Cours de Modélisation Et Optimisation 2022-2023

Transport logistique
Licence 2
CHARGÉ DU COURS : LANKOANDE Bedo Stéphane Modeste

Doctorant en Économie
EMAIL : lanksteph@yahoo.fr
Cours de Modélisation et Optimisation (Transport Logistique) Page 1
CONTACT : 71-74-20-87
Sommaire
Sommaire ................................................................................................................ 2
INTRODUCTION .................................................................................................... 3
BIBLIOGRAPHIE ................................................................................................... 3
Chapitre 1 : Notions élémentaires sur la modélisation et l’optimisation ... 4
1.1. DÉFINITION ................................................................................................................. 4
1.2. FORMULATION MATHEMATIQUE ........................................................................ 5
1.3. DOMAINES D’UTILISATION ET EXEMPLES DE PROBLEMES
D’OPTIMISATION............................................................................................................... 7
Chapitre 2 : Modélisation économique et optimisation de la chaine
logistique ............................................................................................................... 10
2.1. OPTIMISATION EN ECONOMIE ET OPTIMISATION DE LA CHAINE
LOGISTIQUE ..................................................................................................................... 10
2.2. NECESSITE DE MODELISATION .......................................................................... 11
2.3. CONSTRUCTION DES MODELES ECONOMIQUES .......................................... 15
2.4. FORME FONCTIONNELLE ET MODELISATION ............................................... 16
Chapitre 3 : Modélisation par la programmation linéaire .......................... 17
3.1. TYPES DE PROBLEMES A RESOUDRE ................................................................ 17
3.2 DEFINITION D’UN PROBLEME DE PROGRAMMATION LINEAIRE ............. 18
3.3. MODELES DE PROGRAMMES LINEAIRES ........................................................ 19
3.4. RESOLUTION GRAPHIQUE D’UN PROBLEME DE PROGRAMMATION
LINEAIRE ........................................................................................................................... 26
Table des matières ............................................................................................... 32

INTRODUCTION
Le problème d’optimisation est un problème qui touche tous les secteurs de la vie car
dans toute activité il y a la nécessité soit de minimiser les coûts, soit de maximiser le
profit ou les deux à la fois. Il se pose alors le problème de la minimisation du coût ou
de la maximisation du profit sous des contraintes souvent diverses et difficiles à
contourner. Intervient alors la modélisation qui, avec des outils mathématiques
permet de résoudre ces différents problèmes. Un cours de Modélisation et
Optimisation nécessite donc certains prés requis dont la maîtrise de notions
élémentaires en Mathématiques, en Probabilité et en Recherche Opérationnelle. Ce
cours est articulé autour de trois chapitres suivants :
o Chapitre 1 : Notions élémentaires sur la modélisation et l’optimisation
o Chapitre 2 : Modélisation économique et optimisation de la chaine
logistique
o Chapitre 3 : Modélisation de la chaîne logistique et Optimisation dans le
secteur des transports
BIBLIOGRAPHIE
• Christodoulos A. Floudas et Panos M. Pardalos, « Encyclopedia of

optimization », 2ème édition, 2009
• C. Prins et M. Sevaux, « Programmation linéaire avec Excel : 55 problèmes
d’optimisation modélisés pas à pas et résolus avec Excel », Eyrolles, 2011
• Frank Varenne et Marc Silberstein, « Modéliser et simuler. Epistémologie

et pratiques de la modélisation et de la simulation », Paris, Editions
Matériologiques 2013
• Le Moigne, J.L., « La théorie du système général, théorie de la modélisation
». Presses Universitaires de France, 1977.
• Mathias Kleiner, « Méthodes et outils d’optimisation », mai 2013
• Michel Minoux, « Programmation mathématique-théorie et algorithmes »,
éditions Dunod, 1983
• Vernadat, F., « Techniques de modélisation en entreprise : applications aux
processus opérationnels ». Economica, 1999.

Chapitre 1 : Notions élémentaires sur la modélisation et
l’optimisation
1.1. DÉFINITION
De façon générale, la modélisation est définie comme étant la conception
d’un modèle ou la représentation d’un système par un autre. Selon son
objectif et les moyens utilisés, elle est dite mathématique, économique, géométrique,
informatique, etc. Le modèle mathématique sera le plus utilisé dans ce cours, et il
permet d’analyser des phénomènes réels et de prévoir des résultats à partir de
l’application d’une ou de plusieurs théories à un niveau d’approximation donné.
Quant à l’optimisation, elle est définie comme étant une action qui vise à
obtenir le meilleur, améliorer un fonctionnement, un rendement, une
utilisation. C’est une branche des mathématiques cherchant à modéliser, à analyser
et à résoudre analytiquement ou numériquement les problèmes qui consistent à
minimiser ou maximiser une fonction sur un ensemble. L’optimisation, reposant
toujours sur des modèles mathématiques, joue un rôle important en RO qui est un
domaine à la frontière entre l’informatique, les mathématiques et l’économie1.
Il est donc possible d’appliquer des méthodes, des techniques, et d’utiliser des
instruments scientifiques pour modéliser et résoudre les problèmes dans tous les
domaines. Cette approche généraliste relève des sciences de la décision et combine :
➢ Savoir-faire pratique (comment formuler un problème d'optimisation, comment
résoudre un problème à l'aide d'algorithmes numériques) ;
➢ Connaissances théoriques (comment caractériser les solutions optimales, que
nous apprennent les conditions d'optimalité sur les propriétés qualitatives et
quantitatives des solutions).
Méthodes génériques :
▪ Programmation linéaire (modélisation sous forme d'équations linéaires)
▪ Programmation en nombres entiers (variables entières)
▪ Programmation quadratique
▪ Programmation dynamique, etc.
1La terminologie « Problème d’optimisation » est due à George B. Dantzig, inventeur de l’algorithme du
simplexe (1947). De sa définition, on retient que : Problème d'optimisation = minimisation (ou
maximisation) d'une fonction objectif linéaire (de coût). Cette fonction comporte des paramètres de n
variables de décision et est généralement soumise à des contraintes exprimées sous forme d’équations
ou d’inéquations linéaires.

Processus d’optimisation
1. Modélisation
Problème Modèle
4. Mise en œuvre 2. Résolution
3. Interprétation
Décision Solution
1.2. FORMULATION MATHEMATIQUE

1.2.1. Mise en forme mathématique
Problème d'optimisation = minimisation (ou maximisation) d'une fonction-objectif
(de coût).
Cette fonction comporte des paramètres et est généralement soumise à des contraintes.
Cependant, en fonction des caractéristiques du problème (paramètres fortement
variables, domaines discrets, types de contraintes, etc.), le problème peut être difficile
à résoudre.
Dans ce cas, il faut avoir recours à des outils avancés pour la modélisation et la
résolution. Ces outils sont essentiellement les Variables (paramètres), la Fonction-
objectif et les Contraintes :
▪ Fonction objectif f : A → R
▪ Généralement, A ⊂ Rn, et est défini par un ensemble de contraintes.
▪ Le domaine de A est appelé espace de solutions, les éléments de A sont appelés
solutions candidates.
▪ Une solution candidate ai qui minimise f (∀aj ∈ A, f (ai) ≤ f (aj)) est appelée
solution optimale
Pour la mise en forme mathématique, il faut :
Définir les variables de décision :
▪ Ensemble des variables qui régissent la situation à modéliser
▪ Variables réelles, entières, binaires
Préciser la fonction-objectif :

▪ Fonction mathématique composée des variables de décision qui représente le
modèle physique modélisé
▪ Fonction linéaire
Préciser les contraintes du problème :
▪ Ensemble des paramètres qui limitent le modèle réalisable
▪ Équations ou inéquations composées des variables de décision
Préciser les paramètres du modèle :
▪ Constantes associées aux contraintes et à la fonction-objectif.
1.2.2. Formulation de la Fonction-Objectif

