Académique Documents
Professionnel Documents
Culture Documents
RECHERCHE OPERATIONNELLE
Semestre 6
Filière : Gestion E1-E2
M.ATMANI
1
PROGRAMMATION LINEAIRE
Formulation
Résolution graphique
2
CHAPITRE 1
I. Introduction
3
La programmation linéaire comme étant un modèle admet des hypothèses (des
conditions) que le décideur doit valider avant de pouvoir les utiliser pour
modéliser son problème. Ces hypothèses sont :
4
Soient N variables de décision x1, x2,…, xn, l’hypothèse que les variables de
décision sont positives implique que x1 0, x2 0, , xN 0 .
La fonction objectif est une forme linéaire en fonction des variables de décision
de type
z c1 x1 c 2 x 2 c N x N
où les coefficients c1,…,cN doivent avoir une valeur bien déterminée (avec
certitude) et peuvent être positifs, négatifs ou nuls. Par exemple le coefficient
ci peut représenter un profit unitaire lié à la production d’une unité
supplémentaire du bien xi, ainsi la valeur de z est le profit total lié à la
production des différents biens en quantités égales à x1 , x2 , , xN .
a 21 x 1 a 22 x 2 a 2 N x N b 2
a M 1 x 1 a M 2 x 2 a MN x N b M
où les coefficients a1M,…, aMN et b1,…, bM doivent avoir une valeur bien
déterminée (avec certitude) et peuvent être positifs, négatifs ou nuls. Le
paramètre bj représente la quantité de matière première disponible dont le
bien xi utilise une quantité égale à aij xi .
5
Max c1 x1 c 2 x 2 c N x N
s .c a 11 x 1 a 12 x 2 a 1 N x N b 1
a 21 x 1 a 22 x 2 a 2 N x N b 2
a M 1 x 1 a M 2 x 2 a MN x N b N
x1 0 , x 2 0 , , x N 0
V. Exemples de formulations
Le bureau du périmètre irrigué veut protéger le prix des tomates et ne lui permet
pas de cultiver plus de 90 hectares de tomates. Quelle est la meilleure allocation
de ses ressources ?
6
Formulation du problème en un PL :
7
Exemple 2 : Problème de médecine
Formulation du problème en un PL :
8
Min x1 x 2
s .c . 2 x 1 x 2 12
5 x 1 8 x 2 74
x 1 6 x 2 24
x1 0 , x 2 0
Pour fabriquer deux produits P1 et P2 on doit effectuer des opérations sur trois
machines M1, M2 et M3, successivement mais dans un ordre quelconque. Les
temps unitaires d’exécution sont donnés par le tableau suivant :
M1 M2 M3
P1 11 mn 7 mn 6 mn
P2 9 mn 12 mn 16 mn
On supposera que les machines n’ont pas de temps d’inactivité.
La disponibilité pour chaque machine sont :
165 heures (9900 minutes) pour la machine M1 ;
140 heures (8400 minutes) pour la machine M2 ;
160 heures (9600 minutes) pour la machine M3 .
Le produit P1 donne un profit unitaire de 900 DH et le produit P2 un profit
unitaire de 1000 DH.
Dans ces conditions, combien doit-on fabriquer mensuellement de produits P1 et
P2 pour avoir un profit total maximum ?
Formulation en un PL :
9
Chapitre 2
Après avoir illustrer par des exemples , comment un problème pratique peut être modélisé par un
programme linéaire , l’étape qui va suivre sera certainement celle de la résolution de ce problème
mathématique . la méthode graphique est l’une des premières méthodes utilisées à ce sujet.
A – système d’axe
Parmi les conditions de réussite de la représentation graphique est le système d’axe. Un mauvais
choix peut rendre notre représentation non clair et imprécise.
