5335cbe13d29f PDF

Université Mohammed V- Agdal-
Agdal- Rabat
Faculté des Sciences Juridiques, Économiques et Sociales
Recher che Opér at ionnelle
www.fsjesr.ac.ma
Filière de Sciences Économiques et de Gestion
Module 20 Outils d’Analyse et de Communication
Matière Recherche Opérationnelle
ll e
Semestre S5
i onne
t
Session Automne –Hiver ér a
Op
Option e
Finance -Comptabilité
er ch
h
Rec
Professeure : Amale LAHLOU
www.amalelahlou.net
Ces notes de cours sont issues de l’enseignement du M20

Outils d’Analyse et de Communication / Recherche Opérationnelle
Chapitre I
Chapitre II Problème de programmation linéaire
Éléments de la théorie des graphes

le
Bibliographie : onnel
ér at i
Op
Droesbeke, Hallinet Lelievre«Programmation linéaire par l’exemple»
he de gestion » Tome 1, Dunod1996

ellipses 1986
er c à la recherche
Azoulay« Recherche opérationnelle
h
c
Re
Kauffman-Faure«Invitation opérationnelle» Dunod,
Desbazeille«Exercices de recherche opérationnelle» Dunod,
AndreGrosdidier«Outils mathématiques de gestion», Foucher, Paris
Thierry Bertrand « Outils mathématiques de gestion », Édition
Bertrand-Lacoste
Prof. : Amale LAHLOU Semestre S 5 / Option : Finance - Comptabilité Diapositive 2
Chapitre I :
Problème de programmation linéaire
Motivation
1. Concepts fondamentaux 4. Dualité
a. Définitions a. Définition d’un programme dual
b. Formalisation mathématique
b. Formalisation du programme dual
d’un problème linéaire
e
c. Exemples explicatifs de
n n ell
c. Correspondance entre le
t io
modèles linéaires programme dual et le programme
ér a
primal
2. Résolution graphique
a. Définition
O p d. Théorème de dualité
he
b. Propriétés de recherche de e. Interprétation économique du
l’optimum
er c dual
ch
c. Cas particuliers 5. Applications économiques
simplexe
Re
3. Résolution par l’algorithme de Conclusion et perspectives
a. Aspect théorique
b. Résolution manuelle ou
algébrique
c. Résolution via des logiciels
1
Chapitre II :
Éléments de La théorie des graphes
Motivation
1. Éléments de la théorie des 4. Recherche d’un chemin de valeur
graphes optimale entre deux sommets
a.Définitions a. Algorithme de Ford
ll e
b.Représentations d’un graphe b. Exemples
nne
i. Représentation sagittale 5. Problème d’ordonnancement
ii.Représentation par un
t i o a. Définitions
ér a
dictionnaire
b. Méthodologie
Op c. Représentation graphique
iii.Représentation par une matrice
iv.Représentation par une matrice
e
chdes
booléenne
d. Calendrier au plut tôt des
2.
e
Détermination des niveaux
h r taches
a.Définition Re c
sommets d’un graphe sans circuit
e. Calendrier au plus tard des
taches
b.Utilité de la notion des niveaux
f. Tableau des marges (libres et
3. Recherche des chemins de
totales)
longueur p joignant deux sommets
a.Définitions 6. Applications économiques
b.Cas particuliers de chemins Conclusion et perspectives

Le contenu du présent polycopié correspond au
contenu des diapositives présentées en cours.

e ll
on nerésultats
Ils ne contient que les définitions et
i
principaux du cours éen r at plus de quelques
Op
he
applications économiques.
h er c
c
Le premierechapitre sera consacré au modèle de
R
programmation linéaireet le second aux
fondements de la théorie des graphes .

Initiation à
e
nnell
t io
ér a
la Recherche Opérationnelle
p
O
r che
e
ch
Re
2
L’optimisation
Les problèmes d'optimisation se rencontrent très fréquemment

dans les organisations, dans les entreprises et dans la société.
Plus les entreprises grandissent, plus les problèmes de gestion
se multiplient et se compliquent : la gestion de production, la
ll e
nne
gestion des flux financiers, la gestion des réseaux ou de
t i o
ér a
circulation des biens et de services …
Op nécessite des efforts tant au

La résolution de ces problèmes
e
niveau de la recherche
e r chde la solution optimale qu’au niveau de la
modélisation ch
Re
dans la théorie du producteur par exemple, on a
souvent besoin de maximiser le profit ou de minimiser
les coûts, etc.
Recherche Opérationnelle
« Outil mathématique de modélisation et d’optimisation. Il permet de trouver une

solution optimale ou bien une solution la plus proche possible de l’optimum »
le
La Recherche Opérationnelle est une discipline polyvalente,
el l
qui
emprunte beaucoup onn évidemment, mais
aux mathématiques,
t i
ér a
également à l'informatique et à l'économie.
Op
he
er cest un outil mathématique d’aide à la
La recherche opérationnelle
h
c
ReElle repose sur la construction des modèles,et ce
prise de décisions.
en fonction des problèmes posés. On peut citer plusieurs techniques
de modélisation notamment, la programmation linéaire, la théorie des
graphes, etc.

Problème de elle
n
at ion
ér
Op
Programmation
ch
e Linéaire
cher
Re
3
Programme linéaire (PL)
La programmation linéaire est la technique sans doute la plus co

nnue
et dont le succès a largement contribué au succès initial de la
recherche opérationnelle. Elle est la méthode de référence pour
ll e
nebancaire,
les entreprises notamment dans le domaine
on forestier,
t i
ér a
industriel, du transport et de la télécommunication
Op
Un programme linéaire estch une problème d’optimisation consistant à
e r
h une fonction « objectif » linéaire de
Rec
maximiser ou minimiser
plusieurs variables de décision (fonction économique) soumise à
un ensemble de contraintes exprimées sous forme d’équations
linéaires et/ou d’inéquations linéaires.
Programmation linéaire (PL)

Modèle linéaire :
fonction l inéaire de plusieurs variables à optimiser (premier degré )
variables soumises à des contraintes :
» linéaires
» restriction de non négativité
le
onnel
ti
ér a
Définir le problème : En apprenant essentiellement à mieux poser des
questions qu’on arrive à modéliser Ople problème
e
h r ch du problème ?
eexacte
c
Quelle est la nature
Re recherché ?
Quel est l’objectif
Quelles sont les conditions d’opération ?
Quels sont les paramètres à considérer ?
…
Programmation linéaire
Moyen pour mieux comprendre la réalité

utilisée pour représenter les propriétés
fondamentales d’un certain phénomène
version idéale et épurée
e
nnell
Formalisation
t io Algorithme
p ér a
O
Problème
r cheModèle
e mathématique Solution
réel
ch
Re
Programmation linéaire
4
Mise en forme d’un programme linéaire
Détecter et comprendre le problème (phase préscientifiques)

que doit-on faire? Quel est le vrai problème à résoudre ?
Identifier les variables de décision
variables régissant la situation à modéliser
llelinéaire
nne
variables réelles ( ou entières : Programmation
entière)
t i o
ér a par l’entreprise
Opé
Par exemple : Les quantités à produire
Préciser la fonction objectif
h
fonction mathématiqueccomposée
e
er
des variables de décision
fonction linéairech
Par exempleR
e
: le profit ou le chiffre d’affaire à maximiser, les
coûts à minimiser
Préciser les contraintes du problème
paramètres limitant la réalisation du modèle
équations ou inéquations composées des variables de décision
Préciser les paramètres du modèle

constantes associées aux contraintes et à la fonction
objectif
ll e
nne
Par exemple : les quantités de matières premières
Validation du modèle et des résultats :t i on
ra
pér
le modèle développé est-il conforme à la réalité ?
O
les résultats sont-ils h e dans toutes les conditions ?
er cd’application
valides
c h
Conception du système
utilisation
Re des logiciels spécialisés pour la résolution du
modèle (par exemples : EXCEL, LINDO, …)
Implantation de la solution
Prise de décision
Modélisation mathématique d’un

problème linéaire : forme générale
Fonction objectif (économique) :

max (ou min) z = c1 x1 + c2 x2 + L + cn xn
e
Les xi sont des variables qui influient sur la valeur de z et les ci les poids respectifs
nell
de ces variables modélisant l’importance relative de chacune de
n
ces variables sur la
t io {≤ , = , ≥} b
valeur de la fonction économique
a x + a x +rLa+
Contraintes :
p é a x
11 1 12 2 1n n 1
a x + aOx + L + a x {≤ , = , ≥} b
he
21 1 22 2 2n n 2
h ec
Mr
c
Re a x + a x + L + a x ≤ , = , ≥ b
m1 1 m2 2
{ } mn n m
Contraintes de non négativité : x j

≥ 0 , ∀ j = 1, 2 , L , n
Avec, xj : variables de décision (inconnues)
aij, bi, cj : paramètres du programme linéaire (connues)
5
Exemple 1 :
Trois types de machines A, B et C produisent quatre produits différents

I, II, III et IV. Chaque produit doit être traité par chacune des
machines dans l’ordre. Les temps unitaires (temps nécessaires pour la
fabrication d’une unité) pour chacune des opérations et pour chaque type
ll e
de produits sont indiqués dans le tableau ci-dessous.
i onne
Question : Établir la production hebdomadaire de chaque produit de façon
t
ér a
à maximiser le profit
Op
Produits Disponibilité (en min)
h e hebdomadaire de
Type de machine I
er cII III IV chaque machine
5c
h 3
A Re 3 2 1800
B 2 2 5 5 4 6 4 8500 6 8500
C 1 2 3 4 3500
Profit par unité 7,30 8,64 8,00 9,00
Modélisation mathématique
But:
Établir la production hebdomadaire de chaque produit
de façon à maximiser le profit e
ell
Le modèle : t i onn
ér a
xj : production hebdomadaire Op de chaque produit j
he
h er c
c x, x, x
Re
Trouver les valeurs 1 2 3 et x4 qui maximisent le
profit, considérant la limite de temps d’utilisation de

chaque machine
Formalisation du problème :
forme canonique
Compréhension du problème
Définissons 4 variables de décision :
x1 : la production hebdomadaire du produit I
x2 : la production hebdomadaire du produit II
e
x3 : la production hebdomadaire du produit III
nell
x4 : la production hebdomadaire du produit IV
n
t io
Le profit associé à une production (x1, x2, x3, x4 ) est :
z = 7 ,30 x + O 8 ,pérxa + 8 , 00 x + 9 ,00
64 x4
e hebdomadaire de chaque
1 2 3
r ch+
Il ne faut pas dépasser la disponibilité
machine: A :ch5e
RBe: 2x + 5x + 4x + 6x ≤ 8500
x 13x + 3x + 2 x
2
≤ 18003 4
1 2 3 4
C : 1x1 + 2 x2 + 3x3 + 4 x4 ≤ 3500
Les produits ne sont pas négatifs :

x1 , x 2 , x 3 , x 4 ≥≥0
6
Formalisation du problème
Objectif :
max z = 7 , 30 x 1 + 8 , 64 x 2 + 8 x 3 + 9 x 4
Contraintes des machines :

e+ 2 x
ell + 6 x
A: 5 x1 + 3 x2 + 3 x3 ≤ 1800
n
4
n
t i+o3 x + 4 x
B: 2 x1 + 5 x2 + 4 x3 ≤ 8500
ér a
4
C: x + 2 x2 ≤ 3500
p
1 3 4
Contraintes de non négativité : O

e
er chx , x , x , x ≥ 0
h
Rec
1 2 3 4
Selon la nature des produits, il faudrait peut être imposer à x1, x 2, x 3, x 4

de ne prendre que des valeurs entières (la résolution d’un problème
linéaire entier est plus difficile que celle d’un problème linéaire
ordinaire )
Terminologie de la solution
Solution réalisable (solution admissible)

Solution où toutes les contraintes du modèle sont
satisfaites
e
ell
Zone de solutions admissibles (région admissible)
nnen
r a t io réalisables
Ensemble de toutes les solutions
é
Solution optimale Op
h e
er c
ch où la fonction objectif atteint
Solution réalisable
e
R
la meilleure valeur (maximum ou minimum)
Plusieurs solutions optimales sont possibles
Résolution d’un programme linéaire

Selon la nature du PL, il peut être résolu de manières

différentes à savoir :
Représentation graphique (ou méthodes des droites
parallèles) c’est une représentation géométrique
l l e plane dans le
cas de deux variables e n
ti ion
ér aleadmissible
Recensement des sommets de la région
p
O
cette m éthode est possible tant que nombre des sommets
h e à-dire, le nombre des variables et
n’est pas assez grand, c ’est-
des contraintes reste c
er très limité. On prend le sommet qui
ch objectif.
Re
optimise la fonction
Algorithme de simplexe (ou méthode de Dantzig)

cet algorithme est recommandé lorsque le nombre de variables
est quelconque. On distingue deux méthodes : méthode
algébrique ou méthode des tableaux
7
Résolution graphique :
méthodes des droites parallèles
Cas d’
d’un probl ème à deux variables de d écision
(r epré ométrie plane )
eprésentation en g éomé
ll e
i onne
at R²
Fonction objectif : Droite dans
O pér
Contraintes : Demi-plans
e dans R²
e r ch
Contraintes c
deh non négativité: cadran positif
Re
Région admissible : Intersection des demi-plans de
R2

Rappels pour prendre un bon le

nel départ
on
ér at i
Op
h e
er c
Représentation graphique
ch
Re
Équation cartésienne d’une droite (D) :

ax + by + c = 0 (a, b) ≠ (0,0)
u = (−b, a) est un vecteur directeur de (D)

r e
ell
r r
Si u = α v , αréel alors v est aussi vecteur directeur de (D)
onn
at i passant par (− )
•Si a = 0 alors y = − c b est une droite horizontale (0, −c b)
= − é r
c a est une droitepverticalepassant par
•Si b = 0 alors x
O c a,0
e l’origine
•Si c = 0 alors la droite (D) passehpar
c
her
Équation réduite de laR ec (D) : si a ≠ 0 e b ≠ 0alors
droite
t
y = mx + p m≠0
avec, m = − a b e p = −c b
t
m est le coefficient directeur de (D)
8
* Soit la droite (D) : 2x + 3y − 6 = 0
u = ( −3,2)est un vecteur directeur de (D).
* Pour construire cette droite, il suffit de connaître deux points :

«par deux points passe une droite et une seule»
x 0 3
* Déterminons,
y 2 0
ll e
-la droite
x =1
-la droite
i onne y = −2
t
-la droite (D ) passant par A(1,2) et deavecteur
pér
directeur
1 v = (3,1)
O
e
y y x =1
ch
(D)
h e r (D1)
ur 2 R
ec 2
A
1 vr
-3 0 3 x 0 1 3 x
y = −2
Soit la droite (D) d’équation :

ax + by + c = 0 (a, b)≠ (0,0)
Alors, les demi-

demi - plans de frontière (D) sont :
L’ensemble des points de coordonnées x,y
(x,y ) telles que :
ax + by + c ≥ 0
le
L’ensemble des points de coordonnées x,y
(x,y ) telles que :
o n nel ax + by + c ≤ 0
3 yt i− 6 ≥ 0
Exemple : Résolvez graphiquement 2 x + a
Opér
he
y
2x
er c
+3 Remarquons que pour l’origine :
y-6
=0
ch
2 R
e 2(0) + 3(0) − 6 < 0
Donc le demi plan ne contient
pas l’origine
0 3 x
Région admissible (ou faisable ou possible)

Région limitée par l’ensemble des

équations de contraintes du
Cont r aint e de non négat ivit é
problème et par les limites des

variables de décision
e
x2
nnell Il existe 3 types de points admissibles
t io
pér a Point intérieur
O
r che Point frontière
e
ch
Re Point extrême
Contrainte de non négativité

x1
polyèdre
9
Région admissible vide
minimiser z = x1 + 2 x2
x2 x1=8
sujet à
ll e  1 x
nne −2
+ x2 ≤8
o
1
t i
ér a
8 x 1
+ 8 x2 ≥ 40

Op  x ≥8
e
1
ch
6  ≥0
 x, x2
er
1
-x1+8x2=40
ch
Re 1/2x
4
2 1 +x
2 =8
x1
2 4 6 8 10 12 14 16 18
Région admissible bornée

x2
le
onnel
ér at i
Op
he
h er c
c
Re x1
Région admissible non bornée

e
x2
nnell
t io
pér a
O
r che
e
ch
Re
x1
10
Fonction « Objectif »
Déplacement de la fonction
x2 objectif à l’intérieur de la
région e
admissible pour
ell
atteindre unnnextremum
t io
pér a A
O
r che
he
Rec A est la solution optimale
Intersection de deux contraintes
x1
Solution optimale
une solution une infinité de pas de solution

optimale unique solutions optimales optimale finie
x2 x2 x2 l e
onnel
ér at i
Op
he
h er c
c
Re
x1 x1 x1
Exemple 1
Région admissible bornée :
une solution optimale unique
x maximiser z = x1 + 2 x2
=4
1 +x x2
2
+x
2 =8
sujet à
e
x1=5
1
-x
8
nnell  2 x1 + x2 ≥4
A est l’unique t i o
ér a
A  x + x2 ≤8
p
solution optimale  1
2x 1
O
6
+
2x e − x1 + x2 ≤4
x 2=
x+
c h=14
1
r
4
 x
he
2
4
≤5
c  1
Re  x1, x2 ≥0
x+ 5
x1
2 1 2 8
x=
2 2
11
Exemple 2
Région admissible bornée :
une infinité de solutions optimales
x
=4
1 +x x2 maximiser z = 2 x1 + 2 x2
2
+x
2 =8
e
x1=5
1
-x
sujet à
8
nnell  2 x1 + x2 ≥ 4
Une infinité de t i o
ér a
x + x2 ≤ 8
p
solutions optimales  1
2x 1
O − x1 + x2 ≤ 4
+
he
x 2=
1 +x c
x
r
4
x ≤5
e
ch
4 2 =8  1
Re  x1, x2 ≥ 0
x
1+
x1
2 x= 5 8
2 2
Exemple 3
Région admissible non bornée :
pas de solutions optimales finies
maximiser z = x1 − x2
sujet à
x2 x1=8
1 x + x2 ≥ 8
lle − x
2 1
ne + 8 x2 ≤ 40
ion
1
t ≥ 8
ér a
8
 x 1

