Cours : RECHERCHE OPERATIONNELLE

SOMMAIRE :

Chap0 : Survol historique, concept, méthode et application de la RO

Chap1 : Introduction aux méthodes d’optimisation

Chap2 : L’algorithme du simplexe

Chap3 : Forme matricielle de la méthode du simplexe

Chap4 : Dualité

Chap5 : Théorie des graphes et Ordonnancement

Albert Mekwontchou Page 1

Chap1 : Survol historique et Application de la RO

1.1 Survol historique

Les grands stratèges, comme les grands hommes d’affaires, ont été pour une large part
des intuitifs mais le temps parait révolu ou le Chef, quel qu’il soit, pouvait puiser en soi
les seules données de sa décision. Au binôme « Expérience – Intuition » succède le
diptype « information – Raisonnement » cette révolution s’est opérée en deux étapes :
le recours à l’information chiffrée d’abord ; l’appel au raisonnement scientifique, ensuite.
L’expression recherche Opérationnelle (RO) revêt un double caractère : associer l’image
du chercheur préoccupé par la production de connaissance à celle de l’homme de
terrain.
C’est le contexte militaire qui a valu son nom à la Recherche Opérationnelle, c’est
d’ailleurs R. Watson-Watt (1892-1976), spécialiste du radar qui a récemment revendiqué
la paternité sous le nom de Operationnal Rechearch.
Les risques de guerre puis la conduite des opérations militaires ont fourni à la recherche
Opérationnelle les conditions favorables à son développement. Sans doute pourrait-on
voir dans la mission confiée à Archimède par Héron roi de Syracuse de trouver le moyen
de résister à l’attaque des vaisseaux romains, l’un des premiers problèmes de la
Recherches Opérationnelle. . Mais celle-ci ne s’est véritablement révélée qu’au cours de
la deuxième guerre mondiale. Les substantiels résultats obtenus alors l’ont été grâce à la
conjonction de deux facteurs essentiels :
- D’abord, les besoins de la défense qui, en même temps qu’ils exigeaient une parade
efficace contre le danger, faisait passer au second plan le cout élevé des recherches ;
- Ensuite, les progrès réalisés d’une part, sur le plan des mathématiques qui ont
fourni aux chercheurs de nouveaux procèdes d’analyse et, d’autre part, dans le
domaine des machines (et des ordinateurs actuellement).

Recherche Opérationnelle est la traduction des expressions Anglais ( Operational Research)

et Américain ( Operation Research). Or le terme anglo-saxon d’Operation désigne à la fois les
activités militaires et la préhension d’un phénomène en vue de l’action.

1.2 Domaine d’application

1.2.1 Problème combinatoire

On considère une famille de 8 personnes qui prennent ensembles deux repas par jour.

Déterminer le temps minimal qu’il faudrait au membre de cette famille pour occuper toutes
les positions possibles autours de cette table.

Albert Mekwontchou Page 2

1.2.2 Domaine aléatoire

Gestion se stock, file d’attente

1.2.3 Situation Duale

1.3 Discipline carrefour

La R.O comme discipline a un double objectif : Favoriser les applications pratiques,
développer un certain état d’esprit. Elle n’exige pas toujours l’appel à des connaissances
mathématiques d’un niveau élevé, qui en ferait l’apanage d’experts et autres scientifiques
initiés. Elle apporte à l’étude des problèmes, combinatoires, aléatoires et concurrentiels, une
vision analytique et synthétique. Elle propose un ensemble de méthodes et de techniques
rationnelles non seulement pour optimiser les processus, de planification, de production ou
de gestion mais aussi pour élaborer de meilleures décisions.

Albert Mekwontchou Page 3

Chap2 : Introduction aux méthodes d’optimisation

1.1 Problème d’optimisation

Un problème d’optimisation peut être formulé de la manière suivante :

Minimiser F(x) avec comme contrainte

gi (x) >0 i= 1, …………, n (1)

hj(x) =0 j= 1, ………..,m

Minimiser F(x) , il s’agit de déterminer les valeurs de x(x1,x2 ,x3……..,xn) Rn rendant F(x)
minimale et vérifiant les équations gi(x) >0 et hj(x) =0

Les gi et hj sont appelés contraintes du problème.

