Cours

Semestre 7
La recherche
opérationnelle
Pr. A. LAHFIDI
Pr. A. AAZZAB
ENCG AGADIR 2020-2021 1

Présentation du syllabus
1. Pré-requis
Algèbre linéaire, calcul matriciel et statistique
2. Objectif du cours
Ce cours représente une introduction à la recherche opérationnelle
et ses applications dans le domaine de l’industrie, du transport, de
la finance et de la gestion. L’objectif général de ce cours est de
mettre à la disposition des encgistes les outils nécessaires à la
modélisation et à la résolution des problèmes du monde réel en
exploitant des méthodes et techniques mathématiques et
numériques de résolution de problèmes d’optimisation et leurs
applications en sciences de gestion.

Compétences générales visées
Le cours de la recherche opérationnelle vise à développer chez les

étudiants les qualités suivantes :
Développer une démarche scientifique complète de RO ;

Formuler et modéliser les problèmes quotidiens de gestion ;
Proposer des méthodes d'optimisation ou d'aide à la décision
adaptées au contexte ;
Exploiter les différentes techniques d’optimisation à la
résolution des problèmes.

Moyens pédagogiques
Manuels pédagogiques de base disponible sous format pdf :
Robert Faure, Précis de recherche opérationnelle Méthodes et

exercices d’application, Dunod, Paris, 2014.
 Notes de cours pour chaque séance ;

Apprentissage en hybride (en présentiel et en distanciel) ;
Utilisation du vidéo projecteur et du tableau blanc ainsi que
d’autres outils d’apprentissage à distance ;
Des séries d’exercices sont données aux étudiants avant de les
corriger.

Plan du cours :
Chapitre 1: La Programmation Linéaire
Formulation des programmes linéaires
Méthode de résolution graphique
Méthode de résolution algébrique : Algorithme du simplexe
Problème de dualité en programmation linéaire
Aspect matriciel de la programmation linéaire
Chapitre 2 : Introduction à la théorie des graphes

Éléments de théorie des graphes
Décomposition des graphes
Problèmes d'ordonnancement
Introduction
Modélisation par un graphe orienté
Construction et résolution du diagramme de PERT
Diagramme Gantt
Problème du plus court chemin
Définition du problème de plus court chemin dans un graphe
Algorithmes de résolution
Évaluation
Travaux à rendre 30%

Participation & Assiduité 20 %
Examen final 50 %
TOTAL 100%

Introduction générale
Définitions de la Recherche Opérationnelle :
La RO peut se définir comme « la mise en œuvre de méthodes

scientifiques, essentiellement mathématiques, en vue de prendre la
meilleure décision possible. »
Association Française de Recherche Opérationnelle et d'Aide à la Décision (2011)
La RO peut se définir comme «la science de la bonne gestion.

C’est un ensemble des domaines scientifiques traitant des
questions d’ordre décisionnel ou d’optimisation de systèmes
complexes.»
La Fédération Européenne de Recherche Opérationnelle
Exemples : chercher un itinéraire sur une carte, ordonnancement

des tâches, la décision stratégique en finance …

Histoire : les problèmes de RO remontent au XVIème siècle
(Blaise Pascal, Euler,...) avec les jeux en Mathématiques.
Origine de la méthode : Domaine militaire (l'implantation
optimale de radars de surveillance durant la 2ème guerre mondiale)
Domaine d’application :
La gestion de projets : problèmes d'ordonnancement et de
planification de projets, problèmes de logistique et de transport et
problèmes d'emploi du temps...
L’industrie manufacturière : plans de productions
(ordonnancement ), problèmes de découpe (optimisation des
ressources), optimisation du conditionnement et la livraison…
La finance : les problèmes de financement et d'investissement
(maximiser le profit et/ou minimiser les coûts)…
…

Étapes générales d’un problème de RO
Étape 1: observation, collecte des données et formulation du

problème.
Étape 2 : construction d’un modèle scientifique (formulation

mathématique).
Étape 3 : résoudre le problème en testant le modèle développer en

donnant une solution optimale.

Chapitre 1 : la programmation linéaire
Définition
En mathématiques, les problèmes de programmation linéaire
(PL) est la recherche de l’optimum (minimum ou maximum)
d’une fonction d’objectif linéaire liées par des équations ou
inéquations linéaires appelées contraintes.
La fonction d’objectif
On appelle fonction d’objectif, ou fonction économique, d’un
problème d’optimisation le critère de choix entre les diverses
solutions possibles.
Les contraintes
On appelle contraintes du problème toutes les relations limitant
le choix des valeurs possibles des variables. Ce sont des
restrictions de nature techniques, économiques ou logiques.
1- Formulation mathématique d’un programme linéaire
La forme générale d’un problème linéaire :
M ax ou M inZ  c1 x1  c2 x2  ...  cn xn

Sous contraintes :
a11x1  a12x 2  ...  a1n x n , ,  b1
a x  a x  ...  a x , ,  b
 21 1 22 2 2n n 2
a 31x1  a 32x 3  ...  a 3n x n , ,  b3


...

a m1 x1  a m2 x 2  ...  a mn x n , ,  bm

 x j  0 ; j  1,2,..., n contraintes de non négativité 

La forme générale d’un problème linéaire :
Z : la fonction économique (fonction d’objectif);

c1, c2, …, cn : les coefficients des variables de la fonction Z
x1, x2, …, xn : les variables inconnues du modèle;
a11, a12, …, amn : les coefficients des variables pour les
contraintes du modèle;
b1, b2, …, bm : les quantités disponibles de chaque ressource.
La forme matricielle d’un problème linéaire :
M ax ou M inZ  CX
Sous contraintes : AX , ,  B
avec :
 x1  a a . a  b1 
x   11 12 1n  b 
X  2
. 
  
; C  c1 c2 . cn ; A  . . . .



; B  2
. 
     
 xn   am1 am 2 . amn  bm 
Étapes de construction d’un programme linéaire :
1- identifier les variables associées au problème ;

2- formuler les contraintes qui délimitent les valeurs que peuvent
prendre les variables ;
3- Formuler la fonction économique linéaire qui mesure l’efficacité
des variables.
Exemple d’application (1)
• Soit une firme produisant deux biens A et du B avec trois types

de matières premières M1, M2 et M3, selon le tableau suivant :
A B Stocks
M1 2 1 8
M2 1 2 7
M3 0 1 3
Gain / unité 4 5
Formuler le modèle linéaire qui permet de déterminer les quantités

à produire pour maximiser le gain par unité
Solution :
1- identification des variables :
Les variables sont les quantités x1 et x2 des biens fabriqués A et B.
2- formulation des contraintes :
Quelques soient les quantités produites des deux biens, il ne faut pas
dépasser les quantités de matières premières disponibles dans les
stocks

2 x1  x2  8 pour M 1 

Contraintes techniques 

 x1  2 x2  7 pour M 2 

Ou de capacité :

 x2  3 pour M 3
 
 x1  0
Contraintes de non 
 x2  0
négativité
Solution :
3- identification de la fonction d’objectif (fonction économique) :
L’objectif de cette firme est de maximiser la fonction Z qui
représente le gain :
Le gain du bien A est de 4x1
Le gain du bien A est de 5x2
Donc Z= 4x1 + 5x2

Solution :
Programme linéaire est de :
Max Z  4 x1  5 x2
2 x1  x2  8
x  2x  7


1 2
SC :  x2  3
x  0
 1

 x2  0
• Une entreprise peut utiliser 2 usines pour fabriquer un certain produit. La
capacité de fabrication de chaque usine en temps régulier est la suivante :
Usines Capacités en unités Coût unitaire
U1 1800 7
U2 2200 6
L’entreprise alimente 3 entrepôts dont les capacités maximales de stockage :
Entrepôts Capacité de stockage en unités
E1 1500
E2 2000
E3 1800 Question :
Les coûts unitaires de transport sont : Formuler le modèle
Entrepôts linéaire qui permet de
Usines E1 E2 E3 déterminer les quantités à
U1 6 4 7 fabriquer pour minimiser
U2 5 3 2 les coûts de fabrication et
du transport.
Solution :
Nous avons 2 usines pour produire des quantités d’un bien destinées
à être stockées dans 3 entrepôts.
Donc, xij est la quantité en unités expédiées par l’usine i à l’entrepôt
j. avec i=1,2 et j=1,2,3.
Contraintes relatives à la capacité de production des usines :
 x11  x12  x13  1800 pour U1

 x21  x22  x23  2200 pour U2
Contraintes relatives à la capacité de stockage des entrepôts :
 x11  x21  1500 pour E1

 x12  x22  2000 pour E2
 x  x  1800 pour E3
 13 23
Solution :
Contraintes de non négativité :
x11, x12 , x13, x21, x22 , x23  0

L’objectif de cette firme est de minimiser la fonction Z qui
représente le coût du transport et de fabrication :
Coût du transport : 6 x11  4 x12  7 x13  5x21  3x22  2 x23

