Académique Documents
Professionnel Documents
Culture Documents
La recherche
opérationnelle
Pr. A. LAHFIDI
Pr. A. AAZZAB
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.
Évaluation
TOTAL 100%
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
M ax ou M inZ 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 :
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
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
Exemple d’application (2)
• 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.
Exemple d’application (2)
Solution :
1- identification des variables :
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.
2- formulation des contraintes :
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
Exemple d’application (2)
Solution :
Contraintes de non négativité :
Solution :
Programme linéaire est de :
Min Z 6 x11 4 x12 7 x13 5 x21 3x22 2 x23 7x11 x12 x13 6x21 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
La recherche
opérationnelle
Pr. A. LAHFIDI
Pr. A. AAZZAB
TAF :
Modéliser le problème du plan de travail journalier optimal de
cette entreprise sous forme d’un programme linéaire.
ENCG AGADIR 2020-2021 2
EXERCICE 1 : Solution
1- identification des variables :
Soient :
x : le nombre d’articles de poterie;
y : le nombre d’articles d’émaux sur cuivre;
Z : le bénéfice généré par cette fabrication.
2- formulation des contraintes :
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
x0 ; y0
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
x1 0 ; x2 0; x3 0
Z 30 x1 20 x2 40 x3
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.
•Coût de MP : 50 x 85 y 68z
Coût total:
165x 155 y 168z
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
Merci de votre attention
La recherche
opérationnelle
Résolution d’un pRogRamme linéaiRe
Méthode géométrique
Pr. A. LAHFIDI
Pr. A. AAZZAB
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
x1 x1
x2 ≤ ax1 + b x2 ≤ ax1 + b
a > 0; b >0 a < 0; b >0
x1 x1
x2 ≥ ax1 + b x2 ≥ ax1 + b
a > 0; b >0 a < 0; b >0
x2 x2
α x1 α x1
x1 ≤ α x1 ≥ α
x2 x2
β β
x1 x1
x2 ≤ β x2 ≥ β
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
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)
Max Z x1 2 x2
x1 x2 2
SC : x2 3
x 0; x 0
1 2
Solution: ( problèmes à solution infinie)
Max Z 4 x1 3 x2
x1 x2 2
SC : 3 x1 x2 10
x 0; x 0
1 2
Solution : ( Aucune solution possible)
Merci de votre attention
La recherche
opérationnelle
Résolution d’un pRogRamme linéaiRe
Méthode du simplexe (méthode des tableaux)
Pr. A. LAHFIDI
Pr. A. AAZZAB
• Exemple :
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
Max Z 15 x1 6 x2
x1 x2 15
2 x x 20
1 2
SC :
x1 8
x1 0; x2 0
Les étapes de résolution du programme linéaire
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.
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
15 est le Max (Cj-Zj)
Colonne pivot
Les étapes de résolution du programme linéaire
Première itération
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
Les étapes de résolution du programme linéaire
Première itération
0 – (2*1)/1 = -2
Base x1 x2 x3 x4 x5 b
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
Les étapes de résolution du programme linéaire
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
Base x1 x2 x3 x4 x5 b
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
Les étapes de résolution du programme linéaire
Conclusion :
Base x1 x2 x3 x4 x5 b
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
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
Merci de votre attention
La recherche
opérationnelle
Cas particuliers du simplexe
Pr. A. LAHFIDI
Pr. A. AAZZAB
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
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
Max Z 8 x1 5 x2
x1 x2 7
SC : 2 x1 x2 14
x 0; x 0
1 2
Formation du tableau initial
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
Cas 3 : Ajout des variables artificielles
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
Cas 3 : Ajout des variables artificielles
Solution : ajouter une variable artificielle
x1 x2 x3 7
2 x x x 14
1 2 4
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
Étape 1: choix de la variable entrante (dans la base)
La variable hors base qui va entrer dans la base correspond au Minimum
des Cj-Zj
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
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
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
La recherche
opérationnelle
La dualité
Pr. A. LAHFIDI
Pr. A. AAZZAB
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
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
On définit alors :
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
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
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
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
Merci de votre attention
La recherche
opérationnelle
Sommets : X = {a, b, c, d}
Arêtes : U = {u1, u2, u3, u4}
Deg. G = Deg. b =4
Graphe G
ENCG AGADIR 2020-2021 7
Notions élémentaires
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
ENCG AGADIR 2020-2021 8
Notions élémentaires
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
Graphe G
ENCG AGADIR 2020-2021 10
Modes de représentation d’un graphe
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
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
G2
G1
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〉
Inverse
Le complément d’un graphe : G-1 = 〈S, A〉-1 = 〈S, A-1〉
Exemples :
La recherche
opérationnelle
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
Définition :
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 .
DÉBUT
Par convention :
0 Date au plus tard
FIN
Par convention : Date au plutôt = Date au plus tard
ENCG AGADIR 2020-2021 9
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.
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)
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 :
Marge totale tâche S = Date plus tard tâche S - Date plus tôt
tâche S
Marge libre tâche S = Date plus tôt tâche T - Date plus tôt tâche
S - Durée tâche S
- Marge totale de A = (2 - 0) = 2
-Marge totale de C = (5 - 2) = 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
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
La recherche
opérationnelle
Introduction
Définition
Principe
Construction du graphe PERT
Le chemin critique
Exemple d’application
exercice
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.
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:
Marge totale tâche S = Date plus tard tâche S - Date plus tôt
tâche S
Marge libre tâche S = Date plus tôt tâche T - Date plus tôt tâche
S - Durée tâche S
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
Merci de votre attention
La recherche
opérationnelle
Pr. A. LAHFIDI
Pr. A. AAZZAB ENCG AGADIR 2020-2021 1
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
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
2- Résolution du problème de transport
ij cij ui v j
Remarque : Il est pratique d'effectuer ce calcul directement sur le
tableau de transport.
ENCG AGADIR 2020-2021 18
2- Résolution du problème de transport
II- Recherche de la solution optimale
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
2- Résolution du problème de transport
II- Recherche de la solution optimale
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