Modélisation Simple

Faculté Polytechnique de Mons
Service de Mathématique et Recherche Opérationnelle

MATHRO - Rue de Houdain
Programmation linéaire - Modélisation
Prof. D. Tuyttens
– p. 1/??
Partie I
Modélisations simples
– p. 2/??
Modélisation sous forme de problème linéaire
Pour modéliser une situation concrète sous la forme d’un problème de

programmation linéaire, on a besoin de définir correctement les trois
informations suivantes :
• Les variables (continues ou discrètes) du problème
• Les contraintes linéaires du problème
• L’objectif linéaire du problème
– p. 3/??
Problème I de modélisation
Une compagnie aérienne doit décider pour les 12 mois à venir la
politique d’engagement et de licenciement de son personnel de bord.
Exprimés en heures de travail par mois, les besoins à bord des avions :
Janvier : 7500 Mai : 6000 Septembre : 10500
Février : 9000 Juin : 7200 Octobre : 12000
Mars : 10500 Juillet : 12000 Novembre : 9000
Avril : 9000 Août : 15000 Décembre : 10500
Un steward fournit 150 heures de travail normales par mois. Au début

du mois de janvier (avant embauche ou licenciement), la compagnie a
60 stewards. Elle désire avoir le même nombre au début du mois de
janvier suivant (après embauche ou licenciement). A la fin de chaque
mois, 5 stewards quittent la compagnie pour des raisons personnelles.
Un steward coûte à la compagnie 3000 Euros par mois. La compagnie

peut licencier du personnel moyennant une indemnité de 3500 Euros.
Tout licenciement (ou embauche) se fait en début de mois. La compagnie
peut faire faire à son personnel des heures supplémentaires. Chaque
heure supplémentaire coûte 50 Euros. Le nombre mensuel d’heures
supplémentaires ne peut dépasser 20 heures par steward.
– p. 4/??
 Problème I de modélisation
 12
X
min (3000 Ti + 3500 Li + 50 Hi ) + 3500 L13







 i=1



  
− L1




 T1 = 60 + E1 

− L2 − 5 

T2 = T1 + E2

 

  

..

  





 . Gestion du personnel
  

T 12 = T11 + E12 − L12 − 5 



  

 
60 = T12 + E13 − L − 5

 
 13

 150 T1 + H1 ≥ 7500 
..
  
Heures de travail

.

 

  
 
150 T12 + H12  ≥ 10500 



 

H1 ≤ 20 T1 



 
..
  
Heures supplémentaires

.

 

  
 
H12 ≤ 20 T 

12









 Ti ≥ 0, Ei ≥ 0, Li ≥ 0, Hi ≥ 0 i = 1, . . . , 13 et entières
– p. 5/??
Problème II de modélisation
Une firme produit des rouleaux de papier de la largeur fixe égale

à 2.50 m. Elle doit satisfaire des commandes de quatres types se
répartissant comme suit:
Quantité commandée Largeur

10 rouleaux 1.20 m
15 rouleaux 1.00 m
30 rouleaux 0.88 m
08 rouleaux 0.50 m
De quelle manière doivent s’effectuer les découpes nécessaires

si l’on désire :
1. minimiser les pertes ou bien
2. minimiser les découpes nécessaires
– p. 6/??
1.2m 1.0m 0.88m 0.5m Perte Découpes

1 2 0 0 0 0.1 2
2 1 0 0 0 1.3 1
3 1 1 0 0 0.3 2
4 1 0 1 0 0.42 2
5 1 0 0 1 0.8 2
6 1 0 0 2 0.3 3
7 0 2 0 0 0.5 2
8 0 2 0 1 0.0 2
9 0 1 0 0 1.5 1
10 0 1 1 0 0.62 2
11 0 1 1 1 0.12 3
12 0 1 0 1 1.0 2
13 0 1 0 2 0.5 3
14 0 1 0 3 0.0 3
– p. 7/??
1.2m 1.0m 0.88m 0.5m Perte Découpes

15 0 0 2 0 0.74 2
16 0 0 2 1 0.24 3
17 0 0 1 0 1.62 1
18 0 0 1 1 1.12 2
19 0 0 1 2 0.62 3
20 0 0 1 3 0.12 4
21 0 0 0 1 2.0 1
22 0 0 0 2 1.5 2
23 0 0 0 3 1.0 3
24 0 0 0 4 0.5 4
25 0 0 0 5 0.0 4
– p. 8/??
Minimiser les pertes


 min 0.1 x1 + 1.3 x2 + 0.3 x3 + 0.42 x4 + 0.8 x5 + 0.3 x6 + 0.5 x7 +




 0.0 x8 + 1.5 x9 + 0.62 x10 + 0.12 x11 + 1.0 x12 + 0.5 x13 +
0.0 x14 + 0.74 x15 + 0.24 x16 + 1.62 x17 + 1.12 x18 + 0.62 x19 +





0.12 x20 + 2.0 x21 + 1.5 x22 + 1.0 x23 + 0.5 x24 + 0.0 x25









 



 2 x1 + x2 + x3 + x4 + x5 + x6 = 10

 

 

 x3 + 2 x7 + 2 x8 + x9 + x10 + x11 + x12 + x13 + x14 = 15
 

 

 

 x4 + x10 + x11 + 2 x15 + 2 x16 + x17 + x18 + x19 + x20 = 30
 



 

 

 
 x5 + 2 x6 + x8 + x11 + x12 + 2 x13 + 3 x14 + x16 +

 






 x18 + 2 x19 + 3 x20 + x21 + 2 x22 + 3 x23 + 4 x24 + 5 x25 = 8





xi ≥ 0 i = 1, . . . , 25 et entières

– p. 9/??
Minimiser les découpes nécessaires


 min 2 x1 + 1 x2 + 2 x3 + 2 x4 + 2 x5 + 3 x6 + 2 x7 +




 2 x8 + 1 x9 + 2 x10 + 3 x11 + 2 x12 + 3 x13 +
3 x14 + 2 x15 + 3 x16 + 1 x17 + 2 x18 + 3 x19 +





4 x20 + 1 x21 + 2 x22 + 3 x23 + 4 x24 + 4 x25









 



 2 x1 + x2 + x3 + x4 + x5 + x6 = 10

 

 

 x3 + 2 x7 + 2 x8 + x9 + x10 + x11 + x12 + x13 + x14 = 15
 

 

 

 x4 + x10 + x11 + 2 x15 + 2 x16 + x17 + x18 + x19 + x20 = 30
 



 

 

 
 x5 + 2 x6 + x8 + x11 + x12 + 2 x13 + 3 x14 + x16 +

 






 x18 + 2 x19 + 3 x20 + x21 + 2 x22 + 3 x23 + 4 x24 + 5 x25 = 8





xi ≥ 0 i = 1, . . . , 25 et entières

– p. 10/??
Nombre Type 1.2m 1.0m 0.88m 0.5m Perte Découpes

10 x4 1 0 1 0 0.42 2
7 x8 0 2 0 1 0.00 2
1 x10 0 1 1 0 0.62 2
9 x15 0 0 2 0 0.74 2
1 x18 0 0 1 1 1.12 2
28 10 15 30 8 12.6 56
Nombre Type 1.2m 1.0m 0.88m 0.5m Perte Découpes

5 x1 2 0 0 0 0.10 2
7 x8 0 2 0 1 0.00 2
15 x15 0 0 2 0 0.74 2
1 x12 0 1 0 1 1.00 2
28 10 15 30 8 12.6 56
– p. 11/??
Problème IIIa de modélisation
Dans une gare, au cours des périodes données ci-dessous, on a

besoin du nombre d’employés suivant :
0h → 4h 4h → 8h 8h → 12h 12h → 16h 16h → 20h 20h → 24h

3 8 10 8 14 5
Les différentes équipes prennent leur travail à minuit, 4 heures du

matin, etc. pour une seule période de 8 heures consécutives. On
demande les deux formulations suivantes du problème :
1. On désire déterminer comment répartir les employés pour
satisfaire les besoins avec un minimum de personnel.
2. Sachant que les heures de nuit (20h → 8h) sont comptabilisées
en double, on désire déterminer comment répartir les employés
pour satisfaire les besoins avec un coût salarial minimum.
– p. 12/??