Coût de fabrication : 7x11  x12  x13   6x21  x22  x23 
La fonction Z :
6 x11  4 x12  7 x13  5x21  3x22  2 x23  7x11  x12  x13   6x21  x22  x23 
Solution :
Min Z  6 x11  4 x12  7 x13  5 x21  3x22  2 x23  7x11  x12  x13   6x21  x22  x23 
 x11  x12  x13  1800
 x  x  x  2200
 21 22 23
 x11  x21  1500
SC : 
 x12  x22  2000
 x13  x23  1800

 x11, x12 , x13 , x21, x22 , x23  0
Merci de votre attention

Semestre 7
La recherche
opérationnelle
Pr. A. LAHFIDI
Pr. A. AAZZAB

EXERCICE 1
Un producteur artisanal fabrique des articles de poterie et des
articles d’émaux sur cuivre. Sachant que :
- Il faut 1 heure de temps de fabrication pour une poterie et 4
heures pour un émail, la charge de travail pour les émaux ne
doit pas dépasser celle de la poterie de plus de 160 heures.
- La production d’articles de poterie ne doit pas excéder de plus
de 30 unités la production d’émaux.
- Le nombre total d’articles fabriqués ne doit pas être supérieur
à 80 unités par jour.
-Le bénéfice est de 20 DH pour une poterie et de 60 DH pour
les émaux sur cuivre.
TAF :
Modéliser le problème du plan de travail journalier optimal de
cette entreprise sous forme d’un programme linéaire.
EXERCICE 1 : Solution
Soient :
x : le nombre d’articles de poterie;
y : le nombre d’articles d’émaux sur cuivre;
Z : le bénéfice généré par cette fabrication.
La charge de travail pour les émaux ne doit pas dépasser celle
de la poterie de plus de 160 heures, soit :
4 y  x  160
La production d’articles de poterie ne doit pas excéder de plus

de 30 unités la production d’émaux, soit :
x  y  30
Le nombre d’articles fabriqués ne doit pas excéder 80 unités par
jour, soit :
x  y  80 ENCG AGADIR 2020-2021 3
x0 ; y0

L’objectif ici est d’avoir un bénéfice global maximum sachant que le
bénéfice est de 20 DH pour une poterie et de 60 DH pour un émail. Il
s’agit donc de maximiser la fonction :
Z  20 x  60 y

Max Z  20 x  60 y
4 y  x  160
 x  y  30


SC :  x  y  80
x  0


y  0
EXERCICE 2
Un atelier peut fabriquer trois types d’articles :

- l’article A1 à la cadence de 40 objets à l’heure ;
- l’article A2 à la cadence de 65 objets à l’heure ;
- l’article A3 à la cadence de 26 objets à l’heure.
Mais A1 rapporte net 30 DH, A2 20 DH et A3 40 DH. D’autre

part, on dispose d’une machine unique pour fabriquer ces trois
articles avec une capacité de 160 heures par mois.
La capacité d’absorption du marché étant limité, on ne peut
écouler par mois, plus de 6000 objets de type A1, ni plus de
6500 objets de type A2, ni plus de 2000 objets de type A3.
TAF :
Formuler le programme linéaire
Soient :
x1 : le nombre d’objets de l’article A1 ;
x2 : le nombre d’objets de l’article A2;
x3 : le nombre d’objets de l’article A3;
Z : le bénéfice net généré par cette fabrication.
Contraintes du marché, soit :
x1  6000
x2  6500
x3  2000
Contrainte de capacité de production

x1 x2 x3 Inéquation
   160 13x18x2  20 x3  83200
40 160 26 simplifiée
x1  0 ; x2  0; x3  0

L’objectif est d’avoir un bénéfice net global maximum, alors :
Z  30 x1  20 x2  40 x3

Max Z  30 x1  20 x2  40 x3
 x1  6000
 x  6500
 2
 x3  2000

SC : 13 x1 8 x2  20 x3  83200
x  0
 1
 x2  0

 x3  0
EXERCICE 3
Une entreprise fabrique des pièces en inox, de trois types A, B et C;
elles sont fabriquées par lot de 50 dans un grand atelier où sont
rassemblées deux machines de découpe de l’inox, une emboutisseuse
et deux polisseuses ; chaque machine fonctionne 120 heures par mois.
Les caractéristiques de fabrication sont rassemblées dans le tableau
suivant :
Coût horaire Lot A Lot B Lot C
Découpe 20 DH 1h 1,5h 1,5h
Emboutissage 30 DH 0,5h 1h
Polissage 40 DH 2h 1h 1h
Inox (mat. première) 50 DH 85 DH 68 DH
Prix de vente 200 DH 200 DH 210 DH
TAF :
Formuler le programme linéaire
Soient :
x : le nombre de lots de pièces de type A ;
y : le nombre de lots de pièces de type B ;
z : le nombre de lots de pièces de type C;
Z : le bénéfice net généré par cette fabrication.
Contraintes de production, soit :
Découpe : x  1,5 y  1,5 z  2 120  240
Emboutissage : 0,5 x  z  120
Polissage : 2 x  y  z  2 120  240

x  0 ; y  0; z  0
Nous avons des coûts et des ventes, l’objectif alors est de maximiser le
bénéfice net mensuel qui est égal aux ventes moins les coûts.
Pour les ventes :
200 x  200 y  210 z


Pour les coûts :
•Coût de MP : 50 x  85 y  68z
•Coût heures découpe:

20  x  1,5 y  1,5z   20 x  30 y  30 z
Coût heures emboutissage:
30  0,5x  1z   15x  30 z
•Coût heures polissage:
40  2 x  y  z   80 x  40 y  40 z
Coût total:
165x  155 y  168z
L’expression du bénéfice total est alors :

Z = Ventes – Coût total
Z  200 x  200 y  210 z   165 x  155 y  168 z 

 35 x  45 y  42 z
Max Z  35 x  45 y  42 z
 x  1,5 y  1,5 z  240
0,5 x  z  120


2 x  y  z  240
SC : 
x  0
y  0


z  0

Semestre 7
La recherche
opérationnelle
Résolution d’un pRogRamme linéaiRe
Méthode géométrique
Pr. A. LAHFIDI
Pr. A. AAZZAB

Plan :
Introduction
Rappel de géométrie analytique
La solution optimale
Applications :
Cas d’une seule solution possible
Cas de solutions multiples
Cas des problèmes à solution infinie
Cas des problèmes à aucune solution possible

Introduction
La méthode géométrique ou graphique n'est pas utilisée en pratique,

par contre, elle permet de visualiser certains concepts qui seront très
utiles lors du développement de la méthode du simplexe.
Dans le cas de la méthode géométrique, les problèmes portent sur les

modèles à deux variables.
La géométrie des problèmes à deux variables permet une meilleur

compréhension des situations qui peuvent se présenter pour des
modèles à n variables

Rappel de géométrie analytique
Une contrainte à deux variables a la forme :

a11x1  a12 x2 , ,  b1
Donc pour la résolution géométrique d’un modèle linéaire à deux

variables, nous nous intéresserons au plan x1x2 dont x1 constitue
l’axe des abscisses et x2 constitue l’axe des ordonnées.
Ensuite, on détermine l’ensemble des points (x1,x2) dont les

coordonnées satisfont les contraintes d’un problème de
programmation linéaire.
On représente l’équation de la droite x2=ax1 + b (a est la pente de

la droite et b est l’ordonnée à l’origine).
L’inéquation x2≤ ax1 + b représente un demi-plan fermé composé
de tous les points sur et sous la droite x2=ax1 + b.
x2 x2
x1 x1
x2 ≤ ax1 + b x2 ≤ ax1 + b
a > 0; b >0 a < 0; b >0

L’inéquation x2≥ ax1 + b représente un demi-plan fermé composé
de tous les points sur et sous la droite x2=ax1 + b.
x2 x2
x1 x1
x2 ≥ ax1 + b x2 ≥ ax1 + b
a > 0; b >0 a < 0; b >0

L’inéquation x1 = α représente une droite parallèle à l’axe x2
x2 x2
α x1 α x1
x1 ≤ α x1 ≥ α

L’inéquation x2 = β représente une droite parallèle à l’axe x1
x2 x2
β β
x1 x1
x2 ≤ β x2 ≥ β

La solution optimale
La recherche de l’optimum d’un programme linéaire consiste

d’abord à déterminer les solutions satisfont (solutions réalisables)
aux contraintes du programme. Ces solutions forment un ensemble
convexe.
La solution qui optimise la fonction économique est un point

extrême de cet ensemble convexe.
Ce point extrême est nécessairement sur la frontière de l’ensemble

convexe.

Application 1 :
Résoudre le programme linéaire suivant (méthode graphique)
Max Z  x1  2 x2
2 x1  x2  4
x  x  8


1 2
SC :  x1  x2  4
x  5
 1

 x1  0; x2  0
Solution:
Solution: (Une seule solution possible)
Valeur de la fonction
Point Coordonnée X1 Coordonnée X2
économique (Z)
B 2 0 2
H 5 0 5
A 0 4 8
F 5 3 11
E 2 6 14
O 0 0 Hors solutions réalisables
C 0 8 Hors solutions réalisables
D 8 0 Hors solutions réalisables
G 5 9 Hors solutions réalisables
Le point extrême qui optimise la fonction économique est x1=2;

x2=6 et Z=14
Application 2 :
Max Z  16 x1  2 x2
6 x1  x2  0
 x  12


2
SC : 8 x1  x2  60
4 x  x  24
 1 2

 x1  0; x2  0
Solution: (Solutions multiples)
La droite de la fonction économique (en rouge) coïncide avec l’une

des bornes de la région convexe
Solution: (Solutions multiples)
Point Coordonnée X1 Coordonnée X2 Valeur de la fonction objective (Z)
O 0 0 0
A 2 12 56
I 6 0 96
D 6 12 120
H 7 4 120
B 4,29 25,71 Hors solutions réalisables
C 0 12 Hors solutions réalisables
E 9 12 Hors solutions réalisables
F 0 60 Hors solutions réalisables
G 7,5 0 Hors solutions réalisables
Deux points extrêmes qui optimisent la fonction économique est

(x1=6; x2=12) et (x1=7; x2=4) et Z=120
Application 3 :
Max Z  x1  2 x2
 x1  x2  2

SC :  x2  3
 x  0; x  0
 1 2
Solution: ( problèmes à solution infinie)
Graphiquement, ce problème est caractérisé par le fait qu’on peut

déplacer la droite de la fonction objectif indéfiniment de manière
à accroître la valeur, en gardant toujours une intersection non vide
avec l’ensemble des solutions réalisables.
Application 4 :
Max Z  4 x1  3 x2
 x1  x2  2