La fonction F est appelée fonction objective ou fonction économique ou critère

d’évaluation

x(x1,x2 ,x3……..,xn) est un vecteur de variable ce sont souvent les variables dites de
conception ou de décision selon la nature du problème posé.

Le problème peut être perçu comme la traduction d’un modèle prévisionnel pour lequel

X représente les variables de commande, F le critère de la performance à réaliser gi et hj

les équations du modèle suivant la forme ou la nature du modèle.

Albert Mekwontchou Page 4

Le problème d’optimisation peut être plus ou moins simple à résoudre aussi les éléments à
prendre à compte sont les suivants :

- Nature de la fonction F
- Nature de variable
- Nature des contraintes
Leurs propriétés de continuité et de différentiabilité.

Remarque1 :

- Pour des fonctions régulières (continues et dérivables) ou utilise les méthodes

analytiques.
- Pour de fonctions non régulières on utilise des méthodes numériques.

Remarque2 :

Minimiser F sous contrainte est ce qu’on appelle Programmation mathématique.

1.2 Méthodes d’optimisation

Min F(x)
gi(x)≥0 i= 1, ……………. ,m (2)
n
XϵS⊂R

1.2. 1 Méthode d’ordre 0

Ce sont des méthodes qui ne font intervenir que des valeurs de S pour approcher x*
minimisant F. Autrement dit
min F(x) = F(x*) Ʉ x ϵ D ={ x/x vérifiant les contraintes en (2) }

Exemple de méthodes d’ordre 0 : La méthode de Hookes et Jeeves

1.2.2 Méthodes d’ordre 1

Les méthodes d’ordre 1 sont construites à partir du vecteur gradient de F(x) ce qui
suppose que F(x) est une fonction continument différentiable.

Exemple de méthodes d’ordre 1 , la méthode du gradient.

Albert Mekwontchou Page 5

1.2.3 Méthodes d’ordre 2

Ce sont les méthodes qui font intervenir les dérivées partielles secondes.

Exemple de méthodes d’ordre 2 , la méthode de Newton.

1.3 Typologie des méthodes d’optimisation

1.3.1 Typologie
Ils dépendront de : F, gi , S

Fonction F, gi S Terminologie utilisée

Si fonctions non linéaires, Continu, Programmation mathématique
continues Compact continu
Si fonction non linéaires et pas Discret Programmation mathématique
nécessairement continu discrète si S ⊂ Zn on parle de
Programmation non linéaire en
nombre entier
Si F continue, non linéaire S=Rn Optimisation continue sans
Et pas de contrainte ( m=0) contrainte
Si F non linéaire pas S=Zn On parle d’optimisation non linéaire
nécessairement continue et m=0 en nombre entier sans contrainte
Si F et gi non linéaire convexes S ⊂ Rn Programmation Mathématique non
convexe linéaire convexe
Si F et gi linéaire S ⊂ Rn Programmation linéaire
Si F et gi linéaire S ⊂ Zn Programmation en nombre entier

1.3.2 Méthode SEP (Séparation et Evaluation Progressive)

Elle est basée sur l’application successive et en alternance de 2 principes :

- Le principe de séparation qui permet de séparer l’ensemble D en sous ensemble de plus en
plus petits
- Le principe d’évaluation qui permet d’éliminer certains sous ensemble et de sélectionner le
sous ensemble sur lequel on appliquera la séparation.

1.3.3 Programmation dynamique

Cette méthode a été créé pour traiter les problèmes d’optimisation séquentiels dans le
temps, elle est basée sur la recherche d’une politique optimale depuis un point de départ
jusqu'à un point d’arrivé et ceci sur le principe de BELLMAN « Toute politique optimale ne
peut être forée que de sous politiques optimales »
Cette méthode est applicable à une fonction F(x) avec F(x) =∑ fi(x) ou F(x) =∏ fi(x) i=1……n.

Albert Mekwontchou Page 6

 Chapitre 3 : L’algorithme du simplexe

3.1 Introduction
Afin d’illustrer ce qu’est la « programmation linéaire », commençons par un exemple
simple. Celui-ci nous permettra en outre d’introduire certaines propriétés des problèmes
relevant de ce domaine, propriétés qui seront ensuite exploitées pour fonder l’algorithme du
simplexe.