 min x1 + x2 + x3 + x4 + x5 + x6





x1 + x2 ≥ 8





x2 + x3 ≥ 10





 x + x ≥ 8
3 4

 x4 + x5 ≥ 14

x5 + x6 ≥ 5





x6 + x1 ≥ 3









xi ≥ 0, i = 1, . . . , 6 et entières

Les variables x1 , x2 , x3 , x4 , x5 , x6 représentent le nombre de personnes

commençant leur travail respectivement à 0h, 4h, 8h, 12h, 16h, 20h.
– p. 13/??


 min 16 x1 + 12 x2 + 8 x3 + 8 x4 + 12 x5 + 16 x6





x1 + x2 ≥ 8





x2 + x3 ≥ 10





 x + x ≥ 8
3 4

 x4 + x5 ≥ 14

x5 + x6 ≥ 5





x6 + x1 ≥ 3









xi ≥ 0, i = 1, . . . , 6 et entières


– p. 14/??
Problème IIIb de modélisation
Il est possible de définir les besoins en nombre d’employés au cours

des périodes de deux façons supplémentaires différentes :
0h → 4h 4h → 8h 8h → 12h 12h → 16h 16h → 20h 20h → 24h

4 9 9 9 12 7
et
0h → 4h 4h → 8h 8h → 12h 12h → 16h 16h → 20h 20h → 24h

2 10 12 12 12 4
Comment la formulation précédente doit-elle être modifiée ?
– p. 15/??
Problème IIIb de modélisation



 min 16 x1 + 12 x2 + 8 x3 + 8 x4 + 12 x5 + 16 x6





x1 + x2 ≥ 8 + δ + 2γ








 x2 + x3 ≥ 10 − δ + 2γ
≥ 8




 x3 + x4 + δ + 4γ
x4 + x5 ≥ 14 − 2δ − 2γ




x5 + x6 ≥ 5 + 2δ − γ




 x6 + x1 ≥ 3 + δ − γ





δ + γ ≤ 1













 xi ≥ 0, i = 1, . . . , 6 et entières

 δ ∈ {0, 1} γ ∈ {0, 1} variables binaires

– p. 16/??
Problème IIIc de modélisation
On dispose d’un ensemble 30 personnes réparties comme suit :
Catégorie 1 : 5 personnes horaire exclusif de jour (8h → 20h).
Catégorie 2 : 5 personnes horaire exclusif de nuit (20h → 8h).
Catégorie 3 : 5 personnes horaire de 4h de jour et 4h de nuit.
Catégorie 4 : 15 personnes horaire de 8h = 2 × 4h non consécutives,

salaire augmenté de 10 %.
On désire déterminer l’affectation des personnes pour satisfaire les

besoins et minimiser le coût salarial.
– p. 17/??
Problème IIIc de modélisation


 min 16x1 + 12x2 + 8x3 + 8x4 + 12x5 + 16x6 +13.2s13 + 13.2s14 +

13.2s15 + 13.3s24 + 13.2s25 + 17.6s26 + 8.8s35 + 13.2s36 + 13.2s46



 




 x1 + x2 + s24 + s25 + s26 ≥ 8
 x2 + x3 + s13 + s35 + s36 ≥ 10

 


 



  x3 + x4 + s14 + s24 + s46 ≥ 8
 
15 + s25 + s35 ≥ 14
  x + x + s



  4 5
 x5 + x6 + s26 + s36 + s46 ≥ 5
 

 x6 + x1 + s24 + s25 + s26 ≥ 3
 
x3 + x4 ≤ 5





  x + x ≤ 5


  1 6
 x2 + x5 ≤ 5

 



s13 + s14 + s15 + s24 + s25 + s26 + s35 + s36 + s46 ≤ 15





xi ≥ 0, i = 1, . . . , 6 et entières





s13 , s14 , s15 , s24 , s25 , s26 , s35 , s36 , s46 ≥ 0 et entières

Les variables s13 , s14 , s15 , s24 , s25 , s26 , s35 , s36 , s46 représentent le
nombre de personnes commençant leur travail respectivement aux
périodes(0h, 8h), . . . , (12h, 20h).
– p. 18/??
Problème IV de modélisation
Supposons qu’au cours de n semaines, il faille fournir des heures de

vol correspondant à 700 semaines de travail pour les pilotes lorsque
les conditions sont les suivantes. Au commencement de la première
semaine, on dispose de 320 pilotes. Ils peuvent être employés soit
pour effectuer des vols, soit comme instructeurs. Un instructeur forme
20 nouveaux pilotes par semaine. Il est ensuite affecté à d’autres tâches.
Tous les équipages qui ont volé, prennent au moins une semaine de
repos à la fin d’une semaine d’une semaine de vol. On exige également
que les disponibilités en personnel volant ne diminuent pas d’une
semaine à l’autre.
Un pilote qui vole revient à 80 unités par semaine. Un homme au repos

coûte 5 unités. La période hebdomadaire d’instruction (en incluant les
dépenses occasionnées par le personnel formé) revient à 200 unités.
Il est demandé de calculer le schéma correspondant à la dépense

minimale.
– p. 19/??
Problème IV de modélisation

X n
min (80 Vi + 5 Ri + 200 Ii )





i=1











 V1 + V2 + . . . + Vn = 700





V1 + R1 + I1 = 320








 Vi+1 + Ri+1 + Ii+1 = Vi + Ri + 21 Ii i = 1, . . . , n − 1





Ri+1 ≥ Vi i = 1, . . . , n − 1









Vi+1 ≥ Vi i = 1, . . . , n − 1










Vi ≥ 0, Ri ≥ 0, Ii ≥ 0, i = 1 . . . , n et entières

Les variables Vi , Ri , Ii représentent respectivement le nombre de

personnes qui volent, qui sont au repos ou qui instruisent pendant la
période i.
– p. 20/??
Problème V de modélisation
Une compagnie d’électricité a un contrat pour livrer 20000 radios en 4
semaines. Le prix de vente est de 20$ la première semaine, de 18$ la
deuxième semaine, de 16$ la troisième semaine, de 14$ la quatrième
semaine.
L’entreprise a 40 ouvriers permanents (déjà formés). Chaque ouvrier

produit 50 radios par semaine. On doit par conséquent former du
personnel supplémentaire.
Le personnel supplémentaire doit être formé pendant une semaine

avant de pouvoir travailler ou former d’autres personnes. Chaque
formateur enseigne à au plus 3 personnes. Chaque personne engagée
doit être gardée jusqu’à la fin du contrat (même si elle ne travaille pas).
Les salaires sont de 600 Euros par semaine pour un travailleur déjà
formé et de 300 Euros par semaine pendant la formation. Le coût de
production est de 5 Euros par radio.
On demande de formuler le problème de telle sorte que le profit total

net soit maximisé.
– p. 21/??
 Problème V de modélisation

 max 750 T1 + 650 T2 + 550 T3 + 450 T4




 −600 F1 − 600 F2 − 600 F3 − 600 F4
−300 E1 − 300 E2 − 300

o E3



 h




 50 (T1 + T2 + T3 + T4 ) = 20.000 Production à réaliser
  
F1 = 40



 


  F = F + E  
  2 1 1
Gestion du personnel formé



 F3 = F2 + E2 
 

 
 
F4 = F3 + E3
 
 


 F1 ≥ T 1 + I1  

  F ≥ T + I  
  2 2 2
Statut du personnel


 F3 ≥ T 3 + I3 

 

 
 
F ≥ T

 
 4 4

 

E1 ≤ 3 I1 



 

 E2 ≤ 3 I2 Formation du personnel

 

 
E3 ≤ 3 I3 





Fi ≥ 0, Ti ≥ 0, Ii ≥ 0, Ei ≥ 0, i = 1 . . . , 4 et entières

Fi (Formés), Ti (Travailleurs), Ii (Instructeurs), Ei (Elèves).