SC : 3 x1  x2  10
 x  0; x  0
 1 2
Solution : ( Aucune solution possible)

Semestre 7
La recherche
opérationnelle
Résolution d’un pRogRamme linéaiRe
Méthode du simplexe (méthode des tableaux)
Pr. A. LAHFIDI
Pr. A. AAZZAB

Introduction
• L'algorithme du simplexe est un algorithme de résolution des
problèmes d'optimisation linéaire.
• La méthode du simplexe s’applique seulement à un système de

contraintes sous forme d’équations.
• La méthode du Simplexe est une procédure itérative qui permet

d'améliorer la résolution de la fonction objectif à chaque étape. Le
processus se termine lorsque vous ne pouvez pas continuer à
améliorer la valeur, c'est-à-dire, on a atteint la solution optimale
(la valeur la plus élevée ou la plus basse possible, selon le cas).
Introduction
• La forme initiale d’un programme linéaire, où une ou toutes les
contraintes sont sous forme des inéquations, est appelée forme
canonique.
• Un programme linéaire (PL) mis sous la forme particulière où

toutes les contraintes sont des équations et toutes les variables
sont non négatives est dit PL sous forme standard.
• Un programme linéaire sous forme canonique peut toujours se

transformer sous forme standard en transformant les inéquations
en équations par l’ajout des variables appelées variables d’écart.
Variables d’écart
Avant que l’algorithme du simplexe puisse être utilisé pour
résoudre un programme linéaire, ce programme linéaire doit être
converti en un programme équivalent où toutes les contraintes
technologiques sont des équations et toutes les variables sont non
négatives.
1- Contraintes de type (≤) : Pour chaque contrainte i de ce type, on

rajoute une variable d’écart xi, tel que xi ≥ 0
• Exemple : Appelée également variable d’excédent
3x1  2 x2  18 se transforme en 3x1  2 x2  x3  18

Avec x3 ≥ 0
Variables d’écart
2- Contraintes de type (≥) : Pour chaque contrainte i de ce type, on
retranche une variable d’écart xi, tel que xi ≥ 0
• Exemple :
3x1  2 x2  18 se transforme en 3x1  2 x2  x3  18

Avec x3 ≥ 0
Remarques :
• Les variables d’écart ont une interprétation physique pour chaque
contrainte où elles sont introduites.
• La variable d’écart aura la même unité de mesure que la ressource
de la contrainte où elle est introduite.
Variables de base et variables hors base
Considérons un système d’équations à n variables et m équations
où n ≥ m. Une solution de base pour ce système est obtenue de la
manière suivante :
a) On pose n-m =0. Ces variables sont appelées variables hors base
(V.H.B.).
b) On résout le système pour les m variables restantes. Ces
variables sont appelées les variables de base (V. B.)
c) Le vecteur de variables obtenu est appelé solution de base (il
contient les variables de base et les variables hors base)
Une solution de base est admissible si toutes les variables de la
solution de base sont positive.
Solutions admissibles
Toute solution de base du PL sous forme standard pour laquelle

toutes les variables sont non négatives, est appelée solution de
base admissible. Cette solution de base admissible correspond à
un point extrême.
Les étapes de résolution du programme linéaire
Cas pratique : problème de maximisation
Résoudre le PL suivant par la méthode du simplexe
Max Z  15 x1  6 x2
 x1  x2  15
2 x  x  20
 1 2
SC : 
 x1  8

 x1  0; x2  0
Étape 1: transformer le PL de la forme canonique à la forme
standard :
Max Z  15 x1  6 x2
Max Z  15 x1  6 x2
 x1  x2  x3  15
 x1  x2  15 2 x  x  x  20
2 x  x  20  1 2 4
 1 
SC :  x1  x5  8
2
SC : 
 x1  8  x  0; x  0; x  0

 x1  0; x2  0  1 2 3

 x4  0; x5  0
Nous avons ajouté des variables d’écart : x3; x4 et x5.
x3, x4, et x5 sont les variables de base (V.B).
x1, et x2 sont les variables hors base (V.H.B).

Formation du tableau initial
Il s’agit de la première itération qui consiste à déterminer la
solution de base (solution initiale).
A partir de la forme standard, nous avons 3 contraintes et 5
variables. En égalant (5-3)=2 variables à zéro, nous obtenons une
solution de base. Par conséquent, en égalant les variables
principales à zéro : x1=0 et x2=0, la solution réalisable est :
x3=15, x4=20 et x5=8. Avec cette solution initial Z=0
Base x1 x2 x3 x4 x5 b
x3 1 1 1 0 0 15
x4 2 1 0 1 0 20
x5 1 0 0 0 1 8
Cj-Zj 15 6 0 0 0 0
Première itération
Étape 1: choix de la variable entrante (dans la base)
Étape 2 : choix de la variable sortante (de la base)
Étape 3 : pivotage et calcul de la nouvelle valeur de Z
Étape 4: si tous les Cj-Zj ≤ 0, alors la solution obtenue est optimale

et on arrête les calculs, sinon on passe à la 2ème itération et on
recommence l’étape 1.

La variable hors base qui va entrer dans la base correspond au
maximum des Cj-Zj (pour des problèmes de max).
Alors Max(Cj-Zj)=15,par conséquent, la variable entrante est x2
x1 la variable entrante
x3 1 1 1 0 0 15
x4 2 1 0 1 0 20
x5 1 0 0 0 1 8
Cj-Zj 15 6 0 0 0 0
15 est le Max (Cj-Zj)
Colonne pivot
Étape 2: choix de la variable sortante (de la base)

Dans un problème de min OU de max, la variable sortante sera le
minimum des bi/aij (pour les aij>0)
Alors Min(bi/aij)=8,par conséquent, la variable sortante est x5
Base x1 x2 x3 x4 x5 b b/a
x3 1 1 1 0 0 15 15/1=15
x4 2 1 0 1 0 20 20/2 =10
x5 1 0 0 0 1 8 8/1=8
Cj-Zj 15 6 0 0 0 0
x5 la variable Min(bi/aij)=8
La ligne pivot
sortante
Étape 3: pivotage et calcul de la nouvelle valeur de Z

Le pivot c’est l’intersection entre la colonne pivot et la ligne pivot
Le pivotage s’effectue de la manière suivante :
• On commence par diviser la ligne du pivot par le chiffre du pivot.
• On applique la procédure d’élimination de Gauss-Jordan autour
du pivot : L
Lk  i
akj
aij
• Pour la dernière colonne du tableau du simplexe:
akj
bk  bi
aij
Étape 3: pivotage et calcul de la nouvelle valeur de Z
x3 1 1 1 0 0 15
x4 2 1 0 1 0 20
x5 1 0 0 0 1 8
Cj-Zj 15 6 0 0 0 0
Le pivot aij
15 – (1*8)/1 = 7
0 – (2*1)/1 = -2
Nouvelle
x3 0 1 1 0 -1 7
valeur de Z
x4 0 1 0 1 -2 4 =120
x1 1 0 0 0 1 8 Z s’est bien
améliorée
Cj-Zj 0 6 0 0 -15 -120
Or 6≥0 alors on passe à l’itération suivante
Itération suivante :
x2 la variable entrante
Base x1 x2 x3 x4 x5 b b/a
x3 0 1 1 0 -1 7 7/1=7
x4 0 1 0 1 -2 4 4/1 =4
x1 1 0 0 0 1 8 8/0=∞
Cj-Zj 0 6 0 0 -15 -120
La ligne pivot 6 est le Max (Cj-Zj)
Colonne pivot
Le pivot aij
x4 la variable sortante
x3 0 0 1 -1 1 3
x2 0 1 0 1 -2 4
x1 1 0 0 0 1 8
Cj-Zj 0 0 0 -6 -3 -144
Conclusion :
x3 0 0 1 -1 1 3
x2 0 1 0 1 -2 4
x1 1 0 0 0 1 8
Cj-Zj 0 0 0 -6 -3 -144
Tous les Cj-Zj sont inférieurs ou égaux à 0. Donc la solution et

optimale, cette solution est définie par :
Solution optimale
x1 =8
x2=4
Z=144
Exercice 1: problème de maximisation
Max Z  7 x1  9 x2  18 x3  17 x4
2 x1  4 x2  5 x3  7 x4  42
 x  x  2 x  2 x  17
 1 2 3 4
SC : 
 x1  2 x2  3 x3  3 x4  24

 x1  0; x2  0; x3  0; x4  0

Semestre 7
La recherche
opérationnelle
Cas particuliers du simplexe
Pr. A. LAHFIDI
Pr. A. AAZZAB

Plan :
Cas 1 : les coefficients de la fonction économique sont égaux

Cas 2 : égalité des plus petits rapports positifs
Cas 3 : ajout des variables artificielles
Cas 4 : méthode du grand M ( cas de la minimisation)
Cas 1 : les coefficients de la fonction économique sont
égaux
Exemple :
Max Z  12 x1  12 x2
 x1  x2  7

SC : 2 x1  x2  9
 x  0; x  0
 1 2
Transformation du PL de la forme canonique à la forme standard :
Max Z  12 x1  12 x2 Max Z  12 x1  12 x2
 x1  x2  7  x1  x2  x3  7
 
SC : 2 x1  x2  9 SC : 2 x1  x2  x4  9
 x  0; x  0  x  0; x  0
 1 2  1 2
Nous avons ajouté des variables d’écart : x3; x4 et x5.
x3 et x4 sont les variables de base (V.B).
x1, et x2 sont les variables hors base (V.H.B).