Une usine fabrique deux sortes de produits P1 et P2 à l’aide de deux machines m1 et m2

Chaque unité de produit en cours de fabrication doit passer successivement sur les deux
machines dans un ordre indifférent et pendant les temps suivant(en minutes) :

P1 P2
m1 30 20
m2 40 10

De plus, la machine m1 est disponible 6000min/mois et la machine m2 est disponible

4000min/mois. Le profit réalisé sur une unité du produit P1 est de 400F. Le profit réalisé sur
une unité du P2 est de 200F.

On souhaite trouver le plan de fabrication mensuel qui maximise le profit.

Pour cela, appelons X (respectivement y) le nombre d’unités du produit P1 (respectivement P2) à

fabriquer mensuellement ; on voit que ce problème peut s’exprimer sous la forme :

Maximiser Z= 400x +200y

30X +20y ≤ 6000

Sous les contraintes 40x + 10y ≤ 4000

X ≥0 , y≥0

Albert Mekwontchou Page 7

Albert Mekwontchou Page 8
Albert Mekwontchou Page 9
Albert Mekwontchou Page 10
Albert Mekwontchou Page 11
Albert Mekwontchou Page 12
Albert Mekwontchou Page 13
Albert Mekwontchou Page 14
Albert Mekwontchou Page 15
Albert Mekwontchou Page 16
Albert Mekwontchou Page 17
Albert Mekwontchou Page 18
Albert Mekwontchou Page 19
Albert Mekwontchou Page 20
Albert Mekwontchou Page 21
Albert Mekwontchou Page 22
Albert Mekwontchou Page 23
Albert Mekwontchou Page 24
Albert Mekwontchou Page 25
Albert Mekwontchou Page 26
Albert Mekwontchou Page 27
Albert Mekwontchou Page 28
Albert Mekwontchou Page 29
Albert Mekwontchou Page 30
Albert Mekwontchou Page 31
Albert Mekwontchou Page 32
Albert Mekwontchou Page 33
Albert Mekwontchou Page 34
Albert Mekwontchou Page 35
Albert Mekwontchou Page 36
Albert Mekwontchou Page 37
Albert Mekwontchou Page 38
Albert Mekwontchou Page 39
Albert Mekwontchou Page 40
Albert Mekwontchou Page 41
Albert Mekwontchou Page 42
Albert Mekwontchou Page 43
Albert Mekwontchou Page 44
Albert Mekwontchou Page 45
Albert Mekwontchou Page 46
Albert Mekwontchou Page 47
Albert Mekwontchou Page 48
Albert Mekwontchou Page 49
Albert Mekwontchou Page 50
Albert Mekwontchou Page 51
 Des opérations o8 ,11 ; o6 ,9

Albert Mekwontchou Page 52

 Chap VIII : Recherche Opérationnelle dans les processus

Aléatoires

8.1 Processus Stochastique

8.1.1 Définition
Un problème est dit stochastique lorsque le hasard intervient comme difficulté majeur.

Dans un problème de file d’attente il s’agira de déterminer généralement le nombre de

station de façon que le temps perdu par le client soit raisonnable.

De la même manière si l’on recherche une règle de gestion de stocks il conviendra par
exemple de trouver un équilibre d’autant plus onéreux du stock de sécurité que ce dernier
est plus élevé et le cout estimé de rupture de aléatoire.

Dans un problème d’entretien des équipements c’est l’issu qui est aléatoire et c’est sa
connaissance stochastique qui peut permettre de fixer les taux d’approvisionnement de
façon à obtenir le meilleur compromis entre le cout d’arrêt du matériel et celui du stockage
des pièces de rechange.

L’ensemble de ses problèmes fait appel à la notion de Processus stochastique.

8.1.2 Processus Stochastique

Un processus stochastique est une famille d’aléas numérique ou une famille de variables
aléatoires définies de la façon suivante :

Ɛt , t ϵ T Où t parcourt l’ensemble des valeurs de T.

Si T est un ensemble discret on a une suite stochastique.

Si T est un ensemble continu on parle de processus stochastique.

On parlera de Processus à espace d’état discret lorsque Ɛ peut prendre un nombre

dénombrable de valeurs.

Albert Mekwontchou Page 53

8.1.3 Processus de naissance, de Poisson, de mort

8.1.3.1 Processus de naissance

On dit qu’on a affaire à un processus de naissance lorsque les individus apparaissent selon
une certaine loi au sein d’une population donnée.