– p. 22/??
Problème VIa de modélisation
Une entreprise doit décider son planning de production et de stockage
pour une période de 8 semaines. Elle produit 2 types de meubles dans
3 départements. Les départements "Fabrication" et "Assemblage" sont
composés de deux ateliers : la production d’un meuble nécessite
l’utilisation de l’un ou l’autre de ces ateliers (mais pas des deux !).
Fabrication Assemblage Finition
F1 F2 As1 As2 Fi
"De Luxe" 30’ 20’ 10’ 15’ 20’
"Standard" 10’ 30’ 30’ 20’ 10’
Capacité 120h 100h 130h 100h 150h
Il n’y a pas de stock au début de la semaine 1. On souhaite avoir un
stock de 100 "Standard" et 200 "De Luxe" au début de la semaine 9.
Les prévisions maximales de vente sont (les fournitures en fin de semaine) :
S1 S2 S3 S4 S5 S6 S7 S8
"De Luxe" 500 350 300 450 400 470 490 475
"Standard" 300 350 600 500 300 350 410 350
Le gain net par meuble est 300 Euros "De Luxe" et 125 Euros "Standard".
Le coût de stockage par meuble et par semaine est de 25 Euros.
– p. 23/??
Problème VIa de modélisation
 8
X 7
X
max (300 VL,t + 125 VS,t ) − 25 (SL,t + SS,t )






  t=1 t=1 
F1 F1

30 PL,t + 10 PS,t ≤ 7200 



 

F2 F2

 20 PL,t + 30 PS,t ≤ 6000 

  

 

AS AS

t = 1, . . . , 8

  10 P 1 + 30 P 1 ≤ 7800
L,t S,t

 
 AS2 AS2

15 P + 20 P ≤ 6000

  


  L,t S,t 

Fi Fi

20 PL,t + 10 PS,t ≤ 9000 

 

 " )
 Fi AS1 AS2 F1 F2
PL,t = PL,t + PL,t = PL,t + PL,t


t = 1, . . . , 8


Fi AS1 AS2 F1 F2
P = PS,t + PS,t = PS,t + PS,t
  S,t
Fi
PL,1 − VL,1 − SL,1 = 0




  Fi



  PS,1 − VS,1 − SS,1 = 0
 Fi
 PL,t + SL,t−1 − VL,t − SL,t = 0 t = 2, . . . , 7




 

  P Fi + S − VS,t − SS,t = 0 t = 2, . . . , 7

  S,t S,t−1
  Fi
 PL,8 + SL,7 − VL,8 − 100 = 0




 Fi



 h S,8 + SS,7
P − VS,8 − 200 = 0

VL,1 ≤ 500 . . . VL,8 ≤ 475 VS,1 ≤ 300 . . . VS,8 ≤ 350





F1 ,F 2,AS1,AS2,Fi F1 ,F 2,AS1,AS2,Fi
, VL,t , VS,t , SL,t , SS,t ≥ 0, entières, t = 1, ., 8

PL,t , PS,t
– p. 24/??
Problème VIb de modélisation
Il est possible de doubler la sixième semaine la capacité de production

des ateliers F2 et AS2, moyennant un coût fixe de 5000 Euros.
Comment la formulation précédente doit-elle être modifiée?
Idem à la question précédent, mais en plus : le développement de

cette capacité supplémentaire pourrait être avancée à la quatrième
semaine. Dans cette éventualité le coût fixe s’élèverait à 7500 Euros
(plutôt que 5000 Euros), qui serait supporté une fois pour toutes.
– p. 25/??
 8
X 7
X
max (300 VL,t + 125 VS,t ) − 25 (SL,t + SS,t ) − 5000 δ






  t=1 t=1
F1 F1

30 PL,t + 10 PS,t ≤ 7200




F2 F2

 20 PL,t + 30 PS,t ≤ 6000 + 6000 δ Si t = 6

 


 10 P AS1 + 30 P AS1 ≤ 7800

 
L,t S,t

 
 AS AS
 15 PL,t 2 + 20 PS,t 2 ≤ 6000 + 6000 δ Si t = 6

 


Fi Fi

20 PL,t + 10 PS,t ≤ 9000



 " )


t = 1, . . . , 8


Fi AS1 AS2 F1 F2
  S,t
Fi
PL,1 − VL,1 − SL,1 = 0




  Fi



  PS,1 − VS,1 − SS,1 = 0
 Fi
 PL,t + SL,t−1 − VL,t − SL,t = 0 t = 2, . . . , 7




 

  P Fi + S − VS,t − SS,t = 0 t = 2, . . . , 7

  S,t S,t−1
  Fi
 PL,8 + SL,7 − VL,8 − 100 = 0




 Fi



 h S,8 + SS,7
P − VS,8 − 200 = 0

VL,1 ≤ 500 . . . VL,8 ≤ 475 VS,1 ≤ 300 . . . VS,8 ≤ 350 δ ∈ {0, 1}






PL,t , PS,t
– p. 26/??
 8
X 7
X
max (300 VL,t + 125 VS,t ) − 25 (SL,t + SS,t ) − 5000 δ − 7500 γ






  t=1 t=1
F1 F1

30 PL,t + 10 PS,t ≤ 7200




F2 F2

 20 PL,t + 30 PS,t ≤ 6000 + 6000 δ + 6000 γ Si t = 6, t = 4

 


 10 P AS1 + 30 P AS1 ≤ 7800

 
L,t S,t

 
 AS AS
 15 PL,t 2 + 20 PS,t 2 ≤ 6000 + 6000 δ + 6000 γ Si t = 6, t = 4

 


Fi Fi

20 PL,t + 10 PS,t ≤ 9000



 " )


t = 1, . . . , 8


Fi AS1 AS2 F1 F2
  S,t
Fi
PL,1 − VL,1 − SL,1 = 0




  Fi



  PS,1 − VS,1 − SS,1 = 0
 Fi
 PL,t + SL,t−1 − VL,t − SL,t = 0 t = 2, . . . , 7




 

  P Fi + S − VS,t − SS,t = 0 t = 2, . . . , 7

  S,t S,t−1
  Fi
 PL,8 + SL,7 − VL,8 − 100 = 0




 Fi



 h S,8 + SS,7
P − VS,8 − 200 = 0 δ + γ≤1

VL,1 ≤ 500 . . . VL,8 ≤ 475 VS,1 ≤ 300 . . . VS,8 ≤ 350 δ, γ ∈ {0, 1}






PL,t , PS,t
– p. 27/??
Problème VIIa de modélisation
L’entreprise désire appliquer une maintenace préventive à ses cinq
ateliers A1 , A2 , A3 , A4 et A5 . La maintenance de l’atelier A1 requiert 2
personnes la première semaine de maintenance, 2 personnes la
seconde semaine et une personne la troisième semaine. Ce service
de maintenance préventif peut commencer au plus tôt la première
semaine et au plus tard la quatrième semaine. Les données
concernant les autres ateliers figurent dans le tableau suivant :
Ateliers Sem 1 Sem 2 Sem 3 Au plus tôt Au plus tard
A1 2 2 1 1 4
A2 3 2 1 1 3
A3 4 2 2 2 5
A4 1 1 3 2 6
A5 2 2 2 3 5
Sachant qu’au début de la semaine 1 il y a 7 ouvriers d’entretien et
qu’il doit y en avoir 9 au début de la semaine 9, trouver la politique
d’embauche et de licenciement minimisant les coûts salariaux si le
coût hebdomadaire d’un ouvrier est de 600 Euros et les frais
d’embauche et de licenciement s’élèvent respectivement à 300 Euros
et 1200 Euros par ouvrier.
– p. 28/??
 Problème VIIa de modélisation
9
X

min (600 Ti + 300 Ei + 1200 Li )







 i=1



 
T1 ≥ 2 δ11 + 3 δ21





 T2 ≥ 2 δ11 + 3 δ12 + 2 δ21 + 3 δ22 + 1 δ42

 


 


  T3 ≥ 1 δ11 + 2 δ12 + 2 δ13 + . . . + 2 δ53

 
  T ≥ 1 δ + 2 δ + 2 δ + ...+ 2 δ + 2 δ


  4 12 13 14 53 54
 T5 ≥ 1 δ13 + 2 δ14 + . . . + 2 δ53 + 2 δ54 + 2 δ55

 


 
  T6 ≥ 1 δ14 + . . . + 2 δ54 + 2 δ55

 T7 ≥ 2 δ35 + 3 δ45 + 1 δ46 + 2 δ55
 


T8 ≥ 3 δ46




 
δ11 + δ12 + δ13 + δ14 = 1

 
T1 = 7 + E1 − L1




  δ +δ +δ =1


  21 22 23
 T2 = T1

+ E2 − L2
 δ32 + δ33 + δ34 + δ35 = 1

   .
  .
 .