Max Z  12 x1  12 x2
 x1  x2  x3  7

SC : 2 x1  x2  x4  9
 x  0; x  0
 1 2
Base x1 x2 x3 x4 b
x3 1 1 1 0 7
x4 2 1 0 1 9
Cj-Zj 12 12 0 0 0
Problème de choix de la variable entrante !

Solution à faire :
Base x1 x2 x3 x4 b bi/aij bi/aij

x3 1 1 1 0 7 7/1=7 7/1=7
x4 2 1 0 1 9 9/2=4,5 9/1=9
Cj-Zj 12 12 0 0 0
Je compare les rapports (bi/aij) les plus petits (4,5 et 7) et je

retiens la variable entrante pour laquelle le rapport est le plus
élevé des deux. Par conséquent, la variable entrante est x2 et
la variable sortante est x3
Cas 2 : égalité des plus petits rapports positifs
Exemple :
Max Z  8 x1  5 x2
 x1  x2  7

SC : 2 x1  x2  14
 x  0; x  0
 1 2
Max Z  8 x1  5 x2
 x1  x2  x3  7

SC : 2 x1  x2  x4  14
 x  0; x  0; x  0; x  0
 1 2 3 4
Base x1 x2 x3 x4 bi bi/aij
x3 1 1 1 0 7 7/1=7
x4 2 1 0 1 14 14/2=7
Cj-Zj 8 5 0 0 0
On calcule la somme de tous les coefficients aij par ligne de
variable de base et on divise le résultat par le pivot de la ligne :
• Pour x3 : (1+1+1+0)/1=3
• Pour x4 : (2+1+0+1)/2=2
On retient le plus grand des deux rapports, le pivot est par
conséquent celui qui correspond a ce grand rapport
Cas 3 : Ajout des variables artificielles
Exemple : forme canonique
Max Z  8 x1  5 x2
 x1  x2  7
2 x  x  14
 1 2
SC : 
 x1  x2  2

 x1  0; x2  0
Exemple : Forme standard
Max Z  8 x1  5 x2
 x1  x2  x3  7
2 x  x  x  14
 1 2 4
SC : 
 x1  x2  x5  2

 xi  0; i  1,2,3,4,5
x1  x2  0
x3  7
x4  14
La variable x5 ≤ 0, il est impossible alors
x5  2 de trouver de solution de départ évidente
Solution : ajouter une variable artificielle
 x1  x2  x3  7
2 x  x  x  14


1 2 4
 x1  x2  x5  a1  2 a1 est la variable artificielle

 x  0; i  1,2,3,4,5
 i

a1  0
x1  x2  x5  0 (V .H .B )
x3  7 

x4  14V .B
a1  2 

Cas 4 : MÉTHODE DU GRAND M ( ou des pénalités )
Cette méthode permet de tenir compte des variables artificielles.

On les pénalise en leur affectant un coefficient de valeur très
élevée dans la fonction économique (- M pour un problème à
maximum, + M pour un problème à minimum).
Les pénalités ont pour objet de provoquer l'élimination des

variables artificielles au fil des itérations. Normalement, à
l'optimum (s'il existe) les variables artificielles sont hors base. Si
celles-ci sont à l'optimum dans la base, avec une valeur non nulle,
le programme n'a pas de solution.
Exemple :
Min Z  x1  x2
7 x1  5 x2  40

SC :  x1  4 x2  9
 x  0; x  0
 1 2
Règles des itérations dans le cas de la minimisation
La variable hors base qui va entrer dans la base correspond au Minimum
des Cj-Zj
Étape 2 : choix de la variable sortante (de la base)

Même règle que la maximisation
Étape 3 : pivotage et calcul de la nouvelle valeur de Z

Mêmes procédures que la maximisation
Étape 4: si tous les Cj-Zj ≥ 0, alors la solution obtenue est optimale

et on arrête les calculs, sinon on passe à la 2ème itération et on
recommence l’étape 1.
Forme standard
Min Z  x1  x2  0 x3  0 x4  Ma1  Ma2

7 x1  5 x2  x3  a1  40

SC :  x1  4 x2  x4  a2  9
 x  0; x  0
 1 2
1ère itération
Base x1 x2 x3 x4 a1 a2 b b/a
Cj 1 1 0 0 M M
a1 M 7 5 -1 0 1 0 40 8,00
a2 M 1 4 0 -1 0 1 9 2,25
Zj 8M 9M -M -M M M
Cj-Zj 1-8M 1-9M M M 0 0 49M
Tous les Cj-Zj ne sont pas ≥ 0, alors on passe

à la 2ème itération
2ème itération
Base x1 x2 x3 x4 a1 a2 b b/a
Cj 1 1 0 0 M M
a1 M 5,75 0 -1 1,25 1 -1,25 28,8 5,0
x2 1 0,25 1 0 -0,25 0 0,25 2,25 9,0
Zj 5,75M+0,25 1 -M 1,25M-0,25 M -1,25M+0,25
Cj-Zj -5,75M+0,75 0 M -1,25M+0,25 0 2,25M-0,25 28,8M+2,25
Tous les Cj-Zj ne sont pas ≥ 0, alors on passe

à la 2ème itération
3ème itération
Base x1 x2 x3 x4 a1 a2 b
Cj 1 1 0 0 M M
x1 1 1 0 -0,1739 0,2174 0,1739 -0,2174 5
x2 1 0 1 0,0435 -0,3043 -0,043 0,3043 1
Zj 1 1 -0,1304 -0,0870 0,1304 0,0870
Cj-Zj 0 0 0,1304 0,0870 M-0,1304 M-0,0870 6
Tous les Cj-Zj ≥ 0, alors la solution obtenue est optimale et on

arrête les calculs, avec :
x1 = 5
x2 = 1
Z  x1  x2  5  1  6

Semestre 7
La recherche
opérationnelle
La dualité
Pr. A. LAHFIDI
Pr. A. AAZZAB

Plan :
 Principe de base de la dualité

 Applications du théorème de dualité
 Le dual d'un problème de maximisation
 Détermination de la solution du dual à partir de la solution du
primal
Principe de base :
Associer au programme linéaire initial, appelé primal, un
deuxième programme linéaire appelé le programme dual
tel que :
• le dual a m variables (autant que de contraintes
industrielles dans le primal)
• il a n contraintes industrielles (autant que de variables
dans le primal)
• le dual est un problème de minimisation
• pour toute solution du dual et toute solution du primal,
l’objectif du dual est supérieur ou égal à celui du primal
Principe de base :
Primal : n
Max Z   c j x j
j 1
 n
 aij x j  bi i  1,2,..., m
SC :  j 1
 x  0; j  1,2,..., n
 j
Dual : m
Min F   bi yi
i 1
 m
 aij yi  c j j  1,2,..., n
SC :  i 1
 y  0; i  1,2,..., m
 i
Théorème
Si le primal a une solution optimale x1* , x2* ,..., xn*
alors le dual a une solution optimale y1* , y2* ,..., yn*
et, pour ces solutions, l’objectif du primal est égal à
l’objectif du dual :
n m
c
j 1
j x   bi y
*
j
i 1
*
i
Applications du théorème de dualité
• Si le primal a beaucoup de contraintes et moins de

variables, le simplexe sera plus efficace sur le problème
dual!
• Le dernier dictionnaire du simplexe nous donnera
simultanément une solution optimale pour le primal et
pour le dual.
• Interprétation économique : la solution optimale du dual
nous dira s’il est intéressant d’investir plus pour
augmenter certaines ressources.
Exemple 1 : Le dual d'un problème de maximisation
Une usine fabrique des bureaux, des tables et des chaises.
La fabrication de chaque type de produit nécessite de la
matière première (plaques en bois) et deux types
d’activités : menuiserie et finition.
La quantité requise de chaque ressource est donnée
comme suit :
Produit Bureau Table Chaise Quantité de
ressource
Ressource disponible
Bois (plaque) 8 6 1 48
Menuiserie (heure) 2 1,5 0,5 8
Finition (heure) 4 2 1.5 20
Prix de revient (Z) 60 30 20
Détermination du programme primal
L’objectif est maximiser les recettes. Par conséquent,

Variables de décision :
x1 = nombre de bureaux fabriqués
x2 = nombre de tables fabriquées
x3 = nombre de chaises fabriquées
MaxZ  60 x1  30 x2  20 x3
8 x1  6 x2  x3  48 (ressource bois)
2 x  1,5 x  0,5 x  8 (ressource menuiserie)
 1 2 3
SC :  (ressource finition)
 4 x1  2 x 2  1,5 x3  20

 xi  0; i  1,2,3
Programme primal
Détermination du programme Dual
Supposons qu'un entrepreneur veut acheter toutes les ressources de

l’usine (bois, heure menuiserie, heure finition) . Il veut certainement
que le prix total de ces ressources soit minimal.
Produit Bureau Table Chaise Quantité de

ressource
Ressource disponible
Bois (plaque) 8 6 1 48
Menuiserie (heure) 2 1,5 0,5 8
Finition (heure) 4 2 1,5 20
Prix de revient (Z) 60 30 20
Détermination du programme Dual
On définit alors :
y1 = prix d'une plaque de bois

y2 = prix d'une heure de menuiserie
y3 = prix d'une heure de finition
L'entrepreneur doit payer : D = 48y1 + 8 y2 + 20 y3

Mais doit minimiser D. Également, il doit payer suffisamment pour
convaincre l’usine de vendre ses ressources.
Par exemple, il doit dépenser au moins 60 pour une combinaison
de :
8 plaques de bois + 2 heures de menuiserie + 4 heures de finition
car l’usine peut utiliser ces ressources pour fabriquer un bureau et
le vendre pour 60.
L'entrepreneur doit payer au moins 60, sinon l’usine ne verra

aucune raison de lui vendre ses ressources :
 8y1 + 2 y2 + 4 y3  60
De même on a : 6y1 + 1,5 y2 + 2 y3  30

y1 + 0,5 y2 + 1,5 y3  20
avec y1, y2, y3  0 (coûts fictifs)