Op  x1 , x2 ≥ 0
he
er c
6
-x1+8x2=40
ch Pas de solutions
Re
4
optimales
1/2x
2 1 +x
2 =8
x1
2 4 6 8 10 12 14 16 18
Exemple 4
une solution optimale unique
minimiser z = x1 − x2
sujet à
x2 x1=8
B est l’unique 1 x + x2 ≥8
=2
e
ell
2 1
solution optimale
2
-x
nn  − x1 + 8 x2 ≤ 40
x1
io

r at
8  x1 ≥8
pé 
B O  x1, x2 ≥0
6
r che
e
ch
-x1+8x2=40
Re 1/2x
4
2 1 +x
2 =8
x1
2 4 6 8 10 12 14 16 18
12
Exemple 5
une infinité de solutions optimales
x2 minimiser z = x1 + 1 / 2 x2
sujet à
12 + x2 ≥8
 x1
2x 1
e − x + 8x ≤ 40
ell  2 x + x ≥ 12

+
n
1 2
x 2=
10
n
t io
12
 1 2
ér a
8
 x , x ≥0
p
1 2
O
e
ch
6
h er Une infinité de
c
-x1+8x2=40
4
Re solutions optimales
x
2 1 +x
2 =8
x1
2 4 6 8 10 12 14 16 18
Cas pathologiques
1. Cas de redondance :
une contrainte est redondante lorsqu’elle est inutile et
superflue. La droite représentative de cette contrainte se trouve
entièrement en dehors de la région admissible.
le
nel
Exemple : max z = x + 2 x (1)
n
1 2
o
at i
sc (3)
ér
 x1 + x2 ≤8 (1)
5 x + 4 x2 Op (2) ≤ 20 (2 )
 x
he
1
er c
 1 ≤3 (3)
h
 x ≤4 ( 4)
c
Rxe ≥ 0
2
 (4)
 x1 , 2
La contrainte (1) est une contrainte redondante

car (3)+(4) donne : x1 + x 2 ≤ 7 ; 7 < 8
Donc la contrainte (1) est automatiquement
vérifiée et donc sera éliminée.
2. Cas de dégénérescence : il y a deux types

Dégénérescence du 1 er type :
c’est le cas où le coefficient directeur de la droite
représentant la fonction économique soit identique à celui de la
droite représentant une contrainte non redondante. Il existe
e
ell
donc une infinité de solutions
nn
t io
(4)
ér a
Exemple : (3)
maximiser z = 2 x + 2 x O p
(2)
he (1)
1 2
sujet à
r c
2 x + x e ≥c4he(1)
+ x R ≤ 8 ( 2)
1 2
x
 1 2
− x1 + x2 ≤ 4 (3)
x ≤ 5 ( 4)
 1
 x1, x2 ≥0
13
Dégénérescence du 2ième type :
une solution optimale est dite dégénérée si plus de deux

contraintes concourent en ce point.
Exemple :
ll e
(1)
nne
max z = x1 + x2 (2)
sc
t i o
ér a
Op
3x1 + 2 x ≤ 40
2 (1)
x
e
 1 ≤ 10 (2)
c(3h)

≥ 0 er
x ≤5
 2
h
Rec
 x1, x
2
B=(10,5)
(3)
La solution optimale B est dégénérée
Définitions
Un ensemble E est convexe si et seulement si toute paire de points A et B

quelconques de cet ensemble, le segment de droite joignant ces 2points est
aussi dans l’ensemble : ∀x, y ∈ E ∀α ∈ 0,1 [ ]
α x + (1 −α ) y ∈ E
le
A
nel
A
E est située tout entier du
on
at i
B B même côté d’un plan tangent
ér
Op
un point extrême d’un ensemble convexeest un point qui ne peut être jamais
he
eAr c
entre deux points de cet ensemble.
ch
Re Aest un point extrême
Bn’est pas un point extrême
B
Propriétés de recherche de l’optimum

La région admissible non vided’un programme linéaire est un ensemble convexe

dont les côtés représentent les contraintes linéaires du problème. Elle est :
soit un ensemble non bornée
soit un ensemble bornée (polygone)
e
ell
un point de l’intersection d’au moins deux contraintes est un point extrême
Trois cas de recherche de l’optimum
nn
t io les contraintes
ér a
solution optimale unique point extrême
p
associées sont dites contraintes liantes
O côté de la région admissible
he est unique pour toutes ces solutions)
infinité de solutions optimales
r c
he
(la valeur de la fonction objectif
Pour les contraintes R

ec finie
pas de solution optimale
non liantes (non satisfaites avec égalité),on distingue entre
stock : si le résultat est inférieur au membre droite de la contrainte de
type ≤
surplus : si le résultat est supérieur au membre droite de la contrainte de
typ ≥
e
14
Exercice 1
Un restaurateur dispose de trois types de poissons

30 p 1, 24 p2, 18 p3 et désire offrir :
des plats à 80 UM contenant 5 pnn1e, l2 p 2 et 1 p 3

le
t io
pér a 3 p
des plats à 60 UM contenant 1, 3 p 2 et 3 p 3
O
r che
Problème : che
Re
Comment doit-il disposer ces plats pour réaliser
la recette maximale ?
Formalisation de l’énoncé 1
Compré
Compréhension du probl ème : le restaurateur doit décider
combien de platsà80 UMet de plats à60 UMseront préparés
pour maximiser sa recette.
Identification des variables économiques ou de dé
décision :
x1 = quantitéde plats à80 UM
le
nel
x2 = quantitéde plats à60 UM
Fixation des objectifs à atteindre : t i on maximisation de la recette

(fonction économique ou objectif) :
ér a
Op max z = 80 x1 + 60x2
he
h er c
Mise en équations des contraintes économiques :
Les variables x et Re c
x sont limitées
5 x1 + 3 x2 ≤ 30
1 2
par 3 contraintes : +
2 x1 3 x 2
≤ 24
x1 + 3 x 2
≤ 18
On a également les contraintes de non n égativit é :
x1 ≥ 0, x2 ≥ 0
Modélisation mathématique :
forme canonique
Le problème peut être formulé ainsi :
max z = 80 x1 + 60 x2
e
nnell
sc o
at i
5 x1 + 3x2 pé≤r 30
2 x +e3xO ≤ 24
 1 ch 2
her + 3
c
Re  1
x x2 ≤ 18
  x1, ≥
x2 0
15
Résolution graphique
A est un point extrême de la région

admissible dont les coordonnées vérifient max z = 80 x1 + 60 x2
la 1 ière et la 3 ième contrainte avec égalité
x2
sc
5x 1
A =(3,5) est une

+
5 xl1e + 3 x2 ≤ 30
3x 2
el
solution optimale unique
=
n
30
et z max=540 n
io 2 x1
+ 3 x2 ≤ 24
at
ér
Op
+ 3 x2 ≤ 18
10  x1
e
c ch  x1 , x2 ≥0
her
8
6
A
Rec
80
x1
+6
0x 2
x1 +3
x2 =1
=0
8
2x x1
0 6 12 1 +3 18
x=
2 24
Interprétation
La zone hachurée est celle des solutions admissibles

Le coefficient directeur de la droite z = 80 x1 + est
60 x2 −80 60 = − 4 3
les droites parallèles à (z) sont des droites isoprofit.
le
onel l en
La solution qui maximise la recette est A(3,5) c’est-à-dire,
n
offrant 3 plats à 80 UM et 5 plats à 60 UM,alet irestaurateur
ér
réalisera une recette maximale de :Opz = (80 × 3)+ (60 × 5)= 540 UM
he
max
er ctroisième contrainte sont saturées

A l’optimum, la première et la
h
c ne l’est pas : pour réaliser une recette
Re
mais la deuxième contrainte
maximale, le restaurateur doit offrir tous les poissons de type p 1 :
30 = (5 × 3)+ (3 × 5)et tous les poissons de type p 3 : 18 = (3)+ (3 × 5)
et il lui restera 3 poissons de type p 2 : 3 = 24 − [(2 × 3)+ (3 × 5)]
Exercice 2
La sociétéX fabrique deux types de jouets :

Soldats :
• Prix de ventes : 27 UM
• Matières premi ères : 10 UM
e
ell
• Co ûts suppl émentaires (salaires et frais g énéraux) : 14 UM
n n
• 2 heures de travail de finition et 1 heure de menuiserie
Trains :
t io
ér a
• Prix de ventes : 21 UM
• Matières premi ères : 9 UM
O p
hete1 heure de menuiserie
• Co ûts suppl émentaires : 10 UM
r c
he
• 1 heure de travail de finition
ec disposer de toutes les matières nécessaires àla

Hebdomadairement, XRpeut
fabrication mais l’entreprise ne dispose que de 100 heures de finition et
80 heures de menuiserie.
La demande pour les trains est illimitée, mais un maximum de 40 soldats
peuvent être vendus chaque semaine.
La sociétéX souhaite maximiser son profit hebdomadaire
16
Compré
Compréhension du probl ème :
la sociétéX doit décider combien de soldats et de trains

llemaximiser son
nne
seront fabriqués chaque semaine pour
profit. t i o
ér a
Op
e
décision: er ch
Identifications des variables économiques ou de
ch
Re
x1 = nombre de soldats produits chaque semaine
x2 = nombre de trains produits chaque semaine

Fixation des objectifs à atteindre : maximisation du profit.

La sociétéX doit maximiser
Revenus hebdomadaires
le
27 x1 + 21 x 2
onnel
-
at i premières
Coûts hebdomadaires d’achat desrmatières
O pé
10 hxe1 + 9 x 2
e rc -
ch variables hebdomadaires
Autresecoûts
R 14 x + 10 x 1 2
d’oùla fonction économique àmaximiser est:

z = 3 x1 + 2 x 2

Mise en équations des contraintes économiques : Les

variables x1 et x2 sont limitées par 3 contraintes
a.
e
Chaque semaine, 100 heures de travail de finition sont
disponibles: ell
n
ion
2 x ++x ≤≤100
t
1 2
r a
Chaque semaine, 80 heures deétravail
Op
b. de menuiserie sont
disponibles:
x1 +h+xe2 ≤≤80
c
Un maximumcde her40 soldats peut être produit chaque
c.
semaine: R
e
≤≤
x1 40
Restriction des signes :
x1 ≥≥0, x 2 ≥≥0
17
Le problème peut être modélisésous la forme canonique

suivante:
max z = 3 x1 + 2 x2
ll e
sc
i onne
at
pr
2 x1 + x2 ≤é100
O
 1 c+hex2 ≤ 80
x
 her
Rc
x1 ≤ 40
e
  x1 , ≥ x2 0
Résolution graphique
x2
x1 = 40
max z = 3 x1 + 2 x2
100
sc
3x 1
80
2 x1 + x2 ≤ 100
+2
le
x 2=
nel  x1
A + x2 ≤ 80
0
60
i on
t
ér a
40 x ≤ 40
 1
20
Op
O  x1 , x2 ≥0
he
er c
x1
-40
c
-20
h
Re
20 40 60 80 100
-20
2x 1
x
1+
+x 2
-40 x
2=
80
=1
00
A =(20,60) est une

solution optimale unique et Z max =180 UM
Interprétation
La zone hachurée est celle des solutions admissibles

Le coefficient directeur de la droite z = 3 x1 + 2est
x2 −3 2
les droites parallèles à (z) sont des droites isoprofit.
le c’est-à-dire,
La solution qui maximise le profit
n nel l
est A(20,60) en
fabriquant 20 soldats et 60 trains, la société io
atréalisera un profit
maximal de : (3 × 20 )+ (2 × 60 ) =O pérUM
180
he
er cdeuxième contrainte sont saturéeset la
A l’optimum, la première et la
h
c
Re l’est pas : pour réaliser un profit maximal, la
troisième contrainte ne
société doit épuiser 100 heures de finition = ( × )+ ( ) 100 2 20 60 et 80
heures de menuiserie. 80 = (20 )+ (60 )et seulement20 soldats sont
vendus chaque semaine. 20 = 40 − 20
18
Exercice 3
Une raffinerie achète deux types de pétroles bruts dont elle retire
de l’essence, du gazole et du fuel dans les pourcentages suivants:
Produits finis Brut n°1 Brut n°2
e
ll25
nne 25
Essence 30
Gazole 40
i o
30 r at
pé
Fuel 50
O
e
La raffinerie doit satisfaire à la demande de:
r
125 10 4 tonnes
4 e
ch d’essence
135 10chtonnes de gazole
e 4 tonnes de fuel
180R10
L’achat d’une tonne de brut n°1 coûte 700 UM et une tonne de brut
n°2 coûte 500 UM. Quelles quantités de ces pétroles bruts devra t-
on acheter pour répondre à la demande au moindre coût?
Compréhension du problème : le problème est de minimiser le

coût d’achat de cette raffinerie. Ce coût d’achat évolue en
le
fonction des quantités de brut n°1 et n°2 à acheter.
n nel
t io ou de décision :
Identifications des variables économiques
t
ér a
x1 : quantité de brut n°1 àpacheter
O
he
e c n°2 à acheter
x2 : quantité der brut
c h
Fixation des Reobjectifs à atteindre : minimisation des coûts
min z = 700 x 1 + 500 x 2

Mise en équations des contraintes économiques : les variables

x1 et x2 sont limitées par 3 contraintes de type contraintede
demande :
e
a. Contrainte d’essence
nnell
0 , 3 x +at0i,o25 x ≥
4
125 10
ér
1 2
b. Contrainte de gazole Op
e
ch0 , 4 x + 0 , 25 x ≥
her
4
135 10
c
1 2
c. ContrainteR e fuel
de
4
0 , 3 x 1 + 0 , 5 x 2 ≥ 180 10

x1 ≥≥0, x 2 ≥≥0
19
min z = 700 x1 + 500 x2

sc ll e
i onne10 4
 0 ,3 x + 0, 25 x at
≥ 125
pér≥ 135 10 4
1 2
0,4 x + 0,25O x
 e 2
ch
1
 er
 e1ch
0 ,3 x + 0,5 x2 ≥ 180 10 4
 x1 ,R x2 ≥0
Résolution graphique 6
x 10 2
min z = 700 x1 + 500 x2
sc
0,3x1 + 0,25 x2 ≥ 125 10 4
5
0,4 x + 0,25 x2 ≥ 135 10 4
 1
4 
A 0,3x1
+ 0,5 x2 ≥ 180 10 4
le
nel
 x1 , x2 ≥0
n
3
o
2
ér at i
Op
he
1
h er c x1 10 6
c
Re
1 2 3 4 5 6
0 ,4
0,3
0 ,3
x 1+
x+
x1
1 0
0 ,2
,5x
A =(10 6 , 3.8 10 6 ) est une
+0
2 =1
5x 2
,25
solution optimale unique 80

x2
=1
10 4
=1
35
6
et Z min =26 10 UM
25
10
10
4
Interprétation
6
La solution qui minimise les coûts est A(10 , 3.8 10 6) c’est-à-dire,
pour répondre à la demande au moindre coût d’essence, du gazole et du
6 o
fuel, le raffineur doit acheter 10 tonnes du brut n 1 et 38 10 5 tonnes
du brut n o 2 e
Le coût minimal est : (700 × 10 )+ (500 × 3,8on
ell
10n )= 26 10 UM
6 6 8
A l’optimum, la première et la deuxième

at i
ércontrainte sont saturéeset
O p
la troisième contrainte ne l’est pas e : les demandes en essence et en
ch
her : 0,3 10 0,25 3,8 10 , 125 10 t
gazole sont totalement satisfaites ( × )+ ( × )= 6 6 4
6
c
(0,4 × 10 )+ (0,25× 3,8 10R)e= 135 10 t et avec un stock seulement en fuel de :
6 4
40 104 t = 180 104 − [(0,3 × 106 )+ (0,5 × 3,8 106 )]
20
Exercice 4
Un raffineur dispose de deux bruts pour fabriquer de l’essence,du gazole

et du fuel lourd.
Les rendements de ces deux bruts sont les suivants :
ll e
Brut A B
Essence 0,2
i onne
0,4
t
ér a
Gazole 0,4 0,2
Fuel lourd Op 0,4
0,4
hAeprocure une recette de 140 UM Le
erBcprocure une recette de 150 UM
Le traitement d’une tonne de brut
traitement d’une tonne de h
Redec stockage, la fabrication de chaque produit est
brut
Du fait des contraintes
limitée de la manière suivante: Essence: 1 200 t, Gazole: 1200 t, Fuel
lourd: 1400 t.
Quelles quantités de ces pétroles bruts devra t-on traiter pour maximiser
la recette?
Compréhension du problème : le problème est de maximiser

la recette de cette raffinerie. Cette recette évolue en
fonction des quantités de brut A et B à traiter.l l e

l
nne
o ou de décision :
at i
Identifications des variables économiques
ér a
OpA à traiter
x1 : quantité de brut
e
c ch
her de brut B à traiter
x2 : quantité
c
Re
Fixation des objectifs à atteindre : maximisation de La
recette
max z = 140 x1 + 150 x 2