 


  δ42 + δ43 + δ44 + δ45 + δ46 = 1



 δ53 + δ54 + δ55 = 1 9 = T8 + E9 − L9







 T ≥ 0,
i Ei ≥ 0, Li ≥ 0 et entières δij ∈ {0, 1}
– p. 29/??
Sem1 Sem2 Sem3 Sem4 Sem5 Sem6 Sem7 Sem8

(2, 2, 1)[1, 4] A1 A1 A1 A1 A1 A1
(3, 2, 1)[1, 3] A2 A2 A2 A2 A2
(4, 2, 2)[2, 5] A3 A3 A3 A3 A3
(1, 1, 3)[2, 6] A4 A4 A4 A4 A4 A4 A4
(2, 2, 2)[3, 5] A5 A5 A5 A5 A5
T1 ≥ 2 δ11
+ 3 δ21
– p. 30/??

(2, 2, 1)[1, 4] A1 A1 A1 A1 A1 A1
(3, 2, 1)[1, 3] A2 A2 A2 A2 A2
(4, 2, 2)[2, 5] A3 A3 A3 A3 A3
(1, 1, 3)[2, 6] A4 A4 A4 A4 A4 A4 A4
(2, 2, 2)[3, 5] A5 A5 A5 A5 A5
T2 ≥ 2 δ11 + 2 δ12
+ 2 δ21 + 3 δ22
+ 1 δ42
– p. 31/??

(2, 2, 1)[1, 4] A1 A1 A1 A1 A1 A1
(3, 2, 1)[1, 3] A2 A2 A2 A2 A2
(4, 2, 2)[2, 5] A3 A3 A3 A3 A3
(1, 1, 3)[2, 6] A4 A4 A4 A4 A4 A4 A4
(2, 2, 2)[3, 5] A5 A5 A5 A5 A5
T3 ≥ 1 δ11 + 2 δ12 + 2 δ13

+ 1 δ21 + 2 δ22 + 3 δ23
+ 4 δ33
+ 1 δ42 + 1 δ43
+ 2 δ53
– p. 32/??

(2, 2, 1)[1, 4] A1 A1 A1 A1 A1 A1
(3, 2, 1)[1, 3] A2 A2 A2 A2 A2
(4, 2, 2)[2, 5] A3 A3 A3 A3 A3
(1, 1, 3)[2, 6] A4 A4 A4 A4 A4 A4 A4
(2, 2, 2)[3, 5] A5 A5 A5 A5 A5
T4 ≥ 1 δ12 + 2 δ13 + 2 δ14

+ 1 δ22 + 2 δ23
+ 2 δ33 + 4 δ34
+ 3 δ42 + 1 δ43 + 1 δ44
+ 2 δ53 + 2 δ54
– p. 33/??

(2, 2, 1)[1, 4] A1 A1 A1 A1 A1 A1
(3, 2, 1)[1, 3] A2 A2 A2 A2 A2
(4, 2, 2)[2, 5] A3 A3 A3 A3 A3
(1, 1, 3)[2, 6] A4 A4 A4 A4 A4 A4 A4
(2, 2, 2)[3, 5] A5 A5 A5 A5 A5
T5 ≥ 1 δ13 + 2 δ14
+ 1 δ23
+ 2 δ33 + 2 δ34 + 4 δ35
+ 3 δ43 + 1 δ44 + 1 δ45
+ 2 δ53 + 2 δ54 + 2 δ55
– p. 34/??

(2, 2, 1)[1, 4] A1 A1 A1 A1 A1 A1
(3, 2, 1)[1, 3] A2 A2 A2 A2 A2
(4, 2, 2)[2, 5] A3 A3 A3 A3 A3
(1, 1, 3)[2, 6] A4 A4 A4 A4 A4 A4 A4
(2, 2, 2)[3, 5] A5 A5 A5 A5 A5
T6 ≥ 1 δ14
+ 2 δ34 + 2 δ35
+ 3 δ44 + 1 δ45 + 1 δ46
+ 2 δ54 + 2 δ55
– p. 35/??

(2, 2, 1)[1, 4] A1 A1 A1 A1 A1 A1
(3, 2, 1)[1, 3] A2 A2 A2 A2 A2
(4, 2, 2)[2, 5] A3 A3 A3 A3 A3
(1, 1, 3)[2, 6] A4 A4 A4 A4 A4 A4 A4
(2, 2, 2)[3, 5] A5 A5 A5 A5 A5
T7 ≥ 2 δ35
+ 3 δ45 + 1 δ46
+ 2 δ55
– p. 36/??

(2, 2, 1)[1, 4] A1 A1 A1 A1 A1 A1
(3, 2, 1)[1, 3] A2 A2 A2 A2 A2
(4, 2, 2)[2, 5] A3 A3 A3 A3 A3
(1, 1, 3)[2, 6] A4 A4 A4 A4 A4 A4 A4
(2, 2, 2)[3, 5] A5 A5 A5 A5 A5
T8 ≥ 3 δ46
– p. 37/??
Problème VIIb de modélisation
- Si on suppose que l’entreprise désire affecter un nombre

d’ouvriers constant (minimum) durant les huit semaines. Il s’agit
donc de trouver le planning de maintenance des ateliers qui
minimise ce nombre d’ouvriers.
- Si la maintenance de l’atelier A3 ne peut pas commencer avant la
maintenance de l’atelier A1 .
- Si la maintenance de l’atelier A4 doit commencer en même temps

que la maintenance de l’atelier A3 .
- Si les maintenances des ateliers A4 et A5 ne peuvent pas

commencer la même semaine.
- Si la maintenance de l’atelier A5 ne peut pas commencer avant la

fin de la maintenance de l’atelier A1 .
– p. 38/??


 min X





 



 X ≥ 2 δ11 + 3 δ21
 X ≥ 2 δ11 + 3 δ12 + 2 δ21 + 3 δ22 + 1 δ42

 


 


  X ≥ 1 δ11 + 2 δ12 + 2 δ13 . . . + 2 δ53

 
  X ≥ 1 δ + 2 δ + 2 δ ... + 2 δ + 2 δ
12 13 14 53 54

 


 X ≥ 1 δ13 + 2 δ14 + . . . + 2 δ53 + 2 δ54 + 2 δ55
 


 


  X ≥ 1 δ14 + . . . + 2 δ54 + 2 δ55
 
 X ≥ 2 δ35 + 3 δ45 + 1 δ46 + 2 δ55





 X ≥ 3 δ46
 



 δ11 + δ12 + δ13 + δ14 = 1

  δ +δ +δ =1


  21 22 23
 δ32 + δ33 + δ34 + δ35 = 1

 


 


  δ42 + δ43 + δ44 + δ45 + δ46 = 1





 δ53 + δ54 + δ55 = 1





X≥0 et entière δij ∈ {0, 1}

– p. 39/??

A1 2 2 1 1 4
A2 3 2 1 1 3
A3 4 2 2 2 5
A4 1 1 3 2 6
A5 2 2 2 3 5
La maintenance de l’atelier A3 ne peut pas commencer avant la

(
δ32 ≤ δ11 + δ12
δ33 ≤ δ11 + δ12 + δ13
– p. 40/??

A1 2 2 1 1 4
A2 3 2 1 1 3
A3 4 2 2 2 5
A4 1 1 3 2 6
A5 2 2 2 3 5
La maintenance de l’atelier A4 doit commencer en même temps que la



 δ46 =0
= δ42

 δ32


δ33 = δ43




 δ34 = δ44

δ35 = δ45
– p. 41/??

A1 2 2 1 1 4
A2 3 2 1 1 3
A3 4 2 2 2 5
A4 1 1 3 2 6
A5 2 2 2 3 5
Les maintenances des ateliers A4 et A5 ne peuvent pas commencer la

même semaine.

 δ43 + δ53 ≤ 1

δ44 + δ54 ≤ 1

 δ +δ ≤1
45 55
– p. 42/??

A1 2 2 1 1 4
A2 3 2 1 1 3
A3 4 2 2 2 5
A4 1 1 3 2 6
A5 2 2 2 3 5
La maintenance de l’atelier A5 ne peut pas commencer avant la fin de

la maintenance de l’atelier A1 .