Le problème dual est ainsi le suivant :
MinD  48 y1  8 y2  20 y3
8 y1  2 y2  4 y3  60
6 y  1,5 y  2 y  30
 1 2 3
SC : 
 y1  0,5 y2  1,5 y3  20

 yi  0; i  1,2,3
Remarques :
Primal (Dual) Dual (Primal)
Fonction à maximiser Fonction à minimiser
ième contrainte  ième variable  0

ième contrainte  ième variable  0
ième contrainte = ième variable ≠ 0
jème variable  0 jème contrainte 
jème variable  0 jème contrainte 
jème variable ≠ 0 jème contrainte =
Application
Déterminer le programme dual du programme primal suivant :
Max Z  2 x1  x2
 x1  x2  2
2 x  x  3
 1 2
SC : 
 x1  x 2  1

 x1  0; x2  0
Solution
Min D  2 y1  3 y2  y3
 y1  2 y2  y3  2

SC :  y1  y2  y3  1
 y  0; y  0; y  0
 1 2 3
Application
Déterminer le programme dual de chaque programme primal suivant :
Min Z  5 x1  6 x2  7 x3  x4
 x1  2 x2  x3  x4  7
6 x  3 x  x  7 x  14
 1 2 3 4
SC : 
  2 x1  17 x 2  4 x3  2 x 4  3

 x1  0; x2  0; x3  0; x4  0
Solution
Max D  7 y1  14 y2  3 y3
 y1  6 y2  2 y3  5
2 y  3 y  17 y  6


1 2 3
SC :  y1  y2  4 y3  7
 y  7 y  2 y  1
 1 2 3

 y1  0; y2  0; y3  0
Détermination de la solution du dual à partir de la solution
du primal
Programme primal : Solution du programme primal
Min D  50 y1  80 y 2
Base y1 y2 y3 y4 y5 bi
3 y1  6 y2 0 1 1/6 -1/4 0 3/2
2 y  4 y  10
 1 2 y1 1 0 -1/3 0 0 2
SC : 
2 y1  5 y 2  8 y5 0 0 1/6 -5/4 1 7/2

 y1  0; y 2  0 cj-Zj 0 0 10/3 20 0 -220
La solution optimale du primal : y1=2, y2=3/2, y3=0, y4=0, y5 = 7/2;
Programme dual : x1 = 10/3 Z = 220

Max Z  6 x1  10 x2  8 x3 x2 = 20
Remarque : Les valeurs des
3 x1  2 x2  2 x3  50 x3 = 0 variables d’écart du primal
 sont les valeurs des variables
SC : 4 x2  xy3  80 x4 = 0
 x  0; i  1,2,3 du programme dual et vice
 i x5 = 0 versa.
Application
Trouver le programme dual et sa solution à partir du programme primal

suivant : Min Z  340 x1  24006 x2  560 x3
 x1  2 x2  x3  1100
 x  3 x  2 x  1400
 1 2 3
SC : 
 x1  x2  3 x3  1500

 x1 , x2 , x3  0
x1 x2 x3 x4 x5 x6
x6 0 3 0 1 -2 1 200
x3 0 1 1 1 -1 0 300
x1 1 1 0 -2 1 0 800
0 1500 0 120 220 0 -440000

Semestre 7
La recherche
opérationnelle
La théorie des graphes

Pr. A. LAHFIDI
Pr. A. AAZZAB
Plan
Notions élémentaires
Le graphe non-orienté
Le graphe orienté
Le chemin dans un graphe orienté
Un sous-graphe
Un graphe partiel
Modes de représentation d’un graphe
Représentation sagittale
Représentation par dictionnaire (liste)
Représentation matricielle
Opérations sur les graphes
Union
Intersection
Complément
Inverse
Produit ENCG AGADIR 2020-2021 2
Un graphe non-orienté G = (X, U) est la donnée de deux
ensembles :
- Un ensemble X = {x1, x2, · · · , xn} dont les éléments sont
appelés sommets ;
- Un sous-ensemble U ⊂ X×X noté U = {u1, u2, · · · , um} dont les
éléments sont appelés arêtes.
Exemple :
Sommets : X = {a, b, c, d}
Arêtes : U = {u1, u2, u3, u4}

Une arête est représentée par un ensemble de deux sommets.

u1 ={a, b} ; u2= {b, d} …
Un sommet qui n’apparaît dans aucune arête est dit isolé : le
sommet « e » est isolé.
Si {a, b} ∈ U, les sommets a et b sont dits adjacents.
Exemple :
U = {{a, b}, {b, d}, {d, c}, {a, d}}

• Un graphe orienté est un graphe où les U sont appelés arcs.

Pour un arc u = (xi, xj), le sommet xi s’appelle extrémité initiale
(ou origine) et xj son extrémité finale (ou destination).
• Dans l’arc (xi, xj), on dit que le sommet xj est un successeur de
xi . On dit aussi que le sommet xi est un prédécesseur de xj .
Exemple :
Pour u1 :
 a est l’origine et b est la destination
 b est le successeur de a
 a est le prédécesseur de b

• Lorsque xi = xj , l’arc (xi, xi) s’appelle une boucle.

• Un arc privé de son orientation s’appelle une arête.
• Deux sommets sont dits adjacents s’ils sont joints par un arc (ou
une arête), et deux arcs sont dits adjacents s’ils ont au moins une
extrémité commune.
Exemple :
 L’arc (a, a) est une boucle
 u1 et u2, sont adjacents (b est l’extrémité
commune)
 u2, u3 et u4 sont adjacents (d est
l’extrémité commune)

• Le degré d’un sommet xi, noté deg.xi, est le nombre d’arêtes ou

d’arcs dans lesquels xi apparaît, (les boucles comptant pour 2).
• Le degré d’un graphe est le degré du sommet qui a le degré le
plus élevé.
Exemple :
Deg. a =0 ; Deg. b =4; Deg. c =3;

Deg. d =2 et Deg. e =3
Deg. G = Deg. b =4
Graphe G
Chemins
Un chemin dans un graphe orienté est une séquence (suite) de
sommets et d’arcs telle que
1. la séquence débute par un sommet et se termine par un
sommet;
2. les sommets et les arcs alternent;
3. chaque arc est précédé par son sommet origine et est suivi par
son sommet cible ;
4. aucun arc n’apparaît plus d’une fois.
La longueur d’un chemin est le nombre d’arcs de ce chemin
Exemple :
•(b, (b, c), c, (c, e),e, (e, c), c) est un chemin
•(b, (b, c), c, (c, e),e, (e, c), c, (c, e),e) n’est pas
un chemin
•longueur de (c,(c, e), e) = 1
•Longueur de (b, (b, c), c, (c, e),e, (e, c), c) = 3
Chemins
• Un chemin pourrait aussi être décrit en donnant seulement la
séquence d’arcs. Ex: (b, c, e, d)
• Un chemin simple est un chemin dans lequel aucun sommet
n’apparaît plus d’une fois, sauf que le premier et le dernier
peuvent être les mêmes.
Ex : (b), (b, c, e, d), (c, e, c) sont des chemins simples du graphe
ci-dessous. mais pas (b, c, e, c).
• Un chemin est un cycle s’il contient au moins un arc et que le
premier et le dernier sommet du chemin sont identiques.
Ex : (c, e, c) est un cycle.
Graphe G

• Un sous-graphe est obtenu par suppression d’un certain nombre

de sommets (et par conséquent de tous les arcs qui leur sont liés).
• Un graphe partiel est obtenu par suppression d’un certain nombre
d’arcs.
Exemple : Un sous graphe de G obtenu par la
suppression du sommet b
Un graphe partiel de G obtenu par la

suppression de l’arc u2
Graphe G
1- Représentation sagittale
Pour un graphe orienté fini, chaque sommet est représenté par un
point du plan, chaque arc par une flèche reliant le sommet origine
au sommet extrémité.
Exemple :
Graphe de 4 sommets
et 5 arcs

2- Représentation par dictionnaire (liste)
Il s’agit d’un tableau à entrée simple où chaque ligne correspond à
un sommet et comporte la liste de ses prédécesseurs (dictionnaire
des prédécesseurs) ou de ses successeurs (dictionnaire des
successeurs).
Exemple : Dictionnaire des
Dictionnaire des
successeurs prédécesseurs
a→[b] a→[d]
b→[⊘] b → [ a, d ]
c→[⊘] c→[d]
d → [ a, b, c ] d→[⊘]

3- Représentation matricielle
Considérons un graphe G = (X, U) contenant n sommets. La
matrice d’adjacence (ou matrice booléenne) est une matrice carrée
aij  1 si xi , x j U
d’ordre n de terme général :   

aij  0 sinon

Exemple :
A B C D
A 1 1 1 0
B 0 0 0 1
C 0 0 0 0
D 0 1 1 0

Soient les deux graphes orientés suivants : (S : sommets ; A : Arcs)
G2
G1
G1 = 〈S, A1〉 G2 = 〈S, A1〉
Leurs matrices sont :
M1 = M1 =

Union
Deux graphes : G1 U G2 = 〈S, A1〉 U 〈S, A1〉 = 〈S, A1 U A2〉
U =
Deux matrices : l’union des matrices est obtenue en faisant
la disjonction des entrées correspondantes

Intersection
Deux graphes : G1 ⋂ G2 = 〈S, A1〉 ⋂ 〈S, A1〉 = 〈S, A1 ⋂ A2〉
⋂ =
Deux matrices : l’intersection des matrices est obtenue en
faisant la conjonction des entrées correspondantes

Complément
Le complément d’un graphe : ~G = ~ 〈S, A〉 = 〈S, ~A〉
Le complément d’une matrice est obtenu en faisant la

négation des entrées.