A cause de non négativité des variables de décisions , nous nous intéressons seulement au cadran
positif. ( voir figure ci-dessous )
X2
X1
B - EXEMPLES
On traitera dans cette partie deux exemples qui serviront à illustrer la méthode de résolution
graphique
3 + ≤ 140
≥ 0 , ≥ 0
PREMIERE METHODE
10
a- Représentation des lignes de contraintes et l’ensemble des solutions réalisables
b- Représentation de la fonction objectif et localisation de la solution optimale
c- Calculer la solution optimale
parmi les solutions possibles d’un problème, il y a celles qui vont satisfaire toutes les contraintes
du programme appelés solutions réalisables et celles qui vont une partie ou aucune partie de ces
contraintes , appelés solutions non réalisables.
Revenons à l’exemple précédent : les solutions qui vérifient l’inégalité 2 + 2 ≤ 240 est
L’ensemble des solutions à l’équation est l’ensemble des points de la droite = −2 + 240
L’inégalité 2 + > 240 correspond à un demi plan limité par la droite = −2 + 240 .
Or cette droit divise le plan en deux demi plan, donc quel est le demi plan à choisir ?
Pour ce faire il suffit de prendre un point de l’un des demi plans (qui n’appartient pas à la droite
= −2 + 240 ) et voir s’il vérifie l’inégalité 2 + > 240.
X2
120
120 X1
On fait la même chose pour l’autre contrainte , on obtient deux demi plans correspondants aux
solutions vérifiant les deux contraintes.
11
X2
140
120
140/3 120 X1
Z=0
Les limites imposés par étant données et représentées graphiquement par le domaine de
solutions réalisables. On ne peut pas augmenter indéfiniment la valeur de l fonction objectif.
Pour maximiser Z on cherche la plus haute courbe de niveau qui a une intersection non vide avec le
domaine de solutions réalisables.
12
A
2 + 2 =0
3 + =0
∗
Donc : = 10 et = 110 et = 1900.
On remarque que la solution optimale ne peut être que sur le bord du domaine des solutions
réalisables . de plus elle est dans le cas général donnée par un point anguleux correspondant aux
intersections des droites de contraintes. Une telle solution est appelée solution de base. Eci nous
amène à proposer ce qui suit :
Dans l’exemple précédent, le domaine est délimité par quatre points anguleux O, A, M, B.
O ( 0,0 ) correspond à Z = 0
Première méthode
Exp : = 24 + 20
Sous + ≥ 30
+2 ≥ 40
≥ 0 , ≥ 0
X2
30 C
20
0 A
30 40 X1
Z=0
Z=0 est une droite de pente -6/5 , pour le problème de minimisation , on cherche la courbe de
niveau la plus proche de 0 , minimiser Z revient à trouver la première courbe de niveau qui a une
intersection non vide avec le domaine des solutions réalisables.
Dans l’exemple précédent le point C qui minimise le domaine, ce point a pour coordonnées C (0,30)
et ∗ = 600
Deuxième méthode
O (0,0) correspond à Z = 0
ANALYSE DE SENSIBILITE
Une analyse de sensibilité se résume à la recherche des intervalles de variations possibles des
paramètres du PL sans que la solution optimale ne soit modifiée.
Exemple :
= 1000 + 2000
4 +2 ≤ 440 droite D1
+4 ≤ 480 droite D2
+ ≤ 150 droite D3
≤ 90 droite D4
≥ 0 , ≥ 0
+ = 150
15
M2 c’est l’intersection entre D3 et D1 4 +2 = 440 La solution est M2(70,80)
+ = 150
= 90
O(0,0) correspond à Z = 0
∗
Finalement le point M1 qui maximise le domaine, = 260000. M1 est l’intersection entre D2 et D3.
Si on modifie un paramètre dans la fonction objectif par exemple le coefficient de la fonction devient
= (1000 + ) 1 + 2000 2
( )
Pour Z=0 la pente est : la solution demeure optimale si la pente de la fonction objectif reste comprise entre la pente de D2
( )
et D3. Donc −1 ≤ ≤ −1/4 ce qui donne : −500 ≤ ≤ 1000
Exercice Résoudre = +
+ ≤
≤
≥ 0 , ≥ 0
Solution
Exercice1
16
∗
Le point qui maximise le domaine est (2,3) donc = 11
17
chapitre 3
I - Introduction
La méthode du simplexe est un algorithme qui permet la recherche de la solution optimale d’un
programme linéaire donné.