Mise en équations des contraintes économiques :

l es variables x1 et x2 sont limit ées par 3 contraintes de type
contrainte de stockage :
e
a. Contrainte d’essence
n n ell
o
0 , 2 x 1at+i 0 , 4 x 2 ≤
ér
1200
O p
he 0 , 4 x + 0 , 2 x ≤
b. Contrainte de gazole
r c
he
1200
ecfuel
1 2
c. ContrainteRde
0 , 4 x 1 + 0 , 4 x 2 ≤ 1400

x1 ≥ 0, x2 ≥ 0
21
max z = 140 x1 + 150 x2

sc
nel ll e
0,2 x1 + 0,4 x2 ≤ 1200 ion
0,4 x + 0,2 x r a≤t 1200
p2é
0,4 x +e0,O
 1
1 ch 4 x ≤ 1400
 er 2
exc1 ,h x2 ≥0
R
Résolution graphique max z = 140 x1 + 150 x2

x2 10 3 sc
0,2 x1 + 0, 4 x2 ≤ 1200
0,4 x + 0, 2 x2 ≤ 1200
A =(1000,2500) est une  1
solution optimale unique 0,4 x + 0, 4 x2 ≤ 1400

 1
 xe1 ,
et z max=515000 UM
le
nel
x2 ≥0
i on
t
ér a
Op
he
er c
A
h
2,5
c
Re
x1 10 3
0,
1 0,2x
4x
1 +0,4x
2 =1200
+1 0
0,4x
,2x
1+ 0,4x
2
=1
2= 140
20
0
0
Interprétation
La solution qui maximise le profit est A(1000,2500), c’est-à-dire, en

traitant 1000t de brut A et 2500t de brut B, le raffineur réalisera
un recette maximale de : (140× 1000)+ (150× 2500)= 515 000 UM
lle saturées
A l’optimum, la première et la troisième contrainteesont
nn n
t t io: pour réaliser la
tandis que la deuxième contrainte ne l’est pas
a
ér
Op tout le stock de l’essence
recette maximale, le raffineur doit vendre
e
r ch
et du fuel lourd :
1200 = (0,2 × 1000 )+ (0c, 4h×e2500 )et 1400 = (0,4 × 1000 )+ (0,4 × 2500 )
Re
toutefois, il lui restera un stock du gazole de 3000 t :
300 = 1200 − [(0,4 × 1000 )+ (0,2 × 2500 )]
22
Utilisation du solveur d’Excel pour
résoudre des problèmes linéaires
Formaliser le problème (exercice 4) :

x1 : quantité de brut A à traiter
x2 : quantité de brut B à traiter
ll e
i o nne = 140 x + 150 x
proft max
t
éscr a
1 2
Op 0.2 x + 0.4 x ≤ 1200 essence

Encoder les valeurs ch
e 1 2
h e r 0 .4 x + 0 .2 x ≤ 1200 gazole 1 2
R c
(Exercice 4-primal.xls)
e 0 .4 x + 0 .4 x ≤ 1400 fuel 1 2
x ≥ 0, x ≥ 0 Non − né gativit é 1 2
la formule qui permettra au solveur cette colonne donnera la valeur de

de calculer la valeur optimale de la chaque contrainte à l’optimum
fonction objectif,
A B C D E F Ligne 1 : titre de
l’exercice ou référence
1 Exercice 4
Ligne 3 : noms des
2
variables de décision, ici
3 brut A et brut B
variables
Brut A Brut B
de d écision
le
nel
Ligne 4 : coefficients des
4 fonction Profit variables de décision dans
140 150 TOTAL
objectif unitaire
i on la fonction objectif
t
ér a
5 quantité 0 0
Ligne 5 : quantités
Op
6 profit =C4*C5 =D4*D5 =C6+D6 cherchées. Elles seront
remplies par le solveur
e
7 limites après résolution. Elles
ch =C8*C5+D8*D5
sont nulles avant
er0.2
8 contraintes essence 0.2 0.4 1200 résolution
0.4 h
ec 0.4 =C10*C5+D10*D5
9 gazole =C9*C5+D9*D5 1200 Ligne 6 : profit dégagé
10 fuel R0.4 1400
Il n’est pas nécessaire

d’introduire les contraintes Colonne C et D : les
de non-négativité, on le coefficients des Colonne F: Introduisant
fera au moyen d’une option variables dans les la valeur du membre de
contraintes droite pour chaque
du solveur.
contrainte

Après avoir rentré toutes les données de

votre problème sur votre feuille de calcul
Excel, ouvrez le menu Outils et choisissez la
commande Solveur.
e
n n ell
t io
p ér a
O
ces messages d'erreur :
r c he parti du menu ou que vous obtenez
Si la commande Solveur ne fait pas
e
ch
Re
Allez voir la rubrique Commande Solveur.
23
S'ouvre alors la Spécification de la cellule cible : tapez la référence
boîte de dialogue ou le nom de la cellule que vous voulez minimiser,
du Solveur maximiser ou rapprocher d'une valeur donnée.
Spécification des
cellules variables :
tapez les références ou
$E$6 les noms des cellules
devant être modifiés par
ll e
le Solveurjusqu'à ce que
nne
les contraintes du
problème soient
$C$5:$D$5
t i o respectées et que la
ér a
cellules cible atteigne le
Op
résultat recherché.
e
$E$8<=$F$8
er ch Spécification des
ch contraintes : A l'aide
Re
$E$9<=$F$9 des boutons ajouter,
Modifier et Supprimer de
$E$10<=$F$10 la boîte de dialogue
Paramètres du Solveur ,
établissez votre liste de
contraintes dans la zone
Contraintes .
Exercice 4: Feuille Excel

Les options du Solveur
le
onnel
ér at i
Résultat et r ésolution Op
he
du problème sont mis en ch
Une fois tous les paramètres
er c
Re
place, le choix du bouton
Résoudre amorce le
processus de résolution du
problème . Vous obtenez
alors une de ces réponses
Résolution par Excel et

Analyse de la solution optimale
Microsoft Excel 10.0 Answer Report

Worksheet: [exercice 4.xls]probleme primal
Report Created: 11/11/2006 11:13:28 PM
Target Cell (Max) Le profit maximal

e
ell
Cell Name Original Value Final Value
n
$E$6 proft TOTAL 0 515000
io n
Adjustable Cells
p r atValue La solution optimale
éFinal
Cell Name Original Value
O0
he 0
$C$5 quantités Brut A 1000
$D$5 quantités Brut B
r c 2500
che
Constraints
Cell Name
Re Cell Value Formula
Le stock de gazole
Status Slack
$E$8 essence TOTAL 1200$E$8<=$F$8 Binding 0
$E$9 gazole TOTAL 900$E$9<=$F$9 Not Binding 300
$E$10 fuel TOTAL 1400$E$10<=$F$10 Binding 0
24
Exercice 5
L’entreprise X occupe trois ouvriers à raison de 40 heures par

semaine chacun. Elle fabrique trois types de papier A, B, C.
Pour des raisons d’approvisionnement en matières premières, la production
totale hebdomadaire de cette entreprise est limitée à 500 tonnes.
ll e
i onne
Les rendements horaires pour la fabrication des papiers A, B, C sont
t Les bénéfices sont
ér a
respectivement de 5 tonnes, 2.5 tonneset 3 tonnes.
Op tonne.
respectivement de 200, 500 et 400 UM par
e
ch
L’expérience a montré que, si la production
ertonnes
était limitée respectivement à
300 tonnes, 100 tonneset h
Re c 150 par semaine, elle était entièrement
absorbée par le marché.
Objectif :
On veut déterminer les quantités hebdomadaires à produire pour
que le bénéfice soit maximum et toute la production soit vendue.
Identifications des variables économiques ou de dé décision :

x1 : quantité(en tonnes) de papier A àproduire par semaine
x2 : quantité(en tonnes) de papier B àproduire par semaine
x3 : quantité(en tonnes) de papier C àproduire par semaine
le
Objectif : le problème est de maximiser le bénéfice hebdomadaire de
onnel
l’entreprise et de vendre toute la production.
at i
max
O pér
z = 200 x 1 + 500 x 2 + 400 x 3
sc
xc
he x
+er
 5 ch 2 , 5
 x 1 +2 ≤ 3
120
Rxe
3
1
+ x + x
2
≤ 3 500

 x1 ≤ 300

 x2 ≤ 100
 ≤
 x3 150
 x1 ≥ 0 , x 2 ≥ 0 , x 3 ≥ 0

Utilisation du solveur d’Excel pour résoudre

ce problème de programmation linéaire
x1 : quantit é (en tonnes) de papier A à produire par semaine

x2 : quantit é (en tonnes) de papier B à produire par semaine
x3 : quantit é (en tonnes) de papier C à produire par semaine
e
ell
max b é n é fce = 200 x1 + 500 x 2 + 400 x 3
n n
t io
sc
ér a horaire
 x1 x2 x
p
+ + 3
≤ 120 contrainte
≤ 500 O
5 2 ,5 3
he limite de production de A
x + x2 +x limite de production de l' ensemble
≤r c300
 1 3
e
 x1
ch ≤ 100 limite de production de B

Rxe ≤ 150 limite de production de C
 x2

 3
 x1 ≥ 0 , x 2 ≥ 0 , x3 ≥ 0

Encoder les valeurs (exercice 5 - primal.xls))

25
Résolution par Excel et analyse de la
solution optimale
Microsoft Excel 10.0 Answer Report

Worksheet: [motivation.xls]motivation
Report Created: 11/1/2006 1:05:36 PM
Target Cell (Max)
lleLe bénéfice maximal

Cell Name Original Value Final Value
nne
$F$6 proft TOTAL 0 140000
i o
at
pér0 Final Value150 La solution optimale
Adjustable Cells
O
Cell Name Original Value
e
$C$5 quantités Article A
ch
$D$5 quantités Article B 0 100
$E$5 quantités Article C
h er 0 150
Constraints Re c Le stock
Cell Name Cell Value Formula Status Slack

$F$8 contrinte horaire TOTAL 120$F$8<=$G$8 Binding 0
$F$9 limite de production de l'ensemble TOTAL 400$F$9<=$G$9 Not Binding 100
$F$10limite de production de A TOTAL 150$F$10<=$G$10Not Binding 150
$F$11limite de production de B TOTAL 100$F$11<=$G$11Binding 0
$F$12limite de production de C TOTAL 150$F$12<=$G$12Binding 0
Interprétation
La solution qui maximise le bénéfice est (150,100,150), c’est - à- dire, en fabriquant 150 t
de papier A, 100 t de papier B et 150 t de papier C, l’entrepris e X réalisera un bénéfice
maximal de : 140000 UM.
(200× 150)+ (500× 100)+ (400× 150)= 140 000 UM
llee sont saturées tandis
nne réaliser le bénéfice
A l’optimum, la première, la quatrième et la cinquième contraint
que la deuxième et la troisième contrainte ne le sont pas :i o
t pour
pér a hor aires et vendre la totalité

maximal, l’entreprise doit épuiser toutes les disponibilités
O
)+ (e1503r c)he et 100 t = (1× 100et) 150 t = (1× 150 )
de la production en papier de type B et C :
120 = (1505 ) + (100

chde papier de type A de 150 t :
2 ,5
Re
toutefois, elle lui restera un stock
= 150 t −[ ×
300 ] 1 150
L’entreprise n ’aura pas de probl èmes en mati ères premi ères puisque la production totale
hebdomadaire n ’a pas dé
dépassé
passé la limite de 500 t :
500 − [(1 × 150 )+ (1× 100)+ (1 × 150)]= 100 t

La méthode graphique est facile à mettre en oeuvre

lorsqu'il y a deux variables, elle devient plus difficile
pour trois variables et impossible au delà. La méthode
e
ell
du simplexe a été développée afin de résoudre ces
n n
t io
ér a
types de problèmes de programmation linéaire. A ce
niveau, le support p
O informatique moyennant des
e
logicielser ch
ch
mathématiques s’avère indispensable.
Re
N.B. : La résolution graphique suppose une mise du problème
sous forme canonique, tandis que celle par la méthode de
simplexe suppose une mise du problème sous forme standard
26
Présentation de la méthode du simplexe
Développée initialement par George Dantzig en

1947. Il existe plusieurs formulation de cette
méthode : méthodealgébrique (délicate dès que
le nombre des variables et des contraintes est
important) ou méthode des tableaux.
le
Méthodeexacteetitérativepour résoudre des i on
nel
problèmes linéaires de grande taille ér a
t
Op
e de la région
Explore les points extrêmes
ch
admissible en améliorenteàrchaque itération la
h
valeur du critère ec R
Identification des cas de contraintes
incompatibles ou redondantes …
Basée sur l’algèbre des matrices
Processus de résolution par la programmation

linéaire
Formalisation du problème
le
nel
Plus de 3 variables dans la programmation linéaire
on
Non
at i Oui
Résolution graphiqueOpérRésolution par la
e méthodedu simplexe
ch
Forme canonique
er Forme standard
e ch
R
Détermination de la solution de départ
Détermination de la solution optimale
Forme générale d’un programme linéaire

Fonction objectif
n
max ( ou min) z = c1 x1 + c 2 x 2 + L + c n x n = ∑
j =1
c jx j
Contraintes
n ll e
∑ea x {≤ , = , ≥} b
n
n
t io
a11 x1 ++a12 x2 ++L ++a1n xn {≤{≤, ==, ≥≥}}b1 1j j 1
ér a
j =1
a21 x1 ++a22 x2 ++L ++a2n xn {≤{≤, ==, ≥≥
}}b2 n
M Op ∑ a x {≤ , = , ≥} b 2j j 2
==e
j =1
a x ++a x ++L ++a x {≤{≤,h }}b

er c
m1 1 m2 2 , ≥≥
mn n M m
chnégativité
n
Contraintes de e ∑ a x {≤ , = , ≥} b
R non mj j m
j =1
x j
≥ 0 , ∀ j = 1, 2 , L , n
xj variables de décision (inconnues)
aij, bi, cj paramètres du programme linéaire
27
Écriture matricielle de la forme canonique :
recherche d’un maximum
Considérons toutes les contraintes du type ≤

et on suppose que b ≥ 0 (hypothèse non
générale)
z = t cx
n
max z = ∑ c j x j max
j =1
sc sc
 Axll e≤ b
n
∑

ne ≥
aij x j ≤ bi , ∀ 1 ≤ i ≤ m
 j =1
n
i o x 0
t
 x j ≥ 0, ∀ 1 ≤ j ≤ n

a
avec, pér
b1O
c1   x1 
a11 L L a1n  h e

c    
A =  M L L Mher b =  M
M M
c=  x= 
 e c  
am1 L L R
 M   M
amn bm     
c x  n  n
Vecteur colonne de Vecteur ligne de taille n Vecteur colonne
Matrice (m,n) taille m<n de taille n
des coefficients de la
des coefficients techniques des seconds membres fonction économique des niveaux
des contraintes d’activité
Écriture matricielle : Exercice 5

max z = 200 x 1 + 500 x 2 + 400 x 3

sc
 x1 + 2
x
+ 3
x
≤ 120 max z = t cx
 5 2 ,5 3
ll e ≤ b
x + x + x3 ≤ 500 sc
neAx
 1 2
n
 x1 ≤ 300
o 
at i  x ≥ 0

 x2 ≤ 100
pér

Op
 x3 ≤ 150
 x1 ≥ 0 , x 2 ≥ 0 , x 3 ≥
h
0 e
c

 her 120
1 1 1
c

1e
5 2,5 3
1

1 R 
500
  200  x1 
=
avec A 1 0 0 b = 300 c = 500 x =  x2 
  100    
0 1 0   400  x3 
0 0 1 150
Écriture matricielle de la forme canonique :

recherche d’un minimum
Considérons toutes les contraintes du type ≥

et on suppose que b ≥ 0 (hypothèse non
générale
) n
min w = ∑ c j x j min w = t cx c1 x1
j =1
a11 L L a1n  b1    
le,b= M, c=M, x= M
sc sc
A= M L L elM
nn
n
∑
  M M
am1t iLo L amn bm c  x 
aij x j ≥ bi , ∀ 1 ≤ i ≤ m
 Ax ≥ b
ér a
 j =1
 x j ≥ 0, ∀ 1 ≤ j ≤ n  ≥
x 0
Op
  n  n
Exemple : he
h er ct
c
Reminw= cx
min w = 3x1 − 5x2 + x3
sc
sc  3 x1
x1 + 3x2 + x3 ≥ 6 1 3 1  =6 =−  = 
A=  b   c 5 x x2
 − − ≥
2x1 4x2 2x3 2 Ax ≥ b 2 −4 −2 2
   
x , x , x ≥ 0  ≥  1  x3
1 2 3 x 0
28
De la forme canonique à la forme standard
La forme canonique se prête aisément à une résolution graphique tandis
que la forme standard permet une résolution matricielle. Il est toujours possible de
passer d’une forme canonique à une forme standard en écrivant les inéquations de
contraintes en équations ; on introduit des variables d’écart ei. Autant de variables
d’écart que d’inéquations de contraintes.
n n
∑a ∑a
ll e
∀i = 1,2, L , m ij x j ≤ bi , bi ≥ 0 ⇔ ij x j + ei = bi , ei ≥ 0
nne + + + +
j =1 j =1
Fonction objectif
= + + i o
max z c1 x1 c2 x2 atL cn xn 0e1 0e2 L 0em
+
ér
OApx + Ime = b
e
a x + a x h +L + a x + e 0 L
rc
0 = b
Contraintes
a x h+e
11 1 12 2 1n n 1 1
c a x +L + a x
RMe M +L M M O O 0 M
21 1 0 +e O M = b
22 2 2n n 2 2
Ax
am1x1 + am2 x2 +L + amn xn 0 L 0 + em = bm
Contraintes de non négativité x j ≥ 0 ∀j = 1,2, L , n Im e

ei ≥ 0 ∀i = 1,2,L , m
Écriture matricielle de la forme standard

t
 c  x 
max z =     max z = t ~ c~
x
 0  e  ~~
 x  Ax = b
 (A I m ) e  = b sce ~
l x ≥0
e l
  
nn 
t io
sc 
  x  ≥  0 
ér a
  e   0  où ~ Op ~ c ~  x

h eA = (A | I m ) c =  0  x =  e  ≥ 0
c
her
ec
~
On a méquations.R Généralement Rles mvecteurs colonnes de A
sont linéairement indépendants
Variables d’écart
Nombre de variables = m + nvariables
Variables de décision
Fondements Mathématiques ~
ααensemble des indices de colonnes de A : β ⊂ α avec | β |= m
i ∈∈ββ⇒⇒ x~ i sont variables de base