Inverse
Le complément d’un graphe : G-1 = 〈S, A〉-1 = 〈S, A-1〉
L’inverse d’une matrice est obtenu en transposant la

matrice.

Produit
Deux graphes : G1 ° G2 = 〈S, A1〉 ° 〈S, A1〉 = 〈S, A1 ° A2〉
Le produit des matrices est obtenu en faisant une

opération similaire au produit matriciel en algèbre
linéaire

Rappel sur les relations sous forme
matricielle
Les propriétés des relations se transposent aux matrices à

partir de leur définition.
Totalité : au moins un 1 par ligne
Déterminisme (fonction) : au plus un 1 par ligne
Surjectivité : au moins un 1 par colonne
Injectivité : au plus un 1 par colonne
Application : exactement un 1 par ligne
Application bijective : exactement un 1 par ligne et par
colonne
Rappel sur les relations sous forme
matricielle
Exemples :


Semestre 7
La recherche
opérationnelle

problèmes d’ordonnancement
Méthode MPM
Pr. A. LAHFIDI
Pr. A. AAZZAB ENCG AGADIR 2020-2021 1
Plan
Introduction
Méthode MPM
Les conditions de la méthode
Principe
Construction du graphe MPM
Lecture d'un graphe MPM
Détermination des dates « au plus tôt » et « au plus tard »
Le chemin critique
Calcul des marges
Exemple d’application
exercice

Introduction
Le problème tout projet est de déterminer dans quel ordre

doivent s’enchaîner les diverses tâches de manière à
minimiser le temps d’exécution du projet.
Les méthodes d'ordonnancement des tâches permettent
d'avoir une représentation graphique (immuable ou non)
d'une réalisation en représentant chaque opération (ou
tâche) par un arc, une liaison, ou un rectangle qui peut être
proportionnel ou non à la durée.
Ce graphique dans tous les cas permet le positionnement
relatif des opérations dans le temps.

Introduction
L’objectif est d’ordonner dans le temps un ensemble

d’opérations contribuant à la réalisation d’un même projet
(construction d’un bâtiment, lancement d’un produit, ... etc
).
Le déroulement de ces diverses tâches doit respecter
certaines contraintes de type :
- contrainte de succession stricte,
- contrainte de date.

Introduction
Il s’agit donc de minimiser la durée totale de réalisation du

projet compte tenu des durées nécessaires à la réalisation
de chaque opération et des contraintes qu’elles doivent
respecter. Le problème ainsi pos´e peut être schématisé
sous forme d’un graphe sans circuit selon deux modes :
- la méthode M.P.M. (Méthode des potentiels Metra),

appelée également méthode graphe-tâches ;
- la méthode PERT (Programm Evaluation Research
Task), appelée également méthode graphe-étapes

Méthode MPM
Définition :
La Méthode des Potentiels et antécédents Métra (MPM) est

une méthode d’ordonnancement basée sur la théorie des
graphes, et visant à optimiser la planification des tâches
d'un projet.
L’objectif de cet outil est de permettre d'ordonnancer, de

hiérarchiser, de classer un très grand nombre de tâches en
fonction de contraintes d'antériorité ou de succession qui
peuvent évoluer.
Dans le graphe, il y a inversion de représentation : le nœud

devient « tâche », l’arc devient contrainte d’antériorité.
Méthode MPM
Les conditions préalables à la construction du graphe

MPM
La méthode MPM suit une démarche logique qui impose
au préalable de satisfaire les étapes suivantes :
Établir une liste des tâches à réaliser et déterminer la
durée de chaque tâche.
Pour chacune des tâches, déterminer les tâches
précédentes (relations d'antécédence et de succession).
Identifier les tâches dépendantes (qui ne peuvent
commencer que si certaines autres tâches sont exécutées
partiellement ou terminées).
Identifier les tâches pouvant être réalisées simultanément
(sous réserve d'une disponibilité des ressources
nécessaires).
Méthode MPM
Principe :
Le graphe pour ce mode de représentation est construit
comme suit :
• Chaque tâche xi est représentée par un sommet i.
• Toute relation d’antériorité immédiate est représentée par
un arc.
• La longueur l(i, j) d’un arc (i, j) est égale à la durée
minimale qui doit s’écouler entre le début de la tâche xi et
le début de la tâche xj .
• Lorsque les contraintes sont uniquement de type
”succession stricte”, cette longueur est égale à la durée de
la tâche origine xi .

Méthode MPM
Construction du graphe MPM :

• Le graphe MPM est ordonné par niveaux (graphe sans
circuit).
• Chaque sommet sera représenté par un rectangle de
type :
Nom de la tâche Durée de la tâche
Date au plutôt Date au plus tard
DÉBUT
Par convention :
0 Date au plus tard
FIN
Par convention : Date au plutôt = Date au plus tard
Lecture d'un graphe MPM :
Le graphe se lit de gauche à droite (du sommet "DÉBUT" à celui
de "FIN").
Chaque sommet symbolise une tâche.
Les arcs entre les sommets traduisent uniquement les relations
d'antériorité des tâches.
D'un même sommet peuvent donc partir plusieurs flèches,
lorsque la tâche correspondante est immédiatement antérieure à
plusieurs tâches indépendantes.

DÉTERMINATION DES DATES « AU PLUS TÔT » DANS UN
RÉSEAU MPM
La détermination des dates au plus tôt des différentes sommets se

fait par calculs successifs, à partir du sommet "Début" (dont, par
convention, la date au plus tôt est fixée à 0). La durée minimale du
projet correspond donc à la date au plus tôt du sommet "Fin".
La date au plus tôt d'un réseau MPM correspond à la date à

laquelle une tâche peut commencer au plus tôt. Elle s'obtient très
simplement en ajoutant à la date au plus tôt de la tâche précédente la
durée de la tâche en question :
Date au plus tôt tâche T = Date au plus tôt tâche S + Durée
tâche S
"S" représente l'ensemble des tâches immédiatement antérieures à

"T"
DÉTERMINATION DES DATES « AU PLUS TÔT » DANS UN
RÉSEAU MPM
Remarque :
Lorsque plusieurs arcs arrivent à un même sommet (c'est-à-dire que
plusieurs tâches sont immédiatement antérieures à la tâche
considérée), il convient, d'effectuer ce calcul pour toutes les tâches
précédant la tâche en question et de retenir comme "date au plus tôt"
de cette dernière le maximum des valeurs ainsi trouvée (en effet,
cette tâche ne pourra vraiment débuter que lorsque toutes les tâches
qui lui sont immédiatement antérieures auront été terminées). La
formule précédente devient donc :
Date au plus tôt tâche T = Max. (Date plus tôt tâches S + Durée
tâches S)

DÉTERMINATION DES DATES « AU PLUS TARD» DANS UN
RÉSEAU MPM
La détermination des dates au plus tard des différentes tâches se fait à

rebours du graphe, par calculs successifs, en partant du sommet "Fin"
(pour lequel, par convention, on considère que la date au plus tard est
égale à sa date au plus tôt).
La date au plus tard d'un réseau MPM correspond à la date à laquelle

une tâche doit être exécutée au plus tard pour ne pas remettre en cause
la durée optimale totale du projet. Elle s'obtient en retirant de la date au
plus tard de la tâche qui lui succède sa propre durée :
Date au plus tard tâche S = Date au plus tard tâche T - durée tâche
S
"S" représente l'ensemble des tâches immédiatement antérieures à "T"

DÉTERMINATION DES DATES « AU PLUS TARD» DANS
UN RÉSEAU MPM
Remarque :
Lorsque plusieurs arcs partent d'un même sommet (i.e. que plusieurs
tâches succèdent à une tâche donnée), il convient de faire ce calcul
pour toutes les tâches succédant à la tâche en question et de retenir
comme "date au plus tard" de de cette dernière le minimum des
valeurs ainsi trouvées :
Date au plus tard tâche S = Min. (date au plus tard tâches T -

durée tâche S)

LE CHEMIN CRITIQUE
On appelle chemin critique la succession des tâches pour lesquels

aucun retard n'est possible sans remettre en cause la durée optimale
du projet (tâches pour lesquelles date au plus tôt = date au plus tard).