Dans la partie précédente ( Partie II ) on a présenté la résolution graphique d’un PL à deux variables ,
mais dans d’autres problèmes on a plus de deux variables , d’où la nécessité d’une procédure
algébrique pour résoudre des PL avec plus de deux variables « Cette méthode appelée méthode du
simplexe ».
= 25 + 15
2 +2 ≤ 240
3 +1 ≤ 140
≥ 0 , ≥0
Première étape :
Transformer le PL sous sa forme standard c à d transformer les inégalités sous forme des égalités en
introduisant des variables d’écarts ( )
2 +2 ≤ 2402 +2 +1 = 240
3 +1 ≤ 1403 + 21 + 1 = 140
18
Les variables d’écarts n’ont aucun effet sur la fonction objectif
= 25 + 15 +0 +0
2 +2 +1 = 240
3 + 21 + 1 = 140
≥ 0 , ≥ 0, ≥ 0 , ≥0
Deuxième étape :
La deuxième étape consiste à poser le premier tableau de simplexe à l’origine.
TAB : 0
Cj 25 15 0 0
VB qté
0 240 2 2 1 0
0 140 3 2 0 1
Dans le TAB 0 on a placé en première ligne les coefficientsCj des variables , , et dans la
fonction objectif.
La première colonne indique les contributions des variables de base dans la fonction objectif.
Troisième étape :
Dans cette étape , on donne la méthode itérative pour la détermination de la solution optimale d’un PL.
Première Itération
19
- Déterminer la variable entrante - Ve - « Colonne du pivot »
TAB 1
Cj 25 15 0 0
VB qté
0 240 2 2 1 0
0 140 3 2 0 1
Zj 0 0 0 0
Cj - Zj 25 15 0 0
La variable entrante c’est la variable qui correspond à la plus grande valeur positive de Cj – Zj( le plus
grand profit marginale )
Explication
Zj : correspond aux coefficients des variables de base multiplié par les coefficients de la variable dans
les contraintes deux à deux. ( Z 1 = 2× 0 + 3×0 = 0)
A l’origine ( au départ ) on a x1=0 c à d x1 est hors base ( on ne produit pas le produit type 1 ) si
maintenant on augment x1 d’une unité on a une diminution de e1 de 2 unités et e2 de 3 unités.
L’effet d’une telle variation sur la fonction objectif est 25 – ( 0x1 + 0x2 ) = C1 – Z1
Les Cj – Zj sont données par la dernière ligne du tableau de simplexe .cette variation indique le profit
marginal provenant de la production d’une unité .
Donc si x1 augmente d’une unité le profit augmente de 25 et si x2 augmente d’une unité le profit
augmente de 15.
Alors dans notre exemple la plus grande valeur positive est 25 donc la variable entrante c’est x1.
On détermine la variable sortante en divisant les valeurs de la quantité par les valeurs correspondantes
dans la colonne de la variable entrante ( on obtient une nouvelle colonne RT ) ratio test.
On remarque que l’augmentation de x1 est restreinte par deux limites 240/2 et 140/3
Alors la ressource 1 permet de produire 240/2 produit type 1 par contre la ressource 2 permet de
produire 140/3 .donc on se limite à 140/3 par conséquent on choisit comme variable sortante e2.
20
TAB 2
Cj 25 15 0 0
VB qté RT
0 240 2 2 1 0 240/2
0 140 3 2 0 1 140/3
Zj 0 0 0 0
Cj - Zj 25 15 0 0
Ce nouveau tableau est déterminé à l’aide de la méthode de changement de base suivante ( méthode de
pivot )
Le pivot c’est l’intersection entre la colonne de la variable entrante et la ligne de la variable sortante
∶ : Ancienne valeur
TAB 3
Cj 25 15 0 0
VB qté
0 440/3 0 4/3 1 -2/3
25 140/3 1 1/3 0 1/3
Zj 25 25/3 0 25/3
Cj-Zj 0 20/3 0 -25/3
Si les Cj – Zj sont tous inférieurs ou égal à zéro on arrête la solution est optimale ,si non on
développe une nouvelle itération.