• Maximiser ou minimiser z = c1x1 + c2x2 + c3x3 + … + cnxn
• Contraintes :
a11x1 + a12x2 + a13x3 + … + a1nxn (≤, =, ≥) b1
a21x1 + a22x2 + a23x3 + … + a2nxn (≤, =, ≥) b2
am1x1 + am2x2 + am3x3 + … + amnxn (≤, =, ≥) bm
• Contraintes de non négativité
xj ≥ 0 ; j = 1, 2, 3, … n avec xj les variables de décision (inconnues) et aij, bi, et cj les
paramètres du programme linéaire
1.2.3. Terminologie de la solution

• Solution réalisable : Solution où toutes les contraintes du modèle sont
satisfaites.
• Zone de solution : Ensemble de toutes les solutions réalisables.
• Solution optimale : Solution réalisable où la fonction-objectif atteint la
meilleure valeur, maximum ou minimum. Il peut y avoir plusieurs solutions
optimales possibles.
• Solution irréalisable : s'il n'y a pas de solutions réalisables.
• Problème non borné : si aucune des solutions réalisables n'est optimale.
• Problème sous forme standard :
Max (c1x1 + c2x2 + c3x3 + … + cnxn)
S/C
ai1x1 + ai2x2 + ai3x3 + … + ainxn ≤ bi; i = 1, 2, 3, … m
xj ≥ 0 ; j = 1, 2, 3, … n

1.3. DOMAINES D’UTILISATION ET EXEMPLES DE PROBLEMES
D’OPTIMISATION
1.3.1. Domaines d’utilisation
L’optimisation est essentiellement un outil d’aide à la décision au sein d’une entreprise,
mais aussi pour les individus.
L’optimisation peut s’appliquer aux problèmes réels de grande envergure. Les
techniques d’optimisation s’appliquent donc à de nombreux domaines dont les prises
de décision font couramment appel à la résolution de problèmes d’optimisation :
• Économie/Finances
• Biologie
• Organisation d’activités (gestion de ressources, rentabilisation)
• Agriculture
• Productions diverses
• Transport (aéroport, route, trajet, livraison, heure)
• Contrôle des réseaux (infrastructures, distribution)
• Sécurité nationale
• Conception de nouveaux systèmes (dimensionnement, localisation)
• Etc.
1.3.2. Exemples de problèmes d’optimisation

 Problème du sac à dos : posséder un sac à dos de poids de15 kg et 12 objets ayant
chacun un poids et une valeur donnée.
Objectif : quels objets choisir afin de maximiser la valeur emportée tout en ne
dépassant pas les 15 kg autorisés ?
Le "problème du sac à dos" est en réalité un problème de
sélection qui consiste à maximiser un critère de qualité sous
une contrainte linéaire de capacité de ressource. Il doit son
nom à l’analogie qui peut être faite avec le problème qui se pose
au randonneur au moment de remplir son sac à-dos : il lui faut
choisir les objets à emporter de façon à avoir un sac le plus "utile" possible, tout en
respectant son volume. Plus formellement, on peut le décrire de la façon suivante. Soit
un ensemble de n éléments et une ressource disponible en quantité limitée, b. Pour j =
1 à n, on note pj le profit associé à la sélection de l’élément j et on note aj la quantité de
ressource que nécessite l’élément j, s’il est sélectionné. Les coefficients pj et aj prennent
des valeurs positives pour tout j = 1 à n. Le problème du sac-à-dos consiste à choisir un
sous-ensemble des n éléments qui maximise le profit total obtenu, en respectant la
quantité de ressource disponible. On associe à chaque élément j une variable de

sélection, xj, binaire, égale à 1 si j est sélectionné, égale à 0 sinon. Le profit total obtenu
peut alors s’écrire comme la somme : Pn j=1 pj.xj et la quantité totale de ressource
utilisée comme la somme : Pn j=1 aj .xj . Le problème du sac à dos se modélise donc
sous la forme :
Max ∑𝑛𝑗=1 𝑝𝑗. 𝑥𝑗
S/C∑𝑛𝑗=1 𝑎𝑗. 𝑥𝑗 ≤ 𝑏
xj ≥ 0 ; j = 1, 2, 3, … n
La contrainte de ressource est appelée "contrainte de sac à dos" ; on la retrouve dans
des problèmes d’optimisation, issus de nombreux domaines d’application, qui mettent
en jeu des ressources à capacité limitée.
 Un agriculteur possède un certain nombre d'hectares, d'engrais et d'insecticide. Il

a la possibilité de planter du maïs ou du blé. Ces cultures requièrent des quantités
différentes d'engrais et d'insecticide et fournissent un revenu différent.
Objectif : maximiser le revenu net.
 Un restaurateur possède du riz, du haricot et du poisson et dispose de deux types

d'assiettes avec des prix différents.
Objectif : déterminer le nombre d'assiette de chaque type à proposer pour maximiser
le revenu net.
 Ordonnancement : on dispose de 3 machines pour 8 tâches. Chaque tâche utilise x

unités de temps.
Objectif : affecter les tâches aux machines de manière à minimiser le temps utilisé.
Ici, les 8 tâches sont

accomplies au bout de
7 unités de temps sur
3 machines.
Et là, les 8 tâches sont

accomplies au bout de
6,5 unités de temps.

Le "problème d’ordonnancement" consiste à séquencer et placer dans le temps
un ensemble d’activités, compte tenu de contraintes temporelles (délais, contraintes
d’enchaînement), et de contraintes portant sur l’utilisation et la disponibilité des
ressources requises par les activités. Il s’agit d’un problème de satisfaction de
contraintes qui trouve ses applications dans divers domaines (gestion de projets,
ateliers de production, ...) et est un outil d’aide à la décision. Dans un contexte
d’optimisation, on cherche de plus à minimiser (ou maximiser) un critère, comme par
exemple la durée totale de réalisation des activités.
 Transport de biens à des clients : véhicule à capacité limitée avec des fenêtres de
temps.
Objectif : Déterminer le trajet du véhicule de sorte à minimiser les coûts (temps,
essence, etc.)
 Courbe de charge (compagnie aérienne, supermarché, péages, . . .)

Objectif : Assurer la couverture avec un minimum de personnel.
 Une université doit effectuer un certain nombre de cours à un certain nombre

d'étudiants, avec un certain nombre d'enseignants. Il y a des contraintes de
précédences de cours et de disponibilité de salles.
Objectif : trouver une solution !
 On dispose de containers et d'éléments de tailles différentes à ranger dans ces

containers pour envoi par voie maritime.
Objectif : trouver un arrangement pour minimiser le nombre de containers
 Une entreprise de mécanique achète de l’acier à Accra et le transforme à

Ouagadougou, Koudougou et Bobo.
Objectif : Produire au maximum dans ses trois usines avec un coût minimum.
Tel que défini, nous sommes dans le cas présent face à problème avec deux objectifs qui
peuvent se révéler antagonistes : production maximale vs coût minimal.
Encadré 1
De ces différents exemples, il ressort que la modélisation et l’optimisation sont d’une
importance capitale car elles touchent pratiquement au quotidien de l’Homme. C’est
ainsi que Euler disait : "Il n'y a rien dans le monde qui ne se réalise sans la
volonté de minimiser ou maximiser quelque chose."