LES MARGES D'UNE TÂCHE DANS UN RÉSEAU MPM
On appelle "marge" d'une tâche le retard qu'il est possible de tolérer

dans la réalisation de celle-ci, sans que la durée optimale prévue du
projet global en soit affectée. Il est possible de calculer trois types
de marges :
Marge totale tâche S = Date plus tard tâche S - Date plus tôt
tâche S
Marge certaine tâche S = Max [ 0 , Min (Date au plus tôt tâche T

- Date au plus tard tâche S - Durée tâche S) ]
Marge libre tâche S = Date plus tôt tâche T - Date plus tôt tâche
S - Durée tâche S

Exemple :
Les différentes tâches nécessaires à la réalisation d’un projet, leur

durée et leurs relations d'antériorité sont résumées dans le tableau
suivant : Tâches Durée Antériorité
A 2 -
B 4 -
C 4 A
D 5 A, B
E 6 C,D
1. Déterminer la durée minimale d’exécution du projet

2. Déterminer le calendrier de début d’exécution (au plus tôt et au
plus tard) des différentes tâches
3. Déterminer le chemin critique
4. Calculer les différentes marges

Exemple :
Le diagramme MPM du projet
Le chemin en rouge est le

chemin critique du projet

Exemple :
Calcul des marges :
- Marge totale de A = (2 - 0) = 2
-Marge totale de C = (5 - 2) = 3
- Marge libre de A = Min [(2 - 0 - 2) , (4 - 0 - 2)] = Min [0, 2] = 0

- Marge libre de C = (9 - 2 - 4) = 3
-
- Marge certaine de A = Max [0, Min ( [2 - 2 - 2], [4 - 2 - 2] ) ] =
Max [0, Min (-2, 0)] = 0
- Marge certaine de C = Max [0, (9 - 5 - 4)] = 0

Exercice:
Les opérations mises en jeu dans la construction d’un ensemble
hydro-électrique sont notées par les lettres a, b, · · · , i. On
suppose que toutes les contraintes sont de type contraintes de
succession. Les données du problème sont résumées dans le
tableau suivant :
Opérations pré-
Opération Désignation Durée (mois)
requises
Construction des voies d’accès a 4 -
Travaux des terrassemets b 6 a
Construction des bâtiments
c 4 -
administratifs
Commande du matériel électrique d 12
Construction de la centrale e 10 b; c; d
Construction du barrage f 24 b;c
Installation des galeries et conduites
g 7 a
forcées
Montage des machines h 10 e; g
Essais de fonctionnement i 3 f; h
Exercice:
TAF :
1. Déterminer la durée minimale d’exécution du projet
2. Déterminer le calendrier de début d’exécution (au plus
tôt et au plus tard) des différentes tâches
3. Déterminer le chemin critique
4. Calculer les différentes marges


Semestre 7
La recherche
opérationnelle

problèmes d’ordonnancement
Méthode PERT
Pr. A. LAHFIDI
Plan
Introduction
Définition
Principe
Construction du graphe PERT
Le chemin critique
Exemple d’application
exercice

Introduction
Le PERT (Programm of Evaluation and Review Technic) est,

comme la MPM, une technique d'ordonnancement basée sur la
théorie des graphes, visant à optimiser la planification des tâches
d'un projet.
Cette technique a été à l’origine une méthode crée par la marine

américaine dans les années 50 sous l'appellation initiale de méthode
CPM (Critical Method Path) pour coordonner les tâches des milliers
d'entreprises impliquées dans son projet "Polaris" (programme de
développement de missiles à ogive nucléaire).
Compte tenu de son efficacité elle s'est ensuite rapidement étendue à

toute l’industrie américaine puis occidentale.

Définition :
Le PERT (Programm Evaluation Research Task) peut se

définir comme une méthode consistant à ordonnancer sous
forme de réseau un ensemble de tâches qui grâce à leur
dépendance et à leur chronologie concourent à l’atteinte
d’un objectif.
Autrement dit, pour traduire la logique d’exécution d’un

projet, la méthode PERT consiste à représenter sous
forme de réseau des étapes reliées par des tâches en
exprimant toutes les relations ou contraintes existant entre
ces tâches.

Principe :
Le graphe pour ce mode de représentation est construit comme suit :
• Chaque tâche x est représentée par un arc (i, j) dont la longueur est
égale à la durée de la tâche.
• Chaque sommet du graphe est une étape signifiant que :
- toutes les tâches qui arrivent sont achevées,
- toutes les tâches qui partent peuvent commencer.
Remarque :
Il est parfois nécessaire d'introduire des "tâches fictives " (de valeur
0) pour traduire correctement sur un graphe les relations d'antériorité
de certaines tâches, notamment lorsque celles-ci partagent avec
d'autres une partie de leurs antécédents.

Principe :
Réduire la durée totale d'un projet par une analyse détaillée des tâches
ou activités élémentaires et de leur enchainement. On étudie les délais
sans prendre en compte les charges.
La réalisation d'un projet implique l'exécution de certaines tâches dans
un ordre donné, compte tenu, des relations existant entre elles. Ces
relations de dépendance sont de deux ordres:
1 - Relations logiques
On ne peut commencer une tâche avant que la précédente ne soit
terminée.
2 - Relation d'ordre spéculatif
L'entrainement du réseau est alors défini par contraintes (souvent la
contrainte principale est le délai)
Construction du graphe PERT:
La construction d'un graphe PERT consiste à procéder par

"niveau" :
-déterminer les tâches sans antécédent (tâches de niveau 1)
et les relier à l'étape de « Début »
- identifier ensuite les tâches de niveau 2, c'est-à-dire celles
dont les antécédents sont exclusivement du niveau 1 et les
positionner sur le graphique en fonction de des derniers,
- … continuer ainsi, jusqu'à ce que toutes les tâches aient
pu être positionnées entre elles et relier celles n'ayant pas
de descendant à l'étape de « Fin »

Construction du graphe PERT:

Détermination des dates « au plus tôt » dans un réseau PERT
Date au plus tôt tâche T = Date au plus tôt tâche S + Durée

tâche S
Lorsque plusieurs arcs arrivent à un même sommet :
Date au plus tôt tâche T = Max. (Date plus tôt tâches S + Durée
tâches S)
Détermination des dates « au plus tard» dans un réseau PERT

Date au plus tard tâche S = Date au plus tard tâche T - durée
tâche S
Lorsque plusieurs arcs partent d'un même sommet :
Date au plus tard tâche S = Min. (date au plus tard tâches T -
durée tâche S)
"S" représente l'ensemble des tâches immédiatement antérieures à

"T"
LE CHEMIN CRITIQUE
On appelle chemin critique la succession des tâches pour lesquels

aucun retard n'est possible sans remettre en cause la durée optimale
du projet (tâches pour lesquelles date au plus tôt = date au plus tard).

LES MARGES D'UNE TÂCHE DANS UN RÉSEAU MPM
On appelle "marge" d'une tâche le retard qu'il est possible de tolérer

dans la réalisation de celle-ci, sans que la durée optimale prévue du
projet global en soit affectée. Il est possible de calculer trois types
de marges :
Marge totale tâche S = Date plus tard tâche S - Date plus tôt
tâche S
Marge certaine tâche S = Max [ 0 , Min (Date au plus tôt tâche T

- Date au plus tard tâche S - Durée tâche S) ]
Marge libre tâche S = Date plus tôt tâche T - Date plus tôt tâche
S - Durée tâche S

Exemple :
Les différentes tâches nécessaires à la réalisation d’un projet, leur
durée et leurs relations d'antériorité sont résumées dans le tableau
suivant : Tâche Durée Antécédent(s)
A 2 -
B 8 -
C 5 A
D 2 B
E 6 B
F 5 E
TAF: G 3 A,D
1. Construire le graphique.
2. Déterminer les dates au plus Tôt
3. Déterminer les dates au plus tard
4. Mettre en évidence le chemin Critique
5. Calculer la marge libre de chacune des tâches
6. Calculer la marge totale de chacune des tâches
Exemple :
Montage du réseau en utilisant les liens de dépendance (les
antécédents)
La tâche en pointillés est qualifiée de fictive.

Exemple :
Détermination des dates au plus tôt

Exemple :
Détermination des dates au plus tard

Exemple :
Chemin critique

Exemple :
Calcul des marges
Tâche Marge libre Marge totale

A 0 12
C 12 12
B 0 0
D 0 6
G 6 6
E 0 0
F 0 0

Exercice:
Un projet a été décomposé en tâches comme le montre le
suivant: Taches Taches Antérieures Durée En Jours
A B 5
B - 2
C A; B 3
D B 1
E D 2
F E;D 6
G E 3
H C;F 4
I G;E 1
J I;H;C 1
K H;C 3
L M;C;F 1
M C;F 5
TAF:
1.Déterminez le niveau de chacune tâches
(annexe 1)
2.Construire le graphique.
3.Déterminer les dates au plus Tôt
4.Déterminer les dates au plus tard
5.Mettre en évidence le chemin Critique
6.Calculer la marge libre de chacune des tâches
7.Calculer la marge totale de chacune des tâches
Annexe 1
Tâches Niveau0 Niveau1 Niveau2 Niveau3 Neveau5 Niveau6
A B
B -
C A; B
D B
E D
F E;D
G E
H C;F
I G;E
J I;H;C
K H;C
L M;C;F
M C;F

Semestre 7
La recherche
opérationnelle

Problème de transport
Pr. A. LAHFIDI
Plan
Introduction
1- Représentation du problème de transport
A- Formulation sous la forme d’un tableau de
transport
B- Formulation mathématique sous la forme d’un
programme linéaire
C- Formulation sous la forme de graphe bipartie
2- Résolution du problème de transport
I- Recherche de la solution initiale
a) La méthode du coin Nord-Ouest
b) La méthode du moindre coût
II- Recherche de la solution optimale

Introduction
Le problème du transport est un programme linéaire qui a une

structure particulière. Cette classe de PLs englobe les
problèmes qui s'énoncent dans une forme approximative à
celle-ci :
Il y a m origines et n destinations, dans chaque origine on
dispose d'une certaine quantité de matières premières (ou
produit donné), et dans chaque destination on demande une
certaine quantité de ce produit.
Le coût de transport est différent pour chaque couple origine-
destination. On cherche un plan de transport optimal dans le
sens qu'il minimise le coût total de transport.

Introduction
L'usage des tableaux de simplexe dans le cas des

problèmes de transport est bien entendu possible.
Toutefois, cette alternative ne présente pas un réel intérêt

pratique car les problèmes de transport aboutissent
généralement à un grand nombre de variables et de
contraintes.
Heureusement, une représentation intuitive et permettant

un traitement facile des problèmes de transport existe : il
s'agit du tableau de transport.

1- Représentation du problème de transport
Un problème de transport peut être représenté de

trois manières :
– Sous la forme d’un tableau de transport ;

– Sous la forme d’un programme linéaire ;
– Sous la forme d’un graphe biparties.