21
Dans notre exemple il reste encore une valeur positive 20/3 , donc il faut développer une nouvelle
itération.
Deuxième Itération
Cj 25 15 0 0
VB qté RT
0 440/3 0 4/3 1 -2/3 110
25 140/3 1 1/3 0 1/3 140
Zj 25 25/3 0 25/3
Cj-Zj 0 20/3 0 -25/3
La variable entrante Ve c’est x2 et la variable sortante Vs c’est e1. Le pivot c’est 4/3.
Cj 25 15 0 0
VB qté
0 110 0 1 3/4 -1/2
0 10 1 0 -1/4 1/2
Zj 25 15 5 5
Cj - Zj 0 0 -5 -5
22
Transformer le PL sous sa forme
standard
Solution optimale
Cj-Zj≤ 0
23
- Partie II
- ALGORITHME DU SIMPLEXE
MINIMISATION
- POST OPTIMALITE - DUALITE
= 24 + 20
+ ≥ 30
+ 2 ≥ 40
≥ 0 ; ≥0
Première étape :
Cette étape consiste à convertir le PL sous sa forme standard
+ ≥ 30 + − = 30
A l’origine =0 et =0 ,
= − ce qui est non conforme à l’hypothèse de non négativité des variables , d’où la
nécessité d’introduire des variables artificielles ( )
Donc + ≥ 30 + − + 1 = 30
La variable artificielle est une variable de base , ceci indique que la solution est non réalisable.
- Les variables d’écarts (ei) ont un effet nul sur la fonction objectif
- On affecte aux variables artificielles ( Ai) une contribution unitaire M
« M étant très grand qui tend vers plus l’infini »
Le PL devient :
24
= 24 + 20 + 0 1 + 0 2 + 1 + 2
+ − + 1 = 30
+ 2 − + 2 = 40
x1 , x2 , e1 , e2 , A1 , A2 ≥ 0
à l’origine x1 = 0 , x2 = 0 , e1 = 0 , e2 = 0 et A1 = 30 et A2 = 40
Deuxième étape :
Tableau initial :
Cj 24 20 0 0 M M
VB qté x1 x2 e1 e2 A1 A2
M A1 30 1 1 -1 0 1 0
M A2 40 1 2 0 -1 0 1
Troisième étape :
Elle consiste à faire les itérations nécessaires pour trouver la solution optimale .
Première Itération
La minimisation de Z est équivalente à la maximisation de ( - Z ) , donc on peut utiliser la méthode de
maximisation en y changeant le critère de sélection de la variable entrante (Cj – Zj ) par ( Zj – Cj).
Cj 24 20 0 0 M M
VB qté x1 x2 e1 e2 A1 A2 RT
M A1 30 1 1 -1 0 1 0 30/1
M A2 40 1 2 0 -1 0 1 40/2
Zj 2M 3M -M -M M M
Zj-Cj 2M-24 3M-20 -M -M 0 0
On développe un nouveau tableau par la règle de pivotage déjà appliquée dans le cas de
maximisation.
Cj 24 20 0 0 M M
VB qté x1 x2 e1 e2 A1 A2 RT
M A1 10 1/2 0 -1 1/2 1 -1/2 20
20 x2 20 1/2 1 0 -1/2 0 1/2 -40
Zj M/2 + 10 20 -M M/2 - 10 M -M/2 + 10
25
Fin d’itération test est que tous les Zj – Cj sont ≤ 0 ?
Deuxième Itération
On détermine la variable entrante et la variable sortante et le pivot
Cj 24 20 0 0 M M
VB qté x1 x2 e1 e2 A1 A2 RT
M A1 10 1/2 0 -1 1/2 1 -1/2 20
20 x2 20 1/2 1 0 -1/2 0 1/2 -40
Zj M/2 + 10 20 -M M/2 - 10 M -M/2 + 10
une fois Ve , Vs et le pivot sont déterminés , on développe un nouveau tableau ( règle de pivotage)
Cj 24 20 0 0 M M
VB qté x1 x2 e1 e2 A1 A2
0 e2 20 1 0 -2 1 2 -1
20 x2 30 1 1 -1 0 1 1/2
Zj 20 20 -20 0 20 10
Zj - Cj -4 0 -20 0 20 - M 10 - M
Fin d’itération , tous les Zj – Cj sont ≤ 0 , donc le tableau est optimale
∗ ∗ ∗
=0, = 30 , = 0 , = 20, = 600
DUALITE
A tout programme linéaire , on associe un second programme linéaire appelé dual du premier.