Chapitre 2 : Modélisation économique et optimisation de la
chaine logistique
2.1. OPTIMISATION EN ECONOMIE ET OPTIMISATION DE LA
CHAINE LOGISTIQUE
2.1.1. Optimisation et modélisation en économie
Les décisions prises par les individus, les entrepreneurs et les responsables
économiques obéissent à une logique rationnelle conduisant à la recherche de
l’optimalité. Les choix de production ou de consommation, les choix d’épargne,
d’investissement, de placement financier, d’assurance, de gestion de la logistique, de
gestion des équipements, etc., s’inscrivent dans une dynamique d’optimisation.
En rappel, la science économique est l’étude des allocations optimales des ressources
rares. Les termes « optimal » et « rare » dans cette définition évoquent de manière
plus ou moins explicite le problème d’optimisation ; un problème dans lequel les
variables à priori ne prennent pas n’importe quelles valeurs ; à fortiori elles sont
contraintes.
En économie, la résolution de ce type de problème basée sur la recherche des valeurs

extrémales constitue une action continue. La technique d’optimisation est au cœur de
la science économique comme l’est le concept de rationalité. Les problèmes
économiques se réduisent donc soient à une minimisation, soit à une
maximisation.
En rappel, l’optimisation passe par la modélisation, afin d’apporter des solutions aux
problèmes de choix. L’optimisation représente l’ensemble des techniques de recherche
de l’extremum d’une fonction de plusieurs variables (maximum ou minimum). Ces
techniques se déclinent de manière différente selon le contexte temporel.
Un modèle économique est une description simplifiée de la réalité, conçue
pour tester des hypothèses concernant les comportements économiques.
Le modèle économique est forcément subjectif par nature, car il n’existe pas de
mesures objectives des résultats économiques2.
2.1.2. Optimisation de la chaine logistique à travers la modélisation

La recherche opérationnelle permet d’analyser et d’optimiser un ensemble très grand
de variables et de contraintes afin de trouver la solution la plus optimale pour
l’ensemble de l’entreprise. L’optimisation de la chaîne logistique permet par exemple
2 Autrement dit, l’interprétation de la réalité varie selon les économistes

de bien coordonner les besoins de production et les achats. L’optimisation de la chaîne
logistique est une application typique de la recherche opérationnelle puisque les
possibilités de décision sont très grandes et les coûts unitaires sont élevés. En effet que
ce soit des coûts de stock, d’entreposage, de transport ou de temps, ces ressources
nécessitent d’être optimisées à travers la modélisation.
La modélisation d’entreprises a suscité beaucoup d’intérêt. En rappel, un modèle est
« une construction abstraite qui permet de comprendre le
fonctionnement d’un système de référence en répondant à une question
qui le concerne. Représentation simplifiée de ce système, un modèle
s’appuie sur une théorie générale et il est exprimé dans un langage
spécifique appelé langage de modélisation ».
En fait, la modélisation d’un système est une traduction d’une abstraction d’une partie
du monde réel perçu en général au travers d’états complexes et variables, en une
représentation plus au moins abstraite destinée à fournir un support pratique
d’analyse. Les principales approches abordant la problématique de la modélisation de
chaines logistiques peuvent être classées en différentes catégories qui seraient les
modèles organisationnels, analytiques et pour la simulation. La
modélisation s’avère une étape essentielle.
Encadré 2
Toute entreprise qu’elle que soit son domaine d’activité, est amenée à faire face à des
problèmes de planification et de gestion au quotidien. Parmi ces problèmes, on peut
citer ceux du secteur des transports qui indirectement peut toucher tous les autres
secteurs de l’économie. Il est donc important d’adopter des méthodes d’optimisation
du secteur du transport afin d’améliorer la qualité, augmenter le profit et diminuer les
coûts.
2.2. NECESSITE DE MODELISATION
2.2.1. Nécessité de modélisation en économie
Sans que l’on puisse donner à tout phénomène économique une mesure quantifiée
exacte, il est possible de lui donner une mesure suffisamment adaptée et fiable pour
représenter la réalité du phénomène. Au-delà de la nécessité de trouver cette mesure
adaptée, la modélisation en économie est un exercice délicat, dans la mesure où
l’analyse économique n’aboutit pas généralement à des lois simples mais plutôt à des
lois complexes. Les phénomènes sont instables du fait que les lois économiques ne
peuvent pas s’appliquer de manière universelle dans le temps et dans l’espace, sans
tenir compte du contexte local.

 Objectifs de la modélisation économique
- Analyse : l’objectif principal de la modélisation d’une économie est l’analyse d’une
situation économique. Cette analyse permet d’optimiser, d’expliquer, de comprendre
la situation étudiée et d’éclairer le choix des agents économiques ou des décideurs.
- Prédiction : elle consiste à utiliser les conditions initiales pour formuler des
hypothèses sur l’évolution des variables explicatives et prédire le niveau attendu de la
variable dépendante sous ces hypothèses. Le résultat obtenu de cet exercice est appelé
prédiction.
- Expérimentation ou application : une des utilisations des modèles en économie
consiste à réaliser des expériences sur des échantillons de population ou des secteurs
d’activités. Les résultats peuvent conduire à l’extension des politiques économiques à
une plus grande échelle.
 Démarche de la modélisation économique

La démarche appropriée pour modéliser un phénomène économique consiste
notamment à comprendre le phénomène à travers ses mécanismes et ses interactions
et à préciser les choix méthodologiques et théoriques à opérer. Dans certains cas, il est
essentiel de préciser le contexte économique, le niveau d’analyse, les types
d’interaction et la nature de la perturbation du modèle :
- Contexte économique : les précisions sur le contexte peuvent consister à définir
la nature ou le type d’économie à étudier. La caractéristique de l’économie étudiée
permet d’orienter le choix des outils et des méthodes d’analyse. Par exemple, la
modélisation en économie fermée (Y=C+I) et la modélisation en économie ouverte
(Y=C+I+X-M) n’utilisent pas les mêmes outils d’analyse.
- Le niveau d’analyse : Le choix du niveau d’analyse permet également celui des
outils appropriés. À un niveau microéconomique, l’analyse économique s’intéresse aux
comportements des agents économiques dont l’objectif d’optimisation est la
maximisation des satisfactions individuelles. À un niveau macroéconomique, l’analyse
concerne davantage les politiques à mettre en œuvre pour accroître la richesse de la
nation.
- Les types d’interaction : Il s’agit de considérer le temps de réaction des variables
les unes sur les autres. L’action d’une variable sur un phénomène peut être immédiate,
instantanée, retardée ou anticipée. Selon la configuration, on peut construire des
modèles statiques, des modèles dynamiques ou des modèles d’anticipation.

- Nature des perturbations : La nature des perturbations (termes d’erreur) du
modèle peut conduire à des modèles déterministes ou des modèles stochastiques. Dans
le cas d’un modèle déterministe, les relations entre les variables du modèle
déterminent entièrement le phénomène étudié. Dans le cas du modèle stochastique, le
terme d’erreur n’est pas de nature déterministe.
2.2.2. Nécessité de modélisation de la chaine logistique

L’importance grandissante de la gestion des chaînes logistique encourage l’élaborer des
techniques qui permettent une meilleure analyse de ce système. De ce fait les
approches de modélisation et simulation sont adaptées à l’étude du comportement des
phénomènes complexes, vu qu’elles prennent en compte les aspects stochastiques et
dynamiques. Les travaux de recherche sur la chaîne logistique, traitent l’optimisation
des coûts de stock et de transport séparément, et la plupart sont basés sur des
méthodes analytiques qui imposent des hypothèses restrictives. La modélisation et la
simulation des chaînes logistiques de distribution multi-niveau s’est bien développé
pendant ces dernières décennies, vue l’immense rôle qu’elle joue dans l’analyse de
comportement discret de ce type de système qui permet par la suite l’évaluation de
leurs indicateurs de performances. Il existe trois grandes classes de modélisation des
chaînes logistiques :
- Modèles organisationnels : représentent la chaine logistique à partir de ses

entités, ses activités, ses processus, ses fonctions, sa structure et son comportement.
Les principales approches qui découlent de ce modèle sont les approches
hiérarchiques.
- Modèles analytiques : représentent la chaîne logistique selon une perspective
quantitative. Ils permettent de décrire le système par un ensemble d’équations
mathématiques. Les principales approches qui découlent de ce modèle sont la théorie
des contraintes et la recherche opérationnelle.
- Modèles pour la simulation : sont généralement utilisés lorsqu’il n’existe pas
une relation entre les différentes variables du système et ne pouvant donc pas se
mettre sous la forme d’un modèle analytique.
La nécessité de la modélisation de la chaîne logistique dans le secteur des transports a
amené à considérer certains critères : Politique de distribution ; type de transport ; type
de chargement de transport ; taille de véhicule.