ββ==αα−−ββ⇒⇒x~i sont variables hors base
i ∈∈
Si B inversible, alors { Bj } forment une base du système
~
A x~ == b ⇔⇔ ((N B )) x N 
 == b
 B  x
lle x =0, l’origine)

B ⇒ x
−1 −1
On pose : xN ==0 et en multipliant les deux termes par B b B
=
n e
on
Comme I m est inversible, on a une solution de base admissible initiale (
Pour une base donnée : ( A | I )  = b ⇒ x = a x t=i0 et x = e = b

x
m
ér N B
max z = c Oxp + c x
e
he  x  = b
max z = cx + 0 e N N B B
max z = c x + c x
sc r c( N | I ) 
N N B B
 x
sc ( A | I )   = b
e
N
h  sc Nx + x = b
c
N B
e  x 
D’où, x = b − NxRe⇔ x
B
B N
=b − N x Bi i i N
Solution de base : xB vecteur déterminé en :
Choisissant une base B

xN=0
xB = b –N xN
29
Définitions
Solution admissible :
solution qui satisfait toutes les contraintes
ll e
Solution de base admissible :
i onne
t
solution admissible et qui est positive
ér a
Solution optimale : Op
e
er ch qui maximise la fonction objectif ;
h
solution de base admissible
Rec
Solution de base dégénérée :
solution de base dans laquelle au moins une variable de base est

nulle.
Exercice 6 :
Une usine fabrique 2 pièces P 1 et P 2 usinées dans 2 ateliers A 1 et A 2

Les temps d'usinage sont :
pour P1 : de 3 heures dans l'atelier A 1 et de 6 heures dans A 2
le dans A
3 lheures
et de e
nne
pour P2 : de 4 heures dans l'atelier A 1 2
ra t io A
Le temps de disponibilité hebdomadaire de l'atelier 1 est de 160
O
heures et celui de l'atelier A 2 pé heures.
de 180
he dhspour une pièce P
er c
La marge bénéficiaire est de 1200 1 et 1000 dhs
pour une pièce P2. ch
Re
Problème : Quelle production de chaque type doit-on fabriquer
pour maximiser la marge hebdomadaire ?
Modélisation mathématique de l’énoncé 6

Variables économiques ou de décision :
x1 = quantité de pièces P 1 à fabriquer

x2 = quantité de pièces P 2 à fabriquer
La forme canonique la forme standard
max z = 1200 x1 + 1000 x2 max z = 1200 x1 + 1000 x2 + 0e1 + 0e2
sc sc
e
+ eel l+ 0
3 x1
n n+ 4 x2 = 160
+ 3 xi o + 0 + e
3 x1 + 4 x2 ≤ 160 1
t
6
ér ax , e , e
6 x + 3 x2 ≤ 180  x1 2 2
= 180
 1
p
x , ≥ 0
O
x , x ≥ 0  1 2 1 2
 1 2
he standardest la suivante :
er c
D’où l’écriture matricielle de la forme
h
x1 
c

 
Re de ces variables
 x2 
( max z = 1200 1000 0 0 )
Signification économique 


e1 

 e 2 
d’écart : sc
 x1 
Il s'agit de la capacité horaire disponible et  3 4 1 0 

 x2

 =  160 
 6 3 0

1  e   180 
non utilisée dans chacun des ateliers A1 et A2   1
 e


 
 2 
x 1 , x 2 , e1 , e 2 ≥ 0
30
max z = 1200 x1 + 1000 x 2 + 0 e1 + 0 e2
Tableau initial Second membre des sc
contraintes
Variables Hors Base + 4 x2 + e1 +0 = 160
3 x1
Variables de décision Variables d’écart  + 3x2 +0 + e2 = 180

 6 x1

HB C  x1 , x2 , e1 , e2 ≥ 0
Var iables de Base
x1 x2 e1 e2
B
Déterminons une solution de base
e1 3 4 1 0 160 admissible initiale :
On attribue une valeur nulle à la
ll e
e2 6 3 0 1 180
nne
marge globale : les variables Hors
Base (HB) sont nulles x1=0 et x2 =0,
-z 1200
t i o 1000 0 0 0
c’est la solution de base admissible
ér a on fabrique 0 pièces P
coefficients Coefficients de la valeur de la de départ
Op
fonction économique
des contraintes
et 0 fonction économique
1
h e pièces P : aucun intérêt pratique
r c est :
2
h0,e160,
La solution de base admissible initiale Les valeurs des variables dans la
e c
( x , x , e , e ) = (0, 180)
Rla valeur de – . Donc la
1 2
Base (B) sont données par :
1 2
La dernière cellule donne z  e = 160 − 3 x − 4 x = 160 1 1 2
marge z =0. en effet : z = 120 x1 + 100 x2 = 0  = 180 − 6 x1 − 3x2 = 180

e2
La solution n’est pas optimale.0On recherche
0 donc Elle se lisent dans la colonne C
une solution de base meilleure : autre itération. e1 = 160 et e 2 = 180
La dernière ligne donne les valeurs marginales (ou
il reste 160 h d'utilisation
taux de substitution) des variables hors base possible de A1 et 180 h de A2
x1 x2 e1 e2 C R
Déterminons une autre e1 3 4 1 0 160 160/3
solution de base e2 6 3 0 1 180 180/6
admissible
-z 1200 1000 0 0 0
La solution de base admissible initiale est ( x1,x2 ,e1,e 2)=(0,0,160,180) avec z = 0
La dernière ligne donne les valeurs marginales ou taux de substitution :
Si x1 = 1, x2 = 0, e1 = 160, e2 =180 alors, z = 1200 dhs
une augmentation de 1 unité de x1 ferait croître la fonction objectif de 1200 dhs,
le
nel
Si x1 = 0, x2 = 1, e1 = 160, e2 =180alors, z = 1000 dhs
o n
une augmentation de 1 unité de x2 ferait croître la fonction objectif de 1000 dhs.
at i le plus
On a intérêt à augmenter la valeur de la fonction objectif
ércoefficient
rapidement possible
x p
donc à augmenter la variable ayant le plus grand strictement positif (cas
de maximisation) de la dernière ligne : O variable entrante dans la base
he
1
 3 x + e = 160  e = 160 −e3rxc≥ 0  x ≤ 160 3  ≤

Supposons x augmente et x = 0, alors 1 2
h 180 160 
ec
1 1 1 1 1
6 x + e = 180 e = 180
⇒ − 6 x ≥ 0 ⇒  x ≤ 180 6 ⇒  x mi  6 , 3  ⇒ 0 ≤ x ≤ 180
 Rx ≥ 0
1
 1  2 2
n  1
 1 1
 x , e , e ≥ 0  x ≥ 0  x ≥ 0 6
1 1 2 1 1 1
On a intérêt à prendre le maximum de x1 (les variables hors base restant nulles) :

x1=30. La deuxième contrainte sera saturée e 2=0 :e 2 variable sortante de (B).
6 x1 + 3 x 2 + e2 = 180 ⇒ x1 = 30
z = 36000 dhs, en effet :
z = 120 x1 + 100 x2 = 120 × 30 = 3600
0 0 0 0
On augmente la fonction objective en faisant entrer une variabledans la base

prenant la place d'une variable qui va sortir de la base.
Critère de sélection
Variable entrante dans (B) Variable sortante de (B)
on exprime la fonction objectif en fonction des On effectue le rapport des seconds membres
seules variables hors base et on choisit la variable des contraintes aux coefficients strictement
pondérée par le cœfficient strictement positif le positifs correspondants de la variable entrante
plus élevé : on sélectionne la variable HB ayant le : on sélectionne la variable de la base ayant le
plus grand coefficient strictement positif dans la plus petit rapport positif dans la colonne R
dernière ligne
e
Le rapport des coefficients de la colonne C par les
n n ell Règle
o Les coefficients
at i pivot
coefficients strictement positifs de la colonne de la
Le pivot doit être égal à 1
r
variable entrante dans la base ( x 1) de la ligne du
é
Op
sont divisés par le pivot
Le pivot est égal à 6
Ligne de pivot
e2 sortant dans la base
he R
Les coefficients de la colonne
e rcC
du pivot (sauf le pivot)sont nuls
e
e
HBx x
h
B 11 2 1 2
Les autres coefficients sont
11 c
e 1 30
61
4
5/2
3 R
00
e 0
- 1/2
1
160
70
180
160/3
180/6
obtenus par la règle du rectangle
e 2 1/2 1/6 30 pivot Lpivot
-z 1200
0 400
1000 00 - 200
0 - 36000
0 ××
x1 entrant de la base ÷÷
Colonne de pivot
−−
Cpivot Av
Nv: nouvelle valeur Av : ancienne valeur
Nv ==Av −−(Cpivot÷÷Pivot) ×× Lpivot
Cpivot: colonne pivot Lpivot: ligne ivot
31
HB
B x1 x2 e1 e2 C R Les variables hors base sont nulles :
x2 = 0, e 2 = 0
e1 3 4 1 0 160 160/3
on fabrique 0 pièces P 2 et il reste
e2 6 3 0 1 180 30
0 h d'utilisation disponible à A 2
-z 1200 1000 0 0 0
Tableau 1 La contrainte associée à e 2 est
HB
B x1 x2 e1 e2 C saturée.
e1 0 5/2 1 - 1/2 70 La nouvelle solution de base réalisable
1 1/2 0 1/6 30
ll e
x1 est : ( x1, x2 , e1, e 2) = (30, 0, 70, 0)
nne
-z 0 400 0 - 200 - 36000 on fabrique 30 P 1 et il reste 70h
t i o d'utilisation disponibles à A 1
érxa la marge est égale à z =36 000 dhs

La dernière ligne donne les valeurs marginales :
 100 x = 3600 − 200e +p400

180 − e − 3x  +
z = 120 
O
2 2
2 2 2
x ,ici oneaugmente la production de 1 pièce de P2, ferait

0  6  0 0
Une augmentation de 1 unité de h
croître la fonction objectif de 400 dhs,retcune augmentation de 1 unité dela variable d’écart
2
e
hmembre de l'équation correspondante de 1unité, ici on
diminue la disponibilité deR
2
1e
e (c-à –d, diminution du second c
h à A2) ferait diminuer la fonction objectif de 200 dhs
On a intérêt a augmenter x2 : x2 variable entrante dans la base
 e1 = 70 − 5 2 x 2 ≥ 0  x2 ≤ 28
 ⇒  ⇒ x2 ≤ 28
 x1 = 30 − 1 2 x2 ≥ 0  x2 ≤ 60
e1 est la variable sortante de la base
x1 x2 e1 e2 c R
e1 0 5/2 1 -1/2 70 28 Les variables hors base sont nulles
x1 1 1/2 0 1/2 30 60 (Les contraintes associées sont
saturées) : e 1=0 et e 2=0
-z 0 400 0 -200 -36000

il reste 0 h d'utilisation
Tableau final
x1 x2 e1 e2 c
disponible aux ateliers A 1 et A 2
x2 0 1 2/5 -1/5 28
La nouvelle solution de base réalisable
x1 1 0 -1/5 4/15 16 est : ( x1, x2 , e1, e2) = (16, 28, 0, 0)
le
-z 0 0 -160 -120 -47200 on fabrique 16 pièces P 1 et 28
Pour augmenter e 1 d’une unité, il faut :
on nel
pièces de P 2
• diminuer x2 de 2/5
ér aEtt lai marge est égale à 47 200 dhs
Op
• diminuer x1 de (-1/5)
he
La variation correspondante de la fonction économique : -(-1/5) 1200-(2/5) 1000 = -160
h erilcfaut : la fonction objectif

D’où, augmenter e d’une unité diminuerait
1 de 160 dhs
• diminuer x de (-1/5)Re
c
Pour augmenter e d’une unité,
2
2
• diminuer x1 de 4/15
La variation correspondante de la fonction économique :
-(4/15) 1200-(-1/5) 1000 = -120
D’où, augmenter e 2 d’une unité diminuerait la fonction objectif de 120 dhs
On retrouve ainsi la solution optimale de la résolution graphique.
Interprétation graphique de la méthode

du simplexe
A = (0,0) et z = 0 dhs
e
nn ell B = (30,0) et z =36 000 dhs
o
at i
60
pér et z = 47 200 dhs

50
C =O(16,28)
he
40
er c Donc C est l’unique solution optimale et

C
h
30
c
Re
20
10 z = 47 200 dhs max

B
A 10 20 30 40 50 60
32
Critères d'arrêt des itérations de la méthode du simplexe
lors de la résolution d’un problème de maximisation
Si tous les coefficients de la dernière ligne, relatifs aux variables HB, sont négatifs ou
nuls, l’algorithme s’arrête et la solution trouvée est optimale.
x1 x2 e1 e2 c
x2 0 1 2 -1 20
ll e
x1 1 0 -1 2,5 6
nne
-z 0 0 -160 -80 -40
t i o
S'il existe une variable HB (non artificielle) ayant un coefficient positif dans la dernière
ér a
ligne et telle que tous les coefficients correspondants dans le tableau soient nuls ou négatifs,
alors la solution est infinie
Op
x1 x2 e1 e2 c
e
ch
e1 0 -2 1 -1 20
h e
x1
r 1 0 0 2,5 3
Rec
-z 0 16 0 -3 -32
Si, à la fin des itérations, une variable est HB avec un coefficient nul dans la dernière
ligne, alors on a une arête (plan …) optimale. Les autres sommets solutions sont obtenus en
faisant rentrer cette variable dans la base. x1 x2 e1 e2 c
x2 0 1 2/5 -1/5 28
x1 1 0 -1/5 4/15 16
-z 0 0 0 -120 -47200
Problèmes rencontrés lors de la résolution d’un

problème de maximisation par la méthode de simplexe
On suppose que la contrainte de non négativité est toujours vérifiée.

L’origine est une solution de base admissible quand toutes les contraintes sont de type . ≤
et le second membre est non négatif. Si l’origine n’est pas unesolution de base initiale, il
faut ou bien trouver une autre solution de base de départ ou montrer qu’une telle solution
n’existe pas.
le
nel
Si un second membre est négatif
2 x1 − 4 x 2 + 3 x 3 ≥ −5
o n
− 2 x + 4 xat−i3 x ≤ 5
Exemple :
ér
On multiplie la contrainte par (-1) :
O≥p
1 2 3
Si au moins une contrainte est de type
+ − ≥
he
er cet une variable artificielle :
Exemple : x 1 2 x 2 4 x 6
3
h
On rajoute une variable d’écart x + 2x − 4 x3 − e1 + v1 ≥ 6
c est de type =
1 2
R e
Si au moins une contrainte
Exemple : 3x1 − x2 + 5x3 = 8
On rajoute une variable artificielle : 3x1 − x2 + 5 x3 + v1 = 8
N.B. : l’algorithme doit, tout d’abord, permettre de mettre hors base chaque variable artificielle
afin qu’elle soit nulle lorsqu’on atteindra la solution optimale(phase I du simplexe), sinon le
problème n’aura aucune solution. Puis on passe à la phase II du simplexe.