Le dual est en relation étroite avec le premier programme ( primal ) , la solution de l’un des PL est
déterminée à partir de l’autre.
Exemple
26
Une entreprise de menuiserie produit des tables , des chaises et des armoires , les ressources de
cette entreprises étant limitées par trois contraintes . Le directeur de la production formule le
problème de la manière suivante :
= + +
+ + ≤ ( )
+ + ≤ ( ′ )
+ + ≤ ( )
≥ 0 , ≥ 0 , ≥0
∶ é
∶ ℎ é
∶ é
Cj 2 4 3 0 0 0
VB qté
4 20/3 1/3 1 0 1/3 -1/3 0
3 50/3 5/6 0 1 -1/6 2/3 0
0 80/3 -5/3 0 0 -2/3 -1/3 1
Zj 230/3 23/6 4 3 5/6 2/3 0
Cj - Zj -11/6 0 0 -5/6 -2/3 0
∗ ∗ ∗ ∗
= , = , = , = , = , = , = /
A - INTERPRETATION DES Cj - Zj
27
= c à d après optimisation il reste encore une quantité de des heures de finition.
D’autre part :
En résumé si on dispose d’une unité de bois supplémentaire on peut l’utilisé dans la production et
obtenir 5/6 de plus dans Z. donc on n’est pas disposé à payer plus de 5/6 pour une unité de bois.
En résumé si on dispose d’une heure d’assemblage supplémentaire on peut l’utilisé dans la production
et obtenir 2/3 de plus dans Z. donc on n’est pas disposé à payer plus de 2/3 pour une heure
d’assemblage.
B - LE PROBLEME DUAL
On veut placer une valeur monétaire sur les ressources . supposons qu’un autre producteur s’intéresse
à l’achat de toutes les ressources . A quels prix l’entreprise peut céder ses ressources ?
L’objectif de l’acheteur est minimiser le prix à payer pour toutes ces ressources . la fonction objectif
de l’acheteur ( dual ) est :
= + +
28
Mais cet acheteur ( dual ) sait que le vendeur ( primal ) n’acceptera pas n’importe quel prix .
En fait le vendeur ne cédera ses ressources que si le revenu rapporté par la vente des ressources
nécessaires à la production d’une unité d’un produit donné , est supérieur ou égal au revenu engendré
par la production de cette unité et sa vente.
Dans notre exemple : la production d’une table nécessite 3 unités de bois , 2 heures d’assemblage et
1 heure de finition. Le revenu engendré par la vente de ces ressources est 3 + 2 + 1
Mais le revenu engendré par la production et la vente d’une table est 2 unité monétaire. donc une
contrainte imposée par le primal sur le dual est : 3 + 2 + 1 ≥ 2
= + +
3 +2 +1 ≥2
4 +1 +3 ≥4
2 +2 +2 ≥3
≥ 0 , ≥ 0 , ≥0
Primal Dual
= + + = + +
+ + ≤ + + ≥
+ + ≤ + + ≥
+ + ≤ + + ≥
≥ 0 , ≥ 0 , ≥ 0
≥ 0 , ≥ 0 , ≥0
solution solution
Cj 2 4 3 0 0 0 Cj 60 40 80 0 0 0
VB qté VB qté ′ ′ ′
4 20/3 1/3 1 0 1/3 -1/3 0 60 5/6 1 0 2/3 0 -1/3 1/6
3 50/3 5/6 0 1 -1/6 2/3 0 0 ′ 11/6 0 0 5/3 1 -1/3 -5/6
0 80/3 -5/3 0 0 -2/3 -1/3 1 40 2/3 0 1 1/3 0 1/3 -2/3
Zj 230/3 23/6 4 3 5/6 2/3 0 Z’j 230/3 60 40 160/3 0 - -
Cj - Zj -11/6 0 0 -5/6 -2/3 0 20/3 50/3
Z’j – 0 0 -80/3 0 - -
C’j 20/3 50/3
20 y1 = 5/6 ; y2 = 2/3 ; y3 = 0
= 0 ; = ; = 50/3
3
e’1 = 11/6 ; e’2 = 0 ; e’3 = 0
e1 = 0 ; e2 = 0 ; e3 = 80/3
Z’* = 230/3
Z* = 230/3
29
Tableau optimal primal Tableau optimal dual
On remarque que la solution optimale du dual peut être déduite de la solution du primal de la manière
suivante :
SOLUTION PRIMAL
VARIABLES Cj - Zj
C1-Z1 C2-Z2 C3-Z3 C4-Z4 C5-Z5 C6-Z6
0 20/3 50/3 0 0 80/3 -11/6 0 0 -5/6 -2/3 0
30
- Partie III
- ORDONNANCEMENT
« RESEAU PERT – temps »
31
ORDONNANCEMENT
Les méthodes d’ordonnancement des tâches permettent d’avoir une représentation graphique.