 δ13 = 0
 δ14 = 0



δ53 = 0




 δ54 + δ55 ≥ δ11
δ55 ≥ δ12

– p. 43/??
Problème VIII de modélisation
Soit un ensemble de maladies
M1 , M2 , M3 , M4 , M5
et un ensemble d’examens E1 , E2 , E3 , E4 , E5 pour dépister ces

maladies. On donne la table des résultats suivants
M1 M2 M3 M4 M5 Coût
E1 1 0 1 1 0 6
E2 0 1 1 1 0 8
E3 1 1 0 0 1 2
E4 0 0 1 1 1 7
E5 1 1 0 1 0 6
où Rij = 1 si l’examen Ei est positif pour la maladie Mj .
On demande de déterminer un ensemble d’examens de coût minimal

tel que l’on puisse diagnostiquer "la maladie" du patient.
– p. 44/??
Problème VIII de modélisation


 min 6 x1 + 8 x2 + 2 x3 + 7 x4 + 6 x5

D12 : x1 + x2 ≥ 1








 D13 : x2 + x3 + x4 + x5 ≥ 1
D14 : x2 + x3 + x4 ≥ 1





D15 : x1 + x4 + x5 ≥ 1





 D23 : x1 + x3 + x4 + x5 ≥ 1

 D24 : x1 + x3 + x4 ≥ 1

D25 : x2 + x4 + x5 ≥ 1





D34 : x5 ≥ 1








 D35 : x1 + x2 + x3 ≥ 1
D45 : x1 + x2 + x3 + x5 ≥ 1





xi ∈ {0, 1} i = 1, . . . , 5

Ce problème a 5 variables binaires et 10 contraintes. La solution optimale :
(x1 = 1, x2 = 0, x3 = 1, x4 = 0, x5 = 1) z = 14
Ce problème est équivalent à un problème de couverture (SCP).

– p. 45/??
Partie II
Modélisations particulières
– p. 46/??
Modélisations particulières (I)
Une société désire élaborer un programme de production s’étalant sur

cinq mois. La demande afférant à ces différents mois est connue
exactement et est respectivement de 5,6,8,6,5. Le coût par unité de
production varie selon le mois et vaut respectivement 1,4,2,4,2.
Combien la société doit-elle produire d’unités de production chaque

mois pour que le coût total de production soit minimum ?
– p. 47/??
Modélisations particulières (I)


 min x1 + 4 x2 + 2 x3 + 4 x4 + 2 x5









 x1 ≥ 5
+ ≥ 11



 x1 x2
x1 + x2 + x3 ≥ 19




 x1 + x2 + x3 + x4 ≥ 25




 x1 + x2 + x3 + x4 + x5 = 30





xi ≥ 0 i = 1, . . . , 5 et entières

– p. 48/??
Modélisations particulières (II)

Le coût de stockage est constant et vaut 1 par unité de production et

par mois. La société ne tolère pas de diminution de production mais
toute augmentation coûte 2 par unité.

– p. 49/??
Modélisations particulières (II)


 min x1 + 4 x2 + 2 x3 + 4 x4 + 2 x5
4 x1 + 3 x2 + 2 x3 + − 60



 x4

−2 x1 + 2 x5













 x1 ≥ 5
x1 + x2 ≥ 11





x1 + x2 + x3 ≥ 19





 x1 + x2 + x3 + x4 ≥ 25

 x1 + x2 + x3 + x4 + x5 = 30






x2 ≥ x1








 x3 ≥ x2
x4 ≥ x3





x5 ≥ x4









xi ≥ 0 i = 1, . . . , 5

et entières
– p. 50/??
Modélisations particulières (III)


par mois. Toute augmentation de production coûte 4 par unité et toute
diminution de production coûte 2 par unité.

– p. 51/??
Modélisations particulières (III)


 min x1 + 4 x2 + 2 x3 + 4 x4 + 2 x5

4 x1 + 3 x2 + 2 x3 + x4 − 60








 c1 + c2 + c3 + c4





x1 ≥ 5





x1 + x2 ≥ 11








 x1 + x2 + x3 ≥ 19
+ + + ≥ 25



 x1 x2 x3 x4
x1 + x2 + x3 + x4 + x5 = 30





≥ 4 (x2 − x1 ) ≥ 2 (x1 − x2 )




 c1 c1
c2 ≥ 4 (x3 − x2 ) c2 ≥ 2 (x2 − x3 )





c3 ≥ 4 (x4 − x3 ) c3 ≥ 2 (x3 − x4 )








 c4 ≥ 4 (x5 − x4 ) c4 ≥ 2 (x4 − x5 )





xi ≥ 0 i = 1, . . . , 5 et entières





ci ≥ 0 i = 1, . . . , 4

– p. 52/??
Modélisations particulières (IV)


par mois. Dans le but d’équilibrer au mieux la production, l’écart
maximum de production sur l’ensemble des mois coûte 2 par unité.

– p. 53/??
 Modélisations particulières (IV)

 min x1 + 4 x2 + 2 x3 + 4 x4 + 2 x5




 4 x1 + 3 x2 + 2 x3 + x4 − 60
2 c1 − 2 c2










x1 ≥ 5








 x1 + x2 ≥ 11
x1 + x2 + x3 ≥ 19





x1 + x2 + x3 + x4 ≥ 25





 x +1 x + 2 x 3 + x4 + x5 = 30



c1 ≥ x1 c2 ≤ x1





c1 ≥ x2 c2 ≤ x2








 c1 ≥ x3 c2 ≤ x3
c1 ≥ x4 c2 ≤ x4





c1 ≥ x5 c2 ≤ x5









xi ≥ 0 i = 1, . . . , 5 et entières





ci ≥ 0 i = 1, 2

– p. 54/??
Modélisations particulières (V)


par mois. La différence de production entre le mois 1 et le mois 2 est
d’au plus 2 unités. Cependant, la différence de production entre le
mois 3 et le mois 4 est d’au moins 3 unités.

– p. 55/??
Modélisations particulières (V)


 min x1 + 4 x2 + 2 x3 + 4 x4 + 2 x5
4 x1 + 3 x2 + 2 x3 + − 60



 x4






x1 ≥ 5








 x1 + x2 ≥ 11
x1 + x2 + x3 ≥ 19





x1 + x2 + x3 + x4 ≥ 25





 x1 + x2 + x3 + x4 + x5 = 30



x1 − x2 ≤ 2





x2 − x1 ≤ 2








 x3 − x4 ≥ 3−M δ
x4 − x3 ≥ 3 − M (1 − δ)













 xi ≥ 0 i = 1, . . . , 5 et entières
δ ∈ {0, 1} variable binaire

– p. 56/??
Modélisations particulières (VI)


par mois. On ne peut fabriquer que pendant trois mois au plus.

– p. 57/??
 Modélisations particulières (VI)

 min x1 + 4 x2 + 2 x3 + 4 x4 + 2 x5




 4 x1 + 3 x2 + 2 x3 + x4 − 60





x1 ≥ 5





x1 + x2 ≥ 11








 x1 + x2 + x3 ≥ 19
x1 + x2 + x3 + x4 ≥ 25





x1 + x2 + x3 + x4 + x5 = 30







 x1 ≤ M δ1

x2 ≤ M δ2





x3 ≤ M δ3








 x4 ≤ M δ4
x5 ≤ M δ5





δ1 + δ2 + δ3 + δ4 + δ5 ≤ 3









xi ≥ 0 i = 1, . . . , 5 et entières





δi ∈ {0, 1} i = 1, . . . , 5 variables binaires

– p. 58/??
Modélisations particulières (VII)


par mois. On fabrique pendant trois mois exactement.