2.2.3. Les flux de la chaîne logistique
Les flux correspondent à toute entité, palpable ou non, circulant entre les maillons de
la chaîne logistique. Nous distinguons trois catégories de flux :
Le flux physique
Flux
physique C’est une entité palpable qui circule
au niveau de la chaîne logistique de
l’amont vers l’aval (du fournisseur
vers le client) afin de fournir de la
valeur ajoutée au client final. Le flux
Flux Flux physique peut représenter un produit
financiers données final, de la matière première, des
composants d’assemblage, etc.
Le flux de données
Il représente les données qui circulent au niveau de la chaîne logistique dans les deux
sens. Les données sont par ailleurs utilisées par les acteurs de la chaîne afin de
coordonner leurs activités mais aussi pour planifier et prévoir les demandes futures,
de l’approvisionnement jusqu’à la livraison au client final. On peut classifier les
données en trois grandes catégories :
• Les données informationnelles : sont les données de gestion (valeurs, ratios, prix,
capacité, etc.) et les données informatiques (statiques, dynamiques ou historiques).
• Les données décisionnelles : sont les données qui caractérisent une décision prise
par l’ensemble des acteurs de la chaîne à long, moyen et court terme (plan de
production, plan d’approvisionnement, etc.).
• Les métriques : sont les indicateurs et les mesures qui permettent de piloter la
chaîne logistique et de mesurer sa performance à long, moyen et court terme.
Le flux financier
Le flux financier appelé aussi flux monétaire, circule dans le sens inverse du flux
physique. Il représente la valeur totale de ventes et d’achats dans une période
comptable. Ce flux est échangé entre les acteurs de la chaîne logistique mais il est
considéré comme une résultante monétaire palpable lors d’une fin d’activité. Il ne
nécessite aucune activité de synchronisation ou de gestion comme dans le cas des deux
autres flux.

2.3. CONSTRUCTION DES MODELES ECONOMIQUES
La construction des modèles en économie passe par une conceptualisation théorique
et méthodologique, une formalisation mathématique des raisonnements
économiques et la construction d’une base de données économiques.
2.3.1. Exemple de conceptualisation théorique et méthodologique

La conceptualisation théorique et méthodologique permet l’identification des variables
et la définition de la nature des relations entre les variables en référence à une théorie
économique. Elle permet également de distinguer plusieurs catégories de variables
dont les plus importantes sont :
- Les instruments : ce sont des variables directement contrôlables par les décideurs
économiques ou les agents économiques. Dans le cadre des modèles de politique
macroéconomique, les instruments peuvent être regroupés en instruments de
politique monétaire et en instrument de politique budgétaire et fiscal.
- Les données : ce sont des variables non contrôlables par les décideurs économiques
ou les agents économiques. Il s’agit généralement de variables déterminées à l’extérieur
de l’économie ou de variables déterminées à l’intérieur de l’économie mais maintenues
fixes sur l’horizon temporelle du problème étudié.
- Les objectifs : ce sont des variables dont le niveau influence directement ou reflète
directement la satisfaction du décideur ou de l’agent économique.
Les instruments et les données sont des variables exogènes dans un modèle
économique, pendant que les objectifs sont des variables endogènes.
2.3.2. Formalisation mathématique des raisonnements économiques

Pour formaliser les relations qui seront prises en compte dans un modèle, il faut avoir
recours à la formalisation mathématique. C’est la notion de fonction qui permet de
mettre en rapport la variable dont on veut déterminer le niveau avec d’autres variables
sensées l’influencer. La formalisation mathématique permet ainsi de construire la
forme fonctionnelle la plus appropriée, au regard de la théorie économique. Derrière
la notion de fonction se trouve ses propriétés caractéristiques qui permettent une
meilleure description du comportement de l’économie ou des agents
économiques. Sans l’utilisation des mathématiques, il est difficile d’avancer des
données chiffrées et de prévoir l’évolution de certains phénomènes économiques.

2.3.3. Construction d’une base de données
La construction d’une base de données consiste à rassembler l’ensemble des
informations statistiques nécessaires à l’exécution du modèle, c'est-à-dire son
estimation, les tests et les prédictions. Un modèle sans base de données pour son
exécution sera limité dans sa contribution à l’analyse.
2.4. FORME FONCTIONNELLE ET MODELISATION
Il existe une multitude de formes fonctionnelle dans la modélisation : forme linéaire,
log linéaire, hyperbolique, log-réciproque, etc.
 Forme linéaire
Y=a+bm
Y=quantité ; m=revenu
La forme économétrique est la suivante : Yi = β0+β1mi+ εi
𝜕𝑌 𝑚 𝑏 𝑃𝑚
Elasticité : ηm=𝜕𝑚 𝑌 =𝑌/𝑚 = 𝑃𝑀𝐶
B est constant ; ηm varie en fonction de Y/m et diminue avec PMC ;
 Forme hyperbolique
𝑏
Y=a-𝑚, avec b>0
𝜕𝑌 𝑚 𝑏 𝑚 𝑏
Elasticité : ηm =𝜕𝑚 𝑌 =𝑚2 = 𝑚𝑌
𝑌
ηm varie en sens inverse de la quantité et du revenu
 Forme log-linéaire
lnY=a+blnm
Elasticité : ηm = b (On ne peut pas voir l’évolution de ηm)
 Forme log-réciproque
𝑏
lnY=a-𝑚, avec b>0
𝜕𝑙𝑛𝑌 𝑚 𝑏
Elasticité : ηm =𝜕𝑙𝑛𝑚 𝑌 = 𝜕𝑙𝑛𝑌=𝑚
ηm diminue avec le revenu. Cette forme est adéquate pour les biens alimentaires et pas
pour les biens de luxe.

Chapitre 3 : Modélisation par la programmation linéaire
3.1. TYPES DE PROBLEMES A RESOUDRE

La modélisation permet de résoudre des problèmes d’optimisation. Pour pouvoir
résoudre un problème, il faut en premier lieu savoir de quel type de problème il s’agit.
En modélisation, on a trois types de problèmes :
Problème combinatoire
Un problème est dit combinatoire lorsqu’il comprend un grand nombre de solutions

admissibles parmi lesquelles on cherche une solution optimale ou proche de
l’optimum. Il s’agit de résoudre des problèmes d’optimisation en avenir certain
(adaptation de la production au meilleur chiffre d’affaires, gestion des stocks, problème
de transport).
Exemple : déterminer où installer 5 usines de transformation de matières premières

avec 7 sites d’implantation possibles, de sorte à minimiser les coûts de transport entre
ces centres et les clients.
Problème aléatoire
Un problème est dit aléatoire s’il consiste à trouver une solution optimale, prendre une
décision face à un problème qui se pose en termes incertains (renouvellement des stocks,
politique d’approvisionnement, gestion des risques).
Exemple : Connaissant la loi d’arrivée des clients à un guichet (banque, clinique,

SONABEL, ONEA, administration) en une minute et la distribution aléatoire de la durée
de traitement du cas d’un client, comment déterminer le nombre minimum de guichets à
ouvrir pour qu’une personne ait moins de 10% de chance de devoir attendre plus de 20
minutes ?
Problème concurrentiel
Un problème est dit concurrentiel s’il consiste à trouver une solution optimale face à
un problème dont les termes dépendent de l’interrelation entre ses propres
agissements et ceux d’autres décideurs.
Exemple : Fixer une politique de prix de vente, sachant que les résultats d’une telle
politique dépendent de la politique que les concurrents adopteront.