A- Formulation sous la forme d’un tableau de
transport
Exemple:
Soit une série de villes (A, B, C, D) alimentées en électricité
par des centrales (1, 2, 3). La situation est résumée par la table
suivante :
Puissance
A B C D
produite (GWh)
1 6 5 3 1 500
2 10 8 4 2 300
3 7 9 11 12 200
Demande
300 300 300 100
(GWh)
Interprétation du tableau :
Dans ce problème, on a trois origines et quatre destinations.

Les offres des origines sont inscrites sur la dernière colonne,
et les quantités disponibles dans les différentes destinations
sont inscrites sur la dernière ligne. Les chiffres inscrits en
petite taille dans chaque case indiquent les coûts de transport
unitaires entre chaque origine et chaque destination. Par
exemple, chaque unité transportée de l'origine 2 vers la
destination C induit un coût de transport de 4(um).
Remarquons que dans ce tableau l'offre totale est égale à la

demande totale. On dit que ce problème est équilibré. Si le
problème n'est pas équilibré, on est dans le cadre d'un cas
particulier des problèmes de transport.

programme linéaire
Soit la variable xij définit par le nombre de GWh produits à

la centrale i et envoyé à la ville j.
La fonction économique Z consiste à minimiser le coût du
transport :
MinZ 
6 x11  5 x12  4 x13  1x14
 10 x21  8 x22  4 x23  2 x24
 7 x31  9 x32  11x33  12 x34
programme linéaire
Les contraintes :
 x11  x12  x13  x14  500

 x21  x22  x23  x24  300
Contraintes de
production
 x  x  x  x  200
 31 32 33 34
 x1 1  x2 1  x3 1  300
Contraintes de  x  x  x  300
 12 22 32
consommation 
 x1 3  x2 3  x3 3  300

 x1 4  x2 4  x3 3  100
Contraintes de
non-négativité xij  0
C- Formulation sous la forme de graphe bipartie
I- Recherche de la solution initiale

Une solution de base pour un problème de transport avec m
origines et n destinations doit contenir exactement : (m+n-1)
variables de base.
Dans notre l'exemple on doit donc avoir dans tous les
tableaux correspondants 6 variables de base.
Il y a plusieurs méthodes qui permettent d'obtenir une
solution initiale.
Nous présentons les deux méthodes les plus fréquemment
utilisées :
a)La méthode du coin Nord-Ouest

b)La méthode du moindre coût

a)Solution initiale selon la méthode du coin Nord-Ouest
Les étapes de le méthode :
Partir du coin supérieur gauche du tableau.

1.Allouer le plus possible à la cellule courante et ajuster l’offre et la
demande ;
2.Se déplacer d’une cellule vers la droite (demande nulle) ou le bas
(offre nulle) ;
3.Répéter jusqu’au moment où toute l’offre est allouée et toute la
demande est satisfaite.

Le coût total correspondant à cette solution

est de :
Z  (300  6)  (200  5)  (100  8)

 (200  4)  (100 11)  (100 12)
 6700 ENCG AGADIR 2020-2021 13
a) Solution initiale selon la méthode du coin Nord-

Ouest
L'avantage principal de la méthode du coin nord-ouest

est la facilité de mise en œuvre. L'inconvénient majeur
de cette méthode est qu'elle ne tient pas compte de la
structure de coût.
Généralement, mais pas systématiquement, elle aboutit
à un coût total initial assez élevé.

a) Solution initiale selon la méthode du moindre coût
L’idée consiste à exploiter les cases ayant des coûts de transport
faibles et leur attribuer les quantités maximales (dans la mesure
du possible).
Les étapes de le méthode :
Repérer la case du tableau ayant le coût le plus faible ;
1. Affecter à cette case la quantité maximale possible ; une colonne
ou une ligne est saturée :
1.1 Si une colonne est saturée, l'éliminer du tableau, mettre à jour
la quantité dans la ligne correspondante et reprendre au point
1 avec le nouveau tableau ;
1.2 Si une ligne est saturée, l'éliminer du tableau, mettre à jour la
quantité dans la colonne correspondante et reprendre au point
1 avec le nouveau tableau ;
Lorsque toutes les lignes et toutes les colonnes sont saturées, le
tableau doit contenir exactement (m+n-1) variables de base.
Le coût total correspondant à cette solution

est de :
Z  (100  5)  (300  3)  (100 1)
 (100 10)  (200  8)  (200  7)
 5500 ENCG AGADIR 2020-2021 16
Afin de trouver le tableau optimal, on procède comme dans le
simplexe classique. La première étape consiste à calculer les
coûts marginaux pour les variables hors-base.
Il s'agit des δij comme indiqué dans le tableau suivant :
Tableau à exploiter : tableau de solution initiale selon la méthode
du moindre coût

Ce calcul se fait en trois étapes:

1. Pour chaque variable de base écrire l'équation :
cij  ui  v j
2. Résoudre le système obtenu en fixant :
ui  0
3. Calculer les valeurs des coûts marginaux à partir du système :
 ij  cij  ui  v j
Remarque : Il est pratique d'effectuer ce calcul directement sur le
tableau de transport.
Ce tableau contient des coûts

marginaux strictement
négatifs, et donc il ne s'agit
pas d'une solution optimale

Si la solution est optimale on s'arrête, sinon on refait une autre

itération, et ainsi de suite.
Dans notre cas on peut prendre la variable x23 comme variable

entrante.
La valeur de x23 doit être augmentée mais tout en respectant les

contraintes d'offre et de demande, ainsi que la non-négativité des
autres variables.

•Sur le tableau, le cycle ----- indique les variations à effectuer pour

sauvegarder une solution de base réalisable.
•Un signe ``+'' indique une augmentation de la quantité et un signe
``-'' indique une diminution de la quantité.
•En valeur absolue, la variation est la même pour toutes les cases sur
le cycle.
Dans notre cas :
x23 augmente de 200 unités,
x22 diminue de 200 unités,
x12 augmente de 200 unités
x13 diminue de 200 unités
Les résultats obtenus sont :
Z  5200
Ce tableau contient
un coût marginal
strictement négatif,
(-3), donc il ne
s'agit pas d'une
solution optimale ENCG AGADIR 2020-2021 22
pour le tableau précédent, on refait le même travail, afin d'obtenir
les résultats suivants :
Z  4800
les coûts marginaux
sont strictement
positifs, la solution
alors est optimale
Interprétation de la solution optimale :

De la centrale 1 adresser 100 KWh à la ville A, 300 KWh à la ville B et 100 KWh à
la ville D.
De la centrale 2 adresser 300 KWh à la ville C.
De la centrale 3 adresser 200 KWh à la ville A.

Cours

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

Transféré par

Droits d'auteur :

Formats disponibles

Semestre 7

ENCG AGADIR 2020-2021 1

ENCG AGADIR 2020-2021 2

Compétences générales visées

Le cours de la recherche opérationnelle vise à développer chez les

Développer une démarche scientifique complète de RO ;

ENCG AGADIR 2020-2021 3

Manuels pédagogiques de base disponible sous format pdf :

Robert Faure, Précis de recherche opérationnelle Méthodes et

 Notes de cours pour chaque séance ;

ENCG AGADIR 2020-2021 4

Chapitre 2 : Introduction à la théorie des graphes

Travaux à rendre 30%

ENCG AGADIR 2020-2021 6

La RO peut se définir comme « la mise en œuvre de méthodes

La RO peut se définir comme «la science de la bonne gestion.

Exemples : chercher un itinéraire sur une carte, ordonnancement

ENCG AGADIR 2020-2021 7

ENCG AGADIR 2020-2021 8

Étape 1: observation, collecte des données et formulation du

Étape 2 : construction d’un modèle scientifique (formulation

Étape 3 : résoudre le problème en testant le modèle développer en

ENCG AGADIR 2020-2021 9

La forme générale d’un problème linéaire :

M ax ou M inZ  c1 x1  c2 x2  ...  cn xn

a 31x1  a 32x 3  ...  a 3n x n , ,  b3

La forme générale d’un problème linéaire :

Z : la fonction économique (fonction d’objectif);

La forme matricielle d’un problème linéaire :

1- identifier les variables associées au problème ;

• Soit une firme produisant deux biens A et du B avec trois types

Formuler le modèle linéaire qui permet de déterminer les quantités

Donc Z= 4x1 + 5x2

x11, x12 , x13, x21, x22 , x23  0

3- identification de la fonction d’objectif (fonction économique) :

Coût du transport : 6 x11  4 x12  7 x13  5x21  3x22  2 x23

ENCG AGADIR 2020-2021 23

ENCG AGADIR 2020-2021 1

La production d’articles de poterie ne doit pas excéder de plus

Contraintes de non négativité :

3- identification de la fonction d’objectif (fonction économique) :

ENCG AGADIR 2020-2021 4

Un atelier peut fabriquer trois types d’articles :

Mais A1 rapporte net 30 DH, A2 20 DH et A3 40 DH. D’autre

Contrainte de capacité de production

Contraintes de non négativité :

3- identification de la fonction d’objectif (fonction économique) :

ENCG AGADIR 2020-2021 8

Contraintes de non négativité :

3- identification de la fonction d’objectif (fonction économique) :

Pour les ventes :

200 x  200 y  210 z

ENCG AGADIR 2020-2021 12

3- identification de la fonction d’objectif (fonction économique) :

•Coût heures découpe:

3- identification de la fonction d’objectif (fonction économique) :

L’expression du bénéfice total est alors :

Z  200 x  200 y  210 z   165 x  155 y  168 z 

ENCG AGADIR 2020-2021 16

ENCG AGADIR 2020-2021 1

ENCG AGADIR 2020-2021 2

La méthode géométrique ou graphique n'est pas utilisée en pratique,

Dans le cas de la méthode géométrique, les problèmes portent sur les