Lors de la détermination de la variable entrante, nous sommes enprésence d’au moins

deux variables hors base ayant le même et le plus élevé coefficient strictement
positif dans la dernière ligne !
On choisit comme variable entrante celle qui permet d’augmenter le plus la valeur
de la fonction économique
e
ell
x1 x2 x3 e1 e2 e3 c
Si x1 est entrante, alors e 1 est sortante et
n n
e1 1 2 5 1 0 0 3
z augmente de 3×1 3 = 9
io
r at
e2 3 1 3 0 1 0 10
Si x2 est entrante, alors e est sortante et
3
é
8× 3 e3 2 8 1 0 0 1 8
p
z augmente de =3
D’où on choisit x comme variableO
8 -z 3 3 2 0 0 0 0
e
entrante
ch sortante, nous sommes enprésence d’au moins

1
deux variables de base ayanteler même et le plus petit rapport positif dans la dernière
Lors de la détermination de la variable
colonne ! (on peut ici ech

Rrencontrer le problème de cyclage: passage d’une solution de
base à une autre sans amélioration de la valeur de la fonction objectif)
On choisit comme variable sortante celle qui x1 x2 x3 e1 e2 e3 c R
permet de rendre le plus rapidement possible e1 1 2 5 1 0 0 4 2
négatifs les coefficients de la fonction e2 3 4 3 0 1 0 8 2

économique. Un zéro apparaîtra obligatoirement e3 2 4 1 0 0 1 12 3
dans la colonne C : il y a du travail à faire -z 2 3 1 0 0 0 0
33
Exercice 4
déjà traité par la méthode graphique et par le solveur d’Excel
Un raffineur dispose de deux bruts pour fabriquer de l’essence,du gazole

et du fuel lourd.
Les rendements de ces deux bruts sont les suivants :
ll e
Brut A B
Essence 0,2
i onne 0,4
t
ér a
Gazole 0,4 0,2
Fuel lourd Op 0,4
0,4
hAeprocure une recette de 140 UM Le
erBcprocure une recette de 150 UM
Le traitement d’une tonne de brut
traitement d’une tonne de h
Redec stockage, la fabrication de chaque produit est
brut
Du fait des contraintes
limitée de la manière suivante: Essence: 1 200 t, Gazole: 1200 t, Fuel
lourd: 1400 t.
Quelles quantités de ces pétroles bruts devra t-on traiter pour maximiser
la recette?
Variables économiques ou de décision :
x1 = quantité de brut A à traiter

x2 = quantité de brut B à traiter
La forme canonique la forme standard
max z = 140 x 1 + 150 x 2 max z = 140x1 + 150x2 + 0e1 + 0e2 + 0e3
le
nel
sc sc
on
at i
 0 .2 x 1 + 0 .4 x 2 ≤ 1200 0.2 x1 + 0.4 x2 + e1 + 0 + 0 = 1200
ér
 + 0 .2 x 2 ≤ 1200 0.4 x + 0.2 x + 0 + e + 0 = 1200
 0 .4 x 1
Op
 1 2 2
 + 0 .4 x 2 ≤ 1400  + 0.4 x2 + 0 + 0 + e3 = 1400
 0 .4 x 1 0.4 x1
he
er c
x1 ≥ 0 , x 2 ≥ 0 x1, x2 , e1 , e2 , e3 ≥ 0
ch
Re
Signification économique de ces variables d’écart :
Il s'agit de la capacité de stockage de l’essence, gazole et fuel lourd
Résolution par la méthode de simplexe

x1 x2 e1 e2 e3 C
0,2 0,4 1 0 0 1200

Tableau init ial
e2 0,4 0,2 0 1 0 1200

e
e3 0,4 0,4 nnell 1
0 0 1400
t io
0 ra 0
-z 140 150
pé 0 0
O
e
ch
cher
Re
34
Résolution par la méthode de simplexe
Tableau int er médiair e
x1 x2 e1 e2 e3 C
e1 0,2
0,5 0,4
1 1
2,5 00 0
0 1200
3000
0,4 0,2 0 1 0 1200
x2 0,3 0 -0,5
e0 1 600
0,4 0,4 nnell 11
0 0 1400
t io
e3 0
0,2 0 -1 200
0 ra 0
-z 140
65 150
0 -375
pé 0 0 0
-450000
O
x he e
x
c e e C
he1r
1 2 1 2 3
Tableau f inal
x2 0
Rec 5 0 - 2,5 2500
e2 00 0 01 1 1 - 1,5 1 - 1,5 300
x1 1 0 -5 0 5 1000
-z 0 0 - 50 0 - 325 - 515000
Analyse de la solution optimale

(x1 , x2 )= (1000 , 2500)
BRUT A BRUT B
TOTAL
Rendement Quantit é Rendement Quantit é
le
ne500l
Essence 0.2 200 0.4 1000 1200
Gazole 0.4 400 0.2
i on 900
Fuel lourd 0.4 400 r at
é0.4 1000 1400
Total 1 1000 Op 1 2500 3500
h e
er c
ch effective Production maximum
Re
Brut Production Écart
Essence 1200 1200 0
Gazole 900 1200 300
Fuel lourd 1400 1400 0

Logic
Simp iel
lex e
e
nnell
t io
pér a
O
r che
e
ch
Re
35
ll e
i onne
t
ér a
Op
e
er ch
h
Rec

le
onnel
ér at i
Op
he
h er c
c
Re

e
nnell
t io
pér a
O
r che
e
ch
Re
36
ll e
i onne
t
ér a
Op
e
er ch
h
Rec

le
onnel
ér at i
Op
he
h er c
c
Re

e
nnell
t io
pér a
O
r che
e
ch
Re
37
ll e
i onne
t
ér a
Op
e
er ch
h
Rec

le
onnel
ér at i
Op
he
h er c
c
Re

e
nnell
t io
pér a
O
r che
e
ch
Re
38
ll e
i onne
t
ér a
Op
e
er ch
h
Rec

le
onnel
ér at i
Op
he
h er c
c
Re

e
nnell
t io
pér a
O
r che
e
ch
Re
39
Recherche d’un minimum : passage au
programme dual
Faute du choix de la solution de base admissible de départ, la
recherche du minimum d’un programme linéaire avec des
lle classique
nne
contraintes de supériorité n’est pas facile. La méthode
io variables d’écart des

mais délicate consiste à rajouter en plus tdes
a
ér
Olap méthode utilisant la notion de
variables artificielles. Cependant,
h e
dualité est astucieuse.er c
c h
Re
De point de vu mathématique, la dualité nous permet de résoudre ce
type de problème et nous apporte des interprétions économiques
intéressantes
Passage du programme primal au programme

dual et interprétation économique du dual
A tout programme linéaire primal correspond un programme linéaire dual

m ax z = c1 x1 + c2 x 2 + L + c n x n min w = b1 y1 + b2 y 2 + L + bm y m
 a 11 x 1 + a 12 x 2 + L + a 1 n x n ≤ b1  a 11 y 1 + a 21 y 2 + L + a m 1 y m ≥ c1
a x + a x + a y + a y +
21 1 22 2 L + a 2 n xn ≤ b2 12 1 22 2 L + am2 ym ≥ c2
 
sc M sc M
a x + a x + a y + a y +
L + a mn x n ≤ b m L + a mn y m ≥ cn
le
 m1 1 m2 2
 1n 1 2n 2
nel
 x 1 , x 2 , L , x n ≥ 0  y 1 , y 2 , L , y m ≥ 0
on
at i
On associe à chacune des contraintes du primal une nouvelle variable yi ( i = 1,…,m )
ér
dite variable duale et c’est une inconnue du programme dual. Celui-ci comporte
Op
autant d’inconnues que le primal a des contraintes ;
he
Le problème de maximisation devient un problème de minimisation ;
er c
La fonction objectif du dual est une fonction linéaire dont les coefficients sont
donnés par les facteurs disponibles
ch bi ( i = 1,…,m) ;
à chaque variable xj ( j = Re
Les inégalités ≤deviennent des inégalités
1,…,n
; ≥
) du primal correspond une contrainte du dual ; ces
contraintes sont obtenues à partir de la matrice transposée des contraintes du
primal ;
le terme constant de la contrainte j étant donné par le cœfficient cj de la fonction
objectif du primal ;
….
Théorème de dualité
A l'optimum , le primal et le dual sont liés par les règles suivantes :
Primal Dual
La valeur optimale de la fonction objectif z = La valeur optimale de la fonction objectif w
le taux marginal de substitution d’une = à l’opposé de la valeur optimale de la

e
variable hors base
n n ell variable de base associée
t io hors base associée

la valeur optimale d’une variable de base = à l’opposé du taux marginal de substitution
élar avaleur optimale de la variable

de la variable
la i contrainte est non saturée

ième
p
O correspondante est nulle y = 0
e
hest
c
i
la i contrainte
ième
he r
correspondante la valeur optimale d‘une variable y >0
ec x
i
saturée
R
la valeur optimale d’une variable >0 la j j contrainte correspondante
ième
est
saturée
la valeur optimale de la variable la j ième

contrainte est non saturée
correspondante xj = 0
40
Passage du tableau final du primal au
tableau final du dual et vice versa
Primal Dual
La variable de décision xj en base (xj > 0) La variable d’écart tj hors base ( tj = 0)
La variable xj de décision hors base ( xj = 0) La variable d’écart tj en base (tj > 0)
ll e
La variable d’écart ei en base (ei > 0)
i onne La variable de décision yi hors base ( yi = 0)
aLat variable de décision y en base (y > 0)

pér
La variable d’écart e hors base ( e = 0) i i i i
O
he
Ligne en base
x Colonne t hors base Signe opposée
c
j j
Ligne e en base
her Colonne y hors base Signe opposée
c
i i
Colonne x hors base jR e Ligne t en base Signe opposée j
Colonne ei hors base Signe opposée Ligne yi en base
Colonne second membre Signe opposée Taux marginaux de substitution
Taux marginaux de substitution des Signe opposée

Colonne second membre des variables de
variables hors base base associées
Exercice 6: déjà traité

Problème de maximisation - Problème Primal
Une usine fabrique 2 pièces P 1 et P 2 usinées dans deux ateliers A 1 et A 2 . Les temps
d'usinage sont :
pour P2 : de 4 heures dans l'atelier A

le
el160
1 et de 3 heures dans A 2
Le temps de disponibilité hebdomadaire de l'atelier A

on nde
est heures et celui de
t i : 1200 dhspour P
1
l'atelier A
r
de 180 heures. Les marges bénéficiairesaunitaires et
pé
2 1
1000 dhspour P . 2
O
e fabriquer pour maximiser la marge
ch
Quelle production de chaque type doit-on
hebdomadaire ?
h e r
x : quantité de pièces P à c
efabriquer par semaine max z 1200 x 1000 x
= +
x : quantité de pièces PRà fabriquer par semaine
1 1 1 2
2 2 sc
La résolution par Excel donne : + 4 x2 ≤
 3 x1 160
En fabriquant chaque semaine 16 pièces de P 1 ( x1 = 6
 x1 + 3x2 ≤ 180
16) et 28 pièces de P 2 ( x2 = 28), l’usine réalisera un
 x1 , x2 ≥ 0
bénéfice de 47 200 dhs 
Problème de minimisation associé - Problème dual

Une usine fabrique 2 pièces P 1 et P 2 usinées dans deux ateliers A 1 et A 2. Les
temps d'usinage sont :

Le temps de disponibilité hebdomadaire de l'atelier A 1 est de 160 heures et

celui de l'atelier A 2 de 180 heures.
e
L’usine facture, au moins, 1200 dhs
nell
pour une pièce P 1 et 1000 dhspour une
n
io
pièce P2. L’usine cherchera à minimiser le montant de la facturation
t hebdomadairede
ér a
correspondant à l’utilisation totale de la capacité chaque
atelier. p
O(en dhs)
he
y : prix horaire de l’Atelier A
er c A (en dhs)
1 1
y :prix horaire de l’Atelier
min w = 160y1 +180y2
2
h
c :
La résolution par Exceledonne
2
3y1 + 6 y2 ≥ 1200
R
En fixant un tarif horaire de 160 dhs( y = 160) pour 
sc 4 y + 3y ≥ 1000
1
 1 2
l’Atelier A 1 et de 120 dhs( y2 = 120) pour l’Atelier A 2, y , y ≥ 0
l’usine épuisera toutes les disponibilités horaires  1 2
hebdomadaires des deux Ateliers avec une facture de 47 200 dhs
41
Programme Primal Programme Dual
max z = 1200 x 1 + 1000 x 2 min w = 160 y 1 + 180 y 2

 3 x 1 + 4 x 2 ≤ 160  3 y 1 + 6 y 2 ≥ 1200
 6 x + 3 x ≤ 180  4 y + 3 y ≥ 1000
sc  1 2 sc  1 2
x , x ≥ 0 y , y ≥ 0
 1 2  1 2
e
ell : écriture en colonne
nnPrimal
t i o
ér a
Op
e y2
er cyh1 max
Dual : écr it ur e en ligne
ch
Re1
x 3 6 ≥ 1200
x2 4 3 ≥ 1000
≤ ≤
min 160 180
max z = 1200 x1 + 1000 x 2 + 0 e1 + 0 e2 min w = 160 y1 + 180 y 2

Résolution
par 3 x1 + 4 x 2 + e1 +0 = 160 3 y1 + 6 y 2 ≥ 1200
 
simplexe sc 6 x1 + 3 x 2 +0 + e2 = 180 sc  4 y1 + 3 y2 ≥ 1000
x , x , e1 , e2 ≥ 0  y1 , y2 ≥ 0
 1 2 
Tableau final du programme primal
HB Interprétation : A l’optimum,
x1 x2 e1 e2 c
B
x2 0 1 2/5 -1/5 28
La variable de base x1 = 16 donc le taux marginal de
x1 1 0 -1/5 4/15 16
substitution de la variable d’écart t1 est égal à -16 et la
le
valeur de t1 est nulle ( t1 hors base)
nel
-z 0 0 -160 -120 -47200
La variable de base x2 = 28 donc le taux de substitution
Tableau final du programme dual
o n
t ibase)
de la variable d’écart t2 est égal à -28 et la valeur de t2
ér a de substitution de la variable d’écart

HB y1 y2 t1 t2 c
B est nulle ( t hors 2
Le taux p
O
y2 0 1 -4/15 1/5 120
marginal
ehors base e est égal à -160 donc la variable de base

y1 1 0 1/5 -2/5 160
ch y = 160
1
r
-w 0 0 -16 -28 -47200
e
ch
1
Re
Le taux marginal de substitution de la variable hors base
A l’optimum, on a : e est égal à -120 donc la variable de base y = 120
2 3
z = w = 47200 dhs Les deux contraintes du dual sont saturées, donc les
(x1 , x2) = (16 , 28) deux valeurs optimales du dual sont non nulles, ainsi, les
(y1 , y2) = (160 , 120) contraintes du primal correspondantes sont saturées.
Exercice 4: déjà traité

Problème de maximisation - Problème Primal
Un raffineur dispose de deux bruts pour Brut A B

fabriquer de l’essence, du gazole et du fuel lourd. Essence 0,2 0,4
Les rendements de ces deux bruts sont les
suivants : Gazole 0,4 0,2
Fuel lourd 0,4 0,4
e
Le traitement d’une tonne de brut A procure une
recette de 140 (UM). Le traitement d’une tonne
de brut B procure une recette de 150 (UM).
n n ell
t io produit est limitée de la
ér at, Fuel lourd: 1400 t.
Du fait des contraintes de stockage, la fabrication de chaque
manière suivante: Essence: 1 200 t, Gazole: 1200
Quelles quantités des pétroles Bruts devraO
p
x : quantité de brut A à traiter h
e t-on traiter pour maximiser la recette?
1
x : quantité de brut B à h e r c
c traiter
Redonne :
2
La résolution par Excel ma z = 14 x + 15 x 1 2

x 0 0 + 0 .4 x 2 ≤
En traitant 1000 t du Brut A( x1 = 1000) et  0 .2 x1 120
 0 .4 x + 0 .2 x 2 ≤ 0120
2500 t du Brut B ( x2 = 2500 )le raffineur sc  1
 0 .4 x + 0 .4 x 2 ≤ 0140
réalisera une recette de515 000 (UM)  1
0
 x 1 ≥ 0 , x2 ≥ 0
42
Problème de minimisation associé - Problème dual
Le problème est de fixer les prix des produits : Un client cherchera
à minimiser le coût d’achat de l’ensemble des produits. Le
raffineur n’acceptera de vendre les produits que si la recette
nel lle qu’il

obtenue de cette vente est au moins égale au bénéfice
obtient en traitant les bruts.

at ion
Mise en équation : O pér
e min w = 1200 y1 + 1200 y2 + 1400 y3
y1 : prix de l’essence (en er ch
h UM) 0.2 y1 + 0.4 y2 + 0.4 y3 ≥ 140
Re
y2 :prix du gazole (en cUM) sc 0.4 y + 0.2 y + 0.4 y ≥ 150
 1 2 3
y3 :prix du fuel lourd (en UM) y , y , y ≥ 0
 1 2 3
La résolution par Excel donne :
y1 = 50 (UM), y2 = 0 (UM), y3 = 350 (UM) et w = 515 000 (UM)
Programme Primal Programme Dual

max z = 140 x 1 + 150 x 2
+ 0 .4 x ≤ 1200 min w = 1200 y1 + 1200 y 2 + 1400 y 3

 0 .2 x1 2
 0 .4 x + 0 .2 x ≤ 1200  0 . 2 y1 + 0 . 4 y 2 + 0 . 4 y 3 ≥ 140
sc  1 2
 0 .4  0 . 4 y + 0 . 2 y + 0 . 4 y ≥ 150
x1 + 0 .4 x ≤ 1400 sc  1 2 3
 2
y , y , y ≥ 0
 x 1 , x 2 ≥ 0  1 2 3
e
n ell : écriture en colonne
nPrimal
o
ér at i
Op
y1 chey2 y3 max
e r
Dual : écr it ur e en ligne
xc h
Re1
0. 2 0.4 0.4 ≥ 140
x2 0.4 0.2 0.4 ≥ 150
≤ ≤ ≤
min 1200 1200 1400
max z = 140x1 + 150x2 + 0e1 + 0e2 + 0e3

Résolution min w = 1200 y1 + 1200y2 + 1400y3
par 0.2 x1 + 0.4 x2 + e1 = 1200 0.2 y1 + 0.4 y2 + 0.4 y3 ≥ 140
0.4 x + 0.2 x + e = 1200
simplexe  1 2 2

sc 0.4 y1 + 0.2 y2 + 0.4 y3 ≥ 150
sc  + + =
0.4 x1 0.4 x2 e3 1400
y , y , y ≥ 0
 1 2 3
 x1, x2 , e1, e2 , e3 ≥ 0
Tableau final du programme primal Interprétation : A l’optimum,
HB x x2 e1 e2 e3 c
B 1
La variable de base x1 = 1000 donc le taux marginal
e de substitution de la variable d’écart

x2 0 1 5 0 -2,5 2500 t1 est égal à
nell -1000 et la valeur de t1 est nulle ( t1 hors base)

e2 0 0 1 1 -1,5 300
n
t io
x1 1 0 -5 0 5 1000
La variable de base x2 = 2500 donc le taux de
ér a
-z 0 0 -50 0 -325 -515000 substitution de la variable d’écart t2 est égal à