En général, un problème d'optimisation peut être représenté par un problème de
programmation mathématique : les variables de décision sont des variables
numériques, la représentation des décisions possibles et du critère fait appel à des
équations ou fonctions mathématiques. Plus précisément, nous évoquerons ici le
problème particulier de la programmation linéaire qui est un outil de modélisation
beaucoup utilisé.
3.2 DEFINITION D’UN PROBLEME DE PROGRAMMATION

LINEAIRE
3.2.1. Définition
 La programmation linéaire consiste à optimiser (minimiser ou maximiser)
sous des contraintes elles aussi linéaires. C’est un outil qui permet de modéliser.
Par exemple, on cherchera ainsi à rendre un bénéfice exprimé par une fonction
linéaire, le plus grand possible ou à rendre un coût, exprimé aussi en fonction
linéaire, le plus petit possible sous des contraintes linéaires.
 Un programme linéaire est donc un modèle dans lequel on est amené à
maximiser ou minimiser une application linéaire appelée fonction-objectif ou
fonction économique, sur un ensemble d’inéquations appelées contraintes.
Le modèle type de programmation linéaire peut être retenu pour représenter de
nombreux problèmes. Un problème sera modélisé par un problème de programmation
linéaire si :
▪ Les décisions peuvent être représentées par des nombres réels (généralement
positifs),
▪ Les contraintes portant sur ces variables peuvent être représentées par des
équations ou des inéquations linéaires c'est-à-dire que les variables
n'interviennent qu'au premier degré (pas de carrés, pas de produit de variables),
▪ Le critère de choix peut être représenté par une fonction linéaire des variables
que l'on souhaitera minimiser ou maximiser.
Un programme linéaire est sous forme normale si :

▪ Les n variables sont toutes ≥ 0
▪ Les m contraintes sont ≤ si c’est un problème de maximisation et sont ≥ si c’est
un problème de minimisation

3.2.2. Rappel sur quelques notions
La forme générale d’un problème de programmation linéaire de n variables et p
contraintes est :
Min ou Max c1x1 + c2x2 +...+ cj xj +…+ cnxn
Sous les contraintes
ai1 x1 + ai2 x2 +…+ ain xn ≤, ≥ ou = di pour i = 1, …, p
xj ≥ 0 et j = 1, ..., n
Les coefficients cj de la fonction-objectif, les coefficients aij du premier membre des
contraintes et les seconds membres di des contraintes sont des données du problème.
Une solution réalisable est un n-uplet (x1, ..., xn) vérifiant toutes les contraintes.
Une solution optimale est une solution réalisable qui donne à la fonction-objectif la
plus grande (problème de maximisation) ou la plus petite valeur possible (problème de
minimisation) sur l’ensemble des solutions réalisables.
La valeur maximale (respectivement : minimale) de la fonction objectif (à ne pas

confondre avec la solution optimale) est la plus grande valeur (respectivement : la plus
petite) que peut prendre la fonction-objectif sur l’ensemble des solutions réalisables.
Les exemples de problème qui relèvent de la programmation linéaire sont fort

nombreux. On peut citer :
▪ les problèmes de mélange : quelle est la composition optimale d’un produit ?
▪ les problèmes de planification de production : quand et à quel moment doit-on
planifier la production d’un bien,
▪ les problèmes de transport, généralisation du problème de transport classique,
▪ les problèmes de planification d’horaires,
▪ les problèmes de découpe industrielle.
3.3. MODELES DE PROGRAMMES LINEAIRES
Problème 1
L'entreprise « OUEDRAOGO » est spécialisée dans la fabrication de matériels

informatiques ; elle propose à son catalogue d'ordinateurs des centaines de référence.
Pour simplifier, on ne s'intéresse ici qu'à deux types d'ordinateurs : le IM4 et le IM5.
Chacun d'eux comporte un processeur (le même), mais les deux modèles diffèrent en
particulier par le nombre de barrettes mémoires. Plus précisément, le IM4 comporte

2 barrettes alors que le IM5 en comporte 6. Le marché pour ces composants est tel
qu'on ne peut espérer acheter auprès des fournisseurs habituels plus de 10 000
processeurs pour le trimestre à venir et plus de 48 000 barrettes. Une autre
limitation risque d’intervenir sur la production. L’assemblage est caractérisé, en
particulier, par une opération délicate, qui pour le IM4 est de 3 minutes alors que
pour le IM5 elle n’est que d’une minute ; on ne dispose a priori pour l’assemblage de
ces deux types de machines que de 24 000 minutes pour le trimestre à venir. Enfin,
compte tenu des conditions actuelles du marché, on peut espérer retirer un profit de
40000 FCFA sur le IM4 et de 80000 FCFA sur le IM5.
Le problème est de déterminer pour l’entreprise « OUEDRAOGO » les quantités de
chacun des deux types d'ordinateurs à fabriquer de manière à obtenir le plus grand
profit possible.
MODÉLISATION DU PROBLÈME 1
Examinons dans l’ordre la représentation des décisions, des décisions possibles et du
critère.
Les décisions : Les décisions concernent les quantités à fabriquer, ce qui se
représente naturellement par deux nombres positifs x1 pour l’IM4 et x2 pour l’IM5.
Les décisions possibles : Il s’agit de représenter les différentes contraintes limitant
la production de ces deux types d’ordinateur.
o La première porte sur la limitation du nombre de processeurs disponibles :
chaque machine utilise un processeur et on peut en disposer de 10 000.
On doit donc imposer : x1 + x2 ≤ 10 000
o De même, le nombre de barrettes est limité. Compte tenu du nombre de
barrettes dans chacun des 2 ordinateurs et du nombre de barrettes disponibles,
cette contrainte se traduit par : 2x1 + 6x2 ≤ 48 000
o Enfin, la contrainte portant sur le temps d'assemblage s'écrit : 3x1 + x2 ≤
24000
L’ensemble des décisions possibles est donc caractérisé par l’ensemble des valeurs de
x1 et x2 vérifiant :
x1 + x2 ≤ 10 000
2x1 + 6x2 ≤ 48 000
3x1 + x2 ≤ 24 000
x1 ≥ 0 ; x2 ≥ 0
Le critère : On souhaite maximiser le profit qui est représenté par : 40000x1 +
80000x2.

Le problème initial est donc modélisé par le problème de programmation
mathématique suivant :
Max (40000 x1 + 80000 x2)
x1 + x2 ≤ 10 000
2x1 + 6x2 ≤ 48 000
3x1 + x2 ≤ 24 000
x1 ≥ 0x2 ≥ 0
Le modèle obtenu est un exemple de problème de programmation linéaire.
Problème 2
Une entreprise disposant de plusieurs lieux de production doit transporter ses

produits finis vers des entrepôts régionaux pour répondre aux besoins locaux. Pour
simplifier l’exemple, on se contente de 2 usines avec 3 entrepôts. On peut a priori
faire transiter le produit de n'importe quelle unité de production vers n'importe quel
entrepôt. Chaque unité de production a une capacité limitée. Supposons, par exemple,
que la capacité de production de l’usine 1 notée U1 soit de 100 (en milliers de tonnes)
et celle de l’usine U2 de 150. Les entrepôts ont exprimé une demande qui doit être
satisfaite : l'entrepôt 1, noté E1, a une demande de 50 (en milliers de tonnes), le
deuxième 70 et le troisième 80. Le coût de transport dépend bien sûr du trajet à
effectuer et du mode de transport, donc de l'usine de départ et de l'entrepôt d'arrivée.
Le coût de transport par tonne de l’usine i (i = 1,2) vers l’entrepôt j (j = 1, 2,3) est
donné dans le tableau suivant en Euro.
E1 E2 E3
U1 4 3 6
U2 3 5 3
Le problème est de déterminer les quantités à transporter de chaque usine vers

chaque entrepôt, de manière à minimiser le coût total de transport tout en respectant
les contraintes de capacité des usines et de demande des entrepôts.
MODÉLISATION DU PROBLÈME 2
Les décisions : Elles portent sur les quantités à transporter. La quantité transportée
(en milliers de tonnes) de l'usine i vers le dépôt j est représentée par la variable positive
xij (i = 1,2 et j = 1, 2,3).