cette représentation permet le positionnement relatifs des opérations dans le temps
Le PERT permet d’obtenir un ordonnancement optimum des tâches les unes par rapport aux
autres pour minimiser la durée totale d’un projet
A – Principe de la méthode
Réduire la durée totale d’un projet par une analyse détaillée des tâches ou activités
élémentaires et de leur enchainement dans le temps.
B - Notions de base
La méthode s’appuie sur une représentation graphique qui permet de bâtir un réseau constitué
des nœuds et des tâches
Une étape n’a pas de durée . on symbolise une étape par un cercle réparti en trois perties
** Tâche :
32
C’est le déroulement dans le temps d’une opération , contrairement à l’étape , la tâche
demande une certaine durée , des ressources et un cout. Elle est symbolisée par un vecteur ou
arc orienté, sur lequel seront indiqués l’action à effectuer et le temps estimé de réalisation de
cette tâche
A(8)
C’est une tâche symbolisée par A et la durée est 8. (Exp : 8 jours ou mois ou heures ou
……)
Et pour alléger la représentation, on ne note pas le nom complet de la tâche mais juste une
lettre ou un code.
** Tâches simultanées
33
A et B sont deux tâches simultanées. Elles commencent en même temps.
** Tâches Convergentes
Remarque Importante
34
Si l’on souhaite que D ne commence que si C et B sont terminées c à d on souhaite
que C et B se terminent dans le nœud 4 ( se convergent ). qu’est ce qu’il faut faire ?
On a déjà la tâche B se termine dans le nœud 3 , et C se termine dans le nœud 4 et on
veut les converger vers le nœud 4.
Donc on va créer une tâche fictive qui sert à représenter ce type de contrainte de
liaison.
La tâche fictive et une tâche dont la durée et le coût sont nuls. on l’a représente par des
pointillés et on la note par X ( 0 ).
35
Pour Un sommet, la date au plus tôt notée ( t ) représente concrètement le temps minimum
nécessaire pour atteindre ce sommet. « on ne peut pas faire mieux »
Exemple 1 :
t3 = ??
t3 = Max (5 + 12 ) = 17
Exemple 2 :
36
Pour un sommet, la date au plus tard notée Ti représente concrètement la date à la quelle cet état
doit obligatoirement être atteint si l’on ne veut pas augmenter la durée totale du projet ( il ne faut
pas faire pire »
Exemple 1
Dans cet exemple on a un seul nœud qui suit qui suit le nœud 2 alors
T3 = 15 ; T2 = ?? alors T2 = Min ( 15 – 12 ) = 3
Exemple 2
T2 = ? , T3 = 15 , T4 = 7
T2 = Min ( 15 – 10 ; 7- 3 ) = Min ( 5 ; 4 ) = 4
37
La marge totale d’une tâche représentera concrètement le retard maximal
qu’on pourra prendre dans la réalisation d’une tâche sans retarder l’ensemble
du projet, on la note MT
ML = date au plus tôt (j) – date au plus tôt (i) – la durée de la tâche
MT = date au plus tard (j) – date au plus tôt (i) – la durée de la tâche
Remarque : La différence entre ML et MT c’est que pour ML on utilise tj ( date au plus tôt )
par contre pour MT on utilise Tj ( date au plus tard )
Exercice d’application
Soit le projet à analyser :
Tâches Antérieur Durée
A ---------- 6
B ---------- 5
C A 4
D B 6
E C 5
F A , D 6
38
G E , F 4
Graphe partiel
La tâche A est nécessaire pour C , mais on remarque que A aussi est nécessaire pour F
, donc on doit relier A par F par une tâche fictive.