Lorsque le processus de naissance est homogène, la probabilité d’apparition d’un individu

pendant l’intervalle de temps Δt s’il en existe déjà k est :

Pr (Δt) = λk. Δt
Elle est indépendante de l’intervalle Δt

La probabilité complémentaire à savoir 1 - λk . Δt est la probabilité pour qu’il n’apparaisse

aucun individu pendant l’intervalle de temps Δt.

8.1.3.2 Processus de poisson

Lorsqu’on observe l’arrivée des clients au guichet d’une banque, l’occurrence des appels à
un central téléphonique, le passage de véhicule à un poste de péage, etc on rencontre
couramment un processus de naissance particulier appelé : Processus de poisson.

Dans ce qui suit on se propose de connaître le nombre d’évènement qui se produit dans
l’intervalle [ 0, t ]

 Le processus est homogène c'est-à-dire les probabilités de transition sont constantes

dans le temps.
 Le processus est additif et à accroissement indépendante : étant donnée deux
intervalles de temps disjoints le nombre d’évènements qui se produisent dans un
intervalle est indépendant de celui qui se produisent dans l’autre.
 La probabilité pour que deux évènement se produisent en même temps est
négligeable devant la probabilité pour qu’il s’en produise un.
 On exclut les cas de probabilité de transition nulle ou égale à 1.

Lorsqu’on travaille dans ces quatre conditions on à la loi de poisson.

Pn (t) = ( λt )n e-λt / n! Avec λ= taux de naissance

Albert Mekwontchou Page 54

8.1.3.3 Loi Exponentielle

f(t) = λ e-λt
8.1.3.4 Processus de mort

Les hypothèses sont semblables à celles formulés dans le processus de naissance ( λ = taux
d’arrivée, μ= taux de mort ou la probabilité pour qu’une disparition ait lieu entre t et t + Δt

8.2 Usure et Renouvellement des équipements

L’usure et le renouvellement des équipements peuvent être envisagés dans le cas des usures
certaines ce qui donne lieu à des problèmes mathématiques classiques. L’actualisation
permet de comparer les équipements. On s’intéresse à l’usure aléatoire ce qui ne peut être
envisagé qu’en probabilité et l’étude de ce genre de questions doit conduire à un compromis
entre le cout d’approvisionnement et le cout des pannes du matériel.

8.2.1 Loi de suivie

V(t) = n(t) / n(0) C’est la courbe de suivie

n(t) : est le nombre d’objets restant dans le système à l’instant t.

n(0) : est le nombre d’objets restant dans le système à l’instant initial.
8.2.2 Durée de vie
C’est le temps écoulé depuis la mise en service jusqu'à la défaillance de l’équipement
considéré. Elle se note aussi :

V(t) = Pr ( t ≤ T)

Où V(t) est le probabilité pour que l’équipement accomplisse sans défaillance des
fonctions bien déterminées pendant le temps t. Pour cette raison cette probabilité prend le
nom de fiabilité car elle caractérise le degré de confiance qu’on peut accorder à cet
équipement.

Albert Mekwontchou Page 55

8.2.3 Densité de probabilité et probabilité de défaillance

i(t)dt = Pr ( t ≤ T ≤ t+dt) représente la probabilité de défaillance

Remarque

i(t) = - dv(t) / dt = - v’(t)

1 – v(t) =∫0t i(u)du
8.2.4 Probabilité d’avarie

Pa = 1 – [n(t) / n(t-1)]
Elle correspond dans le cas continu à la probabilité conditionnelle pour qu’un équipement
d’âge t subisse une défaillance entre t et t+Δt.

Pr ( t ≤ T ≤ t+dt) = Pr ( T ≥ t). λdt

D’où λ*(t) = i(t) /v(t) = - v’(t) /v(t)
Avec λ*(t) = taux d’avarie.

8.2.5 Vie moyenne

C’est la probabilité de consommation qui est la probabilité d’avoir à remplacer durant le
temps t une quantité d’équipements défaillants.

La durée de vie moyenne ou vie moyenne est :

ṫ = ∫0∞ t.i(t).dt ∫0∞ v(t).dt

=

Exercice :

Etablir la courbe de survie d’un équipement dont le taux d’avarie est constant c'est-à-dire : λ(t) = λ0
Etablir la courbe de survie d’un équipement dont le taux d’avarie est variable et vaut :

λ(t) = λ0t

Albert Mekwontchou Page 56