Les décisions possibles : Il s’agit de traduire les contraintes limitant les décisions.
Il y a deux types de contraintes, celle portant sur la capacité des usines et celle portant
sur la demande des magasins.
o Limitation sur la capacité de production des usines : Il faut exprimer que, de
chaque usine, ne peut partir une quantité supérieure à ce qu’elle est capable de
produire.
Pour l’usine U1, x11 + x12 + x13 représente, en milliers de tonnes, ce qui part vers les
entrepôts. La contrainte sur la capacité de U1 est traduite par : x11 + x12 + x13 ≤ 100
Pour l'usine U2, on a de même : x21 + x22 + x23 ≤ 150
o Limitation sur la demande des entrepôts : Ce qui arrive à chaque entrepôt doit
être égal à ce qu’il a demandé.
Pour l’entrepôt E1, x11 + x21 représente la quantité qui lui est livrée. Sa demande étant
de 50, on doit donc imposer : x11 + x21 = 50
On a de même pour les 2 autres entrepôts : x12 + x22 = 70 et x13 + x23 = 80
L’ensemble des décisions possibles est donc caractérisé par l’ensemble des valeurs des
xij vérifiant :
x11 + x12 + x13 ≤ 100
x21 + x22 + x23 ≤ 150
x11 + x21 = 50
x12 + x22 = 70
x13 + x23 = 80
xij ≥ 0 i = 1,2 j = 1, 2,3
Le critère : On souhaite minimiser le coût total de transport. Si on fait l’hypothèse

que sur chaque trajet le coût est proportionnel aux quantités transportées, le coût total
s’écrit : 4 x11 + 3 x12 + 6 x13 + 3 x21 + 5 x22 + 3 x23 que l’on souhaite minimiser.
Le problème initial est donc modélisé par le problème de programmation
mathématique.
Min 4 x11 + 3 x12 + 6 x13 + 3 x21 + 5 x22 + 3 x23
x11 + x12 + x13 ≤ 100
x21 + x22 + x23 ≤ 150
x11 + x21 = 50
x12 + x22 = 70
x13 + x23 = 80
xij ≥ 0 i = 1,2 j = 1, 2,3

Ce problème, appelé "problème de transport classique", est, comme dans le
premier exemple, modélisé par un problème de programmation linéaire.
Encadré 3
Une chaîne logistique existe dès lors qu’au moins deux entreprises travaillent sur
l’achèvement d’un produit donné. Si et seulement si cette association est délibérément
pilotée en vue d’en maximiser la performance, alors on peut parler de gestion de la
chaîne logistique. La gestion d’une chaîne logistique (ou Supply Chain Management)
est un ensemble d’approches utilisées pour intégrer efficacement les fournisseurs, les
producteurs, les distributeurs, de manière à ce que la marchandise soit produite et
distribuée à la bonne quantité, au bon endroit et au bon moment dans le but de
minimiser les coûts et d’assurer le niveau de service requis par le client.
Implications
 FORMULATION DU PROBLÈME DE TRANSPORT
On peut décrire un problème de transport de la façon suivante :
• Une quantité donnée d’un produit uniforme est disponible à chacune des
origines (par exemples des dépôts).
• Il s’agit d’en envoyer des quantités spécifiées à chacune des destinations (par
exemple des points de vente).
• On connaît le coût de transport d’une unité de l’une des origines vers l’une des
destinations, en supposant qu’il est possible d’expédier des produits depuis
n’importe quel point d’origine vers n’importe quelle destination.
Le problème de transport se résume donc à déterminer le coût de transport minimum
des origines vers les points de destination.
 OPTIMISATION DES PROJETS DE TRANSPORT

L’optimisation des projets de transport passe par les points suivants :
▪ Sous le terme « transport », il faut intégrer toutes les dépenses opérationnelles
internes ou externes qui permettent d’approvisionner ou de distribuer.
▪ C’est le transport sous toutes ses formes avec le transport terrestre, maritime et
aérien mais aussi la logistique c’est à dire le stockage, l’intégration en stock,
l’entreposage et la préparation de commandes, ainsi que tous les services de transit
et douane.
▪ L’optimisation passe par des changements de prestataire ou de mode ou encore de
service de transport, des suppressions de surfaces, des modifications de route au
départ ou à l’arrivée, des négociations tarifaires et de charges accessoires.

▪ Le projet d’optimisation transport est un projet porté par les opérationnels c’est à
dire les Managers de la Supply Chain (optimisation du plan d’approvisionnement,
du plan de distribution, du transport inter-usines).
▪ L’optimisation du plan de transport en utilisant les ressources disponibles de la
meilleure manière possible afin de satisfaire :
- Le critère économique qui est de réduire les kilomètres parcourus et
optimiser le remplissage des véhicules grâce à la modélisation ;
- Le critère environnemental qui est de réduire les émissions de CO2 ;
- Le critère commercial qui est d’optimiser la carte de délais pour se
démarquer de la concurrence ;
- Le critère qualité qui est de veiller à la conformité des marchandises.
 OPTIMISATION DES COUTS DE TRANSPORT
Les enjeux d'optimisation des coûts de transport peuvent être résumés dans les
points suivants :
▪ Optimiser les coûts logistique et globaux (sans pour autant dégrader les délais) ;
▪ Optimiser la configuration logistique (pour gagner sur les coûts de transports et de
stockage) ;
▪ Optimiser les coûts de distribution (des usines vers entrepôts, des usines vers
clients, d’entrepôts vers clients) ;
▪ Optimiser les processus et organisations qui contribuent à livrer les produits à la
date promise ;
▪ Optimiser les délais de fabrication et de distribution des produits ;
▪ Optimiser le coût, le délai, la qualité.
▪ La performance d’une entreprise a une influence sur la satisfaction de ses clients et
sur ses résultats. De ce fait, la prise en compte des contraintes par les modèles
d’optimisation permettra de développer les points suivants :
▪ Affectation des produits aux points de production ;
▪ Capacité de transporter par mode des points sources vers les points dépôts ;
▪ Capacité de stockage des dépôts ;
▪ Zone géographique de distribution pour chaque dépôts (client mono- dépôt ou
multi dépôt) ;
▪ Temps d’écoulement des flux sur chaque tronçon de distribution ;
▪ Respect des réglementations et des règles de sécurité.

Problème 3
Avec la nouvelle année, un comité d’entreprise organise pour une présentation de

vœux, un repas pour 175 personnes. Il prévoit pour chaque personne 3 assiettes en
cartons, 2 verres et 4 serviettes en papiers. Le magasin fournisseur propose deux
types de lots :
- Lot de type 1 : contenant 45 assiettes, 55 verres et 75 serviettes à 17500 FCFA
- Lot de type 2 : contenant 35 assiettes, 45 verres et 80 serviettes à 15750 FCFA
Objectif : Construire un programme linéaire dans l’objectif de minimiser la dépense
du comité.
Modélisation du problème
Tableau récapitulatif des données
Lots Assiettes Verres Serviettes Coût
Lot 1 45 55 75 17 500 FCFA
Lot 2 35 45 80 15 750 FCFA
Besoins 525 350 700
Les décisions : Elles portent sur les quantités respectives de lot à commander. Les
lots sont représentés par les variables positives x et y, x≥0 et y≥0
Les décisions possibles : Il s’agit de traduire les contraintes limitant les décisions.
Il y a trois types de contraintes qui sont les suivantes :
o Contrainte en assiettes : 45x + 35y ≥ 525
o Contrainte en verres : 55x + 45y ≥ 350
o Contrainte en serviette : 75x + 80y ≥ 700
Le critère : On souhaite minimiser la dépense du comité. La fonction-objectif se
traduit donc par : 17 500x + 15 750y que l’on souhaite minimiser.
On obtient donc le programme linéaire suivant :
17 500x + 15 750y = Z(min)
Sous les contraintes :
45x + 35y ≥ 525
55x + 45y ≥ 350
75x + 80y ≥ 700
x≥0 et y≥0

3.4. RESOLUTION GRAPHIQUE D’UN PROBLEME DE
PROGRAMMATION LINEAIRE
De manière très générale, la résolution d’un problème de programmation linéaire
nécessite la mise en œuvre d’un algorithme. Cependant, lorsqu’un problème est
modélisé par un programme linéaire de deux variables, alors il peut faire l’objet d’une
résolution graphique. L’ensemble des solutions réalisables est donné par un polyèdre
dont un des angles est la solution optimale. Cette résolution graphique permet de
mettre en évidence certaines propriétés que possède n’importe quel problème de
programmation linéaire.
Considérons le cas du problème 1 :
Max (40000 x1 + 80000 x2)
x1 + x2 ≤ 10 000 (1)
2x1 + 6x2 ≤ 48 000 (2)
3x1 + x2 ≤ 24 000 (3)
x1 ≥ 0 x2 ≥ 0
A chaque couple de variables x1 et x2, on associe un point du plan dont les
coordonnées correspondent aux valeurs des variables. Les variables étant positives,
ces points sont situés dans l'orthant positif (le quart Nord-est du plan). De façon
générale, un orthant en dimension n peut être considéré comme l’intersection de n
demi-espaces orthogonaux. Par permutation, il y a 2n orthants dans un espace de
dimension n. Chaque contrainte permet de délimiter une partie du plan.
Par exemple, la droite d'équation x1 + x2 = 10 000 définit 2 demi-plans. Au-dessus de
cette droite, les coordonnées des points du plan vérifient x1 + x2 > 10 000. On est donc
conduit à exclure ces points. On fait de même pour les 2 autres contraintes. On trace
les droites d'équation 2x1 + 6x2 = 48 000 et 3x1 + x2 = 24 000 et on élimine les
points situés au-dessus de ces droites.
Les solutions réalisables du
problème correspondent aux points
du plan situés à l'intérieur du
polyèdre O A B C D et sur ses bords.
Il s'agit maintenant de déterminer
parmi tous ces points celui ou ceux
qui correspondent à la plus grande
valeur possible pour la fonction
objectif 40000 x1 + 80000 x2