– p. 59/??
 Modélisations particulières (VII)

 min x1 + 4 x2 + 2 x3 + 4 x4 + 2 x5




 4 x1 + 3 x2 + 2 x3 + x4 − 60





x1 ≥ 5





x1 + x2 ≥ 11








 x1 + x2 + x3 ≥ 19
x1 + x2 + x3 + x4 ≥ 25





x1 + x2 + x3 + x4 + x5 = 30







 x1 ≤ M δ1 δ1 ≤ x1

x2 ≤ M δ2 δ2 ≤ x2





x3 ≤ M δ3 δ3 ≤ x3








 x4 ≤ M δ4 δ4 ≤ x4
x5 ≤ M δ5 δ5 ≤ x5





δ1 + δ2 + δ3 + δ4 + δ5 = 3









xi ≥ 0 i = 1, . . . , 5 et entières






– p. 60/??
Modélisations particulières (VII)
x ≤ Mδ

 δ=0 ⇒ x=0


 δ = 0 6⇐ x = 0

 δ=1 ⇐ x>0


 δ = 1 6⇒ x > 0
On peut donc avoir x = 0 avec δ = 1.
– p. 61/??
Modélisations particulières (VIII)


par mois. On doit fabriquer pendant le mois 4 si on a fabriqué pendant
les 3 mois précédents.

– p. 62/??
 Modélisations particulières (VIII)

 min x1 + 4 x2 + 2 x3 + 4 x4 + 2 x5

4 x1 + 3 x2 + 2 x3 + x4 − 60









≥




 x1 5
x1 + x2 ≥ 11





x1 + x2 + x3 ≥ 19








 x1 + x2 + x3 + x4 ≥ 25
x1 + x2 + + + = 30



 x3 x4 x5




 x1 ≤ M δ1 δ1 ≤ x1
x2 ≤ M δ2 δ2 ≤ x2





x3 ≤ M δ3 δ3 ≤ x3





x4 ≤ M δ4 δ4 ≤ x4








 δ4 ≥ δ1 + δ2 + δ3 − 2





xi ≥ 0 i = 1, . . . , 5 et entières






– p. 63/??
Modélisations particulières (IX)


par mois. On ne peut fabriquer pendant le mois 4 que si on a fabriqué
pendant les 3 mois précédents.

– p. 64/??
Modélisations particulières (IX)


 min x1 + 4 x2 + 2 x3 + 4 x4 + 2 x5

4 x1 + 3 x2 + 2 x3 + x4 − 60













 x1 ≥ 5
x1 + x2 ≥ 11





x1 + x2 + x3 ≥ 19





 x1 + x2 + x3 + x4 ≥ 25

 x1 + x2 + x3 + x4 + x5 = 30






x4 ≤ M x1








 x4 ≤ M x2
x4 ≤ M x3










 xi ≥ 0 i = 1, . . . , 5 et entières
– p. 65/??
Modélisations particulières (X)


par mois. On ne fabrique pas pendant le mois 4 si on n’a pas fabriqué
pendant les mois 2 et mois 3.

– p. 66/??
Modélisations particulières (X)


 min x1 + 4 x2 + 2 x3 + 4 x4 + 2 x5

4 x1 + 3 x2 + 2 x3 + x4 − 60









x1 ≥ 5





x1 + x2 ≥ 11





 x1 + x2 + x3 ≥ 19

 x1 + x2 + x3 + x4 ≥ 25

x1 + x2 + x3 + x4 + x5 = 30













 x4 ≤ M x2 + M x3





xi ≥ 0 i = 1, . . . , 5 et entières

– p. 67/??
Modélisations particulières (XI)


par mois. Une demande alternative afférant aux différents mois est
respectivement de 7,5,3,9,6. On rechecrhe la demande la plus
économique.

– p. 68/??
Modélisations particulières (XI)



 min x1 + 4 x2 + 2 x3 + 4 x4 + 2 x5
4 x1 + 3 x2 + 2 x3 + x4 − 60













 x1 ≥ 5 +2δ
+ ≥ 11 +δ



 x1 x2
x1 + x2 + x3 ≥ 19 −4δ




 x1 + x2 + x3 + x4 ≥ 25 −δ




 x1 + x2 + x3 + x4 + x5 = 30





xi ≥ 0 i = 1, . . . , 5 et entières





 δ ∈ {0, 1} variable binaire
– p. 69/??
Partie III
Problèmes classiques en
Optimisation Combinatoire
– p. 70/??
Le problème d’affectation
Le problème d’affectation consiste à affecter n ressources à n activités

à un coût total minimum. Le problème d’affectation est aussi nommé :
AP ou "Assignment Problem".

X n Xn
min cij xij






 i=1 j=1


 Xn
x =1 j = 1, . . . , n


ij
AP i=1


 Xn
xij = 1 i = 1, . . . , n







 j=1
xij ∈ {0, 1} i = 1, . . . , n j = 1, . . . , n

Il s’agit de définir une bijection de {1, . . . , n} sur {1, . . . , n} ou encore

une permutation de n objets.
– p. 71/??
Le problème d’affectation

X n Xn
min cij xij






 i=1 j=1


 Xn
x =1 j = 1, . . . , n


ij
AP i=1


 Xn
xij = 1 i = 1, . . . , n







 j=1
xij ∈ {0, 1} i = 1, . . . , n j = 1, . . . , n

Ce problème est un “faux” problème en variables entières. Les

contraintes xij ∈ {0, 1} peuvent être remplacées par xij ≥ 0. La
matrice des contraintes est totalement unimodulaire. Pour n = 3 :
 
1 1 1 0 0 0 0 0 0
 0 0 0 1 1 1 0 0 0 
 
 
 0 0 0 0 0 0 1 1 1 
T =  1 0 0 1 0 0 1 0 0 

 
 0 1 0 0 1 0 0 1 0 
 
0 0 1 0 0 1 0 0 1
– p. 72/??
Une variante du problème d’affectation
Cette variante du problème d’affectation consiste à affecter n ressources

à n activités de sorte à minimiser le coût maximum associé à chaque
ressource. Ce genre de problème, où on cherche à minimiser un
maximum, est dit min − max ou bottleneck.


 min Cmax


 n
X
xij = 1 j = 1, . . . , n






 i=1

 Xn

xij = 1 i = 1, . . . , n


j=1


 Xn
cij xij ≤ Cmax i = 1, . . . , n







 j=1
xij ∈ {0, 1} i = 1, . . . , n j = 1, . . . , n





Cmax ≥ 0

– p. 73/??
Le problème de transport simple
Le problème de transport simple consiste à déterminer comment
approvisionner des centres de consommation à partir de centres de
production de manière à minimiser le coût total de transport. Ce
problème est aussi nommé : TP ou "Transportation Problem".

Xr X s
min cij xij






 i=1 j=1


 X s
xij = qi i = 1, . . . , r


TP j=1
r



 X



 xij = dj j = 1, . . . , s
i=1



xij ≥ 0, entières i = 1, . . . , r j = 1, . . . , s

On suppose que l’on a

s
X r
X
dj = qi
j=1 i=1
Ce problème est un “faux” problème en variables entières. La matrice

des contraintes est totalement unimodulaire.
– p. 74/??
Le problème du voyageur de commerce
Ce problème consiste à déterminer un tour (circuit d’un seul tenant)
passant une et une seule fois par n villes qui soit de coût minimum. Ce
problème est aussi nommé : TSP ou "Travelling Salesman Problem".
 X n Xn
min cij xij





 i=1 j=1


 X n

xij = 1 j = 1, . . . , n





 i=1
n
T SP X


 xij = 1 i = 1, . . . , n

 j=1X

 X
xij ≥ 1 Q ⊂ {1, . . . , n} Q̄ = {1, . . . , n} \ Q







 i∈Q j∈Q̄
xij ∈ {0, 1}

i = 1, . . . , n j = 1, . . . , n
Le problème d’affectation est une relaxation du problème du voyageur

de commerce. La valeur optimale du problème d’affectation peut servir
de fonction d’évaluation dans une procédure "Branch and Bound" pour
le problème du voyageur de commerce.
– p. 75/??
 n X
X n
min cij xij






 i=1 j=1


 n
X
xij = 1 j = 1, . . . , n





 i=1
T SP Xn


 xij = 1 i = 1, . . . , n


 X Xj=1

xij ≤ |Q| − 1 2 ≤ |Q| ≤ n − 2







 i∈Q j∈Q
xij ∈ {0, 1} i = 1, . . . , n j = 1, . . . , n


– p. 76/??

