪ 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.
Le «Bin Packing» ou comment utiliser le moins de boîtes possibles pour y loger des objets
▪ Etape 2. Modélisation
▪ Etape 3. Résolution
▪ Etape 4. Validation ou amélioration/modification
Chapitre 1
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.
▪ Identifier les restrictions (les contraintes) du problème et les exprimer par un système
d’équations linéaires.
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
Exemple 1 - Modélisation
▪ Critère à optimiser:
▪ 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
PL – Résolution graphique
Les iso-objectifs
PL – Résolution graphique
Enumération
Formulation d’un PL
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.
On vérifie la positivité : 𝑥1 , 𝑥2 ≥ 0
Etape 2– Contraintes
Etape 2– Contraintes
Modèle Mathématique
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 ?
La fonction Objectif :
Les contraintes :
Généralisation
▪ Identifier les restrictions (les contraintes) du problème et les exprimer par un système
d’équations linéaires.
Généralisation
Généralisation
- Données du Problème:
Généralisation
- Fonction Objectif :
- Sous Contraintes:
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 :
▪ Pb: Déterminer le nombre de pilules minimales à prescrire au sujet pour qu’il soit
guéri.
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
ENSAM Meknès Université My Ismaïl
Recherche Opérationnelle
MCI2 - MNAD 3ème année ENSAM-Meknès
- 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
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.
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
Chapitre 2
Tawfik MASROUR
2018/2019
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
Exemple 1 - Modélisation
▪ Critère à optimiser:
▪ 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
PL – Résolution graphique
Les iso-objectifs
PL – Résolution graphique
Enumération
Résolution graphique :
1. Système d’axes
2. Région réalisable:
2. Région réalisable:
2. Région réalisable:
Résolution graphique :
3. Iso - objectif
Résolution graphique :
Exemple Usine à meubles
Résolution graphique :
Pb usine meubles
• PL – Méthode de l’énumération
• PL – Méthode de l’énumération
PL – Méthode de l’énumération
Contraintes saturées et contraintes marginales
Chapitre 3
Tawfik MASROUR
2018/2019
Qui peut traiter des problèmes avec un nombre de variables très grand
Description générale
Principe du simplexe
Principe du simplexe
2ème Itération
Principe du simplexe
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
Chapitre 4
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
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.
Recherche Opérationnelle
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.
Recherche Opérationnelle
Variables artificielles
Recherche Opérationnelle
Recherche Opérationnelle
Donc :
Tant que les solutions dans le simplexe contiendront des variables artificielles, elles ne
seront pas des Vraies Solutions de notre Problème !!
Recherche Opérationnelle
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.
Recherche Opérationnelle
Recherche Opérationnelle
Itération 1.
Recherche Opérationnelle
Itération 2.
Recherche Opérationnelle
Itération 2.
Recherche Opérationnelle
Itération 3.
Recherche Opérationnelle
Itération 4.
Recherche Opérationnelle
Solution - Problème 2
Solution - Problème 1
Recherche Opérationnelle
Exo 2 (Simplexe – P.L. Max classique)
Itération 1:
Résoudre par le simplexe le problème suivant
Problème
Itération 2:
Solution
Forme standard
Recherche Opérationnelle
Exo 3 – Méthode du Simplexe
Résoudre le problème linéaire suivant à l’aide de la méthode du
simplexe
Recherche Opérationnelle
Exo 4 – Problème non borné
Résoudre le problème linéaire suivant à l’aide de la méthode du
simplexe
forme standard
Chapitre : Problème Dual
Introduction
Chapitre 5 : Problème Dual
Primal / Dual
P.L.
Primal
Chapitre 5 : Problème Dual
Contraintes Duales
Chapitre 5 : Problème Dual
Formulation du PL Dual
Chapitre 5 : Problème Dual
Relation Primal/Dual
Chapitre 5 : Problème Dual
Relation Primal/Dual
Chapitre 5 : Problème Dual
Relation Primal/Dual
Chapitre 5 : Problème Dual
Relation Primal/Dual
Chapitre 5 : Problème Dual
Chapitre 5 : Problème Dual
Chapitre 5 : Problème Dual
Chapitre 5 : Problème Dual