O p -2500
he
HB y La variable d’écart de base e2 = 300 (correspondant
y2 y3 t1 t2 c
c
B
à la contrainte non saturée du primal) donc le taux
1
y3 0
e r1,5 1 -5 2,5 325
ch
marginal de substitution de la variable de décision
Re
y1 1 -1 0 5 -5 50
y2 est égal à -300 donc la valeur de y2 est nulle
-w 0 -300 0 -1000 -2500 -515000
Le taux marginal de substitution de la variable
A l’optimum, on a : d’écart hors base e1 est égal à -50 donc la variable
z = w = 515000 dhs de base y1 = 50
Le taux marginal de substitution de la variable
(x1 , x2) = (1000 , 2500) d’écart hors base e3 est égal à -325 donc la
(y1 , y2 , y3) = (50 , 0 , 325) variable de base y3 = 325
43
y1 y2 y3 t1 t2 c
y3 0 1,5 1 -5 2,5 325
y1 1 -1 0 5 -5 50
-w 0 -300 0 -1000 -2500 -515000
Pour augmenter d’une unitéla valeur du brut A, il faut :

diminuer le prix de l’essence y1 de 5;
diminuer le prix du fuel lourd y3 de (-5).
ll e
La variation de revenu est donc: -1200(5) -1400(-5) = 1000
Le coefficient de t 1 dans la fonction économique est bien -1000.
i onne
t
ér a
Pour augmenter d’une unitéla valeur du brut B, il faut
diminuer le prix de l’essence y1 de (-5)
Op
e
ch
diminuer le prix du fuel lourd y3 de (2,5)
La variation de revenu est : -1200(-5) -1400(2,5) = 2500
h er
Rec
Le coefficient de t 2 dans la fonction économique est bien -2500.
Un accroissement d’une unitéde y2 conduit à:
une diminution du prix de l’essence y1 de (-1);
une diminution du prix du fuel lourd y3 de 1,5.
la variation de revenu est: -1200 (-1) + 1200 (1) -1400 (1,5) = 300
Le coefficient de y 2 dans la fonction économique est bien -300.
Exercice 7 :
Une usine de confection produit des tee-shirts, des chemises et des pantalons. Elle
comprend quatre ateliers :
Atelier A 1 (teinture): 2UTM pour un tee-shirt, 2UTM pour une chemise et 3UTM pour un pantalon
Atelier A 2 (tissage): 1UTM pour un tee-shirt, 3UTM pour une chemise et 4UTM pour un pantalon
Atelier A 3 (couture): 3UTM pour un tee-shirt, 4UTM pour une chemise et 2UTM pour un pantalon
Atelier A 4 (retouches, emballages et envois): 4UTM pour un tee-shirt, 3UTM pour une chemise
et 3UTM pour un pantalon
le
nel
Les capacités de production journalières de ces ateliers sont limitées à 900 UTM dans l’Atelier A 1,
1040 UTM dans l’Atelier A

o n2, 1200 UTM dans l’ Atelier A et de 910 UTM dans l’Atelier A 4.
at i (UM) pour un tee-shirt, 7

3
UM pour une chemise et 10 UM pour un pantalon. ér

On sait également que les profits unitaires sont de 6 unités monétaires
O p
Travail à faire :
ede simplexe. Vous pourrez ainsi répondre aux
Vous formalisez un programme de programmation linéaire et présentez les
r ch
différents tableaux de l’algorithme primal
questions suivantes
h ejournalier
c
Rede combien faudrait-il réduire cette production pour produire 4 tee-
1. Quel est le programme de production optimal? Commentez
2. Si on produit 260 pantalons,
shirts ? Justifiez votre réponse.
3. En partant d’une production journalière de 260 pantalons, a-t-on intérêt à réduire cette production
pour produire une chemise ? Justifiez votre réponse.
4. Quel est le problème dual ? Expliquez sa signification économique. Donnez-en les principaux résultats
en vous contentant d’utiliser les résultats du problème primal.
La forme canonique du Primal : La forme standard du primal :

max z = 6 x 1 + 7 x 2 + 10 x 3 max z = 6 x 1 + 7 x 2 + 10 x 3 + 0 e1 + 0 e 2 + 0 e 3 + 0 e 4
 2 x 1 + 2 x 2 + 3 x 3 ≤ 900  2 x 1 + 2 x 2 + 3 x 3 + e 1 = 900
 x + 3 x + 4 x ≤ 1040  x + 3 x + 4 x + e = 1040
1 2 3 1 2 3 2
 
sc  3 x 1 + 4 x 2 + 2 x 3 ≤ 1200 sc  3 x 1 + 4 x 2 + 2 x 3 + e 3 = 1200
 4 x + 3 x + 3 x ≤ 910  4 x + 3 x + 3 x + e = 910
1 2 3
  1 2 3 4
 x 1 , x 2 , x 3 ≥ 0  x 1 , x 2 , x 3 , e 1 , e 2 , e 3 , e 4 ≥ 0
x1 x2 x3 e1 e2 e3 e4 C R
x1 : nombre de tee-shirts àproduire par jour
e1 2 2 3 1 0 0 0 900 900/3
x2 : nombre de chemises àproduire par jour
e x3 : nombre de pantalons àproduire par jour
ell
e3 1 3 4 0 1 0 0 1040 1040/4
nn 1. Le programme de production optimal :

e3 3 4 2 0 0 1 0 1200 1200/2
t io
e4 4 3 3 0 0 0 1 910 910/3
40 tee-shirts ( x1=40),
ér a
-z 6 7 10 0 0 0 0 0
aucune chemise ( x2=0) et
x1 x2 x3 e1 e2
Op
e3 e4 C R 250 pantalons ( x3 =250)
he
e1 5/4 -1/4 0 1 -3/4 0 0 120 120(4/5)
Le profit rapporté par cette production
x3 1/4 3/4 1 0 1/4
er c 0 0 260 260(4)
est : 2740 UM avec une utilisation
ch
e3 5/2 5/2 0 0 -1/2 1 0 680 680(2/5)
pleine du UTM dans les ateliers A 2 et
Re
e4 13/4 3/4 0 0 -3/4 0 1 130 130(4/13)
A 4, une sous utilisation de 70 UTM
-z 7/2 -1/2 0 0 -5/2 0 0 -2600
dans l’Atelier A 1 et une sous
x1 x2 x3 e1 e2 e3 e4 C
utilisation de 580 UTM dans l’Atelier
e1 0 -7/13 0 1 -6/13 0 -5/13 70
A 3. En effet,
x3 0 9/13 1 0 4/13 0 -1/13 250  900 − (2 ( 40 ) + 2 ( 0 ) + 3 ( 250 ) ) = 70
 − (( 40 ) + 3 ( 0 ) + 4 ( 250 ) ) =
e3 0 25/13 0 0 1/13 1 -10/13 580 1040 0
 − (3 ( 40 ) + 4 ( 0 ) + 2 ( 250 ) ) =
x1 1 3/13 0 0 -3/13 0 4/13 40
1200 580
-z 0 -17/13 0 0 -22/13 0 -14/13 -2740  910 − (4 ( 40 ) + 3 ( 0 ) + 3 ( 250 ) ) = 0
44
x1 x2 x3 e1 e2 e3 e3 C
e1 5/4 -1/4 0 1 -3/4 0 0 120
Tableau 2 du programme primal : x3 1/4 3/4 1 0 1/4 0 0 260

e3 5/2 5/2 0 0 -1/2 1 0 680
e4 13/4 3/4 0 0 -3/4 0 1 130

-z 7/2 -1/2 0 0 -5/2 0 0 -2600
2. D’après le tableau 2 du simplexe, la variation relative aux tee-shirts

1
de 4 ( x1 = 4) implique une variation de x3 de: − × 4 = −1
ll e 4
i onne
Donc pour produire 4 tee-shirts on doit réduire la production des
t
é a produire rien que
pantalons d’une unité, c’est-à-dire rne 259
Op
pantalons.
e
r
Supposons qu’on produite260
chpantalons. D’après le tableau 2 du
ch
3.
Repas
simplexe, on ne peut produire une chemise car le taux marginal
de substitution du bien chemise est négatif (diminution du profit).
C’est-à-dire, si l’on produit une chemise, le profit diminuera de 0.5 UM.
min w = 900 y1 + 1040 y 2 + 1200 y 3 + 910 y 4

4. Programme dual :
 2 y1 + y 2 + 2 y3 + 4 y 4 ≥ 6
2 y + 3 y + 4 y + 3 y ≥ 7
 1 2 3 4
sc  + + + ≥
y1: prix horaire dans l’Atelier A 1 3 y1 4 y 2 2 y3 3 y 4 10
y2: prix horaire dans l’Atelier A 2  y1 , y 2 , y 3 , y 4 ≥ 0
y3: prix horaire dans l’Atelier A 3
y4: prix horaire dans l’Atelier A 4
le
Tableau final du programme primal
onnel
at i
x1 x2 x3 e1 e2 e3 e4 C y1 y2 y3 y4 t1 t2 t3 C
ér
Op
e1 0 -7/13 0 1 -6/13 0 -5/13 70
y2 6/13 1 -1/13 0 3/13 0 -4/13 22/13
x3 0 9/13 1 0 4/13 0 -1/13 250
he
y4 5/13 0 10/13 1 -4/13 0 1/13 14/13
e3 0 25/13 0 0 1/13 1 -10/13 580
er c
t2 7/13 0 -25/13 0 -3/13 1 -9/13 17/13
x1 1 3/13 0 0 -3/13 0 4/13 40
h
-w -70 0 -580 0 -40 0 -250 -2740
c
-z 0 -17/13 0 0 -22/13 0 -14/13 -2740
Re
w = z = 2740 ,
A l’optimum du dual, on a :
22 14 17
y1 = y 3 = 0, y 2 = , y4 = , t1 = t 3 = 0, t 2 =
13 13 13
Exercice 8 :
Une usine produit des tracteurs, des camions et des voitures. Elle comprend trois
ateliers travaillant dans les conditions suivantes
Atelier A 1 (Moteurs) : Pour produire un moteur de tracteur il faut 5 unités de temps

machine (UTM). Pour un moteur de camion comme un moteur de voiture il faut 4 UTM.
Atelier A 2 (carrosserie) : Les besoins dans cet Atelier sont de 7 UTM pour un tracteur, 10
UTM pour un camion, et 3 UTM pour une voiture.
Atelier A 3 (Assemblage) : Il faut dans cet Atelier 2 UTM pour un tracteur, 5 UTM pour un
e
ell
camion, et 1 UTM pour une voiture.
n
On sait que la quantité d’UTM hebdomadaire disponible est de 1040 dans l’Atelier An 1, 1200
dans l’Atelier A 2 et de 900 dans l’Atelier A 3 .
t io
ér a
On sait également que les profits rapportés sont de 100 unités monétaires (UM) pour un
p
O
tracteur, de 120 UM pour un camion et de 60 UM pour une voiture.
Travail à faire :
c he Pour cela vous formalisez un programme de
Quelle est la production hebdomadaireroptimale?
e
ch les différents tableaux de l’algorithme primal du simplexe.
1.
Rdeecombien faudrait-il réduire cette production pour produire 10 voitures ?

programmation linéaire. Vous présentez
2. Si on produit 120 camions,
3. En partant d’une production hebdomadaire de 120 camions, quelle serait l’influence sur le niveau du
profit si on acceptait de réduire cette production pour produire10 tracteurs ?
4. Quels sont les résultats du problème dual ? Commentez
5. Quelle est la signification de t 1 > 0 à l’optimum du dual où t 1 est la variable d’écart relative à la
première contrainte du programme dual ?
45
La forme canonique du Primal : La forme standard du primal :
max z = 100 x 1 + 120 x 2 + 60 x 3 max z = 100 x1 + 120 x 2 + 60 x 3 + 0 e1 + 0 e 2 + 0 e 3
 5 x 1 + 4 x 2 + 4 x 3 ≤ 1040  5 x1 + 4 x 2 + 4 x 3 + e1 = 1040
 7 x + 10 x + 3 x ≤ 1200  7 x + 10 x + 3 x + e = 1200
sc 
1 2 3  1 2 3 2
sc 
+ + ≤ + + + =
où  2 x 1 5 x 2 x 3 900  2 x1 5 x 2 x 3 e 3 900
 x 1 , x 2 , x 3 ≥ 0  x1 , x 2 , x 3 , e1 , e 2 , e 3 ≥ 0
x1 : nombre de tracteurs àproduire par semaine
1. Le programme de production
x2 : nombre de camions àproduire par semaine
optimal :
ll e
x3 : nombre de voitures àproduire par semaine
nne
aucun tracteur ( x1=0),
x1 x2 x3 e1 e2 e3 C R
o
60 camions ( x2=60) et
t i
e1 5 4 4 1 0 0 1040 1040/4=260
ér aLe profit rapporté par cette

e2 7 10 3 0 1 0 1200 1200/10=120 200 voitures ( x3 =200)
Op production est : 19 200 UM avec une

e3 2 5 1 0 0 1 900 900/5=180
e
-z 100 120 60 0 0 0 0
x1 x2 x3 e1 e2
er ch
e3 C R
utilisation pleine du UTM dans les
ch
e1 11/5 0 14/5 1 -2/5 0 560 560 x 14/5=200
x2
e3
7/10
-3/2
1
0
3/10
-1/2
0
0 Re
1/10
-1/2
0
1
120
300
deux Ateliers moteur et carrosserie
120 x 3/10=400
et une sous utilisation de 400 UTM

---------
-z 16 0 24 -12 0 0 -14400
dans l’Atelier assemblage. En effet,
x1 x2 x3 e1 e2 e3 C
x3 11/14 0 1 5/14 -1/7 0 200
1040 − (5(0) + 4(60) + 4(200)) = 0
1200 − (7(0) + 10(60) + 3(200) ) = 0
x2 13/28 1 0 -3/28 1/7 0 60 
e3 -31/28 0 0 5/28 -4/7 1 400 900 − (2(0) + 5(60) + (200) ) = 400

-z -20/7 0 0 -60/7 -60/7 0 -19200
x1 x2 x3 e1 e2 e3 C
e1 11/5 0 14/5 1 -2/5 0 560
Tableau 2 du programme primal : x2 7/10 1 3/10 0 1/10 0 120

e3 -3/2 0 -1/2 0 -1/2 1 300
-z 16 0 24 -12 0 0 -14400
2. Supposons qu’on produit 120 camions.
D’après le tableau 2 du simplexe, la variation relative aux voitures de

3
10 (x3 = 10) implique une variation de x2 de: −
e
× 10 = −3
lanproduction des
Donc pour produire 10 voitures on doit réduireon
ell
10
camions de 3, c’est-à-dire ne produire é

at i
r aque 117 camions.
Op
rien
e simplexe, la variation
r ch
3. D’après le tableau 2 du relative aux
heimplique
7
tracteurs de 10 ( x1 = c − × 10 = −7
Re
10) une variation de x 2 de:
10
et une variation du profit de : 16 × 10 = 160 UM
C’est-à-dire, l’usine réalisera 14400 + 160 = 14560 UM en produisant

10 tracteurs, 113 camions et aucune voiture.
4. Programme dual : min w = 1040 y 1 + 1200 y 2 + 900 y 3

y1 : prix horaire dans l’Atelier A 1  5 y 1 + 7 y 2 + 2 y 3 ≥ 100
y2 : prix horaire dans l’Atelier A  4 y + 10 y + 5 y ≥ 120
2  1 2 3
sc 
y3 : prix horaire dans l’Atelier A + + ≥
3  4 y 1 3 y 2 y 3 60
 y 1 , y 2 , y 3 ≥ 0
Tableau final du programme primal Tableau final du programme dual

x1 x2 x3 e1 e2 e3 C y1 y2 y3 t1 t2 t3 C
e
x3 11/14 0 1 5/14 -1/7 0 200 y1 1 0 -5/28 0 3/28 -5/14 60/7
n ell
x2 13/28 1 0 -3/28 1/7 0 60 y2 0 1 4/7 0 -1/7 1/7 60/7
n
t io
e3 -31/28 0 0 5/28 -4/7 1 400 t1 0 0 31/28 1 -13/28 -11/14 20/7
ér a
-z -20/7 0 0 -60/7 -60/7 0 -19200 -w 0 0 -400 0 -60 -200 -19200
A l’optimum du dual, on a : zp
w =O = 19200 ,
he
er c y = y = 7 , y = 0, t = 7 , t = t = 0
60 20
ch
1 2 3 1 2 3
20
Reque le coût imputé au ressource d’un tracteur
5. t = 7 > 0 signifie
1
est supérieur à son profit unitaire de 20/7 UM, En effet,