X n X n
min



 cij xij

i=1 j=1


n



 X



 xij = 1 j = 1, . . . , n
i=1


n
T SP X

 xij = 1 i = 1, . . . , n

j=1



yj ≥ yi + 1 − n (1 − xij ) i = 1, . . . , n j = 2, . . . , n i 6= j





xij ∈ {0, 1} i = 1, . . . , n j = 1, . . . , n





yi ≥ 0 i = 1, . . . , n


– p. 77/??
Solution AP et solution TSP
Solution AP : x12 = 1, x23 = 1, x31 = 1, x45 = 1, x56 = 1, x64 = 1
Solution TSP : x12 = 1, x23 = 1, x34 = 1, x45 = 1, x56 = 1, x61 = 1
3 4 3 4
2 5 2 5
AP TSP
1 6 1 6
Dans le sous-tour (4-5-6) les équations suivantes sont incompatibles.


x45 = 1 ⇒ y5 ≥ y4 + 1 

x56 = 1 ⇒ y6 ≥ y5 + 1 ⇒ 0 ≥ 3

x64 = 1 ⇒ y4 ≥ y6 + 1 
– p. 78/??
Le problème de chargement ou du sac à dos
Le problème de chargement ou du sac à dos consiste à choisir des
objets qui feront partie d’un chargement de manière à maximiser la
valeur totale des objets choisis sans dépasser la capacité maximale .
Ce problème est aussi nommé : KP ou "Knapsack Problem".
n

 X



 max pi xi
i=1


n
KP X

 wi xi ≤ W



 i=1
xi ∈ {0, 1} i = 1, . . . , n

Ce problème se particularise par le fait de posséder une seule contrainte.

Il n’est pas restrictif de supposer que

 pi et wi sont des entiers positifs

Xn
 wi ≤ W ∀ i et
 wi > W
i=1
S’il existe plusieurs objets de chaque type, on obtient un problème KP

en variables entières.
– p. 79/??
Le problème du chargement complet
Le problème du chargement complet consiste à inclure tous les objets
dans un nombre minimum de chargements sans dépasser la capacité
maximale de chaque chargement. Ce problème est aussi nommé :
BPP ou "Bin Packing Problem".

Xn
min yi






 i=1

 n
X




 wj xij ≤ W yi i = 1, . . . , n
j=1
BP P n
 X
xij = 1 j = 1, . . . , n






 i=1




 xij ∈ {0, 1} i = 1, . . . , n j = 1, . . . , n
yi ∈ {0, 1} i = 1, . . . , n

avec
( (
1 l’objet j ∈ chargement i 1 le chargement i 6= ∅
xij = yi =
0 sinon 0 sinon
– p. 80/??
Le problème de l’équilibrage des charges
Le problème de l’équilibrage des charges consiste à équilibrer au
mieux un nombre fixe de chargements contenant tous les objets. Ce
problème est aussi nommé : LBP ou "Line Balancing Problem".


 min (Cmax − Cmin )


 Xn
wj xij ≥ Cmin i = 1, . . . , m






 j=1


 Xn
wj xij ≤ Cmax i = 1, . . . , m


LBP j=1
m



 X



 xij = 1 j = 1, . . . , n
i=1



xij ∈ {0, 1} i = 1, . . . , m j = 1, . . . , n





Cmin ≥ 0, Cmax ≥ 0

avec (
1 l’objet j ∈ chargement i
xij =
0 sinon
– p. 81/??
Le problème de couverture
Le problème de la recherche d’une couverture de coût minimal

consiste à sélectionner des sous-ensembles d’objets Pi de façon à ce
que chaque objet apparaisse au moins une fois, et cela avec le coût
global le plus petit. Ce problème est aussi nommé : SCP ou "Set
Covering Problem".
n

 X



 min ci xi
i=1


n
SCP X

 tij xi ≥ 1 j = 1, . . . , m



 i=1
xi ∈ {0, 1} i = 1, . . . , n

avec
( (
1 si j ∈ Pi 1 si Pi appartient à la couverture
tij = xi =
0 sinon 0 sinon
[
Une couverture est une collection de Pi qui vérifie : Pi = {1, . . . , m}
i
– p. 82/??
Le problème de partition
Le problème de la recherche d’une partition de coût minimal consiste à

sélectionner des sous-ensembles d’objets Pi de façon à ce que
chaque objet apparaisse une fois exactement, et cela avec le coût
global le plus petit. Ce problème est aussi nommé : SPP ou "Set
Partitioning Problem".
n

 X



 min ci xi
i=1


n
SP P X

 tij xi = 1 j = 1, . . . , m



 i=1
xi ∈ {0, 1} i = 1, . . . , n

avec
( (
1 si j ∈ Pi 1 si Pi appartient à la partition
tij = xi =
0 sinon 0 sinon
Une partition est une couverture qui vérifie : Pj ∩ Pk = ∅
– p. 83/??
Le problème d’emballage
Dans le problème d’emballage, les sous-ensembles d’objets Pi ont

une valeur plutôt qu’un coût : le problème consiste à sélectionner des
sous-ensembles disjoints de façon à maximiser la valeur totale. Ce
problème est aussi nommé : SPkP ou "Set Packing Problem".
n

 X



 max ci xi
i=1


n
SP kP X

 tij xi ≤ 1 j = 1, . . . , m



 i=1
xi ∈ {0, 1} i = 1, . . . , n

avec
( (
1 si j ∈ Pi 1 si Pi appartient à l’emballage
tij = xi =
0 sinon 0 sinon
– p. 84/??
Le problème d’implantation de dépôts
Le problème d’implantation de dépôts, sans contrainte de capacité,
consiste à déterminer : Quels dépôts ouvrir ? et comment affecter les
clients aux dépôts ? Ce problème est aussi nommé : UFLP ou
"Uncapacited Facility Location Problem".
n X m n

 X X



 min cij yij + fi xi
i=1 j=1 i=1


n



 X
 yij = 1 j = 1, . . . , m
U F LP
 i=1
yij ≤ xi i = 1, . . . , n j = 1, . . . , m





yij ∈ {0, 1} i = 1, . . . , n j = 1, . . . , m





 xi ∈ {0, 1} i = 1, . . . , n
avec
( (
1 client j desservi par dépôt i 1 le dépôt i est ouvert
yij = xi =
0 sinon 0 sinon
– p. 85/??
Le problème d’implantation de dépôts
Le problème d’implantation de dépôts, avec contrainte de capacité,
consiste à déterminer : Quels dépôts ouvrir ? et comment affecter les
clients aux dépôts ? Ce problème est aussi nommé : CFLP ou
"Capacited Facility Location Problem".
 Xn X m Xn
min cij yij + fi xi





 i=1 j=1 i=1


 Xn

yij = dj j = 1, . . . , m




CF LP i=1
m
X




 yij ≤ Qi xi i = 1, . . . , n

 j=1


yij ≥ 0 et entières i = 1, . . . , n j = 1, . . . , m





xi ∈ {0, 1} i = 1, . . . , n
avec
(
1 le dépôt i est ouvert
yij = quantité du dépot i pour client j xi =
0 sinon
– p. 86/??
Un problème d’ordonnancement
Une entreprise doit satisfaire une commande de trois modèles de

pièces. Chaque modèle de pièce est fabriqué en passant sur plusieurs
machines. L’ordre de passage sur les machines varie d’un modèle à
l’autre. Le temps d’exécution des opérations sur les machines est
également variable. Les données du problème sont reprises dans le
tableau suivant :
Modèle Opération 1 Opération 2 Opération 3

1 Machine 1 (45’) Machine 3 (10’)
2 Machine 2 (10’) Machine 1 (20’) Machine 3 (34’)
3 Machine 2 (17’) Machine 3 (28’)
Sachant qu’une machine ne peut traiter qu’un seul modèle à la fois et
qu’un modèle ne peut passer sur plusieurs machines en même temps,
comment les modèles doivent-ils être ordonnancés sur les machines
pour que la commande soit terminée le plus tôt possible ?
– p. 87/??
Unproblème
 d’ordonnancement


 tend ≥ t13 + 10  

 tend ≥ t23 + 34 Temps de fin

 

 
≥ + 28 

 t t33
 end


 
t13 ≥ t11 + 45 



 
 
 23 ≥ t21 + 20 

  t
Modèles


 t21 ≥

t22 + 10 
 

 
 
t ≥ t32 + 17

 
 33


 
t11 + 45 ≤ t21 + M (1 − δ1 ) 



 
 

 21 +
 t 20 ≤ t11 + M δ1 

min tend


 t22 + 10 ≤ t32 + M (1 − δ2 ) 
 