Considérons la droite d’équation 40000 x1 + 80000 x2 = k où k est une constante.
Tous les points situés sur cette droite donnent à l’expression 40000 x1 + 80000 x2
la même valeur k. Ils sont équivalents du point de vue du profit.
Si on déplace cette droite vers la droite, la valeur de k augmente. La valeur limite pour
k est obtenue pour la droite passant par le point B.
On peut conclure que sur l'ensemble du domaine des solutions réalisables, celle qui
donne la plus grande valeur à la fonction-objectif correspond au point B dont les
coordonnées peuvent être calculées comme point d'intersection des contraintes (1) et
(2).
La solution optimale du problème est x1 = 3 000 et x2 = 7 000
La valeur maximale de la fonction-objectif est : 680 000 000 FCFA.
Pour l’entreprise, ceci signifie que la répartition optimale entre les deux
types d’ordinateurs est de 3000 ordinateurs de type IM4 et 7000
ordinateurs de type IM5 avec un profit maximal de 680 000 000 FCFA.
L’analyse de cette solution montre que tous les processeurs et toutes les barrettes sont
utilisés, mais qu'il reste du temps d’assemblage disponible.
On dit que les contraintes (1) et (2) sont saturées ou liées : elles sont vérifiées avec
égalité à l’optimum alors que la contrainte (3) est non saturée ou non liée : il y a une
marge entre la valeur de son premier et celle de son second membre à l’optimum.

Exercices d'application
1) Résolution de problème de maximisation

Problème : Une société industrielle fabrique et commercialise deux types de biens A
et B. Le bien A est vendu à 696 000FCFA la douzaine et le bien B à 144 600
FCFA le lot de trois unités. L’unité du bien A (respectivement celle du bien B) nécessite
3 heures (respectivement 4 heures) de traitement par la main d’œuvre qualifiée, 5
heures (respectivement 7heures) pour la main d’œuvre non qualifiée. Par ailleurs,
les besoins en matières de base de 3 unités et 4 unités pour les biens A et B. Les prix
des ressources sont de 750 FCFA par heure pour la main d’œuvre qualifiée, 560
FCFA pour la main d’œuvre non qualifiée et 230 FCFA par unité de matière
première de base. La société dispose de 820 unités de matières premières de base et
45 techniciens (dont 20 qualifiés) qui travaillent 35 heures par semaine. Il est
question ici de chercher le bénéfice maximal pour une semaine de fonctionnement de
l’industrie.
Biens Main Main Matière Bénéfice
d’œuvre d’œuvre non première unitaire
qualifiée qualifiée
A 3h 5h 3 unités 52 260 FCFA
B 4h 7h 4 unités 40 360 FCFA
Disponibilité 700h 875h 820 unités
Soient x et y les quantités respectives de bien A et B à fabriquer. On a x≥0 et y≥0.
Contraintes (disponibilités) :
- Main d’œuvre qualifiée : 3x + 4y ≤ 700
- Main d’œuvre non qualifiée : 5x + 7y ≤ 875
- Matière première : 3x + 4y ≤ 820
Fonction-objectif (bénéfice) : 52 260 + 40 360 = Z (max)
On obtient alors le programme linéaire suivant :
52 260 + 40 360 = Z (max)
3x + 4y ≤ 700
5x + 7y ≤ 875
3x + 4y ≤ 820
x≥0 et y≥0.

Pour des raisons de marché, il ne sera pas possible d’écouler plus de 220 unités du bien
A (le marché étant limité pour ce bien), tandis qu’un minimum de 30 unités du bien B
est recommandé. Déterminons le plan optimal de commercialisation pour cette
entreprise.
Nouvelles contraintes :
- Bien A : x ≤ 220
- Bien B : y ≥ 30
Remarque : 3x + 4y ≤ 700 et 3x + 4y ≤ 820 est redondante. On garde alors 3x + 4y ≤
700
Le programme linéaire devient alors :
52 260x + 40 360y = Z (max)
3x + 4y ≤ 700
5x + 7y ≤ 875
x ≤ 220
y ≥ 30
x≥0 et y≥0.
(D1) (D2)
3x + 4y = 700 5x + 7y = 875
x 0 233,33 0 175
y 175 0 125 0
Solution Z
A (0, 125) 5 045 000 FCFA
B (133, 30) 8 161 380 FCFA
C (0, 30) 1 210 800 FCFA
La solution optimale est : (x*,y*)=(133, 30) ;Z*=8 161 380 FCFA. Le plan optimal
de commercialisation pour cette entreprise est de fabriquer et de vendre 133 unités
du bien A et 30 unités du bien B pour un bénéfice maximal de 8 161 380 FCFA

2) Résolution de problème de minimisation
Considérons l’exemple du problème 3
Lots Assiettes Verres Serviettes Coût
Lot 1 45 55 75 17 500 FCFA
Lot 2 35 45 80 15 750 FCFA
Besoins 525 350 700
Dans ce problème, on suppose que le budget prévu pour ce sous volet peut supporter
un total d’au moins une douzaine de lot. Déterminer alors le plan optimal pour la
commande des lots.
Min 17500x + 15750y
45x + 35y ≥ 525
55x + 45y ≥ 350
75x + 80y ≥ 700
x≥0 et y≥0
Nouvelle contrainte : x + y ≥ 12
En simplifiant les contraintes, On a :
17500x + 15750y = Z (min)
x + y ≥ 12
9x + 7y ≥ 105
11x + 9y ≥ 70
15x + 16y ≥ 140
x≥0 et y≥0
(D1) (D2) (D3) (D4)

x+y=12 9x+7y=105 11x+9y=70 15x+16y=140
x 0 12 0 11,66 0 6,36 0 9,33
y 12 0 15 0 7,74 0 8,75 0
La solution optimale est : (x*,y*)=(12,

Solution Z
0) ;Z*=210 000 FCFA
A (0, 15) 236 250 FCFA
Pour donc minimiser la dépense, le comité doit
B (11, 2) 224 000 FCFA
commander 12 lots de type 1 et 0 lot de type 2. La
C (12, 0) 210 000 FCFA
dépense minimale est alors estimée à 210 000 FCFA.

3) Modélisation de problème de minimisation
Un artisan menuisier fabrique des tables et des chaises à base du bois et
d’un métal pour le compte d’un revendeur, il emploie deux jeunes stagiaires. Son stock
pour la semaine à venir en bois est 60 m2 et 30 mettre du métal. La fabrication d’une
table nécessite 3h du travail et 5 m2 du bois et 2m du métal, et pour fabriquer une chaise
il faut 1.5 h du travail et 2 m2 du bois et 1m du métal. Le menuiser et ses stagiaires
travaillent 40 h par semaine, une table génère le profit de 2000 FCFA et une chaise
dégage un profit de 1200 FCFA. Toute sa production sera vendue le lendemain.
Modéliser ce problème sous forme d’un programme linéaire afin de
maximiser le bénéfice hebdomadaire ?
4) Modélisation de problème de maximisation

Une entreprise produit deux types de ceintures A et B. Le type A est
de meilleure qualité que B. le bénéfice est de 200 FCFA pour le type A et de 150 FCFA
pour le second type. Le temps de fabrication pour le type A est le double du temps pour
la fabrication du type B et si toutes les ceintures étaient du type B l’entreprise pourrait
en fabriquer 1000 par jour. L’approvisionnement en cuir est suffisant pour 1400
ceintures par jour (Type A et B), 800 boucles de type A et 900 pour le type B sont
disponibles par jour.
Modéliser ce Problème afin de maximiser le bénéfice total.
5) Résolution graphique d’un problème de minimisation

On doit organiser un pont aérien pour transporter 1600 personnes et 90 tonnes de
bagages. Les avions disponibles sont de deux types : 12 du type A et 9 du type B. Le
type A peut transporter, à pleine charge, 200 personnes et 6 tonnes de bagages. Le type
B, 100 personnes et 6 tonnes de bagages. La location d’un avion du type A coûte
800.000 FCFA ; la location d’un avion du type B coûte 200.000 FCFA.
Résoudre de façon graphique afin de trouver le nombre optimal d’avions
de type A et du type B pour minimiser le coût de location.