1 t 1= 0 7 T7 = t7 = 21
39
t6 = Max ( 10+5 ; T2 = Min (12-4 ; 11-0 )
6 2 =8
11+6 ) = 17
T1 = Min ( 8-6 ; 5-5 ) =
7 t7 = Max ( 17+4 ) = 21 1 0
Les tâches critiques sont les tâches dont la marge totale est nulle.
Remarques :
40
EXERCICES AVEC SOLUTIONS
Exercice 1
41
Remarque : - la numérotation des nœuds se fait dans un ordre quelconque
- La tâche E est nécessaire pour G et H , d’où la nécessité d’une tâche fictive.
t1 = 0 T7 = t7 = 13
t2 = Max ( 0 + 5) = 5 T6 = Min ( 13 – 4 ) =9
42
Les tâches critiques : A - D - H
Le chemin critique ( ADH)
Exercice 2
Tâche A B C D E F G
Tâche ------ -------- A B C A,D E,F
antérieur
Durée 6 5 4 6 5 6 4
2- calculer les dates au plus tôt et les dates au plus tard pour chaque sommet
3 – Calculer les marges libres et les marges totales
4 – déterminer le chemin critique
Solution
1-
43
Remarque 1 : A est nécessaire pour C ,
mais aussi nécessaire pour F donc il faut une tâche fictive X(0).
Remarque 2 : ce graphe PERT est partiel * incomplet*par ce qu’ il ne contient pas les dates.
2-
t1 = 0 T7 = t7 = 21
t2 = Max ( 0 + 6) = 6 T6 = Min ( 21 – 4 ) = 17
44
3- Marges libres et totales
tâche A B C D E F G
ML 0 0 0 0 2 0 0
MT 2 0 2 0 2 0 0
Exercice 3
Tâche A B C D E F G H I J
Tâche --- --- A A A,B C C,D E F,G H,I
antérieur
Durée 6 2 3 7 2 4 2 3 4 1
1- tracer le graphe PERT , calculer les dates au plus tôt et au plus tard pour chaque sommet
2- calculer les marges libres et totales de chaque tâche
3- Déterminer le chemin critique
4- si la durée de la tâche E devient 12 au lieu de 2.
Solution
45
Les dates :
t1 =0 T9 = t9 = 20
t2 = Max (0+6)= 6 T8 = Min (20-1) = 19
t3 =Max (0+2 , 6+0 ) = 6 T7= Min (19-3) = 16
t4 = Max (6+3)=9 T6= Min (19-4)=15
t5 = Max (6+7 , 9+0 ) = 13 T5=Min (15-2) = 13
t6 = Max (9+4 , 13+2 ) = 15 T4=min (13-0, 15-4) = 11
t7 = Max (6+2)= 8 T3 =Min (16-2) = 14
t8 = Max (15+4 , 8+3 ) = 19 T2 =Min (11-3 , 13-7 , 13-0) = 6
t9 = Max (19+1) = 20 T1 = Min (6-6 , 14-2 ) = 0
GRAPHE COMPLET
46
tâche A B C D E F G H I J
ML 0 4 0 0 0 2 0 8 0 0
MT 0 12 2 0 8 2 0 8 0 0
Remarque : La marge libre d’une tâche a une relation avec la tâche ou les tâches
suivante (s) , par contre la marge totale a une relation avec tout le projet.
47