60 60 20
5 y1 + 7 y 2 + 2 y 3 − 100 = 5 +7 + 2 ( 0 ) − 100 =
7 7 7
D’où aucun intérêt à produire les tracteurs.
46
La théorie des graphes

ell
e
nn
r at io
é
Op
Définitionsc&h e Applications
cher
R e
Chapitre II :
La théorie des graphes
Motivation
1. Éléments de la théorie des 4. Recherche d’un chemin de valeur
graphes optimale entre deux sommets
a.Définitions a. Algorithme de Ford
le
b.Représentations d’un graphe b. Exemples
i. Représentation sagittale 5.
nel
Problème d’ordonnancement
on
at i
ii.Représentation par un
a. Définitions
dictionnaire
ér b. Méthodologie (MPM, PERT)
Op
iii.Représentation par une matrice
iv.Représentation par une matrice c. Représentation graphique
e
r chdes
booléenne
d. Calendrier au plut tôt des
2.
ecircuit
Détermination des niveaux
h taches
c
sommets d’un graphe sans
a.Définition Re e. Calendrier au plus tard
taches
des
b.Utilité de la notion des niveaux

f. Tableau des marges (libres et
3. Recherche des chemins de
totales)
a.Définitions 6. Applications économiques
b.Cas particuliers de chemins Conclusion et perspectives
Définition d’un graphe orienté

Un grapheorientéGest un couple (X,A)

où
X: ensemble de sommets { x1,..., x n}
A: ensemble de couples orientés ( xi,xj) appelés arcs
e
Pour un arc ( xi,xj) d'origine xi et d'extrémité x
nnell j :
( ∈ Pa( xt )i)o)
le sommet x est un précédent de x , x( ∈
(pé∈r∈S(x( ))))
i j i j
le sommet x est un suivant de x ,Ox( j i
e
j i
X ch
Exemple :
her
X 4
2
c X
Re
6
X 1
X3
X5
X = {x1 ,x 2 ,x 3 ,x 4 , x5 ,x 6}
A={ (x1,x 2), (x1,x3), (x2,x4), (x3,x2), (x3,x4), (x4,x5), (x4,x6), (x5,x6) }
47
Représentation d'un graphe
Représentation sagittale : X6
X2
X4
ll e
X1
nne Précédents
X5
i o
at
pér x
Sommets Suivants
X 3
Représentation par un dictionnaire : O

P(x) S(x)
h e
er c x - 1 x2, x3
h
Rec
x x , x 2 1 3 x4
x x 3 1 x2, x4
x4 x2, x 3 x5, x6
x5 x4 x6
x6 x4, x 5 -
Représentation par une matrice :

Sommets extrémités
Sommets Précédents Suivants
x1 x2 x3 x4 x5 x6
x P(x) S(x)
x1 * *
x1 - x2, x3
Sommets origines
x2 *
x2 x1, x3 x4
x3 * *
le
x3 x1 x2, x4
x4 x2, x3 x5, x6
o n
x4
nel * *
t ix
ér a x
x5 x4 x6 5 *
x x ,x O- p
he
6 4 5 6
e(rxc)
Représentation par une matrice booléenne:
c h 0 1 1 0 0 0
Rej ( i )
1 si x ∈ S 0 0 0 1 0 0
mij =   
0 si x ∉ S x 0
M =
1 0 1 0 0
 j i 
la lecture colonne par colonne de cette matrice donne le 0 0 0 0 1 1
dictionnaire des précédents 0 0 0 0 0 1
 
la lecture ligne par ligne de cette matrice donne le dictionnaire des  0 0 0 0 0 0 
suivants
Détermination des niveaux des sommets

d’un graphe sans circuit
Dans un graphe sans circuit, le niveau d'un sommet x est la longueur du plus long
chemin ayant pour extrémité x
Sommets x Précédents P(x) N o={sommets de niveau 0}

e
ell
x1 - ={sommets n’ayant pas de précédents}
x2 x1, x 3
on n
={x 1}
at i x sont barrés
x3 x1
érsommets
x4 x ,x
Tous les
p
2 3
1
O
x5 x 4
heLes sommets barrés sont considérés

x6 x x
4, 5
e r c
chP(x)
comme n’existants plus
Re-
Sommets x Précédents
x1
N ={sommets de niveau 1}
1
x2 x1, x 3
x3 x1 ={sommets n’ayant pas de précédents}
x4 x2, x 3 ={x 3 }
x5 x4
x6 x4, x 5 Tous les sommets x 3 sont barrés
48
Sommets x Précédents P(x)
N 2 ={sommets de niveau 2}
x1 -
={sommets n’ayant pas de
x2 x1, x 3 précédents}
x3 x1 ={x 2 }
x4 x2, x 3
x5 x4 Tous les sommets x 2 sont barrés
x6 x4, x5
Les sommets barrés sont considérés
Sommets x Précédents P(x) comme n’existants plus
ll e
x1 -
N 3 ={sommets de niveau 3}
nne
x2 x1, x 3
x3 x1
t i o précédents}
ér a
x x ,x
4 2 3
={x 4 }
Op Tous les sommets x sont barrés

x 5 x 4
e
x x ,x
chP(x)
6 4 5 4
Sommets x
e r
Précédents
h x ,x
N ={sommets de niveau 4} 4
x
x
1
2
Rec -
1
précédents}
3
x 3 x ={x }
1 5
x4 x2, x 3
x5 x4 Tous les sommets x 5 sont barrés
x6 x4, x5
Les sommets barrés sont considérés
comme n’existants plus
Sommets x Précédents P(x)

x1 - N 5 ={sommets de niveau 5}
x2 x1, x 3
x3 x1 précédents}
x4 x2, x 3 ={x 6 }
x5 x4
x6 x4, x 5 Tous les sommets x 6 sont barrés
le
Sommets x Précédents P(x) Les niveaux sont :
nel
x1 -
on
at i
x2 x1, x 3 N0 = { x 1 }
ér
x3 x1
Op
x4 x2, x 3 N1 = { x 3 }
x5
x h
e x4
er c
x6 x N2 = { x 2 }
h
4, 5
c
Re N3 = { x 4 }
N4 = { x 5 }
Tous les sommets ayant été barrés
N5 = { x 6 }
Utilité de la notion de niveaux

Les niveaux sont :
N0 = { x 1 } N 1 = {x 3 } N2 = { x 2 }
N3 = { x 4 } N 4 = {x 5 } N5 = { x 6 }
construire le graphe ordonné par niveaux

e
nnell
La recherche des chemins optimaux se fait plus facilement sur un
t io
graphe ordonné par niveaux
pér a
O
x1 x3
r che x4 x5
h e
c
Re x
x6
2
N0 N1 N2 N3 N4 N5
49
Définitions
Un cheminest une suite ordonnée (x 1,...,x n) de sommets reliés par

des arcs :
∀i ∈ {1, K , n − 1} xi +1 ∈ S (xi )
ll e
nne
Un circuitest un chemin (x 1,...,x n) tel que x 1 = x n
t i o
La longueurdu chemin est le nombre p ér a
Od'arcs qu'il contient
e
e r ch
h A chaque arc (x,y) est associé un
Rec
Dans un graphe sans circuit.
nombre positif V(x,y)appelé la valeur de l'arc
n −1
La valeur du chemin(x 1, x 2, …, xi ,x i+1, …, xn) est : ∑V (x , x )

i =1
i i +1
Cas particuliers de chemins

Chemin près-hamiltonien: il passe au moins une fois par chaque

sommet du graphe (x 1, x 2, x 4, x 3, x 2, x 6, x 8 , x 7, x 5)
x2 x4
le
x8
onnel x5
at i
x1
ér x7
x3
Op x6
Chemin hamiltonien: il passe h e
sommet du graphehe
cune et une seule fois par chaque
(xr 1, x 2, x 4, x 3, x 6, x 8, x 7, x 5)
c
x2Re x4 x8
x5
x1
x3 x6 x7
Cas particuliers de chemins

Chemin près-eulérien: il passe au moins une fois par chaque arc du

graphe (x 1, x 2 , x 3 , x 4, x 8, x 7 , x 4 , x 2 , x 3 , x 4, x 2 , x 6 , x 7 , x 5 )
x2 x4 x8
ll e
x5
x1
n e
on
x3 x6
ér atxi7
Op
h e
c
r et une seule fois par chaque arc du
Chemin eulérien: il passeeune
graphe x
2 Re
ch x4 x8
(x , x , x , x , x , x , x , x , x , x , x )
1 2 3 4 8 7 4 2 6 7 x55
x1
x3 x6 x7
50
Détermination du nombre de chemins de
La matrice booléenne d'un graphe G : M = (mij )i , j∈{1,

L , n}
Le nombre de cheminsde longueur pallant du sommet x i au sommet x j est
(p ) p
donné par le terme m ij de la matrice M M6 =0
ll e
x2
nne x
x4
Le graphe ne
Exemple :
o
6
i
x contient pas
t
1
ér a x
des circuits
Op
x 3 5
e
ch
0 0 0 0 0 0
r
0 1 1 0 0 0 0 1 0 2 0 0 0 0 0 1 2 2 0 0 0 0 0 1  
e
      0 0 0 0 1 3   0 0 0 0 0 0
h
0 0 0 1 0 0 0 0 0 0 1 1 0 0 0 0 0 1   0 0 0 0 0 0
0
0 0 0 0 0 0 0 0 0 0 0
Rec
0 1 0 1 0 0 0 0 0 1 1 1 0 0 0 0 1 2 0 0 0 0 0 0 M6 =  
M =   M2 =   M3 =   0 0 0 0 0 1 M5 =  
M 4
=   0 0 0 0 0 0
0 0 0 0 1 1 0 0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0 0 0
0  0 0 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 1 0 0 0 0 0 0 0 0 0 0 0
0 0 0 0 0 0  
      0 0 0 0 0   0 0 0 0 0 0
 0 0 0 0 0  0 0 0 0   0    0 0 0 0 0  
0 0 0 0 0 0 0 0 0 0 0 0 0 0 0

4 (4 )
Dans M on a : m 16 = 3
Donc, il y a 3chemins de longueur 4conduisant du sommet x 1 au sommet x6 :
(x1,x2,x4,x5,x6), (x1,x3,x4,x5,x6) et (x1,x3,x2,x4,x6)
Détermination d'un chemin de valeur

optimale entre les sommets D et F
L'algorithme de Ford
1. On ordonne le graphe par niveaux
2. On fait la représentation du graphe par niveaux
3. On supprime les sommets et les arcs par lesquels on ne peut pas passer pour
le
aller de Dà F
4. En partant du sommet Dde niveau le plus faiblejusqu'au sommet Fde niveau le
onnel
at i
plus fort, on associe à chaque sommet x une marque m(x)correspondant à la valeur
m (pxé
du chemin de valeur maximale aboutissant à x r
m (D ) = 0 O ) = max {m ( y ) + V ( y , x )}
et
he y de x
erlacvaleur du chemin de valeur maximale entre Det F
le max étant pris sur tous les précédents
5. La marque de Fdonnera donc
h
6. Le chemin de valeurR ec
maximaleest obtenu en partant de Fet en regardant quel est
le sommet précédent qui a permis d'obtenir m(F), et ainsi de suite jusqu'à revenir
en D
Pour la détermination d'un chemin de valeur minimale entre les s ommets D et F:

Pour un chemin de valeur minimale, il suffit de remplacer "max" par "min" dans
l'algorithme précédent
On ordonne le graphe
on supprime les sommets
par niveaux et on fait
et les arcs par lesquels on
la représentation
ne peut pas passer pour

aller de Dà F
e
n neF7 ll
t io
3
2
ér a 6
3
4 6
3
p
O5 6
3
r che 9
5 he
1 9
c
8
Re2
1
9 8
4
D
4 5
51
Détermination d'un chemin de valeur
maximale entre les sommets D et F
Le chemin de valeur maximale entre 4 et 7 a pour valeur 16
Pour aboutir à 7, on est passé par 6

Le chemin (4,3,6,7) est
le chemin de valeur maximale : 16 Pour aboutir à 6, on est passé par 3 F
7
le
nel
Pour aboutir à 3, on est passé par
3 4
3i on
6
at
6
ér
m (4 ) = 0
O5p
5
m (3 ) = m (4 ) + V (4 , 3 ) = 0 + 5 = 5
h e
m (5 ) = m (4 ) + V (4 , 5 ) = 0 + 2 = 2r c D
1
c he 4 2 5
m(6 ) = max{m(3)+ V (3,6 );R m(e
5)+ V (5,6 )} m (D )= 0
= max{5 + 5 ; 2 + 1}= max{10 ; 3}= 10 m (x ) = max {m (y )+ V (y , x )}
m(7 ) = max{m(3)+ V (3,7 ); m(6)+ V (6,7 )} y ∈ P (x )
= max{5 + 3 ;10 + 6}= max{8 ;16}= 16 Détermination du
chemin de valeur maximale
Les problèmes
d’ordonnancement
On a affaire à un problème d'ordonnancement lorsque

l'on est confronté à un problème d'organisation.
Il faut accomplir de multiples opérations qui demandent un certain temps

le
nel
d'exécution et qui doivent être exécutées dans un certain ordre
on
(contraintes de succession). Il est donc nécessaire d'identifier les
at i
opérations prioritaires en fonction de l'objectif à atteindre.
ér
L’objectif est de : Op
he
er c de réalisation du projet compte tenu
«minimiser la durée totale
h
c d’antériorité reliant les différentes
Re
des contraintes
opérations»
De plus on détermine :
les calendriers de réalisation de chacune des tâches
les marges de manœuvre associées
méthodes de résolution des problèmes

d’ordonnancement
Deux méthodes sont classiquement utilisées et toutes les deux utilisent

des graphes pour résoudre le problème (méthodes à chemin critique) :
La méthode MPM : potentiel-tâches ll e

e
onn)
( Méthode des Potentiels METRA
at i
pér
La méthode PERT : potentiel-étapes
Oand
e
( Program Evaluation Research Task)
r ch and Review Technique )
heEvaluation
( Program
c
Re
Potentiel = seules les contraintes de types potentiel (qui concerne le
temps : date, antériorité) sont prises en compte
52
Définitions
Un projet : ensemble d’opérations (tâche ou étape) nécessaires pour la réalisation d’un

projet prédéfini. A chaque opération on lui associe un nom, une durée, une place et
un coût.
Chemin critique : permet de connaître le temps minimum de réalisation du projet.
Tâche critique : tout retard de son exécution entraîne un retard de même durée dans
l’achèvement du projet.
ll e
Tâche non critique : dispose d’une marge de réalisation. Un retard d’exécution dans
nne
certaines limites n’allonge pas la durée du projet.
Pour toute opération, on détermine :
t i o
ér a
La date de début au plus tôt de son exécution : date à laquelle la tâche pourrait
Op
commencer au mieux.
e
La date de début au plus tard de son exécution : date limite maximum à laquelle
projet.
er ch
devrait commencer la tâche pour ne pas remettre en cause la datede fin du
h
Rec
Pour les tâches non critique, on détermine :
la marge totale d’une tâche : durée maximum de retard que l’on peut apporter au
démarrage de son exécution sans modifier la date de début au plus tard des
tâches suivantes.
La marge libre d’une tâche : durée maximum de retard que l’on peut apporter au
démarrage de son exécution sans modifier la date de début au plus tôt des
tâches suivantes.
Méthode des Potentiels Métra

Position d’un projet d’ordonnancement

Identification des tâches
Estimation de leurs durées probables de réalisation;
le
nel
Détermination des tâches immédiatement antérieures à chacune des
tâches
on
ti
ér a
Classement des tâches par niveau d’antériorité
p
O
he
Représentation du graphique du projet par la méthode MPM;
er créalisation au plus tôt de chaque tâche

Détermination des dates de
h
c de réalisation au plus tard de chaque tâche;
Détermination desedates
R
Détermination des tâches critiques
Détermination des chemins critiques;
Calcul des marges (margeslibres et marges totales )
Interprétation
Construction du graphe
V(T1,T2) T2
T1
Un sommetcorrespond au début d’une tâche
un arcdéfinit une relation d'antériorité
la valeur de l'arcdéfinit le délai minimum (normal ou exceptionnel) après
lequel peut débuter l’opération suivante
e
Chaque sommet de la représentation
nnell
graphique est figuré par un
t io
rectangle
x = nom de la tâche
pér a Txx T **xx
O
T x = date de début au plus tôtde la tâche
he
x
T * x = date de début au plus tardde la tâche
e r c
Une tâche x ne pouvant ch débuter que lorsque toutes les tâches qui
Re
aboutissent sont terminées.
On rajoute au graphe un sommet terminal permettant de dater la fin des
travaux
La représentation graphique est ordonnée par niveaux des sommets(des
tâches)
53
5
T1 T2
4
T3 8 T4
La tâche T 2 ne peut commencer qu’après l’exécution des tâches T 1 et T 3 :
La tâche T ne peut démarrer que 5 heures après le démarrage de T

ll e
2 1
La tâche T 2
i onne
ne peut démarrer que 4 heures après le démarrage de T 3
t
ér a
Op l’exécution de la tâche T 3 :
La tâche T 4 ne peut commencer qu’après
e
r ch que 8 heures après le démarrage de T
La tâche T 4 ne peut démarrer
e 3
h
Rec
Exemple 1 : Dictionnaire des

précédents
Les opérations mises en jeu dans la construction
d'un ensemble hydro-électrique sont : Les contraintes d'antériorité
sont les suivantes :
O1) Construction des voies d'accès
lle (mois)
OpérationsDurée Opérations
O2) Travaux de terrassement
ne prérequises
ion
O1 4 -
t
ér a
O3 ) Construction des bâtiments administratifs O2 6 O1
O4 ) Commande du matériel électrique

Op O3 4 -
he
er c
O4 12 -
O5 ) Construction de la centrale
c h O5 10 O2, O3, O4
Re
O6 ) Construction du barrage
O6 24 O2, O3
O7 ) Installation des galeries et conduites
forcées O7 7 O1
O8 10 O5, O7
O8 ) Montage des machines
O9 3 O6,O 8
O9 ) Essais de fonctionnement
Méthode des Potentiels Metra