Table des matières
Sommaire ........................................................................................................................... 2
INTRODUCTION ............................................................................................................... 3
BIBLIOGRAPHIE .............................................................................................................. 3
Chapitre 1 : Notions élémentaires sur la modélisation et l’optimisation ............... 4
1.1. DÉFINITION .............................................................................................................................. 4
1.2. FORMULATION MATHEMATIQUE ..................................................................................... 5
1.2.1. Mise en forme mathématique ........................................................................................... 5
1.2.2. Formulation de la Fonction-Objectif ............................................................................... 6
1.2.3. Terminologie de la solution .............................................................................................. 6
1.3. DOMAINES D’UTILISATION ET EXEMPLES DE PROBLEMES D’OPTIMISATION... 7
1.3.1. Domaines d’utilisation ....................................................................................................... 7
1.3.2. Exemples de problèmes d’optimisation .......................................................................... 7
Chapitre 2 : Modélisation économique et optimisation de la chaine logistique . 10
2.1. OPTIMISATION EN ECONOMIE ET OPTIMISATION DE LA CHAINE LOGISTIQUE
........................................................................................................................................................... 10
2.1.1. Optimisation et modélisation en économie .................................................................. 10
2.1.2. Optimisation de la chaine logistique à travers la modélisation ................................. 10
2.2. NECESSITE DE MODELISATION ....................................................................................... 11
2.2.1. Nécessité de modélisation en économie ........................................................................ 11
2.2.2. Nécessité de modélisation de la chaine logistique ...................................................... 13
2.2.3. Les flux de la chaîne logistique ...................................................................................... 14
2.3. CONSTRUCTION DES MODELES ECONOMIQUES ....................................................... 15
2.3.1. Exemple de conceptualisation théorique et méthodologique .................................... 15
2.3.2. Formalisation mathématique des raisonnements économiques .............................. 15
2.3.3. Construction d’une base de données ............................................................................. 16
2.4. FORME FONCTIONNELLE ET MODELISATION ............................................................ 16
Chapitre 3 : Modélisation par la programmation linéaire ...................................... 17
3.1. TYPES DE PROBLEMES A RESOUDRE ............................................................................. 17
3.2 DEFINITION D’UN PROBLEME DE PROGRAMMATION LINEAIRE .......................... 18
3.2.1. Définition........................................................................................................................... 18
3.2.2. Rappel sur quelques notions .......................................................................................... 19
3.3. MODELES DE PROGRAMMES LINEAIRES ..................................................................... 19
3.4. RESOLUTION GRAPHIQUE D’UN PROBLEME DE PROGRAMMATION LINEAIRE
........................................................................................................................................................... 26

Cours de Modélisation Et Optimisation 2022-2023

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 de Modélisation Et Optimisation 2022-2023

Transféré par

Droits d'auteur :

Formats disponibles

Transport logistique

CHARGÉ DU COURS : LANKOANDE Bedo Stéphane Modeste

Cours de Modélisation et Optimisation (Transport Logistique) Page 2

• Christodoulos A. Floudas et Panos M. Pardalos, « Encyclopedia of

• Frank Varenne et Marc Silberstein, « Modéliser et simuler. Epistémologie

Cours de Modélisation et Optimisation (Transport Logistique) Page 3

Cours de Modélisation et Optimisation (Transport Logistique) Page 4

4. Mise en œuvre 2. Résolution

1.2. FORMULATION MATHEMATIQUE

Cours de Modélisation et Optimisation (Transport Logistique) Page 5

1.2.2. Formulation de la Fonction-Objectif

1.2.3. Terminologie de la solution

Cours de Modélisation et Optimisation (Transport Logistique) Page 6

1.3.2. Exemples de problèmes d’optimisation

Cours de Modélisation et Optimisation (Transport Logistique) Page 7

 Un agriculteur possède un certain nombre d'hectares, d'engrais et d'insecticide. Il

 Un restaurateur possède du riz, du haricot et du poisson et dispose de deux types

 Ordonnancement : on dispose de 3 machines pour 8 tâches. Chaque tâche utilise x

Ici, les 8 tâches sont

Et là, les 8 tâches sont

Cours de Modélisation et Optimisation (Transport Logistique) Page 8

 Courbe de charge (compagnie aérienne, supermarché, péages, . . .)

 Une université doit effectuer un certain nombre de cours à un certain nombre

 On dispose de containers et d'éléments de tailles différentes à ranger dans ces

 Une entreprise de mécanique achète de l’acier à Accra et le transforme à

Cours de Modélisation et Optimisation (Transport Logistique) Page 9

En économie, la résolution de ce type de problème basée sur la recherche des valeurs

2.1.2. Optimisation de la chaine logistique à travers la modélisation

2 Autrement dit, l’interprétation de la réalité varie selon les économistes

Cours de Modélisation et Optimisation (Transport Logistique) Page 10

Cours de Modélisation et Optimisation (Transport Logistique) Page 11

 Démarche de la modélisation économique

Cours de Modélisation et Optimisation (Transport Logistique) Page 12

2.2.2. Nécessité de modélisation de la chaine logistique

- Modèles organisationnels : représentent la chaine logistique à partir de ses

Cours de Modélisation et Optimisation (Transport Logistique) Page 13

Cours de Modélisation et Optimisation (Transport Logistique) Page 14

2.3.1. Exemple de conceptualisation théorique et méthodologique

2.3.2. Formalisation mathématique des raisonnements économiques

Cours de Modélisation et Optimisation (Transport Logistique) Page 15

B est constant ; ηm varie en fonction de Y/m et diminue avec PMC ;

ηm varie en sens inverse de la quantité et du revenu

Cours de Modélisation et Optimisation (Transport Logistique) Page 16

3.1. TYPES DE PROBLEMES A RESOUDRE

En modélisation, on a trois types de problèmes :

Un problème est dit combinatoire lorsqu’il comprend un grand nombre de solutions

Exemple : déterminer où installer 5 usines de transformation de matières premières

Exemple : Connaissant la loi d’arrivée des clients à un guichet (banque, clinique,

Cours de Modélisation et Optimisation (Transport Logistique) Page 17

3.2 DEFINITION D’UN PROBLEME DE PROGRAMMATION

Un programme linéaire est sous forme normale si :

Cours de Modélisation et Optimisation (Transport Logistique) Page 18

La valeur maximale (respectivement : minimale) de la fonction objectif (à ne pas

Les exemples de problème qui relèvent de la programmation linéaire sont fort

3.3. MODELES DE PROGRAMMES LINEAIRES

L'entreprise « OUEDRAOGO » est spécialisée dans la fabrication de matériels

Cours de Modélisation et Optimisation (Transport Logistique) Page 19

Cours de Modélisation et Optimisation (Transport Logistique) Page 20

Une entreprise disposant de plusieurs lieux de production doit transporter ses

Le problème est de déterminer les quantités à transporter de chaque usine vers

Cours de Modélisation et Optimisation (Transport Logistique) Page 21

Le critère : On souhaite minimiser le coût total de transport. Si on fait l’hypothèse

Cours de Modélisation et Optimisation (Transport Logistique) Page 22

La solution optimale est : (x,y)=(12,