 

  
 t32 + 17 ≤ t22 + M δ2

 


  

 
 13 +
 t 10 ≤ t23 + M (1 − δ3 ) 


Machines



 t23 + 34 ≤ t13 + M δ3
 

 

  
 t13 + 10 ≤ t33 + M (1 − δ4 ) 

 

  

 
 t33 + 28 ≤ t13 + M δ4

  


 

  




 t23 + 34 ≤ t33 + M (1 − δ5 )  


t33 + 28 ≤ t23 + M δ5

 



tend ≥ 0 tij ≥ 0, i, j = 1, 2, 3 δi ∈ {0, 1}, i = 1, . . . , 5

– p. 88/??
Diagramme de Gantt
Mod. 1 Mod. 2 Mod. 3
6 10 30 75
Mach. 1
Mach. 2
Mach. 3
-
0 27 55 89 99
– p. 89/??
Méthodes de résolution exactes
Les méthodes de résolution exactes se caractérisent par le fait qu’elles
permettent d’obtenir une ou plusieurs solutions dont l’optimalité est garantie.
Parmi ces méthodes, on peut remarquer l’algorithme simplexe.
Pour les problèmes de type ILP, MILP ou 0-1ILP, il existe plusieurs

méthodes :
• la programmation dynamique consistant à placer le problème dans
une famille de problèmes de même nature mais de difficulté
différente puis à trouver une relation de récurrence liant les
solutions optimales de ces problèmes.
• le ”Branch and Bound” consistant à faire une énumération implicite
en séparant le problème en sous-problèmes et en évaluant
ceux-ci à l’aide d’une relaxation jusqu’à ne plus avoir que des
problèmes faciles à résoudre ou dont on sait avec certitude qu’ils
ne peuvent pas contenir de solution optimale.
• les méthodes polyédrales consistant à ajouter progressivement des
contraintes supplémentaires afin de ramener le domaine des
solutions admissibles à un domaine convexe.
– p. 90/??
Méthodes de résolution approchées
Il est parfois nécessaire de disposer d’une solution de bonne qualité

(proche de l’optimale) dans un contexte de ressources (temps de
calcul et/ou mémoire) limitées. Dans ce cas, l’optimalité de la solution ne
sera pas garantie, ni même l’écart avec la valeur optimale. Le temps
nécessaire pour obtenir une telle solution sera beaucoup plus faible et
pourra même être fixé.
Ce type de méthodes, dites heuristiques est utile pour des problèmes

nécessitant une solution en temps très court ou pour résoudre des
instances de grande taille. Elles peuvent être utilisées afin d’initialiser
une méthode exacte.
Parmi ces méthodes, on distingue les heuristiques ciblées sur un

problème particulier et les métaheuristiques plus puissantes et
adaptables pour résoudre un grand nombre de problèmes. Une
métaheuristique, pour être performante sur un problème donné
nécessite une adaptation fine.
– p. 91/??
Méthodes de résolution approchées
Les méthodes approchées se classent en différentes catégories dont
les plus connues sont :
Constructives : Algorithmes glouton

Grasp
Recherche locale : Algorithmes de descente

Multi-départs
Algorithme à seuil
Recuit-simulé
Recherche tabou
Evolutionnistes : Algorithmes génétiques

Algorithmes d’évolution
Recherche dispersée
Méthode des chemins
Systèmes de fourmis
– p. 92/??

Modélisation Simple

Transféré par

Informations du document

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

Modélisation Simple

Transféré par

Droits d'auteur :

Formats disponibles

Faculté Polytechnique de Mons

Service de Mathématique et Recherche Opérationnelle

Programmation linéaire - Modélisation

Pour modéliser une situation concrète sous la forme d’un problème de

• Les variables (continues ou discrètes) du problème

• Les contraintes linéaires du problème

• L’objectif linéaire du problème

Un steward fournit 150 heures de travail normales par mois. Au début

Un steward coûte à la compagnie 3000 Euros par mois. La compagnie

Une firme produit des rouleaux de papier de la largeur fixe égale

Quantité commandée Largeur

De quelle manière doivent s’effectuer les découpes nécessaires

1.2m 1.0m 0.88m 0.5m Perte Découpes

1.2m 1.0m 0.88m 0.5m Perte Découpes

Nombre Type 1.2m 1.0m 0.88m 0.5m Perte Découpes

Nombre Type 1.2m 1.0m 0.88m 0.5m Perte Découpes

Dans une gare, au cours des périodes données ci-dessous, on a

0h → 4h 4h → 8h 8h → 12h 12h → 16h 16h → 20h 20h → 24h

Les différentes équipes prennent leur travail à minuit, 4 heures du

Les variables x1 , x2 , x3 , x4 , x5 , x6 représentent le nombre de personnes

Les variables x1 , x2 , x3 , x4 , x5 , x6 représentent le nombre de personnes

Il est possible de définir les besoins en nombre d’employés au cours

0h → 4h 4h → 8h 8h → 12h 12h → 16h 16h → 20h 20h → 24h

0h → 4h 4h → 8h 8h → 12h 12h → 16h 16h → 20h 20h → 24h

Comment la formulation précédente doit-elle être modifiée ?

Les variables x1 , x2 , x3 , x4 , x5 , x6 représentent le nombre de personnes

On dispose d’un ensemble 30 personnes réparties comme suit :

Catégorie 1 : 5 personnes horaire exclusif de jour (8h → 20h).

Catégorie 2 : 5 personnes horaire exclusif de nuit (20h → 8h).

Catégorie 3 : 5 personnes horaire de 4h de jour et 4h de nuit.

Catégorie 4 : 15 personnes horaire de 8h = 2 × 4h non consécutives,

On désire déterminer l’affectation des personnes pour satisfaire les

Supposons qu’au cours de n semaines, il faille fournir des heures de

Un pilote qui vole revient à 80 unités par semaine. Un homme au repos

Il est demandé de calculer le schéma correspondant à la dépense

Les variables Vi , Ri , Ii représentent respectivement le nombre de

L’entreprise a 40 ouvriers permanents (déjà formés). Chaque ouvrier

Le personnel supplémentaire doit être formé pendant une semaine

On demande de formuler le problème de telle sorte que le profit total

Fi (Formés), Ti (Travailleurs), Ii (Instructeurs), Ei (Elèves).

Il est possible de doubler la sixième semaine la capacité de production

Idem à la question précédent, mais en plus : le développement de

Sem1 Sem2 Sem3 Sem4 Sem5 Sem6 Sem7 Sem8

Sem1 Sem2 Sem3 Sem4 Sem5 Sem6 Sem7 Sem8

Sem1 Sem2 Sem3 Sem4 Sem5 Sem6 Sem7 Sem8

T3 ≥ 1 δ11 + 2 δ12 + 2 δ13

Sem1 Sem2 Sem3 Sem4 Sem5 Sem6 Sem7 Sem8

T4 ≥ 1 δ12 + 2 δ13 + 2 δ14

Sem1 Sem2 Sem3 Sem4 Sem5 Sem6 Sem7 Sem8

Sem1 Sem2 Sem3 Sem4 Sem5 Sem6 Sem7 Sem8

Sem1 Sem2 Sem3 Sem4 Sem5 Sem6 Sem7 Sem8

Sem1 Sem2 Sem3 Sem4 Sem5 Sem6 Sem7 Sem8

Comment la formulation précédente doit-elle être modifiée ?

- Si on suppose que l’entreprise désire affecter un nombre

- Si la maintenance de l’atelier A4 doit commencer en même temps

- Si les maintenances des ateliers A4 et A5 ne peuvent pas

- Si la maintenance de l’atelier A5 ne peut pas commencer avant la

Ateliers Sem 1 Sem 2 Sem 3 Au plus tôt Au plus tard

La maintenance de l’atelier A3 ne peut pas commencer avant la

Ateliers Sem 1 Sem 2 Sem 3 Au plus tôt Au plus tard

La maintenance de l’atelier A4 doit commencer en même temps que la

Ateliers Sem 1 Sem 2 Sem 3 Au plus tôt Au plus tard

Les maintenances des ateliers A4 et A5 ne peuvent pas commencer la

Ateliers Sem 1 Sem 2 Sem 3 Au plus tôt Au plus tard