Détermination des niveaux des sommets :
x P(x) x P(x) x P(x) x P(x) x P(x)

e
O1 - O1 -
nnell
O1 - O1 - O1 -
t io
O2 O1 O2 O1 O2 O1 O2 O1 O2 O1
ér a
O3 - O3 - O3 - O3 - O3 -
O4 - O4 -
Op O4 - O4 - O4 -
he
O5 O2,O 3,O 4 O5 O2,O 3,O 4 O5 O2,O 3,O 4 O5 O2,O 3,O 4 O5 O2,O 3,O 4
O6 O2,O 3 O6
er c O2,O 3 O6 O2,O 3 O6 O2,O 3 O6 O2,O 3
ch
O7 O1 O7 O1 O7 O1 O7 O1 O7 O1
O8
O9
O5,O 7
O6,O 8
Re
O8
O9
O5,O 7
O6,O 8
O8
O9
O5,O 7
O6,O 8
O8
O9
O5,O 7
O6,O 8
O8
O9
O5,O 7
O6,O 8
N 0={O 1,O 3,O 4} N 1={O2,O 7} N 2={O5,O 6} N 3={O8} N 4={O9}
54
opérations durée opérations pré-
(tâches) (mois) requises
O1 4 -
O2 6 O1
Niveau 0 Niveau 1 Niveau 2 Niveau 3 Niveau 4 O3 4 -
{O 1 ,O 3 ,O 4} {O 2 ,O 7} {O 5 ,O 6 } {O 8 } {O 9} O4 12 -
O5 10 O2,O 3,O 4
O6 24 O2,O 3
ll e
O7 7 O1
nne
O8 10 O5,O 7
o
O9 3 O6,O 8
t i
ér a
? ? 4 ? ? 6 ? ?
o1 o2 o6
Op
e
ch
4 4 24
6
er
? ?
o3
? ?
o7 Re
ch 7 ?
o8
?
10
? ?
o9
3 ?
F
?
4 10
? ? ? ?
o4 12 o5
Calendrier au plus tôt des tâches

T x est la date au plus tôt correspondant à la valeur du chemin de valeur

maximale aboutissant à x (algorithme de Ford)
On commence par les sommets de niveaux les plus faibles jusqu’aux sommets de
niveaux les plus élevés
le
onnel
pour les sommets de niveau 0 t i
ér a
T début = 0
Tx
Op pris sur les précédents yde x
= max [ T + V(y,x) ] le max étant
y y
TF
he l’ensemble des travaux peut s’achever
= la date au plus tôt à laquelle
h er c V(y1,x
c
T y1
Re ) y1
T xx
x
T y2 )
V(y2,x
y2
Détermination des calendriers au plus tôt de la réalisation de

chacune des tâches
Le chemin de valeur maximale aboutissant à F
T F =37 mois correspond à la
durée minimale de est appeléchemin critique constitué de tâches

T1 = T3 = T4 = 0 critiques : un retard pris dans l’exécution de
réalisation du projet (chemin
l’une d’entre elles entraînerait un allongement
T2 = T1 + V(1,2) =0 + 4 = 4 de valeur maximale
aboutissant à F) de la durée du projet
T7 = T1 + V(1,7) = 0+ 4 = 4
T6 = Max [T 2 + V(2,6) ; T3 + V(3,6)] = Max[4 + 6 ; 0 + 4]= Max [10 ; 4]= 10
T5 = Max [T 2 + V(2,5) ; T3 + V(3,5); T4 + V(4,5)] = Max[4 + 6 ; 0 + 4 ; 0 + 12 ]= Max [10 ; 4 ; 12]= 12
e
ell
T8 = Max [T 7 + V(7,8) ; T5 + V(5,8)] = Max[4 + 7 ; 12 + 10]= Max [11 ; 22]= 22
n n
T9 = Max [T 6 + V(6,9) ; T8 + V(8,9)] = Max[10 + 24 ; 22 + 10] = Max [34 ; 32]= 34
t io
TF = T 9 + V(9,F) = 34 + 3 = 37
0
o1
? 4 4 ?
o2
6 10 ?
o6 Op
ér a
he
er c7
4 4 24
6
0 ? 4 ?
ch 22 ? 34 ? 37 ?
o7 Re
3
o3 o8 10 o9 F
4 10
0 ? 12 ?
o4 12 o5
Le chemin de valeur maximale (durée 37 mois) aboutissant à F est : (O 1, O 2, O 6, O 9)
55
Calendrier au plus tard des tâches
T * x est la date au plus tard à laquelle peut commencer une tâche sans
remettre en cause la date de fin des travaux
On commence par les sommets de niveau les plus élevés jusqu’aux sommets
ll e
de niveau les plus faibles
i onne
T* F = T F pour le sommet terminal
t
ér a
Op
T* = min [ T* -V(x,y)] x y y
e
er ch x.
le min étant pris sur les suivants yde
h
Rec V(x,y1)
T **y1
y1
T **xx
V( x
x ,y2) T **y2
y2
Détermination des calendriers au plus tard de la réalisation de

chacune des tâches :
T*F = T F= 37
T*9 = T*F -V(9,F) = 37 -3 = 34

Sur les tâches
T* = T* -V(8,9) = 34 -10 = 24
critiqueson a :
8 9
T*6 = T*9 -V(6,9) = 34 -24 = 10

T*5 = T*8 -V(5,8) = 24 -10 = 14
T* x = T x
T*7 = T*8 -V(7,8) = 24 -7 = 17
le
nel
T*2 = Min [T*5 -V(2,5) ; T* 6 -V(2,6)] = Min [14 -6 ; 10 -6]= Min [8 ; 4] =4
n
T*1 = Min [T*2 -V(1,2) ; T* 7 -V(1,7)] = Min [4 -4 ; 17 -4]= Min [0 ; 13]= 0
o
at i
T*3 = Min [T*6 -V(3,6) ; T* 5 -V(3,5)] = Min [10 -4 ; 14 -4]= Min [6 ; 10] =6
10 10 Opé
ér
T*4 = T*5 -V(4,5) = 14 -12 = 2
0 0 4 4 6
oh6e
4
o1 o2
c
h r7
6 e
4 24
c
4
0 6 4 R
17 e 22 24 34 34 3 37 37
o3 o7 o8 10 o9 F
10
4
0 2 12 14
o4 12 o5
Il y‘a deux types de retard relatif à l’exécution

des tâches sans retarder l’achèvement du projet
Marge totale ≥≥ Marge libre
c'est le retard maximum que c'est le retard maximum que l'on

l'on peut prendre dans la mise peut prendre dans
n llela mise en route
esans
n
t iodates au plus tôt des
en route d'une tâche sans d'une tâche remettre en
cause ales
remettre en cause les dates au é r
p suivantes
tâches
plus tarddes tâches suivantes O
he
er c
mt (x) = T * x -T mL(x) = min y [T y -T x -V(x,y)]
h
x
c
Re
Le min étant pris sur les suivants y de x
T xx T **xx
1) T y1
x V(x,
y
T xx y1
x V(x
,y 2)
T y2
y2
56
Marge totale Marges libres
mLL(x) = min [T
[T yy- T xx- V(x,y)]
mt (x) = T * x - T x Le min étant pris sur les suivants y de x
mL(O1) = Min[T2-T 1-V(1,2);T7-T 1-V(1,7)]

mt (O1) = T * 1 –T 1 = 0 -0 = 0 = Min[0;0]=0
mt (O2) = T *
–T 2 = 4 -4 = 0 mL(O2) = Min[T6-T 2 -V(2,6);T5-T 2 -V(2,5)]
ll e
2
= Min[0;2]=0
nne
mt (O3) = T * 3 –T 3 = 6 -0 = 6
mL(O3) = Min[T6-T 3 -V(3,6);T5-T 3 -V(3,5)]
mt (O4) = T * 4 –T 4 = 2 -0 = 2
t i o = Min[6;8]=6
ér a
mt (O5) = T * 5 –T 5 = 14 -12 = 2 mL(O4) = T5 -T 4 -V(4,5) = 0
Op
mL(O5) = T8 -T 5 -V(5,8) = 0
mt (O6) = T * 6 –T 6 = 10 –10 = 0
e
ch
mL(O6) = Ti -T 6 -V(6,9) = 0
mt (O7) = T * 7 –T 7 = 17 -4 = 13
mt (O8) = T * 8 –T 8 = 24 -22 = 2
h er mL(O7) = T8 -T 7 -V(7,8) = 11
Rec
mL(O8) = T9 -T 8 -V(8,9) = 2
mt (O9) = T * 9 –T 9 = 34 -34 = 0
mL(O 9) = TF -T 9 -V(9,F) = 0

le
nel
0 0 4 4 4 6 10 10
24
n
o1 o2 o6
o
at i
4 4
ér
6
0 6 4 17 22 24 34 34 3 37 37
Op
7
o3 o7 o8 10 o9 F
he
er c
4
10
0 2 12 14
o4 12
ch o5
Re

Mét
ho
MPM de
e
nnell
t io
pér a
O
r che
e
ch
Re
57
Exercice 1 :
Une importante sociétéde magasins alimentaires àgrande surface

diversifie son activitéen créant des commerces dans de petites villes.
La sociétécrée un fonds de commerce qui est ensuite géréde façon
autonome par un commerçant franchisé.
ll e
Tout d’abord, la sociétéréalise une étude d’implantation: étude de marché
nne
sur un certain rayon d’action et choix de la localitéoùsera installéle
i o
commerce.
at
O pér est terminée,
A partir du jour où l’étude d’implantation les tâches
e
suivantes doivent être exécutées.
Travail à faire :
er ch
h
ec niveaux
1. Élaborer la matrice des
2. Représenter cetteRsuccession de tâches par un graphe MPM
3. Déterminer la durée minimale pour que le magasin soit ouvert àla
clientèle
4. Indiquer le chemin critique
5. Préciser àquelles dates au plus tard devront commencer les tâches qui
ne font pas partie du chemin critique.
Nature Durée Antérioritédes

Tâche
(jours) tâches
A Recherche d’un local 50 -
B Recherche d’un franchisé 45 -
Constitution du dossier bancaire du
C 15 A, B
franchisé
10 l e
n30el
Constitution du dossier à la chambre de
D A, B
commerce pour les inscriptions obligatoires
on
at i 20
E Formation du franchisé B
ér
Aménagement, plâtrerie-peinture du
F A
Op
magasin
G Réfection 8 A
he
er c
H Équipement de la chambre froide 8 A, F
I
c h
Equipement des rayonnages 5 A, F
J
Implantation
articles) Rduemagasin (disposition des 6 A,B, E, F, G, H, I
Tirage en imprimerie des feuillets
K 6 A, B, D
publicitaires
L Distribution de feuillets publicitaires 2 A, B, D, K
Liste et envoi des invitations pour
M 6 A, B, D
l’inauguration
N Inauguration du magasin 1 Toutes les autres
1- La matrice des niveaux :

Tâche Précédents Niveaux

N1 N2 N3 N4 N5
A - A
B - B
e
ell
C A, B C
D A, B
nn D
t io
éF r a
E B E
F A
p
O G
he
G A
H A, F
r c H
I A, F
che I
J H, e
A, B, E, F, G, R J
I
K A, B, D K
L A, B, D, K L
M A, B, D M
N Toutes les autres N
58
2- Le graphe MPM (repr ésentation sagittale):
ll e
i onne
t
ér a
Op
e
er ch
h
Rec
3- La dur ée de r éalisation du projet :
Le magasin peut être ouvert dans 85 jours au minimum. Cette
durée représente la durée totale du projet.
4- Le chemin critique : (A, F, H, J, N)
5- Les dates au plus tard

Les tâches non critiques sont:

B, C, D, E, G, I, K, L, M
Elles doivent commencer au plus tard après le début des opérations
suivant l’étude d’implantation comme suit :
le
Tâche B : 03 jours
onnel
Tâche C : 69 jours
r at i
O pé r
Tâche D : 66 jours
e jours
Tâche E :h48
er c
ch G : 70 jours
Tâche
Re Tâche I : 73 jours
Tâche K : 76 jours
Tâche L : 82 jours
Tâche M : 78 jours
Exercice 2 :
Durée Opérations
tâches Nature de la tâche
(mois) pré-requises
a Terrassement, assainissement 3 -
2e
ell
b Recrutement d’une équipe de sécurité -
nn
c Commande des machines
t io 4 -
p ér a
d O
Construction du bâtiment administratif 2 a
r che
e
Construction deshateliers
e
c 1 a
Re
f Formation de l’équipe de sécurité 3 b
g Aménagement des bureaux 2 d
H Installation des machines 4 e,c,f

59
1- La matrice des niveaux :
tâches Opérations pré- Niveaux

requises
N1 N2 N3
a - a
ll e
b -
i onne b
ca
t
pér
c -
O
e
r ch
d a d
ahe e
Recb
e
f
f
g d g
h e,c,f h
2- Le graphe MPM (repr ésentation sagittale):

a,3 d,2 g,2
0 1 3 5 5 7
e,1 Fin
3 4 9 9
Début
0 0
b,2 f,3 h,4
le
0 0 2 2 5 5
onnel
i
c,4
t
ér a
0 1
3- Tableau des marges : p

O
Tâches
e
Marges totales Marges libres
er ch 1
a
ch 0
Re
b 0 0
c 1 1
d 2 0
e 1 1
f 0 0
g 2 2
h 0 0
60

5335cbe13d29f PDF

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

5335cbe13d29f PDF

Transféré par

Droits d'auteur :

Formats disponibles

Université Mohammed V- Agdal-

Ces notes de cours sont issues de l’enseignement du M20

Éléments de la théorie des graphes

he de gestion » Tome 1, Dunod1996

Prof. : Amale LAHLOU Semestre S 5 / Option : Finance - Comptabilité Diapositive 2

Prof. : Amale LAHLOU Semestre S 5 / Option : Finance - Comptabilité Diapositive 3

Prof. : Amale LAHLOU Semestre S 5 / Option : Finance - Comptabilité Diapositive 4

Le contenu du présent polycopié correspond au

contenu des diapositives présentées en cours.

fondements de la théorie des graphes .

Prof. : Amale LAHLOU Semestre S 5 / Option : Finance - Comptabilité Diapositive 5

Prof. : Amale LAHLOU Semestre S 5 / Option : Finance - Comptabilité Diapositive 6

Les problèmes d'optimisation se rencontrent très fréquemment

Op nécessite des efforts tant au

Prof. : Amale LAHLOU Semestre S 5 / Option : Finance - Comptabilité Diapositive 7

« Outil mathématique de modélisation et d’optimisation. Il permet de trouver une

Prof. : Amale LAHLOU Semestre S 5 / Option : Finance - Comptabilité Diapositive 8

Prof. : Amale LAHLOU Semestre S 5 / Option : Finance - Comptabilité Diapositive 9

La programmation linéaire est la technique sans doute la plus co

Prof. : Amale LAHLOU Semestre S 5 / Option : Finance - Comptabilité Diapositive 10

Programmation linéaire (PL)

Prof. : Amale LAHLOU Semestre S 5 / Option : Finance - Comptabilité Diapositive 11

Moyen pour mieux comprendre la réalité

Prof. : Amale LAHLOU Semestre S 5 / Option : Finance - Comptabilité Diapositive 12

Détecter et comprendre le problème (phase préscientifiques)

Préciser les paramètres du modèle

Modélisation mathématique d’un

Fonction objectif (économique) :

Contraintes de non négativité : x j

Prof. : Amale LAHLOU Semestre S 5 / Option : Finance - Comptabilité Diapositive 15

Trois types de machines A, B et C produisent quatre produits différents

Profit par unité 7,30 8,64 8,00 9,00

Prof. : Amale LAHLOU Semestre S 5 / Option : Finance - Comptabilité Diapositive 16

profit, considérant la limite de temps d’utilisation de

Prof. : Amale LAHLOU Semestre S 5 / Option : Finance - Comptabilité Diapositive 17

C : 1x1 + 2 x2 + 3x3 + 4 x4 ≤ 3500

Les produits ne sont pas négatifs :

Contraintes des machines :

Contraintes de non négativité : O

Selon la nature des produits, il faudrait peut être imposer à x1, x 2, x 3, x 4

Prof. : Amale LAHLOU Semestre S 5 / Option : Finance - Comptabilité Diapositive 19

Solution réalisable (solution admissible)

Plusieurs solutions optimales sont possibles

Prof. : Amale LAHLOU Semestre S 5 / Option : Finance - Comptabilité Diapositive 20

Résolution d’un programme linéaire

Selon la nature du PL, il peut être résolu de manières

Algorithme de simplexe (ou méthode de Dantzig)

Prof. : Amale LAHLOU Semestre S 5 / Option : Finance - Comptabilité Diapositive 21

Prof. : Amale LAHLOU Semestre S 5 / Option : Finance - Comptabilité Diapositive 22

Rappels pour prendre un bon le

Prof. : Amale LAHLOU Semestre S 5 / Option : Finance - Comptabilité Diapositive 23

Équation cartésienne d’une droite (D) :

u = (−b, a) est un vecteur directeur de (D)

Prof. : Amale LAHLOU Semestre S 5 / Option : Finance - Comptabilité Diapositive 24

* Pour construire cette droite, il suffit de connaître deux points :

Prof. : Amale LAHLOU Semestre S 5 / Option : Finance - Comptabilité Diapositive 25

Soit la droite (D) d’équation :

Alors, les demi-

Prof. : Amale LAHLOU Semestre S 5 / Option : Finance - Comptabilité Diapositive 26

Région admissible (ou faisable ou possible)

Région limitée par l’ensemble des

problème et par les limites des

nnell Il existe 3 types